Descripteur
Documents disponibles dans cette catégorie (291)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Evaluating Sentinel-1A datasets for rice leaf area index estimation based on machine learning regression models / Lamin R. Mansaray in Geocarto international, vol 37 n° 5 ([01/03/2022])
[article]
Titre : Evaluating Sentinel-1A datasets for rice leaf area index estimation based on machine learning regression models Type de document : Article/Communication Auteurs : Lamin R. Mansaray, Auteur ; Fumin Wang, Auteur ; Adam Sheka Kanu, Auteur ; Lingbo Yang, Auteur Année de publication : 2022 Article en page(s) : pp 1225 - 1236 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] apprentissage automatique
[Termes IGN] Chine
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] Extreme Gradient Machine
[Termes IGN] image Sentinel-SAR
[Termes IGN] jeu de données localisées
[Termes IGN] Leaf Area Index
[Termes IGN] modèle de régression
[Termes IGN] plus proche voisin, algorithme du
[Termes IGN] polarisation
[Termes IGN] rizièreRésumé : (Auteur) Three Sentinel-1A datasets in vertical transmitted and horizontal received (VH) and vertical transmitted and vertical received (VV) polarisations, and the linear combination of VH and VV (VHVV) are evaluated for rice green leaf area index (LAI) estimation using four machine learning regression models [Support Vector Machine (SVM), k-Nearest Neighbour (k-NN), Random Forest (RF) and Gradient Boosting Decision Tree (GBDT)]. Results showed that for the entire growing season, VV outperformed VH, recording an R2 of 0.68 and an RMSE of 0.98 m2/m2 with the k-NN model. However, VHVV produced the most accurate estimates with GBDT (R2 of 0.82 and RMSE of 0.68 m2/m2), followed by that of VHVV with RF (R2 of 0.78 and RMSE of 0.90 m2/m2). Our findings have further confirmed that combining VH and VV data can achieve improved rice growth modelling, and that tree-based algorithms can better handle data dimensionality. Numéro de notice : A2022-274 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2020.1773545 Date de publication en ligne : 05/06/2020 En ligne : https://doi.org/10.1080/10106049.2020.1773545 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100753
in Geocarto international > vol 37 n° 5 [01/03/2022] . - pp 1225 - 1236[article]Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 059-2022051 RAB Revue Centre de documentation En réserve L003 Disponible Simulation of future forest and land use/cover changes (2019–2039) using the cellular automata-Markov model / Hasan Aksoy in Geocarto international, vol 37 n° 4 ([15/02/2022])
[article]
Titre : Simulation of future forest and land use/cover changes (2019–2039) using the cellular automata-Markov model Type de document : Article/Communication Auteurs : Hasan Aksoy, Auteur ; Sinan Kaptan, Auteur Année de publication : 2022 Article en page(s) : pp 1183 - 1202 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] analyse diachronique
[Termes IGN] automate cellulaire
[Termes IGN] classification dirigée
[Termes IGN] détection de changement
[Termes IGN] gestion forestière
[Termes IGN] image Landsat-8
[Termes IGN] image Landsat-TM
[Termes IGN] modèle de Markov
[Termes IGN] occupation du sol
[Termes IGN] surface cultivée
[Termes IGN] surface forestière
[Termes IGN] Turquie
[Termes IGN] utilisation du solRésumé : (auteur) This study aimed to simulate and assess forest cover and land use/land cover (LULC) changes between 2019 and 2039 using the cellular automata-Markov model. The performance of the model was evaluated by comparing the 2019 simulation map with the 2019 supervised classified map, and it was found to be reliable, with a similarity rate of 85.43%. The LULC analysis and estimates were carried out for a total of six classes: coniferous, broad-leaf, mixed forest, settlement, water and agriculture. Between 1999 and 2019, the areas of total forest increased by 17.4%, settlement by 84.6% and water by 20.1%, whereas the agriculture area decreased by 33.2%. According to 2019‒2039 land use/cover simulation results, there were decreases of 2.4% in total forest area and 3.7% in residential and water surface areas, but a 6.9% decrease in the agriculture class. Tracking these changes will contribute to decision making and strategy development efforts of forest planners and managers. Numéro de notice : A2022-397 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2020.1778102 Date de publication en ligne : 22/06/2020 En ligne : https://doi.org/10.1080/10106049.2020.1778102 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100691
in Geocarto international > vol 37 n° 4 [15/02/2022] . - pp 1183 - 1202[article]Dynamic modelling of rice leaf area index with quad-source optical imagery and machine learning regression models / Lamin R. Mansaray in Geocarto international, vol 37 n° 3 ([01/02/2022])
[article]
Titre : Dynamic modelling of rice leaf area index with quad-source optical imagery and machine learning regression models Type de document : Article/Communication Auteurs : Lamin R. Mansaray, Auteur ; Adam Sheka Kanu, Auteur ; Lingbo Yang, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 828 - 840 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage automatique
[Termes IGN] Chine
[Termes IGN] classification barycentrique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] Extreme Gradient Machine
[Termes IGN] Green Leaf Area Index
[Termes IGN] image Gaofen
[Termes IGN] image HJ-1A
[Termes IGN] image HJ-1B
[Termes IGN] image Landsat-8
[Termes IGN] image Sentinel-MSI
[Termes IGN] indice foliaire
[Termes IGN] modèle de régression
[Termes IGN] rizièreRésumé : (auteur) Optical satellite imagery has been widely used to monitor leaf area index (LAI). However, most studies have focussed on single- or dual-source data, thus making little use of a growing repository of freely available optical imagery. Hence this study has evaluated the feasibility of quad-source optical satellite imagery involving Landsat-8, Sentinel-2A, China’s environment satellite constellation (HJ-1 A and B) and Gaofen-1 (GF-1) in modelling rice green LAI over a test site located in southeast China at two growing seasons. With the application of machine learning regression models including Random Forest (RF), Support Vector Machine (SVM), k-Nearest Neighbour (k-NN) and Gradient Boosting Decision Tree (GBDT), results indicated that regression models based on an ensemble of decision trees (RF and GBDT) were more suitable for modelling rice green LAI. The current study has demonstrated the feasibility of quad-source optical imagery in modelling rice green LAI and this is relevant for cloudy areas. Numéro de notice : A2022-346 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2020.1745299 Date de publication en ligne : 03/04/2020 En ligne : https://doi.org/10.1080/10106049.2020.1745299 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100530
in Geocarto international > vol 37 n° 3 [01/02/2022] . - pp 828 - 840[article]Learning spatio-temporal representations of satellite time series for large-scale crop mapping / Vivien Sainte Fare Garnot (2022)
Titre : Learning spatio-temporal representations of satellite time series for large-scale crop mapping Type de document : Thèse/HDR Auteurs : Vivien Sainte Fare Garnot , Auteur ; Clément Mallet , Directeur de thèse ; Nesrine Chehata , Directeur de thèse ; Loïc Landrieu , Encadrant Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2022 Note générale : bibliographie
Thèse de doctorat de l’Université Gustave Eiffel, École doctorale n° 532, Mathématiques, Science, et Technologie de l’Information et de la Communication (MSTIC), Spécialité de doctorat : Signal, Image, et AutomatiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] attention (apprentissage automatique)
[Termes IGN] carte agricole
[Termes IGN] fusion de données
[Termes IGN] image multibande
[Termes IGN] image multitemporelle
[Termes IGN] image satellite
[Termes IGN] parcelle agricole
[Termes IGN] segmentation sémantique
[Termes IGN] série temporelleMots-clés libres : segmentation panotique mécanisme d'auto-attention encodage spatio-temporel Index. décimale : THESE Thèses et HDR Résumé : (auteur) L’analyse et le suivi de l’activité agricole d’un territoire nécessitent la production de cartes agricoles précises. Ces cartes identifient les bordures de chaque parcelle ainsi que le type de culture. Ces informations sont précieuses pour une variété d’acteurs et ont des applications allant de la prévision de la production alimentaire à l’allocation de subventions ou à la gestion environnementale. Alors que les premières cartes agricoles nécessitaient un travail de terrain fastidieux, l’essor de l’analyse automatisée des données de télédétection a ouvert la voie à des cartographies à grande échelle. Dans cette thèse, nous nous intéressons à la cartographie agricole à partir de séries temporelles d’images satellites multispectrales. Dans la plupart des travaux de la dernière décennie, ce problème est abordé à l’aide de modèles d’apprentissage automatique entraînés sur des descripteurs conçus par des experts. Cependant, dans la littérature de vision par ordinateur (VO) et du traitement automatique de la langue (TAL), l’entrainement de modèles d’apprentissage profond à apprendre des représentations à partir des données brutes a constitué un changement de paradigme menant à des performances sans précédent sur une variété de problèmes. De même, l’application de ces modèles d’apprentissage profond aux données de télédétection a considérablement amélioré l’état de l’art pour la cartographie agricole ainsi que d’autres tâches de télédétection. Dans cette thèse, nous soutenons que les méthodes actuelles issues des littérature VO et TAL ignorent certaines des spécificités des données de télédétection et ne devraient pas être appliquées directement. Au contraire, nous prônons le développement de méthodes adaptées, exploitant les structures spatiales, spectrales et temporelles spécifiques des séries temporelles d’images satellites. Nous caractérisons la cartographie agricole successivement comme une classification à la parcelle, une segmentation sémantique et une segmentation panoptique. Pour chacune de ces tâches, nous développons une nouvelle architecture d’apprentissage profond adaptée aux particularités de la tâche et inspirée des avancées récentes de l’apprentissage profond. Nous montrons que nos méthodes établissent un nouvel état de l’art tout en étant plus efficaces que les approches concurrentes. Plus précisément, nous présentons (i) le Pixel-Set Encoder, un encodeur spatial efficace, (ii) le Temporal Attention Encoder (TAE), un encodeur temporel utilisant la self-attention, (iii) le U-net avec TAE, une variation du TAE pour les problèmes de segmentation, et (iv) Parcel-as-Point, un module de segmentation d’instance conçu pour la segmentation panoptique des parcelles. Nous étudions également comment exploiter des séries temporelles multimodales combinant des informations optiques et radar. Nous améliorons ainsi les performances de nos modèles ainsi que leur robustesse aux nuages. Enfin, nous considérons l’arbre hiérarchique qui décrit les relations sémantiques entre les types de culture. Nous présentons une méthode pour inclure cette structure dans le processus d’apprentissage. Sur la classification des cultures ainsi que d’autres problèmes de classification, notre méthode réduit le taux d’erreurs entre les classes sémantiquement éloignées. En plus de ces méthodes, nous introduisons PASTIS, le premier jeu de données en accès libre de séries temporelles d’images satellites multimodales avec des annotations panoptiques de parcelles agricoles. Nous espérons que ce jeu de données, ainsi que les résultats prometteurs présentés dans cette thèse encourageront d’autres travaux de recherche et aideront à produire des cartes agricoles toujours plus précises. Note de contenu : 0- Introduction
1- Spatial and temporal encoding for parcel-based classification
2- Pixel-based segmentation methods
3- Leveraging multiple modalities
4- Leveraging the class hierarchy
5- ConclusionNuméro de notice : 17694 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : thèse de doctorat : Signal, Image, et Automatique : Gustave Eiffel : 2022 Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans Date de publication en ligne : 13/01/2022 En ligne : https://hal.science/tel-03524429v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99366 Monitoring and analysis of crop irrigation dynamics in Central Italy through the use of MODIS NDVI data / Marta Chiesi in European journal of remote sensing, vol 55 n° 1 (2022)
[article]
Titre : Monitoring and analysis of crop irrigation dynamics in Central Italy through the use of MODIS NDVI data Type de document : Article/Communication Auteurs : Marta Chiesi, Auteur ; Luca Angeli, Auteur ; Piero Battista, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 23 - 36 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] bilan hydrique
[Termes IGN] carte agricole
[Termes IGN] cultures irriguées
[Termes IGN] image Aqua-MODIS
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Terra-MODIS
[Termes IGN] irrigation
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] Toscane (Italie)Résumé : (auteur) A recent study has proposed and tested a semi-empirical method to estimate crop irrigation based on a water balance logic and Sentinel-2 Multi Spectral Instrument (MSI) NDVI imagery. The current paper aims at extending the same approach to the analysis of the main irrigation patterns occurred in Tuscany (Central Italy) during the 2000–2019 period. This operation was made possible by feeding the irrigation water (IW) estimation method with 250-m spatial resolution Terra/Aqua Moderate Resolution Imaging Spectroradiometer (MODIS) NDVI images. The results of this operation were first assessed versus various reference datasets available for the region; next, the annual maps of IW estimated for the 20 study years were analyzed at province scale in conjunction with relevant agricultural statistics. The use of MODIS in place of MSI images reduces the IW estimation accuracy irregularly at local scale, depending on the size and spatial arrangement of irrigated and non-irrigated fields; the reduction in accuracy is, however, marginal over relatively large areas. Irrigated crops are decreasing throughout most Tuscany provinces, while they are increasing in the most southern and driest province. The possible reasons and implications of these findings are finally discussed in relation to the main environmental issues affecting the region. Numéro de notice : A2022-099 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/IMAGERIE Nature : Article DOI : 10.1080/22797254.2021.2013735 Date de publication en ligne : 05/01/2022 En ligne : https://doi.org/10.1080/22797254.2021.2013735 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99549
in European journal of remote sensing > vol 55 n° 1 (2022) . - pp 23 - 36[article]Extensification and afforestation of cultivated mineral soil for climate change mitigation in Finland / Boris Tupek in Forest ecology and management, vol 501 (December-1 2021)PermalinkOBIA-based extraction of artificial terrace damages in the Loess plateau of China from UAV photogrammetry / Xuan Fang in ISPRS International journal of geo-information, vol 10 n° 12 (December 2021)PermalinkCrop rotation modeling for deep learning-based parcel classification from satellite time series / Félix Quinton in Remote sensing, vol 13 n° 22 (November-2 2021)PermalinkPhenology-based delineation of irrigated and rain-fed paddy fields with Sentinel-2 imagery in Google Earth Engine / Daniel Marc G. dela Torre in Geo-spatial Information Science, vol 24 n° 4 (October 2021)PermalinkGeoglam, l'agriculture par satellite / Laurent Polidori in Géomètre, n° 2194 (septembre 2021)PermalinkSentinel-1 sensitivity to soil moisture at high incidence angle and the impact on retrieval over seasonal crops / Davide Palmisano in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 9 (September 2021)PermalinkA CNN approach to simultaneously count plants and detect plantation-rows from UAV imagery / Lucas Prado Osco in ISPRS Journal of photogrammetry and remote sensing, vol 174 (April 2021)PermalinkTemporal mosaicking approaches of Sentinel-2 images for extending topsoil organic carbon content mapping in croplands / Emmanuelle Vaudour in International journal of applied Earth observation and geoinformation, vol 96 (April 2021)PermalinkDétection des zones de dégradation et de régénération de la couverture végétale dans le sud du Sénégal à travers l'analyse des tendances de séries temporelles MODIS NDVI et des changements d'occupation des sols à partir d'images LANDSAT / Boubacar Solly in Revue Française de Photogrammétrie et de Télédétection, n° 223 (mars - décembre 2021)PermalinkSuivi de la dynamique de l’occupation du sol en République de Guinée par imagerie satellitaire Spot : transfert technologique pour le développement d’outils performants d’aide à la décision / Gabriel Jaffrain in Revue Française de Photogrammétrie et de Télédétection, n° 223 (mars - décembre 2021)Permalink