Descripteur
Documents disponibles dans cette catégorie (296)
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
Application of thermal imaging and hyperspectral remote sensing for crop water deficit stress monitoring / Gopal Krishna in Geocarto international, vol 36 n° 5 ([15/03/2021])
[article]
Titre : Application of thermal imaging and hyperspectral remote sensing for crop water deficit stress monitoring Type de document : Article/Communication Auteurs : Gopal Krishna, Auteur ; Rabi N. Sahoo, Auteur ; Prafull Singh, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 481 - 498 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] image hyperspectrale
[Termes IGN] image thermique
[Termes IGN] indice de stress
[Termes IGN] Oryza (genre)
[Termes IGN] réflectance spectrale
[Termes IGN] régression des moindres carrés partiels
[Termes IGN] rizière
[Termes IGN] sécheresse
[Termes IGN] stress hydrique
[Termes IGN] teneur en eau de la végétationRésumé : (auteur) Water deficit in crops induces a stress that may ultimately result in low production. Identification of response of genotypes towards water deficit stress is very crucial for plant phenotyping. The study was carried out with the objective to identify the response of different rice genotypes to water deficit stress. Ten rice genotypes were grown each under water deficit stress and well watered or nonstress conditions. Thermal images coupled with visible images were recorded to quantify the stress and response of genotypes towards stress, and relative water content (RWC) synchronized with image acquisition was also measured in the lab for rice leaves. Synced with thermal imaging, Canopy reflectance spectra from same genotype fields were also recorded. For quantification of water deficit stress, Crop Water Stress Index (CWSI) was computed and its mode values were extracted from processed thermal imageries. It was ascertained from observations that APO and Pusa Sugandha-5 genotypes exhibited the highest resistance to the water deficit stress or drought whereas CR-143, MTU-1010, and Pusa Basmati-1 genotypes ascertained the highest sensitiveness to the drought. The study reveals that there is an effectual relationship (R2 = 0.63) between RWC and CWSI. The relationship between canopy reflectance spectra and CWSI was also established through partial least square regression technique. A very efficient relationship (calibration R2 = 0.94 and cross-validation R2 = 0.71) was ascertained and 10 most optimal wavebands related to water deficit stress were evoked from hyperspectral data resampled at 5 nm wavelength gap. The identified ten most optimum wavebands can contribute in the quick detection of water deficit stress in crops. This study positively contributes towards the identification of drought tolerant and drought resistant genotypes of rice and may provide valuable input for the development of drought-tolerant rice genotypes in future. Numéro de notice : A2021-250 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1618922 Date de publication en ligne : 10/06/2019 En ligne : https://doi.org/10.1080/10106049.2019.1618922 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97272
in Geocarto international > vol 36 n° 5 [15/03/2021] . - pp 481 - 498[article]Exemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 059-2021051 RAB Revue Centre de documentation En réserve L003 Disponible Agricultural land partitioning model based on irrigation efficiency using a multi‐objective artificial bee colony algorithm / Mehrdad Bijandi in Transactions in GIS, Vol 25 n° 1 (February 2021)
[article]
Titre : Agricultural land partitioning model based on irrigation efficiency using a multi‐objective artificial bee colony algorithm Type de document : Article/Communication Auteurs : Mehrdad Bijandi, Auteur ; Mohammad Karimi, Auteur ; Bahman Farhadi Bansouleh, Auteur ; Wim van der Knaap, Auteur Année de publication : 2021 Article en page(s) : pp 551 - 574 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] données topographiques
[Termes IGN] irrigation
[Termes IGN] optimisation par colonie de fourmis
[Termes IGN] parcelle agricole
[Termes IGN] planification
[Termes IGN] remembrement agricole
[Termes IGN] surface cultivée
[Termes IGN] utilisation du solRésumé : (Auteur) In the process of agricultural land consolidation, the land parcels are optimally redesigned and rearranged in such a way that the dimensions of the resulting parcels are proportional to agricultural criteria such as irrigation discharge, soil texture, and cropping pattern. Besides these criteria, spatial factors like slope, road accessibility, volume of earthwork, and geometrical factors such as size and shape of parcels are also included in the design process of agricultural land partitioning. In this study, a land partitioning model was proposed using a multi‐objective artificial bee colony algorithm (MOABC‐LP) taking into consideration the mentioned factors. Initially, a feasible dimension range of parcels in a block was calculated based on irrigation efficiency. Two partitioning layouts were defined according to the topography and geometry of blocks. The proposed method was applied to a real study area and the results suggest that the land partitioning plan obtained by the MOABC‐LP model, in comparison with a designer's plan, not only makes the shape and size of parcels more compatible with the topographical and agricultural conditions of each block, but also reduces their cut‐and‐fill ratio. Numéro de notice : A2021-210 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/tgis.12702 Date de publication en ligne : 27/10/2020 En ligne : https://doi.org/10.1111/tgis.12702 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97159
in Transactions in GIS > Vol 25 n° 1 (February 2021) . - pp 551 - 574[article]Crop identification by massive processing of multiannual satellite imagery for EU common agriculture policy subsidy control / Adolfo Lozano-Tello in European journal of remote sensing, vol 54 n° 1 (2021)
[article]
Titre : Crop identification by massive processing of multiannual satellite imagery for EU common agriculture policy subsidy control Type de document : Article/Communication Auteurs : Adolfo Lozano-Tello, Auteur ; Marcos Fernández-Sellers, Auteur ; Elia Quirós, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 1 - 12 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] analyse diachronique
[Termes IGN] apprentissage automatique
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification pixellaire
[Termes IGN] Estrémadure (Espagne)
[Termes IGN] image Sentinel-MSI
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] politique agricole commune
[Termes IGN] réseau neuronal artificiel
[Termes IGN] surface cultivée
[Termes IGN] surveillance agricoleRésumé : (auteur) The early and automatic identification of crops declared by farmers is essential for streamlining European Union Common Agricultural Policy (CAP) payment processes. Currently, field inspections are partial, expensive and entail a considerable delay in the process. Chronological satellite images of cultivated plots can be used so that neural networks can form the model of the declared crop. Once the patterns of a crop are obtained, the correspondence of the declaration with the model of the neural network can be systematically predicted, and can be used for monitoring the CAP. In this article, we propose a learning model with neural networks, using as examples of training the pixels of the cultivated plots from the satellite images over a period of time. We also propose using several years in the training model to generalise the patterns without linking them to the climatic characteristics of a specific year. The article also describes the use of the model in learning the multi-year pattern of tobacco cultivation with very good results. Numéro de notice : A2021-138 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/22797254.2020.1858723 Date de publication en ligne : 30/12/2020 En ligne : https://doi.org/10.1080/22797254.2020.1858723 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97012
in European journal of remote sensing > vol 54 n° 1 (2021) . - pp 1 - 12[article]Mapping seasonal agricultural land use types using deep learning on Sentinel-2 image time series / Misganu Debella-Gilo in Remote sensing, Vol 13 n° 2 (January-2 2021)
[article]
Titre : Mapping seasonal agricultural land use types using deep learning on Sentinel-2 image time series Type de document : Article/Communication Auteurs : Misganu Debella-Gilo, Auteur ; Arnt Kristian Gjertsen, Auteur Année de publication : 2021 Article en page(s) : n° 289 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage automatique
[Termes IGN] carte agricole
[Termes IGN] carte d'utilisation du sol
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] image Sentinel-MSI
[Termes IGN] Norvège
[Termes IGN] série temporelle
[Termes IGN] Soil Adjusted Vegetation Index
[Termes IGN] surface cultivée
[Termes IGN] utilisation du sol
[Termes IGN] variation saisonnièreRésumé : (auteur) The size and location of agricultural fields that are in active use and the type of use during the growing season are among the vital information that is needed for the careful planning and forecasting of agricultural production at national and regional scales. In areas where such data are not readily available, an independent seasonal monitoring method is needed. Remote sensing is a widely used tool to map land use types, although there are some limitations that can partly be circumvented by using, among others, multiple observations, careful feature selection and appropriate analysis methods. Here, we used Sentinel-2 satellite image time series (SITS) over the land area of Norway to map three agricultural land use classes: cereal crops, fodder crops (grass) and unused areas. The Multilayer Perceptron (MLP) and two variants of the Convolutional Neural Network (CNN), are implemented on SITS data of four different temporal resolutions. These enabled us to compare twelve model-dataset combinations to identify the model-dataset combination that results in the most accurate predictions. The CNN is implemented in the spectral and temporal dimensions instead of the conventional spatial dimension. Rather than using existing deep learning architectures, an autotuning procedure is implemented so that the model hyperparameters are empirically optimized during the training. The results obtained on held-out test data show that up to 94% overall accuracy and 90% Cohen’s Kappa can be obtained when the 2D CNN is applied on the SITS data with a temporal resolution of 7 days. This is closely followed by the 1D CNN on the same dataset. However, the latter performs better than the former in predicting data outside the training set. It is further observed that cereal is predicted with the highest accuracy, followed by grass. Predicting the unused areas has been found to be difficult as there is no distinct surface condition that is common for all unused areas. Numéro de notice : A2021-198 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.3390/rs13020289 Date de publication en ligne : 15/01/2021 En ligne : https://doi.org/10.3390/rs13020289 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97149
in Remote sensing > Vol 13 n° 2 (January-2 2021) . - n° 289[article]Amélioration des systèmes de suivi des cultures à l’aide de la télédétection multi-source et des techniques d’apprentissage profond / Yawogan Gbodjo (2021)
Titre : Amélioration des systèmes de suivi des cultures à l’aide de la télédétection multi-source et des techniques d’apprentissage profond Type de document : Thèse/HDR Auteurs : Yawogan Gbodjo, Auteur ; Dino Lenco, Directeur de thèse Editeur : Montpellier : Université de Montpellier Année de publication : 2021 Importance : 165 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse soutenue pour obtenir le grade de Docteur en Informatique de l'Université de MontpellierLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] classification dirigée
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification par réseau neuronal récurrent
[Termes IGN] image PlanetScope
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] indice de végétation
[Termes IGN] occupation du sol
[Termes IGN] production agricole
[Termes IGN] rendement agricole
[Termes IGN] série temporelle
[Termes IGN] surface cultivéeIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Les systèmes de suivi des cultures jouent un rôle essentiel dans l'évaluation de la production agricole dans le monde. De nos jours, la disponibilité de plusieurs sources d'information satellitaire à large échelle, à haute résolution spatiale et à forte répétitivité temporelle, conjointe à l'essor des techniques d'apprentissage profond, offrent de nouvelles perspectives aux systèmes de suivi des cultures pour l'évaluation de la production agricole. Dans cette thèse, nous explorons des pistes méthodologiques pour améliorer le suivi de la production agricole à partir de la télédétection multi-source et des techniques d'apprentissage profond. Nous proposons deux méthodes pour caractériser l'occupation du sol et identifier les surfaces cultivées. La première approche est basée sur des réseaux de neurones récurrents équipés de mécanismes d'attention, employant des séries temporelles multi-sources radar et optique ainsi que des connaissances spécifiques de domaine. La seconde approche repose sur des réseaux de neurones convolutifs et explore davantage la combinaison multi-source et surtout multi-échelle grâce à l'intégration d'une source optique à très haute résolution spatiale. Nous évaluons ces méthodes à des échelles territoriale et locale en ayant systématiquement un regard croisé sur des sites d'études contrastés en agriculture conventionnelle et petite agriculture familiale. Nous menons également un travail d'investigation sur l'estimation et la prévision des rendements des surfaces cultivées, à l'échelle locale de la petite agriculture familiale en employant des séries temporelles multi-sources radar et optique. Dans ce contexte en outre limité par la disponibilité de données de référence, nous évaluons le potentiel de méthodes d'apprentissage profond par rapport à des approches traditionnellement utilisées. Globalement, l'évaluation des approches proposées pour identifier les surfaces cultivées montre que les techniques d'apprentissage profond semblent mieux adaptées que les méthodes traditionnelles d'apprentissage automatique pour tirer parti de la complémentarité des données multi-sources, multi-temporelles et multi-échelles à mesure qu'il y ait une quantité suffisante de données pour leur entraînement supervisé. Le travail d'investigation réalisé pour l'estimation et la prévision des rendements n'a par contre pas révélé de plus-value manifeste dans l'emploi de ces méthodes. Dans ce dernier cas, le contexte limité en données d'entraînement semble en être la principale explication. Note de contenu : Introduction
1- Télédétection et apprentissage automatique
2- Sites d’étude et données utilisées
3- Caractérisation de l’occupation du sol
4- Suivi des rendements en petite agriculture familiale
Conclusion et PerspectivesNuméro de notice : 15240 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Montpellier : 2021 Organisme de stage : TETIS DOI : sans En ligne : https://tel.hal.science/tel-03589421/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100474 Apport de la télédétection pour la simulation spatialisée des composantes du bilan carbone des cultures et des effets d'atténuation biogéochimiques et biogéophysiques des cultures intermédiaires / Gaétan Pique (2021)PermalinkAssessing the interest of a multi-modal gap-filling strategy for monitoring changes in grassland parcels / Anatol Garioud (2021)PermalinkDiurnal cycles of C-band temporal coherence and backscattering coefficient over an olive orchard in a semi-arid area: Comparison of in situ and Sentinel-1 radar observations / Adnane Chakir (2021)PermalinkDiurnal cycles of C-band temporal coherence and backscattering coefficient over a wheat field in a semi-arid area / Nadia Ouaadi (2021)PermalinkMulti-modal temporal attention models for crop mapping from satellite time series / Vivien Sainte Fare Garnot (2021)PermalinkSpatial characterization and distribution modelling of Ensete ventricosum (wild and cultivated) in Ethiopia / Meron Awoke Eshetae in Geocarto international, vol 36 n° 1 ([01/01/2021])PermalinkSuivi de la rotation des cultures à partir de séries temporelles d’images satellite / Félix Quinton (2021)PermalinkTélédétection et intégration de connaissances via la modélisation spatiale pour une cartographie plus cohérente des systèmes agricoles complexes / Arthur Crespin-Boucaud (2021)PermalinkThe use of deep machine learning for the automated selection of remote sensing data for the determination of areas of arable land degradation processes distribution / Dimitri I. Rukhovitch in Remote sensing, vol 13 n° 1 (January-1 2021)PermalinkCombination of Landsat 8 OLI and Sentinel-1 SAR time-series data for mapping paddy fields in parts of West and Central Java provinces, Indonesia / Sanjiwana Arjasakusuma in ISPRS International journal of geo-information, vol 9 n° 11 (November 2020)Permalink