Centre dedocumentation
scientifique

Geographic knowledge graph attribute normalization: Improving the accuracy by fusing optimal granularity clustering and co-occurrence analysis / Chuan Yin in ISPRS International journal of geo-information, vol 11 n° 7 (July 2022)  

Public [article]  inISPRS International journal of geo-information > vol 11 n° 7 (July 2022) . - n° 360 Titre : Geographic knowledge graph attribute normalization: Improving the accuracy by fusing optimal granularity clustering and co-occurrence analysis Type de document : Article/Communication Auteurs : Chuan Yin, Auteur ; Binyu Zhang, Auteur ; Wanzeng Liu, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 360 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes IGN] analyse de groupement [Termes IGN] attribut sémantique [Termes IGN] granularité (informatique) [Termes IGN] granularité d'image [Termes IGN] matrice de co-occurrence [Termes IGN] plus proche voisin, algorithme du [Termes IGN] relation sémantique [Termes IGN] réseau sémantique [Termes IGN] synonymie Résumé : (auteur) Expansion of the entity attribute information of geographic knowledge graphs is essentially the fusion of the Internet’s encyclopedic knowledge. However, it lacks structured attribute information, and synonymy and polysemy always exist. These reduce the quality of the knowledge graph and cause incomplete and inaccurate semantic retrieval. Therefore, we normalize the attributes of a geographic knowledge graph based on optimal granularity clustering and co-occurrence analysis, and use structure and the semantic relation of the entity attributes to identify synonymy and correlation between attributes. Specifically: (1) We design a classification system for geographic attributes, that is, using a community discovery algorithm to classify the attribute names. The optimal clustering granularity is identified by the marker target detection algorithm. (2) We complete the fine-grained identification of attribute relations by analyzing co-occurrence relations of the attributes and rule inference. (3) Finally, the performance of the system is verified by manual discrimination using the case of “landscape, forest, field, lake and grass”. The results show the following: (1) The average precision of spatial relations was 0.974 and the average recall was 0.937; the average precision of data relations was 0.977 and the average recall was 0.998. (2) The average F1 for similarity results is 0.473; the average F1 for co-occurrence analysis results is 0.735; the average F1 for rule-based modification results is 0.934; the results show that the accuracy is greater than 90%. Compared to traditional methods only focusing on similarity, the accuracy of synonymous attribute recognition improves the system and we are capable of identifying near-sense attributes. Integration of our system and attribute normalization can greatly improve both the processing efficiency and accuracy. Numéro de notice : A2022-548 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi11070360 Date de publication en ligne : 23/06/2022 En ligne : https://doi.org/10.3390/ijgi11070360 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101149 [article]

Comparaison des images satellite et aériennes dans le domaine de la détection d’obstacles à la navigation aérienne et de leur mise à jour / Olivier de Joinville in XYZ, n° 170 (mars 2022)

Public [article]  inXYZ > n° 170 (mars 2022) . - pp 36 - 44 Titre : Comparaison des images satellite et aériennes dans le domaine de la détection d’obstacles à la navigation aérienne et de leur mise à jour Type de document : Article/Communication Auteurs : Olivier de Joinville , Auteur ; Chloé Marcon, Auteur Année de publication : 2022 Article en page(s) : pp 36 - 44 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] aéroport [Termes IGN] analyse comparative [Termes IGN] analyse diachronique [Termes IGN] BD Topo [Termes IGN] classification dirigée [Termes IGN] classification orientée objet [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] classification pixellaire [Termes IGN] contrôle qualité [Termes IGN] détection de changement [Termes IGN] détection du bâti [Termes IGN] extraction de la végétation [Termes IGN] image Pléiades-HR [Termes IGN] image Sentinel-MSI [Termes IGN] mise à jour de base de données [Termes IGN] modèle numérique de surface [Termes IGN] Nice [Termes IGN] Normalized Difference Vegetation Index [Termes IGN] orthoimage [Termes IGN] plus proche voisin, algorithme du [Termes IGN] QGIS [Termes IGN] réalité de terrain Résumé : (Auteur) Le Service d’information aéronautique (SIA) est un service de la DGAC (Direction générale de l’aviation civile) qui publie et exploite des obstacles à la navigation aérienne afin de sécuriser les vols aux abords des aérodromes. L’article propose une étude comparative entre des données images aériennes (OrthoImages) et des données images satellite (Pléiades et Sentinel) dans les deux domaines suivants : détection d’obstacles (essentiellement végétation et bâtiments) ainsi que leur mise à jour. Il ressort que les images satellite, du fait de leur forte qualité radiométrique et géométrique, offrent un potentiel légèrement supérieur aux images aériennes pour le SIA. De futures études utilisant d’autres capteurs optiques, LiDAR et Radar et des moyens de contrôle plus exhaustifs, devront être menées pour confirmer cette tendance. Numéro de notice : A2022-225 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100191 [article]

Réservation

Réserver ce document

Exemplaires (2)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
112-2022011	SL	Revue	Centre de documentation	Revues en salle	Disponible
112-2022012	SL	Revue	Centre de documentation	Revues en salle	Disponible

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])  

Public [article]  inGeocarto international > vol 37 n° 5 [01/03/2022] . - pp 1225 - 1236 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] rizière Résumé : (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 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
059-2022051	SL	Revue	Centre de documentation	Revues en salle	Disponible

Above-ground biomass estimation in a Mediterranean sparse coppice oak forest using Sentinel-2 data / Fardin Moradi in Annals of forest research, vol 65 n° 1 (2022)  

Public [article]  inAnnals of forest research > vol 65 n° 1 (2022) . - pp 165 - 182 Titre : Above-ground biomass estimation in a Mediterranean sparse coppice oak forest using Sentinel-2 data Type de document : Article/Communication Auteurs : Fardin Moradi, Auteur ; Seyed Mohammad Moein Sadeghi, Auteur ; Hadi Beygi Heidarlou, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 165 - 182 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] biomasse aérienne [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] classification par Perceptron multicouche [Termes IGN] forêt méditerranéenne [Termes IGN] image proche infrarouge [Termes IGN] image Sentinel-MSI [Termes IGN] Iran [Termes IGN] plus proche voisin, algorithme du [Termes IGN] Quercus (genre) [Termes IGN] séparateur à vaste marge [Termes IGN] taillis Résumé : (auteur) Implementing a scheduled and reliable estimation of forest characteristics is important for the sustainable management of forests. This study aimed at evaluating the capability of Sentinel-2 satellite data to estimate above-ground biomass (AGB) in coppice forests of Persian oak (Quercus brantii var. persica) located in Western Iran. To estimate the AGB, field data collection was implemented in 80 square plots (40×40 m, area of 1600 m2). Two diameters of the crown were measured and used to calculate the AGB of each tree based on allometric equations. Then, the performance of satellite data in estimating the AGB was evaluated for the area of study using the field-based AGB (dependent variable) as well as the spectral band values, spectrally-derived vegetation indices (independent variables) and four machine learning (ML) algorithms: MultiLayer Perceptron Artificial Neural Network (MLPNN), k-Nearest Neighbor (kNN), Random Forest (RF), and Support Vector Regression (SVR). A five-fold cross-validation was used to verify the effectiveness of models. Examination of the Pearson’s correlation coefficient between AGB and the extracted ‎values showed that IPVI and NDVI vegetation indices had the highest correlation with AGB (r = 0.897). The results indicated that the MLPNN algorithm was the best ML option (RMSE = 1.71 t ha-1; MAE = 1.37 t ha-1; relative RMSE = 24.75%; R2 = 0.87) in estimating the AGB, providing new insights on the capability of remotely sensed-based AGB modeling of sparse Mediterranean forest ecosystems in an area with limited number of field sample plots. Numéro de notice : A2022-876 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.15287/afr.2022.2390 Date de publication en ligne : 29/06/2022 En ligne : https://doi.org/10.15287/afr.2022.2390 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102180 [article]

Introduction au Machine Learning / Chloé-Agathe Azencott (2022)

Public Titre : Introduction au Machine Learning Type de document : Guide/Manuel Auteurs : Chloé-Agathe Azencott, Auteur Mention d'édition : 2ème édition Editeur : Paris : Dunod Année de publication : 2022 Collection : Info Sup Importance : 256 p. Format : 17 x 24 cm ISBN/ISSN/EAN : 978-2-10-083476-1 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes IGN] analyse discriminante [Termes IGN] apprentissage automatique [Termes IGN] apprentissage dirigé [Termes IGN] apprentissage non-dirigé [Termes IGN] apprentissage par renforcement [Termes IGN] arbre de décision [Termes IGN] classification bayesienne [Termes IGN] données d'entrainement sans étiquette [Termes IGN] données étiquetées d'entrainement [Termes IGN] méthode du maximum de vraisemblance (estimation) [Termes IGN] modèle de régression [Termes IGN] partition des données [Termes IGN] plus proche voisin, algorithme du [Termes IGN] réseau neuronal artificiel [Termes IGN] séparateur à vaste marge Index. décimale : 26.40 Intelligence artificielle Résumé : (Editeur) Cet ouvrage s'adresse aux étudiantes et étudiants en informatique ou maths appliquées, en L3, master ou école d'ingénieurs. Le Machine Learning est une discipline dont les outils puissants permettent aujourd'hui à de nombreux secteurs d'activité de réaliser des progrès spectaculaires grâce à l'exploitation de grands volumes de données. Le but de cet ouvrage est de vous fournir des bases solides sur les concepts et les algorithmes de ce domaine en plein essor. Il vous aidera à identifier les problèmes qui peuvent être résolus par une approche Machine Learning, à les formaliser, à identifier les algorithmes les mieux adaptés à chaque problème, à les mettre en oeuvre, et enfin à savoir évaluer les résultats obtenus. Les notions de cours sont illustrées et complétées par 85 exercices, tous corrigés. Note de contenu : 1. Présentation du machine learning 2. Apprentissage supervisé 3. Sélection de modèle et évaluation 4. Inférence bayésienne 5. Régressions paramétriques 6. Régularisation 7. Réseaux de neurones artificiels 8. Méthodes des plus proches voisins 9. Arbres et forêts 10. Machines à vecteurs de support et méthodes à noyaux 11. Réduction de dimension 12. Clustering Annexe A - Notions d'optimisation convexe Annexe B - Notions d'estimation ponctuelle Numéro de notice : 26783 Affiliation des auteurs : non IGN Thématique : INFORMATIQUE Nature : Manuel de cours Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99909

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
26783-01	26.40	Manuel Informatique	Centre de documentation	Informatique	Sorti jusqu'au 26/12/2022

Towards synthetic sensing for smart cities : a machine/deep learning-based approach / Faraz Malik Awan (2022)  

Permalink

An automatic workflow for orientation of historical images with large radiometric and geometric differences / Ferdinand Maiwald in Photogrammetric record, vol 36 n° 174 (June 2021)  

Permalink

DEM resolution influences on peak flow prediction: a comparison of two different based DEMs through various rescaling techniques / Ali H. Ahmed Suliman in Geocarto international, vol 36 n° 7 ([15/04/2021])  

Permalink

Applications of pattern recognition / Carlos M. Travieso-Gonzalez (2021)  

Permalink

Assessing local trends in indicators of ecosystem services with a time series of forest resource maps / Matti Katila in Silva fennica, vol 54 n° 4 (September 2020)  

Permalink

Extraction of built-up areas from Landsat-8 OLI data based on spectral-textural information and feature selection using support vector machine method / Vijendra Singh Bramhe in Geocarto international, vol 35 n° 10 ([01/08/2020])  

Permalink

Improved supervised learning-based approach for leaf and wood classification from LiDAR point clouds of forests / Sruthi M. Krishna Moorthy in IEEE Transactions on geoscience and remote sensing, vol 58 n° 5 (May 2020)  

Permalink

A point cloud feature regularization method by fusing judge criterion of field force / Xijiang Chen in IEEE Transactions on geoscience and remote sensing, vol 58 n° 5 (May 2020)  

Permalink

Directionally constrained fully convolutional neural network for airborne LiDAR point cloud classification / Congcong Wen in ISPRS Journal of photogrammetry and remote sensing, vol 162 (April 2020)  

Permalink

Improved indoor positioning based on range-free RSSI fingerprint method / Marcin Uradzinski in Journal of geodetic science, vol 10 n° 1 (January 2020)  

Permalink