Descripteur
Documents disponibles dans cette catégorie (2531)
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
Modélisation du lien entre éruptions et glissements de flancs au Piton de la Fournaise / Quentin Dumont (2022)
Titre : Modélisation du lien entre éruptions et glissements de flancs au Piton de la Fournaise Type de document : Thèse/HDR Auteurs : Quentin Dumont, Auteur ; Valérie Cayol, Directeur de thèse Editeur : Clermont-Ferrand : Université Clermont Auvergne Année de publication : 2022 Importance : 621 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse présentée pour l'obtention du grade de Docteur de l'Université Clermont-Auvergne, Spécialité Terre Solide : géodynamique des enveloppes supérieures / paléobiologieLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] aléa
[Termes IGN] analyse diachronique
[Termes IGN] déformation de la croute terrestre
[Termes IGN] détection de changement
[Termes IGN] données GNSS
[Termes IGN] données spatiotemporelles
[Termes IGN] effondrement de terrain
[Termes IGN] faille géologique
[Termes IGN] instabilité
[Termes IGN] interféromètrie par radar à antenne synthétique
[Termes IGN] modèle de déformation tectonique
[Termes IGN] Piton de la Fournaise (volcan)
[Termes IGN] risque naturel
[Termes IGN] séisme
[Termes IGN] surveillance géologique
[Termes IGN] tsunamiIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Le Piton de la Fournaise est l'un des volcans les plus actifs au monde avec en moyenne 2.3 éruptions/an depuis 1998. L'activité typique est caractérisée par l'ouverture de fissures éruptives le long d'une rift zone principale arquée vers le NE et le SE du cratère sommital. En mars-avril 2007, la plus grande éruption des cent dernières années a eu lieu. Elle s'est caractérisée par l'émission de 220x106 m3 de lave et par un effondrement du cratère sommital de 300 m. Pendant l'éruption, un glissement asismique du Flanc Est de 1.4 m vers la mer a été mesuré par interférométrie RADAR (InSAR). Depuis lors, les données InSAR et GNSS montrent que le glissement se poursuit à un taux de 1.4 cm/an. Le glissement a été relié à une faille ou à une intrusion cisaillée suivant les auteurs. Afin d'estimer l'impact de l'activité intrusive sur les mouvements du flanc Est et les mécanismes liés aux instabilités, une analyse des champs de déplacements et des modélisations inverses ont été réalisées pour 60 événements intrusifs survenus entre 1998 et 2021. Les intrusions modélisées révèlent une zone intrusive majeure orientée NE-SE, une zone de sills et quatre zones d'intrusions secondaires rayonnant à partir du cône sommital. La zone intrusive majeure NE-SE est connectée en profondeur à la zone de sills se localisant sous le flanc est. Ensemble, elles forment une zone intrusive continue caractérisée par une forme de cuillère convexe, orientée vers la mer. Elle présente des parois sub-verticales à sa tête, accommodant l'ouverture des dykes. Vers l'est, la structure intrusive s'horizontalise et accommode des intrusions associées à du cisaillement indiquant une discontinuité préexistante guidant leur mise en place. A l'extrémité est de la structure, deux régimes de glissement séparés par un axe N60° sont identifiés: des sills cisaillés (cisaillement synchrone de l'ouverture) au nord de l'axe; et un comportement de failles (≈purement en cisaillement) au sud. De plus, la modélisation des contraintes associées aux intrusions montre que la mise en place des intrusions dans les zones d'intrusions préférentielles est contrôlée par l'historique des contraintes héritées des intrusions précédentes et qu'il existe une rétroaction positive entre l'ouverture des dykes dans les rift zones et le glissement le long des sills et de la faille. Ainsi, la structure majeure en forme de cuillère agit probablement comme une surface de déstabilisation. A l'échelle des temps géologiques, les intrusions répétées dans la structure peuvent conduire à un effondrement catastrophique des flancs générant des séismes et des tsunamis. Ce modèle d'évolution long terme de l'édifice est en accord avec la présence de dépôts d'avalanche de débris dans la bathymétrie et permet d'expliquer la formation de l'Enclos Fouqué. Note de contenu : 1. Introduction générale
1.1 Système d’alimentation et activité intrusive des volcans
1.2 Déstabilisation des flancs des édifices volcaniques
1.3 Interactions entre activité intrusive et déstabilisations de flancs
1.4 Cas du Piton de la Fournaise
1.5 Objectif de la thèse
1.6 Plan du manuscrit
2. Le Piton de la Fournaise
2.1 L’île de la Réunion
2.2 L’édifice du Piton de la Fournaise
2.3 L’éruption de Mars-Avril 2007 : impact pour la structure interne du volcan
3. Mesure et analyse des déformations du Piton de la Fournaise
3.1 Surveillance volcanique
3.2 L’Interférométrie Radar à Synthèse d’ouverture (InSAR)
3.3 Le service OI2
3.4 Champs de déformations associés à l’activité éruptive du Piton de la Fournaise
4. Modélisation inverse des déformations
4.1 Introduction à la modélisation des déformations
4.2 Procédure de modélisation inverse par éléments frontières mixtes
4.3 Modélisation des éruptions 1998-2021
5. Apport de la modélisation des déformations pour la compréhension du système d’alimen?tation et la stabilité du Piton de la Fournaise
5.1 Un système d’alimentation superficiel associé à une surface de déstabilisation révélé par les modèles dérivés des données InSAR
6. Reconstruction de l’évolution des contraintes dans les 23 dernières années
6.1 Importance de l’évolution temporelle du champ de contraintes pour l’estimation des aléas
6.2 Critères de ruptures utilisés pour le suivi de l’évolution des contraintes
6.3 Calcul des contraintes et modèle de rift zones
6.4 Évolution des contraintes sur la période 1998-2007
6.5 Évolution des contraintes sur la période 2007-2021
6.6 Implication pour les cycles intrusifs
6.7 Implication pour la sismicité du Flanc Est
7. Implications morpho-structurales et aléas
7.1 Ré-interprétation de la genèse de l’Enclos Fouqué
7.2 Modes de glissement et liens avec la structure interne du flanc est
7.3 Aléa tsunami
8. Conclusion
9. Perspectives
9.1 Amélioration des modèles de déformation pour plus de flexibilité
9.2 Compréhension de la structure des Grandes Pentes
9.3 Application de l’évolution des contraintes à l’anticipation de la localisation des éruptions
9.4 Évaluation de l’activité sismique potentielle du flanc EstNuméro de notice : 26943 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Terre Solide, géodynamique des enveloppes supérieures, paléobiologie : Clermont-Auvergne : 2022 Organisme de stage : Laboratoire Magmas et Volcans DOI : sans Date de publication en ligne : 18/11/2022 En ligne : https://tel.hal.science/tel-03859171 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102140 Monitoring grassland dynamics by exploiting multi-modal satellite image time series / Anatol Garioud (2022)
Titre : Monitoring grassland dynamics by exploiting multi-modal satellite image time series Titre original : Suivi de la dynamique des prairies permanentes par analyse des séries temporelles multi-modales Type de document : Thèse/HDR Auteurs : Anatol Garioud , Auteur ; Clément Mallet , Directeur de thèse ; Silvia Valero, Directeur de thèse Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2022 Importance : 194 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse présentée et soutenue en vue de l'obtention du Doctorat de l'Université Gustave Eiffel, Spécialité Sciences et Technologies de l'Information GéographiqueLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] analyse diachronique
[Termes IGN] analyse multivariée
[Termes IGN] apprentissage profond
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] données auxiliaires
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] Mâcon
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] prairie
[Termes IGN] régression
[Termes IGN] série temporelle
[Termes IGN] seuillage d'image
[Termes IGN] superpixel
[Termes IGN] surveillance agricole
[Termes IGN] ToulouseIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) The vast grassland surfaces as well as the growing recognition of the ecosystem services thez provide have revealed urgent needs for their conservation and sutainable management. Despite the acknowledged importance of grassland management practices, there are currently no large-scale efforts reporting on their frequency and nature. Satellite remote sensing time series appear to be a suitable tool for efficient grassland monitoring and allow synoptic and regular analysis. The research conducted in this PhD aims to develop methods for the detection of grassland management practices from complementary optical and SAR multivariate time series. Advances in deep learning are employed to regress multivariate SAR time series and contextual knowledge towards optical NDVI. Resulting gap-free time series are used to efficiently explore methods aiming to detect vegetation status changes related to management practices on grasslands. Note de contenu : INTRODUCTION
1. Grasslands and remote sensing: context, diversity and challenges
1.1 Definition, extent and importance of grasslands
1.2 Earth observation from space: principles and applications over grasslands
1.3 Problem statement and objectives
1.4 Outline of the manuscript
2. Study areas and datasets
2.1 Study areas
2.2 Satellite data
2.3 Reference and ancillary datasets
2.4 Feature derived from sentinel images for grassland monitoring
2.5 Description of the feature engineering steps
2.6 Exploring the relationships between derived satellite features
2.7 Concluding remarks
HIGH-TEMPORAL SAMPLED TIME-SERIES
3. Sentinels regression for vegetation monitoring
3.1 Monitoring vegetation through optical-SAR synergy
3.2 Retrieving missing data in optical time series
3.3 SenRVM: a deep learning-based regression framework
3.4 Concluding remarks
4. Outcomes of the SenRVM approach
4.1 Experimental design for training and evaluating SenRVM models
4.2 Assessment of SenRVM predictions
4.3 Empirical analysis of the SenRVM results
4.4 Generalization capabilities of single-class grassland SenRVM models
4.5 Further post-processing of SenRVM results
4.6 Concluding remarks
MONITORING GRASSLANDS
5. Detecting and quantifying grassland management practices
5.1 Challenges and related work
5.2 The proposed methodology
5.3 Description of validation data
5.4 Experimental setup
5.5 Assessment of the proposed method
5.6 Potential outcomes
5.7 Concluding remarks
GENERAL CONCLUSION
6. Conclusion and perspectives
6.1 Summary
6.2 PerspectivesNuméro de notice : 26831 Affiliation des auteurs : UGE-LASTIG (2020- ) Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Sciences et Technologies de l'Information Géographique : Gustave Eiffel : 2022 Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans En ligne : https://theses.hal.science/tel-03843683 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100728 Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 26831-01 THESE Livre Centre de documentation Thèses Disponible Monitoring leaf phenology in moist tropical forests by applying a superpixel-based deep learning method to time-series images of tree canopies / Guangqin Song in ISPRS Journal of photogrammetry and remote sensing, vol 183 (January 2022)
[article]
Titre : Monitoring leaf phenology in moist tropical forests by applying a superpixel-based deep learning method to time-series images of tree canopies Type de document : Article/Communication Auteurs : Guangqin Song, Auteur ; Shengbiao Wu, Auteur ; Calvin K.F. Lee, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 19 - 33 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] algorithme SLIC
[Termes IGN] apprentissage profond
[Termes IGN] canopée
[Termes IGN] classification dirigée
[Termes IGN] diagnostic foliaire
[Termes IGN] Enhanced vegetation index
[Termes IGN] feuille (végétation)
[Termes IGN] forêt tropicale
[Termes IGN] Panama
[Termes IGN] phénologie
[Termes IGN] photosynthèse
[Termes IGN] segmentation sémantique
[Termes IGN] série temporelle
[Termes IGN] superpixel
[Termes IGN] variation saisonnièreRésumé : (auteur) Tropical leaf phenology—particularly its variability at the tree-crown scale—dominates the seasonality of carbon and water fluxes. However, given enormous species diversity, accurate means of monitoring leaf phenology in tropical forests is still lacking. Time series of the Green Chromatic Coordinate (GCC) metric derived from tower-based red–greenblue (RGB) phenocams have been widely used to monitor leaf phenology in temperate forests, but its application in the tropics remains problematic. To improve monitoring of tropical phenology, we explored the use of a deep learning model (i.e. superpixel-based Residual Networks 50, SP-ResNet50) to automatically differentiate leaves from non-leaves in phenocam images and to derive leaf fraction at the tree-crown scale. To evaluate our model, we used a year of data from six phenocams in two contrasting forests in Panama. We first built a comprehensive library of leaf and non-leaf pixels across various acquisition times, exposure conditions and specific phenocams. We then divided this library into training and testing components. We evaluated the model at three levels: 1) superpixel level with a testing set, 2) crown level by comparing the model-derived leaf fractions with those derived using image-specific supervised classification, and 3) temporally using all daily images to assess the diurnal stability of the model-derived leaf fraction. Finally, we compared the model-derived leaf fraction phenology with leaf phenology derived from GCC. Our results show that: 1) the SP-ResNet50 model accurately differentiates leaves from non-leaves (overall accuracy of 93%) and is robust across all three levels of evaluations; 2) the model accurately quantifies leaf fraction phenology across tree-crowns and forest ecosystems; and 3) the combined use of leaf fraction and GCC helps infer the timing of leaf emergence, maturation and senescence, critical information for modeling photosynthetic seasonality of tropical forests. Collectively, this study offers an improved means for automated tropical phenology monitoring using phenocams. Numéro de notice : A2022-009 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2021.10.023 Date de publication en ligne : 10/11/2021 En ligne : https://doi.org/10.1016/j.isprsjprs.2021.10.023 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99057
in ISPRS Journal of photogrammetry and remote sensing > vol 183 (January 2022) . - pp 19 - 33[article]Réservation
Réserver ce documentExemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2022011 SL Revue Centre de documentation Revues en salle Disponible 081-2022013 DEP-RECP Revue LASTIG Dépôt en unité Exclu du prêt 081-2022012 DEP-RECF Revue Nancy Dépôt en unité Exclu du prêt
Titre : Multi-layer modeling of dense vegetation from aerial LiDAR scans Type de document : Article/Communication Auteurs : Ekaterina Kalinicheva , Auteur ; Loïc Landrieu , Auteur ; Clément Mallet , Auteur ; Nesrine Chehata , Auteur Editeur : Computer vision foundation CVF Année de publication : 2022 Projets : 1-Pas de projet / Conférence : EarthVision 2022, Large Scale Computer Vision for Remote Sensing Imagery, workshop joint to CVPR 2022 19/06/2022 24/06/2022 New Orleans Louisiane - Etats-Unis OA Proceedings Importance : pp 1341 - 1350 Format : 21 x 30 cm Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] apprentissage profond
[Termes IGN] canopée
[Termes IGN] carte d'occupation du sol
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] étage de végétation
[Termes IGN] foresterie
[Termes IGN] maillage
[Termes IGN] parcelle forestière
[Termes IGN] reconstruction d'objet
[Termes IGN] segmentation d'image
[Termes IGN] semis de pointsRésumé : (auteur) The analysis of the multi-layer structure of wild forests is an important challenge of automated large-scale forestry. While modern aerial LiDARs offer geometric information across all vegetation layers, most datasets and methods focus only on the segmentation and reconstruction of the top of canopy. We release WildForest3D, which consists of 29 study plots and over 2000 individual trees across 47 000m2 with dense 3D annotation, along with occupancy and height maps for 3 vegetation layers: ground vegetation, understory, and overstory. We propose a 3D deep net- work architecture predicting for the first time both 3D point- wise labels and high-resolution layer occupancy rasters simultaneously. This allows us to produce a precise estimation of the thickness of each vegetation layer as well as the corresponding watertight meshes, therefore meeting most forestry purposes. Both the dataset and the model are released in open access: https://github.com/ ekalinicheva/multi_layer_vegetation. Numéro de notice : C2022-007 Affiliation des auteurs : UGE-LASTIG+Ext (2020- ) Autre URL associée : vers CVF Thématique : FORET/IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/CVPRW56347.2022.00140 Date de publication en ligne : 25/04/2022 En ligne : https://arxiv.org/abs/2204.11620 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100509 Multi-view urban scene classification with a complementary-information learning model / Wanxuan Geng in Photogrammetric Engineering & Remote Sensing, PERS, vol 88 n° 1 (January 2022)
[article]
Titre : Multi-view urban scene classification with a complementary-information learning model Type de document : Article/Communication Auteurs : Wanxuan Geng, Auteur ; Weixun Zhou, Auteur ; Shuanggen Jin, Auteur Année de publication : 2022 Article en page(s) : pp 65 - 72 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage automatique
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] données de terrain
[Termes IGN] données multisources
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] fusion de données multisource
[Termes IGN] image aérienne
[Termes IGN] niveau du sol
[Termes IGN] précision de la classification
[Termes IGN] scène urbaineRésumé : (Auteur) Traditional urban scene-classification approaches focus on images taken either by satellite or in aerial view. Although single-view images are able to achieve satisfactory results for scene classification in most situations, the complementary information provided by other image views is needed to further improve performance. Therefore, we present a complementary information-learning model (CILM) to perform multi-view scene classification of aerial and ground-level images. Specifically, the proposed CILM takes aerial and ground-level image pairs as input to learn view-specific features for later fusion to integrate the complementary information. To train CILM, a unified loss consisting of cross entropy and contrastive losses is exploited to force the network to be more robust. Once CILM is trained, the features of each view are extracted via the two proposed feature-extraction scenarios and then fused to train the support vector machine classifier for classification. The experimental results on two publicly available benchmark data sets demonstrate that CILM achieves remarkable performance, indicating that it is an effective model for learning complementary information and thus improving urban scene classification. Numéro de notice : A2022-063 Affiliation des auteurs : non IGN Thématique : IMAGERIE/URBANISME Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.21-00062R2 Date de publication en ligne : 01/01/2022 En ligne : https://doi.org/10.14358/PERS.21-00062R2 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99708
in Photogrammetric Engineering & Remote Sensing, PERS > vol 88 n° 1 (January 2022) . - pp 65 - 72[article]Réservation
Réserver ce documentExemplaires(1)
Code-barres Cote Support Localisation Section Disponibilité 105-2022011 SL Revue Centre de documentation Revues en salle Disponible Novel fuzzy clustering algorithm with variable multi-pixel fitting spatial information for image segmentation / Hang Zhang in Pattern recognition, vol 121 (January 2022)PermalinkA novel unmixing-based hypersharpening method via convolutional neural network / Xiaochen Lu in IEEE Transactions on geoscience and remote sensing, vol 60 n° 1 (January 2022)PermalinkA PCA-PD fusion method for change detection in remote sensing multi temporal images / Soltana Achour in Geocarto international, vol 37 n° 1 ([01/01/2022])PermalinkPhotogrammetric point clouds: quality assessment, filtering, and change detection / Zhenchao Zhang (2022)PermalinkPermalinkPermalinkPermalinkPermalinkPermalinkSenRVM: A multi-modal deep learning regression methodology for continuous vegetation monitoring with dense temporal NDVI time series / Anatol Garioud (2022)Permalink