Centre dedocumentation
scientifique

Fusion of optical, radar and waveform LiDAR observations for land cover classification / Huiran Jin in ISPRS Journal of photogrammetry and remote sensing, vol 187 (May 2022)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 187 (May 2022) . - pp 171 - 190 Titre : Fusion of optical, radar and waveform LiDAR observations for land cover classification Type de document : Article/Communication Auteurs : Huiran Jin, Auteur ; Giorgos Mountrakis, Auteur Année de publication : 2022 Article en page(s) : pp 171 - 190 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] analyse comparative [Termes IGN] carte de la végétation [Termes IGN] classification par forêts d'arbres décisionnels [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] extraction de traits caractéristiques [Termes IGN] fusion d'images [Termes IGN] image ALOS-PALSAR [Termes IGN] image Landsat-TM [Termes IGN] image multitemporelle [Termes IGN] occupation du sol Résumé : (Auteur) Land cover is an integral component for characterizing anthropogenic activity and promoting sustainable land use. Mapping distribution and coverage of land cover at broad spatiotemporal scales largely relies on classification of remotely sensed data. Although recently multi-source data fusion has been playing an increasingly active role in land cover classification, our intensive review of current studies shows that the integration of optical, synthetic aperture radar (SAR) and light detection and ranging (LiDAR) observations has not been thoroughly evaluated. In this research, we bridged this gap by i) summarizing related fusion studies and assessing their reported accuracy improvements, and ii) conducting our own case study where for the first time fusion of optical, radar and waveform LiDAR observations and the associated improvements in classification accuracy are assessed using data collected by spaceborne or appropriately simulated platforms in the LiDAR case. Multitemporal Landsat-5/Thematic Mapper (TM) and Advanced Land Observing Satellite-1/ Phased Array type L-band SAR (ALOS-1/PALSAR) imagery acquired in the Central New York (CNY) region close to the collection of airborne waveform LVIS (Land, Vegetation, and Ice Sensor) data were examined. Classification was conducted using a random forest algorithm and different feature sets in terms of sensor and seasonality as input variables. Results indicate that the combined spectral, scattering and vertical structural information provided the maximum discriminative capability among different land cover types, giving rise to the highest overall accuracy of 83% (2–19% and 9–35% superior to the two-sensor and single-sensor scenarios with overall accuracies of 64–81% and 48–74%, respectively). Greater improvement was achieved when combining multitemporal Landsat images with LVIS-derived canopy height metrics as opposed to PALSAR features, suggesting that LVIS contributed more useful thematic information complementary to spectral data and beneficial to the classification task, especially for vegetation classes. With the Global Ecosystem Dynamics Investigation (GEDI), a recently launched LiDAR instrument of similar properties to the LVIS sensor now operating onboard the International Space Station (ISS), it is our hope that this research will act as a literature summary and offer guidelines for further applications of multi-date and multi-type remotely sensed data fusion for improved land cover classification. Numéro de notice : A2022-228 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2022.03.010 Date de publication en ligne : 17/03/2022 En ligne : https://doi.org/10.1016/j.isprsjprs.2022.03.010 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100214 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2022051	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2022053	DEP-RECP	Revue	LaSTIG	Dépôt en unité	Exclu du prêt
081-2022052	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Monitoring of phenological stage and yield estimation of sunflower plant using Sentinel-2 satellite images / Omer Gokberk Narin in Geocarto international, vol 37 n° 5 ([01/05/2022])  

Public [article]  inGeocarto international > vol 37 n° 5 [01/05/2022] . - pp 1378 - 1392 Titre : Monitoring of phenological stage and yield estimation of sunflower plant using Sentinel-2 satellite images Type de document : Article/Communication Auteurs : Omer Gokberk Narin, Auteur ; Saygin Abdikan, Auteur Année de publication : 2022 Article en page(s) : pp 1378 - 1392 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] image multitemporelle [Termes IGN] image Sentinel-MSI [Termes IGN] indice de végétation [Termes IGN] phénologie [Termes IGN] rendement agricole [Termes IGN] tournesol [Termes IGN] Turquie Résumé : (Auteur) With the increase of the world’s population, while urbanization is increasing, agricultural lands are decreasing. Therefore, monitoring of up-to-date agricultural lands is important for agricultural product estimation. The study investigates suitability of Sentinel-2 data for the phenological stage analysis and yield estimation of sunflower plant. To this aim, fieldworks was conducted and sunflower parcels were identified in Zile district of Tokat province, Turkey which has dense sunflower production. In this study, ten Vegetation Indices (VIs) were performed by using multi-temporal Sentinel-2 data obtained during the growth stages of sunflower plant and yield estimation was obtained. As a result, the indices obtained on 30 June, at the stage of inflorescence emergence, provided coefficient of determination (R2) higher than 0.67 and The Root Mean Square Error (RMSE) lower than 13 kg/da. Among the VIs, the best forecast obtained by NDVI (R2 = 0.74 and RMSE = 10.80 kg/da) approximately three months before the harvest of sunflower. Numéro de notice : A2022-276 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2020.1765886 Date de publication en ligne : 25/05/2020 En ligne : https://doi.org/10.1080/10106049.2020.1765886 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100784 [article]

the EUROSDR time benchmark for historical aerial images / E.M. Farella (2022)  

Public Titre : the EUROSDR time benchmark for historical aerial images Type de document : Article/Communication Auteurs : E.M. Farella, Auteur ; L. Morelli, Auteur ; Fabio Remondino, Auteur ; J.P. Mills, Auteur ; Norbert Haala, Auteur ; Joep Crompvoets, Auteur Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2022 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. 43-B2 Conférence : ISPRS 2022, XXIV ISPRS international congress, Imaging today, foreseeing tomorrow 06/06/2022 11/06/2022 Nice France OA ISPRS Archives Importance : pp 1175 - 1182 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes IGN] aérotriangulation [Termes IGN] image aérienne [Termes IGN] image ancienne [Termes IGN] image multitemporelle [Termes IGN] modèle numérique de surface [Termes IGN] modèle numérique de terrain [Termes IGN] orthophotographie Mots-clés libres : benchmark Résumé : (auteur) Automatic photogrammetric processing of historical (or archival) aerial photos is still a challenging task, particularly in cases of missing ancillary information, low radiometric and image quality, limited stereo coverage or large temporal span. However, with recent advances in photogrammetry and Artificial Intelligence (AI) algorithms for image processing and interpretation, an increasing number of applications are now feasible. The article presents the TIME (hisTorical aerIal iMagEs) benchmark (https://time.fbk.eu/), promoted by EuroSDR to explore the potential of historical aerial images. Realized in collaboration with various European NMCAs, the benchmark has garnered aerial image blocks and time series imagery captured since the 1950s. To support the photogrammetric processing of the digitized photos, ancillary data are supplied with available information about flight missions, taking cameras, and ground control points (GCPs). Several diverse investigations have been undertaken with the benchmark datasets, all captured over historical urban areas or landscapes. The paper describes the benchmark datasets and some potential research topics, presenting several tests and analyses realized with the collated and shared data. Numéro de notice : C2022-021 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B2-2022-1175-2022 Date de publication en ligne : 30/05/2022 En ligne : http://dx.doi.org/10.5194/isprs-archives-XLIII-B2-2022-1175-2022 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100847

Learning spatio-temporal representations of satellite time series for large-scale crop mapping / Vivien Sainte Fare Garnot (2022)  

Public 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 : Saint-Mandé : Institut national de l'information géographique et forestière - IGN Année de publication : 2022 Autre Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel 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 Automatique Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [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 temporelle Mots-clés libres : segmentation panotique, mécanisme d'auto-attention, encodage spatio-temporel 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- Conclusion Numéro 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 : 2021 Organisme de stage : LASTIG (IGN) nature-HAL : Thèse DOI : sans Date de publication en ligne : 13/01/2022 En ligne : https://hal.archives-ouvertes.fr/IGN-ENSG/tel-03524429v1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99366

A 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])  

Public [article]  inGeocarto international > vol 37 n° 1 [01/01/2022] . - pp 196 - 213 Titre : A PCA-PD fusion method for change detection in remote sensing multi temporal images Type de document : Article/Communication Auteurs : Soltana Achour, Auteur ; Miloud Chikr Elmezouar, Auteur ; Nasreddine Taleb, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 196 - 213 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] analyse en composantes principales [Termes IGN] détection automatique [Termes IGN] détection de changement [Termes IGN] fusion de données [Termes IGN] image multibande [Termes IGN] image multitemporelle [Termes IGN] image panchromatique [Termes IGN] méthode statistique [Termes IGN] seuillage d'image Résumé : (auteur) In remote sensing, for applications as environment monitoring, change detection based on image processing is one of the most important techniques. To reach high performance various techniques of fusion are exploited using a combination of multi-temporal, multispectral and panchromatic satellite images. A solution for handling such kind of images holds when using some simple statistical methods like the Percent Difference (PD) technique as well as the Principal Component Analysis (PCA) one. In this paper, an automatic change detection method issued from the two previous techniques is proposed and applied on multispectral and panchromatic images captured by a high resolution optical satellite. This approach is characterized by two aspects: the first one consists of the fusion of the different data and the second one performs the detection of the changes for the resulting images. The experimental results show the reasonable quantitative performance and the effectiveness of the proposed method for change detection, consisting of an automatic extraction of most of change information as well as the obtention of better results for most precision metrics consisting of an overall accuracy of up to 91% and a Kappa coefficient of up to 66%, comparing to those obtained using the simple PD and PCA techniques. Numéro de notice : A2022-048 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2020.1713228 Date de publication en ligne : 10/02/2020 En ligne : https://doi.org/10.1080/10106049.2020.1713228 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99441 [article]

Use of multi-temporal and multi-sensor data for continental water body extraction in the context of the SWOT mission / Nicolas Gasnier (2022)  

Permalink

Feature matching for multi-epoch historical aerial images / Lulin Zhang in ISPRS Journal of photogrammetry and remote sensing, Vol 182 (December 2021)    

Permalink

A feature based change detection approach using multi-scale orientation for multi-temporal SAR images / R. Vijaya Geetha in European journal of remote sensing, vol 54 sup 2 (2021)  

Permalink

Hyperspectral image fusion and multitemporal image fusion by joint sparsity / Han Pan in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 9 (September 2021)  

Permalink

Semantic unsupervised change detection of natural land cover with multitemporal object-based analysis on SAR images / Donato Amitrano in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 7 (July 2021)  

Permalink

Uncertainty management for robust probabilistic change detection from multi-temporal Geoeye-1 imagery / Mahmoud Salah in Applied geomatics, vol 13 n° 2 (June 2021)  

Permalink

Spruce budworm tree host species distribution and abundance mapping using multi-temporal Sentinel-1 and Sentinel-2 satellite imagery / Rajeev Bhattarai in ISPRS Journal of photogrammetry and remote sensing, vol 172 (February 2021)  

Permalink

Analyse spatio-temporaire des dégradations et évolution des forêts par télédétection : cas du Parc National de Theniet El Had (Algérie) / Faouzi Berrichi in Bulletin des sciences géographiques, n° 32 (2019 - 2021)

Permalink

Spectral variability in hyperspectral unmixing : Multiscale, tensor, and neural network-based approaches / Ricardo Augusto Borsoi (2021)  

Permalink

Unsupervised deep joint segmentation of multitemporal high-resolution images / Sudipan Saha in IEEE Transactions on geoscience and remote sensing, Vol 58 n° 12 (December 2020)  

Permalink