Centre dedocumentation
scientifique

Bretagne, la végétation cartographiée / Marielle Mayo in Géomètre, n° 2185 (novembre 2020)

Public [article]  inGéomètre > n° 2185 (novembre 2020) . - pp 46 - 49 Titre : Bretagne, la végétation cartographiée Type de document : Article/Communication Auteurs : Marielle Mayo, Auteur Année de publication : 2020 Article en page(s) : pp 46 - 49 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Cartographie thématique [Termes descripteurs IGN] 1:25.000 [Termes descripteurs IGN] acquisition d'images [Termes descripteurs IGN] aménagement régional [Termes descripteurs IGN] appariement semi-automatique [Termes descripteurs IGN] ArcGIS [Termes descripteurs IGN] BD ortho [Termes descripteurs IGN] Bretagne [Termes descripteurs IGN] carte de la végétation [Termes descripteurs IGN] classification orientée objet [Termes descripteurs IGN] données localisées [Termes descripteurs IGN] données publiques [Termes descripteurs IGN] écologie végétale [Termes descripteurs IGN] IGN cité [Termes descripteurs IGN] image infrarouge couleur [Termes descripteurs IGN] image proche infrarouge [Termes descripteurs IGN] modèle orienté objet Résumé : (Auteur) Une cartographie inédite de la végétation de Bretagne sera accessible en totalité en ligne en décembre. Produite par télédétection grâce à une méthode semi-automatisée innovante, elle répond aux nouveaux besoins des acteurs de la biodiversité et de l'aménagement du territoire. Numéro de notice : A2020-707 Affiliation des auteurs : non IGN Thématique : BIODIVERSITE/FORET/IMAGERIE Nature : Article nature-HAL : ArtSansCL DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96281 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
063-2020101	SL	Revue	Centre de documentation	Revues en salle	Disponible

Integration of spatialization and individualization: the future of epidemic modelling for communicable diseases / Meifang Li in Annals of GIS, vol 26 n° 3 (July 2020)  

Public [article]  inAnnals of GIS > vol 26 n° 3 (July 2020) . - pp 219 - 226 Titre : Integration of spatialization and individualization: the future of epidemic modelling for communicable diseases Type de document : Article/Communication Auteurs : Meifang Li, Auteur ; Xun Shi, Auteur ; Xia Li, Auteur Année de publication : 2020 Article en page(s) : pp 219 - 226 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] analyse spatio-temporelle [Termes descripteurs IGN] épidémie [Termes descripteurs IGN] historique des données [Termes descripteurs IGN] modèle orienté objet [Termes descripteurs IGN] modélisation spatio-temporelle [Termes descripteurs IGN] risque sanitaire [Termes descripteurs IGN] système d'information géographique [Termes descripteurs IGN] transmissibilité Résumé : (auteur) In the past several decades, epidemic modelling for communicable diseases has experienced transitions from treating the entire study area as a whole to addressing spatial variation within the area, and from targeting the entire population to incorporating characteristics of categorized subpopulations and finally going down to the individual level. These transitions have been first driven by the recognition that generalizations of space and population in conventional epidemic modelling may have hampered the effectiveness of the modelling; they then have been supported by increasingly available data that allow depiction of detailed spatiotemporal characteristics of an epidemic, as well as those characteristics of the environment in both human and natural aspects; and finally they have been facilitated by developments in geographic information science, data science, computer science, and computing technologies. Based on a review of a variety of recently developed communicable disease models, we explicitly put forward the notions of spatialization and individualization in this area, and point out that the integration of the two is the future of communicable disease modelling. We also point out that in this area models based on the object conceptualization are good at modelling spatiotemporal process, whereas models based on the field conceptualization are good at representing spatialized information. We propose a procedural framework of epidemic modelling that implements the integration of individualization and spatialization, integration of object-based process and field-based representation, and integration of modelling that retrospectively traces infection relationships based on historical patient data and modelling that prospectively predicts such relationships of future epidemics. Numéro de notice : A2020-581 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/19475683.2020.1768438 date de publication en ligne : 25/05/2020 En ligne : https://doi.org/10.1080/19475683.2020.1768438 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95903 [article]

A hybrid deep learning–based model for automatic car extraction from high-resolution airborne imagery / Mehdi Khoshboresh Masouleh in Applied geomatics, vol 12 n° 2 (June 2020)  

Public [article]  inApplied geomatics > vol 12 n° 2 (June 2020) . - pp 107 - 119 Titre : A hybrid deep learning–based model for automatic car extraction from high-resolution airborne imagery Type de document : Article/Communication Auteurs : Mehdi Khoshboresh Masouleh, Auteur ; Reza Shah-Hosseini, Auteur Année de publication : 2020 Article en page(s) : pp 107 - 119 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] extraction automatique [Termes descripteurs IGN] gestion de trafic [Termes descripteurs IGN] image à haute résolution [Termes descripteurs IGN] image aérienne [Termes descripteurs IGN] modèle orienté objet [Termes descripteurs IGN] orthophotographie [Termes descripteurs IGN] segmentation sémantique [Termes descripteurs IGN] trafic routier [Termes descripteurs IGN] véhicule automobile Résumé : (auteur) Automatic car extraction (ACE) from high-resolution airborne imagery (i.e., true-orthophoto) has been a hot research topic in the field of photogrammetry and machine learning. ACE from high-resolution airborne imagery is the most suitable method for control and monitoring practices in large cities such as traffic management. The use of deep learning–based feature extraction methods, such as convolutional neural networks, have been providing state-of-the-art performance in the last few years, particularly, these techniques have been successfully applied to automatic object extraction from images. In this paper, we proposed a novel hybrid method to take advantage of the semantic segmentation of high-resolution airborne imagery to ACE that is realized based on the combination of deep convolutional neural networks and restricted Boltzmann machine (RBM). This hybrid method is called RBMDeepNet. We trained and tested our model on the ISPRS Potsdam and Vaihingen benchmark datasets (non-big data) which is more challenging for ACE. Here, Potsdam data is a true-color dataset, and Vaihingen data is a false-color dataset. The results obtained in the present study showed that the proposed method for ACE from high-resolution airborne imagery achieves a 7% improvement in accuracy with about 10% improvement in processing time compared to similar methods. Numéro de notice : A2020-558 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s12518-019-00285-4 date de publication en ligne : 06/08/2019 En ligne : https://doi.org/10.1007/s12518-019-00285-4 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95868 [article]

GIS approach to publishing commonfacilities plans of land consolidation in the Czech Republic / Arnošt Müller in Geodetski vestnik, vol 62 n° 4 (December 2018 - February 2019)  

Public [article]  inGeodetski vestnik > vol 62 n° 4 (December 2018 - February 2019) . - pp 641 - 656 Titre : GIS approach to publishing commonfacilities plans of land consolidation in the Czech Republic Type de document : Article/Communication Auteurs : Arnošt Müller, Auteur Année de publication : 2018 Article en page(s) : pp 641 - 656 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Systèmes d'information géographique [Termes descripteurs IGN] base de données foncières [Termes descripteurs IGN] base de données localisées [Termes descripteurs IGN] cadastre étranger [Termes descripteurs IGN] changement climatique [Termes descripteurs IGN] données environnementales [Termes descripteurs IGN] données hydrographiques [Termes descripteurs IGN] érosion [Termes descripteurs IGN] modèle orienté objet [Termes descripteurs IGN] normalisation [Termes descripteurs IGN] paysage agricole [Termes descripteurs IGN] remembrement agricole [Termes descripteurs IGN] République Tchèque Résumé : (auteur) This paper introduces the process of land consolidation and current use of geographic information systems (GIS) in the Czech Republic. Contemporary land consolidation in the Central European region, unlike Western Europe, has been implemented relatively recently, hence there is no contingency or previous experience to build upon. This brings about an opportunity for a modern design of GIS‐based land consolidation. Although the design of land consolidation projects in the Czech Republic is mainly conducted in CAD software, this paper focuses on the utilisation of GIS and stresses the importance of standardisation of land consolidation data. Standardisation allows automatic processing of data as well as effortless publishing. The author proposes a new object‐oriented data model of the landscape plan (Common Facilities Plan), which allows for the storing of such plans in a central spatial database and adding attribute information to each object, thus providing analysis of the data in a GIS. The data model alongside data standardisation lays the groundwork for the architectural proposal of a new GIS (geoportal) of Common Facilities Plans. Numéro de notice : A2019-017 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.15292/geodetski-vestnik.2018.04.641-656 date de publication en ligne : 03/12/2018 En ligne : https://doi.org/10.15292/geodetski-vestnik.2018.04.641-656 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91631 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
139-2018041	SL	Revue	Centre de documentation	Revues en salle	Disponible

Scene classification based on multiscale convolutional neural network / Yanfei Liu in IEEE Transactions on geoscience and remote sensing, vol 56 n° 12 (December 2018)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 56 n° 12 (December 2018) . - pp 7109 - 7121 Titre : Scene classification based on multiscale convolutional neural network Type de document : Article/Communication Auteurs : Yanfei Liu, Auteur ; Yanfei Zhong, Auteur ; Qianqing Qin, Auteur Année de publication : 2018 Article en page(s) : pp 7109 - 7121 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] image à haute résolution [Termes descripteurs IGN] image aérienne [Termes descripteurs IGN] image multidimensionnelle [Termes descripteurs IGN] image satellite [Termes descripteurs IGN] mesure de similitude [Termes descripteurs IGN] modèle orienté objet Résumé : (auteur) With the large amount of high-spatial resolution images now available, scene classification aimed at obtaining high-level semantic concepts has drawn great attention. The convolutional neural networks (CNNs), which are typical deep learning methods, have widely been studied to automatically learn features for the images for scene classification. However, scene classification based on CNNs is still difficult due to the scale variation of the objects in remote sensing imagery. In this paper, a multiscale CNN (MCNN) framework is proposed to solve the problem. In MCNN, a network structure containing dual branches of a fixed-scale net (F-net) and a varied-scale net (V-net) is constructed and the parameters are shared by the F-net and V-net. The images and their rescaled images are fed into the F-net and V-net, respectively, allowing us to simultaneously train the shared network weights on multiscale images. Furthermore, to ensure that the features extracted from MCNN are scale invariant, a similarity measure layer is added to MCNN, which forces the two feature vectors extracted from the image and its corresponding rescaled image to be as close as possible in the training phase. To demonstrate the effectiveness of the proposed method, we compared the results obtained using three widely used remote sensing data sets: the UC Merced data set, the aerial image data set, and the google data set of SIRI-WHU. The results confirm that the proposed method performs significantly better than the other state-of-the-art scene classification methods. Numéro de notice : A2018-556 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2018.2848473 date de publication en ligne : 26/07/2018 En ligne : http://dx.doi.org/10.1109/TGRS.2018.2848473 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91660 [article]

Analyse de l'incertitude et de la précision thématique de classifications GEOBIA d'une image WorldView-2 / François Messner in Revue Française de Photogrammétrie et de Télédétection, n° 216 (février 2018)

Permalink

Researches about the living condition in Ulaanbaatar with mapping developments based on a participatory approach / Paul Roux (2018) 

Permalink

Delineation of groundwater potential zones using remote sensing and GIS-based data-driven models / Samira Ghorbani Nejad in Geocarto international, vol 32 n° 2 (February 2017)  

Permalink

Geographic Object-Based Image Analysis: Towards a new paradigm / Thomas Blaschke in ISPRS Journal of photogrammetry and remote sensing, vol 87 (January 2014)  

Permalink

Python 3 / Sébastien Chazallet (2014)

Permalink

UML 2, de l’apprentissage à la pratique [Cours et exercices] / Laurent Audibert (2014)

Permalink

Python / Sébastien Chazallet (2012)

Permalink

Un point sur les formalismes ER [Entités-Relations] et OO [Orientés-Objet] pour les systèmes d'information spatiale / F. Pinet in Revue internationale de géomatique, vol 20 n° 4 (décembre 2010 – février 2011)  

Permalink

An object-oriented shared data model for GIS and distributed hydrologic models / M. Kumar in International journal of geographical information science IJGIS, vol 24 n°7-8 (july 2010)  

Permalink

Creating and validating Object-Oriented Geographic Data Models: modeling flow within GIS / A. Glennon in Transactions in GIS, vol 14 n° 1 (February 2010)  

Permalink