Descripteur
Termes IGN > 1- Descripteurs géographiques > monde (géographie politique) > Océanie (géographie politique)
Océanie (géographie politique)Voir aussi |
Documents disponibles dans cette catégorie (248)
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
Computer vision-based framework for extracting tectonic lineaments from optical remote sensing data / Ehsan Farahbakhsh in International Journal of Remote Sensing IJRS, vol 41 n°5 (01 - 08 février 2020)
[article]
Titre : Computer vision-based framework for extracting tectonic lineaments from optical remote sensing data Type de document : Article/Communication Auteurs : Ehsan Farahbakhsh, Auteur ; Rohitash Chandra, Auteur ; Hugo K. H. Olierook, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 1760 - 1787 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] Australie occidentale (Australie)
[Termes IGN] cartographie géologique
[Termes IGN] détection de contours
[Termes IGN] digue
[Termes IGN] faille géologique
[Termes IGN] filtre
[Termes IGN] image Landsat-8
[Termes IGN] linéament
[Termes IGN] tectonique
[Termes IGN] vision par ordinateurRésumé : (auteur) The extraction of tectonic lineaments from digital satellite data is a fundamental application in remote sensing. The location of tectonic lineaments such as faults and dykes are of interest for a range of applications, particularly because of their association with hydrothermal mineralization. Although a wide range of applications have utilized computer vision techniques, a standard workflow for application of these techniques to tectonic lineament extraction is lacking. We present a framework for extracting tectonic lineaments using computer vision techniques. The proposed framework is a combination of edge detection and line extraction algorithms for extracting tectonic lineaments using optical remote sensing data. It features ancillary computer vision techniques for reducing data dimensionality, removing noise and enhancing the expression of lineaments. The efficiency of two convolutional filters are compared in terms of enhancing the lineaments. We test the proposed framework on Landsat 8 data of a mineral-rich portion of the Gascoyne Province in Western Australia. To validate the results, the extracted lineaments are compared to geologically mapped structures by the Geological Survey of Western Australia (GSWA). The results show that the best correlation between our extracted tectonic lineaments and the GSWA tectonic lineament map is achieved by applying a minimum noise fraction transformation and a Laplacian filter. Application of a directional filter shows a strong correlation with known sites of hydrothermal mineralization. Hence, our method using either filter can be used for mineral prospectivity mapping in other regions where faults are exposed and observable in optical remote sensing data. Numéro de notice : A2020-464 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1080/01431161.2019.1674462 Date de publication en ligne : 11/10/2019 En ligne : https://doi.org/10.1080/01431161.2019.1674462 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94902
in International Journal of Remote Sensing IJRS > vol 41 n°5 (01 - 08 février 2020) . - pp 1760 - 1787[article]Estimating wheat yields in Australia using climate records, satellite image time series and machine learning methods / Elisa Kamir in ISPRS Journal of photogrammetry and remote sensing, vol 160 (February 2020)
[article]
Titre : Estimating wheat yields in Australia using climate records, satellite image time series and machine learning methods Type de document : Article/Communication Auteurs : Elisa Kamir, Auteur ; François Waldner, Auteur ; Zvi Hochman, Auteur Année de publication : 2020 Article en page(s) : pp 124 - 135 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage automatique
[Termes IGN] Australie
[Termes IGN] blé (céréale)
[Termes IGN] carte agricole
[Termes IGN] climat
[Termes IGN] estimation de précision
[Termes IGN] fonction de base radiale
[Termes IGN] image satellite
[Termes IGN] modèle de croissance végétale
[Termes IGN] modèle non linéaire
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] régression
[Termes IGN] rendement agricole
[Termes IGN] série temporelle
[Termes IGN] variation saisonnièreRésumé : (Auteur) Closing the yield gap between actual and potential wheat yields in Australia is important to meet the growing global demand for food. The identification of hotspots of the yield gap, where the potential for improvement is the greatest, is a necessary step towards this goal. While crop growth models are well suited to quantify potential yields, they lack the ability to provide accurate large-scale estimates of actual yields, owing to the sheer quantity of data they require for parameterisation. In this context, we sought to provide accurate estimates of actual wheat yields across the Australian wheat belt based on machine-learning regression methods, climate records and satellite image time series. Out of nine base learners and two ensembles, support vector regression with radial basis function emerged as the single best learner (root mean square error of 0.55 t ha−1 and R2 of 0.77 at the pixel level). At national scale, this model explained 73% of the yield variability observed across statistical units. Benchmark approaches based on peak Normalised Difference Vegetation Index (NDVI) and on a harvest index were largely outperformed by the machine-learning regression models (R2 Numéro de notice : A2020-046 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.11.008 Date de publication en ligne : 20/12/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.11.008 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94556
in ISPRS Journal of photogrammetry and remote sensing > vol 160 (February 2020) . - pp 124 - 135[article]Exemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2020021 RAB Revue Centre de documentation En réserve L003 Disponible 081-2020023 DEP-RECP Revue LASTIG Dépôt en unité Exclu du prêt 081-2020022 DEP-RECF Revue Nancy Dépôt en unité Exclu du prêt Optimising drone flight planning for measuring horticultural tree crop structure / Yu-Hsuan Tu in ISPRS Journal of photogrammetry and remote sensing, vol 160 (February 2020)
[article]
Titre : Optimising drone flight planning for measuring horticultural tree crop structure Type de document : Article/Communication Auteurs : Yu-Hsuan Tu, Auteur ; Stuart Phinn, Auteur ; Kasper Johansen, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 83 - 96 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Photogrammétrie numérique
[Termes IGN] correction d'image
[Termes IGN] détection d'arbres
[Termes IGN] distorsion d'image
[Termes IGN] étalonnage de chambre métrique
[Termes IGN] horticulture
[Termes IGN] image captée par drone
[Termes IGN] MicMac
[Termes IGN] obturateur
[Termes IGN] photogrammétrie aérienne
[Termes IGN] plan de vol
[Termes IGN] point d'appui
[Termes IGN] qualité d'image
[Termes IGN] Queensland (Australie)
[Termes IGN] semis de pointsRésumé : (Auteur) In recent times, multi-spectral drone imagery has proved to be a useful tool for measuring tree crop canopy structure. In this context, establishing the most appropriate flight planning variable settings is an essential consideration due to their controls on the quality of the imagery and derived maps of tree and crop biophysical properties. During flight planning, variables including flight altitude, image overlap, flying direction, flying speed and solar elevation, require careful consideration in order to produce the most suitable drone imagery. Previous studies have assessed the influence of individual variables on image quality, but the interaction of multiple variables has yet to be examined. This study assesses the influence of several flight variables on measures of data quality in each processing step, i.e. photo alignment, point cloud densification, 3D model building, and ortho-mosaicking. The analysis produced a drone flight planning and image processing workflow that delivers accurate measurements of tree crops, including the tie point quality, densified point cloud density, and the measurement accuracy of height and plant projective cover derived from individual trees within a commercial avocado orchard. Results showed that flying along the hedgerow, at high solar elevation and with low image pitch angles improved the data quality. Optimal flying speed needs to be set to achieve the required forward overlap. The impacts of each image acquisition variable are discussed in detail and protocols for flight planning optimisation for three scenarios with different drone settings are suggested. Establishing protocols that deliver optimal image acquisitions for the collection of drone data over horticultural tree crops, will create greater confidence in the accuracy of subsequent algorithms and resultant maps of biophysical properties. Numéro de notice : A2020-044 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.12.006 Date de publication en ligne : 18/12/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.12.006 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94524
in ISPRS Journal of photogrammetry and remote sensing > vol 160 (February 2020) . - pp 83 - 96[article]Exemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2020021 RAB Revue Centre de documentation En réserve L003 Disponible 081-2020023 DEP-RECP Revue LASTIG Dépôt en unité Exclu du prêt 081-2020022 DEP-RECF Revue Nancy Dépôt en unité Exclu du prêt National scale identification and characterization of braided rivers in New Zealand using Google Earth Engine / Alexis Jean (2020)
Titre : National scale identification and characterization of braided rivers in New Zealand using Google Earth Engine Type de document : Mémoire Auteurs : Alexis Jean, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2020 Importance : 56 p. Format : 21 x 30 cm Note générale : Bibliographie
Rapport de projet pluridisciplinaire, cycle ING2Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] détection automatique
[Termes IGN] Google Earth Engine
[Termes IGN] image multitemporelle
[Termes IGN] image Sentinel-MSI
[Termes IGN] Normalized Difference Water Index
[Termes IGN] Nouvelle-Zélande
[Termes IGN] rivièreIndex. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (Auteur) La Nouvelle-Zélande est l’un des derniers pays à avoir des rivières tressées sur son territoire. Ces rivières tirent leur nom de la morphologie particulière de leurs cours d’eau qui est en forme de tresse. Les rivières tressées de par leurs caractéristiques évoluent rapidement dans le temps. Afin de les protéger de toutes interactions anthropiques, il est donc nécessaire de délimiter une zone de protection. Pour faciliter leurs études, un procédé de détection automatique et de caractérisation des rivières sera étudié. Ce procédé s’appuiera sur les données multi-temporelles de Sentinel-2 et utilisera les services de Google Earth Engine, une plate-forme d’analyse géospatiale basée sur le cloud computing, dans le but de réaliser les différents calculs nécessaires. Note de contenu :
1. Introduction
1.1 Background
1.2 Challenge
1.3 Research objective & questions
1.4 Internship outline
2. Literature review: remote sensing techniques
2.1 Pre-processing
2.2 Water detection
2.3 Post-processing
2.4 Conclusion
3. Automatic surface water detection
3.1 Study area
3.2 Data resources
3.3 Method
3.4 Ground truth comparison
4. River characteristics
4.1 River width
ConclusionNuméro de notice : 26367 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : University of Glasgow Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95816 Documents numériques
peut être téléchargé
National scale identification and characterization of braided riversAdobe Acrobat PDF Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery / Yuri Shendryk in ISPRS Journal of photogrammetry and remote sensing, vol 157 (November 2019)
[article]
Titre : Deep learning for multi-modal classification of cloud, shadow and land cover scenes in PlanetScope and Sentinel-2 imagery Type de document : Article/Communication Auteurs : Yuri Shendryk, Auteur ; Yannik Rist, Auteur ; Catherine Ticehurst, Auteur ; Peter Thorburn, Auteur Année de publication : 2019 Article en page(s) : pp 124 - 136 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] Amazonie
[Termes IGN] apprentissage profond
[Termes IGN] Australie
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] détection d'ombre
[Termes IGN] état de l'art
[Termes IGN] image à haute résolution
[Termes IGN] image PlanetScope
[Termes IGN] image Sentinel-MSI
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] nuage
[Termes IGN] occupation du sol
[Termes IGN] zone tropicale humideRésumé : (Auteur) With the increasing availability of high-resolution satellite imagery it is important to improve the efficiency and accuracy of satellite image indexing, retrieval and classification. Furthermore, there is a need for utilizing all available satellite imagery in identifying general land cover types and monitoring their changes through time irrespective of their spatial, spectral, temporal and radiometric resolutions. Therefore, in this study, we developed deep learning models able to efficiently and accurately classify cloud, shadow and land cover scenes in different high-resolution ( Numéro de notice : A2019-494 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.08.018 Date de publication en ligne : 17/09/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.08.018 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93727
in ISPRS Journal of photogrammetry and remote sensing > vol 157 (November 2019) . - pp 124 - 136[article]Exemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2019111 RAB Revue Centre de documentation En réserve L003 Disponible 081-2019113 DEP-RECP Revue LASTIG Dépôt en unité Exclu du prêt 081-2019112 DEP-RECF Revue Nancy Dépôt en unité Exclu du prêt The influence of sampling design on spatial data quality in a geographic citizen science project / Greg Brown in Transactions in GIS, Vol 23 n° 6 (November 2019)PermalinkSegmenting mangrove ecosystems drone images using SLIC superpixels / Edward Zimudzi in Geocarto international, vol 34 n° 14 ([30/10/2019])PermalinkOptimal segmentation of high spatial resolution images for the classification of buildings using random forests / James Bialas in International journal of applied Earth observation and geoinformation, vol 82 (October 2019)PermalinkSimulation of urban expansion via integrating artificial neural network with Markov chain – cellular automata / Tingting Xu in International journal of geographical information science IJGIS, vol 33 n° 10 (October 2019)PermalinkUnmanned aerial vehicles (UAVs) for monitoring macroalgal biodiversity: comparison of RGB and multispectral imaging sensors for biodiversity assessments / Leigh Tait in Remote sensing, vol 11 n° 19 (October-1 2019)PermalinkUsing a U-net convolutional neural network to map woody vegetation extent from high resolution satellite imagery across Queensland, Australia / Neil Flood in International journal of applied Earth observation and geoinformation, vol 82 (October 2019)PermalinkModelling discontinuous terrain from DSMs using segment labelling, outlier removal and thin-plate splines / Kassel Hingee in ISPRS Journal of photogrammetry and remote sensing, vol 155 (September 2019)PermalinkSea level variation around Australia and its relation to climate indices / Armin Agha Karimi in Marine geodesy, vol 42 n° 5 (September 2019)PermalinkError propagation for the Molodensky G1 term / Jack C. McCubbine in Journal of geodesy, vol 93 n°6 (June 2019)PermalinkModelling the effects of fundamental UAV flight parameters on LiDAR point clouds to facilitate objectives-based planning / Jeremy J. Sofonia in ISPRS Journal of photogrammetry and remote sensing, vol 149 (March 2019)Permalink