Descripteur
Documents disponibles dans cette catégorie (128)
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
Using multi-scale and hierarchical deep convolutional features for 3D semantic classification of TLS point clouds / Zhou Guo in International journal of geographical information science IJGIS, vol 34 n° 4 (April 2020)
[article]
Titre : Using multi-scale and hierarchical deep convolutional features for 3D semantic classification of TLS point clouds Type de document : Article/Communication Auteurs : Zhou Guo, Auteur ; Chen-Chieh Feng, Auteur Année de publication : 2020 Article en page(s) : pp 661 - 680 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] analyse multiéchelle
[Termes IGN] apprentissage profond
[Termes IGN] approche hiérarchique
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données lidar
[Termes IGN] modélisation 3D
[Termes IGN] Oakland (Californie)
[Termes IGN] régression
[Termes IGN] semis de pointsRésumé : (auteur) Point cloud classification, which provides meaningful semantic labels to the points in a point cloud, is essential for generating three-dimensional (3D) models. Its automation, however, remains challenging due to varying point densities and irregular point distributions. Adapting existing deep-learning approaches for two-dimensional (2D) image classification to point cloud classification is inefficient and results in the loss of information valuable for point cloud classification. In this article, a new approach that classifies point cloud directly in 3D is proposed. The approach uses multi-scale features generated by deep learning. It comprises three steps: (1) extract single-scale deep features using 3D convolutional neural network (CNN); (2) subsample the input point cloud at multiple scales, with the point cloud at each scale being an input to the 3D CNN, and combine deep features at multiple scales to form multi-scale and hierarchical features; and (3) retrieve the probabilities that each point belongs to the intended semantic category using a softmax regression classifier. The proposed approach was tested against two publicly available point cloud datasets to demonstrate its performance and compared to the results produced by other existing approaches. The experiment results achieved 96.89% overall accuracy on the Oakland dataset and 91.89% overall accuracy on the Europe dataset, which are the highest among the considered methods. Numéro de notice : A2020-109 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2018.1552790 Date de publication en ligne : 10/12/2018 En ligne : https://doi.org/10.1080/13658816.2018.1552790 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94711
in International journal of geographical information science IJGIS > vol 34 n° 4 (April 2020) . - pp 661 - 680[article]Improving operational radar rainfall estimates using profiler observations over complex terrain in Northern California / Haonan Chen in IEEE Transactions on geoscience and remote sensing, vol 58 n° 3 (March 2020)
[article]
Titre : Improving operational radar rainfall estimates using profiler observations over complex terrain in Northern California Type de document : Article/Communication Auteurs : Haonan Chen, Auteur ; Robert Cifelli, Auteur ; Allen White, Auteur Année de publication : 2020 Article en page(s) : pp 1821 - 1832 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications
[Termes IGN] Californie (Etats-Unis)
[Termes IGN] correction d'image
[Termes IGN] données radar
[Termes IGN] erreur d'approximation
[Termes IGN] faisceau
[Termes IGN] montagne
[Termes IGN] orographie
[Termes IGN] précipitation
[Termes IGN] prévision météorologique
[Termes IGN] télédétection en hyperfréquence
[Termes IGN] télédétection réflective
[Termes IGN] visée verticaleRésumé : (Auteur) Quantitative precipitation estimation (QPE) using operational weather radars in the western United States is still a challenging issue due to the beam blockage in the mountainous areas and complex rainfall microphysics induced by the orographic enhancement. This article aims to improve operational radar rainfall estimates in complex terrain by incorporating auxiliary remote sensing observations. An innovative vertical profile of reflectivity (VPR) correction scheme is developed for operational radar using observations from multiple vertically pointing profilers to represent the vertical structure of precipitation at various locations. A demonstration study in the Russian River basin in Northern California is detailed. Results show that the QPE performance is significantly improved after VPR correction, and this new VPR correction approach is superior to the conventional approach currently applied in the operational radar rainfall system. The normalized standard error of hourly rainfall estimates for the two precipitation events presented in this article is improved by ~20% after applying the proposed VPR correction scheme. Numéro de notice : A2020-090 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2949214 Date de publication en ligne : 12/11/2019 En ligne : https://doi.org/10.1109/TGRS.2019.2949214 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94664
in IEEE Transactions on geoscience and remote sensing > vol 58 n° 3 (March 2020) . - pp 1821 - 1832[article]Similarity measurement on human mobility data with spatially weighted structural similarity index (SpSSIM) / Chanwoo Jin in Transactions in GIS, Vol 24 n° 1 (February 2020)
[article]
Titre : Similarity measurement on human mobility data with spatially weighted structural similarity index (SpSSIM) Type de document : Article/Communication Auteurs : Chanwoo Jin, Auteur ; Atsushi Nara, Auteur ; Jiue-An Yang, Auteur ; Ming-Hsiang Tsou, Auteur Année de publication : 2020 Article en page(s) : pp 104 - 122 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes IGN] Bootstrap (statistique)
[Termes IGN] Californie (Etats-Unis)
[Termes IGN] données issues des réseaux sociaux
[Termes IGN] interpolation par pondération de zones
[Termes IGN] mesure de similitude
[Termes IGN] mobilité humaine
[Termes IGN] mobilité urbaine
[Termes IGN] origine - destinationRésumé : (auteur) Understanding diverse characteristics of human mobility provides profound knowledge of urban dynamics and complexity. Human movements are recorded in a variety of data sources and each describes unique mobility characteristics. Revealing similarity and difference in mobility data sources facilitates grasping comprehensive human mobility patterns. This study introduces a new method to measure similarities on two origin–destination (OD) matrices by spatially extending an image‐assessment tool, the structural similarity index (SSIM). The new measurement, spatially weighted SSIM (SpSSIM), utilizes weight matrices to overcome the SSIM sensitivity issue due to the ordering of OD pairs by explicitly defining spatial adjacency. To evaluate SpSSIM, we compared performances between SSIM and SpSSIM with resampling the orders of OD pairs and conducted bootstrapping to test the statistical significance of SpSSIM. As a case study, we compared OD matrices generated from three data sources in San Diego County, CA: U.S. Census‐based Longitudinal Employer–Household Dynamics Origin–Destination employment statistics, Twitter, and Instagram. The case study demonstrated that SpSSIM was able to capture similarities of mobility patterns between datasets that varied by distance. Some regions showed local dissimilarity while the global index indicated they were similar. The results enhance the understanding of complex mobility patterns from various datasets, including social media. Numéro de notice : A2020-104 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/tgis.12590 Date de publication en ligne : 23/10/2019 En ligne : https://doi.org/10.1111/tgis.12590 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94698
in Transactions in GIS > Vol 24 n° 1 (February 2020) . - pp 104 - 122[article]Comparison of multi-seasonal Landsat 8, Sentinel-2 and hyperspectral images for mapping forest alliances in Northern California / Matthew L. Clark in ISPRS Journal of photogrammetry and remote sensing, vol 159 (January 2020)
[article]
Titre : Comparison of multi-seasonal Landsat 8, Sentinel-2 and hyperspectral images for mapping forest alliances in Northern California Type de document : Article/Communication Auteurs : Matthew L. Clark, Auteur Année de publication : 2020 Article en page(s) : pp 26 - 40 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] analyse comparative
[Termes IGN] apprentissage automatique
[Termes IGN] Californie (Etats-Unis)
[Termes IGN] carte forestière
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] couvert végétal
[Termes IGN] image AVIRIS
[Termes IGN] image hyperspectrale
[Termes IGN] image Landsat-8
[Termes IGN] image Sentinel-MSI
[Termes IGN] occupation du sol
[Termes IGN] Short Waves InfraRedRésumé : (Auteur) The current era of earth observation now provides constellations of open-access, multispectral satellite imagery with medium spatial resolution, greatly increasing the frequency of cloud-free data for analysis. The Landsat satellites have a long historical record, while the newer Sentinel-2 (S2) satellites offer higher temporal, spatial and spectral resolution. The goal of this study was to evaluate the relative benefits of single- and multi-seasonal multispectral satellite data for discriminating detailed forest alliances, as defined by the U.S. National Vegetation Classification system, in a Mediterranean-climate landscape (Sonoma County, California). Results were compared to a companion analysis of simulated hyperspectral satellite data (HyspIRI) for the same study site and reference data (Clark et al., 2018). Experiments used real and simulated S2 and Landsat 8 (L8) data. Simulated S2 and L8 were from HyspIRI images, thereby focusing results on differences in spectral resolution rather than other confounding factors. The Support Vector Machine (SVM) classifier was used in a hierarchical classification of land-cover (Level 1), followed by alliances (Level 2) in forest pixels, and included summer-only and multi-seasonal sets of predictor variables (bands, indices and bands plus indices). Both real and simulated multi-seasonal multispectral variables significantly improved overall accuracy (OA) by 0.2–1.6% for Level 1 tree/no tree classifications and 3.6–25.8% for Level 2 forest alliances. Classifiers with S2 variables tended to be more accurate than L8 variables, particularly for S2, which had 0.4–2.1% and 5.1–11.8% significantly higher OA than L8 for Level 1 tree/no tree and Level 2 forest alliances, respectively. Combining multispectral bands and indices or using just bands was generally more accurate than relying on just indices for classification. Simulated HyspIRI variables from past research had significantly greater accuracy than real L8 and S2 variables, with an average OA increase of 8.2–12.6%. A final alliance-level map used for a deeper analysis used simulated multi-seasonal S2 bands and indices, which had an overall accuracy of 74.3% (Kappa = 0.70). The accuracy of this classification was only 1.6% significantly lower than the best HyspIRI-based classification, which used multi-seasonal metrics (Clark et al., 2018), and there were alliances where the S2-based classifier was more accurate. Within the context of these analyses and study area, S2 spectral-temporal data demonstrated a strong capability for mapping global forest alliances, or similar detailed floristic associations, at medium spatial resolutions (10–30 m). Numéro de notice : A2020-011 Affiliation des auteurs : non IGN Thématique : FORET/GEOMATIQUE/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2019.11.007 Date de publication en ligne : 14/11/2019 En ligne : https://doi.org/10.1016/j.isprsjprs.2019.11.007 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94399
in ISPRS Journal of photogrammetry and remote sensing > vol 159 (January 2020) . - pp 26 - 40[article]Exemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2020011 RAB Revue Centre de documentation En réserve L003 Disponible 081-2020013 DEP-RECP Revue LASTIG Dépôt en unité Exclu du prêt 081-2020012 DEP-RECF Revue Nancy Dépôt en unité Exclu du prêt De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond / Lionel Matteo (2020)
Titre : De l’image optique "multi-stéréo" à la topographie très haute résolution et la cartographie automatique des failles par apprentissage profond Type de document : Thèse/HDR Auteurs : Lionel Matteo, Auteur Editeur : Nice : Université Côte d'Azur Année de publication : 2020 Importance : 170 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse en vue de l’obtention du grade de docteur de l'Université Côte d'Azur, en Sciences de la Terre et de l’UniversLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications photogrammétriques
[Termes IGN] acquisition d'images
[Termes IGN] analyse comparative
[Termes IGN] apprentissage profond
[Termes IGN] Arizona (Etats-Unis)
[Termes IGN] Californie (Etats-Unis)
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] données topographiques
[Termes IGN] faille géologique
[Termes IGN] fusion de données multisource
[Termes IGN] image captée par drone
[Termes IGN] image multi sources
[Termes IGN] image Pléiades-HR
[Termes IGN] MicMac
[Termes IGN] modèle de simulation
[Termes IGN] modèle numérique de surface
[Termes IGN] Nevada (Etats-Unis)
[Termes IGN] reconstruction 3D
[Termes IGN] semis de points
[Termes IGN] stéréo-orthophotographie
[Termes IGN] traitement de semis de pointsIndex. décimale : THESE Thèses et HDR Résumé : (Auteur) Les failles sismogéniques sont la source des séismes. L'étude de leurs propriétés nous informe donc sur les caractéristiques des forts séismes qu'elles peuvent produire. Les failles sont des objets 3D qui forment des réseaux complexes incluant une faille principale et une multitude de failles et fractures secondaires qui "découpent" la roche environnante à la faille principale. Mon objectif dans cette thèse a été de développer des approches pour aider à étudier cette fracturation secondaire intense. Pour identifier, cartographier et mesurer les fractures et les failles dans ces réseaux, j'ai adressé deux défis : -1) Les failles peuvent former des escarpements topographiques très pentus à la surface du sol, créant des "couloirs" ou des canyons étroits et profond où la topographie et donc, la trace des failles, peut être difficile à mesurer en utilisant des méthodologies standard (comme des acquisitions d'images satellites optiques stéréo et tri-stéréo). Pour répondre à ce défi, j'ai utilisé des acquisitions multi-stéréos avec différentes configurations (différents angles de roulis et tangage, différentes dates et modes d'acquisitions). Notre base de données constituée de 37 images Pléiades dans trois sites tectoniques différents dans l'Ouest américain (Valley of Fire, Nevada ; Granite Dells, Arizona ; Bishop Tuff, California) m'a permis de tester différentes configurations d'acquisitions pour calculer la topographie avec trois approches différentes. En utilisant la solution photogrammétrique open-source Micmac (IGN ; Rupnik et al., 2017), j'ai calculé la topographie sous la forme de Modèles Numériques de Surfaces (MNS) : (i) à partir de combinaisons de 2 à 17 images Pléiades, (ii) en fusionnant des MNS calculés individuellement à partir d'acquisitions stéréo et tri-stéréo, évitant alors l'utilisant d'acquisitions multi-dates et (iii) en fusionnant des nuages de points calculés à partir d'acquisitions tri-stéréos en suivant la méthodologie multi-vues développée par Rupnik et al. (2018). J’ai aussi combiné, dans une dernière approche (iv), des acquisitions tri-stéréos avec la méthodologie multi-vues stéréos du CNES/CMLA (CARS) développé par Michel et al. (2020), en combinant des acquisitions tri-stéréos. A partir de ces quatre approches, j'ai calculé plus de 200 MNS et mes résultats suggèrent que deux acquisitions tri-stéréos ou une acquisition stéréo combinée avec une acquisition tri-stéréo avec des angles de roulis opposés permettent de calculer les MNS avec la surface topographique la plus complète et précise. -2) Couramment, les failles sont cartographiées manuellement sur le terrain ou sur des images optiques et des données topographiques en identifiant les traces curvilinéaires qu'elles forment à la surface du sol. Néanmoins, la cartographie manuelle demande beaucoup de temps, ce qui limite notre capacité à produire cartographies et mesures complètes des réseaux de failles. Pour s'affranchir de ce problème, j'ai adopté une approche d'apprentissage profond, couramment appelé un réseau de neurones convolutifs (CNN) - U-Net, pour automatiser l'identification et la cartographie des fractures et des failles dans des images optiques et des données topographiques. Volontairement, le modèle CNN a été entraîné avec une quantité modérée de fractures et failles cartographiées manuellement à basse résolution et dans un seul type d'images optiques (photographies du sol avec des caméras classiques). A partir d'un grand nombre de tests, j'ai sélectionné le meilleur modèle, MRef et démontre sa capacité à prédire des fractures et des failles précisément dans données optiques et topographiques de différents types et différentes résolutions (photographies prises au sol, avec un drone et par satellite). Le modèle MRef montre de bonnes capacités de généralisations faisant alors de ce modèle un bon outil pour cartographie rapidement et précisément des fractures et des failles dans des images optiques et des données topographiques. Note de contenu : Introduction générale
Partie 1 - Reconstruction 3D haute résolution
1. Introduction
1.1 Les données topographiques, une solution pour analyser la surface terrestre
1.2 Le récent développement de satellites à capteur optique
1.3 La reconstruction 3D à partir d’images optiques : la photogrammétrie
1.4 Problématique du sujet
2. Acquisitions de données et sites d’études
2.1 Acquisitions d’images satellitaires
2.2 Données LiDAR aéroportées
2.3 Acquisitions d’images par drone
2.4 Acquisitions d’images par appareil photo suspendu à une perche
2.5 Acquisitions de points d’appui
2.6 Sites d’études
3. Calcul de MNS et estimation de leur performance
3.1 Micmac (IGN)
3.2 CARS (CNES/CMLA)
3.3 Quatre méthodes pour calculer des MNS
3.4 Performances des MNS
4. Résultats
4.1 MNS calculés avec des acquisitions multi-dates
4.2 Fusion de MNS calculés avec des acquisitions mono-dates
4.3 Reconstruction 3D à partir de nuage de points fusionnés
4.4 Analyses des MNS générés avec CARS
4.5 Comparaison des méthodes B, C et D dans la zone de Canyons de Valley of Fire 65
4.6 Utilisation de 1 à 4 GCPs pour calculer un MNS
4.7 Application de la méthode B aux deux autres sites
5. Discussion
5.1 La reconstruction 3D à partir d’acquisitions multi-dates
5.2 L’impact des méthodes B, C et D dans la performance des MNS finaux
5.3 Les erreurs possibles dans le calcul des erreurs du géoréférencement des MNS
5.4 La comparaison des MNS Pléiades calculés à d’autres MNS
6. Conclusions
Partie 2 - Automatic fault mapping in remote optical images and topographic data with deep learning - submitted to JGR: Solid Earth
7. Introduction
8. Image, topographic and fault data
8.1 Fault Sites
8.2 Optical image and topographic data
8.3 Fault ground truth derived from manual mapping
9. Deep learning methodology
9.1 Principles of Deep Learning and Convolutional Neural Networks
9.2 Architecture of the CNN model used in present study
9.3 Training procedure
9.4 Estimating the performance of the models
10. Defining a “reference model” MRef
10.1 Selecting the most appropriate CNN architecture
10.2 Sensitivity of model performance to training data size
10.3 Sensitivity of model performance to “quality” of training data
10.4 Refrence model
11. Detailed evaluation of reference model fault predictions
11.1 Results in sites A and B
11.2 Predictions in unseen data of similar type
11.3 Predictions in unseen data of different type
12. Discussion
12.1 U-net appropriate for fracture and fault detection in optical images
12.2 Interpreting learnt characteristics of faults and fractures
12.3 Conditions for model generalization
12.4 Uncertainties and model robustness
12.5 Recovering fault hierarchy and connectivity
13 Conclusions
Conclusion généraleNuméro de notice : 26555 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Sciences de la Terre et de l'Univers : Côte d'Azur : 2020 Organisme de stage : Géoazur UMR 7329 - Observatoire de la Côte d'Azur nature-HAL : Thèse Date de publication en ligne : 02/06/2021 En ligne : https://tel.archives-ouvertes.fr/tel-03245713/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97965 Subsidence is determined in the heart of the Central Valley using Post Processed Static and Precise Point Positioning techniques / Y. Facio in Journal of applied geodesy, vol 14 n° 1 (January 2020)PermalinkAn implicit radar convolutional burn index for burnt area mapping with Sentinel-1 C-band SAR data / Puzhao Zhang in ISPRS Journal of photogrammetry and remote sensing, Vol 158 (December 2019)PermalinkLandsats 1–5 multispectral scanner system sensors radiometric calibration update / Cibele Teixeira-Pinto in IEEE Transactions on geoscience and remote sensing, Vol 57 n° 10 (October 2019)PermalinkAn exploratory analysis of usability of Flickr tags for land use/land cover attribution / Yingwei Yan in Geo-spatial Information Science, vol 22 n° 1 (March 2019)PermalinkUsing LiDAR to develop high-resolution reference models of forest structure and spatial pattern / Haley L. Wiggins in Forest ecology and management, vol 434 (28 February 2019)PermalinkExploring uncertainties in terrain feature extraction across multi-scale, multi-feature, and multi-method approaches for variable terrain / Boleslo E. Romero in Cartography and Geographic Information Science, Vol 45 n° 5 (August 2018)PermalinkExploring geo-tagged photos for land cover validation with deep learning / Hanfa Xing in ISPRS Journal of photogrammetry and remote sensing, vol 141 (July 2018)PermalinkManipulating tree crown structure to promote old-growth characteristics in second-growth redwood forest canopies / Stephen C. Sillett in Forest ecology and management, vol 417 (15 May 2018)PermalinkHERA: A dynamic web application for visualizing community exposure to flood hazards based on storm and sea level rise scenarios / Jeanne M. Jones in Computers & geosciences, vol 109 (December 2017)PermalinkSafe separation distance score : a new metric for evaluating wildland firefighter safety zones using lidar / Michael J. Campbell in International journal of geographical information science IJGIS, vol 31 n° 7-8 (July - August 2017)Permalink