Centre dedocumentation
scientifique

Evolution of sand encroachment using supervised classification of Landsat data during the period 1987–2011 in a part of Laâyoune-Tarfaya basin of Morocco / Ali Aydda in Geocarto international, vol 34 n° 13 ([15/10/2019])  

Public [article]  inGeocarto international > vol 34 n° 13 [15/10/2019] . - pp 1514 - 1529 Titre : Evolution of sand encroachment using supervised classification of Landsat data during the period 1987–2011 in a part of Laâyoune-Tarfaya basin of Morocco Type de document : Article/Communication Auteurs : Ali Aydda, Auteur ; Omar F. Althuwaynee, Auteur ; Ahmed Algouti, Auteur ; Abdellah Algouti, Auteur Année de publication : 2019 Article en page(s) : pp 1514 - 1529 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] carte géomorphologique [Termes descripteurs IGN] classification barycentrique [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] classification par maximum de vraisemblance [Termes descripteurs IGN] classification par séparateurs à vaste marge [Termes descripteurs IGN] dune [Termes descripteurs IGN] image Landsat [Termes descripteurs IGN] image multitemporelle [Termes descripteurs IGN] littoral [Termes descripteurs IGN] Maroc [Termes descripteurs IGN] sable [Termes descripteurs IGN] vent de sable Résumé : (auteur) Numéro de notice : A2019-511 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2018.1493154 date de publication en ligne : 07/09/2018 En ligne : https://doi.org/10.1080/10106049.2018.1493154 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93820 [article]

Comparative analysis of the accuracy of surface soil moisture estimation from the C- and L-bands / Mohammad El Hajj in International journal of applied Earth observation and geoinformation, vol 82 (October 2019)  

Public [article]  inInternational journal of applied Earth observation and geoinformation > vol 82 (October 2019) . - 13 p. Titre : Comparative analysis of the accuracy of surface soil moisture estimation from the C- and L-bands Type de document : Article/Communication Auteurs : Mohammad El Hajj, Auteur ; Nicolas Baghdadi, Auteur ; Mehrez Zribi, Auteur Année de publication : 2019 Article en page(s) : 13 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes descripteurs IGN] analyse comparative [Termes descripteurs IGN] bande C [Termes descripteurs IGN] bande L [Termes descripteurs IGN] humidité du sol [Termes descripteurs IGN] image ALOS-PALSAR [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] image Sentinel-SAR [Termes descripteurs IGN] Normalized Difference Vegetation Index [Termes descripteurs IGN] réseau neuronal artificiel [Termes descripteurs IGN] surface cultivée Résumé : (auteur) Surface soil moisture (SSM) estimation is of great importance in several areas, such as hydrology, agriculture and risk assessment. C-band SAR (synthetic aperture radar) data have been widely used to estimate SSM, whereas few studies have been performed using L-band SAR due to the low availability of L-band SAR data. In this context, the objective of the present paper is to compare the SSM estimation potentials of the C- (Sentinel-1) and L-bands (PALSAR) for wheat and grassland plots. The inversion approach developed in this study uses neural networks to invert the SAR signal and estimate the SSM. For each radar frequency, the developed neural networks were trained using the following as an input vector: SAR incidence angle, SAR polarization (VV for the C-band and HH for the L-band), and NDVI from optical images. Artificial Neural networks (ANNs) were developed and validated using synthetic and real databases. The results showed that the L-band provided slightly less accurate SSM estimates than the C-band. Moreover, the results showed that the accuracies of the SSM estimates for both frequencies strongly depended on the soil roughness (Hrms) and SSM values. From the synthetic database at SSM values less than 25 vol.%, the ANNs underestimated the SSM for Hrms values less than 1.5 cm and overestimated the SSM for Hrms values greater than 1.5 cm. In addition, the ANNs underestimated the SSM value regardless of the Hrms value when the SSM value was greater than 25 vol.%. An RMSE analysis of the SSM estimates showed that the highest RMSE values were observed for the L-band regardless of the SSM value, and high RMSE values were observed for the C-band only in very wet soil conditions (SSM>25 vol.%). From the real database at NDVI values less than 0.7, the RMSE (root mean square error) of the SSM estimates was 4.6 vol.% for the C-band and 5.3 vol.% for the L-band. Most importantly, the L-band enabled the estimation of the SSM under a well-developed vegetation cover (NDVI > 0.7) with an RMSE of 6.7 vol.%, whereas the C-band SAR signal became completely attenuated for some crops when the NDVI value was greater than 0.7, and thus the estimation of SSM was impossible using the C-band. Numéro de notice : A2019-473 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern date de publication en ligne : 29/06/2019 En ligne : https://doi.org/10.1016/j.jag.2019.05.021 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93634 [article]

Traffic signal detection from in-vehicle GPS speed profiles using functional data analysis and machine learning / Yann Méneroux in International Journal of Data Science and Analytics JDSA, vol inconnu ([01/10/2019])  

Public [article]  inInternational Journal of Data Science and Analytics JDSA > vol inconnu [01/10/2019] Titre : Traffic signal detection from in-vehicle GPS speed profiles using functional data analysis and machine learning Type de document : Article/Communication Auteurs : Yann Méneroux , Auteur ; Arnaud Le Guilcher , Auteur ; Guillaume Saint Pierre, Auteur ; Mohammad Ghasemi Hamed, Auteur ; Sébastien Mustière , Auteur ; O. Orfila, Auteur Année de publication : 2019 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes descripteurs IGN] analyse fonctionnelle (mathématiques) [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] carte routière [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] contenu généré par les utilisateurs [Termes descripteurs IGN] détection d'objet [Termes descripteurs IGN] données routières [Termes descripteurs IGN] feu de circulation [Termes descripteurs IGN] inférence [Termes descripteurs IGN] reconnaissance de formes [Termes descripteurs IGN] signalisation routière [Termes descripteurs IGN] trace GPS [Termes descripteurs IGN] trafic routier [Termes descripteurs IGN] transformation en ondelettes [Termes descripteurs IGN] vitesse Résumé : (auteur) The increasing availability of large-scale global positioning system data stemming from in-vehicle-embedded terminal devices enables the design of methods deriving road network cartographic information from drivers’ recorded traces. Some machine learning approaches have been proposed in the past to train automatic road network map inference, and recently this approach has been successfully extended to infer road attributes as well, such as speed limitation or number of lanes. In this paper, we address the problem of detecting traffic signals from a set of vehicle speed profiles, under a classification perspective. Each data instance is a speed versus distance plot depicting over a hundred profiles on a 100-m-long road span. We proposed three different ways of deriving features: The first one relies on the raw speed measurements; the second one uses image recognition techniques; and the third one is based on functional data analysis. We input them into most commonly used classification algorithms, and a comparative analysis demonstrated that a functional description of speed profiles with wavelet transforms seems to outperform the other approaches with most of the tested classifiers. It also highlighted that random forests yield an accurate detection of traffic signals, regardless of the chosen feature extraction method, while keeping a remarkably low confusion rate with stop signs. Numéro de notice : A2019-497 Thématique : GEOMATIQUE Nature : Article DOI : 10.1007/s41060-019-00197-x date de publication en ligne : 04/10/2019 En ligne : https://doi.org/10.1007/s41060-019-00197-x Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93755 [article]

Using 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)  

Public [article]  inInternational journal of applied Earth observation and geoinformation > vol 82 (October 2019) . - 15 p. Titre : Using a U-net convolutional neural network to map woody vegetation extent from high resolution satellite imagery across Queensland, Australia Type de document : Article/Communication Auteurs : Neil Flood, Auteur ; Fiona Watson, Auteur ; Lisa Collett, Auteur Année de publication : 2019 Article en page(s) : 15 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] arbre (flore) [Termes descripteurs IGN] bois sur pied [Termes descripteurs IGN] Buisson [Termes descripteurs IGN] carte de la végétation [Termes descripteurs IGN] données d'apprentissage [Termes descripteurs IGN] image à haute résolution [Termes descripteurs IGN] image satellite [Termes descripteurs IGN] méthode de Monte-Carlo [Termes descripteurs IGN] mosaïque d'images [Termes descripteurs IGN] Queensland (Australie) [Termes descripteurs IGN] réseau neuronal convolutif [Termes descripteurs IGN] texture d'image Résumé : (auteur) Convolutional neural networks offer a new approach to classifying high resolution imagery. We use the U-net neural network architecture to map the presence or absence of trees and large shrubs across the Australian state of Queensland. From a state-wide mosaic of 1 m resolution 3-band Earth-i imagery, a selection of 827 squares (1 km2) are manually labeled for the presence of trees or large shrubs, and these are used to train the neural network. The training is intended to capture the textures which are primary visual cues of such vegetation. The trained neural network has an accuracy on independent data of around 90%. The resulting map over the whole of Queensland (1.73 million km2) is intended to be manually checked, and edited where necessary, to provide a high quality map of woody vegetation extent to serve a range of government policy objectives. Numéro de notice : A2019-474 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.jag.2019.101897 date de publication en ligne : 28/06/2019 En ligne : https://doi.org/10.1016/j.jag.2019.101897 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93635 [article]

Multitemporal Landsat-MODIS fusion for cropland drought monitoring in El Salvador / Nguyen-Thanh Son in Geocarto international, vol 34 n° 12 ([15/09/2019])  

Public [article]  inGeocarto international > vol 34 n° 12 [15/09/2019] . - pp 1363 - 1383 Titre : Multitemporal Landsat-MODIS fusion for cropland drought monitoring in El Salvador Type de document : Article/Communication Auteurs : Nguyen-Thanh Son, Auteur ; Chi-Farn Chen, Auteur ; Cheng-Ru Chen, Auteur ; et al., Auteur Année de publication : 2019 Article en page(s) : pp 1363 - 1383 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes descripteurs IGN] analyse spatio-temporelle [Termes descripteurs IGN] bande infrarouge [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] climat tropical [Termes descripteurs IGN] coefficient de corrélation [Termes descripteurs IGN] fusion de données [Termes descripteurs IGN] image Landsat [Termes descripteurs IGN] image MODIS [Termes descripteurs IGN] Improved Vegetation Dryness Index [Termes descripteurs IGN] saison [Termes descripteurs IGN] Salvador [Termes descripteurs IGN] sécheresse [Termes descripteurs IGN] surface cultivée [Termes descripteurs IGN] température au sol Résumé : (Auteur) This study aims to develop an approach to characterize cropland drought conditions in El Salvador, Central America. The data were processed for 2016–2017 through three main steps: (1) reconstructing MODIS land-surface temperature (LST), (2) Landsat-MODIS data fusion and (3) drought delineation using the temperature vegetation dryness index (TVDI). The results of LST reconstruction using the random forests (RF) indicated the median RMSE value of 0.5 °C. The fusion results achieved from the STARFM compared with the reference Landsat data revealed close agreement with the correlation coefficient (r) values higher than 0.84. The TVDI results verified with that from the reference Landsat data indicated r values of 0.85 and 0.75 for 2016 and 2017, respectively. The larger very dry area was observed for the 2016 primera season due to prolonged droughts. Approximately 11.5% and 10.7% of croplands were, respectively, associated with very dry moisture condition in the 2016 and 2017 primera seasons. Numéro de notice : A2019-466 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2018.1489421 date de publication en ligne : 07/09/2018 En ligne : https://doi.org/10.1080/10106049.2018.1489421 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93619 [article]

Change detection work-flow for mapping changes from arable lands to permanent grasslands with advanced boosting methods / Jiří Šandera in Geodetski vestnik, vol 63 n° 3 (September - November 2019)  

Permalink

Exploring the synergy between Landsat and ASAR towards improving thematic mapping accuracy of optical EO data / Alexander Cass in Applied geomatics, vol 11 n° 3 (September 2019)  

Permalink

Free and open-source GIS technologies for the management of woody biomass / Michele Mangiameli in Applied geomatics, vol 11 n° 3 (September 2019)  

Permalink

Mise en oeuvre d'outils open source pour le suivi opérationnel de l'occupation des sols et de la déforestation à partir des données Sentinel radar optique : études de cas en Guyane et au Togo / Cédric Lardeux in Revue Française de Photogrammétrie et de Télédétection, n° 219-220 (juin - décembre 2019)

Permalink

Polarimétrie radar complète et partielle pour le suivi des surfaces terrestres / Pierre-Louis Frison in Revue Française de Photogrammétrie et de Télédétection, n° 219-220 (juin - décembre 2019)

Permalink

A representativeness-directed approach to mitigate spatial bias in VGI for the predictive mapping of geographic phenomena / Guiming Zhang in International journal of geographical information science IJGIS, vol 33 n° 9 (September 2019)  

Permalink

Topographie et archéologie, du cordeau au tout numérique : plus de 40 ans d'interactions / Bertrand Chazaly in XYZ, n° 160 (septembre 2019)

Permalink

Individual tree crown segmentation in tropical peat swamp forest using airborne hyperspectral data / Sitinor Atikah Nordin in Geocarto international, vol 34 n° 11 ([15/08/2019])  

Permalink

Land-cover change in the Wulagai grassland, Inner Mongolia of China between 1986 and 2014 analysed using multi-temporal Landsat images / Temulun Tangud in Geocarto international, vol 34 n° 11 ([15/08/2019])  

Permalink

A generalized space-time OBIA classification scheme to map sugarcane areas at regional scale, using Landsat images time-series and the random forest algorithm / Ana Claudia Dos Santos Luciano in International journal of applied Earth observation and geoinformation, vol 80 (August 2019)  

Permalink