Centre dedocumentation
scientifique

Fine-grained landuse characterization using ground-based pictures: a deep learning solution based on globally available data / Shivangi Srivastava in International journal of geographical information science IJGIS, vol 34 n° 6 (June 2020)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 34 n° 6 (June 2020) . - pp 1117 - 1136 Titre : Fine-grained landuse characterization using ground-based pictures: a deep learning solution based on globally available data Type de document : Article/Communication Auteurs : Shivangi Srivastava, Auteur ; John E. Vargas-Muñoz, Auteur ; Sylvain Lobry, Auteur ; Devis Tuia, Auteur Année de publication : 2020 Article en page(s) : pp 1117 - 1136 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] analyse d'image orientée objet [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] base de données urbaines [Termes descripteurs IGN] carte d'occupation du sol [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] données localisées des bénévoles [Termes descripteurs IGN] données localisées libres [Termes descripteurs IGN] Ile-de-France [Termes descripteurs IGN] image Streetview [Termes descripteurs IGN] image terrestre [Termes descripteurs IGN] information géographique [Termes descripteurs IGN] méthode heuristique [Termes descripteurs IGN] OpenStreetMap [Termes descripteurs IGN] réseau social Résumé : (auteur) We study the problem of landuse characterization at the urban-object level using deep learning algorithms. Traditionally, this task is performed by surveys or manual photo interpretation, which are expensive and difficult to update regularly. We seek to characterize usages at the single object level and to differentiate classes such as educational institutes, hospitals and religious places by visual cues contained in side-view pictures from Google Street View (GSV). These pictures provide geo-referenced information not only about the material composition of the objects but also about their actual usage, which otherwise is difficult to capture using other classical sources of data such as aerial imagery. Since the GSV database is regularly updated, this allows to consequently update the landuse maps, at lower costs than those of authoritative surveys. Because every urban-object is imaged from a number of viewpoints with street-level pictures, we propose a deep-learning based architecture that accepts arbitrary number of GSV pictures to predict the fine-grained landuse classes at the object level. These classes are taken from OpenStreetMap. A quantitative evaluation of the area of Île-de-France, France shows that our model outperforms other deep learning-based methods, making it a suitable alternative to manual landuse characterization. Numéro de notice : A2020-269 Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2018.1542698 date de publication en ligne : 18/11/2018 En ligne : https://doi.org/10.1080/13658816.2018.1542698 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95041 [article]

Comment cartographier l’occupation du sol en vue de modéliser les réseaux écologiques ? Méthodologie générale et cas d’étude en Île-de-France / Chloé Thierry in Sciences, eaux & territoires, article hors-série n° 65 (mai 2020)  

Public [article]  inSciences, eaux & territoires > article hors-série n° 65 (mai 2020) Titre : Comment cartographier l’occupation du sol en vue de modéliser les réseaux écologiques ? Méthodologie générale et cas d’étude en Île-de-France Type de document : Article/Communication Auteurs : Chloé Thierry, Auteur ; Nicolas Lesieur-Maquin, Auteur ; Cindy Fournier, Auteur ; et al., Auteur Année de publication : 2020 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Cartographie [Termes descripteurs IGN] aide à la décision [Termes descripteurs IGN] base de données cartographiques [Termes descripteurs IGN] BD ortho [Termes descripteurs IGN] BD Topo [Termes descripteurs IGN] biodiversité [Termes descripteurs IGN] carte d'occupation du sol [Termes descripteurs IGN] couche thématique [Termes descripteurs IGN] données écologiques [Termes descripteurs IGN] écosystème [Termes descripteurs IGN] Ile-de-France [Termes descripteurs IGN] SCAN25 [Termes descripteurs IGN] théorie des graphes [Termes descripteurs IGN] trame verte et bleue [Termes descripteurs IGN] zone tampon Résumé : (éditeur) Une cartographie de l’occupation du sol est souvent essentielle aux décideurs et gestionnaires d’espace pour appréhender les enjeux de maintien et de restauration des continuités écologiques favorables au maintien de la biodiversité. Dans cet article, les auteurs présentent une démarche méthodologique qui, à partir des différentes bases de données cartographiques disponibles, a permis de réaliser une cartographie précise de l’occupation du sol pour mieux étudier la connectivité des espaces naturels sur le territoire fortement urbanisé de la région Île-de-France. Numéro de notice : A2020-353 Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtSansCL DOI : 10.14758/SET-REVUE.2020.HS.05 date de publication en ligne : 01/05/2020 En ligne : http://www.set-revue.fr/sites/default/files/articles/pdf/set-revue-cartographie- [...] Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95237 [article]

A discriminative tensor representation model for feature extraction and classification of multispectral LiDAR data / Qingwang Wang in IEEE Transactions on geoscience and remote sensing, vol 58 n° 3 (March 2020)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 58 n° 3 (March 2020) . - pp 1568 -1586 Titre : A discriminative tensor representation model for feature extraction and classification of multispectral LiDAR data Type de document : Article/Communication Auteurs : Qingwang Wang, Auteur ; Yanfeng Gu, Auteur Année de publication : 2020 Article en page(s) : pp 1568 -1586 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] Amérique du nord [Termes descripteurs IGN] analyse discriminante [Termes descripteurs IGN] calcul tensoriel [Termes descripteurs IGN] carte d'occupation du sol [Termes descripteurs IGN] classification multibande [Termes descripteurs IGN] classification par séparateurs à vaste marge [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] état de l'art [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] image multibande [Termes descripteurs IGN] modèle géométrique [Termes descripteurs IGN] semis de points [Termes descripteurs IGN] tenseur [Termes descripteurs IGN] vectorisation [Termes descripteurs IGN] voisinage (topologie) Résumé : (Auteur) Multispectral light detection and ranging (MS-LiDAR) systems open the door to the possibility in the 3-D land cover classification at a finer scale using only point cloud data. This article proposes a model based on the tensor representation for multispectral point cloud classification. The proposed method combines the 3-D local spatial structure of each multispectral point by characterizing the point with a second-order tensor. The first mode of the tensor indicates the spatial location and spectral information of each point (i.e., the row of the second-order tensor) and the second mode denotes the neighborhood geometric and spectral structures (i.e., the column of the second-order tensor). Then we develop a novel tensor manifold discriminant embedding (TMDE) algorithm to extract the geometric–spectral features for multispectral point clouds classification. TMDE solves the mapping matrices of each mode by preserving the intraclass samples’ distribution further making it more compact and maximizing the distance of different classes. Finally, the support vector machine classifier with the extracted features as input is used to implement the classification of multispectral point clouds. Experiments are conducted on two real multispectral point cloud data sets. The experimental results demonstrate that the proposed method can achieve significant improvements in classification accuracies in comparison with several state-of-the-art algorithms. Numéro de notice : A2020-086 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2019.2947081 date de publication en ligne : 30/10/2019 En ligne : https://doi.org/10.1109/TGRS.2019.2947081 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94660 [article]

Classification of time series of Sentinel-2 images for large scale mapping in Cameroon / Hermann Tagne (2020)  

Public Titre : Classification of time series of Sentinel-2 images for large scale mapping in Cameroon Type de document : Article/Communication Auteurs : Hermann Tagne, Auteur ; Arnaud Le Bris , Auteur ; David Monkam, Auteur ; Clément Mallet , Auteur Congrès : Congrès: ISPRS 2020, virtual Congress Imaging today foreseeing tomorrow (31 aout - 2 septembre 2020; Nice, France), Commanditaire Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2020 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. XLIII-B3 Projets : TOSCA Parcelle / Le Bris, Arnaud Importance : pp 633 - 640 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] Cameroun [Termes descripteurs IGN] carte d'occupation du sol [Termes descripteurs IGN] classification [Termes descripteurs IGN] image optique [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] mise à jour de base de données [Termes descripteurs IGN] série temporelle Résumé : (auteur) Sentinel-2 satellites provide dense image time series exhibiting high spectral, spatial and temporal resolution. These images are in particular of utter interest to map Land-Cover (LC) at large scale. LC maps can now be computed on a yearly basis at the scale of a country with efficient supervised classifiers, assuming suitable training data are available. However, the efficient exploitation of large amount of Sentinel-2 imagery still remain challenging on unexplored areas where state-of-the-art classifiers are prone to fail. This paper focuses on Land-Cover mapping over Cameroon for the purpose of updating the national topographic geodatabase. The ι2 framework is adopted and tested for the specificity of the country. Here, experiments focus on generic classes (five) which enables providing robust focusing masks for higher resolution classifications. Two strategies are compared: (i) a LC map is calculated out of a year long time series and (ii) monthly LC maps are generated and merged into a single yearly map. Satisfactory accuracy scores are obtained, allowing to provide a first step towards finer-grained map retrieval. Numéro de notice : C2020-006 Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B3-2020-633-2020 date de publication en ligne : 21/08/2020 En ligne : https://doi.org/10.5194/isprs-archives-XLIII-B3-2020-633-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95656

Current challenges in operational very high resolution land-cover mapping / Clément Mallet (2020)  

Public Titre : Current challenges in operational very high resolution land-cover mapping Type de document : Article/Communication Auteurs : Clément Mallet , Auteur ; Arnaud Le Bris , Auteur Congrès : Congrès: ISPRS 2020, virtual Congress Imaging today foreseeing tomorrow (31 aout - 2 septembre 2020; Nice, France), Commanditaire Editeur : International Society for Photogrammetry and Remote Sensing ISPRS Année de publication : 2020 Collection : International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, ISSN 1682-1750 num. XLIII-B2 Projets : MAESTRIA / Mallet, Clément Importance : pp 703 - 710 Format : 21 x 30 cm Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image [Termes descripteurs IGN] base de données d'occupation du sol [Termes descripteurs IGN] carte d'occupation du sol [Termes descripteurs IGN] chaîne de traitement [Termes descripteurs IGN] image à très haute résolution Résumé : (auteur) Many land-cover products have been made available for a large range of end-users over the last ten years, even at global scales. In particular, remote sensing data analysis has proved to be the most feasible solution for automation purposes, at multiple spatial scales. However, current solutions are not sufficient for designing better products, adapted to real-case applications, operational constraints, and the generation of services, built upon these core layers. In this paper, we review the main requirements and the recent changes in remote sensing for the specific case of very high resolution land-cover mapping. We also comment current and evaluate challenges for the optimal exploitation of Earth Observation images with the aim of automatically generating maps tailored to specific end-users’ needs. We advocate for more challenging large-scale benchmarks and for human-in-the-loop solutions. Numéro de notice : C2020-007 Thématique : IMAGERIE/INFORMATIQUE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.5194/isprs-archives-XLIII-B2-2020-703-2020 date de publication en ligne : 21/08/2020 En ligne : https://doi.org/10.5194/isprs-archives-XLIII-B2-2020-703-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95657

Remote Sensing Applications for Agriculture and Crop Modelling / Piero Toscano (2020)  

Permalink

Very high resolution land cover mapping of urban areas at global scale with convolutional neural network / Thomas Tilak (2020)  

Permalink

An approach for establishing correspondence between OpenStreetMap and reference datasets for land use and land cover mapping / Qi Zhou in Transactions in GIS, Vol 23 n° 6 (November 2019)  

Permalink

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

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

Evaluating metrics derived from Landsat 8 OLI imagery to map crop cover / Rei Sonobe in Geocarto international, vol 34 n° 8 ([15/06/2019])  

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 - octobre 2019)  

Permalink

Synergetic efficiency of Lidar and WorldView-2 for 3D urban cartography in Northeast Mexico / Fabiola D. Yepez-Rincon in Geocarto international, vol 34 n° 2 ([01/02/2019])  

Permalink

Ailanthus altissima mapping from multi-temporal very high resolution satellite images / Cristina Tarantino in ISPRS Journal of photogrammetry and remote sensing, vol 147 (January 2019)  

Permalink