Centre dedocumentation
scientifique

Spatial-temporal variation of satellite-based gross primary production estimation in wheat-maize rotation area during 2000–2015 / Wenquan Xie in Geocarto international, vol 37 n° 9 ([15/05/2022])  

Public [article]  inGeocarto international > vol 37 n° 9 [15/05/2022] . - pp 2506 - 2523 Titre : Spatial-temporal variation of satellite-based gross primary production estimation in wheat-maize rotation area during 2000–2015 Type de document : Article/Communication Auteurs : Wenquan Xie, Auteur ; Huini Wang, Auteur ; Hong Chi, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 2506 - 2523 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] blé (céréale) [Termes IGN] Chine [Termes IGN] image Terra-MODIS [Termes IGN] maïs (céréale) [Termes IGN] photosynthèse [Termes IGN] production primaire brute [Termes IGN] rotation de culture [Termes IGN] série temporelle [Termes IGN] variation temporelle Résumé : (auteur) North China Plain is the largest agricultural production center in China and wheat-maize rotation is a widespread cultivation practice in this area. As gross primary production (GPP) is a proxy of land productivity, research on its spatial-temporal dynamics helps understand the variation of grain production in wheat-maize rotation. Here, Moderate Resolution Imaging Spectroradiometer (MODIS) data and ground observation data were combined to drive Vegetation Photosynthesis Model (VPM) in GPP estimation over wheat-maize rotation area during 2000–2015. Annual GPP has increased by 540.95 g C m−2 year−1 from 2000 to 2015, while total annual GPP has grown ∼150% than that of 2000. Moreover, annual GPP showed an increasing trend in the consecutively wheat-maize rotation area between 2000 and 2015. A strong linear relationship between GPP estimates and grain production demonstrated the potential of using VPM model to evaluate grain production in wheat-maize rotation area of Henan province, China. Numéro de notice : A2022-566 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2020.1822928 Date de publication en ligne : 24/09/2020 En ligne : https://doi.org/10.1080/10106049.2020.1822928 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101249 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
059-2022091	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Parcel-based summer maize mapping and phenology estimation combined using Sentinel-2 and time series Sentinel-1 data / Yanyan Wang in International journal of applied Earth observation and geoinformation, vol 108 (April 2022)  

Public [article]  inInternational journal of applied Earth observation and geoinformation > vol 108 (April 2022) . - n° 102720 Titre : Parcel-based summer maize mapping and phenology estimation combined using Sentinel-2 and time series Sentinel-1 data Type de document : Article/Communication Auteurs : Yanyan Wang, Auteur ; Shenghui Fang, Auteur ; Lingli Zhao, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n° 102720 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] carte de la végétation [Termes IGN] Chine [Termes IGN] croissance végétale [Termes IGN] données spatiotemporelles [Termes IGN] image Sentinel-MSI [Termes IGN] image Sentinel-SAR [Termes IGN] maïs (céréale) [Termes IGN] mesure de similitude [Termes IGN] phénologie [Termes IGN] saison [Termes IGN] segmentation d'image [Termes IGN] série temporelle [Termes IGN] surface cultivée Résumé : (auteur) This study aims to map the planting area of summer maize and estimate the spatiotemporal phenology information with parcel-based classification method through integration of Sentinel-1/2 data in Jiaozuo located in North China Plain. For the maize mapping, the combination of Sentinel-1/2 data with the parcel-based method has the highest classification accuracy, suggesting that the integration of Sentinel-1/2 data with parcel-based method has great potential for regional maize mapping. For the estimation of maize phenology, the dynamic threshold method is used to extract the tasseling and milk ripening date through the time series σ0VH. In order to reduce the influence of precipitation or irrigation on SAR data, a Local Minimum Value Composite (LMVC) method is proposed to filter the original time series SAR data. The systematic phenology estimation method mainly includes LMVC, S-G filtering, Fourier curve fitting and dynamic threshold points extracting. Compared with the actual phenology date by field investigation, the errors of estimated tasseling and milk ripening date are 4.3 days and 5.5 days respectively, indicating that the time series σ0VH derived from the SAR data has great potential in spatiotemporal phenology estimation of field maize. Finally, the scattering mechanism of the maize field to C-band microwave in different growth periods was analyzed. It was also found that the phenology of maize was delayed in the coal mining subsidence areas and the areas with insufficient field management. Numéro de notice : A2022-232 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.jag.2022.102720 Date de publication en ligne : 24/02/2022 En ligne : https://doi.org/10.1016/j.jag.2022.102720 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100121 [article]

Geoglam, l'agriculture par satellite / Laurent Polidori in Géomètre, n° 2194 (septembre 2021)

Public [article]  inGéomètre > n° 2194 (septembre 2021) . - pp 17 - 17 Titre : Geoglam, l'agriculture par satellite Type de document : Article/Communication Auteurs : Laurent Polidori, Auteur Année de publication : 2021 Article en page(s) : pp 17 - 17 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] blé (céréale) [Termes IGN] carte d'occupation du sol [Termes IGN] Glycine max [Termes IGN] image à haute résolution [Termes IGN] Leaf Area Index [Termes IGN] maïs (céréale) [Termes IGN] modèle dynamique [Termes IGN] Normalized Difference Vegetation Index [Termes IGN] observation de la Terre [Termes IGN] Oryza (genre) [Termes IGN] série temporelle [Termes IGN] surface cultivée Résumé : (Auteur) Des satellites pour la sécurité alimentaire et la transparence du marché agricole Numéro de notice : A2021-579 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtSansCL DOI : sans Date de publication en ligne : 13/09/2021 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98400 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
063-2021081	RAB	Revue	Centre de documentation	En réserve L003	Disponible

A CNN approach to simultaneously count plants and detect plantation-rows from UAV imagery / Lucas Prado Osco in ISPRS Journal of photogrammetry and remote sensing, vol 174 (April 2021)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 174 (April 2021) . - pp 1 - 17 Titre : A CNN approach to simultaneously count plants and detect plantation-rows from UAV imagery Type de document : Article/Communication Auteurs : Lucas Prado Osco, Auteur ; Mauro Dos Santos de Arruda, Auteur ; Diogo Nunes Gonçalves, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 1 - 17 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] apprentissage profond [Termes IGN] carte agricole [Termes IGN] Citrus sinensis [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] comptage [Termes IGN] cultures [Termes IGN] détection d'objet [Termes IGN] extraction de la végétation [Termes IGN] gestion durable [Termes IGN] image captée par drone [Termes IGN] maïs (céréale) [Termes IGN] rendement agricole Résumé : (auteur) Accurately mapping croplands is an important prerequisite for precision farming since it assists in field management, yield-prediction, and environmental management. Crops are sensitive to planting patterns and some have a limited capacity to compensate for gaps within a row. Optical imaging with sensors mounted on Unmanned Aerial Vehicles (UAV) is a cost-effective option for capturing images covering croplands nowadays. However, visual inspection of such images can be a challenging and biased task, specifically for detecting plants and rows on a one-step basis. Thus, developing an architecture capable of simultaneously extracting plant individually and plantation-rows from UAV-images is yet an important demand to support the management of agricultural systems. In this paper, we propose a novel deep learning method based on a Convolutional Neural Network (CNN) that simultaneously detects and geolocates plantation-rows while counting its plants considering highly-dense plantation configurations. The experimental setup was evaluated in (a) a cornfield (Zea mays L.) with different growth stages (i.e. recently planted and mature plants) and in a (b) Citrus orchard (Citrus Sinensis Pera). Both datasets characterize different plant density scenarios, in different locations, with different types of crops, and from different sensors and dates. This scheme was used to prove the robustness of the proposed approach, allowing a broader discussion of the method. A two-branch architecture was implemented in our CNN method, where the information obtained within the plantation-row is updated into the plant detection branch and retro-feed to the row branch; which are then refined by a Multi-Stage Refinement method. In the corn plantation datasets (with both growth phases – young and mature), our approach returned a mean absolute error (MAE) of 6.224 plants per image patch, a mean relative error (MRE) of 0.1038, precision and recall values of 0.856, and 0.905, respectively, and an F-measure equal to 0.876. These results were superior to the results from other deep networks (HRNet, Faster R-CNN, and RetinaNet) evaluated with the same task and dataset. For the plantation-row detection, our approach returned precision, recall, and F-measure scores of 0.913, 0.941, and 0.925, respectively. To test the robustness of our model with a different type of agriculture, we performed the same task in the citrus orchard dataset. It returned an MAE equal to 1.409 citrus-trees per patch, MRE of 0.0615, precision of 0.922, recall of 0.911, and F-measure of 0.965. For the citrus plantation-row detection, our approach resulted in precision, recall, and F-measure scores equal to 0.965, 0.970, and 0.964, respectively. The proposed method achieved state-of-the-art performance for counting and geolocating plants and plant-rows in UAV images from different types of crops. The method proposed here may be applied to future decision-making models and could contribute to the sustainable management of agricultural systems. Numéro de notice : A2021-205 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2021.01.024 Date de publication en ligne : 13/02/2021 En ligne : https://doi.org/10.1016/j.isprsjprs.2021.01.024 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97171 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2021041	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2021043	DEP-RECP	Revue	LASTIG	Dépôt en unité	Exclu du prêt
081-2021042	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Apport des données satellitaires Sentinel-1 et Sentinel-2 pour la détection des surfaces irriguées et l'estimation des besoins et des consommations en eau des cultures d'été dans les zones tempérées / Yann Pageot (2021)  

Public Titre : Apport des données satellitaires Sentinel-1 et Sentinel-2 pour la détection des surfaces irriguées et l'estimation des besoins et des consommations en eau des cultures d'été dans les zones tempérées Type de document : Thèse/HDR Auteurs : Yann Pageot, Auteur ; Valérie Demarez, Directeur de thèse Editeur : Toulouse : Université de Toulouse 3 Paul Sabatier Année de publication : 2021 Importance : 158 p. Format : 21 x 30 cm Note générale : bibliographie Thèse en vue de l'obtention du Doctorat de l'Université de Toulouse, spécialité Surfaces et interfaces continentales, Hydrologie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] Adour (bassin) [Termes IGN] bassin hydrographique [Termes IGN] bilan hydrique [Termes IGN] carte thématique [Termes IGN] cultures irriguées [Termes IGN] évapotranspiration [Termes IGN] image Sentinel-MSI [Termes IGN] image Sentinel-SAR [Termes IGN] irrigation [Termes IGN] maïs (céréale) [Termes IGN] Normalized Difference Vegetation Index [Termes IGN] pédologie [Termes IGN] ressources en eau Index. décimale : THESE Thèses et HDR Résumé : (auteur) L’eau est une ressource naturelle, qui depuis des millions d’années participe au cycle de la vie. Mais depuis peu, le changement climatique et les activités humaines remettent en cause l’équilibre du cycle de l’eau, alors même que les besoins en eau ne cessent d’augmenter. En effet, les besoins en eau de l’agriculture représentent 70% de l’utilisation de l’eau douce et ces besoins vont croître avec une population mondiale grandissante. Pour préserver cette ressource, il est nécessaire d’améliorer la connaissance sur les surfaces irriguées ainsi que les besoins et consommations en eau des cultures sur de grandes surfaces, mais elle n’est pas simple à appréhender à cause de la forte variabilité spatiale des sols, du climat et des pratiques agricoles. La télédétection a un rôle fondamental à jouer et plus particulièrement les données Sentinel-1 et Sentinel-2. Dans ce contexte, ces travaux de thèse ont vocation à fournir des outils de diagnostics pour assurer une gestion optimale de la ressource en eau à l’échelle des bassins versants. Pour cela une approche cartographie des surfaces irriguées en zones tempérées à partir d’images satellites Sentinel-1 & 2 a été développée. Cette approche basée sur le couplage de données satellitaires (optique et radar) et un algorithme de classification supervisée (Random Forest) a permis de cartographier à l’échelle parcellaire les pratiques d’irrigation (présence / absence) des cultures d’été sur deux territoires du bassin versant de l’Adour - Garonne (Adour amont et Tarn aval). La méthodologie a pu être validée grâce aux données collectées par les partenaires, soit la CACG, et les chambres d’Agriculture Hautes-Pyrénéens et du Tarn. En parallèle, la méthode a été développée dans un but opérationnel, en prenant en compte les contraintes techniques que les gestionnaires de la ressource en eau peuvent rencontrer face à la quantité importante de données que représentent les images satellitaires. Pour cela, l’approche développée se base sur les cumuls mensuels d’indices de végétation et des polarisations radars. L’utilisation de ces cumuls permet de réduire l’utilisation de la ressource informatique, pour générer une carte, tout en conservant les performances de l’approche. Pour la modélisation des besoins et des consommations en eau du maïs irrigué, le modèle SAMIR a été utilisé. Ce modèle utilise des images satellites d’indice de végétation (NDVI et FCover) pour simuler le bilan hydrique de culture. Il a été appliqué à différentes échelles spatiales et sur différents jeux de données de validation. Le modèle a été calibré et validé sur la parcelle expérimentale de Lamothe pour laquelle nous disposons, depuis 2008, de mesures d’évapotranspiration réelle (ETR) acquises par la méthode d’Eddy-Covariance. Cette phase de calibration/validation a permis d’apporter des modifications sur l’estimation de l’évaporation du sol et sur le suivi du développement de la végétation. Les estimations des besoins en eau ont ensuite été validés sur un ensemble de parcelles ainsi que sur quatre périmètres irrigués (ASA) et deux périmètres élémentaires (BV Adour amont et Neste). Les résultats montrent que le modèle est capable de reproduire de façon satisfaisante les besoins en eau d’irrigation des parcelles des partenaires lorsque la réserve utile du sol (RU) est estimée à partir de données GlobalSoilMap et de la profondeur d’enracinement maximale estimée par le Référentiel Régional Pédologique. A l’échelle des ASA et des BV, le modèle a tendance à sous-estimer les volumes saisonniers. Les résultats illustrent la nécessité d’une bonne estimation de la RU, à une échelle compatible avec une approche de modélisation du bilan hydrique, c’est à dire à la parcelle pour pouvoir estimer correctement les irrigations saisonnières et les volumes. Ces conclusions sont toutefois dépendantes du jeu de données disponible, du modèle et de la méthode de calibration choisie et ce travail nécessiterait un jeu de données plus conséquent et probablement une analyse plus poussée. Note de contenu : 1- Introduction 2- Présentation des données 3- Détection des surfaces irriguées 4- Estimation des besoins et cosommation en eau du maïs irrigué 5- Conclusion et perspectives Numéro de notice : 24068 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Surfaces et interfaces continentales, Hydrologie : Toulouse 3 : 2021 Organisme de stage : CESBIO DOI : sans En ligne : https://www.theses.fr/2021TOU30281 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102105

Apport de la télédétection pour la simulation spatialisée des composantes du bilan carbone des cultures et des effets d'atténuation biogéochimiques et biogéophysiques des cultures intermédiaires / Gaétan Pique (2021)  

Permalink

Stem-leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data / Shichao Jin in IEEE Transactions on geoscience and remote sensing, vol 57 n° 3 (March 2019)  

Permalink

Close-range hyperspectral image analysis for the early detection of stress responses in individual plants in a high-throughput phenotyping platform / Mohd Shahrimie Mohd Asaari in ISPRS Journal of photogrammetry and remote sensing, vol 138 (April 2018)  

Permalink

Understanding the temporal behavior of crops using Sentinel-1 and Sentinel-2-like data for agricultural applications / Amanda Veloso in Remote sensing of environment, vol 199 (15 September 2017)  

Permalink

Télédétection pour l'agriculture de précision par caméra hyperspectrale miniature / D. Constantin in Géomatique suisse, vol 113 n° 9 (septembre 2015)

Permalink

Impact of diurnal variation in vegetation water content on radar backscatter from maize during water stress / Tim Van Emmerik in IEEE Transactions on geoscience and remote sensing, vol 53 n° 7 (July 2015)    

Permalink

Effect of corn on C-an L-band radar backscatter: a correction method for soil moisture retrieval / A. Joseph in Remote sensing of environment, vol 114 n° 11 (15/11/2010)  

Permalink

Applications of photogrammetric processing using an autonomous model helicopter / Henri Eisenbeiss in Revue Française de Photogrammétrie et de Télédétection, n° 185 (Mars 2007)

Permalink

Soil moisture mapping and AMSR-E validation using the PSR in SMEX02 / R. Bindlish in Remote sensing of environment, vol 103 n° 2 (30/07/2006)  

Permalink

Analysis of land use drivers at the watershed and household level: Linking two paradigms at the Philippine forest fringe / K.P. Overmars in International journal of geographical information science IJGIS, vol 19 n° 2 (february 2005)  

Permalink