Descripteur
Termes descripteurs IGN > 1- Descripteurs géographiques > monde (géographie politique) > Europe (géographie politique) > Union Européenne > France (administrative) > France métropolitaine > Ile-de-France
Ile-de-France
Commentaire :
Paris (France ; région), Région parisienne (France). France (centre), France -- Régions. >>Terme(s) spécifique(s) : Essonne (France), Hauts-de-Seine (France), Paris (France), Seine-et-Marne (France), Seine-Saint-Denis (France), Val-d'Oise (France), Val-de-Marne (France), Yvelines (France), Beauce (France), Brie (France), France, Pays de (France), Hurepoix (France), Paris (France ; agglomération), Vexin français (France), Châtrais (France), Aulnaye (France), Seine-et-Oise (France), Hautil (France). Source(s) : GDEL. Synonyme(s)région parisienneVoir aussi |



Etendre la recherche sur niveau(x) vers le bas
Spatio-temporal relationship between land cover and land surface temperature in urban areas: A case study in Geneva and Paris / Xu Ge in ISPRS International journal of geo-information, vol 9 n° 10 (October 2020)
![]()
[article]
Titre : Spatio-temporal relationship between land cover and land surface temperature in urban areas: A case study in Geneva and Paris Type de document : Article/Communication Auteurs : Xu Ge, Auteur ; Dasaraden Mauree, Auteur ; Roberto Castello, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : 24 p. Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes descripteurs IGN] analyse spatio-temporelle
[Termes descripteurs IGN] espace vert
[Termes descripteurs IGN] Genève
[Termes descripteurs IGN] ilot thermique urbain
[Termes descripteurs IGN] image Landsat-8
[Termes descripteurs IGN] Normalized Difference Built-up Index
[Termes descripteurs IGN] Normalized Difference Vegetation Index
[Termes descripteurs IGN] occupation du sol
[Termes descripteurs IGN] Paris (75)
[Termes descripteurs IGN] surface imperméable
[Termes descripteurs IGN] température au sol
[Termes descripteurs IGN] variation saisonnière
[Termes descripteurs IGN] zone urbaineRésumé : (auteur) Currently, more than half of the world’s population lives in cities, which leads to major changes in land use and land surface temperature (LST). The associated urban heat island (UHI) effects have multiple impacts on energy consumption and human health. A better understanding of how different land covers affect LST is necessary for mitigating adverse impacts, and supporting urban planning and public health management. This study explores a distance-based, a grid-based and a point-based analysis to investigate the influence of impervious surfaces, green area and waterbodies on LST, from large (distance and grid based analysis with 400 m grids) to smaller (point based analysis with 30 m grids) scale in the two mid-latitude cities of Paris and Geneva. The results at large scale confirm that the highest LST was observed in the city centers. A significantly positive correlation was observed between LST and impervious surface density. An anticorrelation between LST and green area density was observed in Paris. The spatial lag model was used to explore the spatial correlation among LST, NDBI, NDVI and MNDWI on a smaller scale. Inverse correlations between LST and NDVI and MNDWI, respectively, were observed. We conclude that waterbodies display the greatest mitigation on LST and UHI effects both on the large and smaller scale. Green areas play an important role in cooling effects on the smaller scale. An increase of evenly distributed green area and waterbodies in urban areas is suggested to lower LST and mitigate UHI effects. Numéro de notice : A2020-666 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi9100593 date de publication en ligne : 10/10/2020 En ligne : https://doi.org/10.3390/ijgi9100593 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96143
in ISPRS International journal of geo-information > vol 9 n° 10 (October 2020) . - 24 p.[article]Improved crop classification with rotation knowledge using Sentinel-1 and -2 time series / Sébastien Giordano in Photogrammetric Engineering & Remote Sensing, PERS, vol 86 n° 7 (July 2020)
![]()
[article]
Titre : Improved crop classification with rotation knowledge using Sentinel-1 and -2 time series Type de document : Article/Communication Auteurs : Sébastien Giordano , Auteur ; Simon Bailly, Auteur ; Loïc Landrieu
, Auteur ; Nesrine Chehata
, Auteur
Année de publication : 2020 Projets : MAESTRIA / Mallet, Clément Article en page(s) : pp 431 - 441 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes descripteurs IGN] Alpes-de-haute-provence (04)
[Termes descripteurs IGN] chaîne de traitement
[Termes descripteurs IGN] classification par forêts aléatoires
[Termes descripteurs IGN] image Sentinel-MSI
[Termes descripteurs IGN] image Sentinel-SAR
[Termes descripteurs IGN] parcelle agricole
[Termes descripteurs IGN] photo-identification
[Termes descripteurs IGN] Seine-et-Marne (77)
[Termes descripteurs IGN] série temporelle
[Termes descripteurs IGN] surface cultivéeRésumé : (Auteur) Leveraging the recent availability of accurate, frequent, and multimodal (radar and optical) Sentinel-1 and -2 acquisitions, this paper investigates the automation of land parcel identification system (LPIS) crop type classification. Our approach allows for the automatic integration of temporal knowledge, i.e., crop rotations using existing parcel-based land cover databases and multi-modal Sentinel-1 and -2 time series. The temporal evolution of crop types was modeled with a linear-chain conditional random field, trained with time series of multimodal (radar and optical) satellite acquisitions and associated LPIS. Our model was tested on two study areas in France (≥ 1250 km2) which show different crop types, various parcel sizes, and agricultural practices: . the Seine et Marne and the Alpes de Haute-Provence classified accordingly to a fine national 25-class nomenclature. We first trained a Random Forest classifier without temporal structure to achieve 89.0% overall accuracy in Seine et Marne (10 classes) and 73% in Alpes de Haute-Provence (14 classes). We then demonstrated experimentally that taking into account the temporal structure of crop rotation with our model resulted in an increase of 3% to +5% in accuracy. This increase was especially important (+12%) for classes which were poorly classified without using the temporal structure. A stark positive impact was also demonstrated on permanent crops, while it was fairly limited or even detrimental for annual crops. Numéro de notice : A2020-382 Affiliation des auteurs : LaSTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.86.7.431 date de publication en ligne : 01/07/2020 En ligne : https://doi.org/10.14358/PERS.86.7.431 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95428
in Photogrammetric Engineering & Remote Sensing, PERS > vol 86 n° 7 (July 2020) . - pp 431 - 441[article]Réservation
Réserver ce documentExemplaires (1)
Code-barres Cote Support Localisation Section Disponibilité 105-2020071 SL Revue Centre de documentation Revues en salle Disponible 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)
![]()
[article]
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 socialRésumé : (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 Affiliation des auteurs : non IGN 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
in International journal of geographical information science IJGIS > vol 34 n° 6 (June 2020) . - pp 1117 - 1136[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)
![]()
[article]
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 tamponRésumé : (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 Affiliation des auteurs : non IGN 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
in Sciences, eaux & territoires > article hors-série n° 65 (mai 2020)[article]Street-Frontage-Net: urban image classification using deep convolutional neural networks / Stephen Law in International journal of geographical information science IJGIS, vol 34 n° 4 (April 2020)
![]()
[article]
Titre : Street-Frontage-Net: urban image classification using deep convolutional neural networks Type de document : Article/Communication Auteurs : Stephen Law, Auteur ; Chanuki Illushka Seresinhe, Auteur ; Yao Shen, Auteur Année de publication : 2020 Article en page(s) : pp 681- 707 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes descripteurs IGN] apprentissage profond
[Termes descripteurs IGN] classification par réseau neuronal convolutif
[Termes descripteurs IGN] espace public
[Termes descripteurs IGN] évaluation foncière
[Termes descripteurs IGN] extraction de données
[Termes descripteurs IGN] façade
[Termes descripteurs IGN] habitat urbain
[Termes descripteurs IGN] image Streetview
[Termes descripteurs IGN] immobilier (secteur)
[Termes descripteurs IGN] information géographique
[Termes descripteurs IGN] Londres
[Termes descripteurs IGN] matrice de confusion
[Termes descripteurs IGN] Paris (75)
[Termes descripteurs IGN] paysage urbain
[Termes descripteurs IGN] urbanisme
[Termes descripteurs IGN] vision par ordinateurRésumé : (auteur) Quantifying aspects of urban design on a massive scale is crucial to help develop a deeper understanding of urban designs elements that contribute to the success of a public space. In this study, we further develop the Street-Frontage-Net (SFN), a convolutional neural network (CNN) that can successfully evaluate the quality of street frontage as either being active (frontage containing windows and doors) or blank (frontage containing walls, fences and garages). Small-scale studies have indicated that the more active the frontage, the livelier and safer a street feels. However, collecting the city-level data necessary to evaluate street frontage quality is costly. The SFN model uses a deep CNN to classify the frontage of a street. This study expands on the previous research via five experiments. We find robust results in classifying frontage quality for an out-of-sample test set that achieves an accuracy of up to 92.0%. We also find active frontages in a neighbourhood has a significant link with increased house prices. Lastly, we find that active frontage is associated with more scenicness compared to blank frontage. While further research is needed, the results indicate the great potential for using deep learning methods in geographic information extraction and urban design. Numéro de notice : A2020-110 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2018.1555832 date de publication en ligne : 26/12/2018 En ligne : https://doi.org/10.1080/13658816.2018.1555832 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94712
in International journal of geographical information science IJGIS > vol 34 n° 4 (April 2020) . - pp 681- 707[article]Mise en place d'un nouveau protocole relatif à la mise à jour de données géographiques produites par les Directions du Département des Hauts-de-Seine dans le SIG départemental / Gabriel Dousseau (2020)
PermalinkPratique des relevés en zones urbaines denses intégrant les nouvelles technologies / Théo Laporte (2020)
PermalinkPermalinkA spatio-temporal web-application for the understanding of the formation of the Parisian metropolis / Emile Blettery (2020)
PermalinkPermalinkMapping urban fingerprints of odonyms automatically extracted from French novels / Ludovic Moncla in International journal of geographical information science IJGIS, vol 33 n° 12 (December 2019)
PermalinkPermalinkStructural segmentation and classification of mobile laser scanning point clouds with large variations in point density / Yuan Li in ISPRS Journal of photogrammetry and remote sensing, vol 153 (July 2019)
PermalinkPermalinkApports des SIG pour la restitution de quelques éléments du paysage à Paris / Léa Hermenault in Cartes & Géomatique, n° 238 (Décembre 2018)
Permalink