Descripteur
Termes IGN > mathématiques > statistique mathématique > analyse de données > classification > classification dirigée
classification dirigéeSynonyme(s)classification superviséeVoir aussi |
Documents disponibles dans cette catégorie (447)
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
Evaluation du potentiel des series d’images multi-temporelles optique et radar des satellites Sentinel 1 & 2 pour le suivi d’une zone côtière en contexte tropical: cas de l’estuaire du Cameroun pour la période 2015-2020 / Nourdi Njutapvoui in Revue Française de Photogrammétrie et de Télédétection, n° 223 (mars - décembre 2021)
[article]
Titre : Evaluation du potentiel des series d’images multi-temporelles optique et radar des satellites Sentinel 1 & 2 pour le suivi d’une zone côtière en contexte tropical: cas de l’estuaire du Cameroun pour la période 2015-2020 Type de document : Article/Communication Auteurs : Nourdi Njutapvoui, Auteur ; Raphael Onguene, Auteur ; Jean-Paul Rudant , Auteur Année de publication : 2021 Article en page(s) : pp 88 - 103 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] Cameroun
[Termes IGN] carte d'occupation du sol
[Termes IGN] classification dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] données multitemporelles
[Termes IGN] écosystème
[Termes IGN] érosion côtière
[Termes IGN] estuaire
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] indice de végétation
[Termes IGN] restauration d'image
[Termes IGN] trait de côte
[Termes IGN] zone intertropicaleRésumé : (Auteur) Ce travail porte sur l’évaluation du potentiel des images multi-temporelles et multi-capteurs (optique et radar) des satellites Sentinel 1 et 2 pour la cartographie de l’occupation du sol et le suivi de l’évolution du trait de côte dans un écosystème tropical sur la période 2015 à 2020. La zone d’étude choisie est l’Estuaire du Cameroun. Cette zone représente un milieu de transition écologique majeur dans la sous-région avec la présence de réserves naturelles protégées (mangroves, forêt dense, zones humides) mais aussi une forte activité anthropique (constructions, agriculture, forêt dégradée). L’approche méthodologique a consisté en une chaine de prétraitements et d’analyses visuelles d’images, suivie d’une combinaison des bandes de chaque capteur, d’une classification supervisée Random Forest pour ébaucher une cartographie de l’occupation du sol et enfin une numérisation du trait de côte. Globalement, les résultats montrent que la classification, avec les images Sentinel 2 en utilisant 10 bandes et en ajoutant 4 indices de végétation, s’avère légèrement plus précise (95.75%) que celle issue des 13 bandes initiales (91.78%). La classification avec les seules images Sentinel 1A double polarisation (VV, VH) conduit à une précision de 78.44%. La combinaison des bandes Sentinel 2A (10 bandes et 4 indices) et Sentinel 1 améliore les résultats et conduit à une précision de 98.76%. Nos résultats montrent aussi que l’utilisation des séries chronologiques d’images multi-temporelles améliore considérablement la précision de classification par rapport à l’usage d’une seule image (mono-date), et cela pour les deux capteurs, soit un gain supplémentaire de 13% et 10% respectivement pour Sentinel-2 et Sentinel-1. Néanmoins ce gain reste faible pour les classes temporellement stables. Les résultats d’analyse de l’évolution du trait de côte montrent que l’estuaire du Cameroun est perturbé selon différents niveaux d’érosion (Cap Cameroun, Partie Nord île Manoka, embouchure de la Sanaga), et d’accrétion (Limbé, et Partie Sud île Manoka) et aussi par de faible variations internes. La fusion des données de télédétection optique et radar dans la discrimination des classes d’occupation du sol, a permis de montrer que les zones de constructions sont les plus vulnérables à l’érosion côtière. Par contre, la présence de la végétation (mangrove, forêt) stabilise et protège la côte d’éventuels risques de cette nature. Numéro de notice : A2021-665 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : 10.52638/rfpt.2021.586 Date de publication en ligne : 25/08/2021 En ligne : https://doi.org/10.52638/rfpt.2021.586 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98762
in Revue Française de Photogrammétrie et de Télédétection > n° 223 (mars - décembre 2021) . - pp 88 - 103[article]GTP-PNet: A residual learning network based on gradient transformation prior for pansharpening / Hao Zhang in ISPRS Journal of photogrammetry and remote sensing, vol 172 (February 2021)
[article]
Titre : GTP-PNet: A residual learning network based on gradient transformation prior for pansharpening Type de document : Article/Communication Auteurs : Hao Zhang, Auteur ; Jiayi Ma, Auteur Année de publication : 2021 Article en page(s) : pp 223 - 239 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] classification dirigée
[Termes IGN] fusion d'images
[Termes IGN] gradient
[Termes IGN] image multibande
[Termes IGN] image panchromatique
[Termes IGN] Normalized Difference Vegetation Index
[Termes IGN] pansharpening (fusion d'images)
[Termes IGN] régressionRésumé : (auteur) Pansharpening aims to fuse low-resolution multi-spectral image and high-resolution panchromatic (PAN) image to produce a high-resolution multi-spectral (HRMS) image. In this paper, a new residual learning network based on gradient transformation prior, termed as GTP-PNet, is proposed to generate the high-quality HRMS image with accurate spectral distribution as well as reasonable spatial structure. Different from previous deep models that only rely on supervision of the HRMS reference image, we introduce the gradient transformation prior to the deep model, so as to improve the solution accuracy. Our model consists of two networks, namely gradient transformation network (TNet) and pansharpening network (PNet). TNet is committed to seeking the nonlinear mapping between gradients of PAN and HRMS images, which is essentially a spatial relationship regression of imaging bands in different ranges. PNet is the residual learning network used to generate the HRMS image, which is not only supervised by the HRMS reference image, but also constrained by the trained TNet. As a result, the HRMS image generated by PNet not only approximates the HRMS reference image in the spectral distribution, but also conforms to the gradient transformation prior in the spatial structure. Experimental results demonstrate the significant superiority of our method over the current state-of-the-arts in terms of both subjective visual effect and quantitative metrics. We also apply our method to produce the HR normalized difference vegetation index in remote sensing, which can achieve the best performance. Moreover, our method is much competitive compared with the state-of-the-art alternatives in running efficiency. Numéro de notice : A2021-089 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2020.12.014 Date de publication en ligne : 11/01/2021 En ligne : https://doi.org/10.1016/j.isprsjprs.2020.12.014 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96859
in ISPRS Journal of photogrammetry and remote sensing > vol 172 (February 2021) . - pp 223 - 239[article]Réservation
Réserver ce documentExemplaires(2)
Code-barres Cote Support Localisation Section Disponibilité 081-2021021 SL Revue Centre de documentation Revues en salle Disponible 081-2021022 DEP-RECF Revue Nancy Bibliothèque Nancy IFN Exclu du prêt Amélioration des systèmes de suivi des cultures à l’aide de la télédétection multi-source et des techniques d’apprentissage profond / Yawogan Gbodjo (2021)
Titre : Amélioration des systèmes de suivi des cultures à l’aide de la télédétection multi-source et des techniques d’apprentissage profond Type de document : Thèse/HDR Auteurs : Yawogan Gbodjo, Auteur ; Dino Lenco, Directeur de thèse Editeur : Montpellier : Université de Montpellier Année de publication : 2021 Importance : 165 p. Format : 21 x 30 cm Note générale : bibliographie
Thèse soutenue pour obtenir le grade de Docteur en Informatique de l'Université de MontpellierLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] classification dirigée
[Termes IGN] classification par Perceptron multicouche
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] classification par réseau neuronal récurrent
[Termes IGN] image PlanetScope
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] indice de végétation
[Termes IGN] occupation du sol
[Termes IGN] production agricole
[Termes IGN] rendement agricole
[Termes IGN] série temporelle
[Termes IGN] surface cultivéeIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Les systèmes de suivi des cultures jouent un rôle essentiel dans l'évaluation de la production agricole dans le monde. De nos jours, la disponibilité de plusieurs sources d'information satellitaire à large échelle, à haute résolution spatiale et à forte répétitivité temporelle, conjointe à l'essor des techniques d'apprentissage profond, offrent de nouvelles perspectives aux systèmes de suivi des cultures pour l'évaluation de la production agricole. Dans cette thèse, nous explorons des pistes méthodologiques pour améliorer le suivi de la production agricole à partir de la télédétection multi-source et des techniques d'apprentissage profond. Nous proposons deux méthodes pour caractériser l'occupation du sol et identifier les surfaces cultivées. La première approche est basée sur des réseaux de neurones récurrents équipés de mécanismes d'attention, employant des séries temporelles multi-sources radar et optique ainsi que des connaissances spécifiques de domaine. La seconde approche repose sur des réseaux de neurones convolutifs et explore davantage la combinaison multi-source et surtout multi-échelle grâce à l'intégration d'une source optique à très haute résolution spatiale. Nous évaluons ces méthodes à des échelles territoriale et locale en ayant systématiquement un regard croisé sur des sites d'études contrastés en agriculture conventionnelle et petite agriculture familiale. Nous menons également un travail d'investigation sur l'estimation et la prévision des rendements des surfaces cultivées, à l'échelle locale de la petite agriculture familiale en employant des séries temporelles multi-sources radar et optique. Dans ce contexte en outre limité par la disponibilité de données de référence, nous évaluons le potentiel de méthodes d'apprentissage profond par rapport à des approches traditionnellement utilisées. Globalement, l'évaluation des approches proposées pour identifier les surfaces cultivées montre que les techniques d'apprentissage profond semblent mieux adaptées que les méthodes traditionnelles d'apprentissage automatique pour tirer parti de la complémentarité des données multi-sources, multi-temporelles et multi-échelles à mesure qu'il y ait une quantité suffisante de données pour leur entraînement supervisé. Le travail d'investigation réalisé pour l'estimation et la prévision des rendements n'a par contre pas révélé de plus-value manifeste dans l'emploi de ces méthodes. Dans ce dernier cas, le contexte limité en données d'entraînement semble en être la principale explication. Note de contenu : Introduction
1- Télédétection et apprentissage automatique
2- Sites d’étude et données utilisées
3- Caractérisation de l’occupation du sol
4- Suivi des rendements en petite agriculture familiale
Conclusion et PerspectivesNuméro de notice : 15240 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Montpellier : 2021 Organisme de stage : TETIS DOI : sans En ligne : https://tel.hal.science/tel-03589421/ Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=100474 Analyse de la dynamique d’embroussaillement des pelouses calcaires par traitement d’images / Théo Mesure (2021)
Titre : Analyse de la dynamique d’embroussaillement des pelouses calcaires par traitement d’images : Quelles possibilités d’automatisation ? Type de document : Mémoire Auteurs : Théo Mesure, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2021 Importance : 63 p. Format : 21 x 30 cm Note générale : Bibliographie
Rapport de projet pluridisciplinaire, cycle ING2Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse diachronique
[Termes IGN] automatisation
[Termes IGN] calcaire
[Termes IGN] carte d'occupation du sol
[Termes IGN] classification dirigée
[Termes IGN] classification orientée objet
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] espèce végétale
[Termes IGN] géoréférencement indirect
[Termes IGN] image aérienne
[Termes IGN] Moselle (57)
[Termes IGN] Orfeo Tool Box
[Termes IGN] pelouse
[Termes IGN] protection de la biodiversitéIndex. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (Auteur) L’analyse fine et régulière des pelouses calcaires est un enjeu majeur dans le cadre des missions de gestion et de suivi scientifique du Conservatoire d’Espaces Naturels de Lorraine. Les pelouses sont des milieux semi-naturels, soumis à des dynamiques d’embroussaillement fortes et rapides si elles ne sont pas gérées régulièrement. A l’heure actuelle, le suivi de cette dynamique au Conservatoire se fait par analyse diachronique des photos aériennes mises à disposition. Cette analyse est complétée par une cartographie de terrain. Réalisée à la main, cette méthode est pour l’heure assez chronophage. Les travaux effectués au cours de ce stage se positionnent donc dans la continuité de ces études. Au vu des moyens technologiques actuels, le Conservatoire s’interroge sur la possibilité d’automatiser les cartographies d’occupation du sol, afin d’évaluer l’embroussaillement sur ses différents sites. Pour répondre à cette problématique, deux méthodes de classification supervisée ont été développées. Elles suivent le même principe et ne différent que par les données qu’on leur fournie. La première traite des images disposant de canal proche-infrarouge, tandis que la deuxième méthode se concentre elle sur les images ne disposant que du spectre visible. Pour procéder à la classification, les images sont segmentées grâce à l’algorithme de ligne de partage des eaux. On extrait aussi un certain nombre d’informations, directes ou dérivées, de ces images. Les attributs calculés ici, ont été déterminés pour fournir les meilleurs résultats sur la détection des pelouses calcaires. Enfin les segments créés sont donnés au classifieur RandomForest, afin qu’il les ordonne selon un ensemble de classes définies au préalable. Avec les méthodes développées, le classifieur parvient à trouver entre 80% et 90% de vrai positifs pour le type d’arbuste ou de pelouse, selon les années et les données en entrée. Des pistes d’amélioration ont aussi été explorées, telles que l’ajout de données externes ou le lissage de carte. Le deuxième objectif de ce stage était de pouvoir transmettre les méthodes de classification développées au plus grand nombre. Pour cela, des manuels utilisateurs ont été écrits, détaillant chacune des étapes nécessaires. Ces manuels donnent aussi les clefs de compréhension nécessaires à l’analyse des résultats et des attributs produits. A l’issu de ce stage, les perspectives sont nombreuses. Une telle méthodologie offre la possibilité d’un suivi plus régulier et détaillé des sites du Conservatoire. L’utilisation d’une méthode de classification orientée-objet, permet de prendre en compte le travail des experts sur le terrain, ainsi que d’intégrer plus facilement ces données au classifieur. Un travail sur les classes est aussi envisageable : en dehors du bâti, une simplification des classes de végétation est possible, et permettrait de faciliter le travail sur les images anciennes. Pour les images actuelles, un travail sur la nomenclature pourrait être utile pour améliorer le niveau de détail de la carte. En s’appliquant par exemple à différencier arbustes bas, pelouse non-gérée et pelouse non-gérée mitée (i.e avec un début d’embroussaillement). Enfin la faible configuration machine requise, permet d’imaginer des utilisations par un nombre plus grand d’acteurs. Note de contenu : Introduction
1. Contexte et présentation du stage
1.1 Présentation de la structure
1.2 Enjeux et objectifs
1.3 Présentation des sites
1.4 Déroulement et organisation du stage
1.5 Données à disposition
2. Recherches effectuées et principe de la méthode
2.1 Recherche des outils
2.2 Principe de fonctionnement
3. Description et création des attributs et des segments
3.1 Attributs spectraux
3.2 Attributs de texture
3.3 Attributs géométriques
3.4 Création des segments
3.5 Création de statistiques
4. Classifieur utilisé
4.1 SVM et RandomForest
4.2 Arbre de décision
4.3 Construction et fonctionnement du RandomForest
4.4 Jeu d’entraînement, jeu de validation
5. Résultats
5.1 Classes retenues
5.2 Cartes d’occupation du sol, images récentes
5.3 Cartes d’occupation du sol, images anciennes
5.4 Evaluation détaillée du classifieur
5.5 Statistiques d’occupation du sol
6. Limites et améliorations
6.1 Limites de la méthode
6.2 Limites de la nomenclature
6.3 Limites sur le panchromatique
6.4 Limites sur le RVB ancien
6.5 Limites sur l’évaluation du classifieur
6.6 Limites sur le géoréférencement
6.7 Améliorations possibles
7. Mise à disposition pour les utilisateurs du CENL
7.1 Outils utilisés pour automatiser
7.2 Rédaction et contenu des manuels
7.3 Limites
ConclusionNuméro de notice : 26620 Affiliation des auteurs : non IGN Thématique : BIODIVERSITE/FORET/IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Conservatoire des Espaces Naturels de Lorraine CENL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98584 Documents numériques
peut être téléchargé
Analyse de la dynamique d’embroussaillement des pelouses calcaires par traitement d’images - pdf auteurAdobe Acrobat PDF
Titre : Artificial intelligence methods applied to urban remote sensing and GIS Type de document : Monographie Auteurs : Chang-Wook Lee, Éditeur scientifique ; Hyangsun Han, Éditeur scientifique ; Hoonyol Lee, Éditeur scientifique ; Yu-Chul Park, Éditeur scientifique Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2021 Importance : 166 p. Format : 16 x 23 cm ISBN/ISSN/EAN : 978-3-0365-1603-5 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] apprentissage profond
[Termes IGN] carte thématique
[Termes IGN] classification dirigée
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] Corée du sud
[Termes IGN] effondrement de terrain
[Termes IGN] espace vert
[Termes IGN] image à très haute résolution
[Termes IGN] image radar moirée
[Termes IGN] indice de végétation
[Termes IGN] intelligence artificielle
[Termes IGN] Jakarta (Indonésie)
[Termes IGN] méthode de Monte-Carlo
[Termes IGN] Mexique
[Termes IGN] milieu urbain
[Termes IGN] pollution des eaux
[Termes IGN] réseau local sans fil
[Termes IGN] segmentation sémantique
[Termes IGN] séisme
[Termes IGN] système d'information géographiqueRésumé : (éditeur) This book is based on Special Issue "Artificial Intelligence Methods Applied to Urban Remote Sensing and GIS" from early 2020 to 2021. This book includes seven papers related to the application of artificial intelligence, machine learning and deep learning algorithms using remote sensing and GIS techniques in urban areas. Note de contenu : 1- Improvement of earthquake risk awareness and seismic literacy of Korean citizens through earthquake vulnerability map from the 2017 Pohang earthquake, South Korea
2- Land subsidence susceptibility mapping in Jakarta using functional and meta-ensemble machine learning algorithm based on time-series InSAR data
3- Integration of InSAR time-series data and GIS to assess Llnd subsidence along subway lines in the Seoul metropolitan area, South Korea
4- Mapping urban green spaces at the metropolitan level using very high resolution satellite imagery and deep learning techniques for semantic segmentation
5- Susceptibility analysis of the Mt. Umyeon landslide area using a physical slope model and probabilistic method
6- Intelligent WSN system for water quality analysis using machine learning algorithms: A case study (Tahuando River from Ecuador)
7- Groundwater potential mapping using remote sensing and GIS-based machine learning techniquesNuméro de notice : 28667 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Recueil / ouvrage collectif DOI : 10.3390/books978-3-0365-1603-5 En ligne : https://doi.org/10.3390/books978-3-0365-1603-5 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99870 Automated detection of individual Juniper tree location and forest cover changes using Google Earth Engine / Sudeera Wickramarathna in Annals of forest research, vol 64 n° 1 (2021)PermalinkDétection/reconnaissance d'objets urbains à partir de données 3D multicapteurs prises au niveau du sol, en continu / Younes Zegaoui (2021)PermalinkEnsemble learning methods on the space of covariance matrices : application to remote sensing scene and multivariate time series classification / Sara Akodad (2021)PermalinkExploration of reinforcement learning algorithms for autonomous vehicle visual perception and control / Florence Carton (2021)PermalinkLearning disentangled representations of satellite image time series in a weakly supervised manner / Eduardo Hugo Sanchez (2021)PermalinkA method of hydrographic survey technology selection based on the decision tree supervised learning / Ivana Golub Medvešek (2021)PermalinkModélisation de l’aire de réception d’une antenne AIS en fonction de données d’altitude et de cartes de prévision de propagation d’ondes VHF / Zackary Vanche (2021)PermalinkRemote sensing analysis of small scale dynamic phenomena in the atmospheric boundary layer / Kostas Cheliotis (2021)PermalinkTélédétection et intégration de connaissances via la modélisation spatiale pour une cartographie plus cohérente des systèmes agricoles complexes / Arthur Crespin-Boucaud (2021)PermalinkTime-series analysis of massive satellite images : Application to earth observation / Alexandre Constantin (2021)PermalinkAnalyse de la déforestation dans la périphérie ouest de la réserve de biosphère du Dja au Cameroun, à partir d'une série multi-annuelle d'images Landsat / Eric Wilson Tegno Nguekam in Revue Française de Photogrammétrie et de Télédétection, n° 222 (novembre 2020)PermalinkCartographie des cultures dans le périmètre du Loukkos (Maroc) : apport de la télédétection radar et optique / Siham Acharki in Revue Française de Photogrammétrie et de Télédétection, n° 222 (novembre 2020)PermalinkActive and incremental learning for semantic ALS point cloud segmentation / Yaping Lin in ISPRS Journal of photogrammetry and remote sensing, vol 169 (November 2020)PermalinkVNIR-SWIR superspectral mineral mapping: An example from Cuprite, Nevada / Kathleen E. Johnson in Photogrammetric Engineering & Remote Sensing, PERS, vol 86 n° 11 (November 2020)PermalinkComparison of tree-based classification algorithms in mapping burned forest areas / Dilek Kucuk Matci in Geodetski vestnik, vol 64 n° 3 (September - November 2020)PermalinkMultiscale supervised kernel dictionary learning for SAR target recognition / Lei Tao in IEEE Transactions on geoscience and remote sensing, vol 58 n° 9 (September 2020)PermalinkExtraction of urban built-up areas from nighttime lights using artificial neural network / Tingting Xu in Geocarto international, vol 35 n° 10 ([01/08/2020])PermalinkA simple distributed water balance model for an urbanized river basin using remote sensing and GIS techniques / Olutoyin Adeola Fashae in Geocarto international, vol 35 n° 9 ([01/07/2020])PermalinkEnsemble learning for hyperspectral image classification using tangent collaborative representation / Hongjun Su in IEEE Transactions on geoscience and remote sensing, vol 58 n° 6 (June 2020)PermalinkHyperspectral classification with noisy label detection via superpixel-to-pixel weighting distance / Bing Tu in IEEE Transactions on geoscience and remote sensing, vol 58 n° 6 (June 2020)Permalink