Descripteur
Termes IGN > mathématiques > statistique mathématique > analyse de données > classification > classification dirigée
classification dirigéeSynonyme(s)classification superviséeVoir aussi |
Documents disponibles dans cette catégorie (479)
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
Monitoring leaf phenology in moist tropical forests by applying a superpixel-based deep learning method to time-series images of tree canopies / Guangqin Song in ISPRS Journal of photogrammetry and remote sensing, vol 183 (January 2022)
[article]
Titre : Monitoring leaf phenology in moist tropical forests by applying a superpixel-based deep learning method to time-series images of tree canopies Type de document : Article/Communication Auteurs : Guangqin Song, Auteur ; Shengbiao Wu, Auteur ; Calvin K.F. Lee, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 19 - 33 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] algorithme SLIC
[Termes IGN] apprentissage profond
[Termes IGN] canopée
[Termes IGN] classification dirigée
[Termes IGN] diagnostic foliaire
[Termes IGN] Enhanced vegetation index
[Termes IGN] feuille (végétation)
[Termes IGN] forêt tropicale
[Termes IGN] Panama
[Termes IGN] phénologie
[Termes IGN] photosynthèse
[Termes IGN] segmentation sémantique
[Termes IGN] série temporelle
[Termes IGN] superpixel
[Termes IGN] variation saisonnièreRésumé : (auteur) Tropical leaf phenology—particularly its variability at the tree-crown scale—dominates the seasonality of carbon and water fluxes. However, given enormous species diversity, accurate means of monitoring leaf phenology in tropical forests is still lacking. Time series of the Green Chromatic Coordinate (GCC) metric derived from tower-based red–greenblue (RGB) phenocams have been widely used to monitor leaf phenology in temperate forests, but its application in the tropics remains problematic. To improve monitoring of tropical phenology, we explored the use of a deep learning model (i.e. superpixel-based Residual Networks 50, SP-ResNet50) to automatically differentiate leaves from non-leaves in phenocam images and to derive leaf fraction at the tree-crown scale. To evaluate our model, we used a year of data from six phenocams in two contrasting forests in Panama. We first built a comprehensive library of leaf and non-leaf pixels across various acquisition times, exposure conditions and specific phenocams. We then divided this library into training and testing components. We evaluated the model at three levels: 1) superpixel level with a testing set, 2) crown level by comparing the model-derived leaf fractions with those derived using image-specific supervised classification, and 3) temporally using all daily images to assess the diurnal stability of the model-derived leaf fraction. Finally, we compared the model-derived leaf fraction phenology with leaf phenology derived from GCC. Our results show that: 1) the SP-ResNet50 model accurately differentiates leaves from non-leaves (overall accuracy of 93%) and is robust across all three levels of evaluations; 2) the model accurately quantifies leaf fraction phenology across tree-crowns and forest ecosystems; and 3) the combined use of leaf fraction and GCC helps infer the timing of leaf emergence, maturation and senescence, critical information for modeling photosynthetic seasonality of tropical forests. Collectively, this study offers an improved means for automated tropical phenology monitoring using phenocams. Numéro de notice : A2022-009 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2021.10.023 Date de publication en ligne : 10/11/2021 En ligne : https://doi.org/10.1016/j.isprsjprs.2021.10.023 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99057
in ISPRS Journal of photogrammetry and remote sensing > vol 183 (January 2022) . - pp 19 - 33[article]Réservation
Réserver ce documentExemplaires (3)
Code-barres Cote Support Localisation Section Disponibilité 081-2022011 SL Revue Centre de documentation Revues en salle Disponible 081-2022013 DEP-RECP Revue LASTIG Dépôt en unité Exclu du prêt 081-2022012 DEP-RECF Revue Nancy Dépôt en unité Exclu du prêt
Titre : Traitement possibiliste d'images, application au recalage d'images Type de document : Thèse/HDR Auteurs : Wissal Ben Markouza, Auteur ; Basel Solaiman, Directeur de thèse ; Khaled Bsaïes, Directeur de thèse Editeur : Institut Mines-Télécom Atlantique IMT Atlantique Année de publication : 2022 Importance : 151 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse de Doctorat de l'Ecole Nationale Supérieure Mines-Télécom Atlantique, Spécialité Signal, image, visionLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] appariement d'images
[Termes IGN] classification dirigée
[Termes IGN] extraction de traits caractéristiques
[Termes IGN] information sémantique
[Termes IGN] niveau de gris (image)
[Termes IGN] optimisation (mathématiques)
[Termes IGN] recalage d'image
[Termes IGN] sous ensemble flou
[Termes IGN] théorie des possibilitésIndex. décimale : THESE Thèses et HDR Résumé : (auteur) Dans ce travail, nous proposons un système de recalage géométrique possibiliste qui fusionne les connaissances sémantiques et les connaissances au niveau du gris des images à recaler. Les méthodes de recalage géométrique existantes se reposent sur une analyse des connaissances au niveau des capteurs lors de la détection des primitives ainsi que lors de la mise en correspondance. L'évaluation des résultats de ces méthodes de recalage géométrique présente des limites au niveau de la perfection de la précision causées par le nombre important de faux amers. L’idée principale de notre approche proposée est de transformer les deux images à recaler en un ensemble de projections issues des images originales (source et cible). Cet ensemble est composé des images nommées « cartes de possibilité », dont chaque carte comporte un seul contenu et présente une distribution possibiliste d’une classe sémantique des deux images originales. Le système de recalage géométrique basé sur la théorie de possibilités proposé présente deux contextes : un contexte supervisé et un contexte non supervisé. Pour le premier cas de figure nous proposons une méthode de classification supervisée basée sur la théorie des possibilités utilisant les modèles d'apprentissage. Pour le contexte non supervisé, nous proposons une méthode de clustering possibiliste utilisant la méthode FCM-multicentroide. Les deux méthodes proposées fournissent en résultat les ensembles de classes sémantiques des deux images à recaler. Nous créons par la suite, les bases de connaissances pour le système de recalage possibiliste proposé. Nous avons amélioré la qualité du recalage géométrique existant en termes de perfection de précision, de diminution du nombre de faux amers et d'optimisation de la complexité temporelle. Note de contenu : Introduction générale
1- Etat de l'art
2- Recalage d'images : approche géométrique
3- estimation des distributions des possibilités pour le recalage géométrique
4- Systeme de recalage possibiliste
5- Expérimentation et évaluation du système de recalage possibiliste
Conclusions et perspectivesNuméro de notice : 24088 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Thèse française Note de thèse : Thèse de Doctorat : Signal, image, vision : Mines-Télécom Atlantique : 2022 Organisme de stage : Laboratoire de Traitement de l'Information Medicale DOI : sans En ligne : https://theses.hal.science/tel-03917545 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102480 A repeatable change detection approach to map extreme storm-related damages caused by intense surface runoff based on optical and SAR remote sensing: Evidence from three case studies in the South of France / Arnaud Cerbelaud in ISPRS Journal of photogrammetry and remote sensing, Vol 182 (December 2021)
[article]
Titre : A repeatable change detection approach to map extreme storm-related damages caused by intense surface runoff based on optical and SAR remote sensing: Evidence from three case studies in the South of France Type de document : Article/Communication Auteurs : Arnaud Cerbelaud, Auteur ; Laure Roupioz, Auteur ; Gwendoline Blanchet, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 153 - 175 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte
[Termes IGN] Alpes-maritimes (06)
[Termes IGN] Aude (11)
[Termes IGN] bassin méditerranéen
[Termes IGN] catastrophe naturelle
[Termes IGN] classification dirigée
[Termes IGN] détection de changement
[Termes IGN] dommage matériel
[Termes IGN] image à très haute résolution
[Termes IGN] image optique
[Termes IGN] image radar moirée
[Termes IGN] image Sentinel-MSI
[Termes IGN] image Sentinel-SAR
[Termes IGN] photo-interprétation
[Termes IGN] ruissellement
[Termes IGN] signature spectrale
[Termes IGN] tempêteRésumé : (auteur) Most flood hazards are induced either by river overflowing or intense overland flow following heavy rainfall, causing land surface damages under many forms. Until now, fine-scale detection of damages caused by intense rainwater runoff beyond the direct vicinity of major waterways has been scarcely explored using satellite remote sensing. In this work, three extreme storms in the Aude and Alpes-Maritimes departments in the South of France were investigated based on ground truths and very high resolution optical imagery (Pléiades satellite, IGN orthophotos). Plot delineation and land use information were combined to high revisit frequency and high resolution optical (Sentinel-2) and SAR (Sentinel-1) open-source data to test a simple automatic and replicable change detection method to locate damaged plots using supervised classification. Based on a unique training sample from the Aude floods of October 2018, combinations of plot-based spectral indicators allowed reaching overall detection accuracies greater than 85% on independent validation samples for all three events. A simple land use inter-class demeaning pre-processing used to account for land-specific seasonal variations improved event and site repeatability by lowering false detection rates down to a maximum of 13%. The benefits of introducing SWIR channel in addition to visible and near-infrared indices were limited to a few percentage points. SAR-derived proxies of soil moisture and roughness in weakly vegetated areas were consistent with the presence of degradations, with VV being the most sensitive polarization. However, classification accuracy was not significantly increased with Sentinel-1 data as compared to the exclusive use of Sentinel-2. Additional tests revealed that should the closest available optical images be rather distant in time because of persistent cloud cover, the method is reasonably robust as long as stable ground conditions were observed before the event. The need for images close in time was however emphasized through cross-site training. Indeed, efficient replicability from one site to another relied on using unaffected learning plots with slightly more inherent variability in time variations of spectral indices compared to the test site. Beyond the investigation of three case studies, this work demonstrates the performance and repeatability potential of a new probabilistic change detection method to expose various kinds of extreme rainfall-related disturbances, in particular those occurring far from the main hydrographic network. Should spatially accurate rainfall products be available, comprehensive mapping of intense stormwater runoff hazards using this original plot-based approach will then allow improving the understanding of overland flow generation mechanisms in hydrological models. Numéro de notice : A2021-852 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2021.10.013 Date de publication en ligne : 31/10/2021 En ligne : https://doi.org/10.1016/j.isprsjprs.2021.10.013 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99041
in ISPRS Journal of photogrammetry and remote sensing > Vol 182 (December 2021) . - pp 153 - 175[article]Réservation
Réserver ce documentExemplaires (3)
Code-barres Cote Support Localisation Section Disponibilité 081-2021121 SL Revue Centre de documentation Revues en salle Disponible 081-2021123 DEP-RECP Revue LASTIG Dépôt en unité Exclu du prêt 081-2021122 DEP-RECF Revue Nancy Dépôt en unité Exclu du prêt Exploring fuzzy local spatial information algorithms for remote sensing image classification / Anjali Madhu in Remote sensing, vol 13 n° 20 (October-2 2021)
[article]
Titre : Exploring fuzzy local spatial information algorithms for remote sensing image classification Type de document : Article/Communication Auteurs : Anjali Madhu, Auteur ; Anil Kumar, Auteur ; Peng Jia, Auteur Année de publication : 2021 Article en page(s) : n° 4163 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] analyse de groupement
[Termes IGN] classification dirigée
[Termes IGN] classification floue
[Termes IGN] classification pixellaire
[Termes IGN] distance euclidienne
[Termes IGN] erreur moyenne quadratique
[Termes IGN] Inde
[Termes IGN] matrice d'erreur
[Termes IGN] occupation du sol
[Termes IGN] théorie des possibilitésRésumé : (auteur) Fuzzy c-means (FCM) and possibilistic c-means (PCM) are two commonly used fuzzy clustering algorithms for extracting land use land cover (LULC) information from satellite images. However, these algorithms use only spectral or grey-level information of pixels for clustering and ignore their spatial correlation. Different variants of the FCM algorithm have emerged recently that utilize local spatial information in addition to spectral information for clustering. Such algorithms are seen to generate clustering outputs that are more enhanced than the classical spectral-based FCM algorithm. Nonetheless, the scope of integrating spatial contextual information with the conventional PCM algorithm, which has several advantages over the FCM algorithm for supervised classification, has not been explored much. This study proposed integrating local spatial information with the PCM algorithm using simpler but proven approaches from available FCM-based local spatial information algorithms. The three new PCM-based local spatial information algorithms: Possibilistic c-means with spatial constraints (PCM-S), possibilistic local information c-means (PLICM), and adaptive possibilistic local information c-means (ADPLICM) algorithms, were developed corresponding to the available fuzzy c-means with spatial constraints (FCM-S), fuzzy local information c-means (FLICM), and adaptive fuzzy local information c-means (ADFLICM) algorithms. Experiments were conducted to analyze and compare the FCM and PCM classifier variants for supervised LULC classifications in soft (fuzzy) mode. The quantitative assessment of the soft classification results from fuzzy error matrix (FERM) and root mean square error (RMSE) suggested that the new PCM-based local spatial information classifiers produced higher accuracies than the PCM, FCM, or its local spatial variants, in the presence of untrained classes and noise. The promising results from PCM-based local spatial information classifiers suggest that the PCM algorithm, which is known to be naturally robust to noise, when integrated with local spatial information, has the potential to result in more efficient classifiers capable of better handling ambiguities caused by spectral confusions in landscapes. Numéro de notice : A2021-806 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.3390/rs13204163 Date de publication en ligne : 18/10/2021 En ligne : https://doi.org/10.3390/rs13204163 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98864
in Remote sensing > vol 13 n° 20 (October-2 2021) . - n° 4163[article]Détection des forêts dégradées en Guinée à partir des images satellites Sentinel-2 : évaluation de l'apport potentiel des nouveaux capteurs satellitaires optiques et radars / An Vo Quang in Blog de la RFPT, sans n° ([11/10/2021])
[article]
Titre : Détection des forêts dégradées en Guinée à partir des images satellites Sentinel-2 : évaluation de l'apport potentiel des nouveaux capteurs satellitaires optiques et radars Type de document : Article/Communication Auteurs : An Vo Quang, Auteur Année de publication : 2021 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] Afrique occidentale
[Termes IGN] apprentissage profond
[Termes IGN] classification dirigée
[Termes IGN] dégradation de l'environnement
[Termes IGN] dégradation de la flore
[Termes IGN] détection automatique
[Termes IGN] forêt alpestre
[Termes IGN] Guinée
[Termes IGN] image Sentinel-MSI
[Termes IGN] photo-interprétation
[Termes IGN] série temporelleRésumé : (Auteur) [Contexte] Les travaux de la thèse CIFRE ont été réalisés dans le cadre d'un partenariat entre l'Institut interdisciplinaire de recherche en énergie de Paris (LIED) et IGN FI, une société d'ingénierie géographique (partenaire export de l'IGN - Institut national de l’information géographique et forestière) qui réalise des projets sur tous les continents et dans tous les domaines d'application de la géomatique, notamment l'aménagement du territoire, l'environnement, l'agriculture, l'administration foncière ou la gestion des risques. Plus spécifiquement, les travaux de thèse se sont intégrés au projet de Zonage Agro-Ecologique de Guinée (ZAEG) coordonné par IGN FI et financé par l'Agence Française de Développement (AFD) pour le ministère de l’Agriculture de Guinée. Contrairement à la déforestation, la dégradation forestière implique un changement de la structure forestière sans modification de l'utilisation du sol. Ce changement est subtil et moins visible que la déforestation. La dégradation des forêts est une préoccupation majeure car un potentiel de séquestration du carbone est perdu. Ce phénomène varie en fonction de l'emplacement géographique, des facteurs anthropiques, du climat, des types de forêts impactées, donc il n'existe pas de méthodologie de détection unique pour cartographier la dégradation des forêts à l'échelle mondiale. En Guinée, le principal processus de dégradation est l'exploitation forestière sélective dans la forêt de massif, en plus de la fragmentation de la forêt causée par le changement d'utilisation des terres. L’objectif est d’optimiser les méthodes de photo-interprétation utilisées par IGN FI pour détecter les zones de forêt dégradée. Le suivi du couvert forestier à l'aide des méthodes traditionnelles de télédétection nécessite un coût important en termes d'expertise en photo-interprétation. Nous proposons une approche de suivi par une procédure de classification semi-automatisée avec un coût de photo-interprétation minimum en incluant le contexte pixellaire, en intégrant les données du capteur Sentinel-2, acquises de manière répétitive. Numéro de notice : A2021-679 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : sans Date de publication en ligne : 11/10/2021 En ligne : https://rfpt-sfpt.github.io/blog/sentinel-2/s%C3%A9rie%20temporelle/deep%20learn [...] Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99040
in Blog de la RFPT > sans n° [11/10/2021][article]Comparison of classification methods for urban green space extraction using very high resolution worldview-3 imagery / S. Vigneshwaran in Geocarto international, vol 36 n° 13 ([15/07/2021])PermalinkUsing machine learning to map Western Australian landscapes for mineral exploration / Thomas Albrecht in ISPRS International journal of geo-information, vol 10 n° 7 (July 2021)PermalinkDeep learning in denoising of micro-computed tomography images of rock samples / Mikhail Sidorenko in Computers & geosciences, vol 151 (June 2021)PermalinkUncertainty management for robust probabilistic change detection from multi-temporal Geoeye-1 imagery / Mahmoud Salah in Applied geomatics, vol 13 n° 2 (June 2021)PermalinkThe delineation of tea gardens from high resolution digital orthoimages using mean-shift and supervised machine learning methods / Akhtar Jamil in Geocarto international, vol 36 n° 7 ([15/04/2021])PermalinkEvaluation 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)PermalinkGTP-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)PermalinkAmélioration des systèmes de suivi des cultures à l’aide de la télédétection multi-source et des techniques d’apprentissage profond / Yawogan Gbodjo (2021)PermalinkAnalyse de la dynamique d’embroussaillement des pelouses calcaires par traitement d’images / Théo Mesure (2021)PermalinkPermalink