Centre de documentation
scientifique

De pléiades à pléiades NEO: une analyse de l'amélioration de les restitution 3D / David Youssefi in Revue Française de Photogrammétrie et de Télédétection, n° 226 (2024)  

Public [article]  inRevue Française de Photogrammétrie et de Télédétection > n° 226 (2024) . - pp. 01-09 Titre : De pléiades à pléiades NEO: une analyse de l'amélioration de les restitution 3D Type de document : Article/Communication Auteurs : David Youssefi, Auteur ; E. Dubois, Auteur ; Jean-Marc Delvit, Auteur Année de publication : 2024 Article en page(s) : pp. 01-09 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Termes IGN] 3D analyst [Termes IGN] Centre national d'études spatiales [Termes IGN] code source libre [Termes IGN] modèle numérique de surface [Termes IGN] modèle numérique de terrain [Termes IGN] Pléiades-Neo Mots-clés libres : Pléiades, Pléiades Neo, Modèle Numérique de Surface, Modèle Numérique de Terrain, Code ouvert Résumé : Fort de son expertise en géométrie et en 3D, le Centre National d’Études Spatiales (CNES) développe de nouveaux outils open-source capitalisant une partie de son savoir-faire. Ils sont destinés à être au cœur du segment sol de la mission CO3D et à servir tout l’écosystème aval. Le traitement de ces données impose de concevoir des chaînes robustes, capables de passer à l’échelle. De ce fait, les outils 3D du CNES sont massivement parallélisables, utilisant des technologies multiprocesseurs voire multi-nœuds tout en restant agnostique au matériel utilisé. Ces logiciels proposent des interfaces simples afin de permettre également leur utilisation en dehors des chaînes de traitement opérationnelles. Ces outils sont capables de produire un Modèle Numérique de Surface (MNS) à partir de couples stéréoscopiques d’images (CARS) dont l’étape majeure repose sur la mise en correspondance (Pandora). Par la suite, ils permettent d’extraire un Modèle Numérique de Terrain (MNT) à partir du MNS produit (Bulldozer) et d’en dériver un Modèle Numérique de Hauteur (MNH). Suite à cela, des comparaisons entre tous ces modèles numériques d’élévation peuvent également être effectuées (Demcompare). Dans l’attente de l’arrivée des données CO3D, le CNES éprouve d’ores et déjà ces outils sur d’autres capteurs, dont Pléiades et plus récemment Pléiades Neo. Cet article qualifie l’amélioration de cette restitution 3D apportée par cette nouvelle génération de satellite. Les outils 3D du CNES sont sous licence libre et non contaminante (Licence Apache v2) afin de notamment permettre l’exploitation et la valorisation des données Pléiades et maintenant Pléiades Neo. Ils offrent enfin la possibilité de reproduire les résultats présentés dans cet article. Numéro de notice : A2024-19 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat En ligne : https://rfpt.sfpt.fr/index.php/RFPT/article/view/672/503 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103656 [article]

Automated extraction and validation of Stone Pine (Pinus pinea L.) trees from UAV-based digital surface models / Asli Ozdarici-Ok in Geo-spatial Information Science, vol 26 n° inconnu ([01/08/2023])  

Public [article]  inGeo-spatial Information Science > vol 26 n° inconnu [01/08/2023] Titre : Automated extraction and validation of Stone Pine (Pinus pinea L.) trees from UAV-based digital surface models Type de document : Article/Communication Auteurs : Asli Ozdarici-Ok, Auteur ; Ali Ozgun Ok, Auteur ; et al., Auteur Année de publication : 2023 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] image captée par drone [Termes IGN] modèle numérique de surface [Termes IGN] Pinus pinea [Termes IGN] semis de points [Termes IGN] Turquie Résumé : (auteur) Stone Pine (Pinus pinea L.) is currently the pine species with the highest commercial value with edible seeds. In this respect, this study introduces a new methodology for extracting Stone Pine trees from Digital Surface Models (DSMs) generated through an Unmanned Aerial Vehicle (UAV) mission. We developed a novel enhanced probability map of local maxima that facilitates the computation of the orientation symmetry by means of new probabilistic local minima information. Four test sites are used to evaluate our automated framework within one of the most important Stone Pine forest areas in Antalya, Turkey. A Hand-held Mobile Laser Scanner (HMLS) was utilized to collect the reference point cloud dataset. Our findings confirm that the proposed methodology, which uses a single DSM as an input, secures overall pixel-based and object-based F1-scores of 88.3% and 97.7%, respectively. The overall median Euclidean distance revealed between the automatically extracted stem locations and the manually extracted ones is computed to be 36 cm (less than 4 pixels), demonstrating the effectiveness and robustness of the proposed methodology. Finally, the comparison with the state-of-the-art reveals that the outcomes of the proposed methodology outperform the results of six previous studies in this context. Numéro de notice : A2022-620 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10095020.2022.2090864 Date de publication en ligne : 21/07/2022 En ligne : https://doi.org/10.1080/10095020.2022.2090864 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101364 [article]

Integrating topographic knowledge into point cloud simplification for terrain modelling / Jun Chen in International journal of geographical information science IJGIS, vol 37 n° 5 (May 2023)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 37 n° 5 (May 2023) . - pp 988 - 1008 Titre : Integrating topographic knowledge into point cloud simplification for terrain modelling Type de document : Article/Communication Auteurs : Jun Chen, Auteur ; Liyang Xiong, Auteur ; Bowen Yin, Auteur ; et al., Auteur Année de publication : 2023 Article en page(s) : pp 988 - 1008 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] données lidar [Termes IGN] données topographiques [Termes IGN] lissage de données [Termes IGN] modèle numérique de surface [Termes IGN] semis de points [Termes IGN] Triangulated Irregular Network Résumé : (auteur) Terrain models are widely used to depict the shape of the Earth’s surface. With the development of photogrammetric methods, point cloud data have become one of the most popular data sources for terrain modelling. However, the obtained point clouds are of high density, which often increases redundancy rather than improving accuracy. Therefore, point cloud simplification should be a core component of terrain modelling. This paper proposes a point cloud simplification method by integrating topographic knowledge into terrain modelling (TKPCS). The method contains two steps: (1) topographic knowledge recognition and construction and (2) point cloud simplification using this topographic knowledge for terrain modelling. The proposed approach is benchmarked against improved versions of existing methods to validate its capability and accuracy in digital elevation model construction and terrain derivative extraction. The results show that the simplified points of the TKPCS method can generate finer resolution terrain models with higher accuracy and greater information entropy. The good performance of the TKPCS method is also stable at different scales. This work endeavours to transform perceptive topographic knowledge into a process of point cloud simplification and can benefit future research related to terrain modelling. Numéro de notice : A2023-204 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1080/13658816.2023.2180801 Date de publication en ligne : 28/02/2023 En ligne : https://doi.org/10.1080/13658816.2023.2180801 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=103138 [article]

Des mesures au sol aux images satellite : quelles données pour étudier la pollution lumineuse ? / Christophe Plotard in XYZ, n° 174 (mars 2023)

Public [article]  inXYZ > n° 174 (mars 2023) . - pp 33 - 38 Titre : Des mesures au sol aux images satellite : quelles données pour étudier la pollution lumineuse ? Type de document : Article/Communication Auteurs : Christophe Plotard, Auteur ; Philippe Deverchère, Auteur ; Sarah Potin, Auteur ; Sébastien Vauclair, Auteur Année de publication : 2023 Article en page(s) : pp 33 - 38 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Acquisition d'image(s) et de donnée(s) [Termes IGN] analyse comparative [Termes IGN] carte thématique [Termes IGN] données de terrain [Termes IGN] échelle d'intensité [Termes IGN] flux lumineux [Termes IGN] image à basse résolution [Termes IGN] image à très haute résolution [Termes IGN] image NPP-VIIRS [Termes IGN] image satellite [Termes IGN] impact sur l'environnement [Termes IGN] intensité lumineuse [Termes IGN] inventaire [Termes IGN] modèle numérique de surface [Termes IGN] modélisation 3D [Termes IGN] photomètre [Termes IGN] pollution lumineuse [Termes IGN] prise de vue nocturne [Termes IGN] radiance Résumé : (Auteur) Le développement de l’éclairage artificiel nocturne est à l’origine d’une pollution lumineuse aux effets néfastes pour la biodiversité, la santé humaine, la consommation énergétique et l’observation astronomique. Pour analyser les différentes formes de cette pollution, le bureau d’études DarkSkyLab s’appuie sur plusieurs types de données tels que des mesures depuis le sol, des images satellitaires et aériennes, ou des inventaires de points d’éclairage. Cet article en présente les principaux aspects, de même que divers outils, méthodes et indicateurs conçus pour permettre leur traitement, leur modélisation et leur représentation cartographique. Numéro de notice : A2023-069 Affiliation des auteurs : non IGN Thématique : BIODIVERSITE/IMAGERIE Nature : Article nature-HAL : ArtSansCL DOI : sans Date de publication en ligne : 01/03/2023 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102863 [article]

Exemplaires(1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
112-2023011	RAB	Revue	Centre de documentation	En réserve L003	Disponible

Siamese KPConv: 3D multiple change detection from raw point clouds using deep learning / Iris de Gelis in ISPRS Journal of photogrammetry and remote sensing, vol 197 (March 2023)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 197 (March 2023) . - pp 274 - 291 Titre : Siamese KPConv: 3D multiple change detection from raw point clouds using deep learning Type de document : Article/Communication Auteurs : Iris de Gelis, Auteur ; Sébastien Lefèvre, Auteur ; Thomas Corpetti, Auteur Année de publication : 2023 Article en page(s) : pp 274 - 291 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications photogrammétriques [Termes IGN] apprentissage profond [Termes IGN] bâtiment [Termes IGN] détection de changement [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] modèle numérique de surface [Termes IGN] réseau neuronal siamois [Termes IGN] semis de points [Termes IGN] végétation [Termes IGN] zone urbaine Résumé : (auteur) This study is concerned with urban change detection and categorization in point clouds. In such situations, objects are mainly characterized by their vertical axis, and the use of native 3D data such as 3D Point Clouds (PCs) is, in general, preferred to rasterized versions because of significant loss of information implied by any rasterization process. Yet, for obvious practical reasons, most existing studies only focus on 2D images for change detection purpose. In this paper, we propose a method capable of performing change detection directly within 3D data. Despite recent deep learning developments in remote sensing, to the best of our knowledge there is no such method to tackle multi-class change segmentation that directly processes raw 3D PCs. Thereby, based on advances in deep learning for change detection in 2D images and for analysis of 3D point clouds, we propose a deep Siamese KPConv network that deals with raw 3D PCs to perform change detection and categorization in a single step. Experimental results are conducted on synthetic and real data of various kinds (LiDAR, multi-sensors). Tests performed on simulated low density LiDAR and multi-sensor datasets show that our proposed method can obtain up to 80% of mean of IoU over classes of changes, leading to an improvement ranging from 10% to 30% over the state-of-the-art. A similar range of improvements is attainable on real data. Then, we show that pre-training Siamese KPConv on simulated PCs allows us to greatly reduce (more than 3,000 ) the annotations required on real data. This is a highly significant result to deal with practical scenarios. Finally, an adaptation of Siamese KPConv is realized to deal with change classification at PC scale. Our network overtakes the current state-of-the-art deep learning method by 23% and 15% of mean of IoU when assessed on synthetic and public Change3D datasets, respectively. The code is available at the following link: https://github.com/IdeGelis/torch-points3d-SiameseKPConv. Numéro de notice : A2023-147 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2023.02.001 Date de publication en ligne : 17/02/2023 En ligne : https://doi.org/10.1016/j.isprsjprs.2023.02.001 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102805 [article]

The potential of combining satellite and airborne remote sensing data for habitat classification and monitoring in forest landscapes / Anna Iglseder in International journal of applied Earth observation and geoinformation, vol 117 (March 2023)  

Permalink

Analysing urban growth using machine learning and open data: An artificial neural network modelled case study of five Greek cities / Pavlos Tsagkis in Sustainable Cities and Society, vol 89 (February 2023)  

Permalink

GIS-based planning of buffer zones for protection of boreal streams and their riparian forests / Heikki Mykrä in Forest ecology and management, vol 528 (January-15 2023)  

Permalink

Comparative analysis of estimation of slope-length gradient (LS) factor for entire Afghanistan / Ahmad Ansari in Geomatics, Natural Hazards and Risk, vol 14 n° 1 (2023)  

Permalink

Estimation of lidar-based gridded DEM uncertainty with varying terrain roughness and point density / Luyen K. Bui in ISPRS Open Journal of Photogrammetry and Remote Sensing, vol 7 (January 2023)  

Permalink

A hierarchical deformable deep neural network and an aerial image benchmark dataset for surface multiview stereo reconstruction / Jiayi Li in IEEE Transactions on geoscience and remote sensing, vol 61 n° 1 (January 2023)  

Permalink

A machine learning method for Arctic lakes detection in the permafrost areas of Siberia / Piotr Janiec in European journal of remote sensing, vol 56 n° 1 (2023)  

Permalink

Machine learning remote sensing using the random forest classifier to detect the building damage caused by the Anak Krakatau Volcano tsunami / Riantini Virtriana in Geomatics, Natural Hazards and Risk, vol 14 n° 1 (2023)  

Permalink

Mitigating the risk of wind damage at the forest landscape level by using stand neighbourhood and terrain elevation information in forest planning / Roope Ruotsalainen in Forestry, an international journal of forest research, vol 96 n° 1 (January 2023)  

Permalink

Modeling the gravitational effects of ocean tide loading at coastal stations in the China earthquake gravity network based on GOTL software / Chuandong Zhu in Journal of applied geodesy, vol 17 n° 1 (January 2023)  

Permalink