Centre dedocumentation
scientifique

Global and climate challenges, graph-based data analysis for multisource information extraction / Morgane Batelier (2022) 

Public Titre : Global and climate challenges, graph-based data analysis for multisource information extraction Type de document : Mémoire Auteurs : Morgane Batelier, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 43 p. Format : 21 x 30 cm Note générale : Bibliographie Mémoire de fin d'études, cycle des ingénieurs ENSG 3ème année, FRS Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] apprentissage automatique [Termes IGN] Arctique, océan [Termes IGN] données d'entrainement sans étiquette [Termes IGN] glace de mer [Termes IGN] image hyperspectrale [Termes IGN] image Sentinel-SAR [Termes IGN] polarimétrie radar [Termes IGN] traitement d'image radar Index. décimale : MPT Mémoires de fin d'études du Master Méthodes physiques en télédétection Résumé : (Auteur) During my end-of-studies internship, I worked on the development of a label propagation algorithm for remote sensing data, using Deep Learning. It was mainly applied to sea ice classification using SAR Sentinel-1 data, and to hyperspectral imaging in order to be effective to multimodal remote sensing. I started by the bibliography, during which we decided with my supervisors the method I was going to work from. Then, I worked on the algorithm implementation that was the longest phase. Finally, the last part of my work was the certification and improvement of the results using different process. Note de contenu : Introduction 1. Remote Sensing in the Arctic 1.1 Challenges of the Arctic 1.2 Sea Ice 2. Label Propagation for Deep Learning 2.1 Preliminaries 2.2 Transductive Propagation Network for Few-shot Learning 3. Multimodal Remote Sensing Data 3.1 Synthetic Aperture Radar 3.2 Hyperspectral Imaging 4. Experimental results 4.1 Datasets 4.2 Improvement Methods 4.3 Discussion and future of the algorithm Conclusion Numéro de notice : 26935 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire de fin d'études IT Organisme de stage : Center for Integrated Remote Sensing and Forecasting for Arctic Operations CIRFA Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=102059

Documents numériques

en open access Global and climate challenges, graph-based data analysis for multisource information extraction - pdf auteur Adobe Acrobat PDF

Studying informativeness of satellite image texture for sea ice state retrieval using deep learning methods / Clément Fougerouse (2022) 

Public Titre : Studying informativeness of satellite image texture for sea ice state retrieval using deep learning methods Type de document : Mémoire Auteurs : Clément Fougerouse, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2022 Importance : 47 p. Format : 21 x 30 cm Note générale : Bibliographie Rapport de projet pluridisciplinaire, cycle ING2 Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] glace de mer [Termes IGN] image Aqua-AMSR [Termes IGN] image C-SAR [Termes IGN] image radar moirée [Termes IGN] inférence [Termes IGN] optimisation (mathématiques) [Termes IGN] réseau neuronal convolutif [Termes IGN] restauration d'image Index. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (Auteur) De nos jours, la détermination des glaces de mers se fait manuellement et est réalisée par des experts, les cartes obtenues ne sont donc pas bien précises et peuvent comporter des erreurs. L’objectif de l’étude est de pouvoir automatiser la classification des différents types de glaces de mer à partir d’images satellitaires SAR et AMSR2, en utilisant des réseaux de neurones convolutifs et d’améliorer la précision des réseaux déjà existants. Pour cela, nous partons des réseaux existants et nous rajoutons de nouvelles données d’apprentissages et nous modifions la structure du réseau de neurones convolutif. Puis nous étudions la texture des images pour pouvoir prendre en compte les formes des glaces et ainsi de créer plusieurs classes pour les glaces de mers. Que ce soit avec l’ajout de nouvelles données ou la modification de la structure du réseau, la précision des prédictions du réseau de neurones a grandement été amélioré. Nous passons d’une précision de 74% en moyenne sur les quatre classes utilisées à une moyenne de 95% après toutes les améliorations réalisées. Notons également, que la détection de la présence ou non de glace est très précise 98%. Quant à l’ajout des nouvelles classes et à la prise en compte de la texture des images satellitaires, nous obtenons des résultats très intéressants : le classificateur permet de distinguer certaines combinaisons, mais a du mal pour d’autres, notamment pour les glaces qui ont des petites formes. Ainsi, cette étude a permis d’améliorer considérablement la précision des réseaux existants pour classer la glace dans les quatre types habituels bien qu'ils restent moins performants pour classer en prenant en compte la forme des glaces. L’étude du caractère informatif a permis de connaitre les combinaisons détectées par la texture des images SAR. Note de contenu : 1. Introduction 2. Data used for training the CNN 2.1 NetCDF files 2.2 SAR data 2.3 AMSR2 data 2.4 Ice Chart 3. Processing 3.1 Overview 3.2 Statistical analysis 3.3 Preprocessing 3.3 Training 3.4 Inference 3.4 Baseline binary CNN 3.5 Baseline continuous CNN 3.6 Adding the larger area SAR data 3.7 Adding the AMSR2 data 3.8 Optimization 3.9 Experiments with informativeness 4. Results 4.1 Statistics 4.2 Baseline Binary 4.3 Hugo continuous 4.4 Extended SAR sub-image 4.5 AMSR2 4.6 Optimization 4.7 Informativeness tests 5. Conclusion and discussion Numéro de notice : 26868 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Nansen Environmental and Remote Sensing Center NERSC Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=101688

Documents numériques

en open access Studying informativeness of satellite image texture for sea ice state retrieval using deep learning methods - pdf auteur Adobe Acrobat PDF

Extraction of sea ice cover by Sentinel-1 SAR based on support vector machine with unsupervised generation of training data / Xiao-Ming Li in IEEE Transactions on geoscience and remote sensing, vol 59 n° 4 (April 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > vol 59 n° 4 (April 2021) . - pp 3040 - 3053 Titre : Extraction of sea ice cover by Sentinel-1 SAR based on support vector machine with unsupervised generation of training data Type de document : Article/Communication Auteurs : Xiao-Ming Li, Auteur ; Yan Sun, Auteur ; Qiang Zhang, Auteur Année de publication : 2021 Article en page(s) : pp 3040 - 3053 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] Arctique, océan [Termes IGN] classification non dirigée [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] données d'entrainement (apprentissage automatique) [Termes IGN] entropie [Termes IGN] extraction de traits caractéristiques [Termes IGN] glace de mer [Termes IGN] image radar moirée [Termes IGN] image Sentinel-SAR [Termes IGN] matrice de co-occurrence [Termes IGN] niveau de gris (image) [Termes IGN] polarisation croisée [Termes IGN] rétrodiffusion [Termes IGN] texture d'image Résumé : (auteur) In this article, we focus on developing a novel method to extract sea ice cover (i.e., discrimination/classification of sea ice and open water) using Sentinel-1 (S1) cross-polarization [vertical–horizontal (VH) or horizontal–vertical (HV)] data in extra-wide (EW) swath mode based on the support vector machine (SVM) method. The classification basis includes the S1 radar backscatter and texture features, which are calculated from S1 data using the gray level co-occurrence matrix (GLCM). Different from previous methods where appropriate samples are manually selected to train the SVM to classify sea ice and open water, we proposed a method of unsupervised generation of the training samples based on two GLCM texture features, i.e., entropy and homogeneity, that have contrasting characteristics on sea ice and open water. We eliminate the most uncertainty of selecting training samples in machine learning and achieve automatic classification of sea ice and open water by using S1 EW data. The comparisons based on a few cases show good agreements between the synthetic aperture radar (SAR)-derived sea ice cover using the proposed method and visual inspections, of which the accuracy reaches approximately 90%–95%. Besides this, compared with the analyzed sea ice cover data Ice Mapping System (IMS) based on 728 S1 EW images, the accuracy of the extracted sea ice cover by using S1 data is more than 80%. Numéro de notice : A2021-284 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3007789 Date de publication en ligne : 20/07/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3007789 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97392 [article]

Denoising Sentinel-1 extra-wide mode cross-polarization images over sea ice / Yan Sun in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 3 (March 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > Vol 59 n° 3 (March 2021) . - pp 2116 - 2131 Titre : Denoising Sentinel-1 extra-wide mode cross-polarization images over sea ice Type de document : Article/Communication Auteurs : Yan Sun, Auteur ; Xiao-Ming Li, Auteur Année de publication : 2021 Article en page(s) : pp 2116 - 2131 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] Austral (océan) [Termes IGN] bruit thermique [Termes IGN] étalonnage radiométrique [Termes IGN] filtrage du bruit [Termes IGN] glace de mer [Termes IGN] image Sentinel-SAR [Termes IGN] image TOPSAR [Termes IGN] polarisation croisée [Termes IGN] rapport signal sur bruit Résumé : (Auteur) Sentinel-1 (S1) extra-wide (EW) swath data in cross-polarization (horizontal–vertical, HV or vertical–horizontal, VH) are strongly affected by the scalloping effect and thermal noise, particularly over areas with weak backscattered signals, such as sea surfaces. Although noise vectors in both the azimuth and range directions are provided in the standard S1 EW data for subtraction, the residual thermal noise still significantly affects sea ice detection by the EW data. In this article, we improve the denoising method developed in previous studies to remove the additive noise for the S1 EW data in cross-polarization. Furthermore, we propose a new method for eliminating the residual noise (i.e., multiplicative noise) at the subswath boundaries of the EW data, which cannot be well processed by simply subtracting the reconstructed 2-D noise field. The proposed method of removing both the additive and multiplicative noise was applied to EW HV-polarized images processed using different Instrument Processing Facility (IPF) versions. The results suggest that the proposed algorithm significantly improves the quality of EW HV-polarized images under various sea ice conditions and sea states in the marginal ice zone (MIZ) of the Arctic. This is of great support for the utilization of cross-polarization synthetic aperture radar (SAR) images in wide swaths for intensive sea ice monitoring in polar regions. Numéro de notice : A2021-214 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3005831 Date de publication en ligne : 09/07/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3005831 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97202 [article]

Radar measurements of snow depth over sea ice on an unmanned aerial vehicle / Adrian Eng-Choon Tan in IEEE Transactions on geoscience and remote sensing, Vol 59 n° 3 (March 2021)  

Public [article]  inIEEE Transactions on geoscience and remote sensing > Vol 59 n° 3 (March 2021) . - pp 1868 - 1875 Titre : Radar measurements of snow depth over sea ice on an unmanned aerial vehicle Type de document : Article/Communication Auteurs : Adrian Eng-Choon Tan, Auteur ; Josh McCulloch, Auteur ; Wolfgang Rack, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 1868 - 1875 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes IGN] Austral (océan) [Termes IGN] épaisseur [Termes IGN] glace de mer [Termes IGN] image captée par drone [Termes IGN] image radar [Termes IGN] manteau neigeux [Termes IGN] précision centimétrique [Termes IGN] rapport signal sur bruit [Termes IGN] variation saisonnière Résumé : (Auteur) We propose a lightweight radar that autonomously measures snow depth over sea ice from an unmanned aerial vehicle (UAV). Development of this snow radar and its integration with an octocopter UAV is presented. Field trials of the UAV-mounted snow radar, conducted in Antarctica during the summer season of 2017/2018, are also described. The radar allows measurements of snow depths on sea ice between 10 and 100 cm. Additional reflections due to internal layers within the snow are evident at a few measurement points. The snow radar is evaluated for various flight parameters: stationary; flying at speeds between 1 and 3 m/s, and at heights from 5 to 15 m. Evaluation of snow-depth results indicates that a depth accuracy of ±3.2 cm is achieved with stationary measurements, and of ±9.1 cm with measurements at the various flight speeds. Numéro de notice : A2021-212 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1109/TGRS.2020.3006182 Date de publication en ligne : 14/07/2020 En ligne : https://doi.org/10.1109/TGRS.2020.3006182 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97197 [article]

What have we learnt from Icesat on Greenland ice sheet change and what to expect from Icesat 2 / Blaženka Bukač in Geodetski vestnik, vol 65 n° 1 (March - May 2021)  

Permalink

Evaluation of a neural network with uncertainty for detection of ice and water in SAR imagery / Nazanin Asadi in IEEE Transactions on geoscience and remote sensing, vol 59 n° 1 (January 2021)  

Permalink

Semantic segmentation of sea ice type on Sentinel-1 SAR data using convolutional neural networks / Alissa Kouraeva (2021) 

Permalink

Classification of sea ice types in Sentinel-1 SAR data using convolutional neural networks / Hugo Boulze in Remote sensing, vol 12 n° 13 (July-1 2020)  

Permalink

Discrimination of different sea ice types from CryoSat-2 satellite data using an Object-based Random Forest (ORF) / Su Shu in Marine geodesy, Vol 43 n° 3 (May 2020)  

Permalink

Arctic sea ice thickness retrievals from CryoSat-2: seasonal and interannual comparisons of three different products / Mengmeng Li in International Journal of Remote Sensing IJRS, vol 41 n° 1 (01 - 08 janvier 2020)  

Permalink

Inside the ice shelf: using augmented reality to visualise 3D lidar and radar data of Antarctica / Alexandra L. Boghosian in Photogrammetric record, vol 34 n° 168 (December 2019)  

Permalink

Sea ice extent detection in the Bohai Sea using Sentinel-3 OLCI data / Hua Su in Remote sensing, Vol 11 n° 20 (October-2 2019)  

Permalink

Real-time sea-level monitoring using Kalman filtering of GNSS-R data / Joakim Strandberg in GPS solutions, vol 23 n° 3 (July 2019)  

Permalink

Microwave indices from active and passive sensors for remote sensing applications / Emanuele Santi (2019)  

Permalink