Centre dedocumentation
scientifique

Spatially constrained regionalization with multilayer perceptron / Michael Govorov in Transactions in GIS, Vol 23 n° 5 (October 2019)  

Public [article]  inTransactions in GIS > Vol 23 n° 5 (October 2019) . - pp 1048 - 1077 Titre : Spatially constrained regionalization with multilayer perceptron Type de document : Article/Communication Auteurs : Michael Govorov, Auteur ; Giedre Beconyte, Auteur ; Gennady Gienko, Auteur ; Victor Putrenko, Auteur Année de publication : 2019 Article en page(s) : pp 1048 - 1077 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] analyse de groupement [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] classification dirigée [Termes descripteurs IGN] données géologiques [Termes descripteurs IGN] Perceptron multicouche [Termes descripteurs IGN] programmation par contraintes [Termes descripteurs IGN] régionalisation [Termes descripteurs IGN] réseau neuronal artificiel [Termes descripteurs IGN] segmentation par graphes d'adjacence de régions [Termes descripteurs IGN] Ukraine [Termes descripteurs IGN] uranium Résumé : (auteur) In this article, multilayer perceptron (MLP) network models with spatial constraints are proposed for regionalization of geostatistical point data based on multivariate homogeneity measures. The study focuses on non stationarity and autocorrelation in spatial data. Supervised MLP machine learning algorithms with spatial constraints have been implemented and tested on a point dataset. MLP spatially weighted classification models and an MLP contiguity constrained classification model are developed to conduct spatially constrained regionalization. The proposed methods have been tested with an attribute‐rich point dataset of geological surveys in Ukraine. The experiments show that consideration of the spatial effects, such as the use of spatial attributes and their respective whitening, improve the output of regionalization. It is also shown that spatial sorting used to preserve spatial contiguity leads to improved regionalization performance. Numéro de notice : A2019-552 Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/tgis.12557 date de publication en ligne : 09/07/2019 En ligne : https://doi.org/10.1111/tgis.12557 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94202 [article]

Soil roughness retrieval from TerraSar-X data using neural network and fractal method / Mohammad Maleki in Advances in space research, vol 64 n°5 (1 September 2019)  

Public [article]  inAdvances in space research > vol 64 n°5 (1 September 2019) . - pp 1117-1129 Titre : Soil roughness retrieval from TerraSar-X data using neural network and fractal method Type de document : Article/Communication Auteurs : Mohammad Maleki, Auteur ; Jalal Amini, Auteur ; Claudia Notarnicola, Auteur Année de publication : 2019 Article en page(s) : pp 1117-1129 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes descripteurs IGN] analyse fractale [Termes descripteurs IGN] bande X [Termes descripteurs IGN] équation intégrale [Termes descripteurs IGN] image TerraSAR-X [Termes descripteurs IGN] modèle d'inversion [Termes descripteurs IGN] modèle numérique de terrain [Termes descripteurs IGN] Perceptron multicouche [Termes descripteurs IGN] polarimétrie radar [Termes descripteurs IGN] rugosité du sol Résumé : (auteur) The purpose of this study is to estimate the surface roughness (rms) using TerraSar-X data in HH polarization. Simulation of data is carried out at a wide range of moisture and roughness using the Integral Equation Model (IEM). The inversion method is based on Multi-Layer Perceptron neural network. Inversion technique is performed in two steps. In the first step, the neural network is trained using synthetic data. The inputs of the first neural network are the backscattering coefficient and incidence angle, and the moisture is the output. In the next step, three neural networks are built based on a prior and without prior information on roughness. The inputs of three neural network are backscattering coefficient, estimated moisture in the first step and incidence angle and the roughness is output. The validation of the proposed methods is carried out based on synthetic and real data. Ground roughness measurements are extracted from Digital Terrain Model (DTM) using the fractal method. The accuracy of moisture from synthetic data is 6.1 vol% without prior information on moisture and roughness. The roughness (rms) accuracy of synthetic datasets is 0. 61 cm without prior information and is 0.31 cm and 0.38 cm for rms lower than 2 cm and rms between 2 and 4 cm, with prior information on roughness. The result's analysis of the simulated data showed that the prior information on roughness strongly improves the accuracy of roughness and moisture estimates. The accuracy of rms estimates for the TerraSar-X image in the HH polarization is about 0.9 cm in the case of no prior information on roughness. The accuracy improves to 0.57 cm for rms lower than 2 cm and 0.54 cm for rms between 2 and 4 cm with prior information on roughness. An overestimation of rms for rms lower than 2 cm and an underestimation of rms for rms higher than 2 cm are observed. The results of the accuracy of the synthetic and real data showed that the X band in HH polarization has a very good potential to estimate the soil roughness. Numéro de notice : A2019-411 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.asr.2019.04.019 date de publication en ligne : 24/04/2019 En ligne : https://doi.org/10.1016/j.asr.2019.04.019 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93527 [article]

Using LiDAR-modified topographic wetness index, terrain attributes with leaf area index to improve a single-tree growth model in south-eastern Finland / Cheikh Mohamedou in Forestry, an international journal of forest research, vol 92 n° 3 (July 2019)  

Public [article]  inForestry, an international journal of forest research > vol 92 n° 3 (July 2019) . - pp 253 - 263 Titre : Using LiDAR-modified topographic wetness index, terrain attributes with leaf area index to improve a single-tree growth model in south-eastern Finland Type de document : Article/Communication Auteurs : Cheikh Mohamedou, Auteur ; Lauri Korhonen, Auteur ; Kalle Eerikäinen, Auteur ; Timo Tokola, Auteur Année de publication : 2019 Article en page(s) : pp 253 - 263 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes descripteurs IGN] croissance végétale [Termes descripteurs IGN] diamètre des arbres [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] données localisées 3D [Termes descripteurs IGN] erreur systématique [Termes descripteurs IGN] Finlande [Termes descripteurs IGN] humidité du sol [Termes descripteurs IGN] indice d'humidité [Termes descripteurs IGN] Leaf Area Index [Termes descripteurs IGN] modèle de croissance [Termes descripteurs IGN] Perceptron multicouche Résumé : (Auteur) Tree growth information is crucial in forest management and planning. Terrain-derived attributes such as the topographic wetness index (TWI), in addition to leaf area index (LAI) are closely related to tree growth, but are not commonly used in empirical growth models. In this study, we examined if modified TWI and LAI estimated from airborne light detection and ranging (LiDAR) data could be used to improve the predictions of a national single-tree diameter growth model. Altogether 1118 sample trees were selected within 197 subjectively placed plots in randomly selected forest stands in south-eastern Finland. Linear mixed effect (LME) and multilayer perceptron models were used to model the bias of 5-year growth predictions of the model and thus ultimately improve its predictions. The root mean square error (RMSE) of the national model was 0.604 cm. LME modelling reduced this value to 0.404 cm and MLP to 0.568 cm. The predictors included in the best-performing LME model were modified TWI, LAI estimated from LiDAR intensities, and elevation. Without an LAI estimate, the best RMSE was 0.436 cm. When applied as such, original and modified TWIs produced similar accuracy. We conclude that both TWI and LAI obtained from LiDAR data improve the diameter growth predictions of the national model. Numéro de notice : A2019-293 Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1093/forestry/cpz010 date de publication en ligne : 28/02/2019 En ligne : https://doi.org/10.1093/forestry/cpz010 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93184 [article]

Application des algorithmes de Deep learning pour les images SAR / Luc Baudoux (2019) 

Public Titre : Application des algorithmes de Deep learning pour les images SAR Type de document : Mémoire Auteurs : Luc Baudoux, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2019 Importance : 73 p. Format : 21 x 30 cm Note générale : bibliographie Rapport de fin d'étude, cycle des Ingénieurs diplômés de l’ENSG 3ème année Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image radar et applications [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] chatoiement [Termes descripteurs IGN] filtrage du bruit [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] Perceptron multicouche [Termes descripteurs IGN] réseau de neurones profond Index. décimale : IGAST Mémoires de Master Information Géographique, Analyse Spatiale et Télédétection Résumé : (auteur) Les images radar sont parasitées par un phénomène physique appelé speckle leur conférant un fort effet « poivre et sel ». L’essor des techniques d’apprentissage profond ces dernières années a permis la conception de plusieurs techniques de débruitage. Celles-ci se différencient des méthodes traditionnelles par la capacité d’apprendre le modèle de débruitage implicitement depuis les données radar sans avoir recours à un modèle explicite défini par le concepteur. Le présent rapport de stage porte sur l’étude comparative des principales méthodes proposées à ce jour tant entre elles qu’avec des techniques de débruitage traditionnelles. L’objectif est ici de réaliser l’étude la plus objective possible sur les forces et faiblesses de ces méthodes. Il s’agit également d’étudier l’influence des différents paramètres et de proposer de nouveaux réseaux de neurones afin d’améliorer les résultats actuellement disponibles. Nous montrons dans ce rapport que des réseaux de neurones simples réalisent un bon compromis entre lissage des zones homogènes et préservations des détails. De surcroit, nous montrons que les forces et faiblesses des réseaux de neurones dépendent fortement du type d’apprentissage réalisé. Ainsi, les réseaux, traditionnellement entraînés de manière supervisée sur des simulations de speckle, tendent à mal se transposer au speckle réel. Les réseaux entraînés uniquement sur du speckle réel offrent, quant à eux, de meilleurs résultats. Il faut néanmoins faire attention à la capacité de généralisation, car ces réseaux souffrent d’une légère baisse de qualité de leurs résultats sur des zones dont les textures ou radiométries n’étaient pas présentes dans le jeu d’entraînement. La comparaison avec les méthodes traditionnelles révèle une meilleure préservation des détails au détriment d’un moins fort lissage des zones homogènes. Il convient donc de choisir entre ces méthodes en fonction de l’usage souhaité par la suite pour le traitement de la donnée radar. Note de contenu : 1- Contextualisation 2- Méthodologie 3- Résultats Numéro de notice : 25430 Thématique : IMAGERIE Nature : Mémoire de fin d'études IT Note de thèse : Mémoire de master : Information Géographique, Analyse Spatiale et Télédétection : Paris-Est Marne la Vallée : 2019 Organisme de stage : Centre national d’études spatiales Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93899

Documents numériques

peut être téléchargé Application des algorithmes Adobe Acrobat PDF

Designing an integrated urban growth prediction model: a scenario-based approach for preserving scenic landscapes / Sepideh Saeidi in Geocarto international, vol 33 n° 12 (December 2018)  

Public [article]  inGeocarto international > vol 33 n° 12 (December 2018) . - pp 1381 - 1397 Titre : Designing an integrated urban growth prediction model: a scenario-based approach for preserving scenic landscapes Type de document : Article/Communication Auteurs : Sepideh Saeidi, Auteur ; Seyed Hamed Mirkarimi, Auteur ; Marjan Mohammadzadeh, Auteur ; Abdolrassoul Salmanmahiny, Auteur ; Colin Arrowsmith, Auteur Année de publication : 2018 Article en page(s) : pp 1381 - 1397 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] automate cellulaire [Termes descripteurs IGN] croissance urbaine [Termes descripteurs IGN] Iran [Termes descripteurs IGN] méthode d'étalonnage basée sur le modèle [Termes descripteurs IGN] modèle de simulation [Termes descripteurs IGN] occupation du sol [Termes descripteurs IGN] paysage urbain [Termes descripteurs IGN] Perceptron multicouche [Termes descripteurs IGN] réseau neuronal artificiel Résumé : (auteur) This study demonstrates the integration of landscape aesthetic quality and probable urban growth patterns in urban landscape modelling. This was performed using SLEUTH as a scenario-based urban growth model in Gorgan City of Iran. Future urbanization was predicted under developing three different scenarios including historical, managed and aesthetically sound urban growth up to the year 2030. Multi-Layer Perceptron neural network model was conducted for mapping the aesthetic suitability of the study area. The aesthetic suitability layer was used in the third scenario of SLEUTH model as the excluded layer to protect the scenic patches in future. The results showed that by correct implementation of urban growth policies, 323 ha in the second scenario and 650 ha in the third scenario would be saved. This integrated model would help the planners for a better management of urban landscapes as a Spatial Decision Support System. Numéro de notice : A2019-050 Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2017.1353647 date de publication en ligne : 24/07/2017 En ligne : https://doi.org/10.1080/10106049.2017.1353647 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92071 [article]

A deep neural network with spatial pooling (DNNSP) for 3-D point cloud classification / Zhen Wang in IEEE Transactions on geoscience and remote sensing, vol 56 n° 8 (August 2018)  

Permalink

Multilayer projective dictionary pair learning and sparse autoencoder for PolSAR image classification / Yanqiao Chen in IEEE Transactions on geoscience and remote sensing, vol 55 n° 12 (December 2017)  

Permalink

Atmospheric correction over coastal waters using multilayer neural networks / Yongzhen Fan in Remote sensing of environment, vol 199 (15 September 2017)  

Permalink

A relative evaluation of random forests for land cover mapping in an urban area / Di Shi in Photogrammetric Engineering & Remote Sensing, PERS, vol 83 n° 8 (August 2017)  

Permalink

Artificial neural networks in geospatial analysis / Sucharita Gopal (2017)  

Permalink

Estimation of forest biomass using multivariate relevance vector regression / Alireza Sharifi in Photogrammetric Engineering & Remote Sensing, PERS, vol 82 n° 1 (January 2016)

Permalink

Performance analysis of radial basis function networks and multi-layer perceptron networks in modeling urban change: a case study / Hossein Shafizadeh-Moghadam in International journal of geographical information science IJGIS, vol 29 n° 4 (April 2015)  

Permalink

Assessing the performance of two unsupervised dimensionality reduction techniques on hyperspectral APEX data for high resolution urban land-cover mapping / Luca Demarchi in ISPRS Journal of photogrammetry and remote sensing, vol 87 (January 2014)

Permalink

Comparison of support vector machine, neural network, and CART algorithms for the land-cover classification using limited training data points / Y. Shao in ISPRS Journal of photogrammetry and remote sensing, vol 70 (June 2012)

Permalink

An assessment of internal neural network parameters affecting image classification accuracy / L. Zhou in Photogrammetric Engineering & Remote Sensing, PERS, vol 77 n° 12 (December 2011)  

Permalink