Descripteur
Documents disponibles dans cette catégorie (20)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externesEtendre la recherche sur niveau(x) vers le bas
A worldwide 3D GCP database inherited from 20 years of massive multi-satellite observations / Laure Chandelier in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, V-2 (August 2020)
Titre : A worldwide 3D GCP database inherited from 20 years of massive multi-satellite observations Type de document : Article/Communication Auteurs : Laure Chandelier Année de publication : 2020 Projets : 1-Pas de projet / Conférence : ISPRS 2020, Commission 2, virtual Congress, Imaging today foreseeing tomorrow 31/08/2020 02/09/2020 Nice (en ligne) France Annals Commission 2 Article en page(s) : pp 15 - 23 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] base de données d'images
[Termes IGN] compensation par bloc
[Termes IGN] données localisées de référence
[Termes IGN] formatage
[Termes IGN] image à très haute résolution
[Termes IGN] image multi sources
[Termes IGN] image satellite
[Termes IGN] image SPOT 6
[Termes IGN] image SPOT 7
[Termes IGN] image SPOT-HRS
[Termes IGN] informatique en nuage
[Termes IGN] Institut national de l'information géographique et forestière (France)
[Termes IGN] point d'appui
[Termes IGN] spatiotriangulationRésumé : (auteur) High location accuracy is a major requirement for satellite image users. Target performance is usually achieved thanks to either specific on-board satellite equipment or an auxiliary registration reference dataset. Both methods may be expensive and with certain limitations in terms of performance. The Institut national de l’information géographique et forestière (IGN) and Airbus Defence and Space (ADS) have worked together for almost 20 years, to build reference data for improving image location using multi-satellite observations. The first geometric foundation created has mainly used SPOT 5 High Resolution Stereoscopic (HRS) imagery, ancillary Ground Control Points (GCP) and Very High Resolution (VHR) imagery, providing a homogenous location accuracy of 10m CE90 almost all over the world in 2010. Space Reference Points (SRP) is a new worldwide 3D GCP database, built from a plethoric SPOT 6/7 multi-view archive, largely automatically processed, with cloud-based technologies. SRP aims at providing a systematic and reliable solution for image location (Unmanned Aerial Vehicle, VHR satellite imagery, High Altitudes Pseudo-Satellite…) and similar topics thanks to a high-density point distribution with a 3m CE90 accuracy. This paper describes the principle of SRP generation and presents the first validation results. A SPOT 6/7 smart image selection is performed to keep only relevant images for SRP purpose. The location of these SPOT 6/7 images is refined thanks to a spatiotriangulation on the worldwide geometric foundation, itself improved where needed. Points making up the future SRP database are afterward extracted thanks to classical feature detection algorithms and with respect to the expected density. Different filtering methods are applied to keep the best candidates. The last step of the processing chain is the formatting of the data to the delivery format, including metadata. An example of validation of SRP concept and specification on two tests sites (Spain and China) is then given. As a conclusion, the on-going production is shortly presented. Numéro de notice : A2020-474 Affiliation des auteurs : IGN+Ext (2012-2019) Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.5194/isprs-annals-V-2-2020-15-2020 date de publication en ligne : 03/08/2020 En ligne : https://doi.org/10.5194/isprs-annals-V-2-2020-15-2020 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95613
in ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences > V-2 (August 2020) . - pp 15 - 23[article]
Titre : Mangrove forest classification and aboveground biomass estimation using an atom search algorithm and adaptive neuro-fuzzy inference system Type de document : Article/Communication Auteurs : Minh Hai Pham, Auteur ; Thi Hoai Do, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : n° 0233110 Note générale : biblographie Langues : Anglais (eng) Descripteur : [Termes IGN] algorithme de recherche
[Termes IGN] biomasse aérienne
[Termes IGN] biomasse forestière
[Termes IGN] changement d'occupation du sol
[Termes IGN] image Sentinel-SAR
[Termes IGN] image SPOT 6
[Termes IGN] Inférence floue
[Termes IGN] mangrove
[Termes IGN] Viet Nam
[Vedettes matières IGN] Ecologie forestièreRésumé : (auteur) Background : Advances in earth observation and machine learning techniques have created new options for forest monitoring, primarily because of the various possibilities that they provide for classifying forest cover and estimating aboveground biomass (AGB).
Methods : This study aimed to introduce a novel model that incorporates the atom search algorithm (ASO) and adaptive neuro-fuzzy inference system (ANFIS) into mangrove forest classification and AGB estimation. The Ca Mau coastal area was selected as a case study since it has been considered the most preserved mangrove forest area in Vietnam and is being investigated for the impacts of land-use change on forest quality. The model was trained and validated with a set of Sentinel-1A imagery with VH and VV polarizations, and multispectral information from the SPOT image. In addition, feature selection was also carried out to choose the optimal combination of predictor variables. The model performance was benchmarked against conventional methods, such as support vector regression, multilayer perceptron, random subspace, and random forest, by using statistical indicators, namely, root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R2).
Results : The results showed that all three indicators of the proposed model were statistically better than those from the benchmarked methods. Specifically, the hybrid model ended up at RMSE = 70.882, MAE = 55.458, R2 = 0.577 for AGB estimation.
Conclusion : From the experiments, such hybrid integration can be recommended for use as an alternative solution for biomass estimation. In a broader context, the fast growth of metaheuristic search algorithms has created new scientifically sound solutions for better analysis of forest cover.Numéro de notice : A2020-833 Affiliation des auteurs : non IGN Thématique : FORET/INFORMATIQUE Nature : Article DOI : https://doi.org/10.1371/journal.pone.0233110 date de publication en ligne : 21/05/2020 En ligne : https://doi.org/10.1371/journal.pone.0233110 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97667
in Plos one > vol 15 n° 5 (May 2020) . - n° 0233110[article]
Titre : Multi-Spatial Resolution Satellite and sUAS Imagery for Precision Agriculture on Smallholder Farms in Malawi Type de document : Article/Communication Auteurs : Brad G. Peter, Auteur ; Joseph P. Messina, Auteur ; Jon W. Carroll, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 107 - 119 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] agriculture de précision
[Termes IGN] analyse multirésolution
[Termes IGN] exploitation agricole
[Termes IGN] image Pléiades
[Termes IGN] image Sentinel-MSI
[Termes IGN] image SPOT 6
[Termes IGN] MalawiRésumé : (Auteur) A collection of spectral indices, derived from a range of remote sensing imagery spatial resolutions, are compared to on-farm measurements of maize chlorophyll content and yield at two trial farms in central Malawi to evaluate what spatial resolutions are most effective for relating multispectral images with crop status. Single and multiple linear regressions were tested for spatial resolutions ranging from 7 cm to 20 m using a small unmanned aerial system (sUAS) and satellite imagery from Planet, SPOT 6, Pléiades, and Sentinel-2. Results suggest that imagery with spatial resolutions nearer the maize plant scale (i.e., 14–27 cm) are most effective for relating spectral signals with crop health on smallholder farms in Malawi. Consistent with other studies, green-band indices were more strongly correlated with maize chlorophyll content and yield than conventional red-band indices, and multivariable models often outperformed single variable models. Numéro de notice : A2020-127 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.14358/PERS.86.2.107 date de publication en ligne : 01/02/2020 En ligne : https://doi.org/10.14358/PERS.86.2.107 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94796
in Photogrammetric Engineering & Remote Sensing, PERS > vol 86 n° 2 (February 2020) . - pp 107 - 119[article]Vers une occupation du sol France entière par imagerie satellite à très haute résolution / Tristan Postadjian (2020)
Titre : Vers une occupation du sol France entière par imagerie satellite à très haute résolution Type de document : Thèse/HDR Auteurs : Tristan Postadjian Editeur : Champs-sur-Marne [France] : Université Gustave Eiffel Année de publication : 2020 Importance : 169 p. Format : 21 x 30 cm Note générale : Bibliographie
Thèse présentée pour l'obtention du titre de Docteur de l'Université Paris-Est, spécialité : Mathématiques, Sciences et Technologies de l'Information et de la CommunicationLangues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] base de données IGN
[Termes IGN] carte d'occupation du sol
[Termes IGN] classification automatique
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] image à très haute résolution
[Termes IGN] image SPOT 6
[Termes IGN] image SPOT 7
[Termes IGN] mise à jour de base de données
[Termes IGN] occupation du sol
[Termes IGN] OCS GERésumé : (auteur) La connaissance de la couverture des territoires en terme d’occupation des sols est devenue un enjeu majeur du XXIème siècle. Que ce soit à l’échelle nationale ou à une échelle plus globale, les initiatives se multiplient pour proposer des cartographies d’occupation des sols qui répondent à des besoins propres à chacune. Consistant à classer des objets présents sur le sol selon des nomenclatures prédéfinies, la tâche est fastidieuse à l’heure actuelle avec des processus essentiellement manuels ou semi-manuels, nécessaires pour garantir le respect de certaines qualités et spécifications. De son côté, la télédétection spatiale a connu un essor conséquent avec la multiplication des capteurs optiques d’observation de la Terre disponibles et de leur diversité en terme de résolutions spectrale, spatiale et temporelle. Ces capteurs optiques proposent chacun une description de la surface terrestre qui leur est propre, et donc caractérisant un ou plusieurs type(s) d’occupation(s) des sols. Ces types dépendent justement des caractéristiques de ces capteurs, caractéristiques adaptées davantage à l’observation des glaciers, des forêts ou des zones plus urbaines par exemple. Les satellites SPOT 6 et SPOT 7, lancés en 2012 et 2014 respectivement, sont dotés de capteurs optiques à très haute résolution spatiale, et acquièrent des images dans quatre bandes spectrales à haute résolution ainsi qu’une bande panchromatique à très haute résolution, permettant de porter la résolution des quatre canaux spectraux à 1,5 m. L’IGN, à partir de ces acquisitions SPOT disponibles sur le pôle de données surfaces continentales THEIA, produit chaque année une couverture d’orthophotos sur l’ensemble du territoire français. Il apparaît dès lors intéressant d’exploiter cette couverture pour générer une OCS millésimée. La problématique de cartographie de l’occupation des sols automatique à partir d’images aériennes ou satellites occupe la communauté de télédétection depuis longtemps, par le biais de processus de classification supervisés, tels que les SVMs, ou les forêts aléatoires pour, entre autres, la vitesse d’exécution de ces derniers. Mais les résultats obtenus par ces méthodes n’ont pas encore permis une réelle automatisation, notamment en adéquation avec des spécifications existantes (erreurs encore trop importantes). En parallèle de ces algorithmes depuis longtemps utilisés, des méthodes d’apprentissage automatique d’un genre nouveau, bien que reposant sur des concepts remontant aux années 1950, émergent depuis une décennie et sont étroitement liés aux recherches menées en machine learning. L’apprentissage profond, dont il est question ici, a fait ses preuves dans de nombreux domaines depuis le traitement naturel du langage, à la reconnaissance d’objets dans des images. Cet essor récent est la conséquence de la disponibilité de grandes bases de données d’apprentissage, ainsi que la démocratisation de l’utilisation de GPUs et de l’accroissement général des puissances de calcul. Représentants principaux de cette famille d’apprentissage, les réseaux de neurones profonds ont réellement bouleversé le monde actuel au quotidien. Que ce soit au niveau académique en terme de recherche, au niveau sociétal, au travers des smartphones par exemple (reconnaissances vocale, faciale, systèmes de recommandation), ou même au niveau politique, avec les questions déontologiques que cela peut poser en terme de confidentialité des données (RGPD) et de protection des libertés individuelles, l’apprentissage profond est au cœur de technologies utilisées par la plupart des gens, de manière transparente et donc sans que ceux-ci s’en aperçoivent. En effet, pour afficher de telles performances dans tant de domaines, l’inconvénient pratique est le besoin très massif de données d’apprentissage lorsque l’on manipule ces algorithmes. Les bases de données géographiques de l’IGN sont donc une opportunité dans notre cas, permettant d’exploiter au mieux les images très haute résolution monoscopiques acquises par les satellites SPOT 6 et 7 en les classifiant automatiquement par réseaux de neurones profonds appris sur ces mêmes bases de données. C’est cette approche que nous proposons dans ces travaux de thèse, avec une volonté d’étudier cette problématique tout en se plaçant dans un cadre plus large à visée opérationnelle, afin de proposer des cartographies sur de grandes étendues géographiques. Les expérimentations menées répondent aux questions soulevées lorsque l’on cherche à classifier de grandes zones : par exemple, la couverture annuelle SPOT produite par l’IGN étant unique, deux images adjacentes de cette couverture peuvent avoir été acquises à des époques différentes. Également, nous étudions les possibilités de transfert d’apprentissage par fine-tuning qui offre beaucoup d’avantages en matière de charges de calcul et de jeu d’apprentissage. Enfin, dans un contexte de mise à jour automatique de bases de données géographiques, l’exploitation jointe d’images aériennes et de réseaux de neurones profonds est étudiée, avec un accent mis sur la préparation des données d’apprentissage issues des bases de données géographiques de l’IGN qui présentent certains inconvénients. Note de contenu : 1- Introduction
2- Etat de l'art
3- Apprentissage profond sur images satellites très haute résolution
4- Mettre à jour des bases de données d'OCS
5- Conclusion et perspectivesNuméro de notice : 25964 Affiliation des auteurs : UGE-LaSTIG (2020- ) Thématique : FORET/IMAGERIE/INFORMATIQUE Nature : Thèse française Note de thèse : Thèse de Doctorat : Informatique : Paris-Est : 2020 Organisme de stage : LaSTIG (IGN) nature-HAL : Thèse DOI : sans date de publication en ligne : 08/12/2020 En ligne : https://tel.archives-ouvertes.fr/tel-03045637/document Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96546 Multimodal scene understanding: algorithms, applications and deep learning, ch. 11. Decision fusion of remote-sensing data for land cover classification / Arnaud Le Bris (2019)
Titre de série : Multimodal scene understanding: algorithms, applications and deep learning, ch. 11 Titre : Decision fusion of remote-sensing data for land cover classification Type de document : Chapitre/Contribution Auteurs : Arnaud Le Bris Editeur : Londres, New York : Academic Press Année de publication : 2019 Importance : pp 341 - 382 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] classification dirigée
[Termes IGN] fusion de données multisource
[Termes IGN] image à très haute résolution
[Termes IGN] image Sentinel-MSI
[Termes IGN] image SPOT 6
[Termes IGN] image SPOT 7
[Termes IGN] occupation du sol
[Termes IGN] série temporelle
[Termes IGN] zone urbaineRésumé : (Auteur) Very high spatial resolution (VHR) multispectral imagery enables a fine delineation of objects and a possible use of texture information. Other sensors provide a lower spatial resolution but an enhanced spectral or temporal information, permitting one to consider richer land cover semantics. So as to benefit from the complementary characteristics of these multimodal sources, a decision late fusion scheme is proposed. This makes it possible to benefit from the full capacities of each sensor, while dealing with both semantic and spatial uncertainties. The different remote-sensing modalities are first classified independently. Separate class membership maps are calculated and then merged at the pixel level, using decision fusion rules. A final label map is obtained from a global regularization scheme in order to deal with spatial uncertainties while conserving the contrasts from the initial images. It relies on a probabilistic graphical model involving a fit-to-data term related to merged class membership measures and an image-based contrast-sensitive regularization term. Conflict between sources can also be integrated into this scheme. Two experimental cases are presented. In the first case one considers the fusion of VHR multispectral imagery with lower spatial resolution hyperspectral imagery for fine-grained land cover classification problem in dense urban areas. In the second case one uses SPOT 6/7 satellite imagery and Sentinel-2 time series to extract urban area footprints through a two-step process: classifications are first merged in order to detect building objects, from which a urban area prior probability is derived and eventually merged to Sentinel-2 classification output for urban footprint detection. Numéro de notice : H2019-002 Affiliation des auteurs : LaSTIG MATIS+Ext (2012-2019) Thématique : IMAGERIE Nature : Chapître / contribution nature-HAL : ChOuvrScient DOI : 10.1016/B978-0-12-817358-9.00017-2 date de publication en ligne : 02/08/2019 En ligne : https://doi.org/10.1016/B978-0-12-817358-9.00017-2 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93303 PermalinkPermalinkPermalink
PermalinkPermalinkPermalinkPermalinkSynergie des données Sentinel optiques et radar pour l’observation et l’analyse de la végétation du littoral du Pays de Brest / Antoine Billey (2018)
PermalinkPermalinkPermalink
