Centre dedocumentation
scientifique

Comparison of tree-based classification algorithms in mapping burned forest areas / Dilek Kucuk Matci in Geodetski vestnik, vol 64 n° 3 (September - November 2020)  

Public [article]  inGeodetski vestnik > vol 64 n° 3 (September - November 2020) . - 13 p. Titre : Comparison of tree-based classification algorithms in mapping burned forest areas Type de document : Article/Communication Auteurs : Dilek Kucuk Matci, Auteur ; Resul Comert, Auteur ; Ugur Avdan, Auteur Année de publication : 2020 Article en page(s) : 13 p. Note générale : bibliographie Langues : Anglais (eng) Slovène (slv) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] analyse comparative [Termes IGN] analyse d'image orientée objet [Termes IGN] bassin méditerranéen [Termes IGN] carte forestière [Termes IGN] classification dirigée [Termes IGN] classification par arbre de décision [Termes IGN] classification par forêts aléatoires [Termes IGN] image Landsat-8 [Termes IGN] incendie de forêt [Termes IGN] matrice de confusion [Termes IGN] pansharpening (fusion d'images) [Termes IGN] Rotation Forest classification [Termes IGN] Turquie [Termes IGN] zone sinistrée Résumé : (auteur) In this study, we compared the performance of tree-based classification algorithms – Random Forest (RF), Rotation Forest (RotF), J48, The Alternating Decision Tree (ADTree), Forest by Penalising Attributes (Forest PA), Logical Analysis of Data Algorithm (LADTree) and Functional Trees (FT) – for mapping burned forest areas within the Mediterranean region in Turkey. Object-based image analysis (OBIA) was performed to pan-sharpened the Landsat 8 images. Four different burned areas, namely Kumluca, Adrasan, Anamur, and Alanya, were used as study areas. Kumluca, Anamur, and Alanya regions were used as training areas, and Adrasan region was used as the test area. Obtained results were evaluated with confusion matrix and statistically significant analysis. According to the results, FT and RotF produced more accurate results than other algorithms. Also, the results obtained with these algorithms are statistically significant. Numéro de notice : A2020-626 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.15292/geodetski-vestnik.2020.03.348-360 date de publication en ligne : 23/08/2020 En ligne : https://doi.org/10.15292/geodetski-vestnik.2020.03.348-360 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96087 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
139-2020031	SL	Revue	Centre de documentation	Revues en salle	Disponible

Discriminant analysis for lodging severity classification in wheat using RADARSAT-2 and Sentinel-1 data / Sugandh Chauhan in ISPRS Journal of photogrammetry and remote sensing, vol 164 (June 2020)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 164 (June 2020) . - pp 138 - 151 Titre : Discriminant analysis for lodging severity classification in wheat using RADARSAT-2 and Sentinel-1 data Type de document : Article/Communication Auteurs : Sugandh Chauhan, Auteur ; Roshanak Darvishzadeh, Auteur ; Mirco Boschetti, Auteur ; Andrew Nelson, Auteur Année de publication : 2020 Article en page(s) : pp 138 - 151 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] agrégation [Termes IGN] analyse diachronique [Termes IGN] analyse discriminante [Termes IGN] blé (céréale) [Termes IGN] courbure [Termes IGN] gestion prévisionnelle [Termes IGN] image Radarsat [Termes IGN] image Sentinel-SAR [Termes IGN] Italie [Termes IGN] matrice de confusion [Termes IGN] méthode des moindres carrés [Termes IGN] rendement agricole [Termes IGN] surveillance agricole Résumé : (auteur) Crop lodging - the bending of crop stems from their upright position or the failure of root-soil anchorage systems - is a major yield-reducing factor in wheat and causes deterioration of grain quality. The severity of lodging can be measured by a lodging score (LS)- an index calculated from the crop angle of inclination (CAI) and crop lodged area (LA). LS is difficult and time consuming to measure manually meaning that information on lodging occurrence and severity is limited and sparse. Remote sensing-based estimates of LS can provide more timely, synoptic and reliable information on crop lodging across vast areas. This information could improve estimates of crop yield losses, inform insurance loss adjusters and influence management decisions for subsequent seasons. This research - conducted in the 600 ha wheat sown area in the Bonifiche Ferraresi farm, located in Jolanda di Savoia, Ferrara, Italy - evaluated the performance of RADARSAT-2 and Sentinel-1 data to discriminate and classify lodging severity based on field measured LS. We measured temporal crop status characteristics related to lodging (e.g. lodged area, CAI, crop height) and collected relevant meteorological data (wind speed and rainfall) throughout May-June 2018. These field measurements were used to distinguish healthy (He) wheat from lodged wheat with different degrees of lodging severity (moderate, severe and very severe). We acquired multi-incidence angle (FQ8-27° and FQ21-41°) RADARSAT-2 and Sentinel-1 (40°) images and derived multiple metrics from them to discriminate and classify lodging severity. As a part of our data exploration, we performed a correlation analysis between the image-based metrics and LS. Next, a multi-temporal discriminant analysis approach, including a partial least squares (PLS-DA) method, was developed to classify lodging severities. We used the area under the curve-receiver operating characteristics (AUC-ROC) and confusion matrices to evaluate the accuracy of the PLS-DA classification models. Results show that (1) volume scattering components were highly correlated with LS at low incidence angles while double and surface scattering was more prevalent at high incidence angles; (2) lodging severity was best classified using low incidence angle R-FQ8 data (overall accuracy 72%) and (3) the Sentinel-1 data-based classification model was able to correctly identify 60% of the lodging severity cases in the study site. The results from this first study on classifying lodging severity using satellite-based SAR platforms suggests that SAR-based metrics can capture a substantial proportion of the observed variation in lodging severity, which is important in the context of operational crop lodging assessment in particular, and sustainable agriculture in general. Numéro de notice : A2020-276 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2020.04.012 date de publication en ligne : 29/04/2020 En ligne : https://doi.org/10.1016/j.isprsjprs.2020.04.012 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95087 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2020061	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2020063	DEP-RECP	Revue	LaSTIG	Dépôt en unité	Exclu du prêt
081-2020062	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Street-Frontage-Net: urban image classification using deep convolutional neural networks / Stephen Law in International journal of geographical information science IJGIS, vol 34 n° 4 (April 2020)  

Public [article]  inInternational journal of geographical information science IJGIS > vol 34 n° 4 (April 2020) . - pp 681- 707 Titre : Street-Frontage-Net: urban image classification using deep convolutional neural networks Type de document : Article/Communication Auteurs : Stephen Law, Auteur ; Chanuki Illushka Seresinhe, Auteur ; Yao Shen, Auteur Année de publication : 2020 Article en page(s) : pp 681- 707 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] apprentissage profond [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] espace public [Termes IGN] évaluation foncière [Termes IGN] extraction de données [Termes IGN] façade [Termes IGN] habitat urbain [Termes IGN] image Streetview [Termes IGN] immobilier (secteur) [Termes IGN] information géographique [Termes IGN] Londres [Termes IGN] matrice de confusion [Termes IGN] Paris (75) [Termes IGN] paysage urbain [Termes IGN] urbanisme [Termes IGN] vision par ordinateur Résumé : (auteur) Quantifying aspects of urban design on a massive scale is crucial to help develop a deeper understanding of urban designs elements that contribute to the success of a public space. In this study, we further develop the Street-Frontage-Net (SFN), a convolutional neural network (CNN) that can successfully evaluate the quality of street frontage as either being active (frontage containing windows and doors) or blank (frontage containing walls, fences and garages). Small-scale studies have indicated that the more active the frontage, the livelier and safer a street feels. However, collecting the city-level data necessary to evaluate street frontage quality is costly. The SFN model uses a deep CNN to classify the frontage of a street. This study expands on the previous research via five experiments. We find robust results in classifying frontage quality for an out-of-sample test set that achieves an accuracy of up to 92.0%. We also find active frontages in a neighbourhood has a significant link with increased house prices. Lastly, we find that active frontage is associated with more scenicness compared to blank frontage. While further research is needed, the results indicate the great potential for using deep learning methods in geographic information extraction and urban design. Numéro de notice : A2020-110 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/13658816.2018.1555832 date de publication en ligne : 26/12/2018 En ligne : https://doi.org/10.1080/13658816.2018.1555832 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94712 [article]

Cartographie des défoliations du massif forestier du Pays des étangs en Lorraine : Apports potentiels de la télédétection / Thierry Bélouard in Revue forestière française [en ligne], vol 70 n° 5 (2018)  

Public [article]  inRevue forestière française [en ligne] > vol 70 n° 5 (2018) . - pp 473 - 486 Titre : Cartographie des défoliations du massif forestier du Pays des étangs en Lorraine : Apports potentiels de la télédétection Type de document : Article/Communication Auteurs : Thierry Bélouard , Auteur ; Hubert Schmuck, Auteur ; Louis-Michel Nageleisen, Auteur ; Dominique Guyon, Auteur Année de publication : 2018 Article en page(s) : pp 473 - 486 Note générale : bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes IGN] analyse diachronique [Termes IGN] BD forêt [Termes IGN] carte de la végétation [Termes IGN] chênaie [Termes IGN] classification par forêts aléatoires [Termes IGN] défoliation [Termes IGN] image Landsat [Termes IGN] image Sentinel-MSI [Termes IGN] image Terra-MODIS [Termes IGN] Lorraine [Termes IGN] matrice de confusion [Termes IGN] Moselle (57) [Termes IGN] Quercus pedunculata [Termes IGN] santé des forêts [Termes IGN] Sarrebourg Résumé : (auteur) Depuis le début des années 2000, les chênaies du massif forestier du Pays des étangs en Lorraine, massif essentiellement feuillu, subissent des dépérissements importants, aux causes multiples (insectes défoliateurs, sécheresse et canicule de 2003). La chenille processionnaire du chêne y joue un rôle essentiel en provoquant de nombreuses et importantes défoliations depuis les années 1990. Cette étude exploratoire montre qu’en s’appuyant sur des observations de terrain comme données de référence, une cartographie des défoliations des années 2010 peut être réalisée à partir d’images satellitaires. La méthode s’appuie sur des images à moyenne (MODIS) et haute (Landsat) résolutions spatiales, acquises à plusieurs dates dans l’année, d’une part, et sur une méthode de classification supervisée basée sur les forêts aléatoires d’arbres de décision, d’autre part. Une extrapolation permet d’avoir des indications sur le niveau des défoliations localement. Des améliorations de la méthode sur plusieurs points (meilleure adéquation entre les observations de terrain et les images, utilisation des images satellitaires Sentinel-2, choix des prédicteurs issus des images) sont envisagées afin de l’utiliser pour d’autres forêts subissant également d’importantes défoliations. Numéro de notice : A2018-650 Affiliation des auteurs : non IGN Thématique : FORET Nature : Article DOI : 10.4267/2042/70132 date de publication en ligne : 25/04/2019 En ligne : https://doi.org/10.4267/2042/70132 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93429 [article]

Evaluating EO1-Hyperion capability for mapping conifer and broadleaved forests / Nicola Puletti in European journal of remote sensing, vol 49 (2016)  

Public [article]  inEuropean journal of remote sensing > vol 49 (2016) . - pp 157 - 169 Titre : Evaluating EO1-Hyperion capability for mapping conifer and broadleaved forests Type de document : Article/Communication Auteurs : Nicola Puletti, Auteur ; Nicola Camarretta, Auteur ; Piermaria Corona, Auteur Année de publication : 2016 Article en page(s) : pp 157 - 169 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes IGN] classification par forêts aléatoires [Termes IGN] classification par séparateurs à vaste marge [Termes IGN] feuillu [Termes IGN] forêt [Termes IGN] image EO1-Hyperion [Termes IGN] image hyperspectrale [Termes IGN] matrice de confusion [Termes IGN] Pinophyta [Termes IGN] régression multivariée par spline adaptative Résumé : (auteur) The objective of the present study is the comparison of the combined use of Earth Observation-1 (EO-1) Hyperion Hyperspectral images with the Random Forest (RF), Support Vector Machines (SVM) and Multivariate Adaptive Regression Splines (MARS) classifiers for discriminating forest cover groups, namely broadleaved and coniferous forests. Statistics derived from classification confusion matrix were used to assess the accuracy of the derived thematic maps. We demonstrated that Hyperion data can be effectively used to obtain rapid and accurate large-scale mapping of main forest types (conifers-broadleaved). We also verified higher capability of Hyperion imagery with respect to Landsat data to such an end. Results demonstrate the ability of the three tested classification methods, with small improvements given by SVM in terms of overall accuracy and kappa statistic. Numéro de notice : A2016-832 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article En ligne : http://dx.doi.org/10.5721/EuJRS20164909 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=82716 [article]

µ-shapes: Delineating urban neighborhoods using volunteered geographic information / Matt Aadland in Journal of Spatial Information Science (JoSIS), n° 12 (March 2016)  

Permalink

Assessment of the cover changes and the soil loss potential in European forestland: First approach to derive indicators to capture the ecological impacts on soil-related forest ecosystems / P. Borrelli in Ecological indicators, vol 60 (January 2016)  

Permalink

Développement d'outils et de méthodes pour l'estimation de la qualité des résultats de classification / Zhour Najoui (2013)

Permalink

Estimation de la qualité des résultats [d'une] classification sous ENVI / Nidal Aburajab (2013)

Permalink

Fusion de données lidar et multispectrales / Ophélie Sinagra (2013) 

Permalink

Study of land cover datasets / Jean Portemer (2013) 

Permalink

Traitements numériques des images de télédétection, Vol. 3. Traitements appliqués à la photo-interprétation / Olivier de Joinville (2012)

Permalink

Classification orientée-objet supervisée d'une forêt avec une sélection guidée d'attributs personnalisés / Olivier de Joinville in Revue Française de Photogrammétrie et de Télédétection, n° 195 (Novembre 2011)

Permalink

Consistency of accuracy assessment indices for soft classification: simulation analysis / J. Chen in ISPRS Journal of photogrammetry and remote sensing, vol 65 n° 2 (March - April 2010)

Permalink

Forest object-oriented classification with customized and automatic attribute selection / Olivier de Joinville (2010)    

Permalink