Descripteur
Termes IGN > mathématiques > statistique mathématique > analyse de données > classification > classification par arbre de décision > classification par forêts d'arbres décisionnels
classification par forêts d'arbres décisionnelsSynonyme(s)Random forests classification forêts aléatoiresVoir aussi |
Documents disponibles dans cette catégorie (240)
Ajouter le résultat dans votre panier
Visionner les documents numériques
Affiner la recherche Interroger des sources externes
Etendre la recherche sur niveau(x) vers le bas
Comparing the performance of flat and hierarchical Habitat/Land-Cover classification models in a NATURA 2000 site / Yoni Gavish in ISPRS Journal of photogrammetry and remote sensing, vol 136 (February 2018)
[article]
Titre : Comparing the performance of flat and hierarchical Habitat/Land-Cover classification models in a NATURA 2000 site Type de document : Article/Communication Auteurs : Yoni Gavish, Auteur ; Jerome O’Connell, Auteur ; Charles J. Marsh, Auteur ; Cristina Tarantino, Auteur ; Palma Blonda, Auteur ; Valeria Tomaselli, Auteur ; William E. Kunin, Auteur Année de publication : 2018 Article en page(s) : pp 1 - 12 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image
[Termes IGN] analyse comparative
[Termes IGN] classification
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] habitat (nature)
[Termes IGN] occupation du sol
[Termes IGN] performance
[Termes IGN] site Natura 2000Résumé : (Auteur) The increasing need for high quality Habitat/Land-Cover (H/LC) maps has triggered considerable research into novel machine-learning based classification models. In many cases, H/LC classes follow pre‐defined hierarchical classification schemes (e.g., CORINE), in which fine H/LC categories are thematically nested within more general categories. However, none of the existing machine-learning algorithms account for this pre-defined hierarchical structure. Here we introduce a novel Random Forest (RF) based application of hierarchical classification, which fits a separate local classification model in every branching point of the thematic tree, and then integrates all the different local models to a single global prediction. We applied the hierarchal RF approach in a NATURA 2000 site in Italy, using two land-cover (CORINE, FAO-LCCS) and one habitat classification scheme (EUNIS) that differ from one another in the shape of the class hierarchy. For all 3 classification schemes, both the hierarchical model and a flat model alternative provided accurate predictions, with kappa values mostly above 0.9 (despite using only 2.2–3.2% of the study area as training cells). The flat approach slightly outperformed the hierarchical models when the hierarchy was relatively simple, while the hierarchical model worked better under more complex thematic hierarchies. Most misclassifications came from habitat pairs that are thematically distant yet spectrally similar. In 2 out of 3 classification schemes, the additional constraints of the hierarchical model resulted with fewer such serious misclassifications relative to the flat model. The hierarchical model also provided valuable information on variable importance which can shed light into “black-box” based machine learning algorithms like RF. We suggest various ways by which hierarchical classification models can increase the accuracy and interpretability of H/LC classification maps. Numéro de notice : A2018-071 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2017.12.002 Date de publication en ligne : 05/02/2018 En ligne : https://doi.org/10.1016/j.isprsjprs.2017.12.002 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89430
in ISPRS Journal of photogrammetry and remote sensing > vol 136 (February 2018) . - pp 1 - 12[article]Exemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2018021 RAB Revue Centre de documentation En réserve L003 Disponible 081-2018023 RAB Revue Centre de documentation En réserve L003 Disponible 081-2018022 DEP-EAF Revue Nancy Dépôt en unité Exclu du prêt Interpreting the fuzzy semantics of natural-language spatial relation terms with the fuzzy random forest algorithm / Xiaonan Wang in ISPRS International journal of geo-information, vol 7 n° 2 (February 2018)
[article]
Titre : Interpreting the fuzzy semantics of natural-language spatial relation terms with the fuzzy random forest algorithm Type de document : Article/Communication Auteurs : Xiaonan Wang, Auteur ; Shihong Du, Auteur ; Chen-Chieh Feng, Auteur ; Xueying Zhang, Auteur ; Xiuyuan Zhang, Auteur Année de publication : 2018 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] langage naturel (informatique)
[Termes IGN] relation sémantique
[Termes IGN] relation topologique
[Termes IGN] toponyme flouRésumé : (Auteur) Naïve Geography, intelligent geographical information systems (GIS), and spatial data mining especially from social media all rely on natural-language spatial relations (NLSR) terms to incorporate commonsense spatial knowledge into conventional GIS and to enhance the semantic interoperability of spatial information in social media data. Yet, the inherent fuzziness of NLSR terms makes them challenging to interpret. This study proposes to interpret the fuzzy semantics of NLSR terms using the fuzzy random forest (FRF) algorithm. Based on a large number of fuzzy samples acquired by transforming a set of crisp samples with the random forest algorithm, two FRF models with different membership assembling strategies are trained to obtain the fuzzy interpretation of three line-region geometric representations using 69 NLSR terms. Experimental results demonstrate that the two FRF models achieve good accuracy in interpreting line-region geometric representations using fuzzy NLSR terms. In addition, fuzzy classification of FRF can interpret the fuzzy semantics of NLSR terms more fully than their crisp counterparts. Numéro de notice : A2018-107 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi7020058 En ligne : https://doi.org/10.3390/ijgi7020058 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89533
in ISPRS International journal of geo-information > vol 7 n° 2 (February 2018)[article]Predicting temperate forest stand types using only structural profiles from discrete return airborne lidar / Melissa Fedrigo in ISPRS Journal of photogrammetry and remote sensing, vol 136 (February 2018)
[article]
Titre : Predicting temperate forest stand types using only structural profiles from discrete return airborne lidar Type de document : Article/Communication Auteurs : Melissa Fedrigo, Auteur ; Glenn J. Newnham, Auteur ; Nicholas C. Coops, Auteur ; Darius S. Culvenor, Auteur ; Douglas K. Bolton, Auteur ; Craig R. Nitschke, Auteur Année de publication : 2018 Article en page(s) : pp 106 - 119 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie
[Termes IGN] analyse en composantes principales
[Termes IGN] analyse linéaire des mélanges spectraux
[Termes IGN] Australie
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] données lidar
[Termes IGN] données localisées 3D
[Termes IGN] Eucalyptus (genre)
[Termes IGN] forêt tempérée
[Termes IGN] peuplement forestier
[Termes IGN] prédiction
[Termes IGN] strate végétaleRésumé : (Auteur) Light detection and ranging (lidar) data have been increasingly used for forest classification due to its ability to penetrate the forest canopy and provide detail about the structure of the lower strata. In this study we demonstrate forest classification approaches using airborne lidar data as inputs to random forest and linear unmixing classification algorithms. Our results demonstrated that both random forest and linear unmixing models identified a distribution of rainforest and eucalypt stands that was comparable to existing ecological vegetation class (EVC) maps based primarily on manual interpretation of high resolution aerial imagery. Rainforest stands were also identified in the region that have not previously been identified in the EVC maps. The transition between stand types was better characterised by the random forest modelling approach. In contrast, the linear unmixing model placed greater emphasis on field plots selected as endmembers which may not have captured the variability in stand structure within a single stand type. The random forest model had the highest overall accuracy (84%) and Cohen’s kappa coefficient (0.62). However, the classification accuracy was only marginally better than linear unmixing. The random forest model was applied to a region in the Central Highlands of south-eastern Australia to produce maps of stand type probability, including areas of transition (the ‘ecotone’) between rainforest and eucalypt forest. The resulting map provided a detailed delineation of forest classes, which specifically recognised the coalescing of stand types at the landscape scale. This represents a key step towards mapping the structural and spatial complexity of these ecosystems, which is important for both their management and conservation. Numéro de notice : A2018-074 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2017.11.018 Date de publication en ligne : 29/12/2017 En ligne : https://doi.org/10.1016/j.isprsjprs.2017.11.018 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=89438
in ISPRS Journal of photogrammetry and remote sensing > vol 136 (February 2018) . - pp 106 - 119[article]Exemplaires(3)
Code-barres Cote Support Localisation Section Disponibilité 081-2018021 RAB Revue Centre de documentation En réserve L003 Disponible 081-2018023 RAB Revue Centre de documentation En réserve L003 Disponible 081-2018022 DEP-EAF Revue Nancy Dépôt en unité Exclu du prêt Adapting an existing semi-automatized image processing chain to enable Sentinel-2 data classification. / Hiyam Elbadri (2018)
Titre : Adapting an existing semi-automatized image processing chain to enable Sentinel-2 data classification. Type de document : Mémoire Auteurs : Hiyam Elbadri, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2018 Importance : 56 p. Format : 21 x 30 cm Note générale : bibliographie
Rapport de projet pluridisciplinaire, cycle Ingénieur 2e annéeLangues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes IGN] analyse d'image orientée objet
[Termes IGN] carte thématique
[Termes IGN] chaîne de traitement
[Termes IGN] classification barycentrique
[Termes IGN] classification non dirigée
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par séparateurs à vaste marge
[Termes IGN] épidémie
[Termes IGN] GRASS
[Termes IGN] image Sentinel-MSI
[Termes IGN] maladie parasitaire
[Termes IGN] Ouganda
[Termes IGN] Python (langage de programmation)
[Termes IGN] R (langage)
[Termes IGN] restauration d'image
[Termes IGN] risque sanitaire
[Termes IGN] segmentation d'image
[Termes IGN] zone à risqueIndex. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (auteur) Dans un contexte d’une crise épidémiologique dans les villes d’Afrique sub-saharienne, suivie d’une urbanisation croissante, il paraît essentiel de souligner les facteurs clés au développement de plusieurs maladies. C’est dans ce contexte que le projet REACT existe. Ce dernier a pour but de développer des outils afin de faciliter l’étude des maladies contagieuses telle que la malaria avec des techniques de télédétection. Dans le cadre de ce projet, mon rôle était de créer une chaîne automatisée pour des données de Sentinel 2. En premier lieu, il faut les télécharger puis les pré-traiter pour enfin terminer avec une chaîne déjà existante que je devais adapter et qui permet la classification des données Sentinel 2. Les deux chaînes ont été implémentées via un programme Python et se fondent sur l’utilisation de logiciels libres tels que Grass GIS et R. Dans le cadre du projet, l’étude est appliquée à la ville de Kampala dans l’Ouganda, ville présentant les caractéristiques citées précédemment. Cartographier une zone hétérogène telle que Kampala en utilisant des techniques liées à l’"Object Based Image Analysis" est une méthode efficace pour améliorer notre compréhension de la maladie de la malaria et ce, dans un but d’avoir une meilleure prévisibilité. On obtiendra d’abord une segmentation optimale en utilisant une approche non supervisée. Ensuite, en utilisant une classification liée à cette maladie, nous allons classifier notre image en utilisant 3 classifieurs : SVM Radial, Random Forest et K-nearest Neighbor. S’en suivra une analyse de la précision obtenue pour ces 3 classifieurs. Les résultats seront interprétés de telle sorte qu’on pourra en déduire où se situent les zones à risque de la maladie dans la zone d’étude englobant la ville de Kampala et ses environs. Note de contenu : Introduction
1- Internship Description
2- Data, Methods and Tools
3- Case Study
4- Results
ConclusionNuméro de notice : 21826 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : IGEAT (Université Libre de Bruxelles) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=91333 Documents numériques
peut être téléchargé
Adapting an existing semi-automatized... - pdf auteurAdobe Acrobat PDF
Titre : Classification of land use from high resolution satellite imagery Type de document : Mémoire Auteurs : Yasser Kotrsi, Auteur ; Arnaud Le Bris , Encadrant ; Nesrine Chehata , Encadrant ; Anne Puissant, Encadrant ; Tristan Postadjian , Encadrant Editeur : Tunis [Tunisie] : Ecole nationale d'ingénieurs de Carthage Année de publication : 2018 Importance : 112 p. Note générale : bibliographie
End Of Studies Project Report, in fulfillment of the requirements for the degree of National engineering diploma in software engineeringLangues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes IGN] apprentissage profond
[Termes IGN] bibliothèque logicielle
[Termes IGN] classification barycentrique
[Termes IGN] classification par forêts d'arbres décisionnels
[Termes IGN] classification par réseau neuronal convolutif
[Termes IGN] Finistère (29)
[Termes IGN] fusion d'images
[Termes IGN] image Sentinel-MSI
[Termes IGN] image SPOT 6
[Termes IGN] milieu urbain
[Termes IGN] occupation du sol
[Termes IGN] OpenCV
[Termes IGN] Python (langage de programmation)
[Termes IGN] semis de pointsRésumé : (auteur) The MATIS team of the LaSTIG Laboratory of the french mapping agency (IGN) has for several years conducted research activities in the field of classification of remote sensing data (aerial or satellite optical images and point clouds 3D lidar) for land use (OCS), in urban and rural areas. With the arrival of the new Sentinel S1 (radar) and S2 (optical) sensors, time series of images are now available free of charge with a high temporal resolution (between 10 and 15 days) and a high spectral resolution for optical images. In addition, the national territory is covered annually by acquisition of SPOT 6-7 images. The CES Artificialisation-urbanization pole Theia aims at the production of a map of land use in urban environment, with a resolution of 10m. Early work based on the fusion of Sentinel 2 time series with very high resolution data (THR) SPOT 6-7, Pleiades led to the detection of artifical spots, as well as well shaped urban objects. It is now a question of better characterizing this urban space by investigating about the relations between those image regions as well as each one’s spatial properties in order to produce a detailed cartography classified into different types of urban fabrics (residential, dense urban, non-dense, industrial, ...). In this study we dive deep through the problematic of the land use classification, its aspects as well the different approaches to characterize the extracted information about it in order to obtain an accurate classification that corresponds well to the expected results. This study therefore focuses on the continuation of previous work and consists in obtaining a detailed cartography in different types of urban fabrics (residential, dense urban, non-dense, industrial, ..). For that, several scientific locks are raised: • Test the data fusion methods previously used for fine mapping of the urban environment. • Develop different multiscale spatial indicators (size of objects, distance between objects, density of objects, presence of vegetation, ...) to describe the city. • Exploit these indicators in order to find different types of neighborhoods and to characterize land use. The calculation of indicators is based in part on SPOT image classifications 6-7 obtained during previous work. Also the Urban Atlas database, which also details urban spaces in urban classes, is used in the learning stage as well as the Corine Land Cover database. Note de contenu : Introduction
1- Project introduction
2- State of the art and background material
3- Available data and study areas
4- Methodology
5- Results and discussions
Conclusion and perspectivesNuméro de notice : 17187 Affiliation des auteurs : non IGN Thématique : IMAGERIE/INFORMATIQUE Nature : Mémoire ingénieur Organisme de stage : LaSTIG (IGN) DOI : sans Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98348 Documents numériques
peut être téléchargé
Classification of land use ... - pdf auteurAdobe Acrobat PDF Conception d’une méthode radar de suivi bimensuel des déforestations et d’une méthode optique de classification d’occupation des sols / Luc Baudoux (2018)PermalinkDetection and localization of traffic signals with GPS floating car data and Random Forest / Yann Méneroux (2018)PermalinkExploring the impact of seasonality on urban land-cover mapping using multi-season sentinel-1A and GF-1 WFV images in a subtropical monsoon-climate region / Tao Zhou in ISPRS International journal of geo-information, vol 7 n° 1 (January 2018)PermalinkFusion tardive d’images SPOT-6/7 et de données multitemporelles Sentinel-2 pour la détection de la tache urbaine / Cyril Wendl (2018)PermalinkA hybrid training approach for leaf area index estimation via Cubist and random forests machine-learning / Rasmus M. Houborg in ISPRS Journal of photogrammetry and remote sensing, vol 135 (January 2018)PermalinkPermalinkSuivi des cultures dans le périmètre du Loukkos-Maroc : Apport de la télédétection radar et optique / Siham Acharki (2018)PermalinkSynergie des données Sentinel optiques et radar pour l’observation et l’analyse de la végétation du littoral du Pays de Brest / Antoine Billey (2018)PermalinkAn effective ensemble classification framework using random forests and a correlation based feature selection technique / Dibyajyoti Chutia in Transactions in GIS, vol 21 n° 6 (December 2017)PermalinkBuilding extraction from fused LiDAR and hyperspectral data using Random Forest Algorithm / Saeid Parsian in Geomatica, vol 71 n° 4 (December 2017)Permalink