Descripteur
Termes descripteurs IGN > imagerie > image spatiale > image satellite > image Landsat > image Landsat-8 > image Landsat-OLI
image Landsat-OLIVoir aussi |



Etendre la recherche sur niveau(x) vers le bas
Assessing spatial-temporal evolution processes and driving forces of karst rocky desertification / Fei Chen in Geocarto international, vol 36 n° 3 ([01/03/2021])
![]()
[article]
Titre : Assessing spatial-temporal evolution processes and driving forces of karst rocky desertification Type de document : Article/Communication Auteurs : Fei Chen, Auteur ; Shijie Wang, Auteur ; Xiaoyong Bai, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : pp 262 - 280 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes descripteurs IGN] analyse spatio-temporelle
[Termes descripteurs IGN] carte d'utilisation du sol
[Termes descripteurs IGN] Chine
[Termes descripteurs IGN] classification et arbre de régression
[Termes descripteurs IGN] désertification
[Termes descripteurs IGN] données spatiotemporelles
[Termes descripteurs IGN] image Landsat-OLI
[Termes descripteurs IGN] image Landsat-TM
[Termes descripteurs IGN] karst
[Termes descripteurs IGN] lithologieRésumé : (auteur) Karst Rocky Desertification (KRD) has become the most serious ecological disaster in Southwest China. We used the data of Thematic Mapper (TM) images from 1990, 1995, 2000, 2004, and 2011 and the 2016 Operational Land Imager (OLI) image. These sensing images were pre-processed by removing non-karst areas based on lithology and cutting away the land types impossibly generating KRD from land use maps. Then, we used a Classification And Regression Tree (CART) to classify the KRD. We want to improve the interpretation accuracy of KRD through the above steps. The results were as follows: (1) The KRD experiences the evolution process of ‘first deterioration and then improvement’. The rate is −4.94 km2.a−1 over a period of 1990 to 2004, and the rate is 36.48 km2.a−1 from 2004 to 2016; (2) The most influential factors causing KRD formation are the lithology and the resident population density, with contribution rates of 30.17% and 25.86%, respectively. Numéro de notice : A2021-140 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1595175 date de publication en ligne : 18/07/2019 En ligne : https://doi.org/10.1080/10106049.2019.1595175 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97036
in Geocarto international > vol 36 n° 3 [01/03/2021] . - pp 262 - 280[article]Performance evaluation of artificial neural networks for natural terrain classification / Perpetual Hope Akwensi in Applied geomatics, vol 13 n° 1 (March 2021)
![]()
[article]
Titre : Performance evaluation of artificial neural networks for natural terrain classification Type de document : Article/Communication Auteurs : Perpetual Hope Akwensi, Auteur ; Eric Thompson Brantson, Auteur ; Johanna Ngula Niipele, Auteur ; et al., Auteur Année de publication : 2021 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes descripteurs IGN] Afrique occidentale
[Termes descripteurs IGN] classification par nuées dynamiques
[Termes descripteurs IGN] échantillonnage
[Termes descripteurs IGN] fonction de base radiale
[Termes descripteurs IGN] image Landsat-OLI
[Termes descripteurs IGN] image multibande
[Termes descripteurs IGN] inventaire de la végétation
[Termes descripteurs IGN] réalité de terrain
[Termes descripteurs IGN] regroupement de données
[Termes descripteurs IGN] réseau neuronal artificiel
[Termes descripteurs IGN] segmentation d'imageRésumé : (auteur) Remotely sensed image segmentation and classification form a very important part of remote sensing which involves geo-data processing and analysis. Artificial neural networks (ANNs) are powerful machine learning approaches that have been successfully implemented in numerous fields of study. There exist many kinds of neural networks and there is no single efficient approach for resolving all geospatial problems. Therefore, this research aims at investigating and evaluating the efficiency of three ANN approaches, namely, backpropagation neural network (BPNN), radial basis function neural network (RBFNN), and Elman backpropagation recurrent neural network (EBPRNN) using multi-spectral satellite images for terrain feature classification. Additionally, there has been close to no application of EBPRNN in modeling multi-spectral satellite images even though they also contain patterns. The efficiency of the three tested approaches is presented using the kappa coefficient, user’s accuracy, producer’s accuracy, overall accuracy, classification error, and computational simulation time. The study demonstrated that all the three ANN models achieved the aim of pattern identification, segmentation, and classification. This paper also discusses the observations of increasing sample sizes as inputs in the various ANN models. It was concluded that RBFNN’s computational time increases with increasing sample size and consequently increasing the number of hidden neurons; BPNN on overall attained the highest accuracy compared to the other models; EBPRNN’s accuracy increases with increasing sample size, hence a promising and perhaps an alternative choice to BPNN and RBFNN if very large datasets are involved. Based on the performance metrics used in this study, BPNN is the best model out of the three evaluated ANN models. Numéro de notice : A2021-223 Affiliation des auteurs : non IGN Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s12518-021-00360-9 date de publication en ligne : 13/02/2021 En ligne : https://doi.org/10.1007/s12518-021-00360-9 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97194
in Applied geomatics > vol 13 n° 1 (March 2021)[article]Characterizing the spatial and temporal variation of the land surface temperature hotspots in Wuhan from a local scale / Chen Yang in Geo-spatial Information Science, vol 23 n° 4 (December 2020)
![]()
[article]
Titre : Characterizing the spatial and temporal variation of the land surface temperature hotspots in Wuhan from a local scale Type de document : Article/Communication Auteurs : Chen Yang, Auteur ; Qingming Zhan, Auteur ; Sihang Gao, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 327 - 340 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes descripteurs IGN] analyse spatio-temporelle
[Termes descripteurs IGN] climat urbain
[Termes descripteurs IGN] géomorphologie locale
[Termes descripteurs IGN] ilot thermique urbain
[Termes descripteurs IGN] image Landsat-OLI
[Termes descripteurs IGN] image Terra-MODIS
[Termes descripteurs IGN] image thermique
[Termes descripteurs IGN] morphologie urbaine
[Termes descripteurs IGN] processus gaussien
[Termes descripteurs IGN] regroupement de données
[Termes descripteurs IGN] série temporelle
[Termes descripteurs IGN] température au sol
[Termes descripteurs IGN] Wuhan (Chine)
[Termes descripteurs IGN] zonage (urbanisme)Résumé : (auteur) Land Surface Temperature (LST) derived from space-borne Thermal-infrared (TIR) sensors is a key parameter of urban climate studies. Current studies are inefficient to capture the spatial and temporal variations of LST for only one snapshot adopted at one time. Focusing on the characterization of the spatial and temporal of LST variations at local scales, the latent patterns, and morphological characteristics are extracted in this study. Technically, sixteen MODerate-resolution Imaging Spectroradiometer (MODIS) eight-day synthesized LST products (MYD11A2) in 2002, 2007, 2012, and 2017 are employed. First, the non-parametric Multi-Task Gaussian Process Model (MTGP) is used to extract the smooth and continuous Latent LST (LLST) patterns using one LST subset and its temporally adjacent images. Second, the Multi-Scale Shape Index (MSSI) is then applied to quantify the morphological characteristics at the optimal scale. Then, the LLST patterns and MSSI maps are clustered into multiple spatial categories. The specific clusters with the highest LLST and MSSI values are considered as local LLST hotspots. The Hotspots Weighted Mean Center (HSWMC) and standard deviation ellipse are adopted to further investigate the spatiotemporal change of hotspots orientation, direction, and trajectories. Results revealed that Impervious Surfaces (IS) composition is the most significant external forcing of local LST anomalies. The configuration factors (e.g., shape index, aggregation index) also have a noticeable local warming effect. This study represents a latent pattern and morphology-based framework for LST hotspots spatial and temporal variations characterization, catering to the zoning and grading strategies in urban planning. Numéro de notice : A2020-788 Affiliation des auteurs : non IGN Thématique : IMAGERIE/URBANISME Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10095020.2020.1834882 date de publication en ligne : 06/11/2020 En ligne : https://doi.org/10.1080/10095020.2020.1834882 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96550
in Geo-spatial Information Science > vol 23 n° 4 (December 2020) . - pp 327 - 340[article]Analyse de la déforestation dans la périphérie ouest de la réserve de biosphère du Dja au Cameroun, à partir d'une série multi-annuelle d'images Landsat / Eric Wilson Tegno Nguekam in Revue Française de Photogrammétrie et de Télédétection, n° 222 (novembre 2020)
![]()
[article]
Titre : Analyse de la déforestation dans la périphérie ouest de la réserve de biosphère du Dja au Cameroun, à partir d'une série multi-annuelle d'images Landsat Type de document : Article/Communication Auteurs : Eric Wilson Tegno Nguekam, Auteur ; Salomon C. Nguembe Fils, Auteur ; Joachim Etouna, Auteur ; Simon Njeudeng Tenku, Auteur Année de publication : 2020 Article en page(s) : pp 29 - 39 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes descripteurs IGN] Cameroun
[Termes descripteurs IGN] carte d'occupation du sol
[Termes descripteurs IGN] classification dirigée
[Termes descripteurs IGN] déboisement
[Termes descripteurs IGN] données spatiotemporelles
[Termes descripteurs IGN] image Landsat-ETM+
[Termes descripteurs IGN] image Landsat-OLI
[Termes descripteurs IGN] réserve naturelleRésumé : (Auteur) Dans cet article, il est question d’évaluer la déforestation dans la périphérie Ouest de la réserve de Biosphère du Dja à travers les techniques de télédétection et de système d’information géographique. Pour cela, huit images Landsat de date différentes (2011 à 2018) ont été utilisées pour produire les cartes d’occupation du sol, à travers la méthode de classification supervisée et l’algorithme « maximum likelihood ». Les classes d’occupation de sol retenues pour cette classification sont : forêt dense, forêt dégradée, zone de culture, zone marécageuse, zone d’habitation, sol nu et eau. L’analyse des changements a été faite avec la technique de « change detection ». Les résultats de cette étude ont montré que la déforestation a été importante pendant la période d’étude (2011 – 2018). Les surfaces forestières se sont principalement transformées en zone de culture, marécage, forêt dégradée, sol nu. Le taux de déforestation observé est de 6,8% et dénote une importante baisse du couvert forestier dense. L’étude a montré des tendances de déforestation dans cette périphérie. Elle a permis d’observer que les zones tendancieuses sont concentrées principalement autour de certaines activités anthropiques présentes dans cette zone (la plantation agricole SUDCAM, le barrage de Mekin, les lieux habités). Numéro de notice : A2020-761 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans date de publication en ligne : 25/11/2020 En ligne : http://www.sfpt.fr/rfpt/index.php/RFPT/article/view/434/247 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96402
in Revue Française de Photogrammétrie et de Télédétection > n° 222 (novembre 2020) . - pp 29 - 39[article]Forêt d'arbres aléatoires et classification d'images satellites : relation entre la précision du modèle d'entraînement et la précision globale de la classification / Aurélien N.G. Matsaguim in Revue Française de Photogrammétrie et de Télédétection, n° 222 (novembre 2020)
![]()
[article]
Titre : Forêt d'arbres aléatoires et classification d'images satellites : relation entre la précision du modèle d'entraînement et la précision globale de la classification Type de document : Article/Communication Auteurs : Aurélien N.G. Matsaguim, Auteur ; Emmanuel D. Tiomo, Auteur Année de publication : 2020 Article en page(s) : pp 3 - 14 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes descripteurs IGN] arbre de décision
[Termes descripteurs IGN] base d'apprentissage
[Termes descripteurs IGN] Cameroun
[Termes descripteurs IGN] classification par forêts aléatoires
[Termes descripteurs IGN] corrélation d'images
[Termes descripteurs IGN] image Landsat-OLI
[Termes descripteurs IGN] précision de la classification
[Termes descripteurs IGN] qualité d'imageRésumé : (Auteur) En télédétection, il existe un grand nombre d'algorithmes permettant de classifier une image satellite. Parmi ces algorithmes de classification, la Forêt d'Arbres Aléatoires apparait comme particulièrement performant. Cette étude a pour objectifs d'évaluer (1) l'importance de la sélection des images pour le niveau de précision du modèle d'entrainement et (2) la nature de la relation qui existe entre le niveau de précision du modèle et celui de la précision globale de la carte thématique résultant de la classification de l'image satellite avec cet algorithme de classification. A partir d'une image Landsat 8 OLI prise au-dessus d'une zone de montagne tropicale : la région de l'Ouest Cameroun, 35 modèles ont été construits et testés. Les résultats montrent que le niveau de la précision globale des résultats de la Forêts d'Arbres Aléatoires est étroitement dépendant d'une part de la précision du modèle d'entrainement utilisé pour classifier l'image satellite, et d'autre part du choix des images utilisées pour entrainer ce modèle. De plus, la sélection de ces images est elle-même dépendante de la qualité des zones d'entrainement qui servirontà la construction du modèle. Il est donc important de mettre en accent particulier sur la qualité des données d'entrée afin de garantir des résultats satisfaisants avec cet algorithme. Mots clés : Forêt d’Arbres Aléatoires ; précision ; modèle d’entrainement ; télédétection ; Cameroun Numéro de notice : A2020-760 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueNat DOI : sans date de publication en ligne : 25/11/2020 En ligne : http://www.sfpt.fr/rfpt/index.php/RFPT/article/view/477/251 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96400
in Revue Française de Photogrammétrie et de Télédétection > n° 222 (novembre 2020) . - pp 3 - 14[article]Combination of Landsat 8 OLI and Sentinel-1 SAR time-series data for mapping paddy fields in parts of West and Central Java provinces, Indonesia / Sanjiwana Arjasakusuma in ISPRS International journal of geo-information, vol 9 n° 11 (November 2020)
PermalinkApplying multi-temporal Landsat satellite data and Markov-cellular automata to predict forest cover change and forest degradation of sundarban reserve forest, Bangladesh / Mohammad Emran Hasan in Forests, vol 11 n° 9 (September 2020)
PermalinkExtraction of built-up areas from Landsat-8 OLI data based on spectral-textural information and feature selection using support vector machine method / Vijendra Singh Bramhe in Geocarto international, vol 35 n° 10 ([01/08/2020])
PermalinkA water identification method basing on grayscale Landsat 8 OLI images / Zhitian Deng in Geocarto international, vol 35 n° 7 ([15/05/2020])
PermalinkAssessment of malaria hazard, vulnerability, and risks in Dire Dawa City Administration of eastern Ethiopia using GIS and remote sensing / Abdinasir Moha in Applied geomatics, vol 12 n° 1 (April 2020)
PermalinkConterminous United States land cover change patterns 2001–2016 from the 2016 National Land Cover Database / Collin Homer in ISPRS Journal of photogrammetry and remote sensing, vol 162 (April 2020)
PermalinkGIS-based modeling for selection of dam sites in the Kurdistan region, Iraq / Arsalan Ahmed Othman in ISPRS International journal of geo-information, vol 9 n° 4 (April 2020)
PermalinkHow far can we trust forestry estimates from low-density LiDAR acquisitions? The Cutfoot Sioux experimental forest (MN, USA) case study / Enrico Borgogno Mondino in International Journal of Remote Sensing IJRS, vol 41 n°12 (20 - 30 March 2020)
PermalinkAn original method for tree species classification using multitemporal multispectral and hyperspectral satellite data / Olga Grigorieva in Silva fennica, vol 54 n° 2 (March 2020)
PermalinkSea-land segmentation using deep learning techniques for Landsat-8 OLI imagery / Ting Yang in Marine geodesy, Vol 43 n° 2 (March 2020)
Permalink