Centre dedocumentation
scientifique

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)  

Public [article]  inRevue Française de Photogrammétrie et de Télédétection > n° 222 (novembre 2020) . - pp 29 - 39 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] biosphère [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 Résumé : (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, 08 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 habité). 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 [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)  

Public [article]  inRevue Française de Photogrammétrie et de Télédétection > n° 222 (novembre 2020) . - pp 3 - 14 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 aléatoire [Termes descripteurs IGN] arbre de décision [Termes descripteurs IGN] Cameroun [Termes descripteurs IGN] corrélation d'images [Termes descripteurs IGN] image Landsat-OLI [Termes descripteurs IGN] précision de la classification [Termes descripteurs IGN] qualité d'image Résumé : (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 [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)  

Public [article]  inISPRS International journal of geo-information > vol 9 n° 11 (November 2020) . - n° 663 Titre : 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 Type de document : Article/Communication Auteurs : Sanjiwana Arjasakusuma, Auteur ; Sandiaga Swahyu Kusuma, Auteur ; Raihan Rafif, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : n° 663 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes descripteurs IGN] bande C [Termes descripteurs IGN] classification par forêts aléatoires [Termes descripteurs IGN] image Landsat-OLI [Termes descripteurs IGN] image radar moirée [Termes descripteurs IGN] image Sentinel-SAR [Termes descripteurs IGN] Java (île de) [Termes descripteurs IGN] modèle numérique de surface [Termes descripteurs IGN] Normalized Difference Built-up Index [Termes descripteurs IGN] Normalized Difference Vegetation Index [Termes descripteurs IGN] Normalized Difference Water Index [Termes descripteurs IGN] polarisation [Termes descripteurs IGN] régression [Termes descripteurs IGN] rizière [Termes descripteurs IGN] série temporelle Résumé : (auteur) The rise of Google Earth Engine, a cloud computing platform for spatial data, has unlocked seamless integration for multi-sensor and multi-temporal analysis, which is useful for the identification of land-cover classes based on their temporal characteristics. Our study aims to employ temporal patterns from monthly-median Sentinel-1 (S1) C-band synthetic aperture radar data and cloud-filled monthly spectral indices, i.e., Normalized Difference Vegetation Index (NDVI), Modified Normalized Difference Water Index (MNDWI), and Normalized Difference Built-up Index (NDBI), from Landsat 8 (L8) OLI for mapping rice cropland areas in the northern part of Central Java Province, Indonesia. The harmonic function was used to fill the cloud and cloud-masked values in the spectral indices from Landsat 8 data, and smile Random Forests (RF) and Classification And Regression Trees (CART) algorithms were used to map rice cropland areas using a combination of monthly S1 and monthly harmonic L8 spectral indices. An additional terrain variable, Terrain Roughness Index (TRI) from the SRTM dataset, was also included in the analysis. Our results demonstrated that RF models with 50 (RF50) and 80 (RF80) trees yielded better accuracy for mapping the extent of paddy fields, with user accuracies of 85.65% (RF50) and 85.75% (RF80), and producer accuracies of 91.63% (RF80) and 93.48% (RF50) (overall accuracies of 92.10% (RF80) and 92.47% (RF50)), respectively, while CART yielded a user accuracy of only 84.83% and a producer accuracy of 80.86%. The model variable importance in both RF50 and RF80 models showed that vertical transmit and horizontal receive (VH) polarization and harmonic-fitted NDVI were identified as the top five important variables, and the variables representing February, April, June, and December contributed more to the RF model. The detection of VH and NDVI as the top variables which contributed up to 51% of the Random Forest model indicated the importance of the multi-sensor combination for the identification of paddy fields. Numéro de notice : A2020-733 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3390/ijgi9110663 date de publication en ligne : 04/11/2020 En ligne : https://doi.org/10.3390/ijgi9110663 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96346 [article]

Extraction 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])  

Public [article]  inGeocarto international > vol 35 n° 10 [01/08/2020] . - pp 1067 - 1087 Titre : Extraction of built-up areas from Landsat-8 OLI data based on spectral-textural information and feature selection using support vector machine method Type de document : Article/Communication Auteurs : Vijendra Singh Bramhe, Auteur ; Sanjay Kumar Ghosh, Auteur ; Pradeep Kumar Garg, Auteur Année de publication : 2020 Article en page(s) : pp 1067 - 1087 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] analyse spectrale [Termes descripteurs IGN] analyse texturale [Termes descripteurs IGN] bati [Termes descripteurs IGN] classification par séparateurs à vaste marge [Termes descripteurs IGN] extraction de traits caractéristiques [Termes descripteurs IGN] image Landsat-OLI [Termes descripteurs IGN] image multibande [Termes descripteurs IGN] matrice de co-occurrence [Termes descripteurs IGN] niveau de gris (image) [Termes descripteurs IGN] plus proche voisin (algorithme) [Termes descripteurs IGN] réseau neuronal artificiel [Termes descripteurs IGN] texture d'image Résumé : (auteur) Information of built-up area is essential for various applications, such as sustainable development or urban planning. Built-up area extraction using optical data is challenging due to spectral confusion between built-up and other classes (bare land or river sand, etc.). Here an automated approach has been proposed to generate built-up maps using spectral-textural features and feature selection techniques. Eight Grey-Level Co-Occurrence Matrix based texture features are extracted using Landsat-8 Operational Land Imager bands and combined with multispectral data. The most informative features are selected from combined spectral-textural dataset using feature selection techniques. Further, Support Vector Machine (SVM) classifiers are trained on labelled samples using optimal features and results are compared with Back Propagation-Neural Network (BP-NN) and k-Nearest Neighbour (k-NN). The results show that inclusion of textural features and applying feature selection methods increases the highest overall accuracy of Linear-SVM, RBF-SVM, BP-NN, and k-NN by 9.20%, 9.09%, 8.42%, and 7.39%, respectively. Numéro de notice : A2020-425 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2019.1566406 date de publication en ligne : 18/03/2019 En ligne : https://doi.org/10.1080/10106049.2019.1566406 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95489 [article]

A water identification method basing on grayscale Landsat 8 OLI images / Zhitian Deng in Geocarto international, vol 35 n° 7 ([15/05/2020])  

Public [article]  inGeocarto international > vol 35 n° 7 [15/05/2020] . - pp 700 - 710 Titre : A water identification method basing on grayscale Landsat 8 OLI images Type de document : Article/Communication Auteurs : Zhitian Deng, Auteur ; Yonghua Sun, Auteur ; Ke Zhang, Auteur ; et al., Auteur Année de publication : 2020 Article en page(s) : pp 700 - 710 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection [Termes descripteurs IGN] Chine [Termes descripteurs IGN] correction atmosphérique [Termes descripteurs IGN] détection de contours [Termes descripteurs IGN] eau de surface [Termes descripteurs IGN] image Landsat-OLI [Termes descripteurs IGN] image multibande [Termes descripteurs IGN] Kappa de Cohen [Termes descripteurs IGN] niveau de gris (image) [Termes descripteurs IGN] Normalized Difference Water Index [Termes descripteurs IGN] ressources en eau Résumé : (auteur) Accurate identification of water boundaries is of great significance to water resources surveys. Most water indexes have been designed for different districts and cannot be universally utilized in different regions and, in addition, they rely on atmospheric correction. A new water index, None-Radiation-Calibration Water Index (NRCWI), was constructed by Landsat OLI Band 3 (Green), Band 5 (NIR), and Band 6 (SWIR1), and was compared to the previous method, Normalized Difference Water Index (NDWI), Modified Normalized Difference Water Index (MNDWI), Automated Water Extraction Index (AWEI). We evaluated the accuracy of four water index methods for classifying water in 30-m resolution Landsat 8 OLI imagery from the Bohai Sea Rim in China, which takes in a broad assortment of features including sea and coastline, lakes, rivers, man-made water features, and mountains (shadow water). The following outcomes were obtained: 1. The overall accuracy of NRCWI was 95.23%, which is higher than NDWI, MNDWI, AWEI; 2. The leakage error of NRCWI was 5.48%, the misclassification error was 6.15%, and it implies that the error of NRCWI was effected decrease; 3. NRCWI had the highest kappa coefficient in lakes, rivers, man-made waters, mountains, and other ground features, which means that the method can reach a high accuracy in case 2 water which is principally situated in the near shore, estuary and so on; 4. In the applicability study, the kappa values of NRCWI were 89.99% (OLI), 87.36% (ETM+), 87.33% (TM), and 81.20% (Sentinel-2 MSI). Overall, the NRCWI method performed the best, with the highest accuracy and the lowest leakage error, which may be useful in OLI, ETM+, and TM imagery. Numéro de notice : A2020-272 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/10106049.2018.1552324 date de publication en ligne : 14/06/2019 En ligne : https://doi.org/10.1080/10106049.2018.1552324 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95056 [article]

An original method for tree species classification using multitemporal multispectral and hyperspectral satellite data / Olga Grigorieva in Silva fennica, vol 54 n° 2 (2020)  

Permalink

Assessment 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)  

Permalink

Conterminous 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)  

Permalink

GIS-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)  

Permalink

How 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)  

Permalink

Sea-land segmentation using deep learning techniques for Landsat-8 OLI imagery / Ting Yang in Marine geodesy, Vol 43 n° 2 (March 2020)  

Permalink

A novel fire index-based burned area change detection approach using Landsat-8 OLI data / Sicong Liu in European journal of remote sensing, vol 53 n°1 (2020)  

Permalink

Identification of alpine glaciers in the central Himalayas using fully polarimetric L-Band SAR data / Guo-Hui Yao in IEEE Transactions on geoscience and remote sensing, vol 58 n° 1 (January 2020)  

Permalink

Remote Sensing Applications for Agriculture and Crop Modelling / Piero Toscano (2020)  

Permalink

Utilisation des SIG et de la télédétection pour la cartographie de la susceptibilité aux mouvements d'instabilité de versant dans l'Ouest montagneux de la Côte d'Ivoire / Boyossoro Hélène Kouadio in Revue Française de Photogrammétrie et de Télédétection, n° 221 (novembre 2019)

Permalink