Centre dedocumentation
scientifique

SIMuRG: System for Ionosphere Monitoring and Research from GNSS / Yury V. Yasyukevich in GPS solutions, Vol 24 n° 3 (July 2020)  

Public [article]  inGPS solutions > Vol 24 n° 3 (July 2020) Titre : SIMuRG: System for Ionosphere Monitoring and Research from GNSS Type de document : Article/Communication Auteurs : Yury V. Yasyukevich, Auteur ; Alexander V. Kiselev, Auteur ; Ilyav Zhivetiev, Auteur ; et al., Auteur Année de publication : 2020 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géodésie spatiale [Termes descripteurs IGN] collecte de données [Termes descripteurs IGN] ionosphère [Termes descripteurs IGN] perturbation ionosphérique [Termes descripteurs IGN] récepteur GNSS [Termes descripteurs IGN] site web [Termes descripteurs IGN] surveillance [Termes descripteurs IGN] teneur totale en électrons Résumé : (auteur) Currently, more than 6000 operating GNSS receivers deliver observations to multiple servers. Ionospheric data are derived from these measurements providing outstanding space coverage and time resolution. There are about 200 million independent measurements daily. Researchers need sophisticated software tools to deal with such a large amount of data. We present recent advances and products from the System for Ionosphere Monitoring and Research from GNSS (SIMuRG). Currently, SIMuRG provides the total electron content (TEC) variations filtered within 2–10 min, 10–20 min, and 20–60 min, the Rate of the TEC Index, the Along Arc TEC Rate index, and the vertical TEC. SIMuRG is an online service at http://simurg.iszf.irk.ru. The system can be used free of charge and allows calculating both maps and series for arbitrary time intervals and geographic regions. All the data products are available in the form of data or figures. We discuss the system and its geophysics applications. Numéro de notice : A2020-327 Affiliation des auteurs : non IGN Thématique : POSITIONNEMENT Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s10291-020-00983-2 date de publication en ligne : 24/04/2020 En ligne : https://doi.org/10.1007/s10291-020-00983-2 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95208 [article]

GeoNat v1.0: A dataset for natural feature mapping with artificial intelligence and supervised learning / Samantha T. Arundel in Transactions in GIS, Vol 24 n° 3 (June 2020)  

Public [article]  inTransactions in GIS > Vol 24 n° 3 (June 2020) . - pp 556 - 572 Titre : GeoNat v1.0: A dataset for natural feature mapping with artificial intelligence and supervised learning Type de document : Article/Communication Auteurs : Samantha T. Arundel, Auteur ; Wenwen Li, Auteur ; Sizhe Wang, Auteur Année de publication : 2020 Article en page(s) : pp 556 - 572 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Intelligence artificielle [Termes descripteurs IGN] apprentissage automatique [Termes descripteurs IGN] apprentissage dirigé [Termes descripteurs IGN] cartographie topographique [Termes descripteurs IGN] classification par réseau neuronal convolutif [Termes descripteurs IGN] collecte de données [Termes descripteurs IGN] détection automatique [Termes descripteurs IGN] détection d'objet [Termes descripteurs IGN] géoétiquetage [Termes descripteurs IGN] toponyme [Termes descripteurs IGN] United States Geological Survey Résumé : (Auteur) Machine learning allows “the machine” to deduce the complex and sometimes unrecognized rules governing spatial systems, particularly topographic mapping, by exposing it to the end product. Often, the obstacle to this approach is the acquisition of many good and labeled training examples of the desired result. Such is the case with most types of natural features. To address such limitations, this research introduces GeoNat v1.0, a natural feature dataset, used to support artificial intelligence‐based mapping and automated detection of natural features under a supervised learning paradigm. The dataset was created by randomly selecting points from the U.S. Geological Survey’s Geographic Names Information System and includes approximately 200 examples each of 10 classes of natural features. Resulting data were tested in an object‐detection problem using a region‐based convolutional neural network. The object‐detection tests resulted in a 62% mean average precision as baseline results. Major challenges in developing training data in the geospatial domain, such as scale and geographical representativeness, are addressed in this article. We hope that the resulting dataset will be useful for a variety of applications and shed light on training data collection and labeling in the geospatial artificial intelligence domain. Numéro de notice : A2020-245 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1111/tgis.12633 date de publication en ligne : 08/05/2020 En ligne : https://doi.org/10.1111/tgis.12633 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95307 [article]

Mountain summit detection with Deep Learning: evaluation and comparison with heuristic methods / Rocio Nahime Torres in Applied geomatics, vol 12 n° 2 (June 2020)  

Public [article]  inApplied geomatics > vol 12 n° 2 (June 2020) . - pp 225 – 246 Titre : Mountain summit detection with Deep Learning: evaluation and comparison with heuristic methods Type de document : Article/Communication Auteurs : Rocio Nahime Torres, Auteur Année de publication : 2020 Article en page(s) : pp 225 – 246 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] base de données altimétriques [Termes descripteurs IGN] classification floue [Termes descripteurs IGN] collecte de données [Termes descripteurs IGN] données localisées des bénévoles [Termes descripteurs IGN] figuré du terrain [Termes descripteurs IGN] méthode heuristique [Termes descripteurs IGN] modèle numérique de surface [Termes descripteurs IGN] montagne [Termes descripteurs IGN] OpenStreetMap [Termes descripteurs IGN] sommet (relief) [Termes descripteurs IGN] système d'information géographique Résumé : (auteur) Landform detection and analysis from Digital Elevation Models (DEM) of the Earth has been boosted by the availability of high-quality public data sets. Current landform identification methods apply heuristic algorithms based on predefined landform features, fine tuned with parameters that may depend on the region of interest. In this paper, we investigate the use of Deep Learning (DL) models to identify mountain summits based on features learned from data examples. We train DL models with the coordinates of known summits found in public databases and apply the trained models to DEM data obtaining as output the coordinates of candidate summits. We introduce two formulations of summit recognition (as a classification or a segmentation task), describe the respective DL models, compare them with heuristic methods quantitatively, illustrate qualitatively their performances, and discuss the challenges of training DL methods for landform recognition with highly unbalanced and noisy data sets. Numéro de notice : A2020-560 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s12518-019-00295-2 date de publication en ligne : 24/12/2019 En ligne : https://doi.org/10.1007/s12518-019-00295-2 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95870 [article]

Distributed and parallel architectures for spatial data / Alberto Belussi (2020)  

Public Titre : Distributed and parallel architectures for spatial data Type de document : Monographie Auteurs : Alberto Belussi, Editeur scientifique ; Sara Migliorini, Editeur scientifique ; Damiano Carra, Editeur scientifique ; et al., Auteur Editeur : Bâle [Suisse] : Multidisciplinary Digital Publishing Institute MDPI Année de publication : 2020 Importance : 170 p. ISBN/ISSN/EAN : 978-3-03936-751-1 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Géomatique [Termes descripteurs IGN] base de données localisées [Termes descripteurs IGN] collecte de données [Termes descripteurs IGN] développement durable [Termes descripteurs IGN] données localisées [Termes descripteurs IGN] données massives [Termes descripteurs IGN] entrepôt de données localisées [Termes descripteurs IGN] geoportail [Termes descripteurs IGN] Hadoop [Termes descripteurs IGN] métadonnées [Termes descripteurs IGN] modèle numérique de surface [Termes descripteurs IGN] objet mobile [Termes descripteurs IGN] OLAP [Termes descripteurs IGN] OpenStreetMap [Termes descripteurs IGN] PostGIS [Termes descripteurs IGN] réseau social [Termes descripteurs IGN] SQL [Termes descripteurs IGN] système d'information géographique [Termes descripteurs IGN] téléphone intelligent [Termes descripteurs IGN] traitement parallèle [Termes descripteurs IGN] zone tampon Résumé : (Editeur) [Préface] In recent years, an increasing amount of spatial data has been collected by different types of devices, such as mobile phones, sensors, satellites, space telescope, and medical tools for analysis, or is generated by social networks, such as geotagged tweets. The processing of this huge amount of information, including spatial properties, which are frequently represented in heterogeneous ways, is a challenging task that has boosted research in the big data area in an attempt to investigate cases and propose new solutions for dealing with its peculiarities. In the literature, many different proposals and approaches for facing the problem have been proposed, addressing different goals and different types of users. However, most are obtained by customizing existing approaches which were originally developed for the processing of big data of the alphanumeric type, without any specific support for spatial or spatiotemporal properties. Thus, the proposed solutions can exploit the parallelism provided by these kinds of systems, but without taking into account, in a proficient way, the space and time dimensions that intrinsically characterize the analyzed datasets. As described in the literature, current solutions include: (i) the on-top approach, where an underlying system for traditional big datasets is used as a black box while spatial processing is added through the definition of user-defined functions that are specified on top of the underlying system; (ii) the from-scratch approach, where a completely new system is implemented for a specific application context; and (iii) the built-in approach, where an existing solution is extended by injecting spatial data functions into its core. This book aims at promoting new and innovative studies, proposing new architectures or innovative evolutions of existing ones, and illustrating experiments on current technologies in order to improve the efficiency and effectiveness of distributed and cluster systems when they deal with spatiotemporal data. Note de contenu : Preface 1- Distributed Processing of Location-Based Aggregate Queries Using MapReduce 2- Towards the Development of Agenda 2063 Geo-Portal to Support Sustainable Development in Africa 3- HiBuffer: Buffer Analysis of 10-Million-Scale Spatial Data in Real Time 4- Mobility DataWarehouses 5- Parallelizing Multiple Flow Accumulation Algorithm using CUDA and OpenACC 6- LandQv2: A MapReduce-Based System for Processing Arable Land Quality Big Data 7- Mr4Soil: A MapReduce-Based Framework Integrated with GIS for Soil Erosion Modelling 8- High-Performance Geospatial Big Data Processing System Based on MapReduce Numéro de notice : 25884 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE/INFORMATIQUE Nature : Monographie DOI : 10.3390/books978-3-03936-751-1 En ligne : https://doi.org/10.3390/books978-3-03936-751-1 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=95762

Analyse spatiotemporelle des tournées de livraison d’une entreprise de livraison à domicile / Khaled Belhassine in Revue internationale de géomatique, vol 29 n° 2 (avril - juin 2019)  

Public [article]  inRevue internationale de géomatique > vol 29 n° 2 (avril - juin 2019) . - pp 207 - 230 Titre : Analyse spatiotemporelle des tournées de livraison d’une entreprise de livraison à domicile Type de document : Article/Communication Auteurs : Khaled Belhassine, Auteur ; Jacques Renaud, Auteur ; Leandro Coelho, Auteur ; Jean-Philippe Gagliardi, Auteur Année de publication : 2019 Article en page(s) : pp 207 - 230 Note générale : Bibliographie Langues : Français (fre) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] analyse spatio-temporelle [Termes descripteurs IGN] calcul d'itinéraire [Termes descripteurs IGN] collecte de données [Termes descripteurs IGN] données GPS [Termes descripteurs IGN] gestion de trafic [Termes descripteurs IGN] réseau routier [Termes descripteurs IGN] temps de trajet [Termes descripteurs IGN] trafic routier Résumé : (Auteur) Dans cet article, nous présentons une analyse spatiotemporelle des tournées de livraison à domicile d’une entreprise d’électroménagers qui détient sa propre flotte de véhicules. Plusieurs millions d’observations de géolocalisation GPS issues de ces tournées de livraison sont collectées, traitées et assignées au réseau routier. À la suite de ces analyses spatiotemporelles, nous développons des calendriers quotidiens d’indices de congestion en fonction de l’heure. Des ratios de congestion sectoriels sont calculés afin de déterminer les meilleures heures de départ de livraison tout en évitant la congestion routière. La réduction de la durée des trajets a été quantifiée en comparant les meilleures heures de départs par rapport aux heures habituelles. À partir des données de notre partenaire, les analyses démontrent une réduction potentielle de 22 % de la durée des routes de livraison. Numéro de notice : A2019-604 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.3166/rig.2019.00090 date de publication en ligne : 02/03/2020 En ligne : https://doi.org/10.3166/rig.2019.00090 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94682 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
047-2019021	SL	Revue	Centre de documentation	Revues en salle	Disponible

Le réseau GPS permanent (RGP) de l'IGN / Sébastien Saur in Géomètre, n° 2168 (avril 2019)

Permalink

A vélo au travers des Andes, pour OpenStreetMap / Anonyme in Géomatique expert, n° 126 (janvier - février 2019)

Permalink

Webscraping, bigdata et analyse spatiale de données immobilières : réponse à un projet ESPON au sein de l'UMS RIATE / Marc Lieury (2019) 

Permalink

Entre perception de soi et construction du pouvoir d'agir : le pouvoir caché des cartes participatives / Stéphanie Bost in Cartes & Géomatique, n° 235-236 (mars - juin 2018)

Permalink

Researches about the living condition in Ulaanbaatar with mapping developments based on a participatory approach / Paul Roux (2018) 

Permalink

Data science par la pratique : fondamentaux avec Python / Joël Grus (2017)

Permalink

Repésenter le Border art et le mur de séparation israélo-palestinien / Clémence Lehec in Cartes & Géomatique, n° 225 (septembre 2015) 

Permalink

Méthode de cartographie de la consommation de sol agricole dans le Grand Genève / Marie-Laure Halle (2015) 

Permalink

Utilisation de QGis comme outil nomade de saisie (2ème partie [bis]: exemples) : CyberTracker, le tester c'est l'adopter / Louise Pereira in Géomatique expert, n° 102 (janvier - février 2015)  

Permalink

Utilisation de QGis comme outil nomade de saisie (2ème partie : exemples) : CyberTracker, un outil efficient pour la collecte de données naturalistes / Cédric Roy in Géomatique expert, n° 102 (janvier - février 2015)

Permalink