Centre dedocumentation
scientifique

Placial analysis of events: a case study on criminological places / Sunghwan Cho in Cartography and Geographic Information Science, Vol 46 n° 6 (November 2019)  

Public [article]  inCartography and Geographic Information Science > Vol 46 n° 6 (November 2019) . - pp 547-566 Titre : Placial analysis of events: a case study on criminological places Type de document : Article/Communication Auteurs : Sunghwan Cho, Auteur ; May Yuan, Auteur Année de publication : 2019 Article en page(s) : pp 547-566 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale [Termes descripteurs IGN] cartographie statistique [Termes descripteurs IGN] criminalité [Termes descripteurs IGN] Dallas (Texas) [Termes descripteurs IGN] détection d'événement [Termes descripteurs IGN] données spatiotemporelles [Termes descripteurs IGN] géolocalisation [Termes descripteurs IGN] interaction humain-espace [Termes descripteurs IGN] système d'information géographique [Termes descripteurs IGN] zone à risque Résumé : (auteur) The contrast of space and place has long been an active topic of scholarly discussions in many disciplines. While spatial analysis enjoys a multitude of quantitative methods, the study of place remains mostly conceptual and descriptive. This paper expands upon the rich concepts of place in the literature to propose a quantitative framework for placial analysis based on events. Central to the proposed framework are three assumptions: (1) human experiences transform space to place; (2) events build human experiences in space; and (3) places emerge organically and may change characters, spatial extent and location over time through the shifts in occurrences and types of events in space and time. The proposed framework consists of three elements: clustering events, decomposing event distributions, and identifying the similarity of event clusters. We applied the framework to identify criminological places in the City of Dallas in the United States and the changes of these places from 1 June 2014 to 30 May 2018. Numéro de notice : A2019-417 Thématique : GEOMATIQUE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1080/15230406.2019.1578265 date de publication en ligne : 01/03/2019 En ligne : https://doi.org/10.1080/15230406.2019.1578265 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=93544 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
032-2019061	SL	Revue	Centre de documentation	Revues en salle	Disponible

Challenges in Grassland Mowing Event Detection with Multimodal Sentinel Images / Anatol Garioud (2019)  

Public contenu dans HAL Hyper articles en ligne / Centre pour la Communication Scientifique Directe CCSD (2000)   Titre : Challenges in Grassland Mowing Event Detection with Multimodal Sentinel Images Type de document : Article/Communication Auteurs : Anatol Garioud, Auteur ; Sébastien Giordano , Auteur ; Silvia Valero, Auteur ; Clément Mallet , Auteur Congrès : MultiTemp 2019 (5 - 7 août 2019; Shanghai, Chine), Commanditaire Editeur : Saint-Mandé : Institut national de l'information géographique et forestière - IGN Année de publication : 2019 Importance : pp 1 - 4 Format : 21 x 30 cm Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes descripteurs IGN] apprentissage profond [Termes descripteurs IGN] détection d'événement [Termes descripteurs IGN] données lidar [Termes descripteurs IGN] image multibande [Termes descripteurs IGN] image RapidEye [Termes descripteurs IGN] image Sentinel-MSI [Termes descripteurs IGN] image Sentinel-SAR [Termes descripteurs IGN] image TerraSAR-X [Termes descripteurs IGN] méthode robuste [Termes descripteurs IGN] nébulosité [Termes descripteurs IGN] Normalized Difference Vegetation Index [Termes descripteurs IGN] Perceptron multicouche [Termes descripteurs IGN] prairie [Termes descripteurs IGN] régression [Termes descripteurs IGN] réseau neuronal récurrent [Termes descripteurs IGN] série temporelle [Termes descripteurs IGN] surveillance de la végétation Résumé : (auteur) Permanent Grasslands (PG) are heterogeneous environments with high spatial and temporal dynamics, subject to increasing environmental challenges. This study aims to identify requirements, key constraining factors and solutions for robust and complete detection of Mowing Events. Remote sensing is a powerful tool to monitor and investigate Near-Real-Time and seasonally PG cover. Here, pros and cons of Sentinel-2 (S2) and Sentinel-1 (S1) time series exploitation for Mowing Events (MowEve) detection are analysed. A deep-based approach is proposed to obtain consistent and homogeneous biophysical parameter times series for MowEve detection. Recurrent Neural Networks are proposed as regression strategy allowing the synergistic integration of optical and Synthetic Aperture Radar data to reconstruct dense NDVI times series. Experimental results corroborates the interest of deriving consistent and homogeneous series of biophysical parameters for subsequent MowEve detection. Numéro de notice : C2019-028 Thématique : IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.1109/Multi-Temp.2019.8866914 date de publication en ligne : 29/11/2019 En ligne : https://hal.archives-ouvertes.fr/hal-02387167 Format de la ressource électronique : URL Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=94538

Unsupervised detection of ruptures in spatial relationships in video sequences based on log‑likelihood ratio / Abdalbassir Abou-Elailah in Pattern Analysis and Applications, vol 21 n° 3 (August 2018)  

Public [article]  inPattern Analysis and Applications > vol 21 n° 3 (August 2018) Titre : Unsupervised detection of ruptures in spatial relationships in video sequences based on log‑likelihood ratio Type de document : Article/Communication Auteurs : Abdalbassir Abou-Elailah, Auteur ; Isabelle Bloch, Auteur ; Valérie Gouet-Brunet , Auteur Année de publication : 2018 Note générale : Bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image optique [Termes descripteurs IGN] détection d'événement [Termes descripteurs IGN] distance (mathématique) [Termes descripteurs IGN] histogramme [Termes descripteurs IGN] modèle linéaire [Termes descripteurs IGN] primitive [Termes descripteurs IGN] relation spatiale [Termes descripteurs IGN] séquence d'images Résumé : (Auteur) In this work, we propose a new approach to automatically detect ruptures in spatial relationships in video sequences, based on low-level primitives, in unsupervised manner. The spatial relationships between two objects of interest are modeled using angle and distance histograms as examples. The evolution of the spatial relationships during time is estimated from the distances between two successive angle or distance histograms and then considered as a temporal signal. The evolution of a spatial relationship is modeled by a linear Gaussian model. Then, two hypotheses “without change” and “with change” are considered, and a log-likelihood ratio is computed. The distribution of the log-likelihood ratio, given that H0 is true, is estimated and used to compute the p value. The comparison of this p value to a significance level 훼, expressing the probability of false alarms, allows us to detect significant ruptures in spatial relationships during time. In addition, this approach is generalized to detect multiple object events such as merging, splitting, and other events that contain ruptures in their spatial relationships evolution. This work shows that the description of spatial relationships across time is a promising step toward event detection. Numéro de notice : A2017-776 Thématique : IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1007/s10044-017-0669-9 date de publication en ligne : 18/11/2017 En ligne : https://doi.org/10.1007/s10044-017-0669-9 Format de la ressource électronique : URL Article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=88974 [article]