Descripteur
Termes descripteurs IGN > mathématiques > statistique mathématique > analyse de données > classification > classification par arbre de décision > Extreme Gradient Machine
Extreme Gradient MachineSynonyme(s)Extreme gradient Boost |



Etendre la recherche sur niveau(x) vers le bas
Study on offshore seabed sediment classification based on particle size parameters using XGBoost algorithm / Fengfan Wang in Computers & geosciences, vol 149 (April 2021)
![]()
[article]
Titre : Study on offshore seabed sediment classification based on particle size parameters using XGBoost algorithm Type de document : Article/Communication Auteurs : Fengfan Wang, Auteur ; Jia Yu, Auteur ; Zhijie Liu, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : n° 104713 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Applications de télédétection
[Termes descripteurs IGN] analyse spatiale
[Termes descripteurs IGN] calcul matriciel
[Termes descripteurs IGN] Chine
[Termes descripteurs IGN] classification par forêts aléatoires
[Termes descripteurs IGN] classification par séparateurs à vaste marge
[Termes descripteurs IGN] diagramme
[Termes descripteurs IGN] échantillon
[Termes descripteurs IGN] Extreme Gradient Machine
[Termes descripteurs IGN] fond marin
[Termes descripteurs IGN] gravier
[Termes descripteurs IGN] image à haute résolution
[Termes descripteurs IGN] sédiment
[Termes descripteurs IGN] textureRésumé : (auteur) Folk's textual classification scheme which is widely used for sediment study operates with the proportions of gravel, sand, silt and clay fractions conventionally. However, dealing with data from different sources usually needs to face missing values that may make the classification difficult. To solve this problem and discover other methods of analyzing the scheme, with samples of offshore seabed sediment, a two-stage model was established to predict a sample's class using the XGBoost algorithm as well as the grain size parameters as input features. The final model was evaluated with quantitative performance measures of recall, precision and F1 score, and by comparing sediment texture maps using the predicted and the actual data. The results show that the model performs well on extraction of sediment samples without gravel fraction, and prediction of classes that have independent characteristics of grain size parameters or samples not near the boundaries of classes in the ternary diagram. The predicted sediment texture is close to the actual and could be reliable due to errors with little impact on further applications. It is demonstrated that the model could be an auxiliary or alternative approach to offshore sediment texture mapping, as well as supplementary to the analysis of sedimentary environment. Numéro de notice : A2021-289 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Article DOI : 10.1016/j.cageo.2021.104713 date de publication en ligne : 12/02/2021 En ligne : https://doi.org/10.1016/j.cageo.2021.104713 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=97400
in Computers & geosciences > vol 149 (April 2021) . - n° 104713[article]Inferencing hourly traffic volume using data-driven machine learning and graph theory / Zhiyan Yi in Computers, Environment and Urban Systems, vol 85 (January 2021)
![]()
[article]
Titre : Inferencing hourly traffic volume using data-driven machine learning and graph theory Type de document : Article/Communication Auteurs : Zhiyan Yi, Auteur ; Xiaoyue Cathy Liu, Auteur ; Nikola Markovic, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : n° 101548 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Analyse spatiale
[Termes descripteurs IGN] apprentissage automatique
[Termes descripteurs IGN] classification barycentrique
[Termes descripteurs IGN] échantillonnage de données
[Termes descripteurs IGN] Extreme Gradient Machine
[Termes descripteurs IGN] inférence statistique
[Termes descripteurs IGN] modèle de simulation
[Termes descripteurs IGN] planification
[Termes descripteurs IGN] théorie des graphes
[Termes descripteurs IGN] trafic routier
[Termes descripteurs IGN] Utah (Etas-Unis)Résumé : (auteur) Traffic volume is a critical piece of information in many applications, such as transportation long-range planning and traffic operation analysis. Effectively capturing traffic volumes on a network scale is beneficial to Transportation Systems Management & Operations (TSM&O). Yet it is impractical to install sensors to cover a large road network. To address this issue, spatial prediction techniques are widely performed to estimate traffic volumes at sites without sensors. In retrospect, most relevant studies resort to machine learning methods and treat each prediction location independently during the training process, ignoring the potential spatial dependency among them. This paper presents an innovative spatial prediction method of hourly traffic volume on a network scale. To achieve this, we applied a state-of-the-art tree ensemble model - extreme gradient boosting tree (XGBoost) - to handle the large-scale features and hourly traffic volume samples, due to the model's powerful scalability. Moreover, spatial dependency among road segments is taken into account in the proposed model using graph theory. Specifically, we created a traffic network graph leveraging probe trajectory data, and implemented a graph-based approach - breadth first search (BFS) - to search neighboring sites in this graph for computing spatial dependency. The proposed spatial dependency feature is subsequently incorporated as a new feature fed into XGBoost. The proposed model is tested on the road network in the state of Utah. Numerical results not only indicate high computational efficiency of the proposed model, but also demonstrate significant improvement in prediction accuracy of hourly traffic volume comparing with the benchmarked models. Numéro de notice : A2021-004 Affiliation des auteurs : non IGN Thématique : GEOMATIQUE Nature : Article DOI : 10.1016/j.compenvurbsys.2020.101548 date de publication en ligne : 24/09/2020 En ligne : https://doi.org/10.1016/j.compenvurbsys.2020.101548 Format de la ressource électronique : url article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=96271
in Computers, Environment and Urban Systems > vol 85 (January 2021) . - n° 101548[article]Utilisation d’image THR et drone pour l’étude de la dynamique côtière d’Ouvéa (Île des Loyautés - Nouvelle Calédonie) / Sabrina Bosque (2017)
![]()
Titre : Utilisation d’image THR et drone pour l’étude de la dynamique côtière d’Ouvéa (Île des Loyautés - Nouvelle Calédonie) Type de document : Mémoire Auteurs : Sabrina Bosque, Auteur Editeur : Toulouse : Université de Toulouse 2 Jean Jaurès Année de publication : 2017 Autre Editeur : Toulouse : Institut National Polytechnique de Toulouse INPT Importance : 102 p. Format : 21 x 30 cm Note générale : bibliographie
Master 2 Géomatique, ScIences Géomatiques en environneMent et Aménagement (SIGMA)Langues : Français (fre) Descripteur : [Vedettes matières IGN] Traitement d'image optique
[Termes descripteurs IGN] analyse diachronique
[Termes descripteurs IGN] classification automatique
[Termes descripteurs IGN] classification dirigée
[Termes descripteurs IGN] classification par arbre de décision
[Termes descripteurs IGN] érosion côtière
[Termes descripteurs IGN] Extreme Gradient Machine
[Termes descripteurs IGN] fusion d'images
[Termes descripteurs IGN] géoréférencement indirect
[Termes descripteurs IGN] image à très haute résolution
[Termes descripteurs IGN] image captée par drone
[Termes descripteurs IGN] image Quickbird
[Termes descripteurs IGN] image Worldview
[Termes descripteurs IGN] Loyauté (îles)
[Termes descripteurs IGN] orthophotoplan numérique
[Termes descripteurs IGN] Ouvéa
[Termes descripteurs IGN] plage
[Termes descripteurs IGN] R (langage)
[Termes descripteurs IGN] trait de côteRésumé : (auteur) Ce stage s’inscrit dans le projet Litto « Mise en place d’un réseau participatif du suivi de rivage : expérimentation dans les îles Loyautés en Nouvelle Calédonie (2014-2017) » émanant à l’appel à projet MOM (Ministère d’Outre-Mer). Dans ce stage, on s’intéresse à l’atoll d’Ouvéa, une des îles Loyautés de la Nouvelle Calédonie. Cet atoll fragile est très sensible aux changements d’origines naturelles et/ou anthropiques qui sont particulièrement visibles sur le système plage. Les objectifs de cette étude sont la détection par classification automatique des dynamiques côtières et l’expérimentation de la complémentarité entre les images des satellites (Worldview-2, Quickbird) et les images des Drones (Phantom 2 et 4). Outre les prétraitements qui ont été nécessaires sur les images satellites (fusion et géoréférencement) et Drones (orthomosaïque), différentes méthodes de classification ont été expérimentées. Parmi ces méthodes « Extreme Gradient Machine » (module XGBoost sous R) présente les meilleurs résultats et permet de créer un modèle applicable à d’autres images basé sur des arbres de décision. L’entrainement du modèle, réalisé à partir de l’image satellite de 2015 atteint une précision de 96,5% et son application sur l'image de 2011 donne un taux de confiance de 72,6%. De la même façon, les résultats obtenus pour les orthomosaïques Drone de 2017 et 2015 présentent les précisions respectives de 92,2% et de 67,6%. Cette étape de classification a permis de réaliser une analyse diachronique sur la dynamique du trait de côte mettant en évidence des zones d’érosions et d’accrétions sur les plages d’Ouvéa. Note de contenu : 1- Introduction
2- Matériel et méthodes
3- Résultats
4- L'analyse diachronique
5- Conclusion
6- PerspectivesNuméro de notice : 24592 Affiliation des auteurs : non IGN Thématique : IMAGERIE Nature : Mémoire masters divers Organisme de stage : Institut de Recherche pour le Développement / Université de Nouvelle-Calédonie Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=92163 Documents numériques
en open access
Utilisation d’image THR ... - pdf auteurAdobe Acrobat PDF