Centre dedocumentation
scientifique

PolGAN: A deep-learning-based unsupervised forest height estimation based on the synergy of PolInSAR and LiDAR data / Qi Zhang in ISPRS Journal of photogrammetry and remote sensing, vol 186 (April 2022)  

Public [article]  inISPRS Journal of photogrammetry and remote sensing > vol 186 (April 2022) . - pp 123 - 139 Titre : PolGAN: A deep-learning-based unsupervised forest height estimation based on the synergy of PolInSAR and LiDAR data Type de document : Article/Communication Auteurs : Qi Zhang, Auteur ; Linlin Ge, Auteur ; Scott Hensley, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : pp 123 - 139 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Traitement d'image mixte [Termes IGN] analyse discriminante [Termes IGN] apprentissage non-dirigé [Termes IGN] apprentissage profond [Termes IGN] bande L [Termes IGN] données lidar [Termes IGN] forêt boréale [Termes IGN] forêt tropicale [Termes IGN] Global Ecosystem Dynamics Investigation lidar [Termes IGN] hauteur de la végétation [Termes IGN] hauteur des arbres [Termes IGN] image captée par drone [Termes IGN] interféromètrie par radar à antenne synthétique [Termes IGN] pansharpening (fusion d'images) [Termes IGN] polarimétrie radar [Termes IGN] pouvoir de résolution géométrique [Termes IGN] réseau antagoniste génératif [Termes IGN] semis de points Résumé : (auteur) This paper describes a deep-learning-based unsupervised forest height estimation method based on the synergy of the high-resolution L-band repeat-pass Polarimetric Synthetic Aperture Radar Interferometry (PolInSAR) and low-resolution large-footprint full-waveform Light Detection and Ranging (LiDAR) data. Unlike traditional PolInSAR-based methods, the proposed method reformulates the forest height inversion as a pan-sharpening process between the low-resolution LiDAR height and the high-resolution PolSAR and PolInSAR features. A tailored Generative Adversarial Network (GAN) called PolGAN with one generator and dual (coherence and spatial) discriminators is proposed to this end, where a progressive pan-sharpening strategy underpins the generator to overcome the significant difference between spatial resolutions of LiDAR and SAR-related inputs. Forest height estimates with high spatial resolution and vertical accuracy are generated through a continuous generative and adversarial process. UAVSAR PolInSAR and LVIS LiDAR data collected over tropical and boreal forest sites are used for experiments. Ablation study is conducted over the boreal site evidencing the superiority of the progressive generator with dual discriminators employed in PolGAN (RMSE: 1.21 m) in comparison with the standard generator with dual discriminators (RMSE: 2.43 m) and the progressive generator with a single coherence (RMSE: 2.74 m) or spatial discriminator (RMSE: 5.87 m). Besides that, by reducing the dependency on theoretical models and utilizing the shape, texture, and spatial information embedded in the high-spatial-resolution features, the PolGAN method achieves an RMSE of 2.37 m over the tropical forest site, which is much more accurate than the traditional PolInSAR-based Kapok method (RMSE: 8.02 m). Numéro de notice : A2022-195 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article nature-HAL : ArtAvecCL-RevueIntern DOI : 10.1016/j.isprsjprs.2022.02.008 Date de publication en ligne : 17/02/2022 En ligne : https://doi.org/10.1016/j.isprsjprs.2022.02.008 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99962 [article]

Réservation

Réserver ce document

Exemplaires (3)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
081-2022041	SL	Revue	Centre de documentation	Revues en salle	Disponible
081-2022043	DEP-RECP	Revue	LaSTIG	Dépôt en unité	Exclu du prêt
081-2022042	DEP-RECF	Revue	Nancy	Dépôt en unité	Exclu du prêt

Global canopy height regression and uncertainty estimation from GEDI LIDAR waveforms with deep ensembles / Nico Lang in Remote sensing of environment, vol 268 (January 2022)  

Public [article]  inRemote sensing of environment > vol 268 (January 2022) . - n* 112760 Titre : Global canopy height regression and uncertainty estimation from GEDI LIDAR waveforms with deep ensembles Type de document : Article/Communication Auteurs : Nico Lang, Auteur ; Nicolai Kalischek, Auteur ; John Armston, Auteur ; et al., Auteur Année de publication : 2022 Article en page(s) : n* 112760 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] apprentissage profond [Termes IGN] biomasse aérienne [Termes IGN] classification dirigée [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] estimation bayesienne [Termes IGN] forme d'onde [Termes IGN] Global Ecosystem Dynamics Investigation lidar [Termes IGN] modèle numérique de surface de la canopée [Termes IGN] semis de points Résumé : (auteur) NASA's Global Ecosystem Dynamics Investigation (GEDI) is a key climate mission whose goal is to advance our understanding of the role of forests in the global carbon cycle. While GEDI is the first space-based LIDAR explicitly optimized to measure vertical forest structure predictive of aboveground biomass, the accurate interpretation of this vast amount of waveform data across the broad range of observational and environmental conditions is challenging. Here, we present a novel supervised machine learning approach to interpret GEDI waveforms and regress canopy top height globally. We propose a probabilistic deep learning approach based on an ensemble of deep convolutional neural networks (CNN) to avoid the explicit modelling of unknown effects, such as atmospheric noise. The model learns to extract robust features that generalize to unseen geographical regions and, in addition, yields reliable estimates of predictive uncertainty. Ultimately, the global canopy top height estimates produced by our model have an expected RMSE of 2.7 m with low bias. Numéro de notice : A2022-086 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.1016/j.rse.2021.112760 Date de publication en ligne : 03/11/2021 En ligne : https://doi.org/10.1016/j.rse.2021.112760 Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99495 [article]

A CNN-based approach for the estimation of canopy heights and wood volume from GEDI waveforms / Ibrahim Fayad in Remote sensing of environment, vol 265 (November 2021)  

Public [article]  inRemote sensing of environment > vol 265 (November 2021) . - n° 112652 Titre : A CNN-based approach for the estimation of canopy heights and wood volume from GEDI waveforms Type de document : Article/Communication Auteurs : Ibrahim Fayad, Auteur ; Dino Lenco, Auteur ; Nicolas Baghdadi, Auteur ; et al., Auteur Année de publication : 2021 Article en page(s) : n° 112652 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] Brésil [Termes IGN] classification par réseau neuronal convolutif [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] Eucalyptus (genre) [Termes IGN] forme d'onde [Termes IGN] Global Ecosystem Dynamics Investigation lidar [Termes IGN] hauteur des arbres [Termes IGN] modèle de croissance végétale [Termes IGN] random-motion-over-ground model [Termes IGN] semis de points [Termes IGN] volume en bois Résumé : (auteur) Full waveform (FW) LiDAR systems have proven their effectiveness to map forest biophysical variables in the last two decades, owing to their ability of measuring, with high accuracy, forest vertical structures. The Global Ecosystem Dynamics Investigation (GEDI) system on board the International Space Station (ISS) is the latest FW spaceborne LiDAR instrument for the continuous observation of Earth's forests. FW systems rely on very sophisticated pre-processing steps to generate a priori metrics in order to leverage their capabilities for the accurate estimation of the aforementioned forest characteristics. The ever-expanding volume of acquired GEDI data, which to date comprises more than 25 billion acquired unfiltered shots, and along with the pre-processed data, amounting to more than 90 TB of data, raises new challenges in terms of adapted preprocessing methods for the suitable exploitation of such a huge and complex amount of LiDAR data. To overcome the issues related to the generation of relevant metrics from GEDI data, we propose a new metric-free approach to estimate canopy dominant heights (Hdom) and wood volume (V) of Eucalyptus plantations over five different regions in Brazil. To avoid metric computation, we leverage deep learning techniques and, more in detail, convolutional neural networks with the aim to analyze the GEDI Level 1B geolocated waveforms. Performance comparisons were conducted between four convolutional neural network (CNN) variants using GEDI waveform data (either untouched, or subsetted) and a metric based Random Forest regressor (RF). Additionally, we tested if our framework can improve the generalization of the models to different distant regions. First, the models were trained using data from all the study regions. Cross validated results showed that the CNN based models compared well against their RF counterpart for both Hdom and V. The RMSE on the estimation of Hdom from the CNN based models varied between 1.54 and 1.94 m with a coefficient of determination (R2) between 0.86 and 0.91, while the RF model produced an accuracy on Hdom estimates of 1.45 m (R2 = 0.92). For V, CNN based estimations ranged from 27.76 to 33.33 m3.ha−1 (R2 between 0.82 and 0.88), while for RF, the RMSE was 27.61 m3.ha−1 (R2 = 0.88). Next, model generalization was assessed by means of a spatial transfer experiment. For Hdom, both the CNN and RF approaches showed similar performances to a global model, however, the CNN based approach showed higher variability on the estimation accuracy, and the variability was related to the forest structure between the trained and tested data (similar tree heights yield better accuracies). For the estimation of V, considering both approaches, the accuracy was dependent on the allometric relationship between Hdom and V in the training and testing regions while lower accuracies on V were obtained when the testing and training regions exhibited a different allometric relationship. Numéro de notice : A2021-869 Affiliation des auteurs : non IGN Thématique : FORET/IMAGERIE Nature : Article DOI : 10.1016/j.rse.2021.112652 Date de publication en ligne : 31/08/2021 En ligne : https://doi.org/10.1016/j.rse.2021.112652 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99118 [article]

Improving GEDI footprint geolocation using a high resolution digital terrain model / Anouk Schleich (2021)  

Public Titre : Improving GEDI footprint geolocation using a high resolution digital terrain model Type de document : Article/Communication Auteurs : Anouk Schleich, Auteur ; Maxime Soma, Auteur ; Sylvie Durrieu, Auteur ; Cédric Vega , Auteur ; Jean-Pierre Renaud, Auteur ; Olivier Bouriaud , Auteur Editeur : Vienne [Autriche] : Technische Universität Wien Année de publication : 2021 Collection : Geowissenschaftliche Mitteilungen, ISSN 1811-8380 num. 104 Projets : TOSCA SLIM / Conférence : SilviLaser 2021, 17th conference on Lidar Applications for Assessing and Managing Forest Ecosystems 28/09/2021 30/09/2021 Vienne + online Autriche open access proceedings Importance : pp 179 - 181 Note générale : bibliographie Langues : Anglais (eng) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] fauchée [Termes IGN] géoréférencement [Termes IGN] Global Ecosystem Dynamics Investigation lidar [Termes IGN] modèle numérique de terrain Résumé : (auteur) [introduction] In 2018, NASA launched the Global Ecosystem Dynamics Investigation (GEDI) mission, a high resolution lidar system installed onboard the International Space Station (ISS). It is producing high quality 3D observations of the Earth surface structure, which are highly relevant to study forest ecosystems at a global scale (Qi et al. 2019). GEDI data is composed of 25 m diameter circular footprints for which the waveform of the received energy intensity returned by the ground is recorded. Each GEDI footprint is georeferenced and its positioning accuracy (for version 1 releases) is estimated at 15-20 m in planimetry with a systematic component of 8-10 m and a noise of the order of 8 m (1). A final horizontal geolocation accuracy of 8 m is expected after further processing in the final version (Dubayah et al. 2020). Compared to most other spatial satellites the ISS is much closer to earth, causing more variations in its orientation and altitude. Therefore, geolocating data acquired by ISS sensors is more diffucult than geolocating data aquired by satellites (Dou et al. 2014). An improved geolocation of GEDI data is mandatory to evaluate their quality, by comparison with other earth observation data or field measurements, and to further facilitate their integration in ecosystem monitoring approaches. We propose a method to improve the georeferencing of GEDI footprints using a precise Digital Terrain Model (DTM). Numéro de notice : C2021-053 Affiliation des auteurs : LIF+Ext (2020- ) Thématique : FORET/IMAGERIE Nature : Communication nature-HAL : ComAvecCL&ActesPubliésIntl DOI : 10.34726/wim.1973 Date de publication en ligne : 01/12/2021 En ligne : https://doi.org/10.34726/wim.1973 Format de la ressource électronique : URL article Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=99223

Qualification des données LiDAR GEDI pour le suivi de l’impact climatique sur la forêt de Südharz / Iris Jeuffrard (2021) 

Public Titre : Qualification des données LiDAR GEDI pour le suivi de l’impact climatique sur la forêt de Südharz Type de document : Mémoire Auteurs : Iris Jeuffrard, Auteur Editeur : Champs-sur-Marne : Ecole nationale des sciences géographiques ENSG Année de publication : 2021 Importance : 51 p. Format : 21 x 30 cm Note générale : Bibliographie Rapport de projet pluridisciplinaire, cycle ING2 Langues : Français (fre) Descripteur : [Vedettes matières IGN] Lasergrammétrie [Termes IGN] Allemagne [Termes IGN] analyse comparative [Termes IGN] biomasse forestière [Termes IGN] changement climatique [Termes IGN] Coleoptera (ordre) [Termes IGN] données de terrain [Termes IGN] données lidar [Termes IGN] données localisées 3D [Termes IGN] écosystème forestier [Termes IGN] Global Ecosystem Dynamics Investigation lidar [Termes IGN] image Sentinel-MSI [Termes IGN] maladie phytosanitaire [Termes IGN] modèle numérique de surface [Termes IGN] Python (langage de programmation) [Termes IGN] réalité de terrain [Termes IGN] semis de points [Termes IGN] surveillance forestière [Termes IGN] Thuringe [Termes IGN] visualisation 3D Index. décimale : PROJET Mémoires : Rapports de projet - stage des ingénieurs de 2e année Résumé : (Auteur) Le département de cartographie, SIG et télédétection de l’Institut de Géographie (appartenant à l’université Georg-August de Göttingen, Allemagne) se consacre au suivi du changement climatique et des écosystèmes terrestres. Bien que leurs projets de recherche concernent les dynamiques de toute la surface terrestre ainsi que les dimensions humaines du changement climatique, l’étude porte sur un écosystème forestier de la région de Südharz. Cette région appartenant au massif montagneux des Harz (centre-nord de l’Allemagne), autrefois sauvage et riche du point de vue écologique, est peuplée d’épicéas fortement impactés par le réchauffement climatique. Ils souffrent de l’infestation de Scolytes, un coléoptère ravageur profitant de l’affaiblissement des arbres par les sécheresses et du modèle de monoculture pour proliférer et décimer les arbres. Dans ce contexte, les équipes du département de cartographie, SIG et télédétection mettent à profit les outils SIG et de télédétection pour repérer et quantifier les zones atteintes afin d’aider les forestiers à gérer au mieux les écosystèmes. Jusqu’à présent les études reposent principalement sur les images Sentinel-2. Cependant le déploiement de la mission GEDI (The Global Ecosystem Dynamics Investigation) sur la Station Spatiale Internationale (ISS) en 2018 apporte de nouvelles perspectives. GEDI produit les premières observations de télémétrie laser à haute résolution de la structure 3D de la Terre : des mesures précises de la hauteur et de la structure verticale de la canopée ainsi que de l’élévation de la surface. Ces données verticales dont on ne dispose pas avec les images satellites traditionnelles, améliorent considérablement la caractérisation de la biodiversité. Les données GEDI ne sont pas encore utilisées par l’équipe, mais peuvent constituer un réel nid d’information pour de futures recherches. L’objectif est donc d’évaluer leur précision et leur intérêt pour le suivi des milieux forestiers. Pour cela les données GEDI Level 2B (Canopy Cover and Vertical Profile Metrics product) de la zone de Südharz de l’été 2019 et de l’été 2020 sont téléchargées, traitées et visualisées dans un SIG ou via des scripts Python. Les attributs GEDI d’évaluation de la biomasse (PAI, Cover, rh100, FHD) sont comparés à des données terrain fournies par l’administration forestière de l’état de Thuringe (Thüringen) puis à des données Sentinel-2 et enfin à une vérité terrain effectuée durant le stage. Les résultats statistiques de corrélation ainsi que la comparaison des données entre 2019 et 2020 offrent une meilleure appréciation de la qualité et de la pertinence des données appliquées au suivi des écosystèmes. Note de contenu : Introduction 1. Données de la mission GEDI 1.1 Présentation de la mission GEDI 1.2 Présentation de la zone d’étude et des données GEDI utilisées 1.3 Préparation des données 2. Exploration des informations 2.1 Observation d’un granule GEDI 2.2 Analyse de corrélation des données GEDI compte tenu de données forestières 2.3 Corrélation des données GEDI et Sentinel-2 2.4 Corrélation des données GEDI et LiDAR aéroporté 3. Validation des données GEDI 3.1 Qualité du suivi temporel grâce aux données GEDI 3.2 Vérité terrain 3.3 Bilan et limites de cette étude Conclusion Numéro de notice : 26606 Affiliation des auteurs : non IGN Thématique : BIODIVERSITE/FORET/IMAGERIE Nature : Mémoire de projet pluridisciplinaire Organisme de stage : Institut de Géographie (Université de Georg-August en Allemagne) Permalink : https://documentation.ensg.eu/index.php?lvl=notice_display&id=98508

Documents numériques

peut être téléchargé Qualification des données LiDAR GEDI pour le suivi de l’impact climatique... - pdf auteur Adobe Acrobat PDF

Unit-level small area estimation of forest inventory with GEDI auxiliary information / Shaohui Zhang (2021)  

Permalink

Unit-level small area estimation of forest inventory with GEDI auxiliary information in France / Shaohui Zhang (2021) 

Permalink