Advanced search options

Advanced Search Options 🞨

Browse by author name (“Author name starts with…”).

Find ETDs with:

in
/  
in
/  
in
/  
in

Written in Published in Earliest date Latest date

Sorted by

Results per page:

You searched for id:"star-france:2017SACLS584". One record found.

Search Limiters

Last 2 Years | English Only

No search limiters apply to these results.

▼ Search Limiters

1. Brigot, Guillaume. Prédire la structure des forêts à partir d'images PolInSAR par apprentissage de descripteurs LIDAR : Prediction of forests structure from PolInSAR images by machine learning using LIDAR derived features.

Degree: Docteur es, Sciences de l'information et de la communication, 2017, Paris Saclay

Ce travail de thèse a pour objectif la prédiction des paramètres structurels des forêts à grande échelle, grâce aux images de télédétection. La démarche consiste à étendre la précision des données LIDAR spatiales, en les utilisant là où elles sont disponibles, en tant que donnée d'apprentissage pour les images radar à synthèse d'ouverture polarimétriques et interférométrique (PolInSAR). A partir de l'analyse des propriétés géométriques de la forme de cohérence PolInSAR, nous avons proposé un ensemble de paramètres susceptibles d'avoir une corrélation forte avec les profils de densité LIDAR en milieu forestier. Cette description a été utilisée comme données d'entrée de techniques SVM, de réseaux de neurones, et de forêts aléatoires, afin d'apprendre un ensemble de descripteurs de forêts issus du LIDAR : la hauteur totale, le type de profil vertical, et la couverture horizontale. L'application de ces techniques à des données réelles aéroportées de forêts boréales en Suède et au Canada, et l'évaluation de leur précision, démontrent la pertinence de la méthode. Celle-ci préfigure les traitements qui pourront être appliqués à l'échelle planétaires aux futures missions satellites dédiées à la forêt : Biomass, Tandem-L et NiSAR.

The objective of this thesis is to predict the structural parameters of forests on a large scale using remote sensing images. The approach is to extend the accuracy of LIDAR full waveforms, on a larger area covered by polarimetric and interferometric (PolInSAR) synthetic aperture radar images using machine learning methods. From the analysis of the geometric properties of the PolInSAR coherence shape, we proposed a set of parameters that are likely to have a strong correlation with the LIDAR density profiles on forest lands. These features were used as input data for SVM techniques, neural networks, and random forests, in order to learn a set of forest descriptors deduced from LIDAR: the canopy height, the vertical profile type, and the canopy cover. The application of these techniques to airborne data over boreal forests in Sweden and Canada, and the evaluation of their accuracy, demonstrate the relevance of the method. This approach can be soon be adapted for future satellite missions dedicated to the forest: Biomass, Tandem-L and NiSAR.

Advisors/Committee Members: Koeniguer, Elise (thesis director).

Subjects/Keywords: PolInSAR; LIDAR; Foresterie; Apprentissage automatique; PolInSAR; Lidar; Forestry; Machine learning

Record DetailsSimilar RecordsGoogle PlusoneFacebookTwitterCiteULikeMendeleyreddit

APA · Chicago · MLA · Vancouver · CSE | Export to Zotero / EndNote / Reference Manager

APA (6th Edition):

Brigot, G. (2017). Prédire la structure des forêts à partir d'images PolInSAR par apprentissage de descripteurs LIDAR : Prediction of forests structure from PolInSAR images by machine learning using LIDAR derived features. (Doctoral Dissertation). Paris Saclay. Retrieved from http://www.theses.fr/2017SACLS584

Chicago Manual of Style (16th Edition):

Brigot, Guillaume. “Prédire la structure des forêts à partir d'images PolInSAR par apprentissage de descripteurs LIDAR : Prediction of forests structure from PolInSAR images by machine learning using LIDAR derived features.” 2017. Doctoral Dissertation, Paris Saclay. Accessed February 21, 2018. http://www.theses.fr/2017SACLS584.

MLA Handbook (7th Edition):

Brigot, Guillaume. “Prédire la structure des forêts à partir d'images PolInSAR par apprentissage de descripteurs LIDAR : Prediction of forests structure from PolInSAR images by machine learning using LIDAR derived features.” 2017. Web. 21 Feb 2018.

Vancouver:

Brigot G. Prédire la structure des forêts à partir d'images PolInSAR par apprentissage de descripteurs LIDAR : Prediction of forests structure from PolInSAR images by machine learning using LIDAR derived features. [Internet] [Doctoral dissertation]. Paris Saclay; 2017. [cited 2018 Feb 21]. Available from: http://www.theses.fr/2017SACLS584.

Council of Science Editors:

Brigot G. Prédire la structure des forêts à partir d'images PolInSAR par apprentissage de descripteurs LIDAR : Prediction of forests structure from PolInSAR images by machine learning using LIDAR derived features. [Doctoral Dissertation]. Paris Saclay; 2017. Available from: http://www.theses.fr/2017SACLS584

.