Introduction à la classification des données de télédétection

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Introduction à la classification des données de télédétection"

Transcription

1 Introduction à la classification des données de télédétection UMR TETIS Cemagref-CIRAD-ENGREF 5 mars 2007

2 Plan Principes généraux Classifications, évaluation, post-classification Classification : Extraction de l'information utile Stratification L apprentissage Classifications supervisées Classification : Approche non supervisée Évaluation de la classification Post-classification Méthodes récentes Approche Orienté-Objet Classifications floues 2/48

3 Principe général (1/3) Les éléments de la classification Problème général de classification Ranger des individus caractérisés par des variables dans des classes En télédétection : Individus = pixels Variables = canaux spectraux Classes = nomenclature 3/48

4 Principe général (2/3) De l espace géographique à l espace radiométrique Analyse de l'image Image de départ (2 canaux) Canal n 1 Partition de l'espace des variables Classification des pixels Généralisation Canal n 2 Image classée 4/48

5 Principe général (3/3) Modes de partition de l'espace des variables Approche non-supervisée (non dirigée) : partition automatique de l'espace des variables intervention post-classification (dirigée) : partition dirigée de l'espace des variables à l'aide de données de terrain intervention du thématicien avant, pendant et après la classification 5/48

6 Étapes de la démarche dirigée Sélection des données utiles Stratification Apprentissage Classification Évaluation Restitution des résultats Choix des variables (canaux originaux ou néo-canaux) Découpage de l espace en zones d iso-raisonnement Définition des règles de décision à partir des zones de référence Application des règles de décision à l ensemble des pixels à classer Confrontation du résultat de la classification aux connaissances de terrain Cartes thématiques, statistiques de l occupation du sol... 6/48

7 Sélection des données utiles (1/2) Sélection des données utiles Objectif : Stratification Apprentissage Classification Evaluation Choix des variables (canaux) pour la classification : ne retenir que l'information utile compte tenu des objectifs assignés Résultats 7/48

8 Sélection des données utiles (2/2) Selon critères Critères statistiques élimination de canaux trop redondants (matrice de corrélation) Canaux synthétiques décorrélés (ACP) - mais attention perte de sens physique Critères physiques intérêt thématique d'un canal (ex : PIR pour le thème "eau") création de nouveaux canaux (ex. indice de végétation) 8/48

9 La stratification (1/6) Sélection des données utiles Stratification Apprentissage Classification Evaluation Résultats Objectif : segmenter l'image en parties de même apparence définir des zones d'égale valeur de raisonnement 9/48

10 La stratification (2/6) Quand faut-il stratifier? variabilité géographique variabilité spectrale même réponse pour 2 classes sur 2 milieux différents exemple lié à la cible cas n 1 cas n 2 réponse différ. pour même classe sur 2 situations topo Milieu en eau Milieu terrestre Stratification par type de sol Stratification avec MNT 10/48

11 La stratification (3/6) Critères endogènes à l image Stratification manuelle par photo-interprétation des textures et structures Stratification automatique : classification sommaire (seuillage) classification automatique application de filtres passe-bas afin de faire apparaître les grandes unités de l'image Difficulté : relier ces segmentations à des déterminants physiques 11/48

12 La stratification (4/6) exemple de critère endogène Séparation zone brûlée / zone non brûlée Seuillage image SPOT (niveau 1B) limite de la zone incendiée 12/48

13 La stratification (5/6) Critères exogènes à l image Recherche du zonage pertinent carte pédo-géologique carte agro-pédologique carte des petites régions naturelles carte agro-climatique modèle numérique de terrain (MNT)... informations à introduire dans la géométrie de l'image 13/48

14 La stratification (6/6) exemple de critère exogène Etude de la reprise végétale en tenant compte de l'antécédent forestier au travers de la cartographie de l'inventaire Forestier National (IFN) Classes forestières avant incendie = strates pour analyse du comportement radiométrique Cartographie forestière avant incendie (IFN) Image SPOT (normalisation du relief souhaitable) 14/48

15 L apprentissage (1/8) Sélection des données utiles Stratification Apprentissage Classification Evaluation Objectifs : 1. établir la nomenclature de la classification 2. fournir les échantillons permettant d'initialiser et de valider la classification Résultats 15/48

16 L apprentissage (2/8) Principes et contraintes Localiser, extraire et caractériser les composantes d'un échantillon représentatif La démarche d'échantillonnage dépend du type de paysage paysage présentant des limites claires (ex : parcellaire agricole) paysage sans limites claires (ex : zone de continuum végétal ex. maquis) Plusieurs types d'apprentissage 16/48

17 L apprentissage (3/8) éléments de conception Positionnement Aléatoire Entité géographique enquêtée Systématique Raisonné Stratification Globale Point Ligne (transect) Surface (Segment) Stratifiée 17/48

18 L apprentissage (4/8) objets support d apprentissage Points : méthode par tirage aléatoire ou systématique Segments à frontières repérables sur le terrain : méthode de sondage stratifiée, aléatoire ou systématique Segments à forme géométrique (carré) : méthode de sondage aléatoire ou systématique Itinéraire : méthode de sondage raisonnée observation de parcelles le long d'un itinéraire Unité type : méthode de sondage raisonnée et stratifiée exemple : ensemble des terres d'une exploitation "moyenne" 18/48

19 L apprentissage (5/8) Eléments de choix (1) Tenir compte : de la résolution du capteur de la taille des objets des hétérogénéités spatiales de l objet d étude (saison / phénologie / dynamique) Problème de nomenclature et de niveau d organisation 19/48

20 L apprentissage (6/8) Eléments de choix (2) Si la taille des objets >> à la résolution faibles contraintes dans la collecte (enquêtes par point, par transect, par segment) : cas des régions à "limites nettes". Si la taille des objets << à la résolution fortes contraintes dans la collecte (ex. enquêtes par transect) : cas des régions à "limites floues" recherche de motifs paysagers, de structurations spatiales, etc. Si l objet d étude varie beaucoup d une saison à l autre choisir la bonne période en fonction des possibilités d acquisition des satellites : cas des régions agricoles, urbaines... 20/48

21 L apprentissage (7/8) Échantillonnage par segments carrés Positionnement des segments : - taux de sondage - superficie des segments Avantages enquête du segment (souvent avec aide photo aérienne, même ancienne de qqs années) Bon compromis résultats / temps passé (sous réserve représentativité des segments) 21/48

22 L apprentissage (8/8) Validation de l apprentissage Validation intra-classe vérifier l'homogénéité radiométrique de chaque échantillon et des échantillons appartenant à la même classe vérifier les hypothèses à la base des méthodes de classification ex : hypothèse gaussienne Validation inter-classe comparaison des populations de pixels matrice de confusion en pré-classification (cf. évaluation) 22/48

23 Classifications Généralités (1/2) Sélection des données utiles Stratification Apprentissage Classification Evaluation Trois étapes : 1 - Choix d'un modèle de classification 2 - Définition des paramètres de ce modèle 3 - Application à l'image Résultats 23/48

24 Classifications - Généralités (2/2) Les méthodes de classification Type de classification Méthodes Métrique Arithmétique Statistique Supervisée Non supervisée 24/48

25 Classifications supervisées (1/7) Principe général canal XS3 canal XS3 canal XS image brute canal XS2 image classée 25/48

26 Classifications supervisées (2/7) méthodes disponibles Méthode de classification de type métrique exemple : classification par distance minimum Méthode de classification de type arithmétique exemple : classification par hypercube Méthode de classification de type statistique exemple : classification par maximum de vraisemblance sous hypothèse gaussienne 26/48

27 Classification supervisée (3/7) de type métrique par distance minimum exemple : Distance euclidienne Pixel classé dans classe dont il est le plus proche centres des classes estimés à partir des pixels d'apprentissage (barycentre) canal 2 Centre classe 1 Centre classe 3 Centre classe 2 Limites de classe : Médiatrices des segments reliant les centres de classes canal 1 27/48

28 Classification supervisée (4/7) de type arithmétique par hypercube (ou méthode des bornes) Cette méthode n'utilise : - ni la notion de distance, - ni d'hypothèse sur les propriétés de distribution des valeurs radiométriques des pixels dans l'espace des variables canal 1 Orge Vigne Forêt Blé Maïs Verger problème des recouvrements entre classes canal 2 28/48

29 Classification supervisée (5/7) de type arithmétique par seuillage nb de pixels blanc extraction de l eau cas de 2 classes noir seuil compte numérique (canal XS3) 29/48

30 Classification supervisée (6/7) de type statistique : maximum de vraisemblance Fonction de densité de probabilité P(x/C 2 ) P(x/C1) La règle de Bayes permet de calculer : p( Cq / x) = p( x / Cq). p( Cq) p( x) X représentation des fonctions de densités de probabilités conditionnelles d un attribut x pour des points images provenant de 2 classes C 1 et C 2 + avec p( x) = p( x / Cq). dx q = 1, 2,... q= 1,2,... = 1 p( x / Cq). p( Cq) 30/48

31 Classifications supervisées (7/7) Comparaison des méthodes de classification supervisée Canal 2 Canal 2 Canal 2 Lignes d'équidensité de probabilité classification par distance minimale Canal 1 classification par hypercubes Canal 1 Canal 1 classification par maximum de vraisemblance Le choix de la méthode dépend de la structure des données. Mais seule l'approche statistique permet d'atteindre un taux d'erreur minimal 31/48

32 Approche non supervisée (1/2) méthode non supervisée : agrégation autour de centres mobiles (nuées dynamiques) C 2 x C 3 x C 1 x Tirage au hasard des centres C 2 x C 3 x C 1 x Calcul des nouveaux centres K itérations Constitution des classes C 2 x C 3 x C 1 x Constitution des classes C 2 x C 3 x C 1 x L utilisateur départ : choix du nombre de classes critères d arrêt des itérations : choix du nombre maximal des itérations (k) OU seuil de stabilité des classes astuce : choisir double du nbre souhaité de classes 32/48

33 Approche non supervisée (2/2) méthode non supervisée : agrégation autour de centres mobiles (nuées dynamiques) exemple : cartographie en 10 classes à partir de 6 images SPOT (1991 à 1996) Proche Infra Rouge Rouge 9 8 Année Numéro de la classe /48

34 Évaluation de la classification (1/10) étape essentielle de la démarche de cartographie Sélection des données utiles Stratification Apprentissage Classification Evaluation Résultats parcelles enquêtées vérification de la cohérence des paramètres de classification validation du modèle de classification terrain validation 34/48

35 Évaluation de la classification (2/10) Composantes de l'évaluation La précision des résultats cartographiques peut être évaluée par : la précision géométrique précision de la délimitation des limites des objets la précision sémantique identification du contenu des objets cartographiés 35/48

36 Évaluation de la classification (3/10) Conditions de l'évaluation Il existe une limite théorique de la précision : fonction du taux de pixels thématiquement "purs", lui même relié à la résolution du capteur et à la taille des objets L'évaluation de la précision n'a qu'une valeur relative, la référence elle-même étant une représentation du terrain (la vérité-terrain existe-t-elle?) 36/48

37 Évaluation de la classification (4/10) Types d'évaluation Évaluation globale : évaluation qualitative : Comparaison visuelle avec des données exogènes (photo-aériennes, cartes, etc.) évaluation quantitative : comparaison des superficies obtenues avec des données exogènes (statistiques agricoles, etc.) comparaison des populations de pixels provenant des parcelles d'apprentissage avec celles provenant de la cartographie obtenue Évaluation spatialisée 37/48

38 Évaluation de la classification (5/10) Notion de précision statistique et géographique Précision statistique géographique (cartographique) A B 100% 100% A B vérité terrain A B 100% 0% classifications 38/48

39 Évaluation de la classification (6/10) évaluation spatialisée à l aide de la matrice de confusion Vérité-terrain Classification X1 X1j X1n X1.. Xi Xij X ii Xin Xi.. X Xnj Xnn Xn. X. X.j X.n X.. Xij : nb de pixels appartenant sur le terrain à la classe Cj et classés dans Ci X.j : somme des Xij sur la colonne j Xi. : somme des Xij sur la ligne i X.. : somme en ligne et en colonne (nombre total de pixels d apprentissage) 39/48

40 Évaluation de la classification (7/10) Précisions et Types d erreur Paramètres par classe dérivés de la matrice de confusion : Précision du producteur (producer s accuracy) - probabilité pour un pixel de la classe Ck sur le terrain d être bien classé en Ck sur la carte : EC = (Xkk/X.k)*100 - Complément à 100% : Erreur de commission Précision de l'utilisateur (user s accuracy) - probabilité pour un pixel classé en Ck sur la carte d appartenir à Ck sur le terrain EO = (Xkk/Xk.)*100 - Complément à 100% : Erreur d omission Erreur statistique proportion de pixels classés en Ck par rapport au nombre de pixels réellement en Ck sur le terrain EA = (Xk./X.k)*100 40/48

41 Evaluation de la classification (8/10) Types d erreur Quelques paramètres globaux dérivés de la matrice de confusion Erreur de commission moyenne moyenne des EC sur les n classes Erreur d omission moyenne moyenne des EO sur les n classes Précision géographique globale somme de la diagonale PGG = [(Σ i X ij )/X..]*100 41/48

42 Evaluation de la classification (9/10) matrice de confusion exemple : 5 classes avec 100 pixels par classe Classification Classe 1 Classe 2 Classe 3 Classe 4 Classe 5 Total Classe Terrain Classe Classe Classe Classe Total Précision géographique Précision statistique 42/48

43 Evaluation de la classification (10/10) Emploi de la matrice de confusion Dans le cas de classifications pixel à pixel 1 pixel = 1 objet Lors de l'apprentissage (en pré-classification) cohérence des paramètres estimés pour le modèle de classification, mais ce n'est pas une validation! Pour valider le modèle de classification à partir de parcelles de validation (non utilisées lors de l'apprentissage) ces parcelles doivent constituer un échantillon représentatif et couvrir de façon homogène le territoire 43/48

44 Post-classification (1/2) Amélioration des images classées Processus itératif «classification / évaluation» : amélioration progressive Amélioration à partir des matrices de confusion redécoupages de classes radiométriques en sous-classes avant de relancer la classification regroupements visuels ou numériques des sous-classes d une même classe regroupement des classes thématiques trop confondues Probabilité de correcte affectation (max. de vraisemblance) utilisation du plan de probabilité comme plan masque pour retravailler les pixels classés avec une faible probabilité modification du seuil de rejet avant de relancer la classification 44/48

45 Post-classification (2/2) Amélioration des images classées Probabilité à priori (max. de vraisemblance) pondération des classes en fonction de leur répartition dans la réalité (selon données statistiques, expertises ) utile pour retravailler les classes qui se confondent => amélioration des statistiques Choix de l algorithme et de l approche de classification Filtrage des images classées ex : filtre d homogénéisation Introduction de variables exogènes comme néocanaux (ex: pente, altitude ) comme plans masques (ex: villes et réseaux tirés de BD IGN) comme éléments d homogénéisation (ex: limites du parcellaire) 45/48

46 Autres approches de classification Approche Orienté-Objet (AOO) Contexte AOO en télédétection Imagerie THR : augmentation hétérogénéité ex. variabilité intra-parcellaire ex. forêt -> arbre -> composantes de l'arbre : (1) partie du houppier au soleil, (2) partie du houppier à l'ombre, (3) ombre portée Objet d'intérêt : segment ( pixel) Méthode Segmentation Calcul de paramètres par segment radiométriques : moyenne, écart-type, texture Identification des segments voisins Exemple d'intérêt Arbre = 3 segments côte à côte, de taille et radiométrie correspondant aux 3 composantes (1) houppier au soleil, (2) houppier à l'ombre, (3) ombre portée 46/48

47 Autres approches de classification Classifications floues (1/2) Logique booléenne Ex. classification sur 3 classes, variable taille frontière franche, étanche à x = x 0 : avant x 0 : n'appartient pas, après x 0 : appartient Logique booléenne dans Plus proche voisin, hypercube, maximum vraisemblance Logique floue (fuzzy logic) Frontière floue Variation progressive de probabilité d'appartenance sur intervalle [x 0, x 1 ] x 0 x 1 47/48

48 Autres approches de classification Classifications floues (2/2) Combinaison de fonctions d'appartenance Par ex. par pondération des canaux 48/48

Classification supervisée

Classification supervisée Classification supervisée Les classifications d'images pixel à pixel Les méthodes de classification d images les plus courantes utilisent l'information radiométrique d'une ou plusieurs bandes spectrales

Plus en détail

Quelques éléments méthodologiques

Quelques éléments méthodologiques Carte des dégâts de tempête de janvier 2009 sur le massif landais Quelques éléments méthodologiques Historique de la méthode : Dès les tempêtes de 1999, l IFN avait envisagé la cartographie des dégâts

Plus en détail

Évaluation des dégâts après un feu de forêt

Évaluation des dégâts après un feu de forêt 1 Évaluation des dégâts après un feu de forêt Olivier ZAMMIT Xavier Descombes, Josiane Zerubia 2 Sommaire 1 Introduction 2 Séparateurs à Vaste Marge 3 Expérimentations 4 Conclusions 3 Introduction Feux

Plus en détail

Zonage du Brésil à partir d une série temporelle d images MODIS

Zonage du Brésil à partir d une série temporelle d images MODIS Zonage du Brésil à partir d une série temporelle d images MODIS JOLIVOT A. (1), BEGUE A. (1), BISQUERT M. (2), TONNEAU JP. (1), SIMOES M. (3) (1) CIRAD, UMR TETIS, Maison de la Télédétection, 500 Rue Jean

Plus en détail

Inventaire satellitaire des ressources forestières en région Sud-méditerranéenne Etude de trois exemples de forêts algériennes

Inventaire satellitaire des ressources forestières en région Sud-méditerranéenne Etude de trois exemples de forêts algériennes Inventaire satellitaire des ressources forestières en région Sud-méditerranéenne Etude de trois exemples de forêts algériennes BENCHERIF kada BP 119, Département des sciences de l agronomie et des forêts,

Plus en détail

Test d une méthodologie de détection de la tâche urbaine

Test d une méthodologie de détection de la tâche urbaine Test d une méthodologie de détection de la tâche urbaine Territoires Caraïbe Auteur : David Réchal Climat Milieu marin Partenaire : UMR ESPACE-DEV, IRD Mangrove Date : Septembre 2010 Littoral Projet CARIBSAT

Plus en détail

Journée IDEA 17 octobre 2016 Fusion de données multi-capteurs pour la caractérisation des milieux naturels méditerranéens

Journée IDEA 17 octobre 2016 Fusion de données multi-capteurs pour la caractérisation des milieux naturels méditerranéens Journée IDEA 17 octobre 2016 Fusion de données multi-capteurs pour la caractérisation des milieux naturels méditerranéens M. Lang, J.-B. Féret, S. Alleaume IRSTEA - UMR Tetis Territoire, Environnement,

Plus en détail

Méthodologie et traitement d'une enquête

Méthodologie et traitement d'une enquête Méthodologie et traitement d'une enquête L3 Econométrie M. Fournier Ch 2 L'échantillonnage * A. Définition de l'échantillon B. L'échantillonnage aléatoire C. L'échantillonnage non aléatoire * Remerciements

Plus en détail

Les SIG : un outil pour une vision durable et cohérente des territoires

Les SIG : un outil pour une vision durable et cohérente des territoires Les SIG : un outil pour une vision durable et cohérente des territoires Apport des images de télédétection Sylvain Labbé Cemagref UMR TETIS Cemagref CIRAD ENGREF IRD Montpellier 24/05/2006 PLAN Les images

Plus en détail

Les étapes de l Analyse spatiale

Les étapes de l Analyse spatiale Territoires, Environnement, Télédétection et Information Spatiale Unité mixte de recherche Cemagref - CIRAD - ENGREF Master ère année Analyse spatiale, analyse géographique, spatialité des sociétés Master

Plus en détail

PRÉSENTATION DES RESULTATS

PRÉSENTATION DES RESULTATS Références, date, lieu RÉALISATION DE LA MISE À JOUR DE LA BASE DE DONNÉES RÉGIONALE D OCCUPATION DU SOL 2014 PRÉSENTATION DES RESULTATS 29 Juillet 2016 La base de données d occupation du sol correspond

Plus en détail

PRODUCTION DE LA MISE À JOUR 2006

PRODUCTION DE LA MISE À JOUR 2006 Références, date, lieu RÉALISATION DE LA MISE À JOUR DE LA BASE DE DONNÉES RÉGIONALE D OCCUPATION DU SOL 2006 PRODUCTION DE LA MISE À JOUR 2006 29 Juillet 2016 La base de données d occupation du sol correspond

Plus en détail

Méthodologie et traitement d'une enquête

Méthodologie et traitement d'une enquête Méthodologie et traitement d'une enquête L3 Econométrie M. Fournier fournier@gate.cnrs.fr Ch 2 L'échantillonnage * A. Définition de l'échantillon B. L'échantillonnage aléatoire C. L'échantillonnage non

Plus en détail

EVALUATION FINE DE LA DENSITE URBAINE EXEMPLE DE L AGGLOMERATION DE TOULOUSE

EVALUATION FINE DE LA DENSITE URBAINE EXEMPLE DE L AGGLOMERATION DE TOULOUSE MINISTERE de l ECOLOGIE, du DEVELOPPEMENT DURABLE, et de l ENERGIE www.cete-sud-ouest.developpement-durable.gouv.fr EVALUATION FINE DE LA DENSITE URBAINE EXEMPLE DE L AGGLOMERATION DE TOULOUSE Jacques

Plus en détail

Titus. Traitements courants. Afficher une image Afficher un canal Afficher un histogramme Extraire des valeurs numériques

Titus. Traitements courants. Afficher une image Afficher un canal Afficher un histogramme Extraire des valeurs numériques Titus Le logiciel TITUS, est édité par le ministère de l'education Nationale. Il s'agit d'un logiciel de traitement des images numériques des satellites. Il permet de : Visualiser et analyser une image

Plus en détail

Extraction des éléments bâtis sur une image SPOT 5 Panchromatique : le cas de 4 communes de la Martinique

Extraction des éléments bâtis sur une image SPOT 5 Panchromatique : le cas de 4 communes de la Martinique Extraction des éléments bâtis sur une image SPOT 5 Panchromatique : le cas de 4 communes de la Martinique Territoires Caraïbe Auteur : Antoine Cheula Climat Milieu marin Partenaire : UMR ESPACE-DEV, IRD

Plus en détail

Évaluation des dégâts de tempête par télédétection satellitaire

Évaluation des dégâts de tempête par télédétection satellitaire Séminaire GIP ECOFOR - «Forêt vent et risques» 16-17 mars 2005 - Paris Évaluation des dégâts N. STACH Inventaire forestier National - Unité Études et Prospectives nstach@lyon.ifn.fr 1/20 Contenu de la

Plus en détail

BD Forêt. Version 1.0. Descriptif de contenu. Révision : Janvier Date du Document : Février 2014

BD Forêt. Version 1.0. Descriptif de contenu.  Révision : Janvier Date du Document : Février 2014 BD Forêt Version 1.0 Descriptif de contenu Date du Document : Février 2014 Révision : Janvier 2016 www.ign.fr SOMMAIRE SOMMAIRE... 2 1. GÉNÉRALITÉS... 3 1.1 Ce que contient ce document... 3 1.2 Présentation

Plus en détail

Projet de télédétection (25 h)

Projet de télédétection (25 h) Projet de télédétection (25 h) Reconstruction d une chronique d occupation du sol sur un bassin versant agricole intensif : Naizin-Kervidy, (ORE Agrhys) Spécialisation d ingénieur GAPE Master 2 Géomatique-Image

Plus en détail

les MNT et les MNE issus d images optiques à l IGN Sylvain AIRAULT IGN/DT/SR/MATIS

les MNT et les MNE issus d images optiques à l IGN Sylvain AIRAULT IGN/DT/SR/MATIS les MNT et les MNE issus d images optiques à l IGN Sylvain AIRAULT IGN/DT/SR/MATIS Introduction : limites de l exposé État de l art limité à l expérience IGN : mais l imagerie Radar est exclue (cf. présentation

Plus en détail

A.- SONDAGE ÉLÉMENTAIRE SIMPLE

A.- SONDAGE ÉLÉMENTAIRE SIMPLE Prof. N. Midoun Enseignement post-gradué d Epidémiologie - Faculté de Médecine d Oran Etablissement Hospitalier et Universitaire d Oran, Mars 2014 A.- SONDAGE ÉLÉMENTAIRE SIMPLE Tirage direct dans la base

Plus en détail

16 ème Journée - 14 décembre un système d'information pour le pilotage de la filière canne à sucre

16 ème Journée - 14 décembre un système d'information pour le pilotage de la filière canne à sucre 16 ème Journée 14 décembre 2009 Margouill@ un système d'information pour le pilotage de la filière canne à sucre JB LAURENT Présentation AFCAS 14 décembre 2009 Plan Applications de la télédétection en

Plus en détail

Analyse d images satellitaires à haute résolution pour la mise à jour de bases de données cartographiques

Analyse d images satellitaires à haute résolution pour la mise à jour de bases de données cartographiques Analyse d images satellitaires à haute résolution pour la mise à jour de bases de données cartographiques V. Poulain, J. Inglada, M. Spigai, Ph. Marthon et J-Y. Tourneret 7 mai 2010 Gdr ISIS - Reconnaissance

Plus en détail

Reconnaissance / extraction de bâtiments pour la cartographie rapide

Reconnaissance / extraction de bâtiments pour la cartographie rapide Reconnaissance / extraction de bâtiments pour la cartographie rapide Stéphane MAY stephane.may@cnes.fr 1 Extraction de bâtiments pour la cartographie rapide Contexte Exemple : Inondation suite à la tempête

Plus en détail

Problèmes inverses en observation de la Terre et cartographie. ARIANA Josiane Zerubia

Problèmes inverses en observation de la Terre et cartographie. ARIANA Josiane Zerubia Problèmes inverses en observation de la Terre et cartographie ARIANA Josiane Zerubia 2 Projet de recherche commun CNRS/INRIA/UNSA créé en 1998 Responsable scientifique : Josiane Zerubia Membres : 3 INRIA,

Plus en détail

Cours 4 : Traitement de données quantitatives multivariées - Introduction au partitionnement de données. Guénaël CABANES et Basarab MATEI

Cours 4 : Traitement de données quantitatives multivariées - Introduction au partitionnement de données. Guénaël CABANES et Basarab MATEI Cours 4 : Traitement de données quantitatives multivariées - Introduction au partitionnement de données Guénaël CABANES et Basarab MATEI Généralités Exemple Introduction Guénaël CABANES et Basarab MATEI

Plus en détail

CARTOGRAPHIE RAPIDE DES TERRITOIRES - APPORTS DE L'IMAGERIE SATELLITAIRE

CARTOGRAPHIE RAPIDE DES TERRITOIRES - APPORTS DE L'IMAGERIE SATELLITAIRE CARTOGRAPHIE RAPIDE DES TERRITOIRES - APPORTS DE L'IMAGERIE SATELLITAIRE DAVID MORIN Pôle Applications Satellitaires et Télécommunications CETE SO/DALETT/SCGSI - M2 A3TA Les applications satellitaires

Plus en détail

Stratégies d'échantillonnages des peuplements

Stratégies d'échantillonnages des peuplements Stratégies d'échantillonnages des peuplements Professeur Djamel Fadel Docteur Meddad-Hamza Amel Editions Al-Djazair FADEL Djamel MEDDAD-HAMZA Amel STRATEGIES D ECHANTILLONNAGE DES PEUPLEUMENTS Cours Licence

Plus en détail

Télédétection et forêt : comment ça marche?

Télédétection et forêt : comment ça marche? FORESEE : Colloque de restitution 14 novembre 2014 FCBA Paris Télédétection et forêt : comment ça marche? Anne JOLLY (ONF) Sylvie DURRIEU (IRSTEA) Jérôme BOCK (ONF), Xavier LUCIE (IRTSEA), Alain MUNOZ

Plus en détail

AVANTAGES ET LIMITES DU PLAN DE SONDAGE DE L ENQUETE IVOIRIENNE SUR LA FECONDITE

AVANTAGES ET LIMITES DU PLAN DE SONDAGE DE L ENQUETE IVOIRIENNE SUR LA FECONDITE AVANTAGES ET LIMITES DU PLAN DE SONDAGE DE L ENQUETE IVOIRIENNE SUR LA FECONDITE Stève Bertrand MBOKO IBARA, Economiste-Démographe, Centre National de la Statistique et des Etudes Economiques, Brazzaville,

Plus en détail

Visualisation, techniques d'amélioration de la visualisation des images numériques

Visualisation, techniques d'amélioration de la visualisation des images numériques Traitements numériques des images de télédétection Visualisation, techniques d'amélioration de la visualisation des images numériques OLIVIER DE JOINVILLE 2e partie Table des matières I - Rappels sur la

Plus en détail

Segmentation et Reconnaissance de Forme

Segmentation et Reconnaissance de Forme Analyse et Synthèse d'images James L. Crowley DESS Génie Informatique 1999/00 Séance 7 : 15 fevrier1900 Plan de la Séance : Segmentation et Reconnaissance de Forme Méthodes Statistique de la Reconnaissance

Plus en détail

Introduction au traitement d images

Introduction au traitement d images Introduction au traitement d images Reconnaissance des formes Nicholas Journet 12 janvier 2011 Plan Segmentation seuillage s contours Codage contours Introduction à la reconnaissance des formes Calcul

Plus en détail

Question 2 : Marquez d un X dans le tableau suivant la (les) bande(s) spectrale(s) où les capteurs indiqués peuvent opérer

Question 2 : Marquez d un X dans le tableau suivant la (les) bande(s) spectrale(s) où les capteurs indiqués peuvent opérer Question : Qu est-ce qu une fenêtre atmosphérique? Question 2 : Marquez d un X dans le tableau suivant la (les) bande(s) spectrale(s) où les capteurs indiqués peuvent opérer Bande spectrale Radars Visible

Plus en détail

De l'identification de l'arbre à la cartographie des volumes exploitables : Apport de la télédétection Lidar en zone de montagne

De l'identification de l'arbre à la cartographie des volumes exploitables : Apport de la télédétection Lidar en zone de montagne De l'identification de l'arbre à la cartographie des volumes exploitables : Apport de la télédétection Lidar en zone de montagne jean-matthieu.monnet@cemagref.fr 15 mars 2010 nicolas.clouet@cemagref.fr

Plus en détail

Université Sidi Mohammed Ben Abdellah Faculté des Sciences et Techniques Fès- Maroc. Présenter par : Omar EL AROUSSI

Université Sidi Mohammed Ben Abdellah Faculté des Sciences et Techniques Fès- Maroc. Présenter par : Omar EL AROUSSI Université Sidi Mohammed Ben Abdellah Faculté des Sciences et Techniques Fès- Maroc Conference international "Sediment Transport Modeling in Hydrological Watersheds and Rivers Istanbul 14-15-16 Novembre

Plus en détail

Photo-interprétation et Télédétection

Photo-interprétation et Télédétection Photo-interprétation et Télédétection L3 CM1/TD1 GO 651 Caen 2007 Anne PUISSANT Sommaire Plan de l exposé 1. Introduction 2. Principes fondamentaux de la télédétection 3. Spécificités des PA Type de prises

Plus en détail

Proposition d une méthode de Télédétection sur le terrain de Constantine

Proposition d une méthode de Télédétection sur le terrain de Constantine Université Larbi Ben M hidi Oum El Bouaghi Le 24 27 Octobre 2011 Proposition d une méthode de Télédétection sur le terrain de Constantine Mouléry M Napoléone C Pourquoi la télédétection? Permet d analyser

Plus en détail

SIG des Petites Antilles - Plateforme régionale d observation d l environnement.

SIG des Petites Antilles - Plateforme régionale d observation d l environnement. SIG des Petites Antilles - Plateforme régionale d observation d de l environnement www.caribsat.com 1 SOMMAIRE 1. LE PROJET CARIBSAT Objectifs et finalités La zone d étude Partenariats Les axes du projet

Plus en détail

Mise en oeuvre de lois statistiques dans la production opérationnelle de durées de retour de pluies intenses à METEO-FRANCE

Mise en oeuvre de lois statistiques dans la production opérationnelle de durées de retour de pluies intenses à METEO-FRANCE Mise en oeuvre de lois statistiques dans la production opérationnelle de durées de retour de pluies intenses à METEO-FRANCE 3èmes rencontres Météo/MathAppli 18-19 septembre 2008 DClim/HYDRO, Martine Baillon

Plus en détail

Proposition d études GT6 : Approche méthodologique

Proposition d études GT6 : Approche méthodologique Proposition d études GT6 : Approche méthodologique Nesrine Chehata Maître de conférences Institut EGID Université Bordeaux 3 Nesrine.chehata@egid.u-bordeaux3.fr Réunion Thématique Orféo GT6 Forêts GT7

Plus en détail

Plan. Composantes d un système. Réduction de dimension. Sélection de caractéristiques. Apprentissage

Plan. Composantes d un système. Réduction de dimension. Sélection de caractéristiques. Apprentissage Analyse et codage des signaux de reconnaissance des formes Méthodes statistiques pour la réduction de dimension Techniques d apprentissage Mohamed CHETOUANI Mohamed.Chetouani@upmc.fr 2 Composantes d un

Plus en détail

UV Théorie de l Information. Quantification scalaire UNIFORME

UV Théorie de l Information. Quantification scalaire UNIFORME Cours n 7 : UV Théorie de l Information Compression de l information Codage de source avec distorsion : Quantification scalaire Quantification vectorielle Prediction linéaire 1 Quantification scalaire

Plus en détail

Chahbi Aicha (1,2), Mehrez Zribi (1), Zohra Lili Chabaane (2) (1).CESBIO (CNRS/UPS/IRD/CNES), France; (2).Université de Carthage / INAT, Tunisie

Chahbi Aicha (1,2), Mehrez Zribi (1), Zohra Lili Chabaane (2) (1).CESBIO (CNRS/UPS/IRD/CNES), France; (2).Université de Carthage / INAT, Tunisie Deuxième Workshop AMETHYST - 11 Février 2016, Marrakech, Maroc Télédétection et modélisation de la dynamique de végétation pour une estimation précoce et une analyse spatiale des rendements des céréales

Plus en détail

Développement d un service préopérationnel de suivi des forêts dans les pays du bassin du Congo

Développement d un service préopérationnel de suivi des forêts dans les pays du bassin du Congo Systèmes d Information à Référence Spatiale Développement d un service préopérationnel de suivi des forêts dans les pays du bassin du Congo Les satellites, un outil au service du développement, AFD, 11

Plus en détail

Cours 9! Introduction à la Reconnaissance des Formes (RdF)! Analyse de données, classification dʼimages!

Cours 9! Introduction à la Reconnaissance des Formes (RdF)! Analyse de données, classification dʼimages! Bases du traitement des images BIMA Cours 9! Introduction à la Reconnaissance des Formes (RdF)! Analyse de données, classification dʼimages! Prof. Matthieu Cord! 1 Plan 1. Introduction, problématiques

Plus en détail

Cartographie lidar des forêts Val d'hérens Premiers résultats

Cartographie lidar des forêts Val d'hérens Premiers résultats Cartographie lidar des forêts Val d'hérens Premiers résultats Jean-Matthieu Monnet 26 sept. 2012 Pour mieux affirmer ses missions, le Cemagref devient Irstea www.irstea.fr 2 Contexte Service des forêts

Plus en détail

Chapitre 0. Comment caractériser l activité du statisticien? 12 I Le contexte II La démarche III Le modèle... 14

Chapitre 0. Comment caractériser l activité du statisticien? 12 I Le contexte II La démarche III Le modèle... 14 Statistique inférentielle Objectif du cours C e cours comprend l essentiel des notions de statistique mathématique, principalement paramétrique, avec une introduction au cas non-paramétrique. Les notions

Plus en détail

L outil spatial au service du développement Le cadastre steppique et saharien Procédure

L outil spatial au service du développement Le cadastre steppique et saharien Procédure L outil spatial au service du développement Le cadastre steppique et saharien Procédure Introduction Actuellement, la réalisation, dans les meilleurs délais possibles, d une couverture cadastrale pour

Plus en détail

Traitement de l image et du signal Partie TI

Traitement de l image et du signal Partie TI Traitement de l image et du signal Partie TI Emanuel Aldea http://hebergement.u-psud.fr/emi/453 Master Electronique, énergie électrique, automatique 1ère année Plan du cours Définition

Plus en détail

Chapitre 3. Les enquêtes en épidémiologie descriptive. 25/11/2005 Claude Saegerman 1

Chapitre 3. Les enquêtes en épidémiologie descriptive. 25/11/2005 Claude Saegerman 1 Chapitre 3 Les enquêtes en épidémiologie descriptive 25/11/2005 Claude Saegerman 1 Définition Enquête dont l objet est de décrire les caractéristiques d un phénomène de santé : dans une population, son

Plus en détail

STA108 Sondages. Philippe Périé cours n 4 : 24OCT2014

STA108 Sondages. Philippe Périé cours n 4 : 24OCT2014 STA108 Sondages Philippe Périé cours n 4 : 24OCT2014 STA108 - Sondages Philippe Périé (IPSOS) philippe.perie@ipsos.com Sylvie Rousseau (INSEE) sylvie.rousseau@insee.fr Stratification Introduction Notations

Plus en détail

Historique de l évolution du bâti

Historique de l évolution du bâti Historique de l évolution du bâti Volet traitement des photos aériennes Objectifs de l étude Choix de la nomenclature Calage des photos aériennes Extraction automatique Photointerprétation Un exemple concret

Plus en détail

Sondage stratifié. Myriam Maumy. Master 1ère Année Strasbourg, France

Sondage stratifié. Myriam Maumy. Master 1ère Année Strasbourg, France proportionnel 1 1 IRMA, Université Louis Pasteur Strasbourg, France Master 1ère Année 13-03-2006 proportionnel Ce chapitre s appuie essentiellement sur 2 ouvrages : 1 Les sondages : Principes et méthodes

Plus en détail

ENQUETE PERMANENTE AUPRES DES MENAGES A MADAGASCAR PLAN DE SONDAGE PROPOSE. Mamadou Thiam

ENQUETE PERMANENTE AUPRES DES MENAGES A MADAGASCAR PLAN DE SONDAGE PROPOSE. Mamadou Thiam Le 19 Mars 2001 ENQUETE PERMANENTE AUPRES DES MENAGES A MADAGASCAR PLAN DE SONDAGE PROPOSE Mamadou Thiam 1. Introduction L Enquête Permanente auprès des Ménages de 2001 (EPM-2001) fait suite à celles réalisées

Plus en détail

Modèles Géotechniques. Yann DENIAUD Charles KREZIAK

Modèles Géotechniques. Yann DENIAUD Charles KREZIAK Modèles Géotechniques Yann DENIAUD Charles KREZIAK Définition Une représentation synthétique et simplifiée de la réalité établie à partir de données ponctuelles regroupées en unités homogènes (observations

Plus en détail

Introduction. I Statistique descriptive 1

Introduction. I Statistique descriptive 1 Table des matières Introduction xiii I Statistique descriptive 1 1 Généralités 3 1.1 Vocabulaire (réf. ISO 3534-1/1993) 3 1.2 Collecte de l'information 4 1.3 Dépouillement de l'information 4 1.3.1 Tableaux

Plus en détail

BESOINS FICHES Hydrologie

BESOINS FICHES Hydrologie BESOINS FICHES Hydrologie Fiches «cartographie générale» Présentation carto ( Avec MNT) Objets à reconnaître : Zones inondées, Zones saturées Parcelles Attributs permanents:arbres, pente, informations

Plus en détail

BD ALTI. Version 1. Descriptif de contenu. Institut Géographique National. Révisé le : Octobre 2011

BD ALTI. Version 1. Descriptif de contenu. Institut Géographique National.  Révisé le : Octobre 2011 BD ALTI Version 1 Descriptif de contenu Date du Document : Juillet 2011 Révisé le : Octobre 2011 Institut Géographique National 73 avenue de Paris 94165 Saint-Mandé Cedex www.ign.fr 1. GÉNÉRALITÉS... 3

Plus en détail

Les questions auxquelles peut répondre le SIG

Les questions auxquelles peut répondre le SIG LES FONCTIONS SIG CRTS, 18 21 Janvier 2016 Amal LAYACHI, layachi@crts.gov.ma Les questions auxquelles peut répondre le SIG Où? : recherche spatiale d'objets par rapport à leurs caractéristiques, Quoi?

Plus en détail

Caractéristiques techniques des Mosaïques SPOT/PLEIADES de Référence sur la Guyane en 2014

Caractéristiques techniques des Mosaïques SPOT/PLEIADES de Référence sur la Guyane en 2014 1 - Présentation des mosaïques : Les Mosaïques SPOT/PLEIADES se composent d images orthorectifiées de l année 2014 acquises par la Plateforme Territoriale Guyane SIG dans le cadre de l Appel à Projet du

Plus en détail

Représentation numérique de l IGN Qualité de l IGN Métadonnée

Représentation numérique de l IGN Qualité de l IGN Métadonnée L INFORMATION GEOGRAPHIQUE NUMERIQUE CRTS, 18 21 janvier 2016 M.F. SMIEJ smiej@crts.gov.ma Introduction Définition de l IGN PLAN Dimension spatiale de l IGN : localisation Représentation numérique de l

Plus en détail

Fiche descriptive d une unité d enseignement (UE) et de ses éléments constitutifs (ECUE)

Fiche descriptive d une unité d enseignement (UE) et de ses éléments constitutifs (ECUE) Fiche descriptive d une unité d enseignement (UE) et de ses éléments constitutifs (ECUE) Intitulé de l UE Télédétection/Sciences de l image 2 Nombre des crédits:...6... Code UE : GEOIDE2F3 Université :

Plus en détail

Evan Rodgers March 2013

Evan Rodgers March 2013 Utiliser l analyse par reconnaissance d objets à partir de données LiDAR pour estimer l indice de qualité des bandes riveraines (IQBR) dans le bassin de la rivière Saint-Jean, Québec Evan Rodgers March

Plus en détail

BTS Diététique 2 cours d'informatique appliquée. Outils d'aide à la Décision

BTS Diététique 2 cours d'informatique appliquée. Outils d'aide à la Décision Outils d'aide à la Décision le processus de décision : depuis Platon : processus émotionnel ou rationnel de nos jours : les neurosciences le décrive comme une fine combinaison de ces deux aspects et dépendant

Plus en détail

Réseau géomatique et connaissance des territoires. Analyse du potentiel agronomique affecté par l aménagement du territoire en Languedoc-Roussillon

Réseau géomatique et connaissance des territoires. Analyse du potentiel agronomique affecté par l aménagement du territoire en Languedoc-Roussillon Réseau géomatique et connaissance des territoires Consommation d espace à potentiel agricole 400000 Superficie initiale des classes de potentiel agronomique des sols par département 350000 300000 250000

Plus en détail

Table des matières. Introduction

Table des matières. Introduction Table des matières Auteur Introduction XI XIII Chapitre 1 Méthodes de collecte de données qualitatives 1 1. Les fondements de l approche qualitative 1 1.1. Exploration 1 1.2. Explication 2 1.3. Révélation

Plus en détail

L'image spatiale et son contenu

L'image spatiale et son contenu L'image spatiale et son contenu Deshayes M., Maurel P. in Deshayes M. (ed.). La télédétection en agriculture Montpellier : CIHEAM Options Méditerranéennes : Série A. Séminaires Méditerranéens; n. 4 1991

Plus en détail

INTRODUCTION A L IMAGERIE SPATIALE ET A SES USAGES. Jacques BOUFFIER Pôle «Applications Satellitaires» du MEDDE CEREMA / Dter Sud Ouest/ DALETT

INTRODUCTION A L IMAGERIE SPATIALE ET A SES USAGES. Jacques BOUFFIER Pôle «Applications Satellitaires» du MEDDE CEREMA / Dter Sud Ouest/ DALETT INTRODUCTION A L IMAGERIE SPATIALE ET A SES USAGES Pôle «Applications Satellitaires» du MEDDE CEREMA / Dter Sud Ouest/ DALETT 1 LE POLE APPLICATIONS SATELLITAIRES ET TELECOMMUNICATIONS DEPUIS 2009 FILIERE

Plus en détail

Comparaison de méthodes pour la correction de la non-réponse totale par repondération

Comparaison de méthodes pour la correction de la non-réponse totale par repondération Comparaison de méthodes pour la correction de la non-réponse totale par repondération Insee Pays de la Loire Service Etudes Diffusion PISE - Pôle Ingénierie Statistique Entreprises Nicolas Sigler Méthodologue

Plus en détail

Filtre de Kalman pour le suivi Version alpha (powerpoint+tableau noir)

Filtre de Kalman pour le suivi Version alpha (powerpoint+tableau noir) Filtre de Kalman pour le suivi Version alpha (powerpoint+tableau noir) Filtre de Kalman 1 Le suivi? Suivre = inférer le mouvement d'un objet à partir d'une séquence d'images. Applications : Capture du

Plus en détail

Sondages et économétrie spatiale

Sondages et économétrie spatiale Sondages et économétrie spatiale Raphaël Lardeux & Thomas Merly-Alpa Groupe de lecture : «Sondages et Économétrie» 15 juin 2015 Raphaël Lardeux & Thomas Merly-Alpa (Groupe Sondages de lecture et économétrie

Plus en détail

Éléments de la théorie de l échantillonnage

Éléments de la théorie de l échantillonnage Éléments de la théorie de l échantillonnage S. Robin robin@agroparistech.fr AgroParisTech, dépt. MMIP 28 septembre 2007 A lire : Chapitre 2 Éléments d échantillonnage du livre Statistique Inférentielle,

Plus en détail

Méthodologie : Cartographie des formations végétales particulières.

Méthodologie : Cartographie des formations végétales particulières. Méthodologie : Cartographie des formations végétales particulières. Cette méthode utilise les outils de Qgis, Grass, Python et Monteverdi avec Orphéo Tool Box. Un pack de Modèles et de Scripts Qgis sont

Plus en détail

Séminaire Environnement

Séminaire Environnement Séminaire Environnement Constitution d échantillons pour études quantitatives Myriam Campardon Unité Mixte de Recherche Cemagref-ENGEES en Gestion des Services Publics Séminaire environnement - Ateliers

Plus en détail

Nicolas Champion IGN ign.fr

Nicolas Champion IGN ign.fr Apport potentiel de la télédétection et de l'imagerie Spot 6/7 pour le suivi de l'artificialisation des sols Nicolas Champion IGN ign.fr Sommaire 1) Présentation de l'imagerie Spot 6/7 2) Spot 6/7 à l'ign

Plus en détail

IMAGES AERIENNES IMAGES SATELLITES

IMAGES AERIENNES IMAGES SATELLITES IMAGES AERIENNES IMAGES SATELLITES RECHERCHE ET CARTOGRAPHIE DE CAVITES SOUTERRAINES APPORTS, LIMITES, COMPARAISON N. BERENGER, S. RUCQUOI - Cerema Page 1/34 Objectifs et démarche de l action État de l

Plus en détail

LES APPLICATIONS SPATIALES AU SERVICE DES COLLECTIVITES

LES APPLICATIONS SPATIALES AU SERVICE DES COLLECTIVITES LES APPLICATIONS SPATIALES AU SERVICE DES COLLECTIVITES AMENAGEMENT DES TERRITOIRES ET ENVIRONNEMENT Jacques BOUFFIER Pôle «Applications satellitaires et télécommunication» CETE SO/DALETT/SCGSI AMENAGEMENT

Plus en détail

1. Les productions «forêt/bois» de l IGN

1. Les productions «forêt/bois» de l IGN ign.fr 1. Les productions «forêt/bois» de l IGN La mission forestière de l IGN Contribuer à la définition et l évaluation des politiques forestières Moyen : production d informations sur les forêts métropolitaines

Plus en détail

Statistiques de Base. Chapitre 5. Statistique descriptive

Statistiques de Base. Chapitre 5. Statistique descriptive Statistiques de Base Chapitre 5. Statistique descriptive Introduction La statistique est une méthode scientifique qui consiste à réunir des données chiffrées sur des ensembles nombreux, puis à analyser,

Plus en détail

Télédétection Radar. Auteur : Jean- Paul Rudant Réalisateur : Lucas Ternynck. Cours proposé par l Ecole Nationale des Sciences Géographiques (ENSG)

Télédétection Radar. Auteur : Jean- Paul Rudant Réalisateur : Lucas Ternynck. Cours proposé par l Ecole Nationale des Sciences Géographiques (ENSG) Télédétection Radar Cours proposé par l Ecole Nationale des Sciences Géographiques (ENSG) Auteur : Jean- Paul Rudant Réalisateur : Lucas Ternynck Plan du cours et Connaissances préalables utiles Séquence

Plus en détail

Bases du traitement des images. Filtrage d images

Bases du traitement des images. Filtrage d images Filtrage d images Séverine Dubuisson 22 octobre 2010 1 / 62 Plan du cours 1 Filtrage spatial linéaire 2D 2 Filtrage spatial non linéaire 3 Cas des images en couleurs 4 Filtrage fréquentiel (1D et 2D) 2

Plus en détail

PARTIE C, ZTR Zoom Télédétection Radar

PARTIE C, ZTR Zoom Télédétection Radar ENSG Jean- Paul RUDANT Rudant@univ- mlv.fr janvier2015 Cours : Approche Comparée des Télédétections Optique et Radar Partie A: Approche comparée des télédétections optique et radar Partie B: Zoom optique

Plus en détail

Echantillonnage : Monte Carlo et hypercube latin

Echantillonnage : Monte Carlo et hypercube latin Echantillonnage : Monte Carlo et hypercube latin École Chercheur Mexico Thierry Faure Cemagref LISC, Aubière, France Gien, le 9 Juin 2010 Plan 1 Introduction 2 des indices basés sur la régression 3 Critères

Plus en détail

Projet OPTI-SCREEN OPTIMISATION DE L ECHANTILLONNAGE A LA LIVRAISON. Décembre 2015

Projet OPTI-SCREEN OPTIMISATION DE L ECHANTILLONNAGE A LA LIVRAISON. Décembre 2015 Projet OPTI-SCREEN OPTIMISATION DE L ECHANTILLONNAGE A LA LIVRAISON Décembre 2015 Étude réalisée pour le compte de l ADEME par : DALKIA SA, CYLERGIE - ENGIE LAB, FCBA N de convention : 1301C0080 Coordination

Plus en détail

PROBABILITÉS S et STATISTIQUES en classe de PREMIÈRE

PROBABILITÉS S et STATISTIQUES en classe de PREMIÈRE PROBABILITÉS S et STATISTIQUES en classe de PREMIÈRE Réflexions et questions sur la mise en œuvre du programme D après des formations proposées dans les académies d Aix-Marseille et de Créteil 1 1 ère

Plus en détail

Distribution des échantillons aléatoires

Distribution des échantillons aléatoires Chapitre 4 Distribution des échantillons aléatoires Université de Paris Ouest 2012 2013 Objectifs du chapitre Rappel : L inférence statistique consiste à induire les caractéristiques inconnues d une population

Plus en détail

BD ALTI. Version 1. Descriptif de contenu. Révision : Septembre Date du Document : Juillet 2011

BD ALTI. Version 1. Descriptif de contenu.  Révision : Septembre Date du Document : Juillet 2011 BD ALTI Version 1 Descriptif de contenu Date du Document : Juillet 2011 Révision : Septembre 2013 www.ign.fr SOMMAIRE SOMMAIRE... 2 1. GÉNÉRALITÉS... 3 1.1 Ce que contient ce document... 3 1.2 Représentation

Plus en détail

Estel et le système d estimation de l emploi de l Insee

Estel et le système d estimation de l emploi de l Insee Estel et le système d estimation de l emploi de l Insee Etienne Debauche 17/09/2010 Plan de l exposé 1- Le système de suivi de l emploi de l Insee Pourquoi des estimations d emploi? 2- Les limites de l

Plus en détail

TABLE DES MATIÈRES. Introduction CHAPITRE I STATISTIQUE DESCRIPTIVE

TABLE DES MATIÈRES. Introduction CHAPITRE I STATISTIQUE DESCRIPTIVE TABLE DES MATIÈRES Introduction... 21 CHAPITRE I STATISTIQUE DESCRIPTIVE I L observation statistique...2 I.1 Concepts de base... 2 I.2 L élaboration de tableaux statistiques... 29 I.21 Étude d un seul

Plus en détail

Conception et réalisation d un dispositif d imagerie multispectrale embarqué : du capteur aux traitements pour la détection d adventices

Conception et réalisation d un dispositif d imagerie multispectrale embarqué : du capteur aux traitements pour la détection d adventices Conception et réalisation d un dispositif d imagerie multispectrale embarqué : du capteur aux traitements pour la détection d adventices Jean-Baptiste VIOIX 8 juillet 2004 Encadrement et financement Directeur

Plus en détail

Échantillonnage des agglomérations de l IPC pour la base 2015

Échantillonnage des agglomérations de l IPC pour la base 2015 Échantillonnage des agglomérations de l IPC pour la base 2015 Patrick Sillard et Laurence Jaluzot INSEE France Mars 2015 Sillard, Jaluzot Échantillonnage de l IPC 1/25 Introduction : les principes de l

Plus en détail

RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses, loi du χ 2

RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses, loi du χ 2 RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses, loi du χ 2 Christophe Gonzales LIP6 Université Paris 6, France Plan du cours n 3 RFIDEC cours 3 : Intervalles de confiance, tests d hypothèses,

Plus en détail

Présenté par : MARCHANE AHMED. Encadré par : Lionel Jarlan Lahoucine Hanich Abdelghani Boudhar Simon Gascoin

Présenté par : MARCHANE AHMED. Encadré par : Lionel Jarlan Lahoucine Hanich Abdelghani Boudhar Simon Gascoin Présenté par : MARCHANE AHMED Encadré par : Lionel Jarlan Lahoucine Hanich Abdelghani Boudhar Simon Gascoin Séminaire sur la neige,cesbio, Jeudi 22 Mai 2014 1 Cadre du travail Instituts de recherche scientifique

Plus en détail

Classification et reconnaissance de formes

Classification et reconnaissance de formes Classification et reconnaissance de formes Théorie Bayesienne de la décision Gilles Gasso 8 novembre 216 Gilles Gasso Classification et reconnaissance de formes 1 / 3 Plan 1 Introduction 2 Rappels : notions

Plus en détail

Rendez-vous technique BD TOPO

Rendez-vous technique BD TOPO Rendez-vous technique BD TOPO CRIGE 9 juin 2006 9 juin 2006 1/ 20 Rendez-vous technique BD TOPO CRIGE 9 juin 2006 Le R.G.E La BD TOPO Le Référentiel à Grande Echelle (RGE ) Décision interministérielle

Plus en détail

La fusion multi-capteur en télédétection optique : Application à la détermination de variables biophysiques de surface.

La fusion multi-capteur en télédétection optique : Application à la détermination de variables biophysiques de surface. La fusion multi-capteur en télédétection optique : Application à la détermination de variables biophysiques de surface Olivier Samain 1 Introduction Fusion multi-capteur : Utilisation conjointe de plusieurs

Plus en détail

Proposition de cartes de synthèses de l aléa chutes de pierres et de blocs rocheux

Proposition de cartes de synthèses de l aléa chutes de pierres et de blocs rocheux Proposition de cartes de synthèses de l aléa chutes de pierres et de blocs rocheux A partir des résultats des travaux de simulations présentés dans le chapitre précédent, une carte de synthèse de l aléa

Plus en détail

Le LiDAR terrestre : une nouvelle façon de voir la forêt. Jean-François Côté, chercheur scientifique RNCan-Centre canadien sur la fibre de bois

Le LiDAR terrestre : une nouvelle façon de voir la forêt. Jean-François Côté, chercheur scientifique RNCan-Centre canadien sur la fibre de bois Le LiDAR terrestre : une nouvelle façon de voir la forêt Jean-François Côté, chercheur scientifique RNCan-Centre canadien sur la fibre de bois Le LiDAR terrestre : une nouvelle façon de voir la forêt Jean-François

Plus en détail

Cartographie des massifs potentiellement sensibles aux incendies estivaux en

Cartographie des massifs potentiellement sensibles aux incendies estivaux en Cartographie des massifs potentiellement sensibles aux incendies estivaux en 2040-2060 Mission interministérielle sur l extension des zones sensibles aux feux de forêts IV éme conférence internationale

Plus en détail