M3Fusion : Un modèle d'apprentissage profond pour la fusion de données satellitaires Multi-{Echelles/Modalités/Temporelles}
Les systèmes modernes d'observation de la Terre fournissent des données à différentes résolutions temporelles et spatiales. Parmi les capteurs optiques, la constellation Sentinel-2 acquiert aujourd'hui des images à haute résolution temporelle (tous les 5 jours) et à haute résolution spatiale (10 m) qui sont utiles pour ´étudier la dynamique de l'occupation du sol. D'autre part, les images à très haute résolution spatiale (THRS) demeurent des données essentielles pour identifier les éléments caractérises par des motifs spatiaux fins. Comprendre comment exploiter efficacement l'hétérogénéité des informations fournies par différents capteurs, dans un processus de fusion de données, est un d´défi majeur dans le domaine de la télédétection. En utilisant conjointement les séries temporelles à haute résolution et les informations spatiales fines contenues dans les images THRS, nous proposons un modèle d'apprentissage profond, appelé M3Fusion, pour relever ce défi et cartographier ainsi l'occupation du sol. Les expériences, menées sur l'Île de la Réunion, montrent la qualité de notre architecture neuronale, comparée à une approche standard d'apprentissage automatique, tant en termes de performances quantitatives que de rendu spatial.
| Main Authors: | , , , , , |
|---|---|
| Format: | conference_item biblioteca |
| Language: | fre |
| Published: |
s.n.
|
| Online Access: | http://agritrop.cirad.fr/589152/ http://agritrop.cirad.fr/589152/1/CFPT2018_paper_benedetti-1.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|