httprechercheignfrJRIGN2020

29es Journeacutees de la Recherche de lrsquoIGNdeacutemateacuterialiseacutees

du 5 au 9 octobre 2020

I N T E L L I G E N C EA R T I F I C I E L L E

amp D O N N Eacute E S

G Eacute O G R A P H I Q U E S

2

I N T E L L I G E N C EA R T I F I C I E L L E

ampD O N N Eacute E S

G Eacute O G R A P H I Q U E S

3

Les 29es Journeacutees de la Recherche de lrsquoIGN 2020complegravetement deacutemateacuterialiseacutees

Session drsquoouverture en live animeacutee par Frank FUCHS Deacuteleacutegueacute scientifique et technique de lrsquoIGN

09h30 Ouverture des Journeacutees de la Recherche Sylvain LATARGET Directeur geacuteneacuteral par inteacuterim de lrsquoIGN

09h40 Retour drsquoexpeacuteriences INRIA sur lrsquoIAGuillaume CHARPIAT chargeacute de recherche INRIA Saclay

10h10 Vers de nouvelles technologies Frank FUCHS Deacuteleacutegueacute scientifique et technique de lrsquoIGN Olivier JAMET Deacuteleacutegueacute scientifique et technique adjoint de lrsquoIGN

10h40 Lrsquoapprentissage profond au service de la teacuteleacutedeacutetection Camille PARISEL chef de deacutepartement drsquoappui agrave lrsquoinnovation IGN

11h10 Preacutesentation du deacuterouleacute des 4 demi-matineacuteesNicolas PAPARODITIS Directeur de la recherche de lrsquoenseignement de lrsquoIGN

RENCONTREZ NOS CHERCHEURS SANS VOUS DEPLACER En vous connectant sur rechercheignfr

1 Acceacutedez aux preacutesentations des chercheurs sur la chaine IGN

2 Posez vos questions par eacutecrit en commentaire

3 Eacutechangez avec les chercheurs lors de nos 4 sessions live en visio chaque jour (du mardi 6 octobre au vendredi 9 octobre) agrave 11h

Lundi 5 octobre 2020

2

I N T E L L I G E N C EA R T I F I C I E L L E

ampD O N N Eacute E S

G Eacute O G R A P H I Q U E S

3

Les 29es Journeacutees de la Recherche de lrsquoIGN 2020complegravetement deacutemateacuterialiseacutees

Session drsquoouverture en live animeacutee par Frank FUCHS Deacuteleacutegueacute scientifique et technique de lrsquoIGN

09h30 Ouverture des Journeacutees de la Recherche Sylvain LATARGET Directeur geacuteneacuteral par inteacuterim de lrsquoIGN

09h40 Retour drsquoexpeacuteriences INRIA sur lrsquoIAGuillaume CHARPIAT chargeacute de recherche INRIA Saclay

10h10 Vers de nouvelles technologies Frank FUCHS Deacuteleacutegueacute scientifique et technique de lrsquoIGN Olivier JAMET Deacuteleacutegueacute scientifique et technique adjoint de lrsquoIGN

10h40 Lrsquoapprentissage profond au service de la teacuteleacutedeacutetection Camille PARISEL chef de deacutepartement drsquoappui agrave lrsquoinnovation IGN

11h10 Preacutesentation du deacuterouleacute des 4 demi-matineacuteesNicolas PAPARODITIS Directeur de la recherche de lrsquoenseignement de lrsquoIGN

RENCONTREZ NOS CHERCHEURS SANS VOUS DEPLACER En vous connectant sur rechercheignfr

1 Acceacutedez aux preacutesentations des chercheurs sur la chaine IGN

2 Posez vos questions par eacutecrit en commentaire

3 Eacutechangez avec les chercheurs lors de nos 4 sessions live en visio chaque jour (du mardi 6 octobre au vendredi 9 octobre) agrave 11h

Lundi 5 octobre 2020

I N T E L L I G E N C EA R T I F I C I E L L E

ampD O N N Eacute E S

G Eacute O G R A P H I Q U E S

3

Les 29es Journeacutees de la Recherche de lrsquoIGN 2020complegravetement deacutemateacuterialiseacutees

Session drsquoouverture en live animeacutee par Frank FUCHS Deacuteleacutegueacute scientifique et technique de lrsquoIGN

09h30 Ouverture des Journeacutees de la Recherche Sylvain LATARGET Directeur geacuteneacuteral par inteacuterim de lrsquoIGN

09h40 Retour drsquoexpeacuteriences INRIA sur lrsquoIAGuillaume CHARPIAT chargeacute de recherche INRIA Saclay

10h10 Vers de nouvelles technologies Frank FUCHS Deacuteleacutegueacute scientifique et technique de lrsquoIGN Olivier JAMET Deacuteleacutegueacute scientifique et technique adjoint de lrsquoIGN

10h40 Lrsquoapprentissage profond au service de la teacuteleacutedeacutetection Camille PARISEL chef de deacutepartement drsquoappui agrave lrsquoinnovation IGN

11h10 Preacutesentation du deacuterouleacute des 4 demi-matineacuteesNicolas PAPARODITIS Directeur de la recherche de lrsquoenseignement de lrsquoIGN

RENCONTREZ NOS CHERCHEURS SANS VOUS DEPLACER En vous connectant sur rechercheignfr

1 Acceacutedez aux preacutesentations des chercheurs sur la chaine IGN

2 Posez vos questions par eacutecrit en commentaire

3 Eacutechangez avec les chercheurs lors de nos 4 sessions live en visio chaque jour (du mardi 6 octobre au vendredi 9 octobre) agrave 11h

Lundi 5 octobre 2020

4

ANALYSE DE DONNEacuteES TEMPORELLESAnimateur Mathieu BREacuteDIF

LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

06-10-A Modegraveles drsquoattention pour lrsquoappariement drsquoimages heacuteteacuterogegravenes (p 8)Dimitri GOMINSKI IGN F-69003 Lyon France

06-10-B Classification de culture avec reacuteseaux drsquoattention temporels (p 9)Vivien SAINTE-FARE GARNOT LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

06-10-C Suivi du couvert des prairies inpainting de seacuteries temporelles satellitaires NDVI (p 10)Anatol GARIOUD LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France - CESBIO Universiteacute de Toulouse CNESCNRSINRAEIRDUPS Toulouse France

06-10-D Visualisation immersive drsquoimages historiques preacutesentant des distorsions geacuteomeacutetriques (p 11)Evelyn PAIZ-REYES LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

06-10-E Impact du changement climatique sur la croissance des forecircts franccedilaises premiers enseignements et perspectives opeacuterationnelles (p 12)Cleacutementine OLS LIF ENSG IGN F-54042 Nancy France

RDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MARDI 6 OCTOBRE 2020 - de 11H agrave 12H

A partir du Lundi 5 octobre 11h30 retrouvez toutes les preacutesentations en ligne

5

POLITIQUE PUBLIQUE ET DEacuteFIS ENVIRONNEMENTAUXAnimateur Catherine DOMINGUEgraveS

LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

07-10-A Projet LandSense quel potentiel du collaboratif pour la mise agrave jour de lrsquoOCS-Grande Eacutechelle (p 13) Ana-Maria OLTEANU-RAIMOND LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

07-10-B Visualisation de donneacutees climatiques en milieu urbain (p 14)Jacques GAUTIER LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

07-10-C Meacutethodes drsquoestimation sur petits domaines pour lrsquoinventaire forestier national (p 15)Ankit SAGAR LIF ENSG IGN F-54042 Nancy France

07-10-D Utilisation des meacutethodes de machine Learning pour le traitement drsquoimages agrave Meacuteteacuteo-France (p 16)Laure RENYAUD Centre National de Recherches Meacuteteacuteorologiques (CNRM)Meacuteteacuteo-France

RDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MERCREDI 7 OCTOBRE 2020 - de 11H agrave 12H

A partir du Lundi 5 octobre 11h30 retrouvez toutes les preacutesentations en ligne

6

DONNEacuteES 2D 3D ET MULTI-MODALESAnimateur Julien PERRET

LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

08-10-A Apprentissage profond pour analyse de donneacutees 3D (p 17)Loiumlc LANDRIEU LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

08-10-B Contribution du Lidar terrestre en inventaire forestier constitution drsquoune base de donneacutee drsquoarbres reacutefeacuterence pour le deacuteveloppement de modegraveles de preacutediction de volume total aeacuterien des forecircts (p 18)Lina JARBOUI Ceacutedric VEacuteGA LIF ENSG IGN F-54042 Nancy France

08-10-C Cartographie preacutedictive et machine learning au BRGM (p 19)Vincent LABBEData Scientist et Ingeacutenieur Big Data BRGM

08-10-D Mise agrave jour de maillages trianguleacutes de scegravenes urbaines (p 20)Bruno VALLET LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

A partir du Lundi 5 octobre 11h30 retrouvez toutes les preacutesentations en ligne

RDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

JEUDI 8 OCTOBRE 2020 - de 11H agrave 12H

7

PREacuteCISION ET QUALIFICATION DES DONNEacuteESAnimateur Loiumlc LANDRIEU

Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

09-10-A Controcircle de santeacute structurale (p 21)Nicolas MANZINI SITES amp Univ Gustave Eiffel

09-10-B Eacutevaluation de la qualiteacute de donneacutees drsquoOpenStreetMap agrave partir drsquoindicateursintrinsegraveques (p 22)Ibrahim MAIDANEH Univ Paris-Est LASTIG MEIG IGN ENSG F-94160 Saint-Mandeacute France ITU-I Djibouti University Djibouti

09-10-C Geacuteneacuterer des images de chats ou des cartes est-ce la mecircme chose (p 23)Guillaume TOUYA LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

09-10-D Quelle taille fait la terre Apport du systegraveme de positionnement europeacuteenGalileacuteo (p 24)Paul REBISCHUNG Universiteacute de Paris Institut de physique du globe de Paris CNRS IGN F-75005 Paris France

09-10-E Installation et rattachement drsquoun coin reacuteflecteur sur le site de Calernde lrsquoObservatoire de la Cocircte drsquoAzur (p 25)Xavier COLLILIEUX Universiteacute de Paris Institut de physique du globe de Paris CNRS IGN F-75005 Paris France Univ Gustave Eiffel ENSG IGN F-75238 Paris France

09-10-F Deacutetection automatiseacutee de sondes aberrantes lrsquoapproche machinelearning pour le traitement de la bathymeacutetrie (p 26)Julien LE DEUNF Shom Brest France IMT Atlantique Lab-STICC UMR CNRS 6285 F-29238 Brest France

09-10-G Ameacutelioration du processus lrsquoeacutegalisation radiomeacutetrique des images argentiquesscanneacutees entrant dans la production des ortho-mozaiumlques historiques (p 27)Lacircmacircn LELEacuteGARDUniversiteacute de Paris Institut de physique du globe de Paris CNRS IGN F-75005 Paris France

A partir du Lundi 5 octobre 11h30 retrouvez toutes les preacutesentations en ligne

RDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

VENDREDI 9 OCTOBRE 2020 - de 11H agrave 12H

8

Modegraveles drsquoattention pour lrsquoappariement drsquoimages heacuteteacuterogegravenes

Dimitri GOMINSKIIGN F-69003 Lyon France

Lrsquoabondance drsquoimages numeacuteriques associeacutee aux divers projets de numeacuterisation de collections historiques de photographies argentiques et de documents culturels produit aujourdrsquohui un ensemble de collections drsquoimages qui repreacutesentent un patrimoine riche mais souvent en silos etdeacutependantes des annotations disponibles Le projet ANR Alegoria vise agrave interconnecter ces bases de donneacutees et dans le cadre de ma thegravese sur des critegraveres de similariteacute visuelleCette similariteacute est difficile agrave eacutevaluer compte tenu des diverses faccedilons de repreacutesenter un mecircme objet ou lieu entre photographies anciennes et modernes

images noir et blanc ou couleur obliquesou verticales etcIl est alors crucial de savoir se focaliser sur les zones invariantes de lrsquoimage ce qui peut se faire avec des modegraveles drsquoattention Issus de reacuteseaux convolutifs profonds ceux-ci permettent de prendreen compte lrsquoensemble des variations qursquoon peut rencontrer dans les bases de donneacutees heacuteteacuterogegravenesDans ce travail nous preacutesenterons les strateacutegies pour entraicircner ces modegraveles avec une quantiteacute limiteacutee de donneacutees annoteacutees et comment les utiliser pour la recherche drsquoimage

ANALYSE DE DONNEacuteES TEMPORELLES

RDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MARDI 6 OCTOBRE 2020 - de 11H agrave 12H06-10-A

recherche drsquoimages baseacutee contenu deep features modegraveles drsquoattention donneacutees heacuteteacuterogegravenes cross-domain iconographieMots-cleacutes

9

Classification de culture avec reacuteseaux drsquoattention temporels

Vivien SAINTE-FARE GARNOTLASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

La classification des parcelles agricoles permet chaque anneacutee de cartographierles cultures sur lrsquoensemble du territoire Elle est notamment cruciale pour lrsquoattribution des subventions de la politique agricole commune Aujourdrsquohui la mise agrave disposition publique de donneacutees satellites et les nouveaux outils du deep learning per-mettent drsquoenvisager une classification automatique agrave grande eacutechelle En particu-lier des modegraveles drsquoapprentissage combinant les reacuteseaux de neurones convolutionels (CNN) et reacutecurrents (RNN) produisent des

reacutesultats de classification tregraves encoura-geants Cependant ces modegraveles preacutesentent certaines limitations par rapport agrave la tacircche de classification envisageacutee Nous proposons une nouvelle architecture de reacuteseau de neurones qui tente de deacutepasser ces limitations Les premiers reacutesultats drsquoexpeacuterimentation montrent que notre approche permet non seulement une nette ameacutelioration de la performance de classification mais aussi une vitesse de calcul multiplieacutee par quatre

ANALYSE DE DONNEacuteES TEMPORELLES

06-10-BRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MARDI 6 OCTOBRE 2020 - de 11H agrave 12H

seacuterie temporelle modegravele drsquoattention apprentissage profond classificationMots-cleacutes

10

Suivi du couvert des prairies inpainting de seacuteries temporelles satellitaires NDVI

Anatol GARIOUDLASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute FranceCESBIO Universiteacute de Toulouse CNESCNRSINRAEIRDUPS Toulouse France

Les prairies assurent de nombreux ser-vices eacutecosysteacutemiques (stockage carbone production alimentaire biodiversiteacutehellip) Leur suivi est donc essentielLe programme europeacuteen Copernicus fournit des donneacutees satellitaires ayant une couverture mondiale et une revisite temporelle de lrsquoordre de quelques jours Ces donneacutees permettent lrsquoexploitation conjointe de capteurs optiques passifs et de capteurs radar actifs Neacuteanmoins ces diffeacuterentes donneacutees souffrent de faiblesses (nuages pour lrsquooptique condi-

tions geacuteomeacutetriques et dieacutelectriques pour le radar) rendant complexe leur synergie

Afin de tirer profit des leurs avantages respectifs une architecture de reacutegression baseacutee sur les reacuteseaux de neurones reacute-currents (RNN) est proposeacutee Le reacutesultat permet drsquoobtenir des seacuteries temporelles denses drsquoindice de veacutegeacutetation (NDVI) agrave partir des donneacutees radar Ceci doit permettre un suivi reacutegulier de lrsquoeacutetat de la veacutegeacutetation

ANALYSE DE DONNEacuteES TEMPORELLES

RDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MARDI 6 OCTOBRE 2020 - de 11H agrave 12H06-10-C

seacuterie temporelle modegravele drsquoattention apprentissage profond deacutetection de changementMots-cleacutes

11

Visualisation immersive drsquoimages historiques preacutesentant des distorsions geacuteomeacutetriques

Evelyn PAIZ-REYESLASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

Les archivistes historiens ainsi que les agences cartographiques nationales ar-chivent de grandes quantiteacutes de donneacutees photographiques historiques Les appareils photographiques utiliseacutes pour lrsquoacquisition de ces images preacutesentent des effets divers tels que la distorsion geacuteomeacutetrique des aberrations chromatiques ou des variations de profondeur de champ Ces effets in-fluencent la qualiteacute des images produites Cette preacutesentation examine plus preacuteciseacutement le sujet de la distorsion geacuteomeacutetrique lors de la co-visualisation drsquoimages historiques et du modegravele 3D de la scegravene photographieacutee La fonction de distorsion est habituelle-ment estimeacutee uniquement sur le domaine de lrsquoimage en ajustant ses paramegravetres aux observations aux points de correspondances

Cette fonction matheacutematique peut preacutesenter des pheacutenomegravenes de surrappentrissage drsquooscillations non deacutesireacutees et nrsquoest poten-tiellement pas bien deacutefinie en dehors du domaine de lrsquoimage Nous introduisons un nouveau modegravele de distorsion deacutefini pour le domaine de lrsquoimage rectifieacute par applica-tion drsquoune meacutethode drsquointerpolation Ceci nous permet de transfeacuterer les informations de distorsions de lrsquoimage agrave la scegravene 3D tout entiegravere Cette contribution est une exten-sion de techniques baseacutees image pour le controcircle de la distorsion de photos et de modegraveles 3D Ces reacutesultats pourraient amener agrave la mise au point de nouvelles techniques pour la visualisation de photographies an-ciennes

ANALYSE DE DONNEacuteES TEMPORELLES

06-10-DRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MARDI 6 OCTOBRE 2020 - de 11H agrave 12H

revisualisation 3D rendu baseacute images photographies historiques distorsionMots-cleacutes

12

Impact du changement climatique sur la croissance des forecircts franccedilaises premiers enseignements

et perspectives opeacuterationnellesCleacutementine OLS Jean-Daniel BONTEMPSLIF ENSG IGN F-54042 Nancy France

En srsquoappuyant sur gt 10 000 mesures drsquoac-croissement radial des placettes de lrsquoIFN nous avons eacutevalueacute les trajectoires tem-porelles drsquoanomalies de croissance de huit essences conifegraveres sur 2006-2016 dans divers contextes bioclimatiques (16 systegravemes forestiers) Ces trajectoires filtreacutees des deacuteterminants dendromeacute-triques eacutecologiques et climatiques (cli-mat moyen) par modeacutelisation ont eacuteteacute compareacutees agrave des variables environne-mentales Lrsquoanalyse deacutemontre une eacutetroite enveloppe thermique optimale de crois-sance (impact neacutegatif drsquohivers et drsquoeacuteteacutes plus chauds) et un effet de la disponi-

biliteacute en eau particuliegraverement dans des contextes de reboisement (geacuteneacuteralement plus chauds que le contexte natif de haute altitudelatitude) Une eacutevolution moins favorable dans les systegravemes intro-duits est mise en eacutevidence Les essences et populations introduites srsquoavegraverent donc moins adapteacutees au climat futur malgreacute les efforts drsquoinstallation consentis Lrsquoef-ficaciteacute des meacutethodes deacuteveloppeacutees et lrsquoimportance de lrsquoinformation produite de cette eacutetude deacutemontrent la possibiliteacute et la prioriteacute drsquoun investissement de long terme dans le deacuteploiement drsquoun systegraveme de monitoring national

ANALYSE DE DONNEacuteES TEMPORELLES

06-10-ERDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MARDI 6 OCTOBRE 2020 - de 11H agrave 12H

seacuterie temporelle monitoring biodiversiteacute climatMots-cleacutes

13

production collaborative qualification projetLandSenseMots-cleacutes

Projet LandSense quel potentiel du collaboratif pour la mise agrave jour de lrsquoOCS-Grande eacutechelle

Ana-Maria OLTEANU-RAIMONDLASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute FRANCE

Le projet LandSense (httpsleplandsenseeu) est un projet H2020 dont lrsquoobjectif est de construire un observatoire citoyen pour le suivi de lrsquooccupation du sol Dans le cadre de ce projet lrsquoIGN a pour objectif principal drsquoeacutevaluer la valeur et la pertinence du collaboratif afin drsquoameacuteliorer et mettre agrave jour les donneacutees drsquooccupation du sol agrave grande eacutechelle (OCS-GE) La preacutesentation abordera la mise en place du cas drsquoeacutetude

meneacute par lrsquoIGN dans le SCOT Toulousain et sera focaliseacutee sur trois aspects 1les outils deacuteveloppeacutes (PAYSAGES) 2la strateacutegie proposeacutee pour mener des cam-pagnes sur le terrain et web 3les meacutethodes proposeacutees pour qualifier les donneacutees collecteacutees et les inteacutegrer dans un processus de fusion de donneacutees geacuteo-graphiques heacuteteacuterogegravenes afin de mettre agrave jour les donneacutees drsquoOCS-GE

POLITIQUE PUBLIC ET DEacuteFIS ENVIRONNEMENTAUX

(a)Polygone OCS-GE 2016 (classe laquo Pas drsquousage raquo)

et nouvelles constructions remonteacutees

(c) Polygone OCS-GE estimeacute 2019 (classe Reacutesidentiel)

et orthophoto 2019

(b) Polygone OCS-GE 2016 (classe laquo Pas drsquousage raquo)

et orthophoto 2016

Reacutesultat du procecessus de fusion de donneacutees geacuteographiques heacuteteacuterogegravenes

07-10-ARDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MERCREDI 7 OCTOBRE 2020 - de 11H agrave 12H

14

geacuteovisualisation visualisation 3D pheacutenomegravenes climatiques urbains donneacutees climatiquesmeacuteteacuteorologiques modegraveles urbains 3D visualisation de donneacutees climatiques

Mots-cleacutes

Visualisation de donneacutees climatiques en milieu urbain

Jacques GAUTIERLASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

La compreacutehension des pheacutenomegravenes cli-matiques urbains est un enjeu de la lutte face au reacutechauffement climatique Leur analyse requiert que des donneacutees climatiques ou meacuteteacuteorologiques (tem-peacuterature vents) puissent ecirctre eacutetudieacutees agrave des eacutechelles spatiales fines (quartier rue) selon les trois dimensions de lrsquoespace Ces donneacutees sont obtenues par simula-tion au moyen de modegraveles fournis par Meacuteteacuteo-France (MesoNH (Lac et al 2018) et TEB (Masson 2000)) Dans le cadre du projet europeacuteen ERA4CS URCLIM nous explorons diffeacuterentes possibiliteacutes de visualisation de ces donneacutees dans des modegraveles urbains 3D en collaboration

avec des climatologues et des meacuteteacuteoro-logues afin de permettre leur exploration visuelle et de mieux interpreacuteter leursrelations avec la morphologie du tissu urbain Leur co-visualisation avec drsquoautres donneacutees utiliseacutees en entreacutee des modegraveles de simulation (occupation du sol etc) permettrait eacutegalement drsquoidentifier de possibles incoheacuterences dans les donneacutees simuleacutees et drsquoameacuteliorer les modegraveles de simulation Notre preacutesentation consistera agrave montrer ces environnements de visua-lisation impliquant de se pencher sur diffeacuterents axes de recherche allant de la repreacutesentation graphique des donneacutees aux possibiliteacutes drsquointeraction

POLITIQUE PUBLIC ET DEacuteFIS ENVIRONNEMENTAUX

07-10-BRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MERCREDI 7 OCTOBRE 2020 - de 11H agrave 12H

15

inventaire forestier analyse multi-eacutechelle analyse multi-sourceMots-cleacutes

Meacutethodes drsquoestimation sur petits domaines pour lrsquoinventaire forestier national

Ankit SAGARLIF ENSG IGN F-54042 Nancy France

Lrsquoenquecircte Inventaire Forestier National (IFN) a notamment pour objectif drsquoeacutevaluer en continu les ressources forestiegraveres Le plan de sondage est dimensionneacute pour produire des estimations jusqursquoaux eacutechelles reacutegionales Avec le deacuteveloppe-ment de la bioeacuteconomie lrsquoenjeu porte aujourdrsquohui sur la production drsquoinfor-mations agrave lrsquoeacutechelle des territoires ougrave se deacuteclinent les plans reacutegionaux de la forecirct et du bois et les scheacutemas reacutegionaux biomasse et srsquoopegravere la structuration de la filiegravere forecirct-bois Les meacutethodes drsquoinventaire forestier multisource permettent drsquoameacuteliorer la preacutecision des estimations de lrsquoIFN agrave ces eacutechelles opeacuterationnelles Elles reposent

sur la combinaison des donneacutees eacutechan-tillonneacutees sur le terrain preacutecises mais ponctuelles et agrave faible densiteacute spatiale avec des donneacutees auxiliaires peu preacutecises mais continues dans lrsquoespace et agrave haute voire tregraves haute reacutesolution spatiale gracircce agrave des meacutethodes statis-tiques approprieacutees Cette combinaison permet drsquoobtenir des estimations preacutecises agrave des eacutechelles plus fines agrave coucirct marginal Nous preacutesentons ici les reacutesultats drsquoune meacutethode de descente drsquoeacutechelle permet-tant drsquoeffectuer des estimations dans des petits domaines geacuteographiques agrave niveau drsquoerreur controcircleacute afin de srsquoadapter aux besoins des acteurs des territoires

POLITIQUE PUBLIC ET DEacuteFIS ENVIRONNEMENTAUX

07-10-CRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MERCREDI 7 OCTOBRE 2020 - de 11H agrave 12H

16

reacutevision numeacuterique du temps segmentation classification drsquoimagesMots-cleacutes

Utilisation des methodes de machine Learning pour le traitement drsquoimages agrave Meacuteteacuteo-France

Laure RENYAUDCentre National de Recherches Meacuteteacuteorologiques (CNRM)Meacuteteacuteo-France

Les preacutevisions du temps produites defaccedilon opeacuterationnelle par Meacuteteacuteo-France sont visualiseacutees en grande partie sous forme de cartes repreacutesentant la valeur des variables atmospheacuteriques sur des domaines geacuteographiques varieacutes Pour la caracteacuterisation du temps preacutesent et la preacutevision agrave tregraves courte eacutecheacuteance les observations notamment satellitaires apportent eacutegalement une information essentielle Cette preacutesentation propose un panorama de nos travaux actuels en apprentissage statistique pour le traitement des donneacutees preacutevues et

observeacutees Ils incluent en particulier - la deacutetection automatique de reacutegionsdrsquointeacuterecirct et drsquoeacutevegravenements agrave fort impact (par exemple orages violents cyclones tropicaux) dans les champs preacutevus et observeacutes - la preacutevision immeacutediate par extrapo-lation temporelle drsquoimages observeacutees - la deacutetection et la caracteacuterisation de la neige en plaine agrave partir drsquoimages geacuteolocaliseacutees - la deacutetection des deacutepocircts drsquoavalanches sur des images satellite haute reacutesolution Ces probleacutematiques sont traiteacutees avec des meacutethodes reacutecentes de machine learning eacuteprouveacutees sur des problegravemes proches

reacutevision numeacuterique du temps segmentation classification drsquoimages

POLITIQUE PUBLIC ET DEacuteFIS ENVIRONNEMENTAUX

RDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

MERCREDI 7 OCTOBRE 2020 - de 11H agrave 12H07-10-D

17

Apprentissage profond pour analyse de donneacutees 3D

Loiumlc LANDRIEULASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

Le domaine du traitement automatique de donneacutees 3D est en train de connaicirctre une reacutesurgence lieacutee au prix toujours plus bas de capteurs de plus en plus performants et aux perspectives drsquoappli-cations majeures telles que la conduite autonome En parallegravele des outils issus de la communauteacute de vision par ordina-teur comme lrsquoapprentissage profond ont consideacuterablement ameacutelioreacute la preacutecision et la rapiditeacute des algorithmes drsquoanalyse de nuages de point 3D En particulier les meacutethodes baseacutees sur une repreacutesentation par graphes ou les convolutions 3D ont

deacutemontreacute leur grande efficaciteacute Dans cette preacutesentation nous proposons une vue globale de ces avanceacutees reacutecentes Nous preacutesentons aussi nos travaux de ces derniegraveres anneacutees ayant pour objet le passage agrave lrsquoeacutechelle de ces meacutethodes aux ordres de grandeur propre agrave la teacuteleacutedeacutetec-tion Ces meacutethodes baseacutees sur la simpli-fication adaptative de grands nuages de points en superpoints permettent une acceacuteleacuteration importante de lrsquoapprentis-sage et de lrsquoinfeacuterence pour des donneacutees comprenant des centaines de millions de points

DONNEacuteES 2D 3D ET MULTI-MODALES

08-10-ARDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

JEUDI 8 OCTOBRE 2020 - de 11H agrave 12H

deep learning 3D data LiDAR passage agrave lrsquoeacutechelleMots-cleacutes

18

Contribution du Lidar terrestre en inventaire forestier constitution drsquoune base de donneacutees drsquoarbres reacutefeacuterenceacute pour

le deacuteveloppement de modegraveles de preacutediction du volume total aeacuterien des forecircts

Lina JARBOUI Ceacutedric VEacuteGALIF ENSG IGN F-54042 Nancy France

Lrsquoinventaire forestier national fournit des donneacutees sur le volume de la tige princi-pale des arbres Avec le deacuteveloppement de la bio-eacuteconomie et des rapportages internationaux il devient neacutecessaire de fournir des donneacutees sur le volume total des arbres Lrsquoobtention de ces donneacutees neacutecessite des mesures destructives coucirc-teuses et difficiles agrave mettre en œuvreagrave lrsquoeacutechelle nationale Les donneacutees lidarterrestre fournissent des nuages de points 3D tregraves denses deacutecrivant lrsquoarchitecture des arbres et peuvent ecirctre consideacutereacutees comme une alternative prometteuse pour

obtenir des mesures preacutecises de leur volumeDans cette preacutesentation nous exposons les meacutethodes drsquoacquisition et de traite-ment mises en œuvre pour constituer une base de donneacutees 3D de placettes drsquoinventaire forestier et drsquoarbres de reacutefeacute-rence analyser la qualiteacute de ces donneacutees pour leur reconstruction geacuteomeacutetrique et deacuteterminer leur potentiel pour deacuteve-lopper des tarifs de cubage flexibles permettant drsquoestimer le volume de diffeacute-rents compartiments de taille

DONNEacuteES 2D 3D ET MULTI-MODALES

08-10-BRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

JEUDI 8 OCTOBRE 2020 - de 11H agrave 12H

inventaire forestier LiDAR bio-eacuteconomieMots-cleacutes

19

Cartographie preacutedictive et machine learning au BRGM

Vincent LABBEData Scientist et Ingeacutenieur Big Data BRGM

Je vais preacutesenter lrsquoactiviteacute reacutecente du BRGM concernant ce que lrsquoon appelle laquola cartographie preacutedictive baseacutee sur les donneacuteesraquo (data driven potential map-ping) qui nrsquoest autre que lrsquointerpolation spatiale drsquoun paramegravetre dont la valeur varie spatialement (mais aussi eacuteven-tuellement avec le temps) et dont on ne connait les valeurs que tregraves partielle-ment Cette interpolation est reacutealiseacutee par des algorithmes issus de lrsquoapprentissage automatique (machine learning) agrave partir de donneacutees soigneusement preacutepareacutees de faccedilon agrave refleacuteter notre connaissance du pheacutenomegravene

Cette activiteacute sera preacutesenteacutee agrave travers deux projets ayant des finaliteacutes diffeacute-rentes 1 la cartographie preacutedictive appliqueacutee aux ressources mineacuterales ou comment reacutepondre agrave la question laquoougrave creuser pour trouver le prochain filon drsquoor en Bretagne raquo en se basant uniquement sur les donneacutees geacuteologiques et miniegraveres en notre possession 2 la cartographie preacutedictive appliqueacutee agrave la pollution de lrsquoenvironnement ougrave com-ment aider la police de lrsquoenvironnement agrave eacutetablir ses plans de controcircle

DONNEacuteES 2D 3D ET MULTI-MODALES

08-10-CRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

JEUDI 8 OCTOBRE 2020 - de 11H agrave 12H

cartographie preacutedictive apprentissage automatique interpolation spatialeMots-cleacutes

20

Lidar reconstruction analyse de visibiliteacute deacutetection de changements mise agrave jour maillages trianguleacutesdeacutetection drsquoobjets mobiles fusion de maillages mosaiumlquage

Mots-cleacutes

Mise agrave jour de maillages trianguleacutes de scegravenes urbaines

Bruno VALLETLASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

Lrsquoun des objectifs du projet Platinum est de constituer une cartographie 3D drsquoun environnement urbain afin de faciliter la navigation drsquoagents (utilisateurs drsquoun service de navigation etou veacutehicules autonomes) dans cet environnement Cette cartographie prend la forme drsquoun maillage 3D haute reacutesolution preacutecis et deacutetailleacute geacuteomeacutetriquement radiomeacutetri-quement et seacutemantiquement constitueacute agrave partir de donneacutees image et Lidar acquises par cartographie mobile Cependant cette

repreacutesentation nrsquointegravegre pas lrsquoaspectdynamique des scegravenes urbaines et le projet preacutevoit donc une mise agrave jour reacuteguliegravere de cette cartographie en exploitant les donneacutees de moins bonne qualiteacute mais plus actuelles collecteacutees par les agents Nous proposons donc une meacutethode de mise agrave jour de maillages reposant sur une analyse de visibiliteacute permettant de deacutetecter les changements et un mosaiuml-quage optimal des donneacutees disponibles en termes de qualiteacute et drsquoactualiteacute

DONNEacuteES 2D 3D ET MULTI-MODALES

08-10-DRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

JEUDI 8 OCTOBRE 2020 - de 11H agrave 12H

21

GPS GNSS surveillance SHM santeacute structurale reacuteseaux de neurones Mots-cleacutes

Depuis les derniegraveres deacutecennies les ouvrages drsquoart (ponts viaduc barrages) subissent une exploitation croissante tout en faisant face au deacutefi du deacuteveloppement durable La theacutematique de la surveillance de santeacute structurale ou structural health monitoringvise agrave assurer la seacutecuriteacute des structures et agrave en prolonger lrsquoexploitation agrave travers leur auscultation et leur instrumentation Dans ce contexte les GNSS constituent un outil original permettant le suivi de deacutepla-cements dans un reacutefeacuterentiel global une donneacutee unique en son genre

Cette preacutesentation srsquointeacuteresse au deacute-ploiement drsquoun reacuteseau de capteurs GNSS Geacuteocube sur un ouvrage drsquoart Des outils drsquoanalyse pousseacutes tels que des reacuteseaux de neurones artificiels sont utiliseacutes pour reacutealiser des modegraveles de preacutediction des comportements suivis par GNSS sans avoir recours aux techniques de modeacute-lisation traditionnelles Ces outils sont utiliseacutes pour proposer des premiegraveres eacutebauches drsquoindicateur de santeacute structurale

Controcircle de santeacute structurale

Nicolas MANZINISITES amp Univ Gustave Eiffel

Utilisation drsquoun reacuteseau de capteurs GNSS low-cost (Geacuteocube) pour la surveillance du comportement drsquoun ouvrage drsquoart en beacuteton

PREacuteCISION ET QUALIFICATION DES DONNEacuteES

09-10-ARDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

VENDREDI 9 OCTOBRE 2020 - de 11H agrave 12H

22

On peut eacutevaluer la qualiteacute des donneacutees de la base OSM en les comparant avec les donneacutees drsquoune base de reacutefeacuterence Ce-pendant en lrsquoabsence drsquoune telle base de reacutefeacuterence la preacutecision spatiale de ces donneacutees nrsquoest pas connue Lrsquoobjectif de nos travaux est de mettre en place un cadre drsquoeacutetude permettant de deacutetermi-ner la qualiteacute drsquoun jeu de donneacutees OSM sans devoir faire appel agrave une base de reacutefeacuterence Pour cela nous cherchons agrave eacutetablir un lien statistique entre des me-sures extrinsegraveques de qualiteacute (calculeacutees

en confrontant les donneacutees OSM avec des donneacutees de reacutefeacuterence) et des indicateurs intrinsegraveques de qualiteacute (calculeacutes reposant uniquement sur les objets agrave eacutevaluer) pour disposer drsquoune estimation des mesures extrinsegraveques de qualiteacute drsquoun jeu de don-neacutees OSM pour lequel il nrsquoy aurait pas de reacutefeacuterence Le modegravele de reacutegression que nous calculons permet drsquoexpliquer 30 de la variance sur les mesures de qualiteacute drsquoobjets OSM de type bacirctiments

Eacutevaluation de la qualiteacute de donneacutees drsquoOpenStreetMap agrave partir drsquoindicateurs intrinsegraveques

Ibrahim MAIDANEHUniv Paris-Est LASTIG MEIG IGN ENSG F-94160 Saint-Mandeacute France ITU-I Djibouti University Djibouti

PREacuteCISION ET QUALIFICATION DES DONNEacuteES

09-10-BRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

VENDREDI 19 2020 - de 11H agrave 12H

Open Street Map production collaborative analyse statistique Mots-cleacutes

23

Les techniques drsquoapprentissage profond ont largement fait leurs preuves pour le traitement et lrsquoanalyse de photos aeacute-riennes ou de nuages de points laser Mais ces techniques ont aussi un tregraves fort potentiel pour la geacuteovisualisation et la cartographie Puisque nous pou-vons entrainer un modegravele agrave geacuteneacuterer des images de chats agrave partir de quelques caracteacuteristiques comme sa race ou sa couleur pourquoi ne pas essayer de geacute-neacuterer des cartes agrave partir de donneacutees geacuteo-graphiques Cette preacutesentation va faire un panorama des recherches initieacutees au

LASTIG sur la geacuteneacuteration de cartes agrave par-tir de donneacutees vectorielles ou drsquoautres cartes Le premier enjeu est de savoir comment au mieux utiliser des donneacutees geacuteographiques vectorielles alors que les modegraveles drsquoapprentissage profond sont plutocirct adapteacutes agrave lrsquoanalyse drsquoimages Nous preacutesenterons eacutegalement des reacutesultats de classification (laquo cet ensemble de bacircti-ments est de lrsquourbain dense raquo) et des reacutesultats segmentation avec lrsquoidentification drsquoeacutechangeurs routiers ou la geacuteneacuteration de cartes geacuteneacuteraliseacutees

Geacuteneacuterer des images de chats ou des cartes est-ce la mecircme chose

Guillaume TOUYALASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

PREacuteCISION ET QUALIFICATION DES DONNEacuteES

09-10-CRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

VENDREDI 9 OCTOBRE 2020 - de 11H agrave 12H

deep learning donneacuteees vectorielles cartographieMots-cleacutes

24

repegravere international de reacutefeacuterence terrestre (ITRF) taille de la Terre GNSS GalileoMots-cleacutes

Quelle taille fait la terre Apport du systegraveme de positionnement europeacuteen Galileacuteo geacuteodeacutesie

Paul REBISCHUNGUniversiteacute de Paris Institut de physique du globe de Paris CNRS IGN F-75005 Paris France

Jusque reacutecemment seules deux tech-niques de geacuteodeacutesie spatiale permettaient de mesurer la taille de la Terre avec une preacutecision centimeacutetrique et ainsi de deacutefinir laquolrsquoeacutechelleraquo du repegravere international dereacutefeacuterence terrestre (ITRF) lrsquointerfeacuteromeacutetrie agrave tregraves longue base (Very Long BaselineInterferometry VLBI) et la teacuteleacutemeacutetrie laser sur satellites (Satellite Laser Ranging SLR) Ce nrsquoeacutetait en revanche pas le cas pour les systegravemes de positionnement par satellites (Global Navigation Satellite Systems GNSS) Lrsquoincapaciteacute des GNSS agrave mesurer preacuteciseacutement la taille de la Terre tenait agrave la combinaison de deux facteurs la meacuteconnaissance des deacutecalages des

centres de phase (Phase Center Offsets PCOs) des satellites GNSS et lrsquoexistence drsquoune correacutelation extrecircme lors de lrsquoanalyse drsquoobservations GNSS entre ces PCOs et lrsquoeacutechelle terrestre Cette situation a ce-pendant eacutevolueacute avec la reacutecente publication par lrsquoAgence europeacuteenne des GNSS (GSA) des PCOs des satellites Galileo qui ouvre deacutesormais la voie agrave une deacutetermination preacutecise de la taille de la Terre par GNSS et agrave une contribution possible des GNSS agrave la deacutefinition de lrsquoeacutechelle de lrsquoITRF Les premiers reacutesultats de la mesure de la taille de la Terre par Galileo seront ainsi preacutesenteacutes et compareacutes aux deacuteterminations obtenues par VLBI et SLR

PREacuteCISION ET QUALIFICATION DES DONNEacuteES

09-10-DRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

VENDREDI 9 OCTOBRE 2020 - de 11H agrave 12H

25

Le site de Calern de lrsquoObservatoire de la Cocircte drsquoAzur est un site fondamental du repegravere de reacutefeacuterence terrestre international (ITRF) Il accueille notamment une station de teacuteleacutemeacutetrie laser sur satellite et sur la Lune une station DORIS et deux sta-tions permanentes GNSS En raison drsquoun historique conseacutequent de donneacutees sur ces stations la vitesse de deacuteplacement du site en ITRF2014ETRF2000 est bien connue Afin de pouvoir geacuteoreacutefeacuterencer les vitesses moyennes de deacuteplacements

Installation et rattachement drsquoun coin reacuteflecteur sur le site de Calern de lrsquoObservatoire de la Cocircte drsquoAzur

Xavier COLLILIEUXUniversiteacute de Paris Institut de physique du globe de Paris CNRS IGN F-75005 Paris France Univ Gustave Eiffel ENSG IGN F-75238 Paris France

PREacuteCISION ET QUALIFICATION DES DONNEacuteES

09-10-ERDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

VENDREDI 9 OCTOBRE 2020 - de 11H agrave 12H

obtenues par meacutethode PSInSAR dans la reacutegion un coin reacuteflecteur a eacuteteacute installeacute agrave lrsquoobservatoire agrave proximiteacute des instru-ments existants Il assurera eacutegalement un point de mesure pour des mesures fines de deacuteformation locale du site Les caracteacuteristiques de ce coin reacuteflecteur se-ront preacutesenteacutees ainsi que la meacutethode employeacutee pour le deacuteployer et valider son installation

repegravere de reacutefeacuterence terrestre international ITRFMots-cleacutes

Fig 1 volume de donneacutee pos-traiteacutee par le Shomentre 2011 et 2017 (et preacutevision jusque 2020)

26

Deacutetection automatiseacutee de sondes aberrantes lrsquoapproche machine learning pour le traitement de la bathymeacutetrie

Julien LE DEUNFShom Brest France IMT Atlantique Lab-STICC UMR CNRS 6285 F-29238 Brest France

Pour les services hydrographiques la deacutetection des valeurs aberrantes est une tacircche critique qui prend beaucoup de temps Cela est inheacute-rent agrave leur mission qui consiste agrave cartographier le fond marin et agrave assurer la seacutecuriteacute de la na-vigation Un niveau de confiance eacuteleveacute est donc requis tout au long des eacutetapes drsquoacquisition et de traitement des donneacutees Une telle approche est effectueacutee par des opeacuterateurs formeacutes qui visualisent lrsquointeacutegraliteacute des sondes drsquoun leveacute hydrographique en signalant les sondes erro-neacutees manuellement une telle tacircche est ineacutevi-tablement reacutepeacutetitive fastidieuse et subjective A titre drsquoillustration du paragraphe preacuteceacutedent le Shom a reacutecemment renouveleacute lrsquoensemble de ses sondeurs multifaisceau (SMF) eacutequipant sa flotte entre 2011 et 2017 Le volume de donneacutees acquises a eacuteteacute multiplieacute par dix sur cette peacute-riode de 6 ans comme lrsquoillustre la Fig 1 Lrsquoob-jectif de la preacutesentation est de preacutesenter les premiers reacutesultats sur lrsquooptimisation des temps de traitement en srsquointeacuteressant aux techniques drsquoapprentissage automatique La preacutesentation sera lrsquooccasion de deacutecrire les moyens drsquoacqui-sition agrave la mer des donneacutees bathymeacutetriques employeacutees par le Shom ainsi que les arteacutefacts et erreurs pouvant polluer ces donneacutees Une explication sera ensuite donneacutee sur le concept de lrsquoapprentissage automatique ainsi que lrsquoin-terpreacutetabiliteacute neacutecessaire agrave ces techniques sur-tout dans des contextes drsquoexploitation de la donneacutee pour la seacutecuriteacute de la navigation La

chaicircne de traitement incluant lrsquoapprentissage automatique sera preacutesenteacutee afin drsquoeacutetudier les plus-values de ces techniques par rapport aux techniques manuelles utiliseacutees actuelle-ment Une partie plus technique preacutesentera les descripteurs utiliseacutes pour les algorithmes drsquoapprentissage automatique de la donneacutee Un descripteur est une description particuliegravere des donneacutees Pour les premiers tests utilisant les algorithmes drsquoapprentissage automatique appliqueacutes aux donneacutees bathymeacutetriques nous avons choisi de tester la perspective de la clas-sification superviseacutee Les premiers reacutesultats sur un cas laquo simple raquo seront preacutesenteacutes au travers de 3 algorithmes diffeacuterents la reacutegression logis-tique le random forest et le gradient boosting Finalement la preacutesentation sera lrsquooccasion de montrer les perspectives de ces travaux de re-cherche

PREacuteCISION ET QUALIFICATION DES DONNEacuteES

09-10-FRDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

VENDREDI 9 OCTOBRE 2020 - de 11H agrave 12H

machine learning bathymetrie deacutetection drsquooutlier hydrographie Mots-cleacutes

27

Analogue Photography Airborne Imagery Radiometry Ortho-mosaiumlque Hotspot Correction PCA KLT orthophoto historique geacuteovisualisation

Mots-cleacutes

Les ortho-mosaiumlques historiques obtenues agrave partir des images argentiques scanneacutees non corrigeacutees preacutesentent des deacutefauts radio-meacutetriques (Figure 1) qui sont actuellement corrigeacutes par un filtrage de Wallis retournant des ortho-mosaiumlques homogegravenes certes mais tregraves faiblement contrasteacutees aux petites eacutechelles (Figure 2) Cette meacutethode consiste agrave corriger localement la luminositeacute μ et le contraste σ de lrsquoimage pour lui imposerlocalement une luminositeacute μ0 et un contraste σ0 voulus (Figure 3) Notre ameacutelioration consiste agrave effectuer une analyseen composantes principales sur les paramegravetres μ et σ des images afin drsquoen deacuteduire leurs comportement communs (qui srsquoapparentent agrave la Transformeacutee de Karhunen-Loegraveve scheacutematiseacutee (Figure 4)Lrsquoortho-mosaiumlque reacutesultante alors corrigeacutee des systeacutematismes est donneacutee (Figure 5)

Ameacutelioration du processus lrsquoeacutegalisation radiomeacutetrique des images argentiques scanneacutees entrant dans la production

des ortho-mozaiumlques historiquesLacircmacircn LELEacuteGARDUniversiteacute de Paris Institut de physique du globe de Paris CNRS IGN F-75005 Paris France

PREacuteCISION ET QUALIFICATION DES DONNEacuteES

09-10-G RDV Visio-meeting avec les chercheursPour y acceacuteder retrouvez les modaliteacutes sur rechercheignfr

VENDREDI 9 OCTOBRE 2020 - de 11H agrave 12H

28

EXPOSITION SCIENTIFIQUE A partir du Lundi 5 octobre 11h30 retrouvez toutes les preacutesentations en ligne

PosterA Chuanming DongConstruction drsquoune meacutemoire des sites pollueacutes avec des outils de traitement automatique des langues LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

PosterB Azelle Courtial Geacuteneacuteralisation de routes de montagne par apprentissage profondLASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

PosterC Yizi ChenSemi-automatic Analysis Of Historical Maps - an application to Paris 1789-1950LASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

PosterD Marie Bouih (1) Isabelle Panet (12) Dominique Remy (3)Transferts de masse associeacutes au seacuteisme de Maule (feacutevrier 2010 Mw 87) par la mission GRACEUniversiteacute de Paris Institut de physique du globe de Paris CNRS IGN F-75005 Paris France

PosterE Maylis de La Serve (12) Zuheir Altamimi (12) Xavier Collilieux (12) Paul Rebischung (12) Laurent Meacutetivier (12)How to improve the International Terrestrial Reference Frame Universiteacute de Paris Institut de physique du globe de Paris CNRS IGN F-75005 Paris France

PosterF Yanis MarchandAdvances in large scale watertight mesh reconstructionLASTIG Univ Gustave Eiffel ENSG IGN F-94160 Saint-Mandeacute France

PosterG Jeacuterocircme Saunier1990-2020 le systegraveme DORIS et la geacuteodeacutesie IGN F-94160 Saint-Mandeacute France Service de geacuteodeacutesie et de meacutetrologie Direction des opeacuterations et des territoires IGN F-94160 Saint-Mandeacute France

PosterH Mehdi ZrhalRecherche de jeux de donneacutees geacuteographiques LaSTIG Univ Gustave Eiffel IGN ENSG

29

httprechercheignfrwwwensgeu

ignfrjrignfr

JRIGN2020

Partenaires intervenants

29

httprechercheignfrwwwensgeu

ignfrjrignfr

JRIGN2020

Partenaires intervenants

httprechercheignfrwwwensgeu

ignfrjrignfr

JRIGN2020

Partenaires intervenants