Défi CNRS CloHe

Classification de Données Hétérogènes avec valeurs manquantes appliquée au Traitement des Données Satellitaires en Écologie et Cartographie du Paysage. (GRANT MASTODONS 2016)

Le projet collaboratif CloHe est financé dans le cadre de l'appel défi CNRS Mastodons 2016.
Le projet vise à développer, étudier et mettre en œuvre des méthodes de classification supervisée et non-supervisée lorsque les données sont de différentes natures et possèdent des données manquantes et/ou aberrantes.
Les méthodes mises en œuvre sont développées pour traiter des données satellitaires et aériennes destinées à l'écologie et à la cartographie.

figure

Link : http://www.mdpi.com/2072-4292/8/9/734/html

Abstract: Mapping forest composition is a major concern for forest management, biodiversity assessment and for understanding the potential impacts of climate change on tree species distribution. In this study, the suitability of a dense high spatial resolution... more ...

Nous réalisons la classification à l'aide de modèles probabilistes (modèles de mélange) pour lesquels nous envisageons deux déclinaisons : soit l'utilisation de l'hypothèse d'indépendance conditionnelle (modélisation dans l'espace natif) soit l'utilisation de noyaux (modélisation dans un espace auto-reproduisant - RKHS).
Ce projet s'appuie sur les packages R rtkore et MixAll et nous developpons intensivement le package CloHe dédié aux traitements des données satellitaires.

Participants

Nom Prénom

Statut

Laboratoire ou structure

Courrier électronique

Iovleff Serge

MCF

UMR CNRS 8524 – Laboratoire Paul Painlevé

Serge Iovleff

Mathieu Fauvel

MCF

UMR INRA 1201 - Équipe Dynafor

Mathieu Fauvel

Stephane Girard

DR

Inria Grenoble Rhône-Alpes - Équipe Mistis

Stephane Girard

Cristian Preda

PR

UMR CNRS 8524 – Laboratoire Paul Painlevé

Cristian Preda

Vincent Vandewalle

MCF

EA2694 – Université Lille 2

Vincent Vandewalle

Publications

M. Lopes, M. Fauvel, A. Ouin & S. Girard. "Spectro-temporal heterogeneity measures from dense high spatial resolution satellite image time series: Application to grassland species diversity estimation", Remote Sensing, 9 (10), 2017. [link: openaccess].
M. Lopes, M. Fauvel, S. Girard & D. Sheeren. "Object-based classification from high resolution satellite image time series with Gaussian mean map kernels: Application to grassland management practices", Remote Sensing, 9 (7), 2017. [link: openaccess].
C. Bouveyron, M. Fauvel and S. Girard. "Kernel discriminant analysis and clustering with parsimonious Gaussian process models", Statistics and Computing, 25, 1143--1162, 2015. [Associated technical report: pdf].
M. Fauvel, C. Bouveyron, and S. Girard. "Parsimonious gaussian process models for the classification of hyperspectral remote sensing images", Geoscience and Remote Sensing Letters, IEEE, 12(12):2423--2427, 2015. [Associated technical report: pdf].
D. Sheeren, M. Fauvel, V. Josipovi, M. Lopes, C. Planque, J. Willm, J.-F. Dejoux. "Tree Species Classification in Temperate Forests Using Formosat-2 Satellite Image Time Series", Remote Sensing. 8(9):734, 2016. [link: openaccess].
V. Vandewalle, C. Biernacki. An efficient SEM algorithm for Gaussian Mixtures with missing data. CMStatistics (ERCIM 2015).
M. Fauvel, C. Dechesne, A. Zullo, and F. Ferraty, "Fast forward feature selection of hyperspectral images for classification with gaussian mixture models", Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal of, 8(6):2824--2831, 2015. [ pdf ]
R. Flamary, M. Fauvel, M. Dalla Mura, S. Valero, "Analysis of multitemporal classification techniques for forecasting image time series", Geoscience and Remote Sensing Letters, IEEE, 12(5):953--957, 2015.

Année 2016

Nous avons eu trois réunions de travail durant l'année 2016.

Le temps fort du projet cette année là : l'organisation d'une conférence à Lille le 7 octobre 2016 sur l'apprentissage à partir de données fonctionnelles

https://functional-data.univ-lille1.fr/index.html

figure

Année 2017

Logiciels

Le projet travaille sur un logiciel baptisé CloHé dédié à la classification par données spectrométriques. Il peut être téléchargé (sans les données) CloHe.
Le package MixAll permet de faire de la classification non-supervisée à l'aide de données manquantes.
Le projet utilise la librairie de calcul STK++ pour ses développements.