Search

Your search keyword '"Vega, Cédric"' showing total 30 results
Start Over Author "Vega, Cédric"
30 results on '"Vega, Cédric"'

1. How reliable are remote sensing maps calibrated over large areas? A matter of scale?

Author

Luigui, Andrey Ramirez, Renaud, Jean-Pierre, and Vega, Cédric

Subjects
Statistics - Applications
Abstract

Remote sensing data are increasingly available and frequently used to produce forest attributes maps. The sampling strategy of the calibration plots may directly affect predictions and map qualities. The aim of this manuscript is to evaluate models transferability at different spatial scales according to the sampling efforts and the calibration domain of these models. Forest inventory plots from locals and regionals networks were used to calibrate randomForest (RF) models for stand basal area predictions. Auxiliary data from ALS flights and a Sentinel-2 image were used. Model transferability was assessed by comparing models developed over a given area and applied elsewhere. Performances were measured in terms of precision (RMSE and bias), coefficient of determination (R2) and the proportion of extrapolated predictions. Regional networks were also thinned to evaluate the effect of sampling efforts on models' performances. Local models showed large bias and extrapolation issues when applied elsewhere. Local issues of regional models were also observed, raising transferability and extrapolation concerns. An increase in sampling efforts was shown to reduce extrapolation issues. The outcoming results of this study underline the importance of considering models' validity domain while producing forest attribute maps, since their transferability is of crucial importance from a forest management perspective.

Published
2024

2. High-resolution canopy height map in the Landes forest (France) based on GEDI, Sentinel-1, and Sentinel-2 data with a deep learning approach

Author

Schwartz, Martin, Ciais, Philippe, Ottlé, Catherine, De Truchis, Aurelien, Vega, Cedric, Fayad, Ibrahim, Brandt, Martin, Fensholt, Rasmus, Baghdadi, Nicolas, Morneau, François, Morin, David, Guyon, Dominique, Dayau, Sylvia, and Wigneron, Jean-Pierre

Subjects
Computer Science - Computer Vision and Pattern Recognition, Electrical Engineering and Systems Science - Image and Video Processing
Abstract

In intensively managed forests in Europe, where forests are divided into stands of small size and may show heterogeneity within stands, a high spatial resolution (10 - 20 meters) is arguably needed to capture the differences in canopy height. In this work, we developed a deep learning model based on multi-stream remote sensing measurements to create a high-resolution canopy height map over the "Landes de Gascogne" forest in France, a large maritime pine plantation of 13,000 km$^2$ with flat terrain and intensive management. This area is characterized by even-aged and mono-specific stands, of a typical length of a few hundred meters, harvested every 35 to 50 years. Our deep learning U-Net model uses multi-band images from Sentinel-1 and Sentinel-2 with composite time averages as input to predict tree height derived from GEDI waveforms. The evaluation is performed with external validation data from forest inventory plots and a stereo 3D reconstruction model based on Skysat imagery available at specific locations. We trained seven different U-net models based on a combination of Sentinel-1 and Sentinel-2 bands to evaluate the importance of each instrument in the dominant height retrieval. The model outputs allow us to generate a 10 m resolution canopy height map of the whole "Landes de Gascogne" forest area for 2020 with a mean absolute error of 2.02 m on the Test dataset. The best predictions were obtained using all available satellite layers from Sentinel-1 and Sentinel-2 but using only one satellite source also provided good predictions. For all validation datasets in coniferous forests, our model showed better metrics than previous canopy height models available in the same region., Comment: 39 pages, 16 figures + supplementary contents

Published
2022
Full Text
View/download PDF

6. Remote sensing-based high-resolution mapping of the forest canopy height: some models are useful, but might they be even more if combined?

Author

Besic, Nikola, primary, Picard, Nicolas, additional, Vega, Cédric, additional, Hertzog, Lionel, additional, Renaud, Jean-Pierre, additional, Fogel, Fajwel, additional, Pellissier-Tanon, Agnès, additional, Destouet, Gabriel, additional, Planells-Rodriguez, Milena, additional, and Ciais, Philippe, additional

Published
2024
Full Text
View/download PDF

8. Remote sensing-based high-resolution mapping of the forest canopy height: some models are useful, but might they be even more if combined?

Author

Besic, Nikola, Picard, Nicolas, Vega, Cédric, Hertzog, Lionel, Renaud, Jean-Pierre, Fogel, Fajwel, Pellissier-Tanon, Agnès, Destouet, Gabriel, Planells-Rodriguez, Milena, and Ciais, Philippe

Subjects
FOREST mapping, FOREST canopies, FOREST landowners, FOREST monitoring, FOREST surveys, VIDEO coding, DEEP learning
Abstract

The development of high-resolution mapping models for forest attributes based on remote sensing data combined with machine or deep learning techniques, has become a prominent topic in the field of forest observation and monitoring. This has resulted in an extensive availability of multiple sources of information, which can either lead to a potential confusion, or to the possibility to learn both about models and about forest attributes through the joint interpretation of multiple models. This article seeks to endorse the latter, by relying on the Bayesian model averaging (BMA) approach, which can be used to diagnose and interpret differences among predictions of different models. The predictions in our case are the forest canopy height estimations for the metropolitan France coming from five different models (Lang et al., 2023; Liu et al., 2023; Morin et al., 2022; Potapov et al., 2021; Schwartz et al., 2024). An independent reference dataset, containing four different definitions of the forest height (dominant, mean, maximum and Lorey's), comes from the French National Forest Inventory (NFI) providing some 5 500 plots used in the study, distributed across the entire area of interest. In this contribution, we line up the evoked models with respect to their probabilities to be the ones generating measurements/estimations at the NFI plots. Stratifying the probabilities based on French sylvo-ecological regions reveals spatial variation in the respective model probabilities across the area of interest. Furthermore, we observe significant variability in these probabilities depending on the forest height definition used. This leads us to infer that the different models inadvertently exhibit dominant predictions for different types of canopy height. We also present the respective inter-model and intra-model variance estimations, allowing us to come to understand where the employed models have comparable weights but contrasted predictions. We show that the mountainous terrain has an important impact on the models spread. Moreover, we observe that the forest stand vertical structure, the dominant tree species and the type of forest ownership systematically appear to be statistically significant factors influencing the models divergence. Finally, we demonstrate that the derived mixture models exhibit higher R 2 scores and lower RMSE values compared to individual models, although they may not necessarily exhibit lower biases. [ABSTRACT FROM AUTHOR]

Published
2024
Full Text
View/download PDF

23. Computation of tree volume from terrestrial LiDAR data

Author

Morel, Jules, Bac, Alexandra, Vega, Cédric, Laboratoire des Sciences de l'Information et des Systèmes (LSIS), Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Arts et Métiers Paristech ENSAM Aix-en-Provence-Centre National de la Recherche Scientifique (CNRS), Aix Marseille Université (AMU), Institut Français de Pondichéry (IFP), Centre National de la Recherche Scientifique (CNRS)-Ministère de l'Europe et des Affaires étrangères (MEAE), MODélisation Géométrique (GMOD), Laboratoire d'Informatique et Systèmes (LIS), Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Centre National de la Recherche Scientifique (CNRS)-Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Centre National de la Recherche Scientifique (CNRS), Territoires, Environnement, Télédétection et Information Spatiale (UMR TETIS), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Institut national de recherche en sciences et technologies pour l'environnement et l'agriculture (IRSTEA), The French Society of Photogrammetry and Remote Sensing (SFPT), Ministère de l'Europe et des Affaires étrangères (MEAE)-Centre National de la Recherche Scientifique (CNRS), Centre National de la Recherche Scientifique (CNRS)-Arts et Métiers Paristech ENSAM Aix-en-Provence-Université de Toulon (UTLN)-Aix Marseille Université (AMU), and Institut national de recherche en sciences et technologies pour l'environnement et l'agriculture (IRSTEA)-AgroParisTech-Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)

Subjects
[INFO.INFO-CG]Computer Science [cs]/Computational Geometry [cs.CG], ComputingMilieux_MISCELLANEOUS
Abstract

International audience

Published
2015

24. Forest carbon assessment from LiDAR 3D point cloud analysis

Author

Bac, Alexandra, Morel, Jules, Vega, Cédric, Aix Marseille Université (AMU), Laboratoire des Sciences de l'Information et des Systèmes (LSIS), Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Arts et Métiers Paristech ENSAM Aix-en-Provence-Centre National de la Recherche Scientifique (CNRS), MODélisation Géométrique (GMOD), Laboratoire d'Informatique et Systèmes (LIS), Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Centre National de la Recherche Scientifique (CNRS)-Aix Marseille Université (AMU)-Université de Toulon (UTLN)-Centre National de la Recherche Scientifique (CNRS), Institut Français de Pondichéry (IFP), Centre National de la Recherche Scientifique (CNRS)-Ministère de l'Europe et des Affaires étrangères (MEAE), Territoires, Environnement, Télédétection et Information Spatiale (UMR TETIS), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Institut national de recherche en sciences et technologies pour l'environnement et l'agriculture (IRSTEA), Ministère de l'Europe et des Affaires étrangères (MEAE)-Centre National de la Recherche Scientifique (CNRS), Centre National de la Recherche Scientifique (CNRS)-Arts et Métiers Paristech ENSAM Aix-en-Provence-Université de Toulon (UTLN)-Aix Marseille Université (AMU), and Institut national de recherche en sciences et technologies pour l'environnement et l'agriculture (IRSTEA)-AgroParisTech-Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)

Subjects
[INFO.INFO-CG]Computer Science [cs]/Computational Geometry [cs.CG], ComputingMilieux_MISCELLANEOUS
Abstract

International audience

Published
2015

25. Caractérisation de la biomasse de forêts tropicales humides à partir d'approches altimétriques et texturales

Author

Vega, Cédric, Institut Français de Pondichéry (IFP), Ministère de l'Europe et des Affaires étrangères (MEAE)-Centre National de la Recherche Scientifique (CNRS), and Govindaraj, Saravanan

Subjects
[SDV.SA.SF]Life Sciences [q-bio]/Agricultural sciences/Silviculture, forestry, [SDV.SA.SF] Life Sciences [q-bio]/Agricultural sciences/Silviculture, forestry, ComputingMilieux_MISCELLANEOUS
Abstract

International audience

Published
2013

26. Lidar remote sensing of forests : an overview

Author

Vega, Cédric, Institut Français de Pondichéry (IFP), Ministère de l'Europe et des Affaires étrangères (MEAE)-Centre National de la Recherche Scientifique (CNRS), and Govindaraj, Saravanan

Subjects
Lidar, [INFO.INFO-SI] Computer Science [cs]/Social and Information Networks [cs.SI], [INFO]Computer Science [cs], [INFO] Computer Science [cs], Remote sensing, Forests, ComputingMilieux_MISCELLANEOUS, [INFO.INFO-SI]Computer Science [cs]/Social and Information Networks [cs.SI]
Abstract

International audience

Published
2013

27. LiDAR potential for tropical forest canopy dynamics monitoring

Author

Grégoire, Vincent, Sabatier, Daniel, Vega, Cédric, Caron, F., Botanique et Modélisation de l'Architecture des Plantes et des Végétations (UMR AMAP), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche pour le Développement (IRD [France-Sud])-Institut National de Recherche pour l’Agriculture, l’Alimentation et l’Environnement (INRAE), Institut Français de Pondichéry (IFP), and Ministère de l'Europe et des Affaires étrangères (MEAE)-Centre National de la Recherche Scientifique (CNRS)

Subjects
forest dynamics, Lidar, gap, [SDE.BE]Environmental Sciences/Biodiversity and Ecology, ComputingMilieux_MISCELLANEOUS
Abstract

National audience

Published
2011

28. Etude eXpérimentale des Formes d'Onde Lidar pour l'Observation des infrastructures et de l'environnement (EXFOLIO) : compte rendu final projet EXFOLIO TOSCA Surfaces continentales

Author

Durrieu, S., Allouis, T., Bouvier, M., Bretar, Frédéric, Cuesta, J., Chazette, P., Dauzat, Jean, Mallet, C., Vega, Cédric, Territoires, Environnement, Télédétection et Information Spatiale (UMR TETIS), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Centre national du machinisme agricole, du génie rural, des eaux et forêts (CEMAGREF), Commissariat à l'énergie atomique et aux énergies alternatives (CEA), Méthodes d'Analyses pour le Traitement d'Images et la Stéréorestitution (MATIS), Ecole nationale des sciences géographiques (ENSG), Institut géographique national [IGN] (IGN)-Institut géographique national [IGN] (IGN), Laboratoire de Dynamique Moléculaire (LDM), Institut de biologie structurale (IBS - UMR 5075 ), Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes [2016-2019] (UGA [2016-2019])-Institut de Recherche Interdisciplinaire de Grenoble (IRIG), Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Direction de Recherche Fondamentale (CEA) (DRF (CEA)), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Centre National de la Recherche Scientifique (CNRS)-Université Grenoble Alpes [2016-2019] (UGA [2016-2019])-Institut de Recherche Interdisciplinaire de Grenoble (IRIG), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA), Botanique et Modélisation de l'Architecture des Plantes et des Végétations (UMR AMAP), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut National de la Recherche Agronomique (INRA)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)-Institut de Recherche pour le Développement (IRD [France-Sud]), National Recherche, irstea, TOSCA CNES, Université Grenoble Alpes [2016-2019] (UGA [2016-2019])-Institut de Recherche Interdisciplinaire de Grenoble (IRIG), Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Commissariat à l'énergie atomique et aux énergies alternatives (CEA)-Centre National de la Recherche Scientifique (CNRS), and Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)-Institut National de la Recherche Agronomique (INRA)-Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-Institut de Recherche pour le Développement (IRD [France-Sud])

Subjects
FORME D'ONDE COMPLETE, [SDE]Environmental Sciences, MNT
Abstract

[Departement_IRSTEA]Territoires [TR1_IRSTEA]SYNERGIE; Le projet ExFOLIO avait comme objectifs scientifiques (1) d’aider à la spécification de capteurs LiDAR spatiaux pour la caractérisation du sol et du sursol et (2) de définir des chaînes de traitement pour extraire à partir de différents types de données lidar une information adaptée aux besoins des utilisateurs. Il avait aussi comme objectif de contribuer au niveau national à l’animation et à la fédération des activités de recherche en LiDAR pour les surfaces continentales et d’établir les bases de partenariats internationaux. Le projet ExFOLIO a fait l’objet d’un soutien du CNES de 2006 à 2010. Les premières années le contenu du projet a évolué au fur et à mesure de la structuration du partenariat qui a évolué afin de répondre au mieux aux objectifs fixés initialement. Pour atteindre les objectifs scientifiques le travail a été axé sur l’analyse de la nature des informations contenues dans le retour d’onde complet de faisceaux laser pour caractériser le terrain et le sursol dans différents types de milieux (urbains, forestiers, badlands). Des méthodes d’analyse du signal lidar ont été développées pour caractériser le terrain, le milieu urbain et la végétation forestière à partir de données acquises par des lidar topographiques à petite empreinte et à retour d’onde complète. Des méthodes de qualification de l’information extraite ont aussi été développées en s’appuyant sur des données de référence acquises lors de campagnes de mesure sur le terrain qui ont nécessité la mise en place de protocoles de mesure adaptés. Pour l’étude du milieu forestier des expérimentations ont été réalisées à l’aide d’un prototype développé par le CEA/LSCE ont débuté en 2008. Ces expérimentations ont permis d’analyser des données avec des caractéristiques différentes (longueur d’onde, taille d ‘empreinte) de celles acquises avec des systèmes industriels apportant ainsi des éléments clés pour le développement de systèmes Lidar adaptés à la caractérisation et au suivi des couverts forestiers. Par ailleurs, en complément de l’analyse de données expérimentales, un travail sur la simulation du signal lidar sur de la végétation a été réalisé. En effet disposer d’un outil permettant de simuler le signal dans plusieurs types de végétations est indispensable à la spécification de futurs systèmes embarqués et permet de tester l’impact de différents paramètres systèmes (taille d’empreinte, longueur d’onde, puissance émise…) sur la qualité du signal enregistré. Les premiers résultats obtenus par modélisation du signal Lidar (modèle de transfert radiatif développés par l’UMR AMAP par lancer de rayons sur des maquettes architecturales de plantes) se sont révélés très prometteurs. Les simulations ont en particulier permis d’analyser l’effet des rétrodiffusions multiples sur la qualité du signal retour selon la longueur d’onde. Sur la base de l’expérience acquise dans le cadre du projet ExFOLIO le projet de mission spatiale LEAF (Lidar for EArth and Forests) a été soumis à l’ESA en 2010.

Published
2010

29. Processing full-waveform lidar data in an alpine coniferous forest: assessing terrain and tree height quality

Author

Chauve, Adrien, Vega, Cédric, Durrieu, Sylvie, Bretar, Frédéric, Allouis, Tristan, Pierrot-Deseilligny, Marc, Puech, William, Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier (LIRMM), Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM), Méthodes d'Analyses pour le Traitement d'Images et la Stéréorestitution (MATIS), Ecole nationale des sciences géographiques (ENSG), Institut géographique national [IGN] (IGN)-Institut géographique national [IGN] (IGN), Territoires, Environnement, Télédétection et Information Spatiale (UMR TETIS), Centre de Coopération Internationale en Recherche Agronomique pour le Développement (Cirad)-AgroParisTech-Centre national du machinisme agricole, du génie rural, des eaux et forêts (CEMAGREF), Image & Interaction (ICAR), Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM), Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS), Ecoles nationale des sciences géographiques (ENSG), and Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)-Université de Montpellier (UM)-Centre National de la Recherche Scientifique (CNRS)

Subjects
Lidar, Waveform Analysis, [INFO.INFO-TI]Computer Science [cs]/Image Processing [eess.IV], Tree height measurements, Digital elevation model, Forest, Modelling
Abstract

International audience; Small footprint full-waveform airborne lidar systems hold large opportunities for improved forest characterisation. To take advantage of full-waveform information, this paper presents a new processing method based on the decomposition of waveforms into a sum of parametric functions. The method consists of an enhanced peak detection algorithm combined with an advanced echo modelling including Gaussian and generalized Gaussian models. The study focussed on the qualication of the extracted geometric information. Resulting 3D point clouds were compared to the point cloud provided by the operator. 40 to 60 % additional points were detected mainly in the lower part of the canopy and in the low vegetation. Their contribution to Digital Terrain Models (DTMs), Canopy Height Models (CHMs) was then analysed. The quality of DTMs and CHM-based heights was assessed using eld measurements on black pine plots under various topographic and stand characteristics. Results showed only slight improvements, up to 5 cm bias and standard deviation reduction. However both tree crowns and undergrowth were more densely sampled thanks to the detection of weak and overlapping echoes, opening up opportunities to study the detailed structure of forest stands.

Published
2009
Full Text
View/download PDF

30. Data assimilation in forest inventory, first empirical results using ALS data

Author

Nyström, Mattias, Lindgren, Nils, Wallerman, Jörgen, Grafström, Anton, Muszta, Anders, Nyström, Kenneth, Ståhl, Göran, Olsson, Håkan, Durrieu, Sylvie, and Vega, Cédric

Subjects
Remote Sensing, Forest Science
Abstract

A first data assimilation case study using a time series of ALS for updating forest stand data is presented. Forest stand data are predicted from each ALS acquisition. Kalman filtering and growth models are then used to combine each new ALS based prediction with forecasts from the previous data acquisition.

Published
2015

Catalog

Books, media, physical & digital resources
See catalog results