English (United Kingdom)

https://curated-unify.zendy.io/wp-json/zendy-region/v1/featured_content/oa?rat=en

https://curated-unify.zendy.io/wp-json/zendy-region/v1/highlighted_journal/

Global: Zendy Plus annual

Presents the access of premium content as premium feature

Premium Content

Presents the keyphrase highlighting as premium feature

Keyphrase Highlighting

Presents the summarisation as premium feature

Summarisation

Insights

Presents the pdf analysis as premium feature

PDF Analysis

Presents the zaia usage as premium feature

ZAIA

Global: Zendy Tools annual

Global: Zendy Free Plan

Global: Zendy Tools monthly

Global: Zendy Plus monthly

Cartographie forestiere et composition specifique par classification supervisee par pixel d’imagerie Sentinel-2 Description du sujet. Etudier l’etat et l’evolution des forets est essentiel pour assurer une gestion durable maintenant leurs fonctions ecologiques et socio-economiques. La teledetection est un outil precieux pour le developpement de ces connaissances. Objectifs. Cette etude analyse l’opportunite offerte par l’imagerie Sentinel-2 (S2) pour cartographier les forets de l’ecoregion de l’Ardenne belge. Le premier objectif de classification etait la creation d’une carte forestiere a l’echelle regionale. Le second objectif etait la discrimination de 11 classes forestieres (Fagus sylvatica L., Betula sp., Quercus sp., other broad-leaved stands, Pseudotsuga menziesii (Mirb.) Franco, Larix sp., Pinus sylvestris L., Picea abies (L.) H.Karst., young needle-leaved stands, other needle-leaved stands, and recent clear-cuts). Methode. Deux scenes S2 ont ete utilisees et une serie d’indices spectraux ont ete generes pour chacune d’entre elles. Nous avons realise une classification supervisee par pixel avec l’algorithme de classification Random Forest. Les modeles de classification ont ete generes avec un jeu de donnees S2 pur et avec des donnees 3D supplementaires pour comparer les precisions obtenues. Resultats. Les donnees 3D ont legerement ameliore la precision de chaque objectif, mais l’amelioration globale de precision fut uniquement significative pour l’objectif 1. La carte forestiere produite avait une precision globale de 93,3 %. Le modele testant la discrimination des especes d’arbre fut encourageant egalement, avec une precision globale de 88,9 %. Conclusions. Tenant compte des simples analyses realisees dans cette etude, les resultats doivent etre interpretes avec prudence. Cependant, ce travail confirme le grand potentiel de l’imagerie S2, particulierement les bandes SWIR et red-edge, qui jouerent un role essentiel dans ce travail.

Forest mapping and species composition using supervised per pixel classification of Sentinel-2 imagery