Résumé de section

  • Journées Deep Learning, Télédétection et Paysage (PAYOTE/MODELIA)

    27-28 juin 2019, Paris


    Le réseau PAYOTE (https://www.reseau-payote.fr/) qui porte sur la modélisation des paysages et de territoires agricoles et le RMT MODELIA (http://www.modelia.org/moodle/) Modélisation et Analyse de Données pour l'Agriculture ont organisé conjointement deux journées d'animations sur l'utilisation des données de télédétection et des méthodes de deep learning pour traiter de problématiques autour des paysages agricoles, les 27 et 28 juin 2019 à Paris, avec une première journée sous forme de séminaires et une seconde journée sous forme d'ateliers. 
    contact : François Brun (pour le RMT MODELIA) et Benoît Ricci (pour le réseau PAYOTE)

     

    Programme

    Jeudi 27 juin (partie séminaire)

    • David Makowski, INRA -  Apprendre à prédire avec des données: une introduction à la data science
    • Raffaele Gaetano, CIRAD - Présentation des programmes Copernicus et de la mission Sentinel 2
    • Raffaele Gaetano, CIRAD - Application du deep learning à la télédétection
    • Mathieu Fauvel, INRA-CESBio - Télédétection appliquée au paysage et la cartographie de l'occupation des sols par des approches de machine learning
    • Sandra Luque, IRSTEA - Renseigner des variables essentielles à la biodiversité par la télédétection
    • Fabrice Vinatier, INRA - Application des données tridimensionnelles mesurées par des instruments aéroportés (LIDAR, capteurs optiques et photogrammétrie) pour mesurer les couverts végétaux et la géomorphologie du sol à très haute résolution
    • Jérôme Rousselet, INRA - Utilisation de données Google Street Map pour cartographier la processionnaire du pin 

    Vendredi 28 juin (partie atelier)

    • Jean-François Dejoux, CESBIO - Les types de données de télédétection et comment y accéder. Démonstration.
    • David Makowski, INRA et François Brun, ACTA - Assimilation de données : exemple des filtres de Kalman et particulaire. Travaux pratiques sous R.
    • Benoit de Solan, Arvalis - Proxidétection en agriculture et complémentarité avec les données satellite.
    • Fabrice Vinatier, INRA - Utilisation de R pour analyser des nuages de points 3D et des modèles numériques de terrain
    • François Brun, ACTA - Approche de machine learning pour prédire les cultures