Satellite d'observation de la Terre

Résumé

thumb|Maquette du satellite ERS-2 (European Remote-Sensing Satellite), lancé en 1995. Un satellite d'observation de la Terre est un satellite artificiel utilisé pour effectuer des observations géophysiques et géographiques de la Terre depuis l'orbite terrestre. Cette catégorie de satellite est utilisée dans des applications telles que la météorologie, l'inventaire des ressources naturelles, la géodésie, l'étude et la modélisation du climat, la prévention et le suivi des catastrophes naturelles, la reconnaissance militaire. Description Les satellites d'observation de la Terre ont des caractéristiques très variables pour répondre à différents besoins : ils se distinguent notamment par leur résolution plus ou moins élevée, les instruments qu'ils embarquent (optique, radar, lidar, ...), leur orbite et leur taille. Ils peuvent être mis en œuvre pour répondre à des besoins scientifiques (modélisation climatique, structure de la Terre...) ou recueillir des données pour des usage

Source officielle

https://fr.wikipedia.org/wiki/Satellite_d'observation_de_la_Terre

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (16)

Publications associées

Chargement

Personnes associées (1)

Personnes associées

Chargement

Unités associées (2)

Unités associées

Chargement

Concepts associés (36)

Concepts associés

Chargement

Cours associés (13)

Cours associés

Chargement

Séances de cours associées (22)

Séances de cours associées

Chargement

Contribution du modèle LiDAR pour la caractérisation de surfaces urbaines et le paramétrage de modèles de simulation des flux atmosphériques en pollution de l'air

Florent Christian Jacques Cornuet

Afin de simuler la pollution de l'air en milieu urbain, les modèles actuels de flux atmosphériques utilisent comme input des classes de couverture du sol obtenues avec l'aide d'images satellite standards (e.g. Landsat ETM+). Ces surfaces urbaines classifiées ont une résolution spatiale de 15 m. La présente recherche propose de produire une classification du milieu urbain sur la base d'un modèle numérique de surface LIDAR avec une résolution spatiale de 1 mètre et une précision altimétrique de 15 cm environ. Une telle surface urbaine devrait permettre d'affiner les modèles de simulation de la pollution atmosphérique. Le but de l'étude sera donc de produire une classification détaillée sur la base des données LIDAR à très haute résolution pour améliorer les résultats produits par les modèles de simulations des flux atmosphériques.

2011

Chargement

Joint Anomaly Detection and Spectral Unmixing for Planetary Hyperspectral Images

Harold Gabriel Eugène Justin Clenet, Nicolas Courty

Hyperspectral (HS) images are commonly used in the context of planetary exploration, particularly for the analysis of the composition of planets. As several instruments have been sent throughout the Solar System, a huge quantity of data is getting available for the research community. Among classical problems in the analysis of HS images, a crucial one is unsupervised nonlinear spectral unmixing, which aims at estimating the spectral signatures of elementary materials and determining their relative contribution at a subpixel level. While the unmixing problem is well studied for Earth observation, some of the traditional problems encountered with Earth images are somehow magnified in planetary exploration. Among them, large image sizes, strong nonlinearities in the mixing (often different from those found in the Earth images), and the presence of anomalies are usually impairing the unmixing algorithms. This paper presents a new method that scales favorably with the problem posed by this analysis. It performs an unsupervised unmixing jointly with anomaly-detection capacities and has a global linear complexity. Nonlinearities are handled by decomposing the HS data on an overcomplete set of spectra, combined with a specific sparse projection, which guarantees the interpretability of the analysis. A theoretical study is proposed on synthetic data sets, and results are presented over the challenging 4-Vesta asteroid data set.

Institute of Electrical and Electronics Engineers2016

Chargement

Humans exhibit outstanding learning and adaptation capabilities while performing various types of manipulation tasks. When learning new skills, humans are able to extract important information by observing examples of a task and efficiently refine a priori knowledge to master new tasks. However, learning does not happen in isolation, and the planning and control abilities of humans also play a crucial role to properly execute manipulation tasks of varying complexity. In the last years, a lot of attention has been devoted to the problem of providing robots with close-to-human-level abilities. In this context, this thesis proposes to enhance robot learning and control capabilities by introducing domain knowledge into the corresponding models. Our approaches, built on Riemannian manifolds, exploit the geometry of non-Euclidean spaces, which are ubiquitous in robotics to represent rigid-body orientations, inertia matrices, manipulability ellipsoids, or controller gain matrices. We initially consider the problem of transferring skills to a robot and propose a probabilistic framework to learn symmetric positive definite (SPD) matrices from demonstrations. Given a learned reference trajectory in the form of SPD matrices, the goal of the robot is to reproduce the task by tracking this sequence using appropriate controllers. This challenge is tackled in the second part of this thesis. We focus on a specific application and propose a complete geometry-aware framework to learn, control and transfer posture-dependent task requirements from humans to robots via manipulability profiles. The third part of this thesis focuses on refining the skills learned by the robot and on adapting them to new situations by introducing a geometry-aware Bayesian optimization framework. Overall, this thesis proves that geometry-awareness is crucial for successfully learning, controlling and refining non-Euclidean parameters in addition to providing a proper mathematical treatment of the different problems. Finally, the last part of this work shows that domain knowledge can be introduced not only through geometry-awareness, but also through structure-awareness, which may be considered either as prior models or as intrinsically present in the data. With its final part, this thesis emphasizes that domain knowledge, that can be introduced into robot learning algorithms through various means, may be significant for providing robots with close-to-humans abilities.

EPFL2020

Chargement

EPFL2020