Calibration des températures mesurées par drone sur une parcelle test située dans le parc naturel de La Bassée (Bassin de la Seine)
-
Variogram Workflow : Transformation des thermo-mosaïques (.tif) en DataFrame avec un échantillonage défini par l'utilisateur, processus long et légèrement énergivore, ainsi il est possible de sauvegarder le résultat au format .npy. Les dataframes sont ensuite utilisés pour calculer les variogrammes (on se limite à la zone autour des sondes). Chaque couple de capteurs (T1,T2,..) et thermo-mosaïque fourni 3 variogrammes, le variogramme de la thermo-mosaïque est un processus ultra long, ainsi il faut obligatoirement ré-echantilloner la thermo-mosaïque Les résultats sont sauvegardés dans 3 dossiers différents ( creer un répertoire ./varr/Primary_variogram et /varr/Secondary_variogram et /varr/Cross_variogram )
-
Cokriging Workflow : Interpolation des thermo-mosaïque en température du sol Requiert le pré-chargement des thermo-mosaïques (.tif) en DataFrame et des variogrammes afin de fonctionner. Calcul des modèles de covariance et permet des créer des sauvegardes des résultats interpolés ( créer le dossier ./varr/Estimate et ./varr/cross_valid) et de runner une cross-vérification ( très couteux en temps )
-
Figure_rapport : Figure principale utilisée pour le rapport
-
Lecture IR : Notebook utilisée pour développer certaine figure de clustering et développer la méthode de transformation des thermo-mosaïques en DataFrame
V18 - 15/05
- Deux notebooks d'un cas synthétique : Cokriging des Données manquantes sur la variable Z Cokriging des Données manquantes sur la variable Y
V17 - 12/07
- Ajout d'un notebook permettant l'interpolation d'un cas synthétique définition de deux fonctions calculs de variogram estimation des modèles de correlogram par minimisation d'une fonction RMSE Cokriging classique / Cokriging avec des modèles LMC / Kriging avec modèle de Markov MM2
V16 - 21/06
- Ajout de modèle de correlogram à plusieurs couches
- Méthode d'interpolation Intrinsic Collocated Cokriging - MM2
V15 - 15/06 :
- Ajout d'une méthode d'interpolation : Co Kriging ( Intrinsic Collocated Cokriging - MM1 / Simple Cokriging / FullCokriging (pas au point)
V14 - 27/04 :
- Méthode de calcule de variogram fonctionnel avec directionalité prise en considération
- Pré-calcul d'un fichier CSV (506 Mo) contenant les coordonnées x,y et values d'une thermo-mosaïque
V13 - 20/04 :
- Méthode d'optimisation des modèle de covariogramme à une et deux "couches" pour le workflow test : collocatedcokriging
V12 -14/04 : -Méthode d'interpolation : Co-Kriging ( non fonctionelle) Importation d'un jeu de donnée/ Variogrammes depuis Surfer
V11 - 08/04 : Méthode d'interpolation : Co-Kriging ( non fonctionelle)
V10 - 24/03 :
- Courbe des différences entre les valeurs de T° et PT° ( Pseudo-Température)
- Estimation des valeurs de Pseudo-Température pour chaque
- Mask des labels de clustering sur les données IR (les résolutions thermo/ortho mosaïques sont différentes)
- Boxplot affichant l'évolution du signal IR des différents labels de clustering
- Interpolation des valeurs de Pseudo-Température toutes les 15 mins.
V9 - 26/02 :
- Utilisation de la librairie GeostatsPy pour le traitement + visualisation des variograms
- Transformation en normal score de toutes les bandes pour un target/patch -Plot d'une map 2d des valeurs issues de la transformation -Variogram Maps/Number of Pairs pour un patch donné -Variogram expérimental : pas fonctionnel V8 - 24/02 : -Suppression de l'effet de la rivière sur l'orthomosaique du visible ( : "cropped" ) -Transformation de la valeur 255 en mask nodata (pas d'effet en dehors de GDAL et Rasterio) -Réorganisation du clustering dans un noteboot indépendant Clustering Kmeans avec groupe choisi manuellement par l'utilisateur sur les bandes RGB/HSV, la bande normalisée n'est pas au goût du jour Sauvegarde possible en fichier .tif des résultats des Kmeans mentionnant le nombre de groupe K et le type de bande Figure regroupant la proportion de chaque groupe pour chaque cible sous forme d'histogramme + patch permettant de visualiser la bande RGB, et le résultat du Kmeans pour chaque cible
- Correction d'un problème de localisation survenant sur les patchs de chaque cible
V7 - 19/02 : -Clustering avec nombre de classe déterminée par l'utilisateur sur les bandes RGB, HSV, RGB normalisée -Ajout des histogram permettant de connaitre la proportion de surface de chaque classe. -Plot d'une figure avec toutes les bandes (R,G,B,RGB,Greensess,H,S,V) ainsi que des patchs de la target en RGB normalisée et HSV.
V6 - 18/02 :
- Ajout des variogrammes fonctionnels
- Création d'un fichier .tif constitué de la bande Greeness
V5 - 17/02: -Données visibles : Patch (fenêtrage) de largeur variable convertible en DataFrame (et en .csv si voulu) Ajout d'une bande réunissant RGB Ajout d'une bande : Greeness Variogramme (non fonctionnel pour l'instant) pour les targets (sondes) au choix ( RGB et HSV )
V4 - 11/02: Lecture donnée visible :
- Normalisation des bandes R G B
- Transformation en bandes H S V
- Plot des Area Of Interest (sondes)
V3 - 10/02: -Lecture des données d'orthomosaique (IR) : Plot d'une sonde/IR en particulier Comparaison des valeurs avec la sonde la plus shallow à un interval de temps spécifié
V2 - 09/02 :
-Lecture des données d'orthomosaique (IR) : Lecture de toutes les images IR Plot de toutes les zones d’intérêt autour des sondes Plot de toutes les zones d’intérêt autour d'un échantillon de sondes Comparaison des valeurs avec la sonde la plus shallow à un interval de temps défini
V1. 08/02
- Lecture des thermos : Plot d'une/plusieurs sondes sur intervalle de temps défini par l'utilisateur
-Lecture des données d'orthomosaique (IR) : Positions de chaque sondes acquises par un fichier .txt Création d'un mask circulaire d'un rayon r défini par l'utilisateur autour de chaque sonde -> fonctionne seulement pour une ortho au choix