 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de {} figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur {}. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Murray, B. A., Coops, N. C., White, J. C., Dick, A., Barbeito, I., & Ragab, A. (2025). Individual tree species prediction using airborne laser scanning data and derived point-cloud metrics within a dual-stream deep learning approach. International Journal of Applied Earth Observation and Geoinformation, 144, 104877 (14 pages). Disponible
Murray, B., Coops, N. C., White, J. C., Dick, A., & Ragab, A. (2025). Tree species proportion prediction using airborne laser scanning and Sentinel-2 data within a deep learning based dual-stream data fusion approach. International Journal of Remote Sensing, 1-29. Lien externe
Murray, B. A., Coops, N. C., Winiwarter, L., White, J. C., Dick, A., Barbeito, I., & Ragab, A. (2024). Estimating tree species composition from airborne laser scanning data using point-based deep learning models. ISPRS Journal of Photogrammetry and Remote Sensing, 207, 282-297. Lien externe
Seely, H., Coops, N. C., White, J. M., Montwé, D., & Ragab, A. (2026). Addressing the small data problem in forestry: self-supervised learning for aboveground biomass estimation. Forestry An International Journal of Forest Research, 99(2), 19 pages. Lien externe
Seely, H., Coops, N. C., White, J. C., Montwé, D., & Ragab, A. (2025). Forest aboveground biomass estimation using deep learning data fusion of ALS, multispectral, and topographic data. International Journal of Remote Sensing, 1-39. Lien externe
Seely, H., Coops, N. C., White, J. C., Montwé, D., Winiwarter, L., & Ragab, A. (2023). Modelling tree biomass using direct and additive methods with point cloud deep learning in a temperate mixed forest. Science of Remote Sensing, 8, 100110 (17 pages). Disponible
