Suite

Normaliser le raster NDVI 0-255

Normaliser le raster NDVI 0-255


Raster de valeurs NDVI calculé en utilisant les valeurs de réflectance des bandes 3 et 4 b4-b3/b4+b3. Le raster en sortie est au format de type 32 bits bien que les plages possibles qui s'affichent dans le paramètre de statistiques soient de -0,35 à +0,65. Est-ce dû à des valeurs anormales qui n'ont été prises en compte pour aucune valeur de données. Si oui, comment puis-je supprimer ces valeurs du raster en sortie ou les distinguer lors du calcul du NDVI dans la calculatrice raster.

@Whuber. commenté dans un post normaliser raster, mais je ne comprends pas comment faire dans mon cas d'images de rationnement. il y a 5 images que j'ai prises à titre de comparaison mais comment puis-je les normaliser pour comparer facilement


Vous posez beaucoup de questions, pas une seule.

Est-ce dû à des valeurs anormales qui n'ont été prises en compte pour aucune valeur de données.

Les valeurs NoData seront exclues des calculs. Si la valeur 0 est utilisée pour noter NoData, vous allez avoir de mauvais résultats. Vérifiez la table attributaire pour voir ce que vos données utilisent (les autres choix populaires sont -999 et autres).

les plages possibles qui s'affichent dans le paramètre de statistiques sont de -0,35 à +0,65.

La plage valide de valeurs NDVI est {-1, 1}. Vos plages de valeurs se situent dans la plage attendue des valeurs NDVI.

NDVI raster 0-255

Ce n'est pas une bonne idée, mais c'est possible en utilisant un peu d'algèbre.

Pas une bonne idée car il est déjà normalisé pour la comparaison entre les images (c'est ce que le N signifie dans NDVI). La plage de valeurs NDVI est {-1, 1}. Habituellement < 0 signifie pas de végétation et > 0 signifie végétation. Il est probable que vous deviez calibrer votre NDVI en fonction de vos images spécifiques en comparant divers seuils de pixels avec des données classées manuellement (végétation/pas de végétation) à quelque part autour de 0,1 à 0,2.


NDVI raster 0-255

Vous ne pouvez pas représenter les valeurs NDVI sur une large échelle de gris 0-255 car cela n'a aucun sens.

Le NDVI ne montre que les zones avec une couverture végétale et celles qui ne le sont pas. Par conséquent, obtenir des plages pour représenter une sorte d'arbustes, de zones bâties ou d'eau n'est pas vraiment correct. Cependant, beaucoup essaient de le faire par seuillage, mais je crois que ce n'est pas scientifique, mais j'ai fini par m'amuser avec les données.


15. Amélioration de l'image

Les techniques de correction sont couramment utilisées pour résoudre les problèmes géométriques, radiométriques et autres rencontrés dans les données brutes de télédétection. Une autre famille de techniques de traitement d'images est utilisée pour faciliter l'interprétation des données d'images. Ces techniques dites d'amélioration de l'image comprennent l'étirement du contraste, l'amélioration des bords et la dérivation de nouvelles données en calculant des différences, des rapports ou d'autres quantités à partir des valeurs de réflectance dans deux ou plusieurs bandes, entre autres. Cette section examine brièvement deux techniques d'amélioration courantes : l'étirement du contraste et les données dérivées. Plus tard, vous apprendrez comment les indices de végétation dérivés des bandes rouges et infrarouges visibles sont utilisés pour surveiller la santé de la végétation à l'échelle mondiale.

Étirement de contraste

Considérez la paire d'images affichées côte à côte dans la figure 8.16.1. Bien que les deux aient été produits à partir des mêmes données Landsat MSS, vous remarquerez que l'image de gauche est considérablement plus sombre que celle de droite. La différence est le résultat de l'étirement du contraste. Les données MSS ont une précision de 8 bits, c'est-à-dire que les valeurs de réflectance sont codées sous la forme de 256 (2 8 ) niveaux d'intensité. Comme c'est souvent le cas, les réflectances dans la bande proche infrarouge de la scène partiellement représentée ci-dessous allaient de seulement 30 à 80 dans les données d'image brutes. Cette plage limitée se traduit par une image qui manque de contraste et, par conséquent, apparaît sombre. L'image de droite montre l'effet de l'étirement de la plage de valeurs de réflectance dans la bande proche infrarouge de 30-80 à 0-255, puis de l'étirement similaire des bandes vertes et rouges visibles. Comme vous pouvez le voir, l'image étirée en contraste est plus lumineuse et plus claire.

Données dérivées : NDVI

Un avantage des données multispectrales est la possibilité de dériver de nouvelles données en calculant des différences, des rapports ou d'autres quantités à partir des valeurs de réflectance dans deux ou plusieurs bandes de longueur d'onde. Par exemple, détecter une végétation stressée parmi une végétation saine peut être difficile dans une bande, en particulier si les différences d'élévation ou de pente du terrain font que certaines parties d'une scène sont illuminées différemment des autres. Le rapport des valeurs de réflectance dans la bande rouge visible et la bande proche infrarouge compense cependant les variations d'éclairage de la scène. Étant donné que le rapport des deux valeurs de réflectance est considérablement plus faible pour la végétation stressée quelles que soient les conditions d'éclairage, la détection est plus facile et plus fiable.

Outre des rapports simples, les scientifiques en télédétection ont dérivé d'autres formules mathématiques pour dériver de nouvelles données utiles à partir de l'imagerie multispectrale. L'un des exemples les plus utilisés est l'indice de végétation par différence normalisée (NDVI). Les scores NDVI sont calculés pixel par pixel à l'aide de l'algorithme suivant :

R représente la bande rouge visible (MODIS et AVHRR canal 1), tandis que NIR représente la bande proche infrarouge (MODIS et AVHRR canal 2). La chlorophylle des plantes vertes absorbe fortement le rayonnement dans la bande rouge visible lors de la photosynthèse. En revanche, les structures foliaires font que les plantes réfléchissent fortement le rayonnement dans la bande proche infrarouge. Les scores NDVI vont de -1,0 à 1,0. Un pixel associé à de faibles valeurs de réflectance dans la bande visible et à une réflectance élevée dans la bande proche infrarouge produirait un score NDVI proche de 1,0, indiquant la présence d'une végétation saine. Inversement, les scores NDVI des pixels associés à une réflectance élevée dans la bande visible et à une faible réflectance dans la bande proche infrarouge approchent -1,0, indiquant des nuages, de la neige ou de l'eau. Les scores NDVI proches de 0 indiquent la roche et le sol non végétalisé.

Les applications du NDVI vont du local au global. À l'échelle locale, les vignobles de Mondavi dans la Napa Valley en Californie peuvent attester de l'utilité des données NDVI dans la surveillance de la santé des plantes. En 1993, le vignoble subit une infestation de phylloxéra, une espèce de pou des plantes qui s'attaque aux racines et est insensible aux pesticides. Le ravageur ne pouvait être vaincu qu'en supprimant les vignes infestées et en les remplaçant par des porte-greffes plus résistants. Le vignoble a mandaté une société de conseil pour acquérir des images visibles et dans le proche infrarouge pendant des saisons de croissance consécutives à l'aide d'un capteur aéroporté. Une fois les données des deux saisons géo-enregistrées, la comparaison des scores NDVI a révélé des zones dans lesquelles la densité de la canopée de la vigne avait diminué. La détection des changements NDVI s'est avérée être une approche si fructueuse que les vignobles l'ont adoptée pour une utilisation de routine dans le cadre de leur stratégie globale d'agriculture de précision (Colucci, 1998). De nombreuses études de cas plus récentes abondent.

L'étude de cas décrite à la page suivante décrit les étapes de traitement d'image impliquées dans la production d'un ensemble de données NDVI global.


Choses dont vous aurez besoin pour terminer cette série

Configurer RStudio

Pour terminer la série de didacticiels, vous aurez besoin d'une version mise à jour de R et, de préférence, RStudio installée sur votre ordinateur.

R est un langage de programmation spécialisé dans le calcul statistique. C'est un outil puissant pour l'analyse exploratoire des données. Pour interagir avec R , nous recommandons fortement RStudio, un environnement de développement interactif (IDE).

Installer les packages R

Vous pouvez choisir d'installer des packages avec chaque leçon ou vous pouvez télécharger tous les packages R nécessaires maintenant.

  • raster : install.packages("raster")
  • rgdal : install.packages("rgdal")
  • rasterVis : install.packages("rasterVis")

ggplot2 : install.packages("ggplot2")

En savoir plus sur les packages dans R - Adapté de Software Carpentry.


3 réponses 3

Afin d'afficher uniquement les bandes RVB (pas alpha) ou une bande particulière, vous devez utiliser la méthode read avec la méthode show.

L'ordre des bandes est important, et elles peuvent être commandées différemment selon le TIFF. La documentation des données doit décrire l'ordre des bandes, et j'espère qu'il peut être lu à partir des données elles-mêmes (mon expérience est que ce n'est souvent pas le cas).

Vous pouvez d'abord essayer de vérifier les étiquettes du groupe (bien que vous souhaitiez toujours vous référer à la documentation).

Si rien n'y est étiqueté, vous devez vous référer à la documentation des données.

Disons qu'il y a 4 bandes classées en BGRN (comme dans le NIR - proche infrarouge), vous voudriez alors les trois premières bandes mais dans l'ordre inverse.


Impact du changement d'utilisation des terres/de la couverture des terres sur la température de surface des terres à l'aide de données satellitaires : étude de cas du bloc Rajarhat, district de North 24-Parganas, Bengale occidental

L'augmentation de la température de la surface terrestre (LST) des zones urbaines en croissance dans le scénario actuel de réchauffement climatique est une source de préoccupation pour les urbanistes. Cette étude traite de l'impact du changement d'utilisation des terres/couverture des terres (LULC) sur le LST de la zone dans et autour du bloc Rajarhat, district de North 24-Parganas, Bengale occidental, couvrant une superficie de 165 km 2 . Les données satellitaires multispectrales et multitemporelles de Landsat 5 TM (1990), Landsat 8 OLI (2016) et Sentinel 2A (2016) sont utilisées pour la cartographie LULC, et les données infrarouges thermiques de Landsat 5 TM et Landsat 8 TIRS (2016 ) sont utilisés pour estimer le LST de 1990 et 2016. Les résultats montrent que le modèle d'utilisation des terres en novembre a changé à Rajarhat de 1990 à 2016 : 13 km 2 de couvert végétal perdus en raison de l'urbanisation 9,3 km 2 de terres ouvertes converties en terres agricoles et champs ouverts/parcs 1,4 km 2 d'étangs aquacoles convertis en couvert arboré/garrasse et 1,45 km 2 de lacs/étangs remplis. La perte de la couverture végétale (garrigue et arbres) a entraîné une augmentation du LST d'environ 1,5 °C. Les étangs aquacoles ont la capacité de résister à l'augmentation du LST puisque l'augmentation de la température de cette classe n'est que de 0,24 °C en raison de l'augmentation de sa superficie. Ce changement dans l'utilisation des terres sur 26 ans a augmenté le LST de 0,94 °C. Le phénomène des îlots de chaleur urbains (UHI) s'est également accru. La superficie du phénomène d'îlot de chaleur « le plus fort », selon le schéma de classification UTVFI, a augmenté de 20,1 km 2 . Une corrélation positive est observée entre les NDBI et les LST des zones urbaines (r = 0,002 pour 1990 et r = 0,047 pour 2016) ce qui suggère que l'urbanisation est responsable de la hausse du LST. Le modèle de température de surface NCEP NOAA suggère que les tendances à long terme de l'augmentation du LST maximum sur Rajarhat sont d'environ 1 °C de janvier 1990 à novembre 2016 avec un niveau de confiance de 90 % validant les données LST extraites des satellites. Une planification urbaine durable est nécessaire pour arrêter l'augmentation du LST qui comprend la foresterie urbaine, la construction de plans d'eau et de fontaines, la préservation des étangs d'aquaculture existants et la réduction des activités de construction.

Ceci est un aperçu du contenu de l'abonnement, accessible via votre institution.


La nécessité d'une méthode pour évaluer le danger d'incendie de forêt a été reconnue au moins dès 1940, lors de conférences sur le contrôle des incendies convoquées par le Forest Service, U.S. Department of Agriculture, à Ogden, Utah. En 1954, plusieurs systèmes d'évaluation du risque d'incendie étaient utilisés à travers les États-Unis. En 1958, John Keetch, du bureau de Washington, Gestion de l'aviation et des incendies, a dirigé une équipe chargée de développer un système national. En 1964, la plupart des organisations de lutte contre les incendies aux États-Unis utilisaient un système d'"index de propagation". En 1968, un autre effort de recherche a été mis en place à Fort Collins, Colorado pour développer un système analytique basé sur la physique de l'échange d'humidité, du transfert de chaleur et d'autres aspects connus du problème (Bradshaw et al. 1983). Le modèle de propagation du feu qui en a résulté (Rothermel 1972) a été utilisé dans le premier véritable système national d'évaluation du danger d'incendie (NFDRS), introduit en 1972 (Deeming et al. 1972, révisé en 1974). Ce système a depuis été révisé à deux reprises, en 1978 (Deeming et al. 1977) et en 1988 (Burgan 1988).
Les décisions que doivent prendre les gestionnaires des feux dépendent des échelles temporelles et spatiales impliquées ainsi que des objectifs de gestion. Les décisions de présuppression visent souvent l'allocation de fonds, de personnel et d'équipement de lutte contre l'incendie. De telles décisions ont généralement un large contexte spatial, englobant des millions d'hectares, et une échelle de temps de 1 à 3 jours. Une fois qu'un incendie se déclare, les décisions d'attaque et d'extinction initiales visent à parvenir à une gestion rentable de l'incendie. Cela peut inclure une décision de ne pas éteindre le feu s'il brûle dans les limites de contraintes prédéfinies. Ces décisions ont une échelle spatiale de quelques milliers d'hectares et une échelle temporelle de 24 heures ou moins. Une fois la décision d'éteindre un incendie prise, des décisions s'imposent à une échelle spatiale de plusieurs centaines d'hectares ou moins et une échelle temporelle de quelques minutes à quelques heures. L'attitude à l'égard des feux de forêt aux États-Unis est en train de changer, passant d'une simple extinction à la prise de conscience que le feu doit jouer un rôle dans le maintien de la santé des forêts, ainsi le besoin de brûlages dirigés est reconnu (Mutch 1994). Les méthodes d'évaluation du potentiel de tir à la fois stratégiquement et tactiquement doivent également évoluer.
L'évaluation du potentiel d'incendie à n'importe quelle échelle nécessite essentiellement les mêmes informations sur les combustibles, la topographie et les conditions météorologiques qui se combinent pour produire l'environnement d'incendie potentiel. Ces facteurs ont traditionnellement été mesurés pour des sites spécifiques, les estimations de potentiel d'incendie résultantes étant produites sous forme de texte alphanumérique, et les résultats appliqués à des zones géographiques et à des périodes temporelles vaguement définies, sachant que la plus éloignée est déplacée (dans le temps ou dans l'espace ) à partir du point où ces mesures ont été effectuées, moins l'estimation du potentiel d'incendie est applicable. Cette situation évolue rapidement car les systèmes d'information géographique (SIG) et les observations spatiales améliorent considérablement la capacité d'évaluer le potentiel d'incendie à une résolution spatiale et temporelle beaucoup plus fine.
Les améliorations récentes apportées à la technologie d'évaluation du potentiel d'incendie comprennent à la fois des cartes de danger d'incendie à grande échelle et des simulations du comportement du feu à l'échelle locale. Dans le contexte du comportement du feu à l'échelle locale, FARSITE (Finney 1994) et BEHAVE (Burgan et Rothermel 1984, Andrews 1986, Andrews et Chase 1989), fournissent des méthodes pour simuler le comportement du feu pour des zones allant jusqu'à plusieurs milliers d'hectares. Dans le contexte général du danger d'incendie, les mesures ponctuelles du danger d'incendie, calculées à l'aide du NFDRS à des stations météorologiques spécifiques, sont interpolées et cartographiées à l'échelle nationale (Figure 1) par le biais du Wildland Fire Assessment System (Burgan et al. 1997) (http://www.fs.fed.us/land/wfas/welcome.html).

Figure 1. Les indices du Système national d'évaluation des risques d'incendie sont calculés pour chaque station météorologique, puis les niveaux de dotation indiqués sont interpolés et cartographiés sur une base nationale (http://www.fs.fed.us/land/wfas/fd_class.gif)

Les Canadiens publient des cartes similaires pour leur système de danger d'incendie sur Internet (http://www.nofc.forestry.ca/fire/cwfis) (Lee 1995) (Stocks et al. 1989). Les cartes des États-Unis sont produites en utilisant une pondération au carré de la distance inverse des niveaux de dotation. Le niveau de dotation définit l'état de préparation de l'organisation de suppression. Il est basé sur la comparaison des valeurs actuelles de l'indice de danger d'incendie avec les valeurs historiques. Le niveau de dotation (ou de préparation) augmente à mesure que l'indice actuel approche des valeurs historiquement élevées. Parce que les gestionnaires des incendies à travers les États-Unis n'ont pas été cohérents dans leur sélection d'un indice NFDR sur lequel baser les niveaux de dotation, le niveau de dotation lui-même est le seul paramètre commun avec lequel cartographier le danger d'incendie. Le niveau de dotation normalise tous les indices par rapport à leurs valeurs historiques, de sorte que peu importe lequel des nombreux indices de danger d'incendie un gestionnaire d'incendie a sélectionné. Cependant, cette méthode n'aborde pas l'effet de la topographie sur le potentiel d'incendie, ni ne fournit d'estimations du potentiel d'incendie pour des emplacements spécifiques ou des résolutions de paysage.
L'Oklahoma Fire Danger Rating System (Carlson et al. 1996) est un processus opérationnel qui fournit une résolution de paysage de 1 km 2 (http://radar.metr.ou.edu/agwx/fire/intro.html), bien qu'il ne reconnaisse toujours pas l'effet de la topographie. Le système d'évaluation du danger d'incendie de l'Oklahoma représente l'orientation des futures recherches sur les systèmes de danger d'incendie pour les États-Unis, mais le réseau météorologique intensif sur lequel il s'appuie pourrait rendre ce type de système difficile à appliquer pour d'autres.
Une carte des combustibles forestiers, des données de terrain et un échantillonnage raisonnable des conditions météorologiques sont des données d'entrée pour la plupart des systèmes de danger d'incendie. Cet article traite de l'élaboration d'une carte modèle nationale de carburant à 1 km 2 pour les États-Unis et décrit un modèle d'indice de potentiel d'incendie (FPI) qui peut être utilisé pour évaluer les risques d'incendie à une résolution de 1 km 2 .


Systèmes d'information géographique (SIG)

Pour les contrôleurs vectoriels et les biologistes de terrain, les avantages des systèmes d'information géographique (SIG) modernes sont de stocker, d'analyser visuellement et de rapporter les données dans des formats spatiaux et temporels ( Freier & Flannery, 1998 ). Le SIG fournit des processus intégrés dans un cadre – au mieux un système « du berceau à la tombe » pour saisir, stocker, analyser, modéliser et afficher des données géoréférencées qui peuvent être utilisées de manière interactive pour la prise de décision. Le SIG mature comprend des systèmes de traitement d'images, de gestion de bases de données, d'affichage cartographique, de développement de modèles de numérisation/balayage de cartes, d'analyses géographiques et statistiques. Le géoréférencement est la pierre angulaire de toutes les procédures SIG, en se référant à la localisation spatiale d'une couche de données (ou couverture) telle que définie par un système de référence de coordonnées connu. Les logiciels SIG sont classés selon leur architecture de base, qui peut être vectorielle (basée sur l'arc) ou raster (basée sur la grille). Pour les besoins de cette revue, destinée aux écologistes des vecteurs, nous utiliserons les termes arc et grille pour éviter toute ambiguïté sur le sens de « vecteur ».

SIG basé sur l'arc

Les arcs décrivent toute quantité variable qui a à la fois une amplitude et une direction, c'est-à-dire des données qui peuvent être décrites par des coordonnées absolues (par ex. X et oui). Il comprend des points, des lignes et des zones (polygones). Chaque arc a ses données d'attributs associées (z) stocké sous forme de tableau dans une base de données relationnelle. Les informations requises pour géo-référencer ces données comprennent le système de coordonnées de référence (par exemple la latitude et la longitude), les unités de référence (par exemple les mètres) et soit la position des coordonnées des coins du « rectangle englobant » – définissant la limite de la zone cartographiée – ou plusieurs points de contrôle de référence.

Le SIG basé sur l'arc standard de l'industrie est ArcInfo ® (Environmental Systems Research Institute Inc., ESRI, Redlands, CA, U.S.A.), largement utilisé dans le secteur commercial et par les administrations gouvernementales. En conséquence, ce logiciel a été utilisé dans de nombreuses études sur les vecteurs de maladies (par exemple Wood et al. 1992 Nicholson & Mather, 1996 Pender et al. 1997 Sharma & Srivastava, 1997). Les couvertures ArcInfo ® des données administratives, biologiques, démographiques et environnementales sont détenues par diverses institutions internationales, nationales et locales et peuvent être utilisées immédiatement, via ArcInfo GIS, sans autre traitement. Ces couvertures peuvent également être intégrées directement dans le logiciel allié ESRI ArcView. Le Programme commun OMS/UNICEF sur la gestion et la cartographie des données pour la santé publique ( Mott et al. 1995 Nuttall et al. 1998 OMS, 1999 OMS/Unicef ​​1999 ) ont utilisé la même structure logicielle qu'ArcView (objets cartographiques) pour créer un outil de cartographie personnalisable « Healthmapper », qui permet l'intégration facile d'informations (y compris les couvertures ArcInfo) à différentes échelles - du local au district, provincial, national, régional et mondial.

Si les données ne sont pas disponibles au format numérique, cela peut être modifié en numérisant les points ou les lignes à l'aide d'une tablette de numérisation et d'un logiciel compatible avec le programme SIG utilisé. Par exemple, les contours d'une carte topographique peuvent être numérisés, calibrés par des points de référence connus et une couverture de modèle numérique d'élévation (MNE) créée. Cette tâche peut être très chronophage, et par conséquent coûteuse, mais a l'avantage de rendre le chercheur plus conscient des limites ou des erreurs dans le produit final.

Les inconvénients du système ArcInfo sont sa complexité et son coût. À l'extrémité inférieure de l'échelle technique se trouve EPIMAP - un programme de cartographie simple développé par les Centers for Disease Prevention & Control des États-Unis (Atlanta, GA, États-Unis) pour les épidémiologistes. Entre ces deux extrêmes, les logiciels SIG basés sur l'arc couramment utilisés dans les études épidémiologiques et entomologiques comprennent ATLAS ® , ArcView ® (qui agit comme un moteur de requête de données pour les fichiers au format ArcInfo) et le programme de cartographie de bureau MapInfo ® (voir ci-dessus).

SIG basé sur une grille

Un SIG basé sur une grille utilise un système de représentation d'images où l'image est composée de petites cellules internes uniformes disposées dans une grille. Ce type d'organisation est particulièrement utile pour les surfaces de données continues telles que l'imagerie satellitaire, le climat et la topographie. Les images sont obtenues à partir des satellites sous forme de flux de données et converties en un motif de lignes de balayage horizontales pour la visualisation. Les images basées sur une grille nécessitent un géo-référencement par dX/oui les coordonnées du centre de projection ou les limites/bords réels de l'image. Les progiciels basés sur des grilles utilisés par les écologistes vectoriels incluent des progiciels de traitement d'images 8 bits disponibles gratuitement tels que IDA/WINDISP développés pour les systèmes d'alerte précoce contre la famine (FEWS) et utilisés dans la surveillance des cultures. IDRISI ® ( http://www.clarklabs.org) est un progiciel d'entrée de gamme populaire, développé par Clark University, MA, USA « ERDAS Imagine ® » est largement utilisé pour l'interprétation détaillée de l'imagerie satellitaire ArcGrid ® est le module de grille associé d'ArcInfo, et 'Spatial Analyst ® ' est un module basé sur une grille à utiliser avec ArcView. Le SIG basé sur une grille est généralement le système le plus approprié pour l'analyse de données entomologiques et/ou épidémiologiques avec des données environnementales.

Bases de données numériques

Des bases de données spatiales étendues avec une couverture continentale, régionale et locale sont de plus en plus disponibles (tableau 3). Beaucoup d'entre eux ont été développés en gardant à l'esprit les besoins d'autres secteurs (par exemple l'agriculture, la planification des ressources naturelles et le tourisme) mais sont extrêmement précieux pour une utilisation dans les études vectorielles. Par exemple, un vaste ensemble de couvertures Arc/Info à l'échelle de l'État existait déjà pour l'État de l'Illinois lorsque Kitron et al. (1991) ont commencé à étudier l'éco-distribution de la tique Ixodes dammini Spielman et al. 1979 (syn. I. scapulaire Say, 1823) comme vecteur de la maladie de Lyme. Pour associer la présence de tiques à des facteurs environnementaux, ils ont superposé la répartition des cerfs infestés de tiques au sol et aux couvertures végétales. Cela a révélé la nature focale de la distribution des tiques et son association avec le sol sablonneux et les feuillus. Les bases de données NDVI à l'échelle continentale, utilisées à l'origine pour étudier l'état de la végétation, ont été largement utilisées dans les études des facteurs associés à la répartition des glossines en Afrique ( Rogers & Williams, 1994 ).

Précision

Pour utiliser ces bases de données avec succès, leurs limites ainsi que leurs avantages doivent être clairement compris. Un problème inhérent associé aux bases de données numériques est que l'utilisateur est éloigné du processus de création et, par conséquent, les problèmes de qualité des données sont souvent ignorés. De nombreuses bases de données sont fournies avec une documentation indiquant le niveau de précision qui peut être attribué au produit global. Pour de nombreuses raisons, cependant, la précision varie dans l'espace et dans le temps, la qualité des données fluctue donc considérablement selon la zone géographique et d'autres critères. Par exemple, le centre de données EROS (voir tableau 3) a créé le modèle d'élévation numérique de l'US Geological Survey pour l'Afrique (à partir de la carte numérique du monde) avec une précision limitée à 2000 m d'erreur horizontale et ± 650 m d'erreur verticale avec un niveau de confiance de 90 %. . Intuitivement, par conséquent, l'erreur verticale est la plus grande dans un terrain montagneux accidenté, où toute petite imprécision dans le plan horizontal est susceptible de provoquer des imprécisions majeures du plan vertical. Les méthodes de représentation visuelle de cette incertitude ne sont pas incluses dans les logiciels SIG couramment utilisés.

Les surfaces de données catégorielles basées sur des grilles peuvent être particulièrement limitées en termes de certitude, car la variable ne peut appartenir qu'à une seule catégorie pour chaque carré de grille. Par exemple, la carte des sols FAO-UNESCO de l'Afrique est disponible au format numérique ainsi qu'imprimée sur papier. Les données numériques ont été utilisées par Thomson et al. (1999b) en essayant de déterminer les paramètres écologiques qui limitent la distribution du phlébotome Phlébotome orientalis, vecteur de la leishmaniose viscérale au Soudan. Phlébotome orientalis est fortement associé aux vertisols riches en argile (les sols dits de « coton noir »), largement répandus dans l'est du Soudan et l'ouest de l'Éthiopie. Les vertisols se présentent souvent sous forme de complexes linéaires discrets ou étroits au sein d'autres classes de sols, trop petits pour être résolus sur la carte FAO-UNESCO. Les tableaux de texte accompagnant les feuilles de carte papier compensent cela en indiquant la présence de groupes de sols associés ou d'inclusion à des échelles inférieures à la résolution de la carte, mais cette information n'est pas incluse dans la carte numérique. Alternativement, le NDVI peut être un bon indicateur des différents types de sols dans certaines régions, en particulier pour la sélection des vertisols - selon les conclusions de Farrar et al. (1994) au Botswana. En utilisant des données NDVI de résolution de 1 km (ou d'autres produits dérivés de satellites), il peut être possible de cartographier l'occurrence de vertisols à la surface du sol et donc la distribution potentielle de P. orientalis (Fig. 2).

Carte préliminaire des risques de leishmaniose viscérale (kala azar) au Soudan, basée sur la probabilité de Phlébotome orientalis présence. Les informations utilisées pour créer le modèle se composent du type de sol, des précipitations et de la température maximale quotidienne annuelle moyenne. Humara = zone d'épidémie actuelle dans l'ouest du Tigré, au nord-ouest de l'Éthiopie : WUN = zone d'épidémie majeure depuis 1988 dans la province du Haut-Nil occidental au sud du Soudan ( Thomson et al. 1999b).

Surfaces climatiques créées à partir des données des stations météorologiques telles que la Base de données topographiques et climatiques pour l'Afrique (Hutchinson et al. 1995 ) sont créés à partir de diverses techniques d'analyse spatiale et d'interpolation (tableau 3), avec des limites qui varient selon le type de données étudiées. Par exemple, Hay & Lennon (1999) ont comparé les résultats des données satellitaires (Meteosat et AVHRR) avec les résultats de l'interpolation spatiale des données des stations météorologiques, pour prédire la variation spatiale du climat mensuel à travers l'Afrique au cours d'une seule année. Ils ont découvert que l'interpolation spatiale des données de la station donnait une meilleure prédiction de la température, tandis que la télédétection de la CCD était un meilleur prédicteur des précipitations.

Les données satellitaires comportent des erreurs spatiales et temporelles inhérentes résultant des procédures d'échantillonnage impliquées dans leur génération. Comme mentionné ci-dessus, les différences dans les techniques de pré-traitement peuvent entraîner des différences significatives entre les archives de données NDVI. Robinson 1996 ) a étudié les problèmes inhérents à l'ensemble de données NDVI d'ARTEMIS (résolution spatiale 7,6 km, résolution temporelle 1 décade, séries chronologiques 1981-1991), qui a été largement utilisé dans les études de vecteurs (par exemple Rogers et al. 1996 Baylis et al. 1998). Pour une zone d'étude d'Afrique de l'Est, Robinson (1996) a estimé la précision des données ARTEMIS en termes de résolution spatiale, d'emplacement des pixels, de biais d'échantillonnage, d'erreurs systématiques et de présence de bruit de signal dans les profils multitemporels des données. Ces facteurs ont introduit des erreurs importantes causant des limitations considérables à la fiabilité des données pour distinguer des habitats spécifiques sur le terrain, en particulier sur de petites zones d'étude. Robinson (1996) a conclu que de telles erreurs doivent être prises en considération dans tout développement ultérieur d'applications pour ces ensembles de données à résolution grossière. Sannier et al. (1998) ont également trouvé, dans une comparaison des images NDVI de FAO-ARTEMIS et des valeurs NDVI récemment corrigées de NASA Pathfinder, des différences significatives et systématiques entre ces deux archives - indiquant qu'elles ne devraient pas être utilisées ensemble sans apporter les corrections appropriées.

Format des fichiers

Le format de fichier affecte sa taille et la vitesse à laquelle il peut être traité. Par exemple, en utilisant IDRISI pour Windows, les fichiers image peuvent être stockés au format ASCII, binaire ou binaire compressé, économisant progressivement de l'espace mémoire mais réduisant la vitesse d'accès/d'utilisation. Chaque fichier de données est associé à un fichier de documentation décrivant le système de projection de référence, les unités de référence et les coordonnées des coins de l'image. Certaines exigences essentielles (par exemple, projection de référence et unités) doivent être communes à tous les fichiers de documentation pour qu'elles puissent être utilisées dans une analyse particulière

Cartographie des projections

Un problème inhérent à tous les processus de cartographie est l'impossibilité de représenter parfaitement la courbure sphérique de la Terre sur une surface plane de carte. Toutes les cartes doivent donc fausser les distances et, sur de grandes surfaces, ces distorsions peuvent être importantes ( Steinwand et al. 1995). Le choix d'une projection cartographique dépend de la taille et de la forme de la zone à représenter. Les projections cartographiques peuvent être classées comme aires égales, conformes ou équidistantes. Les projections cartographiques à surface égale entraînent nominalement la moindre distorsion possible des formes et des distances pour les ensembles de données mondiaux et continentaux. Pour les autres projections, les problèmes de distorsion sont proportionnels à la zone d'étude. Cela doit être pris en compte lors de la fusion d'ensembles de données de zones plus grandes et plus petites sur une carte commune.

Intégration de données

Afin d'intégrer des données provenant de différentes sources, il est nécessaire d'utiliser un format de fichier, une projection cartographique et un système d'échelle communs. Tous les SIG sont livrés avec une gamme de capacités d'importation, d'exportation et de reprojection de fichiers, et il est recommandé de vérifier à l'avance la disponibilité de ceux dont vous avez besoin. Processus d'intégration, par ex. redimensionner, reprojeter, convertir les données de la base de l'arc à la base de la grille (vecteur à raster)) et vice versa, introduisent inévitablement d'autres erreurs dans les données traitées.

Procédures SIG

Les packages SIG basés sur une grille incluent généralement les fonctionnalités suivantes :

requête de base de données pour reclassement, superposition, récapitulation tabulaire/statistique

algèbre cartographique pour combiner mathématiquement des couches de carte

opérateurs de contexte pour créer une nouvelle carte à partir d'une carte existante, en utilisant des opérateurs de quartier ou locaux

opérateurs de connectivité pour déterminer si les points adjacents ont une valeur équivalente (le cas échéant, les regrouper dans un bloc avec une nouvelle valeur).

opérateurs à distance pour mesurer la distance entre chaque cellule et la plus proche d'un ensemble d'entités cibles

analyse de données spatiales pour visualiser, explorer, modéliser, etc.

Pour les études sur le terrain des parasites, des ravageurs et des vecteurs de maladies, le SIG est normalement utilisé comme un environnement structuré dans lequel cartographier leur distribution, leurs habitats et leur épidémiologie. Les principales applications contre les maladies parasitaires comprennent les préparatifs du programme d'éradication de la dracunculose ( Clarke et al. 1991 ), Élimination mondiale de la filariose lymphatique ( OMS, 1998a ), Programme africain de lutte contre l'onchocercose ( OMS, 1998b ), distribution et contrôle d'autres helminthiases humaines ( Brooker et al. 2000 ) et cartographier l'intensité de la transmission du paludisme en vue de nouvelles interventions en Afrique ( MARA, 1998 Omumbo et al. 1998 ).

Dans sa forme la plus simple, le SIG peut être utilisé pour superposer des données de présence/absence ou de prévalence sur des cartes de topographie, de rivières, de routes, de villages, de villes et de zones administratives afin de faciliter la planification et la mise en œuvre des opérations de lutte. Simple distance operators can be used to demarcate villages within flight range of the vector breeding sites – as in the case of Simulium vectors of Onchocerciasis in Latin America ( Clark et al. 1997 ). For many disease situations in developing countries it is simply not possible to map the distribution of the vector or disease in sufficient detail findings from localized surveys must be extended to a broader region by the development of predictive models of either vector or disease distribution. For example, GIS database query commands are commonly used to extract information from environmental databases for specific locations where entomological data are available.


Normalize the NDVI raster 0-255 - Geographic Information Systems

April 19th, 2021 by Andi Thomas

We recently received an email about adding country labels to a NEO image to better understand where certain data points are in the world. Here is one way to add labels to any NEO image in QGIS.

QGIS is a free and open-source Geographic Information System. If you do not have QGIS on your machine, there are copies available for download here: https://qgis.org/en/site/forusers/download.html.

We are now ready to add country labels to your NEO layer of choice. For this example, I am going to use the Nitrogen Dioxide (1 month) dataset.

This is a screenshot of my QGIS window showing the Nitrogen Dioxide (1 month) dataset.

There are several datasets available for free that provide the country border and label for the world. I keep one handy in my directory that was created by Bjorn Sandvik at thematicmapping.org. Download your own copy here: https://thematicmapping.org/downloads/world_borders.php. Once you have downloaded and saved the file somewhere on your machine, unzip the file and drag and drop the TM_WORLD_BORDERS-0.3.shp into your QGIS window.

Here is what my screen looks like when I drag and drop the TM_World_Borders shapefile into QGIS.

Now it is time to add labels.

Aller à Layer > Select Labeling and add Single Labels from the drop down in the Layer Styling window that pops up.

Here is where you will find Labeling under the Layer window. Here is what my screen looks like with the labels turned on and the map zoomed in to Europe.

The map may not have the aesthetic you need to see the labels clearly. The color and font of the labels can be changed in the Layer Styling la fenêtre. The color of the countries shapefile can be changed by double-clicking on the box next to the shapefile label in the Layers window.

If the labels do not provide the granularity needed for each country, try adding one of these shapefiles from the Centers for Disease Control and Prevention to your map using the same process: https://www.cdc.gov/epiinfo/support/downloads/shapefiles.html.

Feel free to add any questions or tutorial suggestions in the comments below.

Raster and Floating Point GeoTIFFs: What is the difference?

December 23rd, 2020 by Andi Thomas

When you are considering which format to download for a NEO image, there are two GeoTIFF format options: GeoTIFF (raster) et GeoTIFF (floating point). This can be confusing at first. Let’s take a look at both examples using the Chlorophyll Concentration dataset to distinguish the two formats.

Here is a screenshot showing the Downloads box with an arrow pointing to where you can select either GeoTiff format and a circle around where the raw data is available for download. This is the Aqua/ MODIS Chlorophyll Concentration GeoTIFF (floating point) image for the month of October 2020.

The image above is what downloads when you select GeoTIFF (floating point). This is a floating-point image file where each cell has a number with a decimal (ex. 1.1111). We call this format “data-like” for our purposes because it has been scaled and resampled as part of the processing of the original source data for NEO and the files are simplifications of the original data. Keep this in mind when you are using NEO imagery for analysis—our datasets should not be used for scientific research because they were not calibrated to the precision needed for scientific analysis. If you want to do your own processing for scientific research, choose the “Download Raw Data” option located in the Téléchargements boîte.

This is the Aqua/ MODIS Chlorophyll Concentration GeoTIFF (raster) image for the month of October 2020.

To simplify even further, the GeoTIFF (raster) above is an 8-bit color image. The values are stored as 8 bit grayscale and the color table is applied on-the-fly based on those values.

If you have any additional questions or need further clarification, please email us through the “Contact Us” button below.

Create and Apply the Right Color Palette in Adobe Photoshop for your Map Visualization (Part 3 of 3)

October 28th, 2020 by Andi Thomas

We have added the NEO color table to a grayscale image, learned how to accommodate the color blind easily with our maps, and now we are ready to build custom color palettes.

Adobe has an online color wheel that is helpful to use when surfing through different colors. If you are unsure what colors to start with, use the color wheel to give you a few ideas and follow these three steps as a guide for applying colors to your map with the wheel:

Étape 1. Play around with the different color functions of the wheel to find a palette you would like to work with. You can work with a different hue and saturation of one color or look at three different complimentary colors. The radio buttons on the side of the wheel will help guide your decision-making. The RGB value for each color is at the bottom. Feel free to also mess with the lightness, hue and saturation sliders to get exactly what you want after the color wheel gives you an output. I decided to use the shades function and make a minty green palette. I plan to use these colors for land and then choose a contrasting color for the water.

My color wheel choice for this example.

Étape 2. Open the color table back up for the grayscale image and use the same method as before: Select a couple of rows and change the colors to what you selected on the wheel, gradually moving from light to dark down the color table. Or, see what happens when you move from dark to light down the color table. Does it change the message of the map?

Étape 3. Save your color palette for future use.

Alright, I know, that was short and easy. But not so fast, we have a couple more things to learn.

Follow these steps to make your own color palette in Photoshop:

Étape 1. Open a new project for a clean slate to make palettes on. Do not worry about the canvas size as long as you have enough space to work with.

Étape 2. Using the brush tool at a size that is easy to see, pick and paint a color on the canvas that you want on your map. I chose green because that is what I think of when I think of vegetation.

My Canvas so far.

Étape 3. Now open the Color Picker back up and select a color that is lighter (less saturated) and move the hue up the color scale a little bit. Repeat this process but in the other direction for your third color. There is a tutorial by Greg Gunn that has a very similar process but is way more detailed. Please check out the video if you need a little more context on choosing the right colors.

I have selected and changed the hue and saturation to a part of the colors I am working with but this is not necessary. Do what is right for you.

Étape 4. I have chosen a few colors to work with and am ready to add them to the color table. Clip the canvas to the colors you would like on your map. Go to Image, Mode, and select Indexed Color. Now open up the Color Table under Image, Mode. The colors you have chosen may be scattered around the table.

Étape 5. Select one of your lightest colors on the table and add it to the 5th and 6th rows using the RGB values located on Color Picker. I may choose to add the same colors to three rows instead of two but this is a good starting place.

Étape 6. Create a lighter color from the one you just filled in the 5th and 6th rows by toggling hue and saturation in Color Picker and add it to the 3rd and 4th rows. Repeat this process for rows 1 and 2.

Étape 7. Now pick a second color that is darker than rows 5 and 6 and add it to rows 7 and 8. Repeat this process all the way down.

Step 8. Choose and apply a contrasting color for the last cell to represent water.

Here is what I came up with after Step 8.

Step 9. Save the color table somewhere that is easy to find and open up a new project with the grayscale NDVI map.

Step 10. Change the mode to Indexed Color and open up the Color Table.

Step 11. Load the color table you just created and see what you think. Feel free to change the colors up or maybe even repeat the steps with an entirely new set of colors. This tutorial is not available to get it right on the first try. We simply want to give you the tools you need to make the right map for your needs.

What do you think? Not bad for a first try?

Create and Apply the Right Color Palette in Adobe Photoshop for your Map Visualization (Part 2 of 3)

October 21st, 2020 by Andi Thomas

Now that we have finished part one and understand how the color table provided with each dataset on NEO is applied to each grayscale map, let’s focus on creating custom color palettes that are easy for everyone to see.

Color-blindness is a common condition that prohibits some individuals (mostly men) from distinguishing between colors. Especially, red and green.

“Roughly 1 in 20 people have some sort of color vision deficiency.”

U.S. Department of Agriculture

Luckily, there are plenty of resources that can help with creating color-blind friendly maps. Color Brewer is one great place to start for pairing colors together and we will use the site throughout this part of the series to guide our color decision-making.

If you are unable to see the number 74 in green, you may want to take a color blindness test. Image Credit: Wikipedia

Follow these steps to surf through Color Brewer and customize a color palette that suits your needs and the color-blind:

Étape 1. Navigate to the Color Brewer site and make sure the colorblind safe box is selected.

Here is the Color Brewer site with a yellow circle around the colorblind safe button that should be selected.

Étape 2. Select 9 classes so you will have plenty of colors to work with for an 8-bit dataset. An 8-bit dataset has 256 values (0-255) which means the color table we are working with is a 16 x 16 grid. This will make more sense when we are looking at the color table in Photoshop. You could select 8 classes so every two rows have a different color, but I like to graduate the color to one row at the end. I encourage you to play around with a few combinations and decide what is best for your map.

Étape 3. Instead of the default HEX codes, Select RGB from the drop down.

Étape 4. Pick a color scheme. I am going to choose the yellow to green combo under sequential multi-hue. It is similar to what we are displaying now but lighter and I really want the water to be more of a dark blue rather than black.

Étape 5. Go back to Photoshop and open the Color Table window again (Image, Mode, Color Table…). To make it easier, my Color Brewer window and Photoshop application are sitting side-by-side on my screen.

My desktop set-up for this tutorial.

Étape 6. Select two rows at a time on the color table and change the color using the RBG values that are on Color Brewer for the scheme you selected. Repeat this step as you move down the color bar until you get to the last two rows. Then you can graduate to one row and use the darker colors at the bottom of the scheme for the last two rows. The very last color (0) on the table is the map’s water (technically, it is areas of no data that are also where the oceans are). I chose to make the water a dark blue color rather than black.

Here is what the color table looks like after I have customized the palette and applied it to the map.

Étape 7. Save the color table you have created to load to another map if you like what you see.

Spend a little more time trying out different colors and using the options Color Brewer provides. Keep in mind, the map represents a dataset and in this case we are trying to show areas of less and more vegetation. Choose wisely on the colors you want to represent places with dense and sparse vegetation. Next time we will look at creating a custom color palette from scratch and applying it to your map.

Create and Apply the Right Color Palette in Adobe Photoshop for your Map Visualization (Part 1 of 3)

October 16th, 2020 by Andi Thomas

Applying the right color palette to an image is crucial to conveying the right message to your audience. There are obvious no-nos in map-making like, do not color land and water blue because it may look like your entire map is water. Or, do not color a disaster map green because it may convey a message of positivity. This tutorial series will show you how to apply and save different color palettes, but it is important to look into why different colors are chosen, basic color theory, and best practices for choosing the right palette. There is a 6-part series on Earth Observatory published several years ago called the “Subtleties of Color” that is still a great base to start from before making and applying your own palettes. If you already feel comfortable with your knowledge and use of colors, let’s make color palettes!

Each NEO image is natively grayscale and the color table is applied in post-processing to display the colored image on each dataset’s page. Underneath the image is a downloadable Adobe Color Table (ACT) that can be saved and used to create and save color palettes for other grayscale images.

Let’s look at the Vegetation Index (NDVI) MODIS imagery as an example for applying a ready-made color table for the dataset following these steps:

Étape 1. Download and save the color palette displayed for the NDVI imagery (filename: modis_ndvi.act) and a grayscale PNG at the temporal and spatial resolution of your choice. I saved the files to my desktop so they would be easy to find.

The yellow circles indicate where the color table and grayscale radio button are located on the vegetation index page.

Étape 2. Open Photoshop and load the grayscale NDVI image into a new project.

Étape 3. Make sure the swatches window is open. There should be a check mark next to “Swatches” and the window should appear on the top right.

Étape 4. In the swatches window, expand the hamburger button on the right and click Import Swatches

Étape 5. Navigate to where you saved the ACT file and open the file. You should now see the color palette in the Swatches window under its filename and you will be able to access it later and even reuse some of the colors for your own palette creations.

Screenshot of Photoshop with the grayscale image and ACT file loaded.

Étape 6. Now go to Image, Mode, and select Indexed Color. Keep the default settings and click Ok. Your image name should have changed to “index”.

Étape 7. Go back to Image, Mode and select Color Table…

Step 8. Sélectionner Personnalisé from the drop-down menu at the top of the window and click Load…

Step 9. Navigate to the modis_ndvi.act file, select the file, and click Ok.

Step 10. The color applied to the map should now look the same as what is on our site for the MODIS Vegetation Index dataset.

Here is what my Photoshop screen looks like after step 5.

Now we are ready to move on to part 2 where we will learn how to apply a custom color palette that is color-blind friendly. See you then!

How to Visualize NEO Imagery in Excel

September 15th, 2020 by Andi Thomas

Did you know you can use Excel to visualize raster datasets? If not, follow this short tutorial and find out how.

Let’s use the cloud fraction imagery NEO provides for this example.

Étape 1. Go to the cloud fraction imagery page and choose the CSV for Excel download option from the drop-down at 1.0-degree resolution for a month and year of your choice. I am going to download the latest monthly image for August 2020.

This is the cloud fraction imagery page with green arrows pointing to the selections you need to make when you download the CSV file.

Étape 2. Open the CSV in Excel and select all data except for the latitude and longitude row and column (which are the first row and first column).

All of the cells except for the latitude and longitude row and column should be selected in this step. Here is an example of what the Excel sheet will look like.

Étape 3. Find and replace all 9999 values with an empty cell. I pressed the space bar a couple of times in the Replace with: cell. Once you click the Replace All button, an alert message will come up, and you will notice the cells that previously had 9999 are now empty.

This is an example of where to find and replace the 9999 values. This alert will come up once you hit the Replace All bouton.

Étape 4. From the Excel home tab: Select conditional formatting, color scales, and choose one of the 2-color scheme options available ou alors select More Rules… and choose a different minimum and maximum value color. I am going to choose blue for the minimum color and white for the maximum color to create a look similar to what is available on the cloud fraction page.

Here is where you need to be for step 4. For the new formatting rule, I selected blue for the minimum color and white for the maximum color. The maximum value corresponds to the highest cloud fraction while the minimum value represents low to no cloud cover.

Étape 5. Zoom out using the slider on the bottom right side of the excel window and you will notice the global imagery taking shape.

Voila! There is your image coming to life in Excel. Now it is time to zoom in and investigate the cloud fraction values at different latitudes and longitudes. You may also want to try repeating the process at a higher resolution.

I remember learning the difference between raster and vector data in my entry-level GIS courses. Vector data is all of the point, line, and polygon data while raster data is made of cells or pixels. I wish my professor would have shown me how to visualize raster data in Excel at the time to really grasp cell values that make up the imagery we see as a whole. It certainly would have been easier to process!

Please share what you process in the comments below. We would love to hear any feedback or suggestions you may have.

Visualizing Changes in Nitrogen Dioxide Levels During the COVID-19 Pandemic

August 12th, 2020 by Andi Thomas

On March 11, 2020, COVID-19 was classified as a global pandemic by the World Health Organization. That same month, all New York City non-essential businesses were ordered to close by the governor’s office and several residents fled the city to get away from the rapidly spreading virus. There is typically a significant amount of nitrogen dioxide (NO2) in the air from the burning of fossil fuels during mass transportation, especially in larger cities like New York City. But, because all of the non-essential businesses were closed, along with many transportation lines, there was a significant decrease in NO2 in March 2020 compared to previous years.

The data probe function in the NEO analysis tool shows a significant decrease in NO2 levels in March 2020 compared to March 2018 & 2019.

By adding the Nitrogen Dioxide dataset to the analysis tool for March 2018, 2019 & 2020, we can compare NO2 levels over one geographic coordinate using the data probe function or over a distance using the plot transect function. For more information on how this is done, check out our post on NEO Analysis in 10 Easy Steps. According to these New York City snapshots, NO2 levels decreased by roughly half in comparison to the previous 2018 and 2019 average NO2 levels when city operations were normal.

A quick draw of a transect line using the plot transect function shows a decrease in NO2 levels in March 2020 compared to March 2018 & 2019 over New York State.

The Governor of Sao Paulo, Brazil, Joao Dorio, also ordered a shutdown of the state for two weeks at the end of March 2020 to help slow the spread of the virus. The NO2 levels in April 2020 in comparison to the previous two years also decreased by nearly half.

Here is a snapshot of South America with the data probe floating over Sao Paulo, Brazil to compare NO2 levels in April 2018, 2019 & 2020.

Global human behavior changed rapidly as COVID-19 spread across the globe and the change can be detected from satellites in space. NASA scientists are monitoring several atmospheric indicators globally, including NO2, to read a global pulse on how our atmosphere is responding. Although NEO datasets are heavily processed for visualization and should not be used for scientific analysis, we can still qualitatively see changes on a global scale.

Global snapshot of NO2 levels in March 2020.

Analysis: Pacific life – how is it related to ocean temperature?

August 3rd, 2017 by Stephanie Uz

Note that these examples are intended for curious people looking for hands-on Earth data exploration. Primary scientific research will require additional analyses through other methods. For the basics on how to use the NEO tool, see ‘Analysis tool in 10 easy steps’.

Here we explore phytoplankton blooms and their relationship to sea surface temperatures, with background information featured in ClimateBits: Phytoplankton.

Recent studies link warmer waters off the U.S. west coast to more frequent toxic algae blooms, negatively impacting the marine food web and the economy. In 2014-16, the waters off the west coast were unusually warm and were famously dubbed the ‘warm blob’ by the press. The warmer ocean impacted weather on the west coast and was linked to lower fish catches and stressed sea life.

A toxic algae bloom in 2015 extended from California to Alaska resulting in the closure of the Dungeness crab fishery and an economic decline of $100 million, according to the Fisheries of the U.S. Report, 2015. Sea lion strandings increased, including a starving baby sea lion that seated itself at a San Diego restaurant in early 2016, weighing half of what it should for its age according to the Sea World rescue team.

Following the strong El Niño of 2015-16, ocean temperatures off the west coast returned to ‘normal’. Here we use NEO to explore these reports. How do the satellite sea surface temperature records compare before, during, and after the warm anomaly?

Figure 1. North Pacific Sea Surface Temperatures during February 2013 (red), February 2015 (green), February 2017 (blue). Transect values from NW to SE along the U.S. west coast.

A NEO comparison of ocean surface temperatures for the month of February before the warm anomaly in 2013 (red), during the warm anomaly in 2015 (green), and after the warm anomaly in 2017 (blue). Along the entire west coast – from Alaska to the Baja Peninsula – temperatures during the warm blob (February 2015) were roughly 3 degrees C (or 5 degrees F) warmer compared to before (February 2013) and after (February 2017).

Temperatures off of Alaska (Distance

0km along the transect) were around 7C in February 2013 and 2017, but around 10C in 2015. Off of southern California (Distance

2000km), temperatures were around 13C in February 2013 but 16C during the warm blob in 2015. West of the Baja Peninsula (Distance

3500km), temperatures were around 21C in 2013 and 2017, but 25C in 2015.

How do the temperature changes relate to ocean biology measured by satellites?

Figure 2. North Pacific chlorophyll concentrations during February 2013 (red), February 2015 (green), and February 2017 (blue) plotted in a histogram for the area west of California outlined in white.

Chlorophyll concentrations indicate the amount of phytoplankton blooming. More phytoplankton means more food for fish and the rest of the marine food web. In the chlorophyll histogram in Figure 2, chlorophyll during the warm blob in February 2015 (green) had lower values (around 0.1 mg/m 3 ) more frequently than the other two years. The waters were almost 10 times more productive (approaching 0.9 mg/m 3 ) in February 2013 (red) compared to the other two years. Recall that February 2013 had the coolest water.

Usually, cooler surface water means that the water has recently been at depth — below the sunlit surface. Deep water containing unused nutrients can support new phytoplankton blooms. Thus, cooler water is generally associated with higher chlorophyll concentrations. How do the two data sets compare along the west coast before, during, and after the warm blob?

Here we compare sea surface temperature and chlorophyll along a transect from NW to SE off the coast of California for February 2013, 2015, 2017.

Figure 3. Sea surface temperature (red) and chlorophyll (green) plotted along the white transect line in the large panel, from northwest to southeast for February 2013 (left), February 2015 (middle), February 2017 (right) – before, during, and after the warm blob, respectively.

In all of the plots in Figures 3, sea surface temperature and chlorophyll demonstrate their inverse relationship. Cooler, more productive water to the north is contrasted with warmer, less productive water toward the south. The peaks in the chlorophyll (green line) correspond to phytoplankton filaments typically associated with nutrient entrainment along the boundaries of circulation features, such as in the California Current system. Note that over the 2000km transect from northwest to southeast, temperatures changed about 10C and chlorophyll concentrations changed more than an order of magnitude (10x). Also notice that February 2013 (Figure 3, left) had chlorophyll peaks reaching concentrations around 5 mg/m 3 . During the warm anomaly in 2015, chlorophyll concentrations were never above 0.9 mg/m 3 . After the demise of the warm blob, sea surface temperatures cooled in 2017 (Figure 3, right) compared to 2015 (Figure 3, middle), chlorophyll concentrations remained low (< 0.9 mg/m 3 ) and were certainly much lower than in 2013.

Diving into the 2017 data a bit more through scatter plots, we can highlight the geographical distributions of different data combinations.

Where are the highest chlorophyll concentrations?

Figure 4. Scatter plot of sea surface temperature (bottom axis) versus chlorophyll (left axis) during February 2017 for the region within the white line. The highest chlorophyll values (magenta box on the scatter plot) are highlighted in magenta on the map. Note that the values at the very top of the plot (74mg/m 3 ) are outliers or artifacts.

Where are the warmest waters within the area outlined in white?

Figure 5. Same plot as Figure 4, with the magenta area highlighting a different distribution of temperature (16-21C) and chlorophyll values (0.05-0.2 mg/m 3 ).

Where are the coolest waters within the area outlined in white?

Figure 6. Same plot as Figure 4 and 5, with the magenta area highlighting a different distribution of temperature (7-10C) and chlorophyll values (0.2-0.8 mg/m 3 ).

Not surprisingly, the coolest waters are in the north the warmest waters are in the south and the most productive waters with the highest chlorophyll values are next to the coast where nutrients were plentiful. Recall that January and February 2017 was a time of plentiful rain and snow on the west coast (a.k.a. atmospheric rivers that led to much run-off from land).

Note: This blog was written in response to a request for an analysis comparing sea surface temperature and chlorophyll. If there is an analysis you would like to see in this blog, please let us know!

Analysis: Hot in the city

May 30th, 2017 by Stephanie Uz

As the northern hemisphere approaches summer, we explore land surface temperatures that are featured in ClimateBits: Urban Heat Islands.

Note that these examples are intended for curious people looking for hands-on Earth data exploration. Primary scientific research will require additional analyses through other methods. For the basics on how to use the NEO tool, see ‘Analysis tool in 10 easy steps’.

Urban Heat Islands are places on land where buildings, roads, and other impervious surfaces trap more heat than the surrounding rural area. During summer, an urban place like New York City can be 4°C (7°F) or more warmer than surrounding rural areas. Vegetation plays a cooling role through transpiration. Cities such as Minneapolis, Chicago and St. Louis — where most trees were cleared to make way for pavement and development — are urban heat islands surrounded by cooler forests.

Demonstrate seasonal changes

Load March, June and September, 2016 for land surface temperature [day]. These are found under the ‘Land’ category. Note the difference between ‘land surface temperature’ and ‘average land surface temperature’ data sets, the latter being climatology. We use the former in this example. These are MODIS/Terra observations collected since February, 2000 at daily, 8 day and monthly temporal resolution. Here we compare [day] temperatures.

The warmest land is colored yellow coolest land is colored light blue. Hottest places are in the tropics and during summer in areas where the land is driest. Coldest places are covered in snow and ice. Black areas are missing data — over the ocean or due to cloud cover or lack of sunlight. The values along the white transect on the large map are plotted for March (red), June (green), September (blue).

The white line drawn from south of Lake Michigan east to New York City shows that the transect was about 10°C cooler in March compared to June and September in 2016. As the month of maximum sunlight, June would be expected to be warmest, yet September temperatures were not much cooler due to the thermal inertia of the land.

Compare day/night seasonal changes

Now load March, June and September, 2016 for land surface temperature [night]. Night temperatures are also coldest for places covered in snow and ice, but have important differences from daytime temperatures for warm areas.

The same line drawn from south of Lake Michigan east to New York City corresponds to the plot of nighttime temperatures for March (red), June (green), September (blue). September temperatures were again very close to those in June, especially for the urban areas at either end of the transect (near Chicago and New York City).

Compare urban and rural day/night temperatures

Looking at a weekly map from the end of June, we can compare day and night temperatures with a focus on urban versus rural New York.

Land surface temperature [day] in red and [night] in green for the week of June 26-July 4, 2016. Histograms show temperature distributions around urban New York City (left) compared to rural upstate New York (right).

Related Reading

Analysis: Reflections on the Blue Planet

April 21st, 2017 by Stephanie Uz

To better engage you on critical Earth science topics, NEO launched a new web-based analysis tool. This Analysis Blog explores NEO data sets used in ClimateBits: Albedo. Albedo is the fraction of incoming solar energy that is immediately reflected back to space.

Note that these examples are intended for curious people looking for hands-on Earth data exploration. Primary scientific research will require additional analyses through other methods. For the basics on how to use the NEO tool, see ‘Analysis tool in 10 easy steps’.

Reflected shortwave radiation

Categorized under ‘Energy’, maps of reflected shortwave radiation show the amount of solar or shortwave energy (in Watts per square meter) reflected by the Earth. These are CERES observations combined with MODIS measurements, available since July, 2006. Brighter colors indicate more reflection while dark blue indicates the least reflection. The brightest, most reflective regions are associated with clouds, snow and ice. Because clouds move quickly, they are best observed in daily maps. The 8 day and monthly composites mute transient weather patterns. More persistent features, such as polar ice caps, can be observed and compared at longer time increments. The least reflective regions are dark surfaces without cloud cover, such as forests and the ocean. The poles are dark during their winters because of the absence of sunlight then.

Reflected Shortwave Radiation (in Watts per square meter). The pale green to white regions show where more sunlight is reflected dark blue regions are where the least sunlight is reflected.

Land albedo

Categorized under ‘Energy’ as well as ‘Land’, maps of albedo show how reflective land surfaces are from 0, meaning no reflection, to 0.9, indicating nearly all incoming solar energy is reflected. These maps are derived from MODIS measurements, available since February, 2000 at 16 day and monthly composites. Dark blue indicates the least reflection and white indicates the most. Black areas are missing data – over the ocean or due to cloud cover or lack of sunlight.

Land albedo scales from 0 (dark blue) meaning no incoming sunlight reflected to 0.9 (white) meaning almost all sunlight reflected (1 would be all). Black areas mean “no data,” either over ocean or because persistent cloudiness prevented a view of the land surface. Notice the highest albedos are due to ice caps, glaciers and snow-cover.

Comparison: different surfaces

Africa is a continent with the Sahara Desert north of savannah grasslands and then forests with thick vegetation. To see how different land cover impacts albedo and reflected radiation, we compare them during January, 2017. We limit our analysis to the area delineated by the yellow box (below, left). Use Data Probe et Plot transect to explore the whole geographic area, comparing and contrasting values of albedo and reflected radiation.

Left: Map of the region selected as the yellow box. Right: a comparison of albedo and reflected radiation from north to south along the transect (white line).

Notice that albedo and reflected radiation are highest over the Sahara Desert, except for the dark spot associated with the Tibesti mountains in northern Chad. Albedo and reflected radiation decline over the savannah grasslands, which are darker. Farther south, over the tropical rain forest, however, reflected radiation starts to rise while albedo continues to decline – likely due to evapotranspiration that promotes cloud formation.

Left: region selected (white box). Right: scatter plot of albedo versus reflected radiation within that region.

A scatter plot of the transition zone between desert and savannah demonstrates the direct relationship between albedo and reflected radiation.


H. Pan-sharpening


  Click image to expand

Band 8 is panchromatic for Landsat 7 (EMT+ sensor) and Landsat 8 (OLI sensor).


  Click image to expand

Panchromatic sharpening is a way to increase the detail (spatial resolution) of an image. In a nutshell, a high-resolution gray-scale panchromatic band is combined with lower-resolution &ldquocolor&rdquo multispectral bands. The result has visual advantages of both&mdashhigh resolution multisprctral images.

Several multispectral satellite sensors have a &ldquopanchromatic&rdquo band&mdasha single band that covers visible wavelengths (exact wavelength range varies by sensor, see graphic). Panchromatic sensors can &ldquoafford&rdquo to have higher spatial resolution because they capture more energy (from a wider wavelength range) and lump that brightness into one image file. Dividing visible light into 3 bands (RGB) requires 3 times as much storage space.

Publicly available commercial satellite imagery has panchromatic resolutions as fine as 31 cm (WorldView-4 satellite, operated by DigitalGlobe https://www.digitalglobe.com). Landsat offers free 15 meter panchromatic resolution.

The following graphics show a pan-sharpened Landsat 8 image of Malibu California. Malibu Images Credit: Charlie Loyd, MapBox, published June 14, 2013. https://landsat.gsfc.nasa.gov/landsat-8/landsat-8-bands/


  Click image to expand

Normal Color, not pan-sharpened (30 m).


  Click image to expand

Normal Color, after pan-sharpening.

Click the Bubbles Above or the Double Arrows ( ) to Explore this Principle

Plotting Points From a CSV File

The CSV file in this example is HERE.

Plotting Polygons From a Shapefile

The data for this example is in 2017-state-data.zip.

Your browser does not support the video tag.

  • Download a zip file of a shapefile provided by the City of Denver Open Data Catalog containing data from the 2009-2013 American Community Survey for census tracts in Denver
  • Unzip the data and create a choropleth map based on some variable in the data that you find interesting. Please avoid using a variable on race unless you have some overriding need to do so http://data.denvergov.org/dataset/city-and-county-of-denver-american-community-survey-tracts-2009-2013
  • Export the choropleth to a PNG file and paste that into a word processing document
  • Describe the variable you used and provide some basic interpretation of any patterns that you see (or don't see). Indicate whether or not this showed you anything unexpected.
  • Provide metadata indicating the data source, the URL, the date of download, and any other metadata you think might be useful for some potential future user of this data or map
  • Give your documents a meaningful title along with your name and the date
  • Save your document as a PDF and submit it on Canvas

Optionally, if you would prefer to use ArcGIS Online, view the tutorial below.


Voir la vidéo: Calculating Area of Vegetation Cover in ArcMap Using NDVI Tool