Suite

Reprojeter une image raster à l'aide de gdalwarp

Reprojeter une image raster à l'aide de gdalwarp


J'essaie de reprojeter une orthophoto ECW de 25830 à 23030 srid. J'ai essayé ce qui suit mais j'obtiens une erreur :

C:Program Files (x86)FWTools2.4.7>gdalwarp -s_srs 25830 -t_srs 23030 C:orto.e cw C:orto_ed50.ecw ERREUR 1 : Échec de la traduction du SRS source ou cible : 25830

vous devez spécifier le type de code que vous utilisez. Ici je suppose que c'est EPSG

C:Program Files (x86)FWTools2.4.7>gdalwarp -s_srs EPSG:25830 -t_srs EPSG:23030 C:orto.e cw C:orto_ed50.ecw


Mdhntd

Pourquoi le Premier ministre britannique a-t-il besoin de l'autorisation du Parlement pour déclencher des élections générales ?

Comment supprimer les cookies d'un site spécifique ?

Y a-t-il une raison de changer l'ISO manuellement ?

Vous cherchez un grand roman fantastique sur les moines savants qui adorent les maths ?

Une créature paralysée est-elle molle ou rigide ?

Comment puis-je m'opposer à ce que mon conseiller accorde la paternité du don à un collaborateur ?

Pourquoi un autoclave est-il nécessaire lors de la mise en conserve?

Comment une planète pourrait-elle avoir un hémisphère bien plus chaud que l'autre sans que la planète ne soit bloquée par les marées ?

Quelle fraction des indicatifs d'appel 2x2 USA sont des appels de vanité ?

Pourquoi tous les liquides volatils sont-ils combustibles

« Le travail acharné n'a jamais fait de mal à personne » Pourquoi ne pas « faire du mal » ?

Les prises GFI se sont déclenchées après une panne de courant

Quelle est l'excentricité d'une orbite (trajectoire) descendant tout droit vers le centre ?

Qui sont ces personnes dans cette caricature satirique du Congrès de Vérone ?

Ne jamais rendre les membres publics virtuels/abstraits - vraiment ?

Pourquoi Boris Johnson a-t-il appelé à de nouvelles élections ?

Dans l'univers, pourquoi Doc Brown programme-t-il la machine à remonter le temps pour aller en 1955 ?

Alternative de Darwin à `lsb_release -a` ?

J'ai laissé mon compte Gmail connecté quand j'ai été viré

Problèmes combinatoires qui peuvent être résolus plus facilement en utilisant les probabilités

Pourquoi l'affichage à sept segments a-t-il un point décimal à droite ?

Quelle est la majorité du gouvernement britannique au 04/09/2019 ?

Rééchantillonner les images GeoTIFF à la même résolution ?

Changer la taille de pixel de 30 m pour 23,5 m dans QGIS Interpolation de raster pour obtenir une résolution plus fine ?Sous-échantillonnage pour les débutants à l'aide de QGISDifférentes sorties de rasterizeSoustraction des valeurs raster de 2 rasters avec des tailles de cellule différentes QGIS peut-il rééchantillonner des rasters pendant l'affichage ? Convertir la résolution raster dans arcGISSaga: traitement de l'étendue du rééchantillonnage dans l'éditeur python QGISTools pour la création et l'exportation de geotiffResample haute résolution sans modification de la taille de la celluleResample raster à une résolution plus élevée avec la conversion ArcPyBatch avec des images brutes en GeoTIFF

J'ai deux images geotiff que j'aimerais rééchantillonner avec la même résolution. Si j'utilise ArcGIS, ce serait facile à faire. Mais en utilisant QGIS, je ne sais pas comment faire cela. Un peu d'aide sera très apprécié. Merci.

J'ai deux images geotiff que j'aimerais rééchantillonner avec la même résolution. Si j'utilise ArcGIS, ce serait facile à faire. Mais en utilisant QGIS, je ne sais pas comment faire cela. Un peu d'aide sera très apprécié. Merci.

J'ai deux images geotiff que j'aimerais rééchantillonner avec la même résolution. Si j'utilise ArcGIS, ce serait facile à faire. Mais en utilisant QGIS, je ne sais pas comment faire cela. Un peu d'aide sera très apprécié. Merci.

J'ai deux images geotiff que j'aimerais rééchantillonner avec la même résolution. Si j'utilise ArcGIS, ce serait facile à faire. Mais en utilisant QGIS, je ne sais pas comment faire cela. Un peu d'aide sera très apprécié. Merci.


La raison pour laquelle j'ai utilisé les options raster est que, auparavant, j'ai fait le
reprojeter pour 30 mètres DEM, cela a fonctionné après avoir levé le
chunksize (sinon il manquait de mémoire), alors j'ai ajouté ici juste pour éviter
ce problème (cela ne fonctionnera probablement pas dans ce cas)

Je vais installer le package gdalUtils, cependant, je dois mettre à niveau mon R
de 3.0.1 à 3.2 (j'ai peur de le faire car d'autres travaux sont en cours).

Cependant, j'ai une mise à jour pour cela, j'ai utilisé le gdalwarp dans mon
Cygwin (actuellement installé par QGIS) et exécutez-le avec succès :
gdalwarp -t_srs '+proj=utm +zone=17 +datum=NAD83 +units=m +no_defs
+ellps=GRS80 +towgs84=0,0,0' -r bilinéaire -multi -tr 10 10 -de GTiff
grdn41w083_13/hdr.adf n41w083.tif

il a fallu 11 secondes pour terminer.

Je cherche toujours le calcul de la slop basé sur le tif projeté
fichier, j'apprécierais si quelqu'un pouvait me donner des suggestions si vous avez
cette experience.

Le lundi 7 avril 2014 à 15 h 42, Jonathan Greenberg <[hidden email]> a écrit :

jgrn/
> AIM : jgrn307, MSN : [e-mail masqué], Gchat : jgrn307, Skype : jgrn3007
>

[[version HTML alternative supprimée]]


Renvoyé à la page d'accueil par Communauté ♦ hier

Cette question a des réponses qui peuvent être bonnes ou mauvaises, le système l'a marquée comme active afin qu'elles puissent être examinées.

vous pouvez créer un raster avec une application de CAO, puis l'ajouter en tant que couche raster à la carte

Bien sûr, cela fonctionne pour une seule image. Mais les images et les coordonnées sont téléchargées par les utilisateurs.

En utilisant les derniers OpenLayers, j'essaie de superposer une simple image statique sur le plan de rue OSM normal. Bien qu'il existe des exemples de superposition d'une image statique simple qui est dans la même projection que la carte, ou des images qui utilisent une projection prédéfinie, j'ai du mal à trouver un exemple avec une image personnalisée.

Alors, qu'est-ce que j'ai une image jpg normale, avec une certaine largeur & hauteur, et 3 points de référence. Par exemple, un point de référence me donnera que le pixel [10, 30](en haut, à gauche) est à la géocoordonnée [-73.9984252,40.7197263](EPSG:4326). En théorie, en utilisant les 3 points, il devrait être possible d'obtenir une projection qui transforme l'image pour qu'elle se superpose à la carte.

En regardant les options prises en charge d'openlayers, où, par exemple, la rotation de l'image statique ne semble déjà pas être prise en charge, je pense que je dois générer ma propre projection proj4, mais je ne sais pas par où commencer. J'ai réussi à repositionner l'image en utilisant lat_0 & lon_0, mais c'est à peu près tout.

Existe-t-il de meilleures façons d'aborder cela?

Pouvez-vous me donner un coup de main pour la projection?

J'ai créé un codepen.io avec un exemple. Notez que mon cas d'utilisation est sur des plans d'étage de bâtiment de niveau, mais l'idée est la même.

En utilisant les derniers OpenLayers, j'essaie de superposer une simple image statique sur le plan de rue OSM normal. Bien qu'il existe des exemples de superposition d'une image statique simple qui est dans la même projection que la carte, ou des images qui utilisent une projection prédéfinie, j'ai du mal à trouver un exemple avec une image personnalisée.

Alors, qu'est-ce que j'ai une image jpg normale, avec une certaine largeur & hauteur, et 3 points de référence. Par exemple, un point de référence me donnera que le pixel [10, 30](en haut, à gauche) est à la géocoordonnée [-73.9984252,40.7197263](EPSG:4326). En théorie, en utilisant les 3 points, il devrait être possible d'obtenir une projection qui transforme l'image pour qu'elle se superpose à la carte.

En regardant les options prises en charge d'openlayers, où, par exemple, la rotation de l'image statique ne semble déjà pas être prise en charge, je pense que je dois générer ma propre projection proj4, mais je ne sais pas par où commencer. J'ai réussi à repositionner l'image en utilisant lat_0 & lon_0, mais c'est à peu près tout.

Existe-t-il de meilleures façons d'aborder cela?

Pouvez-vous me donner un coup de main pour la projection?

J'ai créé un codepen.io avec un exemple. Notez que mon cas d'utilisation est sur des plans d'étage de bâtiment de niveau, mais l'idée est la même.


1 réponse 1

Vous êtes sur la bonne voie en polygonisant le raster. Actuellement, vous essayez de polygoniser le raster d'altitude, et l'outil essaie de créer un polygone séparé pour chaque valeur d'altitude (c'est-à-dire un polygone pour 3500', un autre polygone pour 3501', etc.) Vous pourrait sélectionnez et fusionnez tous les polygones avec des valeurs > 3500, mais il existe une méthode beaucoup plus rapide. Créez d'abord un raster avec uniquement les valeurs 0 et 1 (0 où élévation < 3500, 1 où élévation > 3500). Ensuite, vous pouvez polygoniser ce raster, et il aura créé un polygone de la zone au-dessus de 3500 pieds.

Utilisez la calculatrice raster avec cette expression (remplacez le nom de votre bande raster) :

Polygoniser la sortie de l'étape 1.

La sortie doit être une couche de polygones avec deux polygones. Sélectionnez et supprimez le polygone avec la valeur 0.

Merci de votre aide. Je suis proche mais je n'ai pas encore pu faire cette séparation finale entre les deux quand vient le temps de polygoniser. Lorsque j'entre dans la formule, le résultat est un raster avec seulement 0 et 1. Mais lorsque je fais l'étape 2 et que je polygonise, il reste 0 et 1 avec la bordure au milieu. Une idée de comment garder seulement #1 ? Appréciez-le.


Ytdjtkui

Existe-t-il un moyen neutre pour l'hémisphère de spécifier une saison ?

Qu'en est-il du virus dans 12 Monkeys ?

Ambiguïté dans la définition de l'entropie

Dans quelle mesure dois-je essayer d'empêcher un utilisateur de se connecter à XSS ?

Que signifie « la session était bondée » dans ce contexte ?

Un verbe pour remplacer "être membre d'un club"

À quel point dois-je prendre au sérieux les limites de taille et de poids des bagages à main ?

Comment montrer à un propriétaire ce que nous avons en économies ?

Quel exploit ces agents utilisateurs essaient-ils d'utiliser ?

Pourquoi les bosons ont-ils tendance à occuper le même état ?

Comment supprimer des symboles d'espace étranges dans Word

iPad utilisé dans une batterie murale gonflée

Quelle est la couleur la plus courante pour indiquer que le champ de saisie est désactivé ?

Regarder quelque chose être redirigé vers un fichier en direct avec la queue

Mon sorcier peut-il utiliser un grimoire uniquement pour collecter des sorts et des parchemins de scribe, pas pour lancer ?

Comment un codage prédictif aide-t-il à la compression sans perte ?

Résoudre une relation de récurrence (jetons de poker)

Existe-t-il des exemples d'une variable normalement distribuée qui n'est *pas* due au théorème central limite ?

Comment pourrais-je déclarer une créature immunisée à tout sauf au sort Missile magique ? (juste pour le fun)

Très grand jeu de données GeoTIFF vers GeoPackage

Équilibrage des couleurs SPOT5 ArcGIS Mosaic Dataset ?Plaillage à partir de GDAL VRT complexe à plusieurs étapes ?L'exportation de fichiers .tif à partir d'une mosaïque référencée n'utilise pas de fonctions dans un jeu de données rasterCréation d'un jeu de données mosaïque avec des rasters non géoréférencés Quel est le flux de travail ?Déterminer la configuration matérielle requise pour que le fonctionnement de la mosaïque fonctionne correctement ?Utiliser des rasters avec différentes dimensions dans GDAL_calc.pySupprimer un raster du géopackage ? Lot pour mosaïque de MODIS SwathCréer un géopackage à partir de plusieurs fichiers raster ? gdal_translate et gdalwarp ne se ferment pas lors de la conversion d'un fichier ecw vers GeoTIFF

J'essaie de mosaïquer un grand jeu de données GeoTIFF dans un GeoPackage avec Gdalwarp
(pas de reproche). Il y a 512 fichiers .tif, chacun avec une seule échelle de gris de 8 bits
bande et résolution de 1 mètre. J'utilise -cutline pour découper l'ensemble de données sur un
mesure un peu plus petite.

GdalWarp affiche initialement les dimensions sous la forme 1 824 323P x 1 662 148L

Je m'attends à ce que cette opération prenne un certain temps, mais cela fait maintenant 7 jours et il n'y a pas eu d'autre sortie que le message sur les dimensions.
GdalWarp.exe a utilisé 2 à 3% de CPU et 5 Go de mémoire tout le temps. Le fichier output.gpkg ne fait toujours que 80 Ko et n'a pas été modifié depuis que j'ai commencé le processus. Étant donné que GdalWarp génère généralement chaque nom de fichier au fur et à mesure de son traitement, je suis
soupçonner que quelque chose ne va pas.

D'après l'expérience avec des travaux similaires, il semble que lorsque l'image de sortie est plus grande qu'une certaine taille, le processus n'avancera pas. Quelqu'un a-t-il l'expérience de la création de très grands GeoPackages en mosaïque dans GDAL (indices de performance, etc.) ? Je serais très intéressé de savoir si vous avez également réussi cela avec d'autres logiciels.

La commande s'exécute-t-elle rapidement si vous utilisez un raster virtuel comme format de sortie -de VRT ?

Je viens d'essayer et la commande s'est déroulée assez rapidement. La sortie était un fichier .vrt de 280 Mo. Avez-vous une suggestion pour la prochaine étape?

Mon erreur, le vrt que j'ai créé vient de référencer le premier de mes fichiers GeoTIFF et contenait une quantité insensée de métadonnées. J'ai créé un nouveau fichier .vrt approprié avec gdalbuildvrt.exe. J'essaie actuellement de transmettre le fichier .vrt à gdalwarp avec GPKG en sortie. Était-ce la méthode à laquelle vous pensiez ?

Ma suggestion aurait été de nourrir le VRT créé par gdalwarp en tant qu'entrée pour gdal_translate. Mais le fichier .vrt de 280 Mo est énorme pour seulement 512 fichiers tiff. Je ne peux pas comprendre ce qui se passe.

J'essaie de mosaïquer un grand jeu de données GeoTIFF dans un GeoPackage avec Gdalwarp
(pas de reproche). Il y a 512 fichiers .tif, chacun avec une seule échelle de gris de 8 bits
bande et résolution de 1 mètre. J'utilise -cutline pour découper l'ensemble de données sur un
mesure un peu plus petite.

GdalWarp affiche initialement les dimensions sous la forme 1 824 323P x 1 662 148L

Je m'attends à ce que cette opération prenne un certain temps, mais cela fait maintenant 7 jours et il n'y a pas eu d'autre sortie que le message sur les dimensions.
GdalWarp.exe a utilisé 2 à 3% de CPU et 5 Go de mémoire tout le temps. Le fichier output.gpkg ne fait toujours que 80 Ko et n'a pas été modifié depuis que j'ai commencé le processus. Étant donné que GdalWarp génère généralement chaque nom de fichier au fur et à mesure de son traitement, je suis
soupçonner que quelque chose ne va pas.

D'après l'expérience avec des travaux similaires, il semble que lorsque l'image de sortie est plus grande qu'une certaine taille, le processus n'avancera pas. Quelqu'un a-t-il l'expérience de la création de très grands GeoPackages en mosaïque dans GDAL (indices de performance, etc.) ? Je serais très intéressé de savoir si vous avez également réussi cela avec d'autres logiciels.

La commande s'exécute-t-elle rapidement si vous utilisez un raster virtuel comme format de sortie -de VRT ?

Je viens d'essayer et la commande s'est déroulée assez rapidement. La sortie était un fichier .vrt de 280 Mo. Avez-vous une suggestion pour la prochaine étape?

Mon erreur, le vrt que j'ai créé vient de référencer le premier de mes fichiers GeoTIFF et contenait une quantité folle de métadonnées. J'ai créé un nouveau fichier .vrt approprié avec gdalbuildvrt.exe. J'essaie actuellement de transmettre le fichier .vrt à gdalwarp avec GPKG en sortie. Était-ce la méthode à laquelle vous pensiez ?

Ma suggestion aurait été de nourrir le VRT créé par gdalwarp en tant qu'entrée pour gdal_translate. Mais le fichier .vrt de 280 Mo est énorme pour seulement 512 fichiers tiff. Je ne peux pas comprendre ce qui se passe.

J'essaie de mosaïquer un grand jeu de données GeoTIFF dans un GeoPackage avec Gdalwarp
(pas de reproche). Il y a 512 fichiers .tif, chacun avec une seule échelle de gris de 8 bits
bande et résolution de 1 mètre. J'utilise -cutline pour découper l'ensemble de données sur un
mesure un peu plus petite.

GdalWarp affiche initialement les dimensions sous la forme 1 824 323P x 1 662 148L

Je m'attends à ce que cette opération prenne un certain temps, mais cela fait maintenant 7 jours et il n'y a pas eu d'autre sortie que le message sur les dimensions.
GdalWarp.exe a utilisé 2 à 3% de CPU et 5 Go de mémoire tout le temps. Le fichier output.gpkg ne fait toujours que 80 Ko et n'a pas été modifié depuis que j'ai commencé le processus. Étant donné que GdalWarp génère généralement chaque nom de fichier au fur et à mesure de son traitement, je suis
soupçonner que quelque chose ne va pas.

D'après l'expérience avec des travaux similaires, il semble que lorsque l'image de sortie est plus grande qu'une certaine taille, le processus n'avancera pas. Quelqu'un a-t-il l'expérience de la création de très grands GeoPackages en mosaïque dans GDAL (indices de performance, etc.) ? Je serais très intéressé de savoir si vous avez également réussi cela avec d'autres logiciels.

J'essaie de mosaïquer un grand jeu de données GeoTIFF dans un GeoPackage avec Gdalwarp
(pas de reproche). Il y a 512 fichiers .tif, chacun avec une seule échelle de gris de 8 bits
bande et résolution de 1 mètre. J'utilise -cutline pour découper l'ensemble de données sur un
mesure un peu plus petite.

GdalWarp affiche initialement les dimensions sous la forme 1 824 323P x 1 662 148L

Je m'attends à ce que cette opération prenne un certain temps, mais cela fait maintenant 7 jours et il n'y a pas eu d'autre sortie que le message sur les dimensions.
GdalWarp.exe a utilisé 2 à 3% de CPU et 5 Go de mémoire tout le temps. Le fichier output.gpkg ne fait toujours que 80 Ko et n'a pas été modifié depuis que j'ai commencé le processus. Étant donné que GdalWarp génère généralement chaque nom de fichier au fur et à mesure de son traitement, je suis
soupçonner que quelque chose ne va pas.

D'après l'expérience avec des travaux similaires, il semble que lorsque l'image de sortie est plus grande qu'une certaine taille, le processus n'avancera pas. Quelqu'un a-t-il l'expérience de la création de très grands GeoPackages en mosaïque dans GDAL (indices de performance, etc.) ? Je serais très intéressé de savoir si vous avez également réussi cela avec d'autres logiciels.

La commande s'exécute-t-elle rapidement si vous utilisez un raster virtuel comme format de sortie -de VRT ?

Je viens d'essayer et la commande s'est déroulée assez rapidement. La sortie était un fichier .vrt de 280 Mo. Avez-vous une suggestion pour la prochaine étape?

Mon erreur, le vrt que j'ai créé vient de référencer le premier de mes fichiers GeoTIFF et contenait une quantité insensée de métadonnées. J'ai créé un nouveau fichier .vrt approprié avec gdalbuildvrt.exe. J'essaie actuellement de transmettre le fichier .vrt à gdalwarp avec GPKG en sortie. Était-ce la méthode à laquelle vous pensiez ?

Ma suggestion aurait été de nourrir le VRT créé par gdalwarp en tant qu'entrée pour gdal_translate. Mais le fichier .vrt de 280 Mo est énorme pour seulement 512 fichiers tiff. Je ne peux pas comprendre ce qui se passe.

La commande s'exécute-t-elle rapidement si vous utilisez un raster virtuel comme format de sortie -de VRT ?

Je viens d'essayer et la commande s'est déroulée assez rapidement. La sortie était un fichier .vrt de 280 Mo. Avez-vous une suggestion pour la prochaine étape?

Mon erreur, le vrt que j'ai créé vient de référencer le premier de mes fichiers GeoTIFF et contenait une quantité folle de métadonnées. J'ai créé un nouveau fichier .vrt approprié avec gdalbuildvrt.exe. J'essaie actuellement de transmettre le fichier .vrt à gdalwarp avec GPKG en sortie. Était-ce la méthode à laquelle vous pensiez ?

Ma suggestion aurait été de nourrir le VRT créé par gdalwarp en tant qu'entrée pour gdal_translate. Mais le fichier .vrt de 280 Mo est énorme pour seulement 512 fichiers tiff. Je ne peux pas comprendre ce qui se passe.

La commande s'exécute-t-elle rapidement si vous utilisez un raster virtuel comme format de sortie -de VRT ?

La commande s'exécute-t-elle rapidement si vous utilisez un raster virtuel comme format de sortie -de VRT ?

Je viens d'essayer et la commande s'est déroulée assez rapidement. La sortie était un fichier .vrt de 280 Mo. Avez-vous une suggestion pour la prochaine étape?

Je viens d'essayer et la commande s'est déroulée assez rapidement. La sortie était un fichier .vrt de 280 Mo. Avez-vous une suggestion pour la prochaine étape?

Mon erreur, le vrt que j'ai créé vient de référencer le premier de mes fichiers GeoTIFF et contenait une quantité folle de métadonnées. J'ai créé un nouveau fichier .vrt approprié avec gdalbuildvrt.exe. J'essaie actuellement de transmettre le fichier .vrt à gdalwarp avec GPKG en sortie. Était-ce la méthode à laquelle vous pensiez ?

Mon erreur, le vrt que j'ai créé vient de référencer le premier de mes fichiers GeoTIFF et contenait une quantité insensée de métadonnées. J'ai créé un nouveau fichier .vrt approprié avec gdalbuildvrt.exe. J'essaie actuellement de transmettre le fichier .vrt à gdalwarp avec GPKG en sortie. Était-ce la méthode à laquelle vous pensiez ?

Ma suggestion aurait été de nourrir le VRT créé par gdalwarp en tant qu'entrée pour gdal_translate. Mais le fichier .vrt de 280 Mo est énorme pour seulement 512 fichiers tiff. Je ne peux pas comprendre ce qui se passe.

Ma suggestion aurait été de nourrir le VRT créé par gdalwarp en tant qu'entrée pour gdal_translate. Mais le fichier .vrt de 280 Mo est énorme pour seulement 512 fichiers tiff. Je ne peux pas comprendre ce qui se passe.


1.1 Objectifs d'apprentissage

Le groupe guidant l'effort conjoint de l'Association nationale des enseignants de géosciences (NAGT) et de l'Association internationale pour la diversité des géosciences (IAGD) pour développer des expériences d'apprentissage à distance pour la saison de camp de terrain 2020 a collaboré pour déterminer un ensemble d'objectifs d'apprentissage (NAGT, 2020). Toutes les activités développées dans le cadre de cette initiative devaient répondre à autant d'entre elles que possible (tableau 1).

Tableau 1Le terrain virtuel NAGT expérimente les objectifs d'apprentissage et comment ils ont été appliqués aux activités karstiques.


Classification de la couverture terrestre basée sur la phénologie à l'aide de la série chronologique Landsat 8

2 Commission européenne Centre commun de recherche Institut pour l'environnement et la durabilité Coordonnées Simonetti Dario Adresse : Centre commun de recherche, Via Enrico Fermi 2749, TP 260, Ispra (VA), Italie Tél. : Cette publication est un rapport technique du Centre commun de recherche de la Commission européenne. Avis juridique Cette publication est un rapport technique du Centre commun de recherche, le service scientifique interne de la Commission européenne. Il vise à fournir un soutien scientifique fondé sur des preuves au processus d'élaboration des politiques européennes. La production scientifique exprimée n'implique pas une position politique de la Commission européenne. Ni la Commission européenne ni aucune personne agissant au nom de la Commission n'est responsable de l'usage qui pourrait être fait de cette publication. JRC91912 EUR EN ISBN ISSN doi : /15561 Luxembourg : Office des publications de l'Union européenne, 2014 Union européenne, 2014 Reproduction autorisée moyennant mention de la source.

3 LB-NA-xxxxx-EN-N RÉSUMÉ Cet article décrit la méthodologie et les résultats d'un nouvel algorithme de classification basé sur la phénologie du JRC capable de générer des cartes précises d'occupation du sol de manière entièrement automatique à partir des données de télédétection Landsat 8 (L8) disponibles depuis 12 avril 2013 gratuitement sur le site Web de l'USGS. Une étude préliminaire visant à contourner l'inexactitude de la classification à date unique (principalement due à la saisonnalité) en utilisant les séries temporelles MODIS à long terme comme moteur pour combler les lacunes entre les données à haute résolution, a été réalisée. La fréquence d'acquisition globale élevée (

16 jours) et la politique de distribution rendent le produit Landsat 8 extrêmement approprié pour la cartographie et la surveillance de la couverture terrestre en temps quasi réel. Cinq parcs nationaux d'Afrique de l'Est ont été sélectionnés comme zones d'étude (Mahale Mountains, Mana Pools, West Lunga, Gorongosa, Tsimanampetsotsa). Une zone tampon de 20 km autour de chaque parc a également été envisagée. Les images à date unique sélectionnées ont d'abord été prétraitées afin de convertir les valeurs DN brutes en réflectance au sommet de l'atmosphère (TOA) et de minimiser les différences spectrales causées par différents temps d'acquisition, élévation du soleil, distance soleil-terre, et après traitement par l'algorithme pour générer une thématique carte raster avec classes d'occupation du sol. Il convient de noter que la précision de la classification à une date est étroitement liée à la date d'acquisition de l'image, à l'état de la végétation et aux conditions météorologiques telles que les nuages ​​​​et les ombres souvent présentes dans les régions tropicales, ici la nécessité de développer un algorithme basé sur la phénologie qui considère le l'évolution de la végétation et génère une carte d'occupation du sol plus précise, y compris la discrimination à feuilles persistantes et à feuilles caduques sur la base de règles de fréquence. Des cartes d'occupation des sols ont été créées pour tous les parcs et une évaluation exhaustive de la précision a été réalisée sur les monts Mahale et Tsimanampetsotsa. La précision globale combinée de 82,8% démontre la grande potentialité de cette méthode et la rend utilisable à l'échelle locale ou régionale. 1

4 1 Introduction 1.1 Contexte Des études récentes en sciences de la Terre ont révélé le rôle important des écosystèmes terrestres dans le maintien de l'environnement mondial. La végétation mondiale, couvrant les trois quarts de la surface terrestre, a été identifiée comme l'une des composantes clés du système climatique en raison de son rôle clé dans les interactions géosphère-biosphère-atmosphère. Les processus biogéochimiques de la végétation, qui impliquent des échanges terre-atmosphère d'énergie, de masse et de quantité de mouvement, sont influencés par et influencent à leur tour le système climatique [1] [2]. Les propriétés de la surface terrestre telles que le type d'occupation du sol, l'indice de surface foliaire (LAI) et la fraction de rayonnement photosynthétiquement actif incident (&mum) absorbée par le couvert végétal (FPAR), sont utilisées comme entrées essentielles dans de nombreux modèles hydrologiques, écologiques et climatiques [2]. Ce sont des paramètres clés qui décrivent le fonctionnement de la végétation et sont nécessaires pour modéliser la productivité de la végétation [3] et la climatologie de la surface terrestre [4]. Des études récentes ont révélé la possibilité d'utiliser la télédétection, le moyen le plus efficace de collecter régulièrement ces informations à l'échelle mondiale, pour caractériser les propriétés de la végétation, et de nombreuses connaissances ont été acquises sur le rôle de la végétation dans le changement environnemental et climatique. 2] [5] [6]. Les études rapportant l'utilisation de données d'images multitemporelles pour la classification incluent souvent relativement peu de dates, peut-être en raison d'un manque de disponibilité d'images sans nuage, de coûts et d'exigences de traitement. Une approche multitemporelle de base est l'utilisation d'images feuille sur feuille, qui fournit une plus grande information phénologique de la végétation disponible avec des images uniques [7]. Les images saisonnières ont également été utilisées dans la classification de l'occupation du sol avec un certain succès [7] [8] [9]. Avec la disponibilité accrue d'observations multitemporelles régulières, l'utilisation de données de séries chronologiques et d'indicateurs phénologiques dérivés de séries chronologiques devient de plus en plus populaire pour la cartographie de la végétation à l'échelle régionale et nationale. L'approche comprend souvent l'utilisation d'indices de végétation (IV) pour surveiller les changements dynamiques de cycles de croissance de végétation spécifiques, comme le montrent les figures 1 et 2. La combinaison de techniques de classification spectrales et temporelles a également été démontrée pour produire une carte globale de la couverture terrestre. en mode opérationnel pour l'initiative Glob-Cover [10]. 2

5 Figure 1 Photographies phénologiques de la forêt de mélèzes de Fujihokuroku : cycles de croissance de la végétation. Source : Centre de recherche sur l'environnement mondial, Institut national d'études environnementales, Japon. Figure 2 Différences saisonnières dans la végétation de deux types forestiers différents. Les mesures satellitaires recueillies montrent des changements saisonniers dans la croissance des plantes. La valeur de l'indice de végétation amélioré (une mesure de la verdure) augmente pendant la saison sèche et diminue pendant la saison humide. Source : La phénologie de la végétation représente une source potentiellement importante d'informations sur la couverture végétale. Étant donné que la majeure partie de la masse terrestre du monde est recouverte de végétation, la prise en compte de la phénologie lors de la classification de la couverture terrestre peut produire des cartes plus précises [11]. Pour ces raisons, la phénologie de télédétection, l'utilisation de satellites pour suivre les événements phénologiques, est utile pour évaluer les conditions des cultures, la gravité de la sécheresse et le risque d'incendie de forêt ainsi que pour suivre les espèces envahissantes, les maladies infectieuses et les insectes nuisibles. Parce que les événements phénologiques sont sensibles aux variations climatiques, ces données représentent également un outil puissant pour documenter les tendances phénologiques au fil du temps et détecter les impacts du changement climatique sur les écosystèmes à plusieurs échelles [12]. 3

6 1.2 Introduction à la télédétection La télédétection est un domaine d'études très vaste. Certaines des applications importantes de la technologie de télédétection sont liées à : la détection et la surveillance des changements planétaires (réchauffement planétaire, déforestation, inondations, appauvrissement de la couche d'ozone atmosphérique, biomasse) la météorologie (dynamique de l'atmosphère, prévisions météorologiques) la cartographie (topographie, utilisation des terres, indice de surface foliaire) ) forêt et agriculture (état de la végétation, prévisions de rendement) évaluation et surveillance environnementales (déchets dangereux, érosion des sols). Les systèmes de télédétection ont été décrits sous de nombreux aspects par de nombreux auteurs [13] [14] [15], et, en particulier ceux déployés sur des satellites, fournissent une vue répétitive et cohérente de la terre qui est inestimable pour surveiller le système terrestre [9] . L'ère moderne de la télédétection terrestre a commencé avec le premier système de scanner multispectral Landsat (MSS) en 1972, qui a fourni pour la première fois un ensemble cohérent d'images terrestres à haute résolution. Le système de spectroradiomètre imageur modéré (MODIS), lancé en 1999 à bord du satellite Terra, fournit des images dans de nombreuses bandes spectrales sur une plage de 0,4 à 14 et améliore la qualité des informations pouvant être recueillies sur la surface de la Terre. 4

7 1.3 Télédétection de la végétation Environ 70 % de la surface terrestre de la Terre est recouverte de végétation. Les connaissances sur la variation des modèles de distribution des espèces et des communautés, les changements dans les cycles phénologiques de la végétation et les modifications naturelles de la physiologie et de la morphologie des plantes fournissent un aperçu inestimable des caractéristiques climatiques, géologiques et physiographiques d'une région [16]. En utilisant les données de télédétection, la végétation peut être distinguée de la plupart des autres matériaux (principalement inorganiques) par sa nature d'absorption notable dans les segments rouge et bleu du spectre visible, sa réflectance verte plus élevée et, surtout, sa forte réflectance dans le proche- ir. Comme le montre la figure 3, différents types de végétation présentent une variabilité distincte les uns des autres en raison de paramètres tels que la forme et la taille des feuilles, la forme générale de la plante, la teneur en eau des feuilles et le fond associé (par exemple, les types de sol et la densité de la couverture végétale dans la scène ). Figure 3 Les zones plus végétalisées absorbent plus de lumière visible et renvoient plus de lumière proche infrarouge dans l'espace. Les satellites peuvent détecter ces différences relatives, qui sont utilisées pour créer des indices de végétation. Source NASA/NOAA. 5

8 1.4 Réflectance des feuilles La réflectance d'une feuille est déterminée par la structure de la feuille ainsi que par les constituants biochimiques de la feuille. Comme l'indique la figure 4, une feuille typique se compose de plusieurs couches différentes avec diverses caractéristiques optiques. Dans la région visible du spectre, la teneur en chlorophylle contrôle les propriétés optiques des feuilles. La chlorophylle absorbe la lumière du soleil qui rend la photosynthèse possible. Il est plus absorbant dans les régions bleues et rouges. Ici, jusqu'à 70 à 90 % du rayonnement incident est éliminé. Dans la zone verte, l'absorption est plus faible, ce qui permet de réfléchir une grande partie de la lumière verte. Dans le spectre proche infrarouge, la réflectance des feuilles est contrôlée par la structure du tissu mésophylle spongieux [17]. Dans cette région, la feuille verte saine se caractérise par une réflectance élevée (40 60 %), une transmittance élevée (40 60 %) à travers les feuilles sur les feuilles sous-jacentes et une absorbance relativement faible (510 %). Figure 4 Le spectre de la végétation a généralement une absorbance élevée dans les longueurs d'onde rouge et bleue, une réflectance élevée dans la longueur d'onde verte, se réfléchit fortement dans la longueur d'onde proche infrarouge (NIR) et affiche de fortes caractéristiques d'absorption dans les longueurs d'onde où l'eau atmosphérique est présente. Source : Notez qu'un spectre de réflectance et de transmittance d'une feuille verte saine dans tout le spectre visible et proche infrarouge sont presque des images miroir l'un de l'autre [18]. Les différences dans les propriétés réfléchissantes des espèces végétales sont plus prononcées ici que dans la région visible [13]. 6

9 1.5 Phénologie par télédétection Les études de phénologie par télédétection utilisent des données recueillies par des capteurs satellitaires qui mesurent les longueurs d'onde de la lumière absorbée et réfléchie par les plantes vertes. De nombreux capteurs embarqués à bord des satellites mesurent les ondes lumineuses rouges et proches infrarouges réfléchies par les surfaces terrestres. À l'aide de formules mathématiques (algorithmes), les scientifiques transforment les données satellitaires brutes sur ces ondes lumineuses en indices de végétation, un indicateur qui décrit la verdure, la densité relative et la santé de la végétation pour chaque élément d'image, ou pixel, dans une image satellite. Bien qu'il existe plusieurs indices de végétation, l'un des plus largement utilisés est l'indice de végétation par différence normalisée (NDVI), calculé à partir de la lumière visible et proche infrarouge réfléchie par la végétation (Figure 5). Les calculs de NDVI pour un pixel donné donnent toujours un nombre qui va de moins un à plus un cependant, aucune feuille verte ne donne une valeur proche de zéro. Un zéro signifie qu'il n'y a pas de végétation et près de +1 indique la densité de feuilles vertes la plus élevée possible [19]. Les zones de roche stérile, de sable ou de neige présentent généralement des valeurs NDVI très faibles, par exemple 0,1 ou moins. Une végétation clairsemée telle que des arbustes et des prairies ou des cultures sénescentes peut entraîner des valeurs NDVI modérées, d'environ 0,2 à 0,5. Des valeurs élevées de NDVI, d'environ 0,6 à 0,9, correspondent à une végétation dense telle que celle trouvée dans les forêts tempérées et tropicales ou les cultures à leur stade de croissance maximal. Figure 5 Principe de base du NDVI. (A) La végétation saine absorbe plus de lumière rouge que la végétation malsaine ou stressée illustrée en (B). Source : 7

10 En transformant les données satellitaires brutes en valeurs NDVI, les chercheurs peuvent créer des images et d'autres produits qui donnent une mesure approximative du type, de la quantité et de l'état de la végétation sur les surfaces terrestres du monde entier. Le NDVI est particulièrement utile pour la surveillance de la végétation à l'échelle continentale à mondiale, car il peut compenser les conditions d'éclairage changeantes, la pente de la surface et l'angle de vue. Les valeurs NDVI peuvent être moyennées dans le temps pour établir des conditions de croissance "normales" dans une région pour une période donnée de l'année, comme illustré à la figure 6. Figure 6 Courbe temporelle NDVI de la série chronologique qui résume les différentes étapes que la végétation verte subit pendant une saison de croissance complète. De telles courbes peuvent être analysées pour extraire des variables phénologiques clés, telles que le début de la saison de croissance (SOS) et la fin de la saison (EOS). Source : 8

11 1.6 Contexte de la classification des images La classification des images est le processus utilisé pour produire des cartes thématiques, qui montre la distribution spatiale des caractéristiques identifiables de la surface terrestre et fournit une description informative d'une zone donnée. En conséquence, l'image est partitionnée en certaines régions non sécantes, de sorte que chaque région est homogène et que l'union de deux régions adjacentes est hétérogène. Figure 7 Étapes de classification des images pour produire des cartes thématiques. 9

12 L'utilisation des données de télédétection pour l'étude de la végétation peut être envisagée de deux manières : L'approche traditionnelle est dite centrée sur l'image. Son objectif principal est de déterminer les relations spatiales entre les objets et les caractéristiques au sol (classification basée sur les pixels ou les objets). En fait, le but des analyses centrées sur l'image est la création d'une carte [20]. Divers degrés de succès dans la classification des images ont été obtenus avec différentes sources d'images à différentes échelles, de la cartographie des espèces à l'échelle du peuplement à la cartographie de la couverture terrestre à l'échelle régionale, continentale et mondiale [21] [22]. La deuxième approche appliquée en télédétection de la végétation est dite centrée sur les données. Ici, les informations déduites des données de télédétection elles-mêmes sont intéressantes, plutôt que la relation spatiale des caractéristiques au sol. L'approche la plus courante consiste à utiliser la mesure de la réflectance à partir de données de télédétection pour dériver des paramètres biophysiques, soit en appliquant des modèles empiriques ou basés sur des processus. Par exemple, les cycles phénologiques de la végétation peuvent être déterminés en analysant la variation temporelle du NDVI à partir de séries temporelles d'images satellites [23]. Les résultats et les produits de l'analyse centrée sur les données doivent également être présentés dans le contexte de cartes spatiales afin de bien comprendre la distribution spatiale et le comportement des paramètres biophysiques. Ces dernières années, l'intérêt croissant pour le changement global et pour la surveillance à long terme des effets humains sur l'environnement a conduit à l'utilisation de données de télédétection à l'échelle mondiale [23]. En ce sens, les deux approches, centrée sur l'image et centrée sur les données, convergent. dix

13 2 Données et méthodologie 2.1 Données MODIS : étude préliminaire Le spectroradiomètre imageur à résolution modérée (MODIS) est un instrument clé à bord des satellites Terra (EOS AM) et Aqua (EOS PM). Terra MODIS et Aqua MODIS observent toute la surface de la Terre tous les 1 à 2 jours, acquérant des données dans 36 bandes spectrales, ou groupes de longueurs d'onde. Le premier instrument de vol MODIS (intégré au vaisseau spatial Terra (EOS AM-1) lancé avec succès le 18 décembre 1999) et le deuxième instrument de vol MODIS (intégré au vaisseau spatial Aqua (EOS PM-1) lancé le 4 mai 2002 ) offrent une sensibilité radiométrique élevée (12 bits) dans 36 bandes spectrales dont la longueur d'onde s'étend de 0,4 µm à 14,4 µm.. Deux bandes sont imagées à une résolution nominale de 250 m, cinq bandes à 500 m et les 29 bandes restantes à 1 km . L'une des caractéristiques uniques de l'instrument MODIS est sa capacité de diffusion directe : en plus de stocker des données pour un téléchargement ultérieur à des intervalles désignés, MODIS diffuse immédiatement les données brutes qu'il collecte dans les 36 bandes spectrales. L'instrument Terra MODIS a été l'un des premiers satellites à diffuser en permanence des données pour toute personne disposant du bon équipement et du bon logiciel à télécharger gratuitement [24]. Les réponses, les cartes globales de plusieurs caractéristiques de la surface terrestre, y compris la réflectance de surface, l'albédo, la température de la surface terrestre et les indices de végétation sont personnalisées en fonction des besoins individuels de la communauté des utilisateurs et fournissent une réponse hors bande exceptionnellement faible, offrant un aspect sans précédent à la phénoménologie terrestre, atmosphérique et océanique pour une communauté large et diversifiée d'utilisateurs à travers le monde [25]. Dans cette étude, nous avons testé la possibilité d'utiliser des séries temporelles MODIS NDVI de 10 jours avec des images haute résolution à date unique pour surmonter l'imprécision de la classification à date unique principalement due aux cycles de végétation phénologique. Il est à noter qu'au début de cette étude de recherche (début 2013), Landsat 8 n'était pas encore lancé et la principale source de données satellitaires gratuites était offerte par Landsat 4/5/7. Les limitations imposées par la faible fréquence d'acquisition de l'imagerie à haute résolution ainsi que la politique de diffusion, les problèmes de satellite (Slc-off) et les conditions météorologiques (couverture nuage/brume), peuvent parfois n'apporter que peu d'images par an sur des zones spécifiques pour le trajet Landsat 172, rangée 064, couvrant le parc national des monts Mahale en Tanzanie [26]. 11

14 Une étude préliminaire visant à contourner l'inexactitude de la classification à date unique (principalement due à la saisonnalité) en utilisant des séries temporelles MODIS à long terme comme moteur pour combler les lacunes entre les données à haute résolution, a été réalisée. La haute résolution temporelle (4 acquisitions par jour en utilisant les satellites Terra et Aqua et 10 jours de produits de synthèse NDVI) pourrait compenser la faible résolution spatiale d'environ 250 m. La série temporelle NDVI à long terme permet une meilleure compréhension de la phénologie de la végétation au fil du temps en contournant le manque d'imagerie à haute résolution. Pour cette étude, les ensembles de données MODIS NDVI v5 (MOD13Q1 et MYD13Q1) ont été acquis à partir de l'interface de l'outil NASA MRTweb [27]. La zone d'étude des monts Mahale est couverte par deux tuiles adjacentes, à savoir h20v09 et h21v09, illustrées à la Figure 8, pour un total de 138 fichiers individuels de début janvier 2012 à fin juillet Figure 8 Ensembles de données MODIS NDVI v5 (MOD13Q1 et MYD13Q1) acquis à partir de l'interface de l'outil NASA MRTweb. La zone d'étude des monts Mahale est couverte par deux tuiles adjacentes, à savoir h20v09 et h21v09 pour un total de 138 fichiers individuels de début janvier 2012 à fin juillet

15 Avant de soumettre la commande, nous avons spécifié un système de référence WGS84 lat/lon au lieu de la projection sinusoïdale d'origine et une sortie GeoTiff mosaïquée au lieu du format de mosaïque HDF d'origine. Aucun clip spatial n'a été réalisé à ce stade afin de télécharger l'ensemble de la zone pour une analyse plus approfondie. La phase de téléchargement est effectuée en groupant la commande wget Unix au lieu de cliquer manuellement sur les 69 liens fournis par l'outil MRTWeb (onglet téléchargement). Le clip aux limites du parc national des monts Mahale et l'empilement des couches sont effectués à l'aide des bibliothèques de la bibliothèque d'abstraction de données géospatiales (GDAL) [28] : tif - cutline 7521.shp -crop_to_cutline -co "COMPRESS=LZW" 13

16 2.1.1 Lissage des données Les ondes lumineuses réfléchies que les capteurs satellitaires détectent provenant de la végétation à la surface de la Terre peuvent être altérées ou bloquées par divers phénomènes, notamment les aérosols et les nuages ​​dans l'atmosphère ainsi que les modèles d'éclairage changeants et l'angle auquel le satellite voit le sol à tout moment. Ces phénomènes introduisent du "bruit" dans les données satellitaires brutes. Pour résoudre ce problème, les données brutes sont traitées à l'aide de techniques qui filtrent le bruit et produisent un ensemble de données plus clair et plus représentatif. Les techniques de filtrage sont diverses. La composition/fusion des valeurs NDVI maximales acquises sur (généralement) des intervalles de 7, 8, 10, 14 ou 16 jours augmente la qualité des données. Mais les effets résiduels des nuages ​​subpixel, la nébulosité prolongée et d'autres éléments négatifs nécessitent un traitement supplémentaire sous la forme d'un lissage des données. Le lissage des données facilite l'analyse des séries chronologiques en réduisant les pics et les creux aberrants induits par le bruit qui apparaissent lorsque les valeurs NDVI sont tracées graphiquement pour révéler les changements de végétation au fil du temps, comme le montre la figure 10 [29]. Pour cette étude de recherche, un filtre lisse interne a été implémenté en langage IDL [30] suivant le schéma de la figure 9. Figure 9 Schéma utilisé pour la mise en œuvre de filtres lisses utilisant le langage IDL. 14

17 Figure 10 La ligne noire représente le NDVI brut, la ligne verte le NDVI filtré et lissé, la ligne rouge indique le NDVI moyen et les lignes olive indiquent l'écart type ±1 diverses étapes que la végétation verte subit au cours d'une saison de croissance complète. De telles courbes peuvent être analysées pour extraire des variables phénologiques clés, ou des mesures, concernant une saison particulière, telles que le début de la saison de croissance (SOS), le pic de la saison (POS) et la fin de la saison (EOS). Ces caractéristiques ne correspondent pas nécessairement directement aux événements phénologiques conventionnels au sol, mais fournissent des indications sur la dynamique de l'écosystème. Voir la figure 6. Calculées pour chaque année ou saison de croissance, ces mesures constituent la base de diverses applications de recherche et de surveillance [31]. Malgré plusieurs techniques de fusion de données [32] ont été proposées dans la littérature, nous nous rendons compte que la résolution spatiale des données MODIS n'est pas suffisante pour détecter et conserver des types d'occupation du sol petits (dans la plage de 50 m) mais importants en particulier dans les paysages fragmentés. La précision de la carte d'occupation du sol dérivée des données de télédétection dépend de la résolution spatiale des données. Surtout, dans un paysage fragmenté, la plupart des pixels à 1 km et 250 m de résolution sont un mélange de plusieurs types de terrain. 15

18 Les résultats précédents de l'équipe de validation MODIS ont suggéré que le produit de couverture terrestre MODIS est réaliste et que l'algorithme fonctionne bien à l'échelle mondiale. A l'échelle du site, par rapport aux cartes de vérité terrain issues de différentes sources, la fragmentation dans les paysages est un problème fondamental rencontré dans l'utilisation des produits MODIS [33]. Afin de détecter des zones plus petites qui peuvent être classées dans une classe d'occupation du sol particulière, comme de petites parcelles de terrain ou de petites ouvertures de végétation, une meilleure résolution, de 3 à 80 mètres, est nécessaire. Tout en travaillant sur ce sujet, l'USGS a lancé le dernier satellite Landsat (Landsat 8) et quelques mois plus tard (avril 2013), toute image acquise a été rendue disponible gratuitement. Grâce aux 16 jours de temps de revisite et de politique de diffusion (toutes les images acquises sont distribuées en temps quasi réel), quelques mois après nous avons pu construire une courte série temporelle NDVI à une résolution de 30 m de la zone d'étude comme le montre la figure 11. La situation idéale d'avoir des images à haute résolution spatiale et temporelle à des fins de cartographie de la couverture terrestre devenait maintenant réalité et nous avons décidé d'investir davantage dans ce nouveau produit. Figure 11 Différence entre MODIS 16 jours NDVI et Landsat 8 NDVI. 16

19 2.2 Données LANDSAT Landsat représente la plus longue collection au monde de données de télédétection terrestre à résolution modérée acquises en continu [34]. Figure 12 Satellite Landsat 8. Source : En 1965, la NASA a commencé des enquêtes méthodiques sur la télédétection de la Terre à l'aide d'instruments montés sur des avions et quelques années plus tard, en 1972, Landsat 1 a été lancé, annonçant une nouvelle ère de la télédétection par satellite de la terre depuis l'espace. Pendant plus de 40 ans, le programme Landsat a collecté des informations spectrales de la surface de la Terre, à partir de sept satellites Landsat améliorés, créant ainsi une archive historique sans égal en termes de qualité, de détails, de couverture et de longueur. Le 30 mai 2013, les données du satellite Landsat 8 sont devenues disponibles. Comme pour les partenariats précédents, cette mission poursuit l'acquisition de données de haute qualité qui répondent aux exigences scientifiques et opérationnelles de la NASA et de l'USGS pour l'observation de l'utilisation des terres et de l'évolution des terres [34]. Figure 13 Chronologie Landsat de Landsat 1 à Landsat 8. Source : 17

20 Landsat 8 transporte deux instruments améliorés, l'Observational Land Imager (OLI) et le Thermal Infrared Sensor (TIRS), qui ensemble observent les mêmes longueurs d'onde de la lumière que les satellites Landsat antérieurs et mesurent différentes gammes de fréquences le long du spectre électromagnétique. Chaque plage est appelée une bande, et Landsat 8 ajoute deux nouvelles bandes, 1 et 9. De plus, la bande infrarouge thermique unique détectée par les instruments Landsat précédents est divisée en deux bandes thermiques pour aider à améliorer la sensibilité à la température de surface. Landsat 8 améliore également la qualité radiométrique de l'imagerie, par exemple en augmentant le nombre de bits utilisés pour représenter chaque valeur de pixel dans une image et en utilisant une plage améliorée de 4096 niveaux de gris potentiels dans une image par rapport à seulement 256 niveaux de gris dans les 8 précédents. instruments à bits [35]. La figure 14 suivante montre les longueurs d'onde de Landsat 7 et Landsat 8 et les spécifications des 11 bandes. Figure 14 Longueur d'onde passe-bande pour le capteur Landsat 8 OLI et TIRS, par rapport au capteur Landsat 7 ETM+. Landsat 7 (rangée du bas) et Landsat 8 (rangée du haut). Source : La résolution spatiale de 30 m et la fauchée de 185 km des images Landsat remplissent une niche scientifique importante car les fauchées des orbites sont suffisamment larges pour une couverture mondiale chaque saison de l'année, mais les images sont suffisamment détaillées pour caractériser les processus à croissance, l'irrigation agricole et la déforestation. L'imagerie terrestre offre la capacité critique et irremplaçable d'observer l'utilisation des terres et les changements d'utilisation des terres à ces échelles [36] et fournit des observations répétitives et synoptiques de la Terre autrement inaccessibles aux chercheurs et aux gestionnaires qui travaillent dans de vastes zones géographiques et applications. 18

21 Dans le monde entier, des millions de personnes sont aidées par les décisions basées sur les données Landsat qui ont un impact sur la gestion de l'alimentation et de l'eau, la santé humaine, l'agriculture, le climat, l'énergie, les incendies, les catastrophes naturelles, la croissance urbaine, les écosystèmes et la biodiversité, la gestion des forêts, l'utilisation des terres et couverture [37]. Le satellite Landsat 8 image la Terre entière tous les 16 jours avec un décalage de 8 jours par rapport à Landsat 7. Les données collectées par les instruments à bord du satellite peuvent être téléchargées à partir de LandsatLook Viewer dans les 24 heures suivant la réception [36]. L'USGS LandsatLook Viewer [38] utilise la technologie ArcGIS Server et permet une recherche et un téléchargement complets d'images Landsat en pleine résolution. Figure 15 Image du parc national des monts Mahale. Identifiant de la scène : LC LGN00, capteur OLI, date d'acquisition : 06/04/2013. Source : 19

22 2.2.1 Utilisation du nouveau LANDSAT 8 Depuis peu, les communautés de recherche ont la possibilité de télécharger gratuitement les images Landsat 8 acquises depuis le 12 avril 2013 sur le site de l'USGS. La fréquence d'acquisition globale élevée (

16 jours) et la politique de distribution (toutes les images sont disponibles presque en temps quasi réel) rendent ce produit extrêmement approprié pour la cartographie et la surveillance de l'occupation du sol ainsi que pour la détection des changements d'occupation du sol/d'utilisation. Pour cette étude, nous n'avons pas pris en compte les images qui n'étaient pas librement disponibles ou couvertes par un accord/des droits d'auteur spécifiques. L'image ci-dessous montre la disponibilité des images satellite des capteurs Landsat (TM, ETM+, OLI/TIRS) s'étendant d'avril à septembre sur le chemin 172, rangée 064 (Parc national des montagnes de Mahale, Tanzanie) de 1998 à 2013 en 2003, le Landsat 7 a fait face à un défaillance partielle du capteur visible sur l'image télédétectée sous forme de lignes horizontales noires limitant l'étude à la partie centrale uniquement. Bien que plusieurs techniques de comblement des lacunes aient été mises en œuvre, le lancement du nouveau satellite Landsat 8 offre une source d'informations valable pour les chercheurs et présente la fréquence de revisite, la disponibilité et la qualité des données les plus élevées parmi ses prédécesseurs. Figure 16 Disponibilité des images satellites des capteurs Landsat (TM, ETM+, OLI/TIRS) couvrant d'avril à septembre sur le chemin 172, rangée 064 (Parc national des monts Mahale, Tanzanie) de 1998 à 2013 20

23 Figure 17 Disponibilité du profil Landsat 8 et MODIS NDVI de mai à août (Parc national des monts Mahale, Tanzanie). 21

24 2.3 Zones d'étude et imagerie satellite Le capteur Landsat 8 a été identifié comme la principale source de données de télédétection pour notre étude, gratuitement et ayant une résolution spectrale suffisamment élevée (30 m) pour cartographier des paysages régionaux fragmentés. Les données étant disponibles à partir d'avril, notre étude se concentre sur l'Afrique de l'Est, une région semi-sèche caractérisée par un pic de croissance de la végétation autour de ce mois. Des séries satellites pourront capter l'évolution de la végétation du vert au sec. La procédure de sélection s'est concentrée sur : les régions semi-sèches où le comportement saisonnier de la végétation est fortement reflété dans la classification automatique à date unique. Zones non affectées par des changements rapides de couverture terrestre (changements anthropologiques) qui pourraient être détectés dans la période d'étude (avril-septembre), par conséquent, nous limitons la portée aux zones protégées et à la zone tampon de 20 km avec une densité/influence humaine limitée. Disponibilité des images Landsat 8 sans nuage. Les scènes totalement couvertes de nuages ​​n'ont pas été acquises. Les images du satellite Landsat 8 de la NASA couvrant chaque zone d'étude sont répertoriées dans le tableau 1. Chemin/ligne de zone Date 1 Date 2 Date 3 Date 4 Date 5 Date 6 Date 7 Date 8 Mahale M. 172/064 19/05 04/06 20/ 06 06/07 22/07 07/08 23/08 08/09 Lunga Ouest 174/069 15/04 01/05 17/05 18/06 04/07 20/07 05/08 06/09 Gorongosa 167/063 30 /04 16/05 17/06 03/07 19/07 04/08 Mana Pools 171/071 26/04 12/05 28/05 13/06 29/06 15/07 16/08 Tsimanam. 160/077 13/04 29/04 15/05 31/05 02/07 03/08 04/09 Tableau 1 Dans la première colonne, chemin/ligne d'images Landsat 8 couvrant chaque zone d'étude (Mahale Mountains, West Lunga, Gorongosa, Mana Pools et parcs nationaux de Tsimanampetsotsa). Nombre de chemin et de ligne dans la deuxième colonne. 22

25 Les zones d'étude sélectionnées sont présentées dans la Figure 18. Figure 18 Carte de l'Afrique basée sur GLC 2000 [39], montrant les parcs nationaux considérés dans cette étude. Des informations spécifiques sur les aires protégées sont fournies par la base de données mondiale sur les aires protégées qui se trouve au PNUE-Centre mondial de surveillance de la conservation (PNUE-WCMC) et est gérée en partenariat avec l'UICN - l'Union mondiale pour la nature [40]. 23

26 2.3.1 Parc national des monts Mahale Le parc national des monts Mahale, en Tanzanie, a été publié au Journal officiel en 1985, couvre une superficie de 1613 km² et est situé à environ 128 km au sud de la ville de Kigoma sur la rive est du lac Tanganyika. La limite ouest du parc protège une bande adjacente de 1,6 km de large des eaux du lac Tanganyika. Tanzanie Le terrain est principalement accidenté et vallonné et est dominé par la chaîne des montagnes Mahale qui traverse le cœur du parc. Les plus hauts sommets atteignent 2460 mètres. L'effet de la topographie sur les précipitations est immédiatement apparent dans la scène, car des forêts denses et vertes existent du côté ouest, tandis que des paysages plus bruns et plus arides apparaissent de l'autre, comme le montre la figure 20. La forêt de Miombo couvre environ les trois quarts du parc. . Celle-ci est sillonnée par d'étroites bandes de forêt riveraine qui poussent le long de certains cours d'eau [41]. Figure 19 Position du parc national des monts Mahale en Tanzanie. Figure 20 Landsat8 de RGB : bande 753. Là où la chaîne de montagnes converge avec le lac, il y a une large couverture de forêt de plaine, connue localement sous le nom de « Kasoge », qui s'étend jusqu'à 1300 m d'altitude. La forêt de Kasoge est une enclave de type forestier d'Afrique centrale, tropicale, semi-décidue. Au-dessus de 2300 m, la forêt cède la place à la prairie de montagne [42]. Cette mosaïque d'habitats particulière résulte de la présence combinée du lac Tanganyika et des monts Mahale, qui affectent les conditions climatiques à une échelle très localisée. Il y a deux saisons dans le parc. Généralement, la saison sèche commence à la mi-mai et se termine à la mi-octobre. Figure 21 Tendances NDVI pour le parc national des monts Mahale. Les lignes verticales bleues définissent la période de l'année considérée dans l'étude. La ligne gris foncé est la moyenne pour chaque décade basée sur les séries temporelles disponibles, et les zones gris clair indiquent les limites de confiance à 95% autour de cette moyenne. Source : Aires protégées africaines. 24

27 Il n'y a pas de routes ou d'autres infrastructures à l'intérieur des limites du parc, et le seul moyen d'entrer et de sortir du parc est par bateau sur le lac. Une chose inhabituelle importante à propos de la végétation de Mahale est le large éventail de types d'habitats qu'elle contient. Le parc est une mosaïque de forêts tropicales, de forêts, de forêts de bambous, de forêts de montagne et de prairies qui se chevauchent [43]. L'étude cartographique la plus récente est celle proposée dans le plan de gestion général du parc national des monts Mahale ( ) [44] développé grâce à un processus de planification participatif impliquant un échantillon représentatif des parties prenantes du parc national des monts Mahale, sous la coordination d'une équipe de planification centrale composée de représentants de Siège des parcs nationaux de Tanzanie, gestionnaires du parc national des monts Mahale, Société zoologique de Francfort et Centre de développement de la conservation. Selon la carte TANRIC, illustrée à la figure 22, il existe 9 catégories de végétation présentes dans le MMNP. Cela comprend la forêt à feuilles persistantes ou Kasoge, de vastes zones de forêt de Miombo, la forêt de montagne et les prairies de haute altitude. Cette classification coïncide à peu près avec les résultats d'une étude de l'Agence japonaise de coopération internationale qui a simplifié la classification de la végétation du MMNP en cinq grands types. Il décrit la forêt claire de Miombo comme le type de végétation dominant couvrant jusqu à 75 % de la superficie du parc. À mesure que l'altitude augmente, celle-ci est remplacée par la forêt de montagne et les prairies de haute altitude et la brousse de montagne. Au nord-ouest du parc, il y a une parcelle isolée de bois d'acacias. Figure 22 Carte de la couverture terrestre du parc national de Mahale Mountain TANRIC fournie par la Société zoologique de Francfort et le Centre de développement de la conservation [44]. Plus d'informations sur la biodiversité du parc national des montagnes Mahale peuvent être trouvées dans le rapport sur la biodiversité du parc national des montagnes Mahale [43]. 25

28 2.3.2 Parc national de Mana Pools Mana Pools est une zone de conservation de la faune dans le nord du Zimbabwe constituant un parc national (Figure 23). C'est une région du cours inférieur du fleuve Zambèze au Zimbabwe où la plaine inondable se transforme en une vaste étendue de lacs après chaque saison des pluies. Au fur et à mesure que les lacs s'assèchent et se retirent, la région attire de nombreux grands animaux à la recherche d'eau, ce qui en fait l'une des régions d'observation du gibier les plus renommées d'Afrique. Mana signifie quatre en Shona, en référence aux quatre grands bassins permanents formés par les méandres du Zambèze moyen. Ces 2500 km2 de rives fluviales, d'îles, de bancs de sable et de mares, flanqués de forêts d'acajous, de figuiers sauvages, d'ébènes et de baobabs, constituent l'un des parcs nationaux les moins développés d'Afrique australe. Il a été sauvé d'un projet hydro-électrique au début des années 80 qui aurait vu l'inondation de ce site du patrimoine mondial ultérieur. Il abrite la plus grande concentration d hippopotames et de crocodiles du pays et de grandes populations de mammifères de saison sèche d éléphants et de buffles [45] [46]. Zimbabwe Figure 23 Position du parc national de Mana Pools au Zimbabwe. Figure 24 Landsat8 de RGB : bande 753. Figure 25 Tendances NDVI pour le parc national de Mana Pools. Les lignes verticales bleues définissent la période de l'année considérée dans l'étude. La ligne gris foncé est la moyenne pour chaque décade basée sur les séries temporelles disponibles, et les zones gris clair indiquent les limites de confiance à 95% autour de cette moyenne. Source : Aires protégées africaines. 26

29 Il n'y avait pas de données de base complètes sur la végétation au Zimbabwe et aucune carte SIG de la couverture terrestre du parc national de Mana Pools n'a été créée. La classification des reliefs dans ces régions est basée sur la base de données sur les sols et les terrains du Zimbabwe, compilée par la section d'étude des sols et de cartographie de l'Institut de recherche sur la chimie et les sols avec l'assistance technique de l'ISRIC [47]. L'une des principales activités de L'impact de la désertification sur la sécurité alimentaire en Afrique australe : une étude de cas au Zimbabwe, était de compiler une base de données sur les sols et les terrains (SOTER) pour le Zimbabwe [48]. Figure 26 Cartes du Zimbabwe dérivées de SOTER : Impact de la désertification sur la sécurité alimentaire [48]. 27

30 2.3.3 Parc National de West Lunga West Lunga est l'un des parcs de Zambie très sauvage et peu visité. En 2008, l'African Parks Network a commencé à gérer le parc national de West Lunga. Il a été initialement classé comme réserve de chasse à la fin des années 1940, principalement pour préserver sa population de céphalophes à dos jaune. Ensuite, les éléphants étaient également abondants, ainsi qu'une multitude d'espèces d'antilopes, dont la zibeline (géante) d'Angola et le bubale de Lichtenstein. Cependant, au cours des dernières décennies, il a été très peu utilisé, sauf comme zone de chasse et de pêche par les communautés locales, et a donc été hors de la carte pour la plupart des visiteurs. Zambie Figure 27 Position du parc national de West Lunga en Zambie. Le parc national de West Lunga couvre 1684 km2 de forêts, de prairies ouvertes et de marécages et c'est le seul parc en Zambie qui est principalement couvert de forêts (Figure 28). Il est délimité par la rivière Kabompo à l'est et au sud et par la rivière West Lunga à l'ouest. Figure 28 Landsat8 de RGB : bande 753. Ce sont des forêts sèches sempervirentes distinctives qui sont considérées par les botanistes comme formant la plus grande superficie de forêt tropicale sempervirente en Afrique en dehors de la zone équatoriale. Bien que les précipitations soient relativement élevées à environ 1000 mm par an, les sols sont très sableux et bien drainés, ce qui signifie qu'en dehors des rivières, il n'y a pas de masses d'eau de surface permanentes.La sécheresse, les sols pauvres en nutriments et la densité de la végétation sont les raisons pour lesquelles cette zone est si peu peuplée [49] Figure 29 Tendances NDVI pour le parc national de West Lunga. Les lignes verticales bleues définissent la période de l'année considérée dans l'étude. La ligne gris foncé est la moyenne pour chaque décade basée sur les séries temporelles disponibles, et les zones gris clair indiquent les limites de confiance à 95 % autour de cette moyenne. Source : Aires protégées africaines. À notre connaissance, il n'existe pas de cartes de végétation à haute résolution à jour pour ce site. 28

31 2.3.4 Parc national de Gorongosa Le parc national de Gorongosa est situé à 19 S et 34 W, dans la province de Sofala dans la partie centrale du Mozambique, comme le montre la Figure 30. La morphologie du paysage mozambicain central s'élève à l'intérieur des terres, à partir d'un large plateau continental et une ligne de côte basse, jusqu'au Grand Escarpement oriental à la frontière entre le Mozambique et le Zimbabwe [50]. Le parc est situé dans la faille d'Urema et couvre une superficie d'environ 3770 km². Le parc avec les 8 zones environnantes comprend quatre unités morphologiques, qui sont d'est en ouest la plate-forme Cheringoma, le fond de la vallée du Rift, la plate-forme Báruè et la montagne Gorongosa [50]. Les inondations saisonnières et l'engorgement de la vallée, qui est composée d'une mosaïque de différents types de sols, créent une variété d'écosystèmes distincts. Les prairies sont parsemées de parcelles d'acacias, de savane, de forêt sèche sur sable et de marais remplis de pluie saisonnière et de fourrés de termitières. Les plateaux contiennent des forêts de Miombo et de montagne et une forêt tropicale spectaculaire au pied d'une série de gorges calcaires. Mozambique Figure 30 Position du parc national de Gorongosa au Mozambique. Figure 31 Landsat8 de RGB : bande 753. Cette combinaison de caractéristiques uniques abritait autrefois certaines des populations d'animaux sauvages les plus denses de toute l'Afrique, notamment des carnivores charismatiques, des herbivores et plus de 500 espèces d'oiseaux. Mais le nombre de grands mammifères a été réduit jusqu'à 95% et les écosystèmes ont été stressés pendant le long conflit civil du Mozambique à la fin du 20ème siècle [51] [52]. L'écologiste du parc, le Dr Kenneth Tinley, en 1977 [50] a identifié trois principaux types de végétation soutenant la richesse de la faune de l'écosystème de Gorongosa. Soixante-seize pour cent sont des combinaisons de savane d'herbes et d'espèces ligneuses qui favorisent les sols bien drainés. Figure 2 Carte du parc national de Gorongosa (vert) et de la zone tampon (jaune).source 29

32 Quatorze pour cent sont des forêts, plusieurs types de forêts et de fourrés. Le reste est constitué de prairies soumises à des conditions saisonnières difficiles qui empêchent la croissance des arbres. Les trois types sont présents dans tout le système, avec de nombreux sous-types et variétés différents [53]. Le mont Gorongosa possède des forêts tropicales humides, des prairies de montagne, des forêts riveraines le long de ses rivières et des forêts et des savanes boisées à des altitudes inférieures. Les deux plateaux sont recouverts d'une sorte de savane à canopée fermée, répandue en Afrique australe, appelée Miombo. Le climat de savane tropicale du Mozambique, avec un cycle annuel de saisons humides et sèches, a ajouté un autre facteur à l'équation complexe : un changement constant de l'humidité du sol qui varie avec l'altitude. Figure 33 Tendances du NDVI pour le parc national de Gorongosa. Les lignes verticales bleues définissent la période de l'année considérée dans l'étude. La ligne gris foncé est la moyenne pour chaque décade basée sur les séries temporelles disponibles, et les zones gris clair indiquent les limites de confiance à 95% autour de cette moyenne. Source : Aires protégées africaines. Il existe trois principales sources d'informations cartographiques disponibles sur la végétation du parc national de Gorongosa et sa zone tampon [54]. Carte d'occupation des sols de Cenacarta, (Carta de Uso e Cobertura da Terra) d'occupation des sols à une échelle de 125 000 pour l'ensemble du Mozambique. Les unités individuelles ont été dérivées par identification visuelle et numérisation manuelle des unités à partir de l'imagerie satellitaire LANDSAT. Cette carte a une résolution spatiale limitée et n'inclut pas d'informations détaillées sur la végétation pour cette zone d'étude. Cunliffe & Lynam [55] a produit une carte en utilisant la classification automatisée des images LANDSAT 7. Certains des inconvénients de cette carte sont le peu de preuves d'un lien entre les unités identifiées et les Tinley s et une vérité de terrain extrêmement limitée (également identifiée par les auteurs). Carte des paysages de la Fondation Carr pour le centre de recherche du parc national de Gorongosa. 30

33 Une carte régionale, paysagère et communautaire (sélective) au format numérique a été créée selon les différentes unités décrites par Tinley [50] mettant en œuvre les informations cartographiques existantes sur la végétation (CENACARTA land cover maps et Cunliffe & Lynam). Les images satellites ont été traitées à l'aide de techniques automatisées (classification supervisée et non supervisée) pour produire des unités homogènes et avec des points de contrôle aériens et terrestres utilisés pour le relevé et la validation [54] [52]. Figure 34 Carte paysagère de la Fondation Carr du parc national de Gorongosa. Source Gorongosa paysages. Lectures associées : Enquête sur la végétation du mont Gorongosa, Tom Müller, 2012 Biodiversity Foundation for Africa Zimbabwe [56]. 31

34 2.3.5 Parc national de Tsimanampetsotsa Le parc national de Tsimanampetsotsa, nommé d'après son lac spectaculaire et le point culminant de son parc, est situé au sud-ouest de Madagascar, non loin de la côte et à environ 90 km au sud de Tuléar et comprend 430 km2 de forêt épineuse et de zones humides (Illustration 35). Cette zone était déjà protégée en 1927 en raison de sa signification biologique (90% de la flore et de la faune sont endémiques) principalement en tant qu'habitat pour les oiseaux aquatiques, et est devenue un parc national en Ces approvisionnements en eau sont fondamentaux à la fois pour les humains et pour les animaux et les plantes, puisque Tsimanampetsotsa (qui signifie lac sans dauphins en malgache) se situe dans la zone la plus aride de l'île, qui ne reçoit qu'environ 300 mm de pluie chaque année. Outre le lac lui-même, il existe deux paysages principaux à l'intérieur du parc : un plateau calcaire couvert de fourrés xérophiles denses (une forêt épineuse localement endémique), d'énormes baobabs et banians, et les dunes de sable le long de la côte recouvertes d'une couverture herbeuse. Le parc compte également de nombreuses grottes et dolines, qui sont le résultat d'un cours d'eau souterrain [57]. À la connaissance de l'auteur, il n'existe pas de cartes de végétation à haute résolution à jour pour ce site. Madagascar Figure 35 Position du parc national de Tsimanampetsotsa à Madagascar. Figure 36 Landsat8 de RGB : bande 753. Figure 37 Tendances NDVI pour le parc national de Tsimanampetsotsa. Les lignes verticales bleues définissent la période de l'année considérée dans l'étude. La ligne gris foncé est la moyenne pour chaque décade basée sur les séries temporelles disponibles, et les zones gris clair indiquent les limites de confiance à 95% autour de cette moyenne. Source : Aires protégées africaines. 32

35 2.4 Prétraitement des images Les images sélectionnées ont été prétraitées afin de convertir les valeurs DN brutes en réflectance au sommet de l'atmosphère (TOA), une unité physique qui permet de placer les données de différents capteurs/plates-formes sur une échelle radiométrique commune en utilisant les paramètres de conversion extraits des métadonnées. Travailler avec la réflectance TOA minimise également les différences spectrales entre les images causées par des temps d'acquisition, une élévation du soleil et une distance soleil-terre différents. Dans cette étude, seule la bande Landsat 8 qui correspond aux bandes Landsat TM/ETM a été utilisée, donc la bande 1, 9 n'a pas été traitée aussi bien que les bandes TIR et PAN. La formule suivante décrit les étapes de conversion et les paramètres impliqués : où &rho&lambda = &pi * L&lambda* d 2 / ESUN&lambda * cos &thetasz &rho&lambda= Réflectance TOA pour la bande &lambda L &lambda = Radiance pour la bande &lambda = M &lambda * Q cal + A &lambda M &rho = Facteur de rééchelonnement multiplicatif spécifique à la bande A &rho = Facteur de rééchelonnement additif spécifique à la bande Q cal = Valeurs de pixel du produit standard quantifiées et calibrées (DN en 16 bits) d = ( *COS( *(0.9856*(JulianDayImage - 4))) [] &thetasz= Angle zénithal local besun = [ , , ,972.6,245.0,79.72] [ Les bandes traitées ont ensuite été empilées en une image GeoTif à virgule flottante [0-1] à classer à l'aide d'un algorithme de classification automatisé développé au Centre commun de recherche- Ispra, comme proposé ci-après.33

36 2.5 Classification à date unique L'algorithme développé par le Centre commun de recherche, tel que proposé dans la méthode de correction topographique rapide et robuste [58], conçu à l'origine pour fonctionner avec les images Landsat TM/ETM+ a été utilisé pour traiter les ensembles de données Landsat 8 collectés par nos zones d'étude . L'algorithme reçoit la réflectance du sommet de l'atmosphère (float [0-1]) et génère une carte raster thématique avec les classes de couverture terrestre résumées dans le tableau 3 et un masque nuage/ombre supplémentaire basé sur les propriétés spectrales et la modélisation 3D impliquant l'azimut du soleil et les nuages/ direction de l'ombre avec des filtres morphologiques pour combler les trous et tamponner le bord, généralement caractérisés par des nuages ​​minces ou une brume qui provoque des confusions de classification [59]. Il ne nécessite aucune interaction humaine puisqu'il est basé sur un arbre de décision automatique interne basé sur des signatures spectrales collectées à l'échelle mondiale. 1 ère étape de catégorisation basée sur NDVI 2 ème étape [-1,0] CAT1 si Snowshape = 1 puis SI sinon si Watershape et B >= et 0,04 <=G <=0,12 et max(swir1,swir2) <= 0,04 puis DWAT sinon si R >= max(nir,swir1,swir2) et 0,04 <=R <= 0,19 et B > et max(swir1,swir2) < 0,04 alors SWAT sinon si B > 0,94 et G > 0,94 et R > 0,94 et NIR > 0.94 puis CL sinon si Humidité > 5 puis DWAT sinon SS si Snowshape = 1 alors SI sinon si B > 0.94 et G > 0.94 et R > 0.94 et NIR > 0.94 puis CL sinon si Other_watershape et B > et max(swir1, SWIR2 ) < then SWAT sinon [0,0.45] CAT2 si Cloudshape ou Cloudshape1 ou Cloudshape2 puis CL sinon si B > G > R et NIR > et B > et NDVI < 0,40) puis CL sinon si B > G) et B > 0,27and G > 0,21 et ABS(RG) <= 0,1 et NIR > 0,35 puis CL sinon si 0,13 > B > G > R < 0,05 et (B-NIR) < puis SV sinon si Humidité > 5 puis DWAT sinon si 0,13 > B > G > R < 0,05 et B-NIR < 0,04 puis SV sinon 0,14 > B > 0,1 0 > G > R < 0,06 et NIR < 0,14 et (NIR-B) < 0,02 puis SS sinon si B > G > R et NIR >= 0,06 et ABS(NIR-G) < 0,01 et B-NIR >= 0,01 alors SS sinon si NDVI <= 0,09 et NIR < 0,4 et G <= R <= NIR puis OLD sinon si NDVI <= 0,20 et NIR > 0,3 et B <= G <= R <= NIR alors OLD si NDVI >= 0,35et B >= G et ABS(RG) < 0,04 puis SPV sinon si NDVI >= 0,20 et ABS(RG) < 0,05 puis OLL sinon OLL si NDVI < 0,5 et NIR >= 0,15 puis SPV sinon si NDVI < 0,5 et NIR < 0,15 puis SV sinon [0.45,1] CAT3 si NDVI < 0.55 et B <= NIR <= 0.15 puis SV sinon si NDVI < 0.55 et B <= NIR puis GRS sinon si NDVI < 0.55 et B > NIR puis SV sinon si NDVI < 0,65 et NIR >= 0,22 puis TCL sinon si NDVI < 0,65 et NIR >= puis TCD sinon si NDVI < 0,65 et NIR < puis TCD sinon si NDVI < 0,78 et NIR < 0,30 puis TCD sinon si NDVI >= 0,78 SHR sinon TCL 34

37 Où : B : bleu, G : vert, R : rouge, NIR : bande 4, SWIR1 : bande 5 SWIR2 : bande 7 Forme d'eau = ((BG) > -0.2) >= G >= R >= NIR >= SWIR1 ) Other_watershape= B >= G >= R <= NIR < R*1,3 < 0,12 > SWIR1 > SWIR2 et < NIR < G NDSI= (G - SWIR1 ) / (G + SWIR1) Humidité = 66,96*B *G *R *NIR *SWIR *SWIR2 Brightsoil= (B < 0.27 et Growing15) ou (B < 0.27 and Growing14 et SWIR1-SWIR2 > 0.038) Saturation= max(g,r,nir)-min(g,r,nir)/max (g,r,nir) Snowshape= min(b,g,r,nir) > 0,30 et NDSI > 0,65 Cloudshape= min(b,g,r)> 0,17 et max(g,b,r,nir) > 0,30 et (NIR/R) >= 1,3) et (NIR/G) >= 1,3 et (NIR/SWIR1) >= 0,95 et SWIR1 > min(b,gr) et NDSI < 0,65 Cloudshape1= max(b,g,r ,nir,swir1,swir2) > 0,47 et min(b,g,r,nir) > 0,37 et Snowshape = 0 et Bright_soil = 0 Cloudshape2= min(b,g,r) > 0,21 et SWIR1 > min(b,g ,r) et 0,2 <= Saturation <= 0,4 et max(g,r,nir) >= 0,35 et Snowshape = 0 et NDSI > -0,3 et Bright_sol = 0 Growing14= B<G<R< NIR Growing15= B<G<R<NIR<SWIR1 Tableau 2 Pseudo code de l'arbre de décision automatique utilisé dans l'algorithme de classification. Description Classes d'occupation du sol Classe ID Couleur Pas de données - ND Eau Eaux profondes/rivières (DWAT/SWAT) WAT Nuages ​​Nuages ​​CL Neige Neige / Glace SI Couverture arborée Forêt dense/arbuste dense TCD Couverture arborée claire Forêt/arbuste clair TCL Arbuste dense Arbuste SHR Prairie Prairie dense/ Arbuste ouvert GRS Végétation clairsemée Prairie clairsemée/Arbuste clairsemé SPV Autre Terre Lumière Sol léger/roches/sable OLL Autre Terre Sombre Sol foncé/roches/sable OLD Végétation ombragée Végétation ombragée / faiblement éclairée SV Sol ombragé Sol ombragé / Zones brûlées SS Tableau 3 Classes d'occupation du sol associées en sortie, ID et couleur de l'outil de classification automatique. Ci-après les cartes à date unique pour chaque zone d'étude. Les images du haut correspondent au pic de croissance de la végétation, celles du bas, caractérisées par des couleurs brunâtres, jusqu'à la fin de la saison sèche. Il convient de noter que la précision de la classification à une date est étroitement liée à la date d'acquisition de l'image, à l'état de la végétation et aux conditions météorologiques telles que les nuages ​​​​et les ombres souvent présentes dans les régions tropicales. Par conséquent, la couverture forestière à feuilles caduques sera cartographiée en tant que TCD au sommet. de la croissance, comme SHR ou GRS en séchant et OLL/OLD lorsqu'il est sans feuilles (tableau 3). Ici, la nécessité de développer un algorithme basé sur la phénologie qui prend en compte l'évolution de la végétation et génère une carte d'occupation des sols plus précise. 35

38 Mahale M. West Lunga Mana Pools Gorongosa Tsimanampetsotsa Figure 38 Cartes à date unique pour chaque zone d'étude. Les images du haut correspondent au pic de croissance de la végétation, celles du bas, caractérisées par des couleurs brunâtres, jusqu'à la fin de la saison sèche. 36

39 2.6 Classification basée sur la phénologie L'objectif de ce chapitre est de décrire la méthodologie utilisée pour combiner la classification à date unique en une carte d'occupation du sol plus fiable et détaillée, y compris la discrimination à feuilles persistantes et à feuilles caduques sur la base de règles de fréquence. L'utilisation de produits thématiques (couche 8 bits avec 12 classes), plutôt que les séries temporelles originales de bandes multispectrales, réduit la complexité du modèle et accélère le temps de traitement. Pour mieux comprendre les différentes dynamiques de type d'occupation du sol et leur séparabilité, plusieurs échantillons ont été collectés dans les 5 zones d'étude et tracés ensemble comme le montre la figure 39. Comme prévu, en avril et mars (pic de la saison verte) la réponse spectrale des feuillus et la forêt sempervirente, l'agriculture humide et les arbustes sont presque similaires à une résolution de 30 m et les valeurs élevées de NDVI conduisent la classification vers une couverture arborée sombre et claire (TCD/TCL). Cependant, pendant les mois plus secs (septembre, octobre), la végétation à feuilles caduques sans feuilles est classée comme sol clair ou sombre (faible réponse NDVI et haute réflectivité sur les bandes IR) atteignant la plus haute séparabilité par rapport à la végétation à feuilles persistantes. Figure 39 Profil temporel des différentes classes d'occupation du sol sélectionnées parmi les cinq zones d'étude. L'axe horizontal indique l'heure alors qu'il est vertical, l'ID de classification à date unique tel que fourni par le classificateur à date unique. Il convient de noter que nos zones d'étude sont des parcs nationaux avec une anthropisation limitée et les zones bâties sont principalement caractérisées par de petits villages (la plus grande partie est Msomsoko, 1,5 km 2, zone tampon au sud du parc national des monts Mahale). L'absence d'asphalte (réponse spectrale stable dans le temps) et la répartition dispersée des maisons, de la végétation et des sols sableux rendent extrêmement difficile l'identification d'un comportement spectral unique pour cette classe. Nous avons donc décidé de ne pas nous concentrer sur les classes d'occupation des sols (zones urbaines et agriculture) dans cette activité de recherche mais de les laisser dans la légende proposée. Figure 40 Msomsoko, 1,5 km 2, zone tampon au sud des monts Mahale N.P. Source : Google Earth. 37

40 Ci-après, nous présentons la légende et les règles de décision mises en œuvre dans la classification basée sur la phénologie pour dériver les classes de couverture du sol à partir de l'analyse des catégories de classification à date unique. Légende Selon le Land Cover Classification System [60] proposé par la FAO/PNUE et en accord avec la légende adoptée par le JRC dans le cadre de la détection des changements d'anse de couverture/utilisation des terres dans les aires protégées africaines, nous avons identifié les classes dominantes suivantes : ID Description de la classe ID Description de la classe 10 EVG couvert arboré fermé (> 40%) 15 cultures arborées ou arbustives 11 EVG couvert arboré ouvert (40 à 15 %) 16 agriculture arable 13 EVG couvert arbustif 27 agriculture humide 14 EVG couvert herbacé 17 arbustes et herbacés inondés 18 Eau libre 23 DEC Couvert arboré fermé (> 40 %) 19 Urbain 24 DEC Couvert arboré ouvert (40 % à 15 %) 20 Zones dénudées 25 DEC Couverture arbustive 21 Nuages ​​26 DEC Couverture herbacée 22 Ombre Les zones principalement végétalisées comprennent une couverture végétale d'au moins 4% pendant au moins deux mois par an. Cette couverture peut être constituée des formes de vie ligneuses (arbres, arbustes), herbacées (herbacées, graminées) ou d'une combinaison de celles-ci, ou être constituée de lichens/mousses. La couverture peut être considérée comme la présence d'une zone particulière de la surface recouverte par une couche de plantes. Une distinction est faite entre Fermé (> 40%) et Ouvert (entre 40% et 15%). La hauteur est un facteur discriminant pour les arbres (>30 3 m), les arbustes (5-0,3 mt) et les herbacées ( m). La hauteur est utilisée pour séparer les plantes ligneuses de plus de 5 m (arbres) de celles < 5 m (arbustes) Les zones cultivées ou l'agriculture arable se réfèrent aux zones où la végétation naturelle a été supprimée ou modifiée et remplacée par d'autres types de couverture végétale d'origine anthropique . Cette végétation est artificielle et nécessite des activités humaines pour la maintenir sur le long terme. La classe des plantes aquatiques cultivées ou régulièrement inondées (agriculture humide) comprend les zones où une culture aquatique est intentionnellement plantée, cultivée et récoltée, et qui est restée dans l'eau pendant de longues périodes au cours de sa période de culture. En général, c'est la partie émergente de la plante qui est entièrement ou partiellement récoltée. 38

41 Classe Description Photo Google Earth Landsat 8 Forêt sempervirente fermée/ouverte Forêt décidue fermée/ouverte Couverture arbustive Couverture herbacée Agriculture arable Agriculture humide Figure 41 Classes dominantes dans les zones principalement végétalisées : En colonnes, pour chaque classe (Forêt fermée/ouverte sempervirente, Forêt de feuillus ouverte, Couverture arbustive, Couverture herbacée, Agriculture arable, Agriculture humide) différentes sources d'images : photo terrestre ou aérienne, Google Earth et Image Landsat 8. 39

42 Principalement sans végétation comprend les zones qui ont une couverture végétale totale de moins de 4 % pendant plus de 10 mois de l'année, ou en l'absence de formes de vie ligneuses ou herbacées, moins de 25 % de couverture de lichens/mousses. Surfaces artificielles ou zone urbaine décrit les zones qui ont une couverture artificielle en raison d'activités humaines telles que la construction (villes, villages et transports), l'extraction (mines et carrières à ciel ouvert) ou l'élimination des déchets. Les zones nues sont caractérisées par moins de 4 % de couverture végétale et comprennent des roches, des sables et des déserts. Les plans d'eau naturels, classe Neige et glace, désignent les zones naturellement recouvertes d'eau, telles que les lacs, les rivières, la neige ou la glace.Classe Description Photo Google Earth Landsat 8 Zones urbaines Zones nues Plans d'eau Figure 42 Classes dominantes dans les zones majoritairement non végétalisées : En colonnes, pour chaque classe (Zones urbaines, Zones nues et plans d'eau) différentes sources d'images : photo au sol ou aérienne, Google Images Terre et Landsat 8. 40

43 Préparation des données Chaque classification de date unique et le masque de nuage/ombre associé sont empilés dans un seul fichier géoréférencé en suivant l'ordre chronologique pour faciliter la phase de classification. La règle de fréquence de classification est appliquée pixel par pixel en analysant la couverture terrestre ID de classe dans la pile des couches de classification à date unique aucune donnée (ND) et les pixels de nuages/ombre (CL/SH) ne sont exclus des statistiques uniquement si d'autres classes sont disponibles dans la pile. Dans ce contexte, la fréquence ne signifie pas que la classe la plus fréquente (majorité temporelle) est considérée comme la couverture terrestre en sortie, cette hypothèse pourrait être valable pour les plans d'eau permanents, les zones dénudées ou la végétation à feuilles persistantes, mais pas pour la végétation à feuilles caduques. La forêt décidue sèche ne peut pas être détectée en utilisant une approche majoritaire puisque seulement quelques mois par an ont des feuilles vertes tandis que les mois restants sont secs et la composante du sol est la réponse spectrale dominante détectée par satellite à une résolution de 30 m comme Landsat 8. La fréquence signifie respecter un modèle sur la période observée (dans notre étude s'étendant d'avril à octobre) comme illustré dans le tableau 4. ND CL SH SI WAT SV TCD TCL SHR GRS SPV OLL OLD SS Sortie 100 Aucune donnée 100 Nuage 100 Neige/glace 100 Eau permanente * 50 * * * * * * * * * Eau saisonnière * 80 * * Forêt fermée à feuilles persistantes * * 80 * * * * * * Forêt ouverte à feuilles persistantes * * 80 * Arbuste à feuilles persistantes * * * * * Forêt à feuilles caduques fermée * * * 30 * Forêt feuillue ouverte * * * * * Prairie 100 Roches sombres / Urbain 100 Sol sombre 100 Sol léger / Sable Tableau 4 Tableaux de distribution des fréquences avec le pourcentage d'observations pour chaque classe. 41