Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Elle a été produite en utilisant une mosaïque d'images Spot6/7 pour calculer la segmentation (extraction d'objets homogènes à partir de l'image). Nous utilisons une base de données terrain ayant une nomenclature emboitée avec 3 niveaux de précision nous permettant de produire une classification par niveau. Le niveau 3, le plus détaillé distinguant les types de cultures présente une précision globale de 86% et un indice de Kappa est de 0,85. Le niveau 2, distinguant les groupes de cultures présente une précision globale de 91% et un indice de Kappa est de 0,90. Le niveau 1, distinguant les grands groupes d'occupation du sol présente une précision globale de 97% et un indice de Kappa est de 0,95. (2019-06-12) La précision globale de la carte est de 88,71 % et l'indice de Kappa est de 86,47%. La chaine Moringa est mise au point au sein du CES Occupation des Sols du pôle THEIA pour cartographier l’occupation du sol dans les contextes variés des pays du Sud. Afin d’être plus facilement reproductible, elle est automatisée et son implémentation est réalisée avec des outils libres (Orfeo Toolbox, R, Python). (2019-03-26)

Hyperspectral data were obtained during an acquisition campaign led on Toulouse (France) urban area on July 2015 using Hyspex instrument which provides 408 spectral bands spread over 0.4 – 2.5 μ. Flight altitude lead to 2 m spatial resolution images. Supervised SVN classification results for 600 urban trees according to a 3 level nomenclature: leaf type (5 classes), family (12 and 19 classes) and species (14 and 27 classes). The number of classes differ for the two latter as they depend on the minimum number of individuals considered (4 and 10 individuals per class respectively). Trees positions have been acquired using differential GPS and are given with centimetric to decimetric precision. A randomly selected subset of these trees has been used to train machine SVM and Random Forest classification algorithms. Those algorithms were applied to hyperspectral images using a number of classes for family (12 and 19 classes) and species (14 and 27 classes) levels defined according to the minimum number of individuals considered during training/validation process (4 and 10 individuals per class, respectively). Global classification precision for several training subsets is given by Brabant et al, 2019 (https://www.mdpi.com/470202) in terms of averaged overall accuracy (AOA) and averaged kappa index of agreement (AKIA).

Cette carte a été produite dans le cadre du projet FUI-2012 SIRHYUS (Services d'Information pour la gestion des Ressources HYdriques et de leurs USages) et a bénéficié d'une aide de l'Etat gérée par l'Agence Nationale de la Recherche au titre du Programme Investissements d'Avenir pour le projet EQUIPEX GEOSUD ANR-10-EQPX-20.

The map described here was produced as part of the Resilient Productive Territories (RPT) project. This project is funded by the World Bank. Reference of the database used to produce these maps: Dupuy, Stéphane; Lelong, Camille; Manasse, Marie Esther; Rambao, Jery; Mondésir, Jacques Philémon; Gaetano, Raffaele, 2021, "Nippes - Haïti - 2020, Reference Spatial Database", doi:10.18167/DVN1/29RZMQ , CIRAD Dataverse,V1

La zone d'étude se situe au nord ouest du Sénégal et s'étale sur 5 100km². Elle inclue la ville de Thiès et une partie de la ville de Dakar, et remonte jusqu'à Kébémer, aux portes du désert de Loumpoul. La carte d'occupation 2018 a été réalisée à partir d'une image à Très Haute Résolution Spatiale (THRS) à 1.5m Spot6 acquise le 15/10/2010 et une série temporelle d'images Sentinel2 (résolution 10m) acquises entre le 01/01/2018 et le 31/12/2018. Le traitement a été réalisé via la chaine de traitement Moringa développée dans l'UMR TETIS. La méthodologie s'appuie sur une Segmentation Orientée Objet de l'image THRS puis d'une classification de chaque polygone (algorithme Random Forest) s'appuyant sur l'image SPOT6, la série temporelle Sentinel2, le SRTM à 30m et de nombreux indices calculés à partir de ces images (NDVI, indices de texture, pente,...). L’algorithme a été entrainé via un jeu de données acquises sur le terrain complété de données obtenues par photo-interprétation. Des corrections manuelles par photo-interprétation ont été réalisées afin d'améliorer le résultat. La précision globale est de 93%. La classification contient 13 classes d'occupation du sol : culture irriguée hors bas-fond, culture irriguée de bas-fond, culture pluviale, plantation, dune sable - arbustes, eau, savane arbustive, savane herbacée, sol nu, sol inondable, sol faiblement végétalisé, végétation naturelle dense et zone urbaine.

Ce jeu de données concerne les cartes produites, pour l'année 2019, en utilisant une mosaïque d'images Spot6/7 pour calculer la segmentation (extraction d'objets homogènes à partir de l'image). Nous utilisons une base de données terrain ayant une nomenclature emboitée avec 3 niveaux de précision nous permettant de produire une classification par niveau. Le niveau le plus détaillé distinguant les types de cultures présente une précision globale de 88% et un indice de Kappa est de 0,86. Le niveau 2, distinguant les groupes de cultures présente une précision globale de 92% et un indice de Kappa est de 0,93. Le niveau 1, distinguant les grands groupes d'occupation du sol présente une précision globale de 97% et un indice de Kappa est de 0,95. Une fiche détaillée présentant la méthode et les résultats de validation est téléchargeable (2020-04-30)

Cette carte a été produite dans le cadre de la convention 2010 -- 0190 de l'Agence de l'Eau Rhône Méditerranée et Corse concernant l'optimisation d'une méthode de quantification du rôle des corridors rivulaires sur l'état écologique des cours d'eau.

Cette carte d'occupation du sol a été obtenue avec la chaîne Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2021, d’indices de textures calculés à partir de cette image Spot6/7 et de la sérietemporelle des 63 images Sentinel-2 de 2021 . Cette carte a été réalisée avec une base de données d’apprentissage actualisée en 2021. La carte présentée s'appuie sur le 3ème niveau (le plus détaillé), les données attributaires contiennent les niveaux 1 et 2. Les fichiers de style de ces niveaux sont associés à cette carte.