"Le CES “Humidité du sol à très haute résolution spatiale”propose de nouvelles cartes d’humidité du sol sur la région Occitanie à l’échelle sub-parcellaire élaborées tous les 6 jours de septembre 2017 à mars 2018.Les données utilisées sont issues des séries d’images Copernicus radar Sentinelle 1 et optique Sentinelle 2. L’algorithme d’inversion du signal radar utilise les réseaux de neurones. Il est appliqué sur les parcelles agricoles (avec ou sans végétation) extraites de la carte d’occupation des sols 2016 élaborée par le CES Occupation des sols de Theia (Jordi Inglada et al.)."

"Modern Earth Observation systems provide huge amount of data from different sensors at different temporal, spatialand spectral resolutions. Such amount of information is commonly represented by means of multispectral imagery and, due to its complexity, it requires new techniques and method to be correctly exploited to extract valuable knowledge.Recently, data science and, in particular, machine (and deep) learning algorithms have demonstrated their ability to cope with image and signal analysis providing cutting-edge results. Multiple data science challenges were already launched using satellite imagery (i.e. building footprints, road networks, iceberg detection, etc…) but crucial open questions remain unsolved (i.e. biodiversity monitoring, urban mapping, deforestation tracking and food risk prevention, triaging disaster zones, etc..). We are at the beginning of a new era for the analysis of Earth Observation data (EOD) where one of the main question is how to leverage the complementarity and the diversity of the different Earth Observation systems to answer important social challenges and monitor changes on the Earth Surface.The MDL4EO team (Machine and Deep Learning for Earth Observation) at the UMR TETIS (Montpellier, France) has the objective to scientifically contribute to this new era providing AI methods and algorithms to extract valuable knowledge from modern Earth Observation Data. The amount of data being collected by remote sensors is accelerating rapidly and we cannot manage them manually, this is why machine/deep learning lends itself well to remote sensing. More in detail, some of the research questions of the MDL4EO team are the follows:How to intelligently exploit Time Series of Satellite Images to leverage temporal dynamics How to combine/fusion together multi spectral/temporal/resolution/sensor information with the objective to add value to the information thanks to the combination of multi source How to transfer knowledge from different geographical Area: transfer land cover classification model from one site (i.e. France) to another one geographically distant (i.e. Africa). It’s time to fill the gap between Remote Sensing and AI. MDL4EO is working on that direction bringing together different expertises: Data Science, Computer Vision, Machine Learning, Remote Sensing and Geoinformatics."

"Dans le cadre du Centre d’Expertise Scientifique Occupation des Sols de THEIA, l’UMR TETIS (Territoire, Environnement, Télédétection et Information Spatiale) travaille depuis plusieurs années au développement de méthodologies de classification de l’occupation du sol à partir d’imagerie satellitaire adaptées au contexte des paysages et systèmes agricoles du Sud. En effet ces contextes, typiquement dominés par la petite agriculture familiale, sont caractérisés par des spécificités (couverture nuageuse importante, petit parcellaire, fragmentation des paysages et hétérogénéité des pratiques agricoles, faible disponibilité de données de référence) qui limitent les performances des approches méthodologiques faisant l’état de l’art actuel. Cependant, au vu de la croissante disponibilité et accessibilité et qualité de l’offre en imagerie satellitaire, les besoins de production systématique de ce genre de produit dans des enjeux de développement territoriale émergent avec vigueur, et un défi s’impose sur la mise au point de méthodologies et chaînes de traitement automatisées pouvant faire face à la diversité des contextes géographiques et paysagers."

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)

A very high spatial resolution Land Use and Land Cover map was produced for the greater Marino watershed (Peru) using the MORINGA processing chain. The methods involved multisource satellite imagery and a random forest model, as well as manual post-treatment. The final map provides important information for environmental management and monitoring and contributes to developing standardized methodologies for accurate LULC mapping. Classification 2019 – Level 2

A very high spatial resolution Land Use and Land Cover map was produced for the greater Marino watershed (Peru) using the MORINGA processing chain. The methods involved multisource satellite imagery and a random forest model, as well as manual post-treatment. The final map provides important information for environmental management and monitoring and contributes to developing standardized methodologies for accurate LULC mapping. 3 levels are available with the training dataset

A very high spatial resolution Land Use and Land Cover map was produced for the greater Marino watershed (Peru) using the MORINGA processing chain. The methods involved multisource satellite imagery and a random forest model, as well as manual post-treatment. The final map provides important information for environmental management and monitoring and contributes to developing standardized methodologies for accurate LULC mapping. Training Dataset

A very high spatial resolution Land Use and Land Cover map was produced for the greater Marino watershed (Peru) using the MORINGA processing chain. The methods involved multisource satellite imagery and a random forest model, as well as manual post-treatment. The final map provides important information for environmental management and monitoring and contributes to developing standardized methodologies for accurate LULC mapping. Classification 2019 – Level 3

A very high spatial resolution Land Use and Land Cover map was produced for the greater Marino watershed (Peru) using the MORINGA processing chain. The methods involved multisource satellite imagery and a random forest model, as well as manual post-treatment. The final map provides important information for environmental management and monitoring and contributes to developing standardized methodologies for accurate LULC mapping. Classification 2019 – Level 1

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)