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)

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

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.

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)

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.

"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."

"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.)."

"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."

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. Classification 2019 – Level 1