Représentation des contours des 115 unités cartographiques de sol (également appelées UCS ou pédopaysages) du Morbihan. Chaque UCS, constituée d'un ou plusieurs polygones, est définie comme une portion de paysage dans laquelle les facteurs de genèse des sols (matériau parental, morphologie, climat, occupation du sol) sont homogènes. Cette couche d'information fait partie du Référentiel régional pédologique (1/250 000)

Représentation des contours des 113 unités cartographiques de sol (également appelées UCS ou pédopaysages) du Finistère. Chaque UCS, constituée d'un ou plusieurs polygones, est définie comme une portion de paysage dans laquelle les facteurs de genèse des sols (matériau parental, morphologie, climat, occupation du sol) sont homogènes. Cette couche d'information fait partie du Référentiel régional pédologique (1/250 000)

Représentation des contours des 101 unités cartographiques de sol (également appelées UCS ou pédopaysages) d'Ille-et-Vilaine. Chaque UCS, constituée d'un ou plusieurs polygones, est définie comme une portion de paysage dans laquelle les facteurs de genèse des sols (matériau parental, morphologie, climat, occupation du sol) sont homogènes. Cette couche d'information fait partie du Référentiel régional pédologique (1/250 000)

Représentation des contours des 116 unités cartographiques de sol (également appelées UCS ou pédopaysages) des Côtes d'Armor. Chaque UCS, constituée d'un ou plusieurs polygones, est définie comme une portion de paysage dans laquelle les facteurs de genèse des sols (matériau parental, morphologie, climat, occupation du sol) sont homogènes. Cette couche d'information fait partie du Référentiel régional pédologique (1/250 000)

"Langage de programmation informatique (Ocelet) et son environnement associé (Ocelet Modeling Plateform) dédiés à la modélisation & à la simulation de dynamiques spatiales & paysagèresOcelet permet aux chercheurs dans les domaines de l’environnement, l’agriculture, l’épidémiologie, de produire des modèles cartographiques multifactoriels mettant en évidence l’impact de décisions ou l’effet d’évolutions des facteurs d’influence. Il est utilisé pour intégrer différentes formes de représentation de l'espace au sein d'un même modèle afin de simuler des scenarii de dynamiques spatiales. Il est en cela un excellent outil pour l'étude de l'évolution de paysages ou de problématiques environnementales. CaractéristiquesGère plusieurs échelles spatiales et temporelles Intègre diverses formes d’information géographique et un grand nombre d’entités/processus Produit des cartes dynamiques représentant l’évolution de phénomènesServices associésExpertise pour intégrer le langage Ocelet dans les projets de modélisation prédictive en appui à la gestion du territoire Appui au développement de modèles de simulation Formation à l’usage du langage (cf. catalogue de formations du Cirad)"

"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."

Les cartographies des espaces bâtis sur la région Occitanie résultent d'une extraction automatique par méthode d'apprentissage profond (deep learning) à partir d'imagerie très haute résolution spatiale (1.5m) SPOT 6/7, pour les années 2015 à 2019. Fichiers fournis sous forme vectorielle. (2021-09-09)

Les taches urbaines distribuées sont caractérisées par des formes très variées. Ces formes peuvent aller d’un aspect très compacte (proche d’un disque, forme de compacité maximale sur un plan) à celui de formes très digitées ou de filaments, s’approchant de lignes plus ou moins sinueuses. Le suivi de cette dimension de compacité morphologique permet d’estimer si l’artificialisation due aux taches urbaines suit des extensions homogènes ou des extensions hétérogènes. Cet indice est calculé à l'échelle des EPCI d'Occitanie et pour l'année 2019.

Les données de nodata par année (entre 2015 et 2019) correspondent aux zones de nuages et de leurs ombres portées sur les images satellites SPOT 6/7 utilisées pour la classification d'occupation du sol, donnée source pour les analyses géographiques qui ont suivi (extraction des espaces bâtis, des taches urbaines, indicateurs spatialisés)