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.

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).

The evolution of infrastructure networks such as roads and streets are of utmost importance to understand the evolution of urban systems. However, datasets describing these spatial objects are rare and sparse. The database presented here represents the road network at the french national level described in the historical map of Cassini in the 18th century. The digitalization of this historical map is based on a collaborative platform methodology that we describe in detail. These data can be used for a variety of interdisciplinary studies, covering multiple spatial resolutions and ranging from history, geography, urban economics to the science of network. (2015-01-15)

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)