"Irstea a développé une méthode efficace pour détecter les coupes rases en forêt à partir d’images satellites. A la disposition des services de l’État : des images, un guide méthodologique, une formation labellisée, un traitement automatisé et bientôt un service web de calcul à distance et un forum d’échanges.Les services de l’Etat sont chargés de vérifier, sur le terrain, que les déclarations de coupes rases des gestionnaires de forêt privée soumises à une réglementation sont respectées. Il s'agit d'un travail de terrain fastidieux, réalisé sur environ 75 % des 16 millions d'hectares de forêt française métropolitaine, avec des résultats imparfaits. Depuis 2011, à la demande du ministère de l’Agriculture, Irstea a développé une méthode cartographique pour détecter les coupes rases à partir d’images satellitaires. Testée sur deux sylvoécorégions1, en Rhônes-Alpes et Bourgogne, elle est désormais opérationnelle via un logiciel libre, dont la prise en main est décrite dans un guide. Environ 30 agents de Directions Régionales de l’Alimentation, de l’Agriculture et de la Forêt (DRAAF) et Directions Départementales des Territoires (DDT) ont déjà été formés (formation labellisée).Les images de 2 années différentes sont analysées par un algorithme de traitement d’images : elles sont converties en valeurs d’indice de végétation pour détecter et classifier les changements interannuels et en extraire les coupes rases. Les agents de l’Etat sont ainsi plus efficaces - 90 % de bonne détection selon les premiers retours - et plus exhaustifs que dans leurs contrôles sur le terrain. Irstea développe par ailleurs un service web en ligne pour effectuer le traitement des données sur des clusters de calcul distants. Un pas de plus vers la simplification pour les services de l’Etat intéressés.Des portails de téléchargement d’images Cette application préfigure l'exploitation des images satellitaires au service de la gestion et de l'aménagement du territoire qu'Irstea et ses partenaires mettent en place depuis la fin des années 2000 avec le projet GEOSUD, renforcé par un Equipex2 en 2011 et plus largement grâce au consortium Theia qui réunit 11 organismes nationaux depuis 2013. Des portails simplifiés ont été développés permettant à tout acteur public d’accéder gratuitement à différents types d’images, comme par exemple la couverture annuelle du territoire national (y compris dans les territoires d’outre-mer) avec des images haute résolution (1,5 à 6 m). Depuis 2015, des images du monde entier sont accessibles sur commande grâce au contrat de télémesure et à la station de réception directe GEOSUD de Montpellier. Les DRAAF et DDT téléchargent de plus en plus d’images via ces portails pour la détection des coupes rases. La méthode exploitera bientôt les images Sentinel à 10 m dont l'avantage est la forte répétitivité temporelle. La résolution plus fine de Spot 6-7 permettra de développer de nouvelles applications, comme la détection des éclaircies. Partenaires : Irstea (UMR TETIS), MAAF, DRAAF Rhône-Alpes, DRAAF Bourgogne, Geosud 1Nouveau découpage de la France métropolitaine réalisé en 2009 en zones homogènes en relation avec les facteurs de répartition (altitude, caractéristiques des sols et du climat) et de production des écosystèmes forestiers.2Equipement d’excellence, financé par le programme investissement d’avenir (PIA)"

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. 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 1

Survol d'une partie du Ru des Effervettes,en limite des communes de Nangis et Fontains, dans le département de la Seine et Marne. Les données ont été acquises par drone anafiet restituées en un maillaige tridimentionnel (mesh).

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. Classification 2019 – Level 3

This dataset provides georeferenced polygon vectors of individual tree canopy geometries for dryland areas in West African Sahara and Sahel that were derived using deep learning applied to 50 cm resolution satellite imagery. More than 1.8 billion non-forest trees (i.e., woody plants with a crown size over 3 m2) over about 1.3 million km2 were identified from panchromatic and pansharpened normalized difference vegetation index (NVDI) images at 0.5 m spatial resolution using an automatic tree detection framework based on supervised deep-learning techniques. Combined with existing and future fieldwork, these data lay the foundation for a comprehensive database that contains information on all individual trees outside of forests and could provide accurate estimates of woody carbon in arid and semi-arid areas throughout the Earth for the first time.

Pour chaque parcelle 4 points correspondant aux extrémités des 2 transects de mesure de prédation. Les points intermédiaires sur les transects n'ont pas été saisis.