Accès à la donnée

Présentation

La carte d’occupation des surfaces associe à chaque pixel d’une surface un label caractérisant la surface (ex. forêt de décidus, zone agricole, etc) suivant une nomenclature définie. Une nomenclature souvent utilisée est la nomenclature LCCS (Land Cover Classification System) utilisée par la FAO et l’UNEP et comportant 22 classes.

Postel a produit la carte mondiale d’occupation des surfaces à 300 m de résolution du projet Globcover de l’ESA qui peut être visualisée à différentes échelles. Des cartes régionales sont également disponibles avec des classes adaptées à chaque zone bioclimatique. 

Format

Le concept de base du schéma de classification est de combiner la haute cohérence de la délimitation de classes que l’on peut obtenir de réflectances multispectrales, avec la forte capacité discriminative du signal temporel de réflectance sur le cycle annuel.

Les principes de construction sous-jacents sont :

• l’adoption d’une approche régionale basée sur 22 zones bioclimatiques
• la définition d’une nomenclature sur la base du schéma LCCS de la FAO tout en gardant une cohérence maximale avec la nomenclature adoptée dans d’autres projets (CORINE, GLC 2000, Africover …)
• l’obtention du soutien d’un réseau d’experts internationaux pour l’étalonnage et la validation de l’algorithme de classification.

L’algorithme de classification comprend les étapes suivantes, comme l’illustre la figure ci-dessus :

1. Stratification a priori du monde en 22 régions bioclimatiques. On applique le même algorithme de classification au sein de chacune de ces régions.
2. Pour chacune des strates, on applique un premier algorithme visant à déterminer les classes ’minoritaires’ telles que les villes ou certains type de végétation (mangroves, cultures irriguées, terres inondées)
3. On applique ensuite par pixel un algorithme de classification dans chacune de ces régions, en utilisant en entrée la série temporelle de mosaïques de réflectances multispectrales. Ceci conduit à un ensemble de nclasses spectrales.
4. Des métriques temporelles sont alors calculées pour les pixels de chaque classe n et moyennées spatialement produisant ainsi des néo-canaux.
5. On applique ensuite un algorithme de classification sur ces néo-canaux pour produire un nombre x plus petit, gérable, de classes spectro-temporelles. A ce stade, chaque pixel est associé à une des x classes.
6. On labellise les classes dans un premier temps en utilisant les résultats obtenus dans la classification dite de référence basée entre autre sur GLC 2000, Africover, CLC, Australian Land Use Map, National Land Cover Database pour les USA et la Chine.
7. Puis on raffine finalement la procédure de labellisation en s’adaptant aux spécificités du signal MERIS et en utilisant les connaissances d’un réseau d’experts internationaux.

Au final, les labels des 22 classes globales sont :