Démarrer et explorer l’imagerie

Pour évaluer les dommages provoqués par la grêle dans les champs de maïs de la région, vous allez utiliser l’imagerie satellite. Vous allez d’abord configurer le projet et les données, puis vous commencerez à explorer l’imagerie.

Télécharger et ouvrir le projet

Vous allez commencer par télécharger le projet contenant l’imagerie nécessaire au didacticiel et l’ouvrir dans ArcGIS Pro.

  1. Téléchargez le fichier Corn field damage.zip.
  2. Recherchez le fichier téléchargé Corn field damage.zip sur votre ordinateur.
    Remarque :

    Selon votre navigateur web, vous avez peut-être été invité à choisir l’emplacement du fichier avant de lancer le téléchargement. Par défaut, la plupart des navigateurs téléchargent les fichiers dans le dossier Downloads (Téléchargements) de votre ordinateur.

  3. Cliquez avec le bouton droit sur le fichier à Corn field damage.zip et extrayez-le à un emplacement de destination facile d’accès, tel que votre dossier Documents.

    Vous allez ensuite ouvrir le projet dans ArcGIS Pro.

  4. Démarrez ArcGIS Pro. Si vous y êtes invité, connectez-vous via votre compte d’organisation ArcGIS sous licence.
    Remarque :

    Si vous n’avez pas accès à ArcGIS Pro ou ne disposez pas d’un compte d’organisation ArcGIS, consultez les options disponibles pour accéder aux logiciels.

  5. Dans ArcGIS Pro, dans la zone Recent Projects (Projets récents), cliquez sur Open another project (Ouvrir un autre projet).

    Ouvrir un autre projet

  6. Dans la fenêtre Open Project (Ouvrir un projet), accédez au dossier Corn field damage (Dommages dans les champs de maïs) que vous avez extrait. Cliquez sur le fichier Corn field damage.aprx pour le sélectionner, puis sur OK.

    Le projet s’ouvre.

    Vue de projet initiale

Le projet contient deux images capturées les 4 et 8 août 2019, avant et après la tempête de grêle survenue dans la région de Taber et de Barnwell à Alberta : Before_storm.tif et After_storm.tif. Il contient également une couche vectorielle Field boundaries que vous utiliserez plus tard dans le didacticiel.

Remarque :

Les deux images sont de l’imagerie satellite PlanetScope produite par une firme d’observation de la Terre, Planet Labs. PlanetScope consiste en une constellation de 120 satellites et permet de prendre chaque jour de nouvelles images de n’importe quel endroit de la Terre.

Observer les images dans des couleurs naturelles

Vous allez ensuite examiner les deux images pré- et post-tempête. Elles sont multispectrales, c’est-à-dire qu’elles contiennent des bandes spectrales distinctes. Chaque image contient trois bandes répertoriées dans la fenêtre Contents (Contenu) :

  • Rouge (ou Bande_3)
  • Vert (ou Bande_2)
  • Bleu (ou Bande_1)

Elles contiennent également une quatrième bande qui n’est pas visible actuellement :

  • Proche infrarouge (ou Bande_4)
Remarque :

La lumière Proche infrarouge est invisible à l’œil humain mais est souvent capturée par les capteurs d’imagerie satellite et aérienne car elle est utile dans deux nombreuses applications, comme vous le verrez plus tard dans ce didacticiel.

Les images apparaissent actuellement dans des couleurs naturelles, à l’aide des bandes Rouge, Vert et Bleu, qui correspondent au spectre de lumière visible par l’œil humain. Les couleurs naturelles se rapprochent de la manière dont les couleurs apparaîtraient à une personne. Vous allez observer et comparer visuellement les deux images.

  1. Observer la vue actuelle sur la carte, qui affiche l’image Before_Storm.tif. Vous pouvez effectuer un zoom avant et arrière à l’aide du bouton de la molette de la souris pour afficher plus de détails.

    Effectuer un zoom avant pour afficher plus de détails de l’image Before_Storm.tif

    De nombreux champs sont visibles ; beaucoup ont une forme circulaire, tandis que d’autres sont rectangulaires. Ils ont tendance à être très verts, car en août, avant la tempête, de nombreuses récoltes arrivent à maturité. Vous allez maintenant effectuer une comparaison avec l’image post-tempête à l’aide de l’outil Swipe (Balayer).

  2. Dans la fenêtre Contents (Contenu), activez l’image After_storm.tif en cochant la case.

    After_Storm.tif activé

    Aucun changement visible ne se produit sur la carte car l’image After_Storm.tif est affichée en dessous de l’image Before_Storm.tif.

  3. Cliquez sur l’image Before_storm.tif pour la sélectionner.

    Image Before_Storm.tif sélectionnée

  4. Sur le ruban, dans l’onglet Raster Layer (Couche raster), dans le groupe Compare (Comparer), cliquez sur Swipe (Balayer).

    Outil Balayer

  5. Dans la visionneuse de carte, faites glisser l’affichage de haut en bas pour afficher l’image After_Storm.tif et la comparer à l’image Before_Storm.tif.

    Curseur de balayage

    À première vue, on constate que l’image post-tempête présente des tons quelque peu plus clairs à certains endroits que l’image pré-tempête. En particulier, des traces présentant des tons clairs semblent traverser la zone dans l’axe nord-ouest/sud-est. Il est cependant difficile à ce stade d’obtenir des informations plus précises sur les dommages provoqués par la grêle.

  6. Lorsque vous avez terminé votre exploration, sur le ruban, dans le groupe Navigate (Naviguer) de l’onglet Map (Carte), cliquez sur le bouton Explore (Explorer) pour quitter le mode balayage.

    Bouton Explorer

Pour mieux visualiser les dommages provoqués par la tempête dans les récoltes, nous allons nous intéresser aux bandes Rouge et Proche infrarouge.

Examiner les valeurs des bandes Rouge et Proche infrarouge

Pour mieux visualiser les changements survenus dans les récoltes, vous pouvez utiliser les bandes Rouge et Proche infrarouge (NIR), utiles pour évaluer l’état de la végétation.

  • Dans la végétation saine, la chlorophylle absorbe la majeure partie de la lumière dans la bande Rouge et l’utilise pour la photosynthèse, et donc en reflète une très petite partie.
  • La structure cellulaire de la végétation saine reflète fortement la lumière NIR.

Puisque le capteur satellitaire capture la quantité de lumière reflétée dans les différentes bandes, les valeurs d’un pixel d’image indiquant une végétation saine sont généralement faibles dans la bande Rouge et élevées dans la bande NIR. Cet aspect est illustré dans le diagramme de profil spectral ci-dessous. Par contraste, la végétation éprouvée ou mourante absorbe moins de lumière rouge (et donc en reflète plus) et reflète moins de lumière NIR. Le diagramme indique également qu’un pixel représentant le sol nu refléterait encore plus de lumière rouge et moins de lumière NIR.

Diagramme de réflectance pour la végétation saine, la végétation éprouvée et le sol nu

Pour vous faire une meilleure idée de la variabilité des valeurs de réflectance de bande Rouge et Proche infrarouge dans vos images d’Alberta, vous allez utiliser l’outil Image Information (Informations d’image), qui fournit des informations de profil spectral au niveau du pixel.

  1. Dans la fenêtre Contents (Contenu), vérifiez que l’image Before_storm.tif est sélectionnée. Sur le ruban, dans le groupe Tools (Outils) de l’onglet Imagery (Imagerie), cliquez sur Image Information (Informations sur l’image).

    Bouton Image Information (Informations d’image)

    La fenêtre Image Information (Informations d’image) apparaît.

  2. Dans la visionneuse de carte, pointez sur un champ vert foncé, plein de végétation dense et saine.

    Dans la fenêtre Image Information (Informations d’image), un diagramme de profil spectral pour le pixel à l’emplacement actuel du pointeur apparaît. Comme prévu, la valeur de réflectance de bande Rouge (symbolisée en rouge) est très faible, tandis que la valeur de réflectance de bande NIR (symbolisée en gris) est élevée.

    Profil spectral du pixel montrant une végétation saine

    Remarque :

    Les bandes sont affichées sur le diagramme dans l’ordre fourni par l’image : Bleu (bande 1), Vert (bande 2), Rouge (bande 3) et Proche infrarouge (bande 4).

  3. Dans la visionneuse de carte, pointez la souris sur une zone beige ou brun clair correspondant au sol nu et à l’absence de végétation.

    Dans la fenêtre Image Information (Informations d’image), le diagramme de profil spectral est mis à jour. La valeur de réflectance de bande Rouge est à présent plus élevée et la valeur de réflectance de bande NIR plus basse.

    Profil spectral du pixel montrant le sol nu

  4. Pointez la souris sur d’autres zones des deux images et observez comment les valeurs Rouge et NIR varient.

Maintenant que vous comprenez mieux la relation existant entre les deux bandes, vous constaterez que calculer l’écart séparant la valeur Rouge de la valeur NIR pourrait constituer un bon moyen de mesurer la quantité de végétation saine présente sur le sol. C’est ce que vous allez faire en appliquant l’indice SAVI à vos images.


Analyse des changements avec l’indice SAVI

Vous allez ensuite découvrir l’indice SAVI et comment il utilise les valeurs de bande Rouge et PIR pour fournir une mesure de la santé de la végétation. Vous allez appliquer l’indice SAVI à une image pré-tempête et à une image post-tempête, calculer la différence entre les deux rasters résultants et extraire la perte moyenne de végétation saine dans chaque champ de culture.

Remarque :

Ce type d’analyse s’effectue au niveau du pixel ou de la cellule.

Les images TIFF satellite, comme celles que vous utilisez au cours de ce didacticiel, sont des rasters. Un raster correspond à des données représentées sous forme d’une grille de cellules, ou pixels.

Exemple de grille raster

Lorsque vous effectuez une analyse raster, vous calculez les valeurs pour chaque cellule présente dans le raster. En savoir plus sur les données raster.

Appliquer l’indice SAVI

Un indice spectral combine différentes bandes spectrales via une formule mathématique, généralement en calculant un type de ratio. La sortie résultante constitue une nouvelle image raster.

Remarque :

De nombreux indices différents combinent différentes bandes spectrales et utilisent différentes formules mathématiques. Chaque indice vise à mettre en évidence un phénomène différent, tel que la végétation saine, l’eau, le développement urbain, la présence de minéraux ferreux dans le sol, et bien plus encore. ArcGIS Pro offre de nombreux indices clé en main dans sa bibliothèque d’indices.

Pour mettre en évidence la végétation saine, vous pouvez faire un choix parmi plusieurs indices. Vous allez utiliser l’indice SAVI (Soil-Adjusted Vegetation Index), qui fait appel aux bandes Rouge et PIR et utilise la formule de ratio suivante :

SAVI = ((NIR - Red) / (NIR + Red + L)) * (1 + L)

Surtout, SAVI mesure l’écart entre les bandes PIR et Rouge (PIR – Rouge). Une valeur SAVI plus élevée indique une présence plus importante de végétation saine.

Remarque :

L’indice SAVI est une amélioration par rapport à l’indice NDVI plus classique, qui utilise une formule plus simple sans le facteur L. Le facteur L est ajouté à la formule pour minimiser l’influence de la variation de la luminosité du sol sur la valeur en sortie. L est généralement affecté à la valeur 0,5 pour les scènes d’imagerie présentant une couverture végétale intermédiaire. La valeur SAVI finale varie de -1,5 à +1,5 (lorsque L=0,5). Si vous le souhaitez, vous pouvez en avoir plus sur l’indice SAVI.

Vous allez ensuite appliquer l’indice SAVI aux images Before_storm.tif et After_storm.tif.

  1. Dans la fenêtre Contents (Contenu), vérifiez que l’image Before_storm.tif est sélectionnée.
  2. Sur le ruban, dans le groupe Tools (Outils) de l’onglet Imagery (Imagerie), cliquez sur Indices. Dans la fenêtre Indices, sélectionnez l’indice SAVI.

    Bouton d’indice SAVI

  3. Dans la fenêtre SAVI, choisissez les valeurs suivantes :
    • Pour l’indice Near Infrared Band Index (Indice de bande Proche infrarouge), choisissez 4 - Band_4.
    • Pour l’indice Near Infrared Band Index (Indice de bande Rouge), choisissez 3 - Band_3.
    • Pour Soil-brightness correction factor (Facteur de correction de luminosité du sol), conservez 0.5.

    Fenêtre SAVI

  4. Cliquez sur OK.

    Une nouvelle couche, SAVI_Before_storm.tif, apparaît.

    Remarque :

    Contrairement aux images satellite d’origine, la couche raster SAVI n’est pas une couche multibande. Chaque cellule raster contient exactement une valeur SAVI numérique qui résume le statut de végétation saine à cet emplacement.

    De plus, l’outil d’indice SAVI est une fonction raster, ce qui signifie que la couche SAVI résultante est calculée dynamiquement et n’est pas enregistrée sur disque. Aucun jeu de données intermédiaire n’étant créé, les processus peuvent être appliqués rapidement.

  5. De même, appliquez l’indice SAVI à l’image After_storm.tif.

    Une nouvelle couche, SAVI_After_storm.tif, apparaît. Vous allez de nouveau utiliser l’outil Swipe (Balayer) pour comparer les deux couches SAVI.

  6. Dans la fenêtre Contents (Contenu), faites glisser la couche SAVI_Before_storm.tif au-dessus de la couche SAVI_After_storm.tif afin qu’elle apparaisse en premier dans la liste des couches. Vérifiez que les deux couches sont activées, puis si nécessaire, cliquez sur la couche SAVI_Before_storm.tif pour la sélectionner.

    Déplacer la couche SAVI vers le haut

  7. Sur le ruban, dans l’onglet Raster Layer (Couche raster), dans le groupe Compare (Comparer), cliquez sur Swipe (Balayer).
  8. Dans la visionneuse de carte, faites glisser l’affichage de haut en bas pour afficher l’image SAVI_After_Storm.tif et la comparer à l’image SAVI_Before_Storm.tif.

    Les valeurs SAVI les plus élevées sont symbolisées dans des tons blancs ou gris clair et représentent les zones ayant une végétation saine plus importante. On constate que de nombreux champs semblent avoir des valeurs SAVI plus élevées avant la tempête qu’après. Cependant, il reste difficile de savoir si certains champs ont été plus affectés par la tempête que d’autres. Vous allez ensuite calculer la différence entre les deux couches SAVI pour mesurer plus précisément le changement survenu dans la végétation.

  9. Lorsque vous avez terminé votre exploration, sur le ruban, dans le groupe Navigate (Naviguer) de l’onglet Map (Carte), cliquez sur le bouton Explore (Explorer) pour quitter le mode balayage.
  10. Appuyez sur Ctrl+S pour enregistrer le projet.

Calculer le changement entre les deux couches SAVI

Pour mesurer le changement de végétation provoqué par la tempête, vous allez calculer la différence entre les deux couches SAVI à l’aide de la fonction raster Compute Change (Calculer le changement). Pour chaque pixel, la valeur SAVI de SAVI_After_storm.tif sera soustraite de la valeur SAVI de SAVI_Before_storm.tif. Une valeur résultante positive indiquera une perte de végétation saine.

  1. Sur le ruban, dans l’onglet Imagery (Imagerie), dans l’onglet Analysis (Analyse), cliquez sur le bouton Raster Functions (Fonctions raster).

    Bouton Raster Functions (Fonctions raster)

  2. Dans la fenêtre Raster Functions (Fonctions raster), saisissez Compute Change dans la zone de recherche, puis cliquez sur l’outil Compute Change (Calculer le changement) pour l’ouvrir.

    Bouton Compute Change (Calculer le changement)

  3. Dans la fenêtre Compute Change Properties (Propriétés de la fonction Calculer le changement), entrez les valeurs de paramètre suivantes :
    • Pour From Raster (Raster d’origine), sélectionnez SAVI_After_storm.tif.
    • Pour To Raster (Raster de destination), sélectionnez SAVI_Before_storm.tif.
    • Pour Compute Change Method (Méthode de calcul du changement), vérifiez que Difference (Différence) est sélectionné.

    Propriétés de la fonction Compute Change (Calculer le changement)

  4. Cliquez sur Create New Layer (Créer une nouvelle couche).

    La nouvelle couche raster, Compute Change_SAVI_After_storm.tif_SAVI_Before_storm.tif, apparaît.

    Raster affichant le changement dans les valeurs SAVI

    Les zones dans un ton pourpre indiquent une perte de végétation saine (valeurs numériques positives), la perte la plus importante étant symbolisée dans un pourpre foncé. Une inspection visuelle indique très clairement que la tempête de grêle a traversé cette zone en diagonale dans l’axe nord-ouest/sud-est, endommageant la plupart des champs dans cette zone diagonale. Les champs situés en haut à droite et en bas à gauche sur l’image sont beaucoup moins touchés.

    Remarque :

    Vous constaterez peut-être que quelques zones symbolisées en vert (valeurs numériques négatives) semblent indiquer de faibles gains (small gains) dans la végétation. Puisque seulement quatre jours séparent les deux images, il est peu probable qu’une forte croissance de la végétation agricole ait eu lieu durant ce laps de temps. Toutefois, il est possible que sur certaines surfaces de sols dénudés qui étaient sèches en raison de la météorologie du mois d’août, de la mauvaise herbe ait commencé à pousser rapidement après que le sol se soit imprégné de pluie et de grêle fondue pendant la tempête.

    Les faibles gains dans la végétation étant sans intérêt pour votre analyse des dommages subis par les récoltes, vous allez supprimer de votre raster toutes les valeurs inférieures à 0 avec la fonction raster Remap (Nouvelle carte).

  5. Dans la fenêtre Raster Functions (Fonctions raster), recherchez et ouvrez la fonction Remap (Nouvelle carte).

    Bouton Remap (Nouvelle carte)

  6. Dans la fenêtre Remap properties (Propriétés de nouvelle carte), entrez les valeurs de paramètre suivantes :
    • Pour Raster, choisissez Compute Change_SAVI_After_storm.tif_SAVI_Before_storm.tif.
    • Pour Remap Definition Type (Type de définition de classification), conservez List (Liste).

    Vous allez spécifier une règle de classification selon laquelle toutes les valeurs négatives du raster doivent être supprimées, c’est-à-dire remplacées par NoData. Comme l’indique la légende de la fenêtre Contents (Contenu), la valeur la plus faible de la couche étant -0.576915, vous allez utiliser -0.6 comme valeur minimale.

  7. Sur la première ligne de la table, saisissez les valeurs suivantes :
    • Pour Minimum, saisissez -0,6.
    • Pour Maximum, saisissez 0.
    • Pour NoData, cochez la case.

    Propriétés de la nouvelle carte

  8. Cliquez sur Create New Layer (Créer une nouvelle couche).

    Une nouvelle couche raster, Remap_Compute Change_SAVI_After_storm.tif_SAVI_Before_storm.tif, apparaît. Vous allez lui attribuer un nouveau nom, plus court et plus explicite.

  9. Dans la fenêtre Contents (Contenu), cliquez deux fois sur la couche Remap_Compute_Change_SAVI_After_storm.tif_SAVI_Before_storm.tif pour la modifier. Renommez la couche Perte de végétation saine et appuyez sur la touche Entrée.
  10. Dans la fenêtre Contents (Contenu), désactivez toutes les couches sauf la couche raster Perte de végétation saine et les fonds de carte World Topographic Map (Carte topographique du monde) et World Hillshade (ombrage mondial).

    Raster affichant le changement dans les valeurs SAVI (perte uniquement)

    La nouvelle couche n’affiche que les zones ayant subi une perte de végétation saine. L’ombrage foncé de pourpre indique la perte la plus importante.

  11. Appuyez sur Ctrl+S pour enregistrer le projet.

Extraire la perte moyenne de végétation pour chaque champ

Dans cette dernière section, vous allez calculer la perte moyenne de végétation saine dans chaque champ. Pour ce faire, vous allez utiliser la classe d’entités Field boundaries (Limites de champ), dans laquelle les limites de tous les champs cultivés dans la zone sont représentées par des polygones. Cette couche serait gérée par votre organisation agricole.

  1. Dans la fenêtre Contents (Contenu), faites glisser la couche Field boundaries (Limites de champ) vers le haut de la liste des couches. Activez-la.

    Couche Field boundaries (Limites de champ) en haut de la fenêtre Contents (Contenu)

    Les polygones représentant les champs cultivés apparaissent, symbolisés en rouge.

    Couche Field boundaries (Limites de champ) affichée en haut de la couche Perte de végétation saine

    Pour calculer la perte de végétation saine, vous allez utiliser l’outil Zonal Statistics as Table (Statistiques zonales en tant que table). Pour chaque polygone Field boundaries (Limites de champ), l’outil va calculer la valeur moyenne de tous les pixels du raster Perte de végétation saine qui appartiendront au polygone.

  2. Sur le ruban, sous l’onglet Analysis (Analyse), dans le groupe Geoprocessing (Géotraitement), cliquez sur Tools (Outils).

    Bouton Outils

    La fenêtre Geoprocessing (Géotraitement) s’affiche.

  3. Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l’outil Zonal Statistics as Table (Statistiques zonales en tant que table).

    Statistiques zonales (table), outil

  4. Dans l’outil Zonal Statistics as Table (Statistiques zonales en tant que table), saisissez les valeurs suivantes :
    • Pour Input raster or feature zone data (Données raster ou vecteur de zones en entrée), sélectionnez Field boundaries (Limites de champ).
    • Pour Zone field (Champ de zone), conservez la valeur Field_ID (ID_champ), qui a été spécifiée automatiquement.
    • Pour Input value raster (Raster de valeurs en entrée), choisissez Perte de végétation saine.
    • Pour Output table (Table en sortie), saisissez Table_perte_végétation à la fin du chemin Corn field damage.gdb.
    • Pour Ignore NoData in calculations (Ignorer NoData dans les calculs), conservez la case cochée.
    • Pour Statistics type (Type de statistique), sélectionnez Mean (Moyenne).
    • Acceptez les valeurs par défaut pour tous les autres paramètres.

    Paramètres de l’outil Statistiques zonales en tant que table

  5. Cliquez sur Run (Exécuter).

    Cet outil génère une table, que vous allez maintenant ouvrir.

  6. Dans la fenêtre Contents (Contenu), sous Standalone Tables (Tables autonomes), cliquez avec le bouton droit sur Table_perte_végétation et cliquez sur Open (Ouvrir).

    Table_perte_végétation

    La table s’ouvre. Elle contient une ligne pour chaque polygone de champ cultivé. La colonne Mean (Moyenne) indique la perte moyenne de végétation saine pour chaque polygone. Vous devez maintenir reconnecter cette table à la couche Field boundaries (Limites de champ) à l’aide de la valeur Field_ID (ID_champ) commune.

  7. Fermez la Table_perte_végétation.
  8. Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Field boundaries (Limites de champ), puis choisissez Joins and Relates (Jointures et relations) et Add Join (Ajouter une jointure).

    Menu Add Join (Ajouter une jointure)

  9. Dans la fenêtre Add Join (Ajouter une jointure), choisissez les valeurs suivantes :
    • Pour Input Table (Table en entrée), vérifiez que Field boundaries (Limites de champ) est sélectionné.
    • Pour Input Join Field (Champ de jointure en entrée), sélectionnez Field_ID (ID_champ).
    • Pour Join Table (Table de jointure), sélectionnez Table_perte_végétation.
    • Pour Join Table Field (Champ de table de jointure), sélectionnez Field_ID (ID_champ).

    Fenêtre Add Join (Ajouter une jointure)

  10. Cliquez sur OK.

    La valeur Mean (Moyenne) est ajoutée à chaque ligne de la table attributaire Field boundaries (Limites de champ). Vous allez ensuite symboliser la couche Field boundaries (Limites de champ) en fonction de cette valeur moyenne à l’aide d’une combinaison de couleurs graduée.

  11. Double-cliquez sur le symbole Field boundaries (Limites de champ) pour ouvrir la fenêtre Symbology (Symbologie).

    Symbole Field boundaries (Limites de champ)

  12. Dans la fenêtre Symbology (Symbologie), si nécessaire, cliquez sur le bouton de retour.

    Bouton de retour de la fenêtre Symbology (Symbologie)

  13. Sous Primary symbology (Symbologie principale), sélectionnez Graduated Colors (Couleurs graduées).
    • Dans Field (Champ), sélectionnez MEAN (Moyenne).
    • Pour Method (Méthode), vérifiez que Natural Breaks (Jenks) (Seuils naturels (Jenks)) est sélectionné.
    • Pour Classes, sélectionnez 4.
  14. Pour Color scheme (Combinaison de couleurs), développez la liste déroulante et sélectionnez Show names (Afficher les noms). Dans la liste des dégradés de couleurs, choisissez la combinaison de couleurs Yellow to Red (Jaune vers rouge).

    Fenêtre Symbologie

    La symbologie Field boundaries (Limites de champ) est mise à jour.

  15. Dans la fenêtre Contents (Contenu), désactivez la couche Perte de végétation saine pour simplifier l’affichage cartographique.

    Vous allez renommer la couche Field Boundaries (Limites de champ) et les étiquettes de symbologie pour qu’elles soient plus explicites.

  16. Dans la fenêtre Contents (Contenu), cliquez deux fois sur la couche Field boundaries (Limites de champ) pour la mettre à jour. Renommez la couche Perte de végétation par champ et appuyez sur la touche Entrée.

    Renommer la couche Field Boundaries (Limites de champ) Perte de végétation par champ

  17. Dans l’onglet Classes de la fenêtre Symbology (Symbologie), cliquez sur la valeur d’étiquette de la classe jaune. Saisissez Faible et appuyez sur Entrée. Redéfinissez de la même manière les autres valeurs d’étiquette sur Medium (Moyenne), High (Élevée) et Very high (Très élevée).

    Modifier les étiquettes de classe

    Les étiquettes sont également mises à jour dans la fenêtre Contents (Contenu).

  18. Observez le résultat final.

    Carte finale

    Les champs ayant subi une perte élevée (High) et très élevée (Very high) de végétation saine sont clairement concentrés sur le même axe nord-ouest/sud-est que celui observé auparavant. Les champs comportant une valeur Low (Faible) sont essentiellement concentrés dans les coins supérieur droit et inférieur gauche.

    Il se peut qu’il y ait des champs voisins présentant des niveaux de dommages différents. Il peut y avoir de nombreuses raisons à cela. Par exemple, différents types de récolte peuvent être affectés différemment par une tempête de grêle. En outre, deux champs produisant exactement la même récolte, mais chacun à un niveau de maturité de récolte différent, peuvent également être affectés différemment.

    La carte offre une première évaluation des dommages provoqués par la tempête de grêle. Elle pourrait servir de guide pour une inspection plus détaillée du sol.

    Remarque :

    Les étapes suivantes pourraient consister à publier la carte sur le Web via ArcGIS Online et à l’intégrer à une application d’opérations sur le terrain. Les inspecteurs pourraient ainsi interagir directement avec la carte sur leurs appareils mobiles et la mettre à jour avec leurs résultats en temps réel. Vous trouverez un exemple de processus similaire dans le didacticiel Inspecter des bouches d’incendie.

  19. Appuyez sur Ctrl+S pour enregistrer le projet.

Dans ce didacticiel, vous allez observer une imagerie en couleur naturelle avant et après une tempête et explorer les profils spectraux des pixels. Vous avez découvert l’indice SAPI et l’importance des bandes Rouge et Proche infrarouge pour évaluer la santé de la végétation. Vous avez appliqué l’indice SAVI aux deux images et calculé la différence entre les deux rasters résultants. Enfin, vous avez extrait la perte moyenne de végétation saine pour chaque champ de culture et créé une carte fournissant une première évaluation des dommages causés aux récoltes par la tempête.

Vous trouverez d’autres didacticiels comme ceux-ci sur la page Introduction à l’imagerie et la télédétection.