Analyser les changements d’occupation du sol passés
Pour comprendre l’évolution de l’Éthiopie en raison de la croissance de sa population ces dernières décennies, vous allez utiliser Change Detection Wizard (Assistant de détection des changements) pour calculer le changement d’occupation du sol de 1992 à 2018.
Explorer les couches d’occupation du sol
Vous allez commencer par télécharger le fichier .zip compressé qui contient les données à utiliser dans ce didacticiel.
- Télchargez le dossier ChangeInEthiopiaData.
Le téléchargement de ces données peut prendre un certain temps car ce dernier contient des fichiers raster volumineux.
- Localisez le dossier téléchargé sur votre ordinateur et déplacez-le vers l’emplacement de votre choix (par exemple, dans le dossier Documents (Documents)). Cliquez avec le bouton droit sur le dossier et procédez à l’extraction de son contenu.
Remarque :
Selon votre navigateur Web, vous pouvez être 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.
Vous allez maintenant créer un projet ArcGIS Pro et y ajouter les données que vous avez téléchargées.
- Ouvrez ArcGIS Pro. Si nécessaire, connectez-vous à votre compte ArcGIS Online.
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.
Vous allez créer un projet à l’aide du modèle Map (Carte).
- Sous New Project (Nouveau projet), choisissez Map (Carte).
- Dans la fenêtre Create a New Project (Créer un projet), dans le champ Name (Nom), saisissez Change in Ethiopia (Changement en Éthiopie). Pour Location (Emplacement), acceptez l'emplacement par défaut ou sélectionnez un emplacement de votre choix.
- Cliquez sur OK.
Le nouveau projet est créé. Vous allez maintenant ajouter les données d’occupation du sol que vous avez téléchargées.
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Layer (Couche), cliquez sur le bouton Add Data (Ajouter des données).
- Dans la fenêtre Add Data (Ajouter des données), accédez à l’emplacement de votre ordinateur dans lequel vous avez décompressé le dossier ChangeInEthiopiaData. Double-cliquez sur ChangeInEthiopiaData pour l’ouvrir.
- Maintenez la touche Ctrl appuyée et cliquez sur les jeux de données Ethiopia_LandCover_1992.crf et Ethiopia_LandCover_2018.crf pour les sélectionner.
- Cliquez sur OK.
Les deux couches raster sont ajoutées à la carte. La carte effectue un zoom sur l’Éthiopie, l’étendue des couches.
Chaque couche est un jeu de données d’occupation du sol issu des cartes d’occupation du sol de l’Initiative sur le changement climatique de l’Agence Spatiale Européenne (ESA). Pour plus d’informations, reportez-vous à la page des détails des éléments. L’ESA a créé une carte mondiale de l’occupation du sol pour chaque année de 1992 à 2018.
La couche supérieure est la carte d’occupation du sol 2018. Les deux couches représentent les classes d’occupation du sol généralisées suivantes : terres cultivées, forêts, zones arbustives, pâturages, eau de surface, zones urbaines et sol nu. Vous remarquerez que le sol nu se trouve en grande partie dans le nord de l’Éthiopie (dans les hauts plateaux), tandis que le sud de l’Éthiopie est majoritairement constitué de zones arbustives. La région agricole, symbolisée en rose, se trouve au centre du pays, autour de la zone urbaine dense d’Addis Abeba, en rouge foncé.
Vous allez maintenant comparer les deux couches.
- Si nécessaire, dans la fenêtre Contents (Contenu), sélectionnez la couche Ethiopia_LandCover_2018.crf.
Remarque :
L’extension .crf de la couche vous indique que le jeu de données est au format Cloud Raster Format (CRF). Il s’agit du format raster natif de Esri, optimisé pour l’écriture et la lecture de fichiers volumineux dans un environnement de traitement et de stockage distribué.
- Sur le ruban, cliquez sur l’onglet Raster Layer (Couche raster). Dans le groupe Compare (Comparer), cliquez sur Swipe (Balayer).
- En partant du haut de la carte, faites glisser le pointeur vers le bas pour révéler la couche située en-dessous. Faites glisser le pointeur d'avant en arrière pour comparer les deux couches.
La couche supérieure représente l’occupation du sol de 2018 et la couche qui se trouve dessous l’occupation du sol de l’année 1992.
Certaines parties du pays ont clairement changé. Par exemple, la capitale, Addis Abeba, est indiquée par un groupe de pixels en rouge foncé au centre du pays. Elle s’est considérablement développée en 26 ans.
Remarque :
Les deux couches sont des jeux de données raster catégoriques. Les données raster catégoriques sont des données raster dans lesquelles chaque pixel possède une valeur qui représente une classe ou une catégorie. Elles sont parfois appelées données discrètes, données thématiques ou données discontinues et sont la plupart du temps utilisées dans un SIG pour représenter l’occupation du sol, l’utilisation du sol ou d’autres informations zonales, comme le niveau de risque. Dans le cas présent, les catégories représentées sont les types d’occupation du sol, comme les terres cultivées, les forêts, l’eau et les zones urbaines.
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Navigate (Naviguer), cliquez sur le bouton Explore (Explorer) pour quitter le mode balayage.
- Dans la barre d’outils Accès rapide, cliquez sur le bouton Save (Enregistrer).
Calculer le changement d’occupation du sol
Vous allez maintenant utiliser Change Detection Wizard (Assistant de détection des changements) pour détecter les changements qui se sont produits dans le pays entre 1992 et 2018, en vous concentrant sur les changements probablement liés à la croissance de la population.
- Dans la fenêtre Contents (Contenu), sélectionnez la couche Ethiopia_LandCover_1992.crf.
- Dans le ruban, cliquez sur l’onglet Imagerie. Dans le groupe Analysis (Analyse), cliquez sur Change Detection (Détection des modifications) et sélectionnez Change Detection Wizard (Assistant de détection des modifications).
La fenêtre Change Detection Wizard (Assistant de détection des modifications) s’ouvre.
- Dans la fenêtre Change Detection Wizard (Assistant de détection des modifications), dans la fenêtre Configure (Configurer), cliquez sur le menu déroulant Change Detection Method (Méthode de détection des changements) pour afficher les options disponibles pour la détection de changement.
L’option Categorical Change (Changement catégoriel) permet d’identifier un changement qui s’est produit entre deux rasters thématiques (ou catégoriels), comme l’occupation du sol ou la zone à risque. L’option Pixel Value Change (Changement des valeurs de pixels) permet de calculer la différence en valeurs de pixels entre deux rasters continus, comme les rasters de température ou l’imagerie multicanal. Et enfin, l’option Time Series Change (Changements dans une série chronologique) permet d’identifier la date de changement dans une série chronologique d’images.
La méthode Categorical Change (Changement catégoriel) est sélectionnée par défaut car la couche raster qui était sélectionnée dans la fenêtre Contents (Contenu) lorsque vous avez lancé l’assistant est un raster catégorique.
- Pour From Raster (Raster d’origine), vérifiez que la couche Ethiopia_LandCover_1992.crf est sélectionnée. Pour To Raster (Raster de destination), sélectionnez Ethiopia_LandCover_2018.crf.
En sélectionnant cette option, vous vous assurez que la couche Ethiopia_LandCover_1992.crf sera comparée à la couche Ethiopia_LandCover_2018.crf.
- Cliquez sur Next (Suivant).
Dans la fenêtre Class Configuration (Configuration de classe), vous pouvez sélectionner le type de filtrage à effectuer, les classes à inclure dans l’analyse et la méthode de rendu des résultats. Vous souhaitez uniquement afficher les zones qui ont subi des modifications et seulement les changements probablement dus à la croissance de la population.
- Pour Filter Method (Méthode de filtrage), vérifiez que l’option Changed Only (Ayant changé uniquement) est sélectionnée. Dans la liste From Classes (Classes d’origine), conservez toutes les classes sélectionnées.
- Dans la liste To Classes (Classes de destination), pointez sur Urban (Urbain) et cliquez sur only (uniquement).
Désormais, la classe Urban (Urbain) est la seule classe sélectionnée de la liste. Cependant, la croissance urbaine n’est pas la seule classe susceptible d’indiquer un changement en raison de la croissance de la population. Un développement des terres cultivées peut aussi indiquer une croissance de la population.
- Cochez la case en regard de Cropland (Terre cultivée).
En résumé, vous souhaitez détecter toutes les zones dont l’occupation du sol a été modifiée en zone urbaine ou terre cultivée. Vous allez conserver la valeur par défaut Average (Moyenne) de l'option Transition class color method (Méthode de détermination de la couleur de la classe de transition). Ce paramètre détermine la manière dont les classes en sortie sont rendues.
- Cliquez sur le bouton Preview (Aperçu).
Dans la fenêtre Contents (Contenu), une couche Preview_ComputeChange est ajoutée. Cette couche est générée de manière dynamique et n’est pas enregistrée. Vous générerez la couche des changements définitifs ultérieurement.
- Dans la fenêtre Contents (Contenu), désactivez Ethiopia_LandCover_2018.crf et Ethiopia_LandCover_1992.crf. Sur la carte, effectuez un zoom avant à l’aide de la molette de la souris pour afficher la capitale Addis Abeba.
Les agrégats de pixels indiquent les zones de changement.
- Sur la carte, cliquez sur plusieurs pixels indiquant des changements.
Une fenêtre contextuelle apparaît pour le pixel sur lequel vous avez cliqué et indique le type de changement qui s’est produit.
Il semble que la plupart des changements concernent les terres cultivées, les zones arbustives, les pâturages ou les forêts qui sont devenus des zones urbaines. La ville s’est clairement développée entre 1992 et 2018.
- Fermez les fenêtres contextuelles ouvertes. Dans la fenêtre Change Detection Wizard (Assistant de détection des modifications), cliquez sur Next (Suivant).
La fenêtre Output Generation (Génération en sortie) apparaît. Vous allez enregistrer la sortie sur votre ordinateur.
Le paramètre Smoothing Neighborhood (Lissage du voisinage) par défaut est None (Aucun). Ce paramètre vous permet de lisser vos résultats pour un meilleur affichage. Dans le cas présent, vous ne souhaitez pas lisser les résultats car vous voulez calculer la surface d’occupation du sol et le lissage des résultats modifierait les valeurs de pixels.
- Pour Save Result As (Enregistrer le résultat sous), vérifiez que le paramètre Raster Dataset (Jeu de données raster) est sélectionné.
- Pour Output Dataset (Jeu de données en sortie), cliquez sur le bouton Browse (Parcourir).
- Dans la fenêtre Output Dataset (Jeu de données en sortie), cliquez sur Folders (Dossiers) et double-cliquez sur Change in Ethiopia (Changement en Éthiopie). Dans le champ Name (Nom), saisissez Ethiopia_LandCoverChange_1992_2018.tif.
- Cliquez sur Save (Enregistrer). Dans la fenêtre Change Detection Wizard (Assistant de détection des modifications), cliquez sur Run (Exécuter).
Le jeu de données des changements est ajouté à la carte.
- Dans la fenêtre Change Detection Wizard (Assistant de détection des modifications), cliquez sur Finish (Terminer).
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Ethiopia_LandCoverChange_1992_2018.tif et sélectionnez Zoom To Layer (Zoom sur la couche).
- Enregistrez votre projet.
Analyser les résultats
Vous avez généré un raster de changement de l’occupation du sol. Vous allez à présent étudier les résultats et créer un diagramme.
Vous allez commencer par supprimer l'aperçu que vous avez généré car vous n'en avez plus besoin.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Preview_ComputeChange et sélectionnez Remove (Supprimer).
Remarque :
Si vous n’avez pas cliqué sur Finish (Terminer) pour fermer la fenêtre Change Detection Wizard (Assistant de détection des modifications), la couche Preview (Aperçu) ne peut pas être supprimée.
- Cliquez avec le bouton droit sur Ethiopia_LandCoverChange_1992_2018.tif et sélectionnez Attribute Table (Table attributaire).
La table attributaire s'ouvre.
Le champ Class_name (Nom_classe) répertorie les différentes transitions vers les classes Cropland (Terre cultivée) et Urban (Urbain). Le champ Count (Total) indique le nombre total de pixels dans chaque catégorie. Le champ Area (Surface) indique la surface totale que cela représente (en mètres carrés). Il est possible de calculer la surface car le jeu de données se trouve dans un système de coordonnées projetées, avec des unités linéaires en mètres.
Remarque :
Lors du calcul des surfaces, il est important de commencer à partir de jeux de données raster situés dans une projection qui conserve les surfaces, également connue sous le nom de projection équivalente. Dans le cas présent, les couches d’occupation du sol utilisent la projection Africa Albers Equal Area Conic.
- Dans la table attributaire, cliquez avec le bouton droit sur l'en-tête du champ Area (Surface) et sélectionnez Sort Descending (Tri décroissant).
Les lignes sont désormais triées selon la surface, la transition concernant la surface la plus importante étant indiquée en premier.
La première ligne, avec le champ Class_name (Nom_classe) ayant la valeur Other (Autre), représente toutes les transitions qui se sont produites de 1992 à 2018 et qui ne figuraient pas dans l’analyse. Dans la seconde ligne, No Change (Aucune modification) représente les pixels qui n’ont subi aucune transition et qui sont restés tels quels.
Puisque vous n’avez pas besoin de ces lignes, vous allez les supprimer de la table.
- Dans la table attributaire, appuyez sur la touche Ctrl et cliquez sur le début des deux lignes pour les sélectionner.
- Appuyez sur la touche Suppr. Dans la fenêtre Delete (Supprimer), cliquez sur Yes (Oui).
Les deux lignes sont supprimées. Vous allez enregistrer ce changement.
- Sur le ruban, cliquez sur l’onglet Edit (Modifier). Dans le groupe Manage Edits (Gérer les mises à jour), cliquez sur Save (Enregistrer).
- Si nécessaire, dans la fenêtre Save Edits (Enregistrer les mises à jour), cliquez sur Yes (Oui).
Dans la table attributaire, la transition de classe concernant la surface les plus importante est désormais Shrubland (Zone arbustive) en Cropland (Terre cultivée). Selon votre analyse, 5 537 592 079,12 mètres carrés (soit environ 5 538 kilomètres carrés) de zones arbustives ont été converties en terres cultivées entre 1992 et 2018. Ensuite, une grande portion de forêt a également été convertie en terre cultivée, ce qui suggère une transformation de la végétation naturelle en terres cultivées pour répondre à la croissance de la population.
La quatrième ligne indique qu'une grande quantité des terres cultivées ont été converties en occupation du sol de type urbain. Cela est cohérent avec votre analyse qui indique que le développement urbain rapide menace les terres agricoles fertiles qui entourent Addis Abeba (Deribew, 2020).
Vous allez créer un diagramme à barres qui résume ces résultats.
- Fermez la table attributaire.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la couche Ethiopia_LandCoverChange_1992_2018.tif, pointez sur Create Chart (Créer un diagramme) et sélectionnez Bar Chart (Diagramme à barres).
La fenêtre Chart Properties (Propriétés du diagramme) s’ouvre et un diagramme vierge apparaît en bas du projet.
- Dans la fenêtre Chart Properties (Propriétés du diagramme), définissez les paramètres suivants :
- Dans Category or Date (Catégorie ou date), sélectionnez Class_From (Classe_Origine).
- Dans Aggregation (Agrégation), sélectionnez Sum (Somme).
- Pour Numeric field(s) (Champ(s) numérique(s)), cliquez sur Select (Sélectionner) et cochez Area (Surface). Cliquez sur Apply (Appliquer).
- Pour Split by (Fractionner par), sélectionnez Class_To (Classe_Destination).
Le diagramme est mis à jour. L’axe x représente les types d’occupation du sol de Class_From (Classe_Origine) et l’axe y, la surface (en mètres carrés) de chaque catégorie subissant une transition vers le type Cropland (Terre cultivée) (barres bleu clair) ou Urban (Urbain) (barres bleu foncé).
Vous allez maintenant améliorer l’apparence du diagramme afin qu’il corresponde à la symbologie des données.
- Dans la fenêtre Chart Properties (Propriétés du diagramme), cliquez sur l’onglet Series (Séries). Pour Display multiple series as (Afficher plusieurs séries comme), sélectionnez Stacked (Empilées).
Les barres Cropland (Terre cultivée) et Urban (Urbain) sont désormais empilées l’une au-dessus de l’autre. Vous allez ensuite modifier les couleurs des barres pour qu'elles correspondent aux symboles utilisés dans les données d'occupation du sol.
- Dans la table Series (Séries), cliquez sur le symbole Cropland (Terre cultivée) et sélectionnez Color Properties (Propriétés des couleurs).
- Dans la fenêtre Color Editor (Éditeur de couleurs), définissez les valeurs suivantes :
- Définissez Red (Rouge) sur 247.
- Définissez Green (Vert) sur 198.
- Définissez Blue (Bleu) sur 196.
- Définissez Transparency (Transparence) sur 0 %.
- Cliquez sur OK pour appliquer la couleur.
- Changez la couleur de la barre d’occupation du sol de type Urban (Urbain) à l'aide des valeurs suivantes :
- Définissez Red (Rouge) sur 175.
- Définissez Green (Vert) sur 55.
- Définissez Blue (Bleu) sur 46.
- Définissez Transparency (Transparence) sur 0 %.
- Dans la fenêtre Chart Properties (Propriétés du diagramme), cliquez sur l’onglet General (Général). Définissez les paramètres suivants :
- Pour Chart title (Titre du diagramme), saisissez Cropland and Urban Growth in Ethiopia (Croissance des zones de terres cultivées et urbaines en Éthiopie).
- Pour X axis title (Titre de l’axe X), saisissez Original Class (1992) (Classe d’origine (1992)).
- Pour Y axis title (Titre de l’axe Y), saisissez Total Area (m2) (Surface totale (m2)).
- Pour Legend title (Titre de la légende), saisissez New Class (2018) (Nouvelle classe (2018)).
- Décochez Description (Description).
Le diagramme est mis à jour et prend son apparence finale.
La diminution des catégories Bare (Terre nue), Forest (Forêt), Grassland (Pâturages), Shrubland (Zone arbustive) et Water (Eau) s’est faite en grande partie au profit de la classe Cropland (Terre cultivée). Si vous pointez sur la barre Cropland (Terre cultivée), vous pouvez voir qu’environ 468 millions de mètres carrés (468 kilomètres carrés) de terres cultivées ont été converties en surfaces urbaines. Parallèlement, le contributeur le plus important au développement des terres cultivées est la catégorie Shrubland (Zone arbustive), suivie des catégories Forest (Forêt) et Grassland (Pâturages). D’après ce diagramme, il semble que la croissance de la population en Éthiopie entre 1992 et 2018 a principalement contribué à une augmentation importante de l’utilisation du sol de type agricole. La croissance urbaine est visible, mais elle reste secondaire.
- Fermez le diagramme et la fenêtre Chart Properties (Propriétés du diagramme). Enregistrez le projet.
Vous avez analysé les changements d’occupation du sol passés en Éthiopie. Vous allez maintenant analyser les changements récents en matière de végétation.
Analyser les changements récents de végétation
Pour comprendre l’impact d’une invasion massive de criquets pèlerins sur l’Éthiopie, vous allez utiliser l’imagerie satellite Landsat 8 afin de comparer les valeurs d’indice de végétation avant et après l’invasion qui a commencé au Kenya en décembre 2019 et s’est propagée aux pays environnants les mois qui ont suivi.
Explorer des couches d’images
Vous allez commencer par créer une carte dans votre projet et y ajouter les deux images Landsat 8.
- Sur le ruban, cliquez sur l’onglet Insert (Insertion). Dans le groupe Project (Projet), cliquez sur le bouton New Map (Nouvelle carte).
Une nouvelle carte, Map1 (Carte1), est ajoutée au projet à côté de la première carte.
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Layer (Couche), cliquez sur le bouton Add Data (Ajouter des données).
- Dans la fenêtre Add Data (Ajouter des données), accédez à l’emplacement dans lequel vous avez décompressé le dossier ChangeInEthiopiaData.
- Appuyez sur la touche Ctrl et sélectionnez les jeux de donnés Landsat8_2019_10_15.tif et Landsat8_2020_11_18.tif. Cliquez sur OK.
Les deux images Landsat 8 sont ajoutées à la carte.
La première couche est une image qui a été capturée le 15 octobre 2019, avant l’invasion de criquets pèlerins. La seconde image a été capturée le 18 novembre 2020 après l’invasion qui a dévasté la région. Les images couvrent la ville d’Addis Abeba et ses zones rurales environnantes jusqu’à la limite de la réserve naturelle d’Aledeghi.
Vous allez optimiser le rendu des deux images et les comparer.
- Si nécessaire, dans la fenêtre Contents (Contenu), sélectionnez la couche Landsat8_2020_11_18.tif.
- Sur le ruban, cliquez sur l’onglet Raster Layer (Couche raster). Dans le groupe Rendering (Rendu), cliquez sur le bouton Symbology (Symbologie).
La fenêtre Symbology (Symbologie) apparaît. L'option Primary symbology (Symbologie principale) est définie sur RGB (RVB). L’image multispectrale Landsat 8 possède initialement 11 bandes spectrales, mais 7 ont été fournies dans les images que vous avez téléchargées. Les canaux Red (Rouge), Green (Vert) et Blue (Bleu) sont actuellement définis sur les bandes 1 (aérosol côtier), 2 (bleu) et 3 (vert), respectivement. Il s’agit d’une combinaison de bandes par défaut, d’après l’ordre initial des bandes. Vous allez modifier la symbologie pour afficher l’image dans un rendu de couleurs naturelles, composé des canaux 4 (rouge), 3 (vert) et 2 (bleu).
- Dans la fenêtre Symbology (Symbologie), définissez les canaux suivants :
- Remplacez Red (Rouge) par sr_band4.
- Remplacez Green (Vert) par sr_band3.
- Remplacez Blue (Bleu) par sr_band2.
La couche est actualisée dans la carte. Désormais, la végétation s’affiche en vert, le sol nu en marron ou en gris-marron, l’eau en bleu ou en bleu-gris et les zones urbaines en gris vif.
Remarque :
Les nuages et leurs ombres sur les images ont été définies en tant que valeurs NoData avec la bande d’évaluation de la qualité disponible avec la réflectance de surface Landsat 8. Ces zones apparaissent vides et il se peut que vous voyiez la couche située sous ces emplacements.
- Dans la fenêtre Contents (Contenu), cliquez sur la couche Landsat8_2019_10_15.tif. Dans la fenêtre Symbology (Symbologie), définissez les canaux suivants :
- Remplacez Red (Rouge) par sr_band4.
- Remplacez Green (Vert) par sr_band3.
- Remplacez Blue (Bleu) par sr_band2.
Vous allez utiliser l’outil Balayer pour comparer les deux images avant et après l’invasion de criquets pèlerins.
- Dans la fenêtre Contents (Contenu), cliquez sur la couche Landsat8_2020_11_18.tif pour la sélectionner.
- Sur le ruban, dans l’onglet Raster Layer (Couche raster), dans le groupe Compare (Comparer), cliquez sur Swipe (Balayer).
- Faites glisser le pointeur du haut vers le bas pour retirer l’image supérieure et révéler la seconde image située en-dessous.
L’image de 2019 contient bien plus de végétation que l’image de 2020.
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Navigate (Naviguer), cliquez sur Explore (Explorer).
- Enregistrez la carte.
Calculer la différence entre les valeurs de pixel
Maintenant que vous avez visualisé la différence entre les deux images, vous allez calculer la différence de végétation à l’aide de l’indice de végétation NDVI dans Change Detection Wizard (Assistant de détection des changements).
- Dans le ruban, cliquez sur l’onglet Imagerie. Dans le groupe Analysis (Analyse), cliquez sur Change Detection (Détection des modifications) et sélectionnez Change Detection Wizard (Assistant de détection des modifications).
Par défaut, Change Detection Method (Méthode de détection des changements) est défini sur Pixel Value Change (Changement des valeurs de pixel). Cette fois, cette option est sélectionnée par défaut car l’imagerie est continue.
- Pour From Raster (Raster d’origine), sélectionnez l'image 2019. Pour To Raster (Raster de destination), sélectionnez l'image 2020.
- Cliquez sur Next (Suivant).
La fenêtre Band Difference (Différence de bande) apparaît. Elle vous permet de sélectionner plusieurs options propres au mode de changement des valeurs de pixel.
Par défaut, Difference Type (Type de différence) est défini sur Absolute (Absolue). La différence absolue est la différence mathématique entre les valeurs de pixel de chaque image. En comparaison, la différence relative tient compte de la magnitude des valeurs comparées. Dans le cas présent, les valeurs de l’indice de végétation que vous allez utiliser sont déjà normalisées (elles sont comprises entre -1 et 1) ; il n’est donc pas nécessaire d’employer la différence relative.
- Pour Band Difference Method (Méthode de calcul des différences entre les bandes), sélectionnez Band Index Difference (Différence d’indice de bande).
Cette option vous permet de calculer d’abord un indice de bande sur chaque image avant de procéder à la comparaison. Dans le cas présent, vous allez utiliser l’indice NDVI, qui permet de comparer la couverture végétale. Le paramètre Band Index (Indice de bande) est défini sur NDVI (NDVI) par défaut.
L’indice de végétation par différence normalisée (NDVI) est un indice couramment utilisé pour évaluer la présence ou l’absence de végétation saine dans l’imagerie. Il utilise les informations de réflectance spectrale des bandes rouge et proche infrarouge (NIR) et calcule un ratio avec la formule suivante :
NDVI = (NIR – Red) / (NIR + Red)
Vous allez spécifier les bandes de vos images qui correspondent aux bandes spectrales proche infrarouge et rouge.
- Définissez Near Infrared Band Index (Indice de bande proche infrarouge) sur 5 - sr_band5 pour les deux images. Définissez Red Band Index (Indice de bande rouge) sur 4 - sr_band4 pour les deux images.
- Cliquez sur Next (Suivant).
- Dans la fenêtre Classify Difference (Classer les différences), cliquez sur le bouton Compute Statistics & Histogram (Calculer les statistiques et l’histogramme).
Change Detection Wizard (Assistant de détection des changements) calcule l’indice NDVI sur les deux images, puis calcule la différence entre ces deux indices, donc cette opération peut prendre une minute. La couche Preview_Mask est ensuite ajoutée à la carte. Cette couche représente la différence entre les valeurs de l’indice NDVI.
Dans Change Detection Wizard (Assistant de détection des changements), la fenêtre Classify Difference (Classer les différences) contient un histogramme représentant la distribution des valeurs de différence entre les deux dates. Les valeurs positives indiquent un indice NDVI accru (c’est-à-dire une augmentation de la végétation saine), tandis que des valeurs négatives indiquent une perte de l’indice NDVI (c’est-à-dire une perte de la végétation saine).
Vous allez modifier la symbologie de cette couche pour mieux comprendre ce qu’elle représente.
- Dans la fenêtre Contents (Contenu), cliquez sur le dégradé de couleurs Preview_Mask.
La fenêtre Symbology (Symbologie) apparaît.
- Dans la fenêtre Symbology (Symbologie), pour Color scheme (Combinaison de couleurs), développez la liste déroulante et cochez la case Show names (Afficher les noms). Sélectionnez Yellow-Green-Blue (Continuous) (Jaune-vert-bleu (continu)).
- Cochez la case Invert (Inverser).
Le masque d'aperçu est mis à jour. Les zones dans lesquelles la végétation saine a diminué sont représentées en bleu foncé ou en bleu moyen. Les zones dans lesquelles la végétation saine a augmenté sont représentées en jaune clair. Quelques zones de la couche n’ont aucune couleur car l’imagerie contient des nuages qui s’affichent en tant que valeurs NoData.
- Fermez la fenêtre Symbology (Symbologie).
- Dans la fenêtre Classify Difference (Classer les différences), dans l’histogramme Explore Differences (Explorer les différences), faites glisser la flèche de la poignée maximum sur 0 de sorte que seules les valeurs négatives de l’histogramme soient sélectionnées entre les poignées minimum et maximum.
Le masque d'aperçu est mis à jour dans la carte et affiche uniquement les valeurs de pixel comprises entre les valeurs minimum (-1,36) et maximum (0) sélectionnées dans l’histogramme. La grande majorité des valeurs sont inférieures à 0, ce qui signifie que la plupart des régions ont perdu de la végétation. Une faible diminution de l’indice NDVI est attendue entre ces deux dates, surtout si les dates de capture sont espacées de plus d'un mois. Vous souhaitez vous concentrer sur l’identification des zones présentant une perte de l’indice NDVI.
- Faites glisser la poignée maximum sur environ -0,25.
La couche est mise à jour. Désormais, seules les zones ayant subi une perte de 0,25 ou plus de l’indice NDVI s’affichent sur la carte. Vous allez considérer que cette valeur représente une perte significative de l’indice NDVI.
- Vérifiez que la case Classify the difference in values (Classer les différences de valeur) est cochée. Cliquez sur le bouton Add New Class (Ajouter une nouvelle classe).
Les valeurs minimale et maximale sont ajoutées à la table Classify Output (Classer la sortie). Ces fonctions vous permettent d’extraire et de classer une plage de valeurs spécifique à partir du raster de différence. Au lieu de calculer la différence entre deux jeux de données, vous pouvez mettre en évidence le phénomène qui vous intéresse.
- Dans la table Classify Output (Classer la sortie), définissez la valeur Output (Sortie) sur 1, Class Name (Nom de la classe) sur NDVI Loss (Perte NDVI) et Color (Couleur) sur le rouge.
- Dans la partie inférieure de la fenêtre, cliquez sur Preview (Aperçu).
La couche Preview_ClassifiedDifference est ajoutée à la carte. Les pixels rouges représentent toutes les zones ayant subi une perte significative de l’indice NDVI.
De petits changements de l’indice NDVI sont attendus d’une année sur l’autre, mais une grande perte de l’indice NDVI telle que celle que vous avez identifiée ne peut être attribuée qu’à un événement perturbateur. Il est probable que l’invasion de criquets pèlerins soit la cause de la perte que vous constatez dans l’imagerie. Les criquets pèlerins volent en essaim sur les zones végétales et les terres cultivées sont particulièrement vulnérables. Cela a entraîné une perte dévastatrice pour des millions de personnes.
- Cliquez sur Next (Suivant).
Vous allez maintenant enregistrer votre sortie.
- Dans la fenêtre Output Generation (Génération en sortie), définissez les paramètres suivants :
- Pour Smoothing Neighborhood (Lissage du voisinage), vérifiez que la valeur None (Aucun) est sélectionnée.
- Pour Save Result As (Enregistrer le résultat sous), vérifiez queRaster Dataset (Jeu de données raster) est sélectionné.
- Pour Output Dataset (Jeu de données en sortie), cliquez sur Browse (Parcourir). Double-cliquez sur Folders (Dossiers) et cliquez sur Change in Ethiopia (Changement en Éthiopie). Dans le champ Name (Nom), saisissez NDVILoss_2019_2020.tif. Cliquez sur Save (Enregistrer).
Remarque :
La spécification de l’extension .tif détermine le format de sortie du jeu de données raster, à savoir un fichier TIFF. Pour connaître la liste des formats raster pris en charge, reportez-vous à la documentation Formats de fichiers raster.
- Cliquez sur Run (Exécuter).
Le nouveau jeu de données est ajouté à la carte.
- Dans la fenêtre Contents (Contenu), désactivez les couches Preview_ClassifiedDifference et Preview_Mask.
Remarque :
Si la couche Preview_ClassifiedDifference semble différente du résultat final, c’est parce que la couche d’aperçu est générée à l’aide de fonctions raster, qui calculent les résultats de manière dynamique avec une taille de pixel rééchantillonnée selon l’affichage actuel du jeu de données.
- Enregistrez votre projet. Ne fermez pas Change Detection Wizard (Assistant de détection des modifications).
Effectuer la même analyse plusieurs fois
Puisque ce processus de détection de changement est exécuté à l’aide de fonctions raster, vous pouvez enregistrer la sortie (et la sortie du module précédent) en tant que modèle de fonction raster. Vous pouvez ensuite utiliser le modèle de fonction raster sur d’autres images, et effectuer ainsi une analyse rapide et pouvant être répétée dans de nombreuses zones ou sur d’autres années.
Vous allez maintenant créer votre processus de comparaison d’indice NDVI en tant que nouveau modèle de fonction raster.
- Dans la fenêtre Contents (Contenu), désactivez la couche NDVILoss_2019_2020.tif.
- Dans la fenêtre Change Detection Wizard (Assistant de détection des modifications), puis dans la fenêtre Output Generation (Génération en sortie), pour Save Result As (Enregistrer le résultat sous), sélectionnez Raster Function Template (Modèle de fonction raster). Cliquez sur Run (Exécuter).
La fenêtre de l’éditeur Raster Function Template (Modèle de fonction raster) apparaît, renseignée avec les fonctions que vous avez utilisées pour exécuter l’analyse.
- Cliquez avec le bouton droit sur la première entrée Raster (Raster), sélectionnez Rename (Renommer), puis renommez l'entrée From Raster (Raster d’origine). Renommez l’entrée Raster inférieure en To Raster (Raster de destination).
- Double-cliquez sur la première fonction Band Arithmetic (Arithmétique de canal). Dans la fenêtre Band Arithmetic Properties (Propriétés de la fonction Arithmétique de bande), cliquez sur l'onglet Variables (Variables) et cochez la case IsPublic pour le paramètre From Raster (Raster d’origine).
Cette configuration garantit que le paramètre From Raster (Raster d’origine) est visible dans la fonction raster finale. Lorsque vous exécutez cette fonction, il est possible de sélectionner le raster à utiliser en tant que paramètre From Raster (Raster d’origine).
- Cliquez sur OK.
- Double-cliquez sur la dernière fonction Band Arithmetic (Arithmétique de canal). Dans la fenêtre Band Arithmetic Properties (Propriétés de la fonction Arithmétique de bande), cliquez sur l'onglet Variables (Variables) et cochez la case IsPublic pour le paramètre To Raster (Raster de destination).
- Cliquez sur OK. Dans la fenêtre Raster Function Template1 (Modèle de fonction raster1), cliquez sur le bouton Save (Enregistrer).
- Dans la fenêtre Save (Enregistrer), définissez les paramètres suivants :
- Pour Name (Nom), saisissez Landsat 8 NDVI Loss (Perte NDVI Landsat 8).
- Pour Category (Catégorie), sélectionnez Custom (Personnalisé).
- Pour Description, saisissez Compares two Landsat 8 images and extracts a loss in NDVI of 0.25 or more (Compare deux images Landsat 8 et extrait une perte de l’indice NDVI supérieure ou égale à 0,25).
- Cliquez sur OK.
- Fermez la fenêtre Raster Function Template1 (Modèle de fonction raster1). Si un message vous demande d’enregistrer la chaîne de fonctions mise à jour, cliquez sur No (Non).
- Dans la fenêtre Change Detection Wizard (Assistant de détection des modifications), cliquez sur Finish (Terminer).
Vous allez tester la fonction que vous venez de créer.
- Sur le ruban, sous l’onglet Imagery (Imagerie), dans le groupe Analysis (Analyse), cliquez sur le bouton Raster Functions (Fonctions raster).
La fenêtre Fonctions raster apparaît.
- Dans la fenêtre Raster Functions (Fonctions raster), cliquez sur l’onglet Custom (Personnalisé) et développez la catégorie Custom1 (Personnalisé1).
- Cliquez sur Landsat 8 NDVI Loss (Perte NDVI Landsat 8).
La fonction que vous avez créée s'ouvre.
- Dans la fenêtre Landsat 8 NDVI Loss Properties (Propriétés de perte NDVI Landsat 8), pour From Raster (Raster d’origine), sélectionnez Landsat8_2019_10_15.tif. Pour To Raster (Raster de destination), sélectionnez Landsat8_2020_11_18.tif.
- Cliquez sur Créer une nouvelle couche.
La couche de fonctions raster obtenue est ajoutée à la carte. Elle a utilisé exactement la même procédure que celle que vous avez utilisée dans Change Detection Wizard (Assistant de détection des modifications). Vous pouvez fournir n’importe laquelle des deux images Landsat 8 pour générer un résultat similaire.
Remarque :
Si vous souhaitez sélectionner un autre capteur (à savoir un autre type d’imagerie), vous devez modifier les valeurs d’indice de bande dans les fonctions Band Arithmetic (Arithmétique de bande) de telle sorte que les bandes correctes soient utilisées pour le calcul de l’indice NDVI.
- Enregistrez votre projet. Fermez ArcGIS Pro.
Vous avez utilisé Change Detection Wizard (Assistant de détection des changements) pour calculer la différence entre les valeurs de pixel entre les couches de l’imagerie Landsat et identifier les zones ayant subi une perte de végétation. Vous avez également créé un modèle de fonction raster qui permet d’appliquer la même analyse à d’autres données.
Effectuer une analyse des changements sur votre lieu de résidence
Vous pouvez utiliser Change Detection Wizard (Assistant de détection des changements) pour calculer la différence entre deux rasters issus de vos propres collections de données. Vous pouvez également utiliser cet assistant pour comparer deux couches issues d’un service d’imagerie mondiale en choisissant d’analyser n’importe quelle localisation sélectionnée, y compris la zone où vous résidez.
Analyser les changements à l’aide du service d’imagerie Global Land Cover (Occupation du sol à l’échelle mondiale)
Le service d’imagerie Global Land Cover 1992-2019 est hébergé sur ArcGIS Living Atlas et peut être configuré pour des années spécifiques si vous souhaitez connaître l’évolution de l’occupation du sol dans votre zone de résidence. Comme exercice d’entraînement, vous pouvez utiliser la procédure ci-dessous pour identifier les changements de votre région d’intérêt.
- Lancez ArcGIS Pro et créez un projet à l'aide du modèle Map (Carte) en lui affectant le nom de projet de votre choix.
Vous allez accéder à une couche dynamique contenant des informations similaires à celles que vous avez utilisées, mais pour le monde entier.
- Sur le ruban, cliquez sur l'onglet Vue. Dans le groupe Windows (Fenêtres), cliquez sur Catalog Pane (Fenêtre Catalogue).
- Dans la fenêtre Catalog (Catalogue), cliquez sur l’onglet Portal (Portail), puis sur le bouton Living Atlas (Living Atlas).
- Recherchez Global Land Cover. Cliquez avec le bouton droit sur le service d’imagerie Global Land Cover 1992-2019 (Global Land Cover 1992-2019) et sélectionnez Add To Current Map (Ajouter à la carte actuelle).
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Inquiry (Requête), cliquez sur le bouton Locate (Localiser).
- Dans la fenêtre Locate (Localiser), saisissez un lieu d'intérêt, tel que Denver, Colorado, États-Unis, puis appuyez sur Enter (Entrée).
La carte effectue un zoom sur votre lieu d'intérêt.
- Fermez la fenêtre Localiser.
Remarque :
Si nécessaire, vous pouvez effectuer un zoom arrière jusqu'à ce que l'ensemble de la zone apparaisse.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Global Land Cover 1992-2019 (Global Land Cover 1992-2019) et sélectionnez Properties (Propriétés).
- Dans la fenêtre Propriétés de la couche, cliquez sur l'onglet Heure. Pour Filter using time (Filtrer à l’aide du temps), choisissez No Time - content is always shown (Aucune étendue temporelle - le contenu est toujours affiché).
- Cliquez sur l’onglet Definition Query (Ensemble de définition).
- Cliquez sur New definition query (Nouvel ensemble de définition) et créez l’ensemble de définition suivant : Où Date de début est égal à 1/1/1992.
- Cliquez sur Apply (Appliquer). Cliquez sur OK.
Les données d’occupation du sol sur votre carte datent de 1992. Vous allez enregistrer une copie locale de ces données à des fins d’analyse.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la couche Global Land Cover 1992-2019 (Global Land Cover 1992-2019), pointez sur Data (Données) et sélectionnez Export Raster (Exporter un raster).
La fenêtre Export Raster (Exporter un raster) s’affiche.
- Dans la fenêtre Export Raster (Exporter un raster), pour Output Raster Dataset (Jeu de données raster en sortie), cliquez sur le bouton Browse (Parcourir). Accédez à l'emplacement de votre choix, nommez la couche en sortie LandCover_1992.tif, puis cliquez sur Save (Enregistrer).
- Pour Coordinate System (Système de coordonnées), cliquez sur le bouton Spatial Reference (Référence spatiale). Dans la fenêtre Spatial Reference (Référence spatiale), dans la barre de recherche, saisissez albers equal area conic, puis appuyez sur Enter (Entrée).
- Développez Projected Coordinate System (Système de coordonnées projetées) et sélectionnez un système de coordonnées adapté à votre zone d’étude. Cliquez sur OK.
- Pour Clipping Geometry (Géométrie de découpe), choisissez Current Display Extent (Étendue actuellement affichée).
- Cliquez sur Exporter.
Un raster de l’occupation du sol en 1992 est ajouté à la fenêtre Contents (Contenu).
Remarque :
Les résultats affichés peuvent varier en fonction de votre localisation d’analyse.
Vous allez maintenant répéter cette procédure pour créer une couche d'occupation du sol pour 2019.
- Pour la couche Global Land Cover 1992-2019 (Global Land Cover 1992-2019), effectuez les actions suivantes :
- Dans la fenêtre Layer Properties (Propriétés de la couche), formulez l’ensemble de définition suivant : Où Date de début est égale à 1/1/2019.
- Dans la fenêtre Export Raster (Exporter un raster), pour Output Raster Dataset (Jeu de données raster en sortie), sélectionnez un emplacement en sortie et nommez le raster LandCover_2019.tif.
- Dans la fenêtre Export Raster (Exporter un raster), pour Coordinate System (Système de coordonnées), sélectionnez le même système de coordonnées que précédemment.
- Dans la fenêtre Export Raster (Exporter un raster), pour Clipping Geometry (Géométrie de découpe), sélectionnez Current Display Extent (Étendue actuellement affichée).
- Cliquez sur Exporter.
Un nouveau raster de l’occupation du sol en 2019 est ajouté à votre carte aux fins d’analyse.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la couche Global Land Cover 1992-2019 et sélectionnez Remove (Supprimer).
Vous disposez à présent de deux rasters catégoriques de deux années différentes à comparer.
- Sur le ruban, dans l’onglet Imagery (Imagerie), dans le groupe Analysis (Analyse), cliquez sur Change Detection (Détection des modifications) et sélectionnez Change Detection Wizard (Assistant de détection des modifications).
- Dans Change Detection Wizard (Assistant de détection des modifications), définissez les paramètres suivants :
- Pour Change Detection Method (Méthode de détection des changements), conservez la valeur Categorical Change (Changement catégoriel).
- Pour From Raster (Raster d’origine), sélectionnez LandCover_1992.tif.
- Pour To Raster (Raster de destination), sélectionnez LandCover_2019.tif.
Vous pouvez maintenant procéder à l’analyse des changements de l’occupation du sol dans votre région d’intérêt.
Conseil :
Pour une meilleure compréhension de vos résultats, désactivez vos couches d’occupation du sol d’origine de 1992 et de 2019.
Dans ce didacticiel, vous avez comparé des jeux de données d’occupation du sol de 1992 et de 2018 pour calculer les changements dus à la croissance urbaine et au développement de l’agriculture en Éthiopie. Vos résultats indiquent que la croissance de la population en Éthiopie a en grande partie contribué à une augmentation de l’utilisation du sol de type agricole et que la croissance urbaine est secondaire. Bien que l’agriculture se soit développée, une invasion massive de criquets pèlerins en 2020 a entraîné d’importantes pertes des récoltes, indiquées par une suppression de l’indice NDVI. Vous avez comparé les deux images Landsat 8 et avez extrait les régions qui présentaient une perte de l’indice NDVI.
Vous trouverez d’autres didacticiels dans la bibliothèque des didacticiels.