Use Case 3 - Hinweiskarten zur Vitalität/fr: Unterschied zwischen den Versionen

Aus Waldmonitoring Wiki
Zeile 27: Zeile 27:
 
Z<sub>i</sub> = (NDVI<sub>median,i</sub> - NDVI<sub>median,ref</sub>) / NDVI<sub>MAD,ref</sub>
 
Z<sub>i</sub> = (NDVI<sub>median,i</sub> - NDVI<sub>median,ref</sub>) / NDVI<sub>MAD,ref</sub>
  
Contrairement à Meroni et al., nous avons utilisé le [https://www.ibm.com/docs/en/cognos-analytics/11.1.0?topic=terms-modified-z-score score Z modifié], plus robuste par rapport aux observations aberrantes. Pour ce faire, la moyenne arithmétique est remplacée par la médiane et l’écart-type par [https://de.wikipedia.org/wiki/Mittlere_absolute_Abweichung_vom_Median l’écart absolu moyen de la médiane (MAD)]. Le NDVI<sub>median,i</sub> désigne la médiane des valeurs NDVI pour chaque fenêtre de monitoring i de deux mois. Le NDVI<sub>median,ref</sub> désigne la médiane des valeurs NDVI au sein d’une fenêtre de deux mois (par ex. juin-juillet) au cours de la période de référence. Le NDVI<sub>MAD,ref</sub> est l’écart absolu moyen des valeurs NDVI par rapport à la médiane au sein d’une fenêtre de deux mois (par ex. juin-juillet) de la période de référence.
+
Contrairement à Meroni et al., nous avons utilisé le [https://www.ibm.com/docs/en/cognos-analytics/11.1.0?topic=terms-modified-z-score score Z modifié], plus robuste par rapport aux observations aberrantes. Pour ce faire, la moyenne arithmétique est remplacée par la médiane et l’écart-type par [https://de.wikipedia.org/wiki/Mittlere_absolute_Abweichung_vom_Median l’écart absolu moyen de la médiane (MAD)]. Le NDVI<sub>median,i</sub> désigne la médiane des valeurs NDVI pour chaque fenêtre de monitoring i de deux mois. Le NDVI<sub>median,ref</sub> désigne la médiane des valeurs NDVI au sein d’une fenêtre de deux mois (par ex. juin-juillet) au cours de la période de référence. Le NDVI<sub>MAD,ref</sub> est l’écart absolu moyen des valeurs NDVI par rapport à la médiane de la période de référence au sein d’une fenêtre de deux mois (par ex. juin-juillet).
  
 
L’écart absolu moyen par rapport à la médiane donne des indications sur la variabilité des valeurs NDVI au cours de la période de référence. Plus la variabilité est importante, plus la probabilité que les changements, notamment minimes, soient repérés est faible ; cela se voit à une valeur Z proche de zéro. Le calcul se fait à l’échelle du pixel, pour chaque pixel de 10 x 10 m ; les valeurs de pixel dans les cartes indicatrices correspondent à la valeur Z.
 
L’écart absolu moyen par rapport à la médiane donne des indications sur la variabilité des valeurs NDVI au cours de la période de référence. Plus la variabilité est importante, plus la probabilité que les changements, notamment minimes, soient repérés est faible ; cela se voit à une valeur Z proche de zéro. Le calcul se fait à l’échelle du pixel, pour chaque pixel de 10 x 10 m ; les valeurs de pixel dans les cartes indicatrices correspondent à la valeur Z.

Version vom 28. Juli 2021, 12:50 Uhr

Fig. 1 : Épreuve écran issue de l’application web. La couleur rouge indique une baisse de vitalité, le bleu une augmentation. L’intensité de la couleur représente l’intensité de l’évolution.


-> vers la vue d'ensemble des cas d'usage

-> vers l'application web

Les images satellites de Sentinel-2 permettent également de relever grossièrement la vitalité des surfaces forestières. Des cartes indicatrices de l’évolution de la vitalité ont été générées en comparant l’état actuel de la végétation avec celui des années précédentes. Il s’agit toutefois ici d’un premier test. Une validation complète de la méthode doit encore être réalisée.

L’indice de végétation NDVI a de nouveau été utilisé comme indicateur de la vitalité. Les anomalies NDVI sont représentées sur la carte. Pour ce faire, les valeurs médianes NDVI de la fenêtre de deux mois (par ex. juin-juillet) ont été comparées avec les valeurs médianes des toutes les années précédentes (jusqu’en 2015) de la même période (cf. Fig. 2). Des valeurs négatives indiquent une baisse de vitalité tandis que des valeurs positives indiquent une augmentation de la vitalité. Plus les valeurs s’éloignent de 0 (espérance mathématique), plus il est probable qu’il y a effectivement une évolution. Une valeur absolue d’au moins 3,5 a pu être définie comme indicatrice d’un écart significatif [1].

Limitations

On ne peut pas différencier les causes du changement (attaque de scolytes, stress hydrique, coupe de bois, ...). Ainsi, une valeur négative peut aussi bien décrire une coupe de bois qu’une arrivée précoce des couleurs automnales. C’est la raison pour laquelle on parle de cartes indicatrices et les avis des experts, ainsi qu’éventuellement les visites de terrain, sont toujours nécessaires.

Combiner différentes images satellite prises au cours de la fenêtre de deux mois permet de réduire les problèmes liés aux nuages et autres sources d’erreur, mais ne peut totalement les exclure. Des indications erronées peuvent surgir à cause de la couverture des différentes orbites, de nuages non masqués ou d’un nombre insuffisant d’images sans nuage. Dans la version finale de la carte, les pixels pour lesquels on dispose de moins de 6 images (pixel) sans nuage au cours de la période examinée pour calculer la médiane ont donc été masqués.

Il faut aussi noter que les données Sentinel-2 ne sont disponibles que depuis 2015, ce qui représente une période relativement courte pour détecter les anomalies. La pertinence devrait augmenter chaque année.

Tutoriel vidéo : Fondamentaux pour une bonne utilisation

Cette vidéo montre comment utiliser l’application web « Cartes indicatrices de la vitalité ». La méthodologie du calcul et de la représentation a quelque peu évolué (notamment la représentation de surfaces avec « pas assez de données »; état en juin 2021), mais les bases n’ont pas changé:

Informations contextuelles sur la méthode

Le calcul des anomalies NDVI est réalisé d’après la « valeur Z » (cf. par ex. Meroni et al., 2019):

Zi = (NDVImedian,i - NDVImedian,ref) / NDVIMAD,ref

Contrairement à Meroni et al., nous avons utilisé le score Z modifié, plus robuste par rapport aux observations aberrantes. Pour ce faire, la moyenne arithmétique est remplacée par la médiane et l’écart-type par l’écart absolu moyen de la médiane (MAD). Le NDVImedian,i désigne la médiane des valeurs NDVI pour chaque fenêtre de monitoring i de deux mois. Le NDVImedian,ref désigne la médiane des valeurs NDVI au sein d’une fenêtre de deux mois (par ex. juin-juillet) au cours de la période de référence. Le NDVIMAD,ref est l’écart absolu moyen des valeurs NDVI par rapport à la médiane de la période de référence au sein d’une fenêtre de deux mois (par ex. juin-juillet).

L’écart absolu moyen par rapport à la médiane donne des indications sur la variabilité des valeurs NDVI au cours de la période de référence. Plus la variabilité est importante, plus la probabilité que les changements, notamment minimes, soient repérés est faible ; cela se voit à une valeur Z proche de zéro. Le calcul se fait à l’échelle du pixel, pour chaque pixel de 10 x 10 m ; les valeurs de pixel dans les cartes indicatrices correspondent à la valeur Z.

Dans la version finale de la carte indicatrice, les pixels pour lesquels on dispose de moins de 6 images (pixel) sans nuage au cours de la période examinée pour calculer la médiane ont donc été masqués avec un buffer de 20 m.

Fig. 2 : Exemple de séries temporelles de NDVI illustrant la méthode de la valeur Z. Les points bleus correspondent aux valeurs NDVI réelles à un endroit donné (à l’échelle d’un pixel). Les lignes bleues représentent des interpolations sans autre signification. La période de référence se rapporte ici à 2016-2018 et est représentée en vert. Dans cet exemple, 2019 représente l’état actuel et est représenté en rouge. Les lignes en pointillés représentent les deux médianes comparées : la médiane pour juin-juillet de toutes les années de la période de référence (vert) et la médiane pour juin-juillet de l’année actuelle (rouge).

Données

Les données raster sont disponibles ici sous forme de Web Map Service (WMS) ou de Web Coverage Service (WCS). Un WMS sert avant tout à visualiser les données représentées de manière automatique, par exemple dans un visualiseur, un WCS permet d’accéder aux valeurs et de les retravailler dans un SIG. Lors de l’intégration de données raster, il faut garder à l’esprit qu’elles sont multipliées par 100 afin de gagner de l’espace de stockage. Par ex. une valeur de 100 correspond donc à une valeur Z de 1.

Vous trouverez ici d’autres astuces et informations pour intégrer et exploiter des données.

Vérifications

  1. Boris Iglewicz and David Hoaglin (1993), "Volume 16: How to Detect and Handle Outliers", The ASQC Basic References in Quality Control: Statistical Techniques, Edward F. Mykytka, Ph.D., Editor.