Full hyperspectral VNIR-SWIR ENVI standard image obtained from the coregistration of both VNIR and SWIR ones through a signal aggregation process that allowed to obtain a synthetic VNIR 1.6 m spatial resolution image, with pixels exactly corresponding to natif SWIR image ones. First, a spatially resampled 1.6 m VNIR image was built, where output pixel values were calculated as the average of the VNIR 0.8 m pixel values that spatially contribute to it. Then, ground control points (GCP) were selected over both images and SWIR one was tied to the VNIR 1.6 m image using a bilinear resampling method using ENVI tool. This lead to a 1.6 m spatial resolution full VNIR-SWIR image.

Hyperspectral ENVI standard simulated images. Spatial and spectral configurations generated correspond to ESA SENTINEL-2 instrument that was lunched on 2015, and HYPXIM sensor which was under study at that time.

The spawning grounds of the sea lamprey Petromyzon marinus are located within the perimeter of the Sélune Observatory. As this species is migratory, its colonisation of the Sélune river and its tributaries will probably be influenced by the removal of the Sélune dams. The spawning grounds are characterised by a depression accompanied by a sediment ejection dome immediately downstream. The stones returned to the dome are lighter, making the nests easily visible and identifiable for up to several weeks after spawning.

Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Elle a été produite en utilisant une mosaïque d'images Spot6/7 pour calculer la segmentation (extraction d'objets homogènes à partir de l'image). Nous utilisons une base de données terrain ayant une nomenclature emboitée avec 3 niveaux de précision nous permettant de produire une classification par niveau. Le niveau 3, le plus détaillé distinguant les types de cultures présente une précision globale de 86% et un indice de Kappa est de 0,85. Le niveau 2, distinguant les groupes de cultures présente une précision globale de 91% et un indice de Kappa est de 0,90. Le niveau 1, distinguant les grands groupes d'occupation du sol présente une précision globale de 97% et un indice de Kappa est de 0,95. (2019-06-12) La précision globale de la carte est de 88,71 % et l'indice de Kappa est de 86,47%. La chaine Moringa est mise au point au sein du CES Occupation des Sols du pôle THEIA pour cartographier l’occupation du sol dans les contextes variés des pays du Sud. Afin d’être plus facilement reproductible, elle est automatisée et son implémentation est réalisée avec des outils libres (Orfeo Toolbox, R, Python). (2019-03-26)

Ce jeu de données concerne les cartes produites, pour l'année 2019, en utilisant une mosaïque d'images Spot6/7 pour calculer la segmentation (extraction d'objets homogènes à partir de l'image). Nous utilisons une base de données terrain ayant une nomenclature emboitée avec 3 niveaux de précision nous permettant de produire une classification par niveau. Le niveau le plus détaillé distinguant les types de cultures présente une précision globale de 88% et un indice de Kappa est de 0,86. Le niveau 2, distinguant les groupes de cultures présente une précision globale de 92% et un indice de Kappa est de 0,93. Le niveau 1, distinguant les grands groupes d'occupation du sol présente une précision globale de 97% et un indice de Kappa est de 0,95. Une fiche détaillée présentant la méthode et les résultats de validation est téléchargeable (2020-04-30)

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.