SlideShare une entreprise Scribd logo
Forum SITG
20 mai 2021
Swiss Territorial Data Lab
&
Swiss Data Cube
Co-création pour valoriser les données du territoire numérique
www.stdl.ch
Actuellement, nous avons facilement
accès à une grande diversité de
données du territoire de haute qualité,
avec une fréquence d’acquisition
de plus en plus élevée
www.stdl.ch
Constat
Données
du
cadastre
www.stdl.ch
Données
aériennes
www.stdl.ch
Données
satellites
www.stdl.ch
Favoriser l’innovation collective pour
résoudre des problématiques concrètes
des administrations publiques en utilisant
la science des données appliquée sur
les données du territoire numérique
STDL
-
objectif
www.stdl.ch
Co-création avec 7 partenaires
Seul on va plus vite, ensemble on va plus loin
www.stdl.ch
Les
partenaires
Swiss
Data
Cube
Swiss
Data
Cube
Pourquoi
?
❖ Faciliter l’utilisation des données des satellites en
réduisant le temps de préparation
❖ Fournir des outils et algorithmes open-source
permettant de valoriser ces données
❖ Stimuler l’innovation autour d’une communauté,
l’Open Data Cube étant une initiative
internationale, répliquée dans de nombreux pays
1. Détection automatique de la période de
construction d’un bâtiment
2. Evolution de la couverture du sol
3. Détection automatique des panneaux thermiques
4. Monitoring de la sécheresse et de son impact sur
la végétation
5. Plateforme 4D et perspectives
Discussion / Questions
Agenda
www.stdl.ch
FORUM SITG
May 20, 2021
EXTENSION DU REGBL – OFS
DATES DE CONSTRUCTIONS
Nils Hamel – Huriel Reichel
CONTEXTE DU PROJET EXPLORATOIRE
REGISTRE FÉDÉRAL DES BÂTIMENTS ET DES LOGEMENTS
Données de base relatives aux bâtiments et aux logements
Office Fédérale de la Statistique – www.housing-stat.ch
EXTENSION DU REGBL
Conduit par l’OFS/BFS
●
Inclusion de toutes les constructions en Suisse
●
Dates de construction manquantes
●
Déduction automatique des dates de construction
Deux approches complémentaires
PROJET
CARTES NATIONALES
Utilisation des carte nationales 1:25’000
●
Suivi des bâtiments sur les cartes
●
Détection de leur apparition
●
Couverture jusqu’à 1950
APPROCHES
CARTES NATIONALES
HOMOGÉNÉITÉ ET MÉTHODOLOGIE STABLE
Émergence du concept de raster à trois dimension
2010 2004 1998 1993
PROCESSUS DE DÉDUCTION
DÉTECTION ET CRITÈRE MORPHOLOGIQUE
Situation simple
Situation complexe
MÉTRIQUE DE VALIDATION
ÉVALUATION DES RÉSULTATS
Sélection manuelle de cas synchrones
Registre: 1962 – Cartes nationales : 1960-1964
APPLICATION DU TRAITEMENT AUTOMATISÉ
QUATRE ZONES SÉLECTIONNÉES
Évaluation des performances pour des situations variées
Basel Bern Biasca Caslano
ÉVALUATION DES RÉSULTATS
APPROCHE AVEC LES CARTES NATIONALES
84.7% de dates correctes à ±5.8 ans
80.4% à ±5.5 ans 85.0% à ±5.6 ans 93.9% à ±6.0 ans 91.2% à ±6.2 ans
DÉDUCTION STATISTIQUE
Utilisation de modèles urbain statistiques
●
Au delà des cartes
●
Apporte une estimation des dates de construction
●
Couverture de la période précédant 1950
APPROCHES
ASPECTS THÉORIQUES
MODÈLE URBAIN DE BURGESS
Morphologie de l’évolution urbaine et dépendance spatiale
MÉTHODOLOGIE
COMPLÉTION DES DONNÉES MANQUANTES
Variance temporelle pour le calcul de rayon spatial
MÉTHODOLOGIE
AGRÉGATION SPATIO-TEMPORELLE
Approximation du modèle urbain
1953
1955 1959
ÉVALUATION DES RÉSULTATS
APPROCHE STATISTIQUE
95% de dates correctes à ±15.6 années
●
APPROCHE DES CARTES NATIONALES
84.7% à ±5.8 années
●
APPROCHE STATISTIQUE
95 % à ±15.6 années
●
IMPORTANCE DU TEMPS
Donne accès à des informations pertinentes
CONCLUSION
Swiss Data Cube-
Observer les
changements
environnementau
x par satellite
Dr. Gregory Giuliani
Université de Genève &
PNUE/GRID-Genève
Evolution de la couverture du sol
Gregory Giuliani [UNIGE & GRID]
Les gouvernements ont des engagements et des
obligations en matière de rapports aux niveaux
national et international, ainsi que des programmes
environnementaux nationaux.
Ils ont tous besoin d'informations synoptiques,
cohérentes, spatialement explicites, suffisamment
détaillées pour rendre compte des impacts
anthropiques et de portée nationale.
Les données d’observations de la Terre peuvent fournir
la base nécessaire pour déterminer les tendances,
définir le présent et informer le futur.
Copernicus – Le regard de l’Europe sur la Terre
Plus grand fournisseur de données au monde: 250TB/jour
Archive: 250PB de données stockées, croissance journalière: 220TB
Sentinel-2
22’000 images pour couvrir la Terre
Tous les 5 jours!
> 1’600’000 images/an!
Pas uniquement des photos…
• Vesuve ITA
• Sentinel-2
• 12-July-2017
• Red, green, blue
Spectral resolution
• Vesuve ITA
• Sentinel-2
• 12-July-2017
• SWIR2, SWIR1, NIR
Spectral resolution
Résolution temporelle…
Un game changer
Landsat 8 Landsat 8 + Sentinel-2A&B
Li & Roy (2017)
Résolution temporelle…
Un game changer
Surveiller la Terre en temps (quasi) réel est désormais une réalité!
Comment
transformer cette
grande quantité de
données en
informations utiles
et appuyer les
décisions fondées
sur des preuves?
Que sont les cubes de données?
Pile multi-dimensionnelle (espace, temps, type de données) ordonnée en série
chronologique de pixels alignés spatialement & utilisée pour un accès et une
analyse efficace.
Courtesy of GeoScience Australia
Adapted from CEOS
Longitude
Latitude
Temps
Longitude
Latitude
Temps
Longitude
Latitude
Temps
Session X: Session Title Slide 16
Glacier du Rhône – 1985/2018/2020
2005/2017
1995/2005
Feu de forêt, Loèche – 13 août 2003
Mortalité des arbes (Täsch – composite vraies couleurs, été)
2018 2019 Sneiders B. & Giuliani G.,in prep
Urbanization – Bulle 1985/2018
D
A
T
A INF
OR
MA
TION K
NOWL
EDGE
E
OD
ata
§ MODIS/AVRRR
§ ESA CCI Land Cover
§ SoilGrids
S
ub-indicators
§ Land Productivity Dynamics
§ Land Cover Change
§ Soil Organic Carbon Stocks
S
D
G15.3.1
Proportion of land that
is degraded over total
land area
Model
Interpretation
& representation
Model
SDG 15.3.1 – Dégradation des terres…
porte atteinte au bien-être de 3,2 milliards de personnes (IPEBS)
Collaboration: UNIGE, GEO, ESA, CNR, JRC, UNEP
Giuliani G., Mazzetti P., Santoro M., Nativi S., Van Bemmelen J., Colangeli G.,
Lehmann A. (2020) Knowledge generation using satellite Earth Observations to
support Sustainable Development Goals (SDG): a use case on Land Degradation,
International Journal of Applied Earth Observation and Geoinformation
88:102068 https://doi.org/10.1016/j.jag.2020.102068
L’aggrégation d’indicateurs…
… n’est pas suffisante pour les politiques publiques!
ESA UNCLASSIFIED - For Official Use Gregory Giuliani | ESRIN | 12/09/2019 | Slide 34
Aggregatedindicators…
…arenotenoughforpublicpolicy!
Désaggrégation d’indicateurs…
… pour capturer la dynamique spatiale (cartes) et temporelle (graphs)
ESA UNCLASSIFIED - For Official Use Gregory Giuliani | ESRIN | 12/09/2019 | Slide 35
Disag
g
reg
ationofindicators…
…tocapturespatial(m
aps)andtem
poraldynam
ics(g
raphs)
How much? Where? When? Who?
SDG 15.3.1 – Résultats pour la Suisse
Valeur Officielle: 4.7%
Valeur SDC: 9.7%
La definition officielle n’est basée que
sur l’imperméabilisation des sols et ne
considère pas la productivité!
Ne se conforme pas à la définition
officielle de l’ONU!
Giuliani G., Chatenoux B., Benvenuti A., Lacroix P., Santoro M.,
Mazzetti P., Monitoring Land Degradation at national level using
satellite EO time-series data to support SDG15 – Exploring the
potentiation of Data Cube, Big Earth Data,
https://doi.org/10.1080/20964471.2020.1711633
Applications potentielles
• Suivi des changements de couverture et utilization du sol
• Suivi des glaciers et la neige
• Agriculture: surveillance des cultures, sécurité alimentaire
• Surveillance de la végétation et des forêts, génération de paramètres
(concentration de chlorophylle, estimation de la masse de carbone)
• Suivi de la qualité de l’eau
• Gestion et cartographie des inondations
• Suivi et cartographie urbaine
Amélioration de la couverture du sol
Work in progress…
Une carte annuelle à 10m…
Le SDC supporte la stratégie « Digital Switzerland »
 Support innovation and growth in the digital economy
 Improve efficiency and effectiveness of government
investments
 Improve management of natural resources
 Stimulate research
 Effective monitoring mechanism
 Generate information products
 Improve data access and use & enable new products/
services that can transform everyday life
EO Data Cubes offrent le potentiel…
… d’améliorer la responsabilité et la
crédibilité scientifique.
Sans confiance et savoir partagés:
•Faire de la science peut être difficile,
•Prendre des bonnes decisions peut être
problématique,
•Et envisage un développement durable
peut être compliqué!
Follow us
http://www.swissdatacube.ch
@SwissDataCube GRIDgva/SwissDataCube gregory.giuliani@unepgrid.ch
gregory.giuliani@unige.ch
gregory.giuliani@unepgrid.ch
http://www.unige.ch/envirospace/people/giuliani/
Détection automatique de
panneaux thermiques
Swiss Territorial Data Lab
Alessandro Cerioni
Data Scientist, Etat de Genève
Forum SITG, 20 mai 2021
CONTEXTE DU PROJET
●
Bénéficiaire : Canton de Neuchâtel
plus en particulier : son Service de l'Energie et de l'Environnement
●
Début : avril 2021
toujours en cours
●
Objectif ?
Mettre à jour l’inventaire des panneaux solaires
thermiques installés dans le canton
●
Pourquoi ?
Afin de suivre dans le temps l’exploitation de l’énergie
solaire
●
Comment ?
Détection automatique à partir de photos aériennes,
par Deep Learning
INTRODUCTION
INTRODUCTION
L’IDÉE, EN BREF
●
réutilisation du même code réalisant la détection de piscines
dans une version améliorée, grâce à ce projet
apprentissage détection
DONNÉES D’ENTRÉE
(1) base de données des installations déjà connues,
fournie par le Canton de Neuchâtel
●
enregistrements à confirmer (vérité terrain)
●
objets ponctuels, géo-référencés de manière inhomogène
coordonnées géo (MN03), adresses, lien vers le RegBL via les EGIDs
(2) images aériennes
source : orthophotos diffusées par Swissimage (WMS)
(3) étiquettes (« labels ») issues du projet
SolAI (FHNW et OFEN, 2020) - données «vérité terrain»
cf. https://tinyurl.com/vrnf5tdw
●
couverture : Canton d’Argovie
●
un travail d’ultérieure vérification a été effectué par l’équipe STDL
INTRODUCTION
ÉTAPES PRINCIPALES
1. Définition d’une «zone d’intérêt»
Canton d’Argovie (apprentissage) + Canton de Neuchâtel (détection)
2. Préparation des données
tuilage, segmentation d’image, …
3. Entraînement d’un réseau de neurones profond
Deep Learning – architecture Mask R-CNN
4. Détections
géoreferencées
5. Evaluation des résultats
Data Scientists + experts métiers
DÉTECTION
AUTOMATIQUE
PAR
DEEP
LEARNING
A PROPOS D’ÉVALUATION...
1. Sur les données d’apprentissage (vérité terrain)
par les Data Scientists
●
évaluation de la fiabilité du modèle prédictif
●
par des métriques «techniques» : précision, rappel, f1-score
●
...et si l’on devait donner une note «simple» à notre modèle ?
2. Sur les détections sur le Canton de Neuchâtel
par les experts métiers (avec l’aide des Data Scientists, si besoin !)
●
évaluation de la fiabilité du modèle prédictif
ET
de la base de données connue au préalable
DÉTECTION
AUTOMATIQUE
PAR
DEEP
LEARNING
SUBTILITÉS LIÉES À L’OBJET CIBLE
●
Visuellement, les panneaux thermiques se confondent avec
●
des panneaux photovoltaïques
●
des fenêtres de toit
●
...
Les non experts peuvent se faire piéger.
L’IA aussi !
●
Détection multi-classe à tester : p. thermiques + p. photovoltaïques +
fenêtres de toit + …
DÉTECTION
AUTOMATIQUE
PAR
DEEP
LEARNING
Détections sur une zone de
test du Canton de NE
(représentatif) – fournir le
zoom sur une zone limitée
DÉTECTIONS SUR UNE
ZONE DE TEST
Relations à confirmer entre les panneaux
●
connus a priori
●
détectés
ÉVALUATION DES DÉTECTIONS
...en cours...
géolocalisation par EGID (RegBL)
géolocalisation explicite
ÉVALUATION DES DÉTECTIONS
...en cours...
Objets inconnus
●
panneaux thermiques ou...
●
...faux positifs ?
CONCLUSION
1. Oui !, la télédétection de panneaux thermiques est possible
pourvu qu’on dispose de (très) bonnes données d’apprentissage
2. La collaboration avec les experts métiers reste essentielle
le modèle prédictif pourra être ultérieurement amélioré grâce à leur retour
3. Opportunités :
●
rejouer la détection lors de nouvelles acquisitions de photos aériennes
suivi de l’évolution dans le temps
●
détection «nativement surfacique»
estimation du potentiel solaire exprimé
●
orthophotos + données LiDAR ?
orientation des panneaux, …
4. A venir :
●
détection de panneaux thermiques sur le Canton de Genève
●
détection d’autres objets, ex. : climatisations (modules externes)
Monitoring de la sécheresse et de son impact sur la vegetation
Gregory Giuliani [UNIGE & GRID]
Indice d’humidité (NDWI)…
Contenu en eau de la végétation (2014 vs. 2003)
Giuliani G., Egger E., Italiano J., Poussin C., Richard J.-P., Chatenoux B. (2020) Essential
Variables for environmental monitoring: What are the possible contributions of Earth
Observation Data Cubes, Data 5:100 https://www.mdpi.com/2306-5729/5/4/100
Indice d’humidité (NDWI)…
Contenu en eau de la végétation (2014 vs. 2003)
Tendance d’humidité de la végétation
Série temporelle NDWI de 35 ans d’observations Landsat – moyenne annuelle
Poussin C., Massot A., Ginzler C., Weber D., Chatenoux B., Lacroix P., Piller T., Nguyen L., Giuliani G., Drying conditions in Switzerland -
Indication from a 35-year Landsat trend analysis of vegetation water content estimates to support SDG15, Submitted to Big Earth Data.
Tendance d’humidité de la végétation
Statistiques par zones biogéographiques – moyenne d’été
Poussin et al. Submitted
Tendance d’humidité de la végétation
Statistiques par zones biogéographiques – 1984/2019
Poussin et al. Submitted
Prochainement…
Un service de suivi de la sécheresse par zone biogéographiques
Prochainement…
…et par canton
Conclusions…
• Tendance faible et lente à l'échelle du pays, principalement à
basse et moyenne altitude.
• Les régions alpines semblent plus sensibles aux
changements des conditions de sécheresse.
• Les valeurs NDWI sont principalement fonction des
températures à des altitudes inférieures à la limite des
arbres plutôt qu’aux précipitations.
• Les données d'observation de la Terre par satellite ainsi que
les mesures in situ peuvent fournir une base précieuse pour
générer des informations spatialement explicites à l'échelle
nationale sur l'état écologique de la végétation.
• D'autres composantes telles que le changement de
couverture terrestre et l'évapotranspiration devraient être
prises en compte pour mieux caractériser la variabilité de
l’NDWI.
gregory.giuliani@unige.ch
gregory.giuliani@unepgrid.ch
http://www.unige.ch/envirospace/people/giuliani/
FORUM SITG
May 20, 2021
PLATEFORME 4D
ESPACE-TEMPS ET COLLABORATION
Nils Hamel – Huriel Reichel – Swiss Data Cube
PLATEFORME 4D
EXEMPLE DU SRTM – 470 GB (ASC)
PLATEFORME 4D
EXEMPLE DU CADASTRE – 12 GB (ITF)
MODÈLES MIXTES
CADASTRE, POLYGONES ET LIDAR
2009-10 2013-04 2017-04
LA DIMENSION DU TEMPS
EXEMPLE DU LIDAR DE GENÈVE – 250 GB (LAS)
DÉRIVÉE TEMPORELLE
2020-10-13 ET 2020-10-17
DÉRIVÉE TEMPORELLE
GENÈVE 2017 ET 2019
DÉRIVÉE TEMPORELLE
GENÈVE – LIDAR
COLLABORATION AVEC LE SWISS DATA CUBE
●
Big data dans la notion spatiale et temporelle
●
Navigation 4D
●
Détection des différences
SWISS
DATA
CUBE
Inventaire des arbres isolés
Perspectives
www.stdl.ch
Evolution des sites
d’extraction de
matières premières
Contactez-nous via info@stdl.ch
➢ Pour proposer des projets
➢ Utiliser ce que nous avons développé
www.stdl.ch

Contenu connexe

Similaire à Swiss Territorial Data Lab - geo Data Science - Forum SITG

Urban Big Data .pdf
Urban Big Data .pdfUrban Big Data .pdf
Urban Big Data .pdf
Dr Hajji Hicham
 
Le pôle thématique surfaces continentales THEIA
Le pôle thématique surfaces continentales THEIALe pôle thématique surfaces continentales THEIA
Le pôle thématique surfaces continentales THEIAACSG - Section Montréal
 
La cartographie sur demande basée sur l’IA: Répondre aux nouveaux besoins car...
La cartographie sur demande basée sur l’IA: Répondre aux nouveaux besoins car...La cartographie sur demande basée sur l’IA: Répondre aux nouveaux besoins car...
La cartographie sur demande basée sur l’IA: Répondre aux nouveaux besoins car...
ACSG - Section Montréal
 
La cartographie nationale à l'ère de collaboration et de la création de conna...
La cartographie nationale à l'ère de collaboration et de la création de conna...La cartographie nationale à l'ère de collaboration et de la création de conna...
La cartographie nationale à l'ère de collaboration et de la création de conna...
ACSG Section Montréal
 
Revue de presse Telecom Valley - Mai 2017
Revue de presse Telecom Valley - Mai 2017Revue de presse Telecom Valley - Mai 2017
Revue de presse Telecom Valley - Mai 2017
TelecomValley
 
Revue de presse Telecom Valley - Mai 2017
Revue de presse Telecom Valley - Mai 2017Revue de presse Telecom Valley - Mai 2017
Revue de presse Telecom Valley - Mai 2017
Sandra Bayer
 
Acteurs de la technologie: Devenir partenaire du CREA Mont-Blanc
Acteurs de la technologie: Devenir partenaire du CREA Mont-BlancActeurs de la technologie: Devenir partenaire du CREA Mont-Blanc
Acteurs de la technologie: Devenir partenaire du CREA Mont-Blanc
CREA Mont-Blanc
 
Réflexions sur les missions et les compétences liées à une démarche data terr...
Réflexions sur les missions et les compétences liées à une démarche data terr...Réflexions sur les missions et les compétences liées à une démarche data terr...
Réflexions sur les missions et les compétences liées à une démarche data terr...
Mairie de Paris
 
Infrastructure fédérale de données géographiques IFDG 1998- 2018
Infrastructure fédérale de données géographiques IFDG 1998- 2018Infrastructure fédérale de données géographiques IFDG 1998- 2018
Infrastructure fédérale de données géographiques IFDG 1998- 2018
geoportal of the federal authorities of the Swiss Confederation
 
Act 00068 la stratégie d’élévation nationale
Act 00068 la stratégie d’élévation nationaleAct 00068 la stratégie d’élévation nationale
Act 00068 la stratégie d’élévation nationale
ACSG - Section Montréal
 
Act 00068 la stratégie d’élévation nationale
Act 00068 la stratégie d’élévation nationaleAct 00068 la stratégie d’élévation nationale
Act 00068 la stratégie d’élévation nationale
ACSG Section Montréal
 
Philippe Petit-Hugon
Philippe Petit-HugonPhilippe Petit-Hugon
Philippe Petit-HugonDIOT Clément
 
Crigeos 11 03-2011-crige-pm_route
Crigeos 11 03-2011-crige-pm_routeCrigeos 11 03-2011-crige-pm_route
Crigeos 11 03-2011-crige-pm_route
morenoperalto
 
Crigeos 11 03-2011-crige-pm_route
Crigeos 11 03-2011-crige-pm_routeCrigeos 11 03-2011-crige-pm_route
Crigeos 11 03-2011-crige-pm_routemorenoperalto
 
"Numérique et environnement" ou "On aurait pu sauver les abeilles, on a préfé...
"Numérique et environnement" ou "On aurait pu sauver les abeilles, on a préfé..."Numérique et environnement" ou "On aurait pu sauver les abeilles, on a préfé...
"Numérique et environnement" ou "On aurait pu sauver les abeilles, on a préfé...
Sébastien Brault
 
Cartographie de l’occupation des terres du Québec
Cartographie de l’occupation des terres du QuébecCartographie de l’occupation des terres du Québec
Cartographie de l’occupation des terres du Québec
ACSG - Section Montréal
 
00b 20110222 equipex-geosud
00b 20110222 equipex-geosud00b 20110222 equipex-geosud
00b 20110222 equipex-geosudDIOT Clément
 
VGI as BIG DATA
VGI as BIG DATAVGI as BIG DATA
VGI as BIG DATA
dihiaselma
 
Cecilia e Giorgio: Borsisti Uni.Coo in Senegal con CISV
Cecilia e Giorgio: Borsisti Uni.Coo in Senegal con CISVCecilia e Giorgio: Borsisti Uni.Coo in Senegal con CISV
Cecilia e Giorgio: Borsisti Uni.Coo in Senegal con CISV
Manuela Ciarrocchi
 

Similaire à Swiss Territorial Data Lab - geo Data Science - Forum SITG (20)

Urban Big Data .pdf
Urban Big Data .pdfUrban Big Data .pdf
Urban Big Data .pdf
 
Le pôle thématique surfaces continentales THEIA
Le pôle thématique surfaces continentales THEIALe pôle thématique surfaces continentales THEIA
Le pôle thématique surfaces continentales THEIA
 
La cartographie sur demande basée sur l’IA: Répondre aux nouveaux besoins car...
La cartographie sur demande basée sur l’IA: Répondre aux nouveaux besoins car...La cartographie sur demande basée sur l’IA: Répondre aux nouveaux besoins car...
La cartographie sur demande basée sur l’IA: Répondre aux nouveaux besoins car...
 
La cartographie nationale à l'ère de collaboration et de la création de conna...
La cartographie nationale à l'ère de collaboration et de la création de conna...La cartographie nationale à l'ère de collaboration et de la création de conna...
La cartographie nationale à l'ère de collaboration et de la création de conna...
 
Revue de presse Telecom Valley - Mai 2017
Revue de presse Telecom Valley - Mai 2017Revue de presse Telecom Valley - Mai 2017
Revue de presse Telecom Valley - Mai 2017
 
Revue de presse Telecom Valley - Mai 2017
Revue de presse Telecom Valley - Mai 2017Revue de presse Telecom Valley - Mai 2017
Revue de presse Telecom Valley - Mai 2017
 
Acteurs de la technologie: Devenir partenaire du CREA Mont-Blanc
Acteurs de la technologie: Devenir partenaire du CREA Mont-BlancActeurs de la technologie: Devenir partenaire du CREA Mont-Blanc
Acteurs de la technologie: Devenir partenaire du CREA Mont-Blanc
 
Réflexions sur les missions et les compétences liées à une démarche data terr...
Réflexions sur les missions et les compétences liées à une démarche data terr...Réflexions sur les missions et les compétences liées à une démarche data terr...
Réflexions sur les missions et les compétences liées à une démarche data terr...
 
Infrastructure fédérale de données géographiques IFDG 1998- 2018
Infrastructure fédérale de données géographiques IFDG 1998- 2018Infrastructure fédérale de données géographiques IFDG 1998- 2018
Infrastructure fédérale de données géographiques IFDG 1998- 2018
 
Act 00068 la stratégie d’élévation nationale
Act 00068 la stratégie d’élévation nationaleAct 00068 la stratégie d’élévation nationale
Act 00068 la stratégie d’élévation nationale
 
Act 00068 la stratégie d’élévation nationale
Act 00068 la stratégie d’élévation nationaleAct 00068 la stratégie d’élévation nationale
Act 00068 la stratégie d’élévation nationale
 
Philippe Petit-Hugon
Philippe Petit-HugonPhilippe Petit-Hugon
Philippe Petit-Hugon
 
Crigeos 11 03-2011-crige-pm_route
Crigeos 11 03-2011-crige-pm_routeCrigeos 11 03-2011-crige-pm_route
Crigeos 11 03-2011-crige-pm_route
 
Crigeos 11 03-2011-crige-pm_route
Crigeos 11 03-2011-crige-pm_routeCrigeos 11 03-2011-crige-pm_route
Crigeos 11 03-2011-crige-pm_route
 
"Numérique et environnement" ou "On aurait pu sauver les abeilles, on a préfé...
"Numérique et environnement" ou "On aurait pu sauver les abeilles, on a préfé..."Numérique et environnement" ou "On aurait pu sauver les abeilles, on a préfé...
"Numérique et environnement" ou "On aurait pu sauver les abeilles, on a préfé...
 
Cartographie de l’occupation des terres du Québec
Cartographie de l’occupation des terres du QuébecCartographie de l’occupation des terres du Québec
Cartographie de l’occupation des terres du Québec
 
00b 20110222 equipex-geosud
00b 20110222 equipex-geosud00b 20110222 equipex-geosud
00b 20110222 equipex-geosud
 
VGI as BIG DATA
VGI as BIG DATAVGI as BIG DATA
VGI as BIG DATA
 
Cecilia e Giorgio: Borsisti Uni.Coo in Senegal con CISV
Cecilia e Giorgio: Borsisti Uni.Coo in Senegal con CISVCecilia e Giorgio: Borsisti Uni.Coo in Senegal con CISV
Cecilia e Giorgio: Borsisti Uni.Coo in Senegal con CISV
 
Geojournee-MRNF-2013
Geojournee-MRNF-2013Geojournee-MRNF-2013
Geojournee-MRNF-2013
 

Plus de Raphael Rollier

Swiss Territorial Data Lab - Spacial Data Science Conference
Swiss Territorial Data Lab - Spacial Data Science ConferenceSwiss Territorial Data Lab - Spacial Data Science Conference
Swiss Territorial Data Lab - Spacial Data Science Conference
Raphael Rollier
 
Swiss Territorial Data Lab - geo Data Science - colloque FHNW
Swiss Territorial Data Lab - geo Data Science - colloque FHNWSwiss Territorial Data Lab - geo Data Science - colloque FHNW
Swiss Territorial Data Lab - geo Data Science - colloque FHNW
Raphael Rollier
 
Swiss Territorial Data Lab - geo Data Science - colloque swisstopo
Swiss Territorial Data Lab - geo Data Science - colloque swisstopoSwiss Territorial Data Lab - geo Data Science - colloque swisstopo
Swiss Territorial Data Lab - geo Data Science - colloque swisstopo
Raphael Rollier
 
Smart Tourist Destinations - leveraging Big Data & Blockchain
Smart Tourist Destinations - leveraging Big Data & BlockchainSmart Tourist Destinations - leveraging Big Data & Blockchain
Smart Tourist Destinations - leveraging Big Data & Blockchain
Raphael Rollier
 
Big Data, Big Profit ?
Big Data, Big Profit ?Big Data, Big Profit ?
Big Data, Big Profit ?
Raphael Rollier
 
Connected Event - Cybersecurity 9 10 2018
Connected Event - Cybersecurity 9 10 2018Connected Event - Cybersecurity 9 10 2018
Connected Event - Cybersecurity 9 10 2018
Raphael Rollier
 
Connected Event - Blockchain 3 05 2018
Connected Event - Blockchain 3 05 2018Connected Event - Blockchain 3 05 2018
Connected Event - Blockchain 3 05 2018
Raphael Rollier
 
Ville durable, les facteurs de succès de la transition numérique
Ville durable, les facteurs de succès de la transition numériqueVille durable, les facteurs de succès de la transition numérique
Ville durable, les facteurs de succès de la transition numérique
Raphael Rollier
 
Start-up as innovation partner
Start-up as innovation partnerStart-up as innovation partner
Start-up as innovation partner
Raphael Rollier
 
Big Data for Big Impact - Swiss Data Day - EPFL - Nov 2017
Big Data for Big Impact - Swiss Data Day  - EPFL - Nov 2017Big Data for Big Impact - Swiss Data Day  - EPFL - Nov 2017
Big Data for Big Impact - Swiss Data Day - EPFL - Nov 2017
Raphael Rollier
 
Mobility Flow in Zurich
Mobility Flow in ZurichMobility Flow in Zurich
Mobility Flow in Zurich
Raphael Rollier
 
SmartCity workshop, Basel , April 2017
SmartCity workshop, Basel , April 2017SmartCity workshop, Basel , April 2017
SmartCity workshop, Basel , April 2017
Raphael Rollier
 
Big Data in Real Estate - Digital Real Estate Summit
Big Data in Real Estate - Digital Real Estate SummitBig Data in Real Estate - Digital Real Estate Summit
Big Data in Real Estate - Digital Real Estate Summit
Raphael Rollier
 
Smart Data Tool - Smart City Conference St. Gallen
Smart Data Tool - Smart City Conference St. GallenSmart Data Tool - Smart City Conference St. Gallen
Smart Data Tool - Smart City Conference St. Gallen
Raphael Rollier
 
Connected Event - Du Big Data au Smart Data 7Oct2015 - EPFL
Connected Event - Du Big Data au Smart Data 7Oct2015 - EPFLConnected Event - Du Big Data au Smart Data 7Oct2015 - EPFL
Connected Event - Du Big Data au Smart Data 7Oct2015 - EPFL
Raphael Rollier
 
Smart City - Swisscom Dialogue Arena 18 juin2015, Lausanne
Smart City - Swisscom Dialogue Arena 18 juin2015, LausanneSmart City - Swisscom Dialogue Arena 18 juin2015, Lausanne
Smart City - Swisscom Dialogue Arena 18 juin2015, Lausanne
Raphael Rollier
 
Smart City Event EPFL 24 09 2014
Smart City Event EPFL 24 09 2014Smart City Event EPFL 24 09 2014
Smart City Event EPFL 24 09 2014
Raphael Rollier
 

Plus de Raphael Rollier (17)

Swiss Territorial Data Lab - Spacial Data Science Conference
Swiss Territorial Data Lab - Spacial Data Science ConferenceSwiss Territorial Data Lab - Spacial Data Science Conference
Swiss Territorial Data Lab - Spacial Data Science Conference
 
Swiss Territorial Data Lab - geo Data Science - colloque FHNW
Swiss Territorial Data Lab - geo Data Science - colloque FHNWSwiss Territorial Data Lab - geo Data Science - colloque FHNW
Swiss Territorial Data Lab - geo Data Science - colloque FHNW
 
Swiss Territorial Data Lab - geo Data Science - colloque swisstopo
Swiss Territorial Data Lab - geo Data Science - colloque swisstopoSwiss Territorial Data Lab - geo Data Science - colloque swisstopo
Swiss Territorial Data Lab - geo Data Science - colloque swisstopo
 
Smart Tourist Destinations - leveraging Big Data & Blockchain
Smart Tourist Destinations - leveraging Big Data & BlockchainSmart Tourist Destinations - leveraging Big Data & Blockchain
Smart Tourist Destinations - leveraging Big Data & Blockchain
 
Big Data, Big Profit ?
Big Data, Big Profit ?Big Data, Big Profit ?
Big Data, Big Profit ?
 
Connected Event - Cybersecurity 9 10 2018
Connected Event - Cybersecurity 9 10 2018Connected Event - Cybersecurity 9 10 2018
Connected Event - Cybersecurity 9 10 2018
 
Connected Event - Blockchain 3 05 2018
Connected Event - Blockchain 3 05 2018Connected Event - Blockchain 3 05 2018
Connected Event - Blockchain 3 05 2018
 
Ville durable, les facteurs de succès de la transition numérique
Ville durable, les facteurs de succès de la transition numériqueVille durable, les facteurs de succès de la transition numérique
Ville durable, les facteurs de succès de la transition numérique
 
Start-up as innovation partner
Start-up as innovation partnerStart-up as innovation partner
Start-up as innovation partner
 
Big Data for Big Impact - Swiss Data Day - EPFL - Nov 2017
Big Data for Big Impact - Swiss Data Day  - EPFL - Nov 2017Big Data for Big Impact - Swiss Data Day  - EPFL - Nov 2017
Big Data for Big Impact - Swiss Data Day - EPFL - Nov 2017
 
Mobility Flow in Zurich
Mobility Flow in ZurichMobility Flow in Zurich
Mobility Flow in Zurich
 
SmartCity workshop, Basel , April 2017
SmartCity workshop, Basel , April 2017SmartCity workshop, Basel , April 2017
SmartCity workshop, Basel , April 2017
 
Big Data in Real Estate - Digital Real Estate Summit
Big Data in Real Estate - Digital Real Estate SummitBig Data in Real Estate - Digital Real Estate Summit
Big Data in Real Estate - Digital Real Estate Summit
 
Smart Data Tool - Smart City Conference St. Gallen
Smart Data Tool - Smart City Conference St. GallenSmart Data Tool - Smart City Conference St. Gallen
Smart Data Tool - Smart City Conference St. Gallen
 
Connected Event - Du Big Data au Smart Data 7Oct2015 - EPFL
Connected Event - Du Big Data au Smart Data 7Oct2015 - EPFLConnected Event - Du Big Data au Smart Data 7Oct2015 - EPFL
Connected Event - Du Big Data au Smart Data 7Oct2015 - EPFL
 
Smart City - Swisscom Dialogue Arena 18 juin2015, Lausanne
Smart City - Swisscom Dialogue Arena 18 juin2015, LausanneSmart City - Swisscom Dialogue Arena 18 juin2015, Lausanne
Smart City - Swisscom Dialogue Arena 18 juin2015, Lausanne
 
Smart City Event EPFL 24 09 2014
Smart City Event EPFL 24 09 2014Smart City Event EPFL 24 09 2014
Smart City Event EPFL 24 09 2014
 

Swiss Territorial Data Lab - geo Data Science - Forum SITG

  • 1. Forum SITG 20 mai 2021 Swiss Territorial Data Lab & Swiss Data Cube Co-création pour valoriser les données du territoire numérique www.stdl.ch
  • 2. Actuellement, nous avons facilement accès à une grande diversité de données du territoire de haute qualité, avec une fréquence d’acquisition de plus en plus élevée www.stdl.ch Constat
  • 6. Favoriser l’innovation collective pour résoudre des problématiques concrètes des administrations publiques en utilisant la science des données appliquée sur les données du territoire numérique STDL - objectif www.stdl.ch
  • 7. Co-création avec 7 partenaires Seul on va plus vite, ensemble on va plus loin www.stdl.ch Les partenaires
  • 9. Swiss Data Cube Pourquoi ? ❖ Faciliter l’utilisation des données des satellites en réduisant le temps de préparation ❖ Fournir des outils et algorithmes open-source permettant de valoriser ces données ❖ Stimuler l’innovation autour d’une communauté, l’Open Data Cube étant une initiative internationale, répliquée dans de nombreux pays
  • 10. 1. Détection automatique de la période de construction d’un bâtiment 2. Evolution de la couverture du sol 3. Détection automatique des panneaux thermiques 4. Monitoring de la sécheresse et de son impact sur la végétation 5. Plateforme 4D et perspectives Discussion / Questions Agenda www.stdl.ch
  • 11. FORUM SITG May 20, 2021 EXTENSION DU REGBL – OFS DATES DE CONSTRUCTIONS Nils Hamel – Huriel Reichel
  • 12. CONTEXTE DU PROJET EXPLORATOIRE REGISTRE FÉDÉRAL DES BÂTIMENTS ET DES LOGEMENTS Données de base relatives aux bâtiments et aux logements Office Fédérale de la Statistique – www.housing-stat.ch
  • 13. EXTENSION DU REGBL Conduit par l’OFS/BFS ● Inclusion de toutes les constructions en Suisse ● Dates de construction manquantes ● Déduction automatique des dates de construction Deux approches complémentaires PROJET
  • 14. CARTES NATIONALES Utilisation des carte nationales 1:25’000 ● Suivi des bâtiments sur les cartes ● Détection de leur apparition ● Couverture jusqu’à 1950 APPROCHES
  • 15. CARTES NATIONALES HOMOGÉNÉITÉ ET MÉTHODOLOGIE STABLE Émergence du concept de raster à trois dimension 2010 2004 1998 1993
  • 16.
  • 17.
  • 18. PROCESSUS DE DÉDUCTION DÉTECTION ET CRITÈRE MORPHOLOGIQUE Situation simple Situation complexe
  • 19. MÉTRIQUE DE VALIDATION ÉVALUATION DES RÉSULTATS Sélection manuelle de cas synchrones Registre: 1962 – Cartes nationales : 1960-1964
  • 20. APPLICATION DU TRAITEMENT AUTOMATISÉ QUATRE ZONES SÉLECTIONNÉES Évaluation des performances pour des situations variées Basel Bern Biasca Caslano
  • 21. ÉVALUATION DES RÉSULTATS APPROCHE AVEC LES CARTES NATIONALES 84.7% de dates correctes à ±5.8 ans 80.4% à ±5.5 ans 85.0% à ±5.6 ans 93.9% à ±6.0 ans 91.2% à ±6.2 ans
  • 22.
  • 23. DÉDUCTION STATISTIQUE Utilisation de modèles urbain statistiques ● Au delà des cartes ● Apporte une estimation des dates de construction ● Couverture de la période précédant 1950 APPROCHES
  • 24. ASPECTS THÉORIQUES MODÈLE URBAIN DE BURGESS Morphologie de l’évolution urbaine et dépendance spatiale
  • 25. MÉTHODOLOGIE COMPLÉTION DES DONNÉES MANQUANTES Variance temporelle pour le calcul de rayon spatial
  • 28. ÉVALUATION DES RÉSULTATS APPROCHE STATISTIQUE 95% de dates correctes à ±15.6 années
  • 29. ● APPROCHE DES CARTES NATIONALES 84.7% à ±5.8 années ● APPROCHE STATISTIQUE 95 % à ±15.6 années ● IMPORTANCE DU TEMPS Donne accès à des informations pertinentes CONCLUSION
  • 30. Swiss Data Cube- Observer les changements environnementau x par satellite Dr. Gregory Giuliani Université de Genève & PNUE/GRID-Genève
  • 31. Evolution de la couverture du sol Gregory Giuliani [UNIGE & GRID]
  • 32. Les gouvernements ont des engagements et des obligations en matière de rapports aux niveaux national et international, ainsi que des programmes environnementaux nationaux. Ils ont tous besoin d'informations synoptiques, cohérentes, spatialement explicites, suffisamment détaillées pour rendre compte des impacts anthropiques et de portée nationale. Les données d’observations de la Terre peuvent fournir la base nécessaire pour déterminer les tendances, définir le présent et informer le futur.
  • 33.
  • 34. Copernicus – Le regard de l’Europe sur la Terre Plus grand fournisseur de données au monde: 250TB/jour Archive: 250PB de données stockées, croissance journalière: 220TB
  • 35. Sentinel-2 22’000 images pour couvrir la Terre Tous les 5 jours! > 1’600’000 images/an!
  • 36. Pas uniquement des photos…
  • 37. • Vesuve ITA • Sentinel-2 • 12-July-2017 • Red, green, blue Spectral resolution
  • 38. • Vesuve ITA • Sentinel-2 • 12-July-2017 • SWIR2, SWIR1, NIR Spectral resolution
  • 40. Landsat 8 Landsat 8 + Sentinel-2A&B Li & Roy (2017) Résolution temporelle… Un game changer
  • 41. Surveiller la Terre en temps (quasi) réel est désormais une réalité!
  • 42. Comment transformer cette grande quantité de données en informations utiles et appuyer les décisions fondées sur des preuves?
  • 43. Que sont les cubes de données? Pile multi-dimensionnelle (espace, temps, type de données) ordonnée en série chronologique de pixels alignés spatialement & utilisée pour un accès et une analyse efficace. Courtesy of GeoScience Australia
  • 45. Session X: Session Title Slide 16
  • 46. Glacier du Rhône – 1985/2018/2020
  • 48. Feu de forêt, Loèche – 13 août 2003
  • 49. Mortalité des arbes (Täsch – composite vraies couleurs, été) 2018 2019 Sneiders B. & Giuliani G.,in prep
  • 51. D A T A INF OR MA TION K NOWL EDGE E OD ata § MODIS/AVRRR § ESA CCI Land Cover § SoilGrids S ub-indicators § Land Productivity Dynamics § Land Cover Change § Soil Organic Carbon Stocks S D G15.3.1 Proportion of land that is degraded over total land area Model Interpretation & representation Model SDG 15.3.1 – Dégradation des terres… porte atteinte au bien-être de 3,2 milliards de personnes (IPEBS) Collaboration: UNIGE, GEO, ESA, CNR, JRC, UNEP Giuliani G., Mazzetti P., Santoro M., Nativi S., Van Bemmelen J., Colangeli G., Lehmann A. (2020) Knowledge generation using satellite Earth Observations to support Sustainable Development Goals (SDG): a use case on Land Degradation, International Journal of Applied Earth Observation and Geoinformation 88:102068 https://doi.org/10.1016/j.jag.2020.102068
  • 52. L’aggrégation d’indicateurs… … n’est pas suffisante pour les politiques publiques! ESA UNCLASSIFIED - For Official Use Gregory Giuliani | ESRIN | 12/09/2019 | Slide 34 Aggregatedindicators… …arenotenoughforpublicpolicy!
  • 53. Désaggrégation d’indicateurs… … pour capturer la dynamique spatiale (cartes) et temporelle (graphs) ESA UNCLASSIFIED - For Official Use Gregory Giuliani | ESRIN | 12/09/2019 | Slide 35 Disag g reg ationofindicators… …tocapturespatial(m aps)andtem poraldynam ics(g raphs) How much? Where? When? Who?
  • 54. SDG 15.3.1 – Résultats pour la Suisse Valeur Officielle: 4.7% Valeur SDC: 9.7% La definition officielle n’est basée que sur l’imperméabilisation des sols et ne considère pas la productivité! Ne se conforme pas à la définition officielle de l’ONU! Giuliani G., Chatenoux B., Benvenuti A., Lacroix P., Santoro M., Mazzetti P., Monitoring Land Degradation at national level using satellite EO time-series data to support SDG15 – Exploring the potentiation of Data Cube, Big Earth Data, https://doi.org/10.1080/20964471.2020.1711633
  • 55. Applications potentielles • Suivi des changements de couverture et utilization du sol • Suivi des glaciers et la neige • Agriculture: surveillance des cultures, sécurité alimentaire • Surveillance de la végétation et des forêts, génération de paramètres (concentration de chlorophylle, estimation de la masse de carbone) • Suivi de la qualité de l’eau • Gestion et cartographie des inondations • Suivi et cartographie urbaine
  • 56. Amélioration de la couverture du sol Work in progress… Une carte annuelle à 10m…
  • 57. Le SDC supporte la stratégie « Digital Switzerland »  Support innovation and growth in the digital economy  Improve efficiency and effectiveness of government investments  Improve management of natural resources  Stimulate research  Effective monitoring mechanism  Generate information products  Improve data access and use & enable new products/ services that can transform everyday life
  • 58. EO Data Cubes offrent le potentiel… … d’améliorer la responsabilité et la crédibilité scientifique. Sans confiance et savoir partagés: •Faire de la science peut être difficile, •Prendre des bonnes decisions peut être problématique, •Et envisage un développement durable peut être compliqué!
  • 61. Détection automatique de panneaux thermiques Swiss Territorial Data Lab Alessandro Cerioni Data Scientist, Etat de Genève Forum SITG, 20 mai 2021
  • 62. CONTEXTE DU PROJET ● Bénéficiaire : Canton de Neuchâtel plus en particulier : son Service de l'Energie et de l'Environnement ● Début : avril 2021 toujours en cours ● Objectif ? Mettre à jour l’inventaire des panneaux solaires thermiques installés dans le canton ● Pourquoi ? Afin de suivre dans le temps l’exploitation de l’énergie solaire ● Comment ? Détection automatique à partir de photos aériennes, par Deep Learning INTRODUCTION
  • 63. INTRODUCTION L’IDÉE, EN BREF ● réutilisation du même code réalisant la détection de piscines dans une version améliorée, grâce à ce projet apprentissage détection
  • 64. DONNÉES D’ENTRÉE (1) base de données des installations déjà connues, fournie par le Canton de Neuchâtel ● enregistrements à confirmer (vérité terrain) ● objets ponctuels, géo-référencés de manière inhomogène coordonnées géo (MN03), adresses, lien vers le RegBL via les EGIDs (2) images aériennes source : orthophotos diffusées par Swissimage (WMS) (3) étiquettes (« labels ») issues du projet SolAI (FHNW et OFEN, 2020) - données «vérité terrain» cf. https://tinyurl.com/vrnf5tdw ● couverture : Canton d’Argovie ● un travail d’ultérieure vérification a été effectué par l’équipe STDL INTRODUCTION
  • 65. ÉTAPES PRINCIPALES 1. Définition d’une «zone d’intérêt» Canton d’Argovie (apprentissage) + Canton de Neuchâtel (détection) 2. Préparation des données tuilage, segmentation d’image, … 3. Entraînement d’un réseau de neurones profond Deep Learning – architecture Mask R-CNN 4. Détections géoreferencées 5. Evaluation des résultats Data Scientists + experts métiers DÉTECTION AUTOMATIQUE PAR DEEP LEARNING
  • 66. A PROPOS D’ÉVALUATION... 1. Sur les données d’apprentissage (vérité terrain) par les Data Scientists ● évaluation de la fiabilité du modèle prédictif ● par des métriques «techniques» : précision, rappel, f1-score ● ...et si l’on devait donner une note «simple» à notre modèle ? 2. Sur les détections sur le Canton de Neuchâtel par les experts métiers (avec l’aide des Data Scientists, si besoin !) ● évaluation de la fiabilité du modèle prédictif ET de la base de données connue au préalable DÉTECTION AUTOMATIQUE PAR DEEP LEARNING
  • 67. SUBTILITÉS LIÉES À L’OBJET CIBLE ● Visuellement, les panneaux thermiques se confondent avec ● des panneaux photovoltaïques ● des fenêtres de toit ● ... Les non experts peuvent se faire piéger. L’IA aussi ! ● Détection multi-classe à tester : p. thermiques + p. photovoltaïques + fenêtres de toit + … DÉTECTION AUTOMATIQUE PAR DEEP LEARNING
  • 68. Détections sur une zone de test du Canton de NE (représentatif) – fournir le zoom sur une zone limitée DÉTECTIONS SUR UNE ZONE DE TEST
  • 69. Relations à confirmer entre les panneaux ● connus a priori ● détectés ÉVALUATION DES DÉTECTIONS ...en cours... géolocalisation par EGID (RegBL) géolocalisation explicite
  • 70. ÉVALUATION DES DÉTECTIONS ...en cours... Objets inconnus ● panneaux thermiques ou... ● ...faux positifs ?
  • 71. CONCLUSION 1. Oui !, la télédétection de panneaux thermiques est possible pourvu qu’on dispose de (très) bonnes données d’apprentissage 2. La collaboration avec les experts métiers reste essentielle le modèle prédictif pourra être ultérieurement amélioré grâce à leur retour 3. Opportunités : ● rejouer la détection lors de nouvelles acquisitions de photos aériennes suivi de l’évolution dans le temps ● détection «nativement surfacique» estimation du potentiel solaire exprimé ● orthophotos + données LiDAR ? orientation des panneaux, … 4. A venir : ● détection de panneaux thermiques sur le Canton de Genève ● détection d’autres objets, ex. : climatisations (modules externes)
  • 72. Monitoring de la sécheresse et de son impact sur la vegetation Gregory Giuliani [UNIGE & GRID]
  • 73.
  • 74.
  • 75. Indice d’humidité (NDWI)… Contenu en eau de la végétation (2014 vs. 2003) Giuliani G., Egger E., Italiano J., Poussin C., Richard J.-P., Chatenoux B. (2020) Essential Variables for environmental monitoring: What are the possible contributions of Earth Observation Data Cubes, Data 5:100 https://www.mdpi.com/2306-5729/5/4/100
  • 76. Indice d’humidité (NDWI)… Contenu en eau de la végétation (2014 vs. 2003)
  • 77. Tendance d’humidité de la végétation Série temporelle NDWI de 35 ans d’observations Landsat – moyenne annuelle Poussin C., Massot A., Ginzler C., Weber D., Chatenoux B., Lacroix P., Piller T., Nguyen L., Giuliani G., Drying conditions in Switzerland - Indication from a 35-year Landsat trend analysis of vegetation water content estimates to support SDG15, Submitted to Big Earth Data.
  • 78. Tendance d’humidité de la végétation Statistiques par zones biogéographiques – moyenne d’été Poussin et al. Submitted
  • 79. Tendance d’humidité de la végétation Statistiques par zones biogéographiques – 1984/2019 Poussin et al. Submitted
  • 80. Prochainement… Un service de suivi de la sécheresse par zone biogéographiques
  • 82. Conclusions… • Tendance faible et lente à l'échelle du pays, principalement à basse et moyenne altitude. • Les régions alpines semblent plus sensibles aux changements des conditions de sécheresse. • Les valeurs NDWI sont principalement fonction des températures à des altitudes inférieures à la limite des arbres plutôt qu’aux précipitations. • Les données d'observation de la Terre par satellite ainsi que les mesures in situ peuvent fournir une base précieuse pour générer des informations spatialement explicites à l'échelle nationale sur l'état écologique de la végétation. • D'autres composantes telles que le changement de couverture terrestre et l'évapotranspiration devraient être prises en compte pour mieux caractériser la variabilité de l’NDWI.
  • 84. FORUM SITG May 20, 2021 PLATEFORME 4D ESPACE-TEMPS ET COLLABORATION Nils Hamel – Huriel Reichel – Swiss Data Cube
  • 85. PLATEFORME 4D EXEMPLE DU SRTM – 470 GB (ASC)
  • 86. PLATEFORME 4D EXEMPLE DU CADASTRE – 12 GB (ITF)
  • 88. 2009-10 2013-04 2017-04 LA DIMENSION DU TEMPS EXEMPLE DU LIDAR DE GENÈVE – 250 GB (LAS)
  • 92. COLLABORATION AVEC LE SWISS DATA CUBE ● Big data dans la notion spatiale et temporelle ● Navigation 4D ● Détection des différences SWISS DATA CUBE
  • 93. Inventaire des arbres isolés Perspectives www.stdl.ch Evolution des sites d’extraction de matières premières
  • 94. Contactez-nous via info@stdl.ch ➢ Pour proposer des projets ➢ Utiliser ce que nous avons développé www.stdl.ch