Télécharger en tant que PDF, PPTX
![Evolution de la couverture du sol
Gregory Giuliani [UNIGE & GRID]](https://image.slidesharecdn.com/20210520-forum-sitg-210520125201/85/Swiss-Territorial-Data-Lab-geo-Data-Science-Forum-SITG-31-320.jpg)
![Monitoring de la sécheresse et de son impact sur la vegetation
Gregory Giuliani [UNIGE & GRID]](https://image.slidesharecdn.com/20210520-forum-sitg-210520125201/85/Swiss-Territorial-Data-Lab-geo-Data-Science-Forum-SITG-72-320.jpg)
Téléchargé parRaphael Rollier
Swiss Territorial Data Lab - geo Data Science - Forum SITG
Le document présente les initiatives du Swiss Territorial Data Lab et du Swiss Data Cube pour valoriser des données territoriales, facilitant ainsi l'innovation et la collaboration autour d'enjeux environnementaux et urbains. Il aborde divers projets, tels que la détection automatique de panneaux thermiques et le suivi de la sécheresse, en utilisant des méthodes d'analyse de données avancées, y compris l'apprentissage profond et les observations satellites. Les résultats suggèrent que ces outils peuvent significativement améliorer la prise de décision fondée sur des données fiables en matière de gestion des ressources naturelles et d'urbanisme.
Swiss Territorial Data Lab - geo Data Science - Forum SITG
- 1. Forum SITG 20 mai2021 Swiss Territorial Data Lab & Swiss Data Cube Co-création pour valoriser les données du territoire numérique www.stdl.ch
- 2. Actuellement, nous avonsfacilement 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
- 3.
- 4.
- 5.
- 6. Favoriser l’innovation collectivepour 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 7partenaires Seul on va plus vite, ensemble on va plus loin www.stdl.ch Les partenaires
- 8.
- 9. Swiss Data Cube Pourquoi ? ❖ Faciliter l’utilisationdes 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 automatiquede 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 PROJETEXPLORATOIRE 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 Conduitpar 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 descarte nationales 1:25’000 ● Suivi des bâtiments sur les cartes ● Détection de leur apparition ● Couverture jusqu’à 1950 APPROCHES
- 15. CARTES NATIONALES HOMOGÉNÉITÉ ETMÉTHODOLOGIE STABLE Émergence du concept de raster à trois dimension 2010 2004 1998 1993
- 18. PROCESSUS DE DÉDUCTION DÉTECTIONET CRITÈRE MORPHOLOGIQUE Situation simple Situation complexe
- 19. MÉTRIQUE DE VALIDATION ÉVALUATIONDES RÉSULTATS Sélection manuelle de cas synchrones Registre: 1962 – Cartes nationales : 1960-1964
- 20. APPLICATION DU TRAITEMENTAUTOMATISÉ QUATRE ZONES SÉLECTIONNÉES Évaluation des performances pour des situations variées Basel Bern Biasca Caslano
- 21. ÉVALUATION DES RÉSULTATS APPROCHEAVEC 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
- 23. DÉDUCTION STATISTIQUE Utilisation demodèles urbain statistiques ● Au delà des cartes ● Apporte une estimation des dates de construction ● Couverture de la période précédant 1950 APPROCHES
- 24. ASPECTS THÉORIQUES MODÈLE URBAINDE BURGESS Morphologie de l’évolution urbaine et dépendance spatiale
- 25. MÉTHODOLOGIE COMPLÉTION DES DONNÉESMANQUANTES Variance temporelle pour le calcul de rayon spatial
- 26.
- 27.
- 28. ÉVALUATION DES RÉSULTATS APPROCHESTATISTIQUE 95% de dates correctes à ±15.6 années
- 29. ● APPROCHE DES CARTESNATIONALES 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- Observerles changements environnementau x par satellite Dr. Gregory Giuliani Université de Genève & PNUE/GRID-Genève
- 31. Evolution de lacouverture du sol Gregory Giuliani [UNIGE & GRID]
- 32. Les gouvernements ontdes 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.
- 34. Copernicus – Leregard 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 pourcouvrir la Terre Tous les 5 jours! > 1’600’000 images/an!
- 36. Pas uniquement desphotos…
- 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
- 39.
- 40. Landsat 8 Landsat8 + Sentinel-2A&B Li & Roy (2017) Résolution temporelle… Un game changer
- 41. Surveiller la Terreen temps (quasi) réel est désormais une réalité!
- 42. Comment transformer cette grande quantitéde données en informations utiles et appuyer les décisions fondées sur des preuves?
- 43. Que sont lescubes 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
- 44.
- 45. Session X: SessionTitle Slide 16
- 46. Glacier du Rhône– 1985/2018/2020
- 47.
- 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
- 50. Urbanization – Bulle1985/2018
- 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’estpas suffisante pour les politiques publiques! ESA UNCLASSIFIED - For Official Use Gregory Giuliani | ESRIN | 12/09/2019 | Slide 34 Aggregatedindicators… …arenotenoughforpublicpolicy!
- 53. Désaggrégation d’indicateurs… … pourcapturer 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 • Suivides 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 lacouverture du sol Work in progress… Une carte annuelle à 10m…
- 57. Le SDC supportela 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 Cubesoffrent 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!
- 59. Follow us http://www.swissdatacube.ch @SwissDataCube GRIDgva/SwissDataCubegregory.giuliani@unepgrid.ch
- 60.
- 61. Détection automatique de panneauxthermiques 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 ● réutilisationdu même code réalisant la détection de piscines dans une version améliorée, grâce à ce projet apprentissage détection
- 64. DONNÉES D’ENTRÉE (1) basede 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. Définitiond’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 ÀL’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 unezone de test du Canton de NE (représentatif) – fournir le zoom sur une zone limitée DÉTECTIONS SUR UNE ZONE DE TEST
- 69. Relations à confirmerentre les panneaux ● connus a priori ● détectés ÉVALUATION DES DÉTECTIONS ...en cours... géolocalisation par EGID (RegBL) géolocalisation explicite
- 70. ÉVALUATION DES DÉTECTIONS ...encours... Objets inconnus ● panneaux thermiques ou... ● ...faux positifs ?
- 71. CONCLUSION 1. Oui !, latélédétection 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 lasécheresse et de son impact sur la vegetation Gregory Giuliani [UNIGE & GRID]
- 75. Indice d’humidité (NDWI)… Contenuen 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)… Contenuen eau de la végétation (2014 vs. 2003)
- 77. Tendance d’humidité dela 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 dela végétation Statistiques par zones biogéographiques – moyenne d’été Poussin et al. Submitted
- 79. Tendance d’humidité dela végétation Statistiques par zones biogéographiques – 1984/2019 Poussin et al. Submitted
- 80. Prochainement… Un service desuivi de la sécheresse par zone biogéographiques
- 81.
- 82. Conclusions… • Tendance faibleet 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.
- 83.
- 84. FORUM SITG May 20,2021 PLATEFORME 4D ESPACE-TEMPS ET COLLABORATION Nils Hamel – Huriel Reichel – Swiss Data Cube
- 85. PLATEFORME 4D EXEMPLE DUSRTM – 470 GB (ASC)
- 86. PLATEFORME 4D EXEMPLE DUCADASTRE – 12 GB (ITF)
- 87.
- 88. 2009-10 2013-04 2017-04 LADIMENSION DU TEMPS EXEMPLE DU LIDAR DE GENÈVE – 250 GB (LAS)
- 89. DÉRIVÉE TEMPORELLE 2020-10-13 ET2020-10-17
- 90.
- 91.
- 92. COLLABORATION AVEC LESWISS DATA CUBE ● Big data dans la notion spatiale et temporelle ● Navigation 4D ● Détection des différences SWISS DATA CUBE
- 93. Inventaire des arbresisolés 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