Dans ce module, nous aborderons les concepts suivants :

• Les sources de données potentielles disponibles dans Google Earth Engine.
• Des cas d'utilisation pour l'échantillonnage de données, illustrés par des exemples écologiques.
• Comment accéder aux métadonnées essentielles à l'aide de Google Earth Engine.

Contexte

Pour intégrer la télédétection dans vos recherches et analyses, il est crucial de savoir naviguer parmi la vaste quantité de jeux de données raster disponibles sur Google Earth Engine. Comprendre comment ces données sont catégorisées facilite cette exploration. Si vous ne savez pas par où commencer, le catalogue de données de Google Earth Engine offre une excellente ressource pour explorer les catégories générales de données raster. Bien que Google Earth Engine effectue un nettoyage et un pré-traitement d'images sur l'ensemble de ses données raster, ce module se concentrera sur une exploration plus large afin d'identifier des jeux de données adaptés à des applications écologiques spécifiques. Pour plus de détails sur les variations de pré-traitement et les analyses, consultez le module 5.

Catégories de données : Climat et Météo

Ces données raster fournissent des informations sur la température, les précipitations, l'évapotranspiration et d'autres phénomènes atmosphériques. Ces jeux de données sont fréquemment utilisés pour comprendre les niches écologiques des espèces ou des communautés, en se basant sur des modèles d'habitat appropriés. Il est important de noter que certains de ces jeux de données sont générés par interpolation, estimant les valeurs entre des points de mesure, contrairement à d'autres qui fournissent des mesures directes.

Exemple de collection : CHIRPS
Ce jeu de données, développé et maintenu par le PRISM Group de l'Oregon State University, inclut diverses couches climatiques, notamment la température et les précipitatoins. Une compréhension spatiale des facteurs climatiques est inestimable pour évaluer la niche écologique potentielle d'une espèce ou d'un groupe d'espèces à l'échelle du paysage.

Exemple : Quantité mensuelle totale des précipitations en Afrique centrale pour mai 2018, utilisant les données CHIRPS.

Catégories de données : Imagerie

Dans cette catégorie, les données raster capturent des caractéristiques du paysage liées à l'énergie solaire réfléchie, fournissant des informations détaillées sur les éléments du terrain tels que la végétation et les sols. Les données d'imagerie sont souvent subdivisées en plusieurs bandes, chacune correspondant à une gamme spécifique de longueurs d'onde lumineuse. De nombreux jeux de données d'imagerie servent à créer des indices spectraux accessibles via des collections pré-construites (plus d'informations dans le module 8).

Exemple de collection : MODIS
Le programme MODIS (Moderate Resolution Imaging Spectroradiometer) acquiert des données depuis deux capteurs embarqués sur les satellites Aqua et Terra, ainsi qu'une combinaison des deux. Outre les données de réflectance de surface (incluant la couverture neigeuse, la température de surface, l'indice de surface foliaire et la production primaire nette), de nombreux produits dérivés de MODIS sont disponibles sur Google Earth Engine. Bien que sa résolution spatiale soit plus grossière que celle d'autres jeux de données d'imagerie, de nombreux produits MODIS ont une résolution temporelle élevée, résultant en des séries temporelles denses avec des images pour une même zone géographique tous les huit jours au minimum.

Exemple : Prédiction de l'indice de surface foliaire sur l'île d'Hokkaido, au nord du Japon, dérivée de MODIS.

Catégories de données : Géophysique

Les données raster de cette catégorie couvrent un large éventail de cartes. Les cartes d'altitude et d'indices topographiques sont utiles pour définir les contraintes environnementales des habitats d'espèces, tandis que les cartes d'occupation du sol fournissent des couches pré-packagées pratiques pour la classification ou la comparaison avec vos propres classifications d'images (voir module 7).

Exemple de collection : NED
Le National Elevation Dataset (NED) est un modèle numérique d'élévation (MNE) de haute qualité couvrant le continent américain, ainsi que des parties de l'Alaska et d'Hawaï. Ce jeu de données compile diverses données d'élévation provenant de l'ensemble des États-Unis et est édité pour garantir une résolution spatiale, des unités d'altitude et un système de coordonnées cohérents. Les images d'élévation comme le NED peuvent être utilisées pour créer des indices topographiques, informer des modèles d'inondation ou classifier des caractéristiques géomorphologiques.

Exemple : National Elevation Dataset aux États-Unis, à la frontière entre l'État de Washington et l'Idaho.

Exploration des acquisitions d'images

Maintenant que nous avons examiné la profondeur et l'étendue des jeux de données disponibles, nous pouvons consacrer du temps à l'exploration détaillée d'une collection. Nous allons explorer l'un des jeux de données les plus distinctifs disponibles dans Google Earth Engine : la collection MODIS Daily Snow Cover. Ces données nous permettent de visualiser le pourcentage de couverture neigeuse pour un pixel donné, n'importe quel jour de l'année. Ces données permettent également de créer des moyennes hebdomadaires, mensuelles et annuelles, et ont été utilisées dans des recherches antérieures pour analyser et surveiller la profondeur de la neige, l'étendue de la neige et la fonte des neiges.

Recherche et chargement d'une colection

Pour commencer à explorer le jeu de données de couverture neigeuse MODIS, vous pouvez charger la collection de l'une des deux manières suivantes. Premièrement, utilisez la barre de recherche et commencez à taper "MYD10A1.006 Aqua Snow Cover Daily Global 500m".

Résultat de la saisie du nom du jeu de données dans la barre de recherche.

En cliquant sur le nom du jeu de données, une fenêtre contextuelle apparaîtra avec un bouton "Importer" (mis en surbrillance en rouge). Cliquer sur ce bouton chargera automatiquement le jeu de données dans l'espace de travail de votre script. Cliquer sur le bouton "Importer" (mis en surbrillance en rouge) chargera la collection de couverture neigeuse MODIS.

Bien que le bouton d'importation soit pratique, la commande de chargement du jeu de données n'est pas réellement écrite dans notre script. Une autre méthode pour charger un jeu de données consiste à copier son "ImageCollection ID" (mis en surbrillance ci-dessous) et à coller le nom abrégé dans votre script, comme suit :

// Charger la collection d'images.
var dataset = ee.ImageCollection('MODIS/006/MYD10A1');
 

Recherche géographique rapide

Maintenant que nous avons trouvé et chargé notre collection d'images, exécutez le script ci-dessous pour charger rapidement des données d'exemple :

// Charger la collection d'images.
var dataset = ee.ImageCollection('MODIS/006/MYD10A1');

// Limiter la plage de dates de la collection à 2018.
var dataset = dataset
.filterDate('2018-01-01', '2018-12-31');

// Sélectionner la couche de couverture neigeuse et calculer la moyenne.
var snowCover = dataset
.select('NDSI_Snow_Cover')
.mean();

// Définir les paramètres de visualisation et ajouter la collection à la carte.
var snowCoverVis = {min: 0.0, max: 100.0, palette: ['black', '0dffff', '0524ff', 'ffffff']};
Map.addLayer(snowCover, snowCoverVis, 'Snow Cover');
 

N'hésitez pas à zoomer sur différentes positions géographiques pour comparer les données dans différentes régions du monde. Une méthode simple consiste à utiliser la barre de recherche. Tapez "Îles Aléoutiennes" ou "Islande" ou "Népal", et vous verrez une liste de positions géographiques potentielles. Cliquez sur l'un des noms pour être automatiquement redirigé vers cet endroit. Gardez à l'esprit que votre script peut contenir du code pour zoomer sur une position géographique spécifique, alors soyez prudent avant de cliquer à nouveau sur ce bouton d'exécution !

Dans la barre de recherche, tapez "Népal" et zoomez pour voir une image similaire à celle-ci.

Exploration des attributs de la collection

Après avoir trouvé et chargé notre collection, il est essentiel de comprendre les métadonnées des collections d'images disponibles pour les écologistes intéressés par l'utilisation de données de télédétection. Les métadonnées sont importantes pour déterminer la pertinence d'une image ou d'une collection d'images pour un système de recherche ou une zone d'intérêt spécifique. Les sections suivantse discutent des informations fondamentales que l'on trouve dans les métadonnées des collections d'images dans Google Earth Engine.

Résolution spatiale

L'un des aspects les plus importants de l'étude des processus écologiques est la compréhension de l'échelle. Dans le contexte de la télédétection, cela est connu sous le nom de résolution. Spécifiquement, dans les jeux de données raster, il s'agit de la mesure euclidienne de base de la taille d'un pixel, généralement exprimée par la longueur d'un côté d'un pixel dans la grille. Comprendre la relation entre la résolution spatiale et l'échelle physique de votre application écologique peut vous aider à réduire rapidement votre recherche de jeux de données appropriés.

Pour trouver la résolution spatiale de notre jeu de données, tapez à nouveau le nom du jeu de données et cliquez sur le résultat dans la barre de recherche (par exemple, "MYD10A1.006 Aqua Snow Cover Daily Global 500m"). Parfois, si toutes les bandes d'une grille ont la même résolution, cette information (ainsi que les unités d'échelle) sera affichée sous le titre. S'il existe plusieurs résolutions dans un jeu de données, un tableau indiquera généralement la résolution spatiale de chaque bande.

Résolution spatiale du jeu de données MODIS, en mètres. Il s'agit d'une résolution relativement faible, plus adaptée aux analyses régionales ou mondiales.

Résolution temporelle

Dans le domaine de la télédétection, de nombreux jeux de données représentent des opportunités d'analyser et d'interpréter des valeurs sur des périodes de jours, de mois ou d'années. La résolution temporelle est la manière dont nous décrivons le cycle de revisite d'un capteur. Si un satellite a un schéma orbital établi, nous pouvons déterminer les dates, voire les heures, auxquelles il est prévu qu'il survole le même emplacement géographique. Par exemple, le programme Landsat revoit le même emplacement toutes les deux semaines, avec une résolution temporelle spécifique de 16 jours entre les acquisitions de données. Certains jeux de données disponibles dans Google Earth Engine peuvent être mesurés quotidiennement (par exemple, MODIS), tandis que d'autres peuvent être mensuels (par exemple, WorldClim).

Déterminer si la plage de dates des images disponibles dans votre zone d'étude correspond à vos observations, ou calculer le nombre d'images tombant dans votre zone d'intérêt (AOI) + plage de dates, peut être une première étape importante dans la collecte de données pour une analyse potentielle. En utilisant notre script ajouté ci-dessus et le code ci-dessous, nous imprimerons ces informations. Pour trouver vos propres coordonnées, cliquez sur l'onglet "Inspecteur" et cliquez sur la carte. L'inspecteur obtiendra alors les coordonnées de ce point (mis en surbrillance en rouge ci-dessous).

Avec l'onglet "Inspecteur" activé, cliquez sur la carte pour obtenir une paire de coordonnées de latitude et de longitude.

Vos résultats varieront en fonction des coordonnées que vous utilisez (essayez plusieurs points !), mais le code ci-dessous devrait imprimer le nombre total d'enregistrements ("Count") et la plage de dates des enregistrements dans l'onglet "Console". Vos résultats peuvent varier en fonction de vos coordonnées, mais le format devrait être similaire à celui de l'image ci-dessous.

var dataset = dataset
.filterBounds(ee.Geometry.Point(27.5487, 41.2568)); // Utilisez vos propres coordonnées ici !

// Imprimer le nombre d'images dans la collection
print('Count: ', dataset.size());

// Imprimer la plage de dates complète de la collection filtrée.
var range = dataset.reduceColumns(ee.Reducer.minMax(), ["system:time_start"])
print('Date range: ', ee.Date(range.get('min')), ee.Date(range.get('max')));
 

Sortie dans l'onglet "Console" de Google Earth Engine, indiquant le nombre d'images de notre collection et la plage de dates qu'elles couvrent.

Conclusion

En résumé, nous venons de commencer à explorer la vaste quantité de données disponibles via Google Earth Engine. Nous avons également introduit des métadonnées importantes qui peuvent améliorer vos recherches et vous aider à déterminer si votre collection d'images est prête pour l'analyse. Il est probable que les jeux de données adaptés à votre domaine de recherche existent déjà. Cependant, si vous ne trouvez pas ce que vous cherchez, ne vous inquiétez pas ! Passez simplement à l'unité 4 pour savoir comment importer vos propres données dans l'écosystème Google Earth Engine.

Script complet d'exploration de la collection d'images

// Charger la collection d'images.
var dataset = ee.ImageCollection('MODIS/006/MYD10A1');

// Limiter la plage de dates de la collection à 2018.
var dataset = dataset
.filterDate('2018-01-01', '2018-12-31');

// Sélectionner la couche de couverture neigeuse et calculer la moyenne.
var snowCover = dataset
.select('NDSI_Snow_Cover')
.mean();

// Définir les paramètres de visualisation et ajouter la collection à la carte.
var snowCoverVis = {min: 0.0, max: 100.0, palette: ['black', '0dffff', '0524ff', 'ffffff']};
Map.addLayer(snowCover, snowCoverVis, 'Snow Cover');

var dataset = dataset
.filterBounds(ee.Geometry.Point(27.5487, 41.2568)); // Utilisez vos propres coordonnées ici !

// Imprimer le nombre d'images dans la collection
print('Count: ', dataset.size());

// Imprimer la plage de dates complète de la collection filtrée.
var range = dataset.reduceColumns(ee.Reducer.minMax(), ["system:time_start"])
print('Date range: ', ee.Date(range.get('min')), ee.Date(range.get('max')));