Service Copernicus de surveillance des terres - Qualité de l’eau des lacs#

Mots-clés données utilisées; Service Copernicus de surveillance des terres, jeux de données; cgls_landcover, jeux de données; cgls_lwq100_2019_2024, données utilisées; cgls_lwq100_2024_nrt, jeux de données; cgls_lwq300_2002_2012 jeux de données; cgls_lwq300_2016_2024, jeux de données; cgls_lwq300_2024_nrt

Aperçu#

Les produits de qualité de l’eau des lacs du Service mondial de surveillance des terres de Copernicus offrent un système de surveillance complet dérivé de satellites pour évaluer les indicateurs clés de la qualité de l’eau dans les grands lacs majeurs, généralement ceux de plus de 50 hectares. Ces jeux de données sont générés à l’aide de capteurs satellites optiques, principalement Sentinel-2 MSI et Sentinel-3 OLCI, avec des archives antérieures dérivées d’Envisat MERIS. Couvrant plusieurs résolutions spatiales (100 m et 300 m) et échelles temporelles (composites de 10 jours), ils prennent en charge des évaluations en temps quasi réel et rétrospectives de la qualité des eaux intérieures.

Les paramètres clés incluent la réflectance de surface, la turbidité, les matières totales en suspension (MTS), la concentration en chlorophylle-a, l’indice d’état trophique et le risque de cyanobactéries flottantes — tous essentiels pour surveiller l’eutrophisation, la santé écologique et les efflorescences algales nuisibles (EAN). Les jeux de données couvrent la période de 2002 à nos jours, offrant une continuité à long terme pour la surveillance environnementale et la recherche scientifique, avec une couverture ciblée sur l’Europe et l’Afrique.

Tous les produits sont livrés à l’aide de grilles géospatiales normalisées (EPSG:4326) et comprennent des indicateurs de qualité, des métadonnées détaillées et une validation par rapport aux observations in situ afin de garantir leur fiabilité. Les améliorations continues apportées aux versions des produits — telles qu’une correction atmosphérique améliorée et des algorithmes de récupération mis à jour — ont considérablement amélioré la précision et la facilité d’utilisation. De plus, des manuels d’utilisation complets, une documentation technique et des documents d’assistance sont disponibles, rendant les données hautement accessibles aux chercheurs, aux décideurs politiques et aux gestionnaires de l’environnement.

Digital Earth Africa (DE Africa) héberge ces ensembles de données pour la région africaine, offrant un accès libre et gratuit aux données et aux outils via le Sandbox DE Africa. Ce notebook montre comment charger les ensembles de données sur la qualité de l’eau des lacs dans l’environnement DE Africa. À partir de là, les utilisateurs peuvent effectuer des analyses approfondies pour étudier la dynamique des lacs, surveiller les changements et soutenir une gestion des ressources en eau basée sur des données probantes.

Tableau récapitulatif

Code produit

Résolution spatiale

Période

Couverture

cgls_lwq100_2019_2024

100 m

2019–2024

Décadaire (archivé)

cgls_lwq100_2024_nrt

100 m

Depuis 2024

Temps quasi réel, décadaire

cgls_lwq300_2002_2012

300 m

2002–2012

Archive, décadaire

cgls_lwq300_2016_2024

300 m

2016–2024

Décadaire (archivé)

cgls_lwq300_2024_nrt

300 m

Depuis 2024

Temps quasi réel, décadaire

Comparaison des mesures de la qualité de l’eau des lacs

Mesure

cgls_lwq300_2002_2012

cgls_lwq300_2016_2024

cgls_lwq100_2019_2024

cgls_lwq100_2024_nrt

cgls_lwq300_2024_nrt

Turbidité

✅

✅

✅

✅

✅

Indice d’état trophique

✅

✅

✅

✅

✅

Réflectivité de surface

✅

✅

✅

✅

✅

Chlorophylle-a

❌

❌

❌

✅

✅

Matières totales en suspension (MTS)

❌

❌

❌

✅

✅

Risque de cyanobactéries

❌

❌

❌

✅

✅

Indicateurs de qualité

❌

❌

❌

✅

✅

Description#

Dans ce notebook, nous chargerons les données cgls_lwq**** en utilisant dc.load() pour obtenir une carte de la qualité de l’eau des lacs pour une zone spécifiée.

Les sujets abordés comprennent :

  1. Inspection du produit cgls_lwq*** disponible dans le datacube

  2. Utilisation de la fonction dc.load() pour charger chaque donnée cgls_lwq****

  3. Visualisation de cgls_lwq***

Commencer#

Pour exécuter cette analyse, exécutez toutes les cellules du bloc-notes, en commençant par la cellule « Charger les packages ».

Charger des paquets#

[1]:

%matplotlib inline

import datacube
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
import geopandas as gpd
from odc.geo.geom import Geometry
from deafrica_tools.plotting import display_map
from deafrica_tools.areaofinterest import define_area

Se connecter au datacube#

[2]:

dc = datacube.Datacube(app="Lake_Water_Quality")

Paramètres d’analyse#

La cellule suivante définit les paramètres qui déterminent la zone d’intérêt pour mener l’analyse.

Sélectionnez l’emplacement#

Pour définir la zone d’intérêt, deux méthodes sont disponibles :

  1. En spécifiant la latitude, la longitude et la zone tampon, ou en séparant les zones tampons de latitude et de longitude, cette méthode vous permet de définir une zone d’intérêt autour d’un point central. Vous pouvez saisir la latitude centrale, la longitude centrale et une valeur de zone tampon en degrés pour créer une zone carrée autour du point central. Par exemple, « lat = 10.338 », « lon = -1.055 » et « buffer = 0.1 » sélectionneront une zone avec un rayon de 0,1 degré carré autour du point avec les coordonnées « (10.338, -1.055) ».

    Vous pouvez également fournir des valeurs de tampon distinctes pour la latitude et la longitude d’une zone rectangulaire. Par exemple, « lat = 10.338 », « lon = -1.055 » et « lat_buffer = 0.1 » et « lon_buffer = 0.08 » sélectionneront une zone rectangulaire s’étendant sur 0,1 degré au nord et au sud et 0,08 degré à l’est et à l’ouest à partir du point « (10.338, -1.055) ».

    Pour des temps de chargement raisonnables, définissez la mémoire tampon sur « 0,1 » ou moins.

  2. By uploading a polygon as a GeoJSON or Esri Shapefile. If you choose this option, you will need to upload the geojson or ESRI shapefile into the Sandbox using Upload Files button 9c3eebf6581a4157b15c1000aff48c45 in the top left corner of the Jupyter Notebook interface. ESRI shapefiles must be uploaded with all the related files (.cpg, .dbf, .shp, .shx). Once uploaded, you can use the shapefile or geojson to define the area of interest. Remember to update the code to call the file you have uploaded.

Pour utiliser l’une de ces méthodes, vous pouvez décommenter la ligne de code concernée et commenter l’autre. Pour commenter une ligne, ajoutez le symbole "#" avant le code que vous souhaitez commenter. Par défaut, la première option qui définit l’emplacement à l’aide de la latitude, de la longitude et du tampon est utilisée.

Si vous exécutez le notebook pour la première fois, conservez les paramètres par défaut ci-dessous. Cela permettra de démontrer le fonctionnement de l’analyse et de fournir des résultats significatifs. L’emplacement par défaut est le lac Volta au Ghana.

[3]:

# Method 1: Specify the latitude, longitude, and buffer)
aoi = define_area(lat=7.5095, lon=0.0934, buffer=1.5)

# Method 2: Use a polygon as a GeoJSON or Esri Shapefile.
# aoi = define_area(vector_path='aoi.shp')

#Create a geopolygon and geodataframe of the area of interest
geopolygon = Geometry(aoi["features"][0]["geometry"], crs="epsg:4326")
geopolygon_gdf = gpd.GeoDataFrame(geometry=[geopolygon], crs=geopolygon.crs)

# Get the latitude and longitude range of the geopolygon
lats = (geopolygon_gdf.total_bounds[1], geopolygon_gdf.total_bounds[3])
lons = (geopolygon_gdf.total_bounds[0], geopolygon_gdf.total_bounds[2])

[4]:

# The code below renders a map that can be used to view the region.
display_map(lons, lats)

[4]:
Make this Notebook Trusted to load map: File -> Trust Notebook

Accéder aux données de qualité de l’eau des lacs via DE Africa#

1. Qualité de l’eau des lacs 2019-2024 (raster 100 m), décadaire – version 1#

Le jeu de données fournit des composites des principaux paramètres de qualité de l’eau des lacs, tels que la turbidité, l’indice d’état trophique et la réflectance de surface, dérivés des observations Sentinel-2 MSI. Il est mis à jour dans les quatre jours suivant la fin de chaque décade. Cette version est conçue pour la surveillance environnementale rétrospective et soutient l’évaluation à long terme de la santé des écosystèmes lacustres et des tendances de la clarté de l’eau.

La cellule ci-dessous montre comment charger le jeu de données en utilisant le code produit cgls_lwq100_2019_2024 pour la Qualité de l’eau des lacs 2019–2024 (raster 100 m, décadaire, version 1). Deux mesures sont chargées : trophic_state_mean et turbidity_blended_mean. Des mesures et métadonnées supplémentaires sont disponibles ici. Le mois d’images le plus récent est utilisé dans cet exemple.

[5]:

#create reusable datacube query object
query = {
    'x': lons,
    'y': lats,
    'output_crs': 'epsg:6933',
}

#load the data
cgls_lwq100_2019_2024 = dc.load(product='cgls_lwq100_2019_2024',
                                measurements=['trophic_state_mean','turbidity_blended_mean'],
                                resolution = (-100, 100),
                                time = ('2024-11'),
                                **query)

# Mask no-data values
cgls_lwq100_2019_2024 = cgls_lwq100_2019_2024.where(cgls_lwq100_2019_2024 <= 996921)

#Display the xrray dataset
cgls_lwq100_2019_2024

[5]:

<xarray.Dataset> Size: 264MB
Dimensions:                 (time: 3, y: 3796, x: 2896)
Coordinates:
  * time                    (time) datetime64[ns] 24B 2024-11-05T23:59:59.500...
  * y                       (y) float64 30kB 1.145e+06 1.145e+06 ... 7.652e+05
  * x                       (x) float64 23kB -1.358e+05 -1.356e+05 ... 1.538e+05
    spatial_ref             int32 4B 6933
Data variables:
    trophic_state_mean      (time, y, x) float32 132MB nan nan nan ... nan nan
    turbidity_blended_mean  (time, y, x) float32 132MB nan nan nan ... nan nan
Attributes:
    crs:           epsg:6933
    grid_mapping:  spatial_ref

Visualisation des résultats#

[6]:

plt.figure(figsize=(15, 8))
cgls_lwq100_2019_2024['turbidity_blended_mean'].plot(col='time', cmap='RdYlGn', robust=True)

[6]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe8280c7a40>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_18_2.png 
[7]:

plt.figure(figsize=(15, 8))
cgls_lwq100_2019_2024['trophic_state_mean'].plot(col='time',cmap='RdYlGn', robust=True)

[7]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe8280c6330>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_19_2.png

2. Qualité de l’eau des lacs de 2024 à aujourd’hui (raster 100 m), décadaire – version 2#

Le jeu de données fournit des composites décadaires (10 jours) des principaux paramètres de qualité de l’eau des lacs—y compris la turbidité, la concentration en chlorophylle-a, les matières totales en suspension et le risque de cyanobactéries—dérivés de l’imagerie Sentinel-2 MSI à une résolution de 100 m. Il est conçu pour surveiller l’état écologique des plans d’eau intérieurs et soutenir l’évaluation continue de la santé des eaux douces. Cette deuxième version introduit une correction atmosphérique améliorée, l’extraction directe de la turbidité à partir de la réflectance de l’eau, et des indicateurs de qualité supplémentaires pour renforcer la fiabilité des observations. Avec des mises à jour en temps quasi réel disponibles dans les trois jours suivant chaque décade, le jeu de données soutient la surveillance environnementale, la gestion des ressources en eau et les systèmes d’alerte précoce pour les risques liés à l’eau dans divers systèmes lacustres.

La cellule ci-dessous montre comment charger le jeu de données en utilisant le code produit cgls_lwq100_2024_nrt pour la Qualité de l’eau des lacs de 2024 à aujourd’hui (raster 100 m, décadaire, version 1). Deux mesures sont chargées : trophic_state_index et turbidity_mean. Des mesures et métadonnées supplémentaires sont disponibles ici. Le mois d’images le plus récent est utilisé dans cet exemple.

[8]:

#load the data
cgls_lwq100_2024_nrt = dc.load(product='cgls_lwq100_2024_nrt',
                                measurements=['trophic_state_index','turbidity_mean'],
                                resolution = (-100, 100),
                                time = ('2025-05'),
                                **query)

# Mask no-data values
cgls_lwq100_2024_nrt = cgls_lwq100_2024_nrt.where(cgls_lwq100_2024_nrt <= 996921)

cgls_lwq100_2024_nrt

[8]:

<xarray.Dataset> Size: 264MB
Dimensions:              (time: 3, y: 3796, x: 2896)
Coordinates:
  * time                 (time) datetime64[ns] 24B 2025-05-05T23:59:59.500000...
  * y                    (y) float64 30kB 1.145e+06 1.145e+06 ... 7.652e+05
  * x                    (x) float64 23kB -1.358e+05 -1.356e+05 ... 1.538e+05
    spatial_ref          int32 4B 6933
Data variables:
    trophic_state_index  (time, y, x) float32 132MB nan nan nan ... nan nan nan
    turbidity_mean       (time, y, x) float32 132MB nan nan nan ... nan nan nan
Attributes:
    crs:           epsg:6933
    grid_mapping:  spatial_ref

Visualisation des résultats#

[9]:

plt.figure(figsize=(15, 8))
cgls_lwq100_2024_nrt['trophic_state_index'].plot(col='time', cmap='RdYlGn', robust=True)

[9]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe827e7dd60>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_23_2.png 
[10]:

plt.figure(figsize=(15, 8))
cgls_lwq100_2024_nrt['turbidity_mean'].plot(col='time', cmap='RdYlGn', robust=True)

[10]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe827d82000>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_24_2.png

3. Qualité de l’eau des lacs 2002-2012 (raster 300 m), décadaire – version 1#

Le jeu de données propose des composites de 10 jours de paramètres de qualité de l’eau des lacs—notamment la turbidité, l’indice d’état trophique et la réflectance de surface—à une résolution spatiale de 300 m, dérivés des observations satellites MERIS. Il permet des évaluations historiques de la santé des écosystèmes lacustres et de la clarté de l’eau, ce qui le rend particulièrement précieux pour le suivi à long terme et les études rétrospectives des lacs de taille moyenne à grande.

La cellule ci-dessous montre comment charger le jeu de données en utilisant le code produit cgls_lwq300_2002_2012 pour la Qualité de l’eau des lacs de 2024 à aujourd’hui (raster 100 m, décadaire, version 1). Deux mesures sont chargées : trophic_state_index et turbidity_mean. Des mesures et métadonnées supplémentaires sont disponibles ici. Le mois d’images le plus récent est utilisé dans cet exemple.

[11]:

#load the data
cgls_lwq300_2002_2012 = dc.load(product='cgls_lwq300_2002_2012',
                                measurements=['trophic_state_index','turbidity_mean'],
                                resolution = (-300, 300),
                                time = ('2012-01'),
                                **query)

# Mask no-data values
cgls_lwq300_2002_2012 = cgls_lwq300_2002_2012.where(cgls_lwq300_2002_2012 <= 996921)

cgls_lwq300_2002_2012

[11]:

<xarray.Dataset> Size: 29MB
Dimensions:              (time: 3, y: 1265, x: 966)
Coordinates:
  * time                 (time) datetime64[ns] 24B 2012-01-05T23:59:59.500000...
  * y                    (y) float64 10kB 1.145e+06 1.144e+06 ... 7.654e+05
  * x                    (x) float64 8kB -1.358e+05 -1.354e+05 ... 1.538e+05
    spatial_ref          int32 4B 6933
Data variables:
    trophic_state_index  (time, y, x) float32 15MB nan nan nan ... nan nan nan
    turbidity_mean       (time, y, x) float32 15MB nan nan nan ... nan nan nan
Attributes:
    crs:           epsg:6933
    grid_mapping:  spatial_ref

Visualisation des résultats#

[12]:

plt.figure(figsize=(15, 8))
cgls_lwq300_2002_2012['turbidity_mean'].plot(col='time', cmap='RdYlGn', robust=True)

[12]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe81d39e870>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_28_2.png 
[13]:

plt.figure(figsize=(15, 8))
cgls_lwq300_2002_2012['trophic_state_index'].plot(col='time', cmap='RdYlGn', robust=True)

[13]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe8292beb40>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_29_2.png

4. Qualité de l’eau des lacs 2016-2024 (raster 300 m), décadaire – version 1#

Ce produit fournit des composites de 10 jours des principaux paramètres de qualité de l’eau des lacs—y compris la turbidité, l’indice d’état trophique et la réflectance de surface—à une résolution spatiale de 300 m, dérivés des observations Sentinel-3 OLCI. Couvrant la période du 30 avril 2016 à octobre 2024, il offre des mises à jour en temps quasi réel dans les trois jours suivant chaque décade et se concentre sur les lacs de taille moyenne à grande. Il est conçu pour soutenir la surveillance de la qualité de l’eau, les évaluations de la santé des écosystèmes et la recherche environnementale.

La cellule ci-dessous montre comment charger le jeu de données en utilisant le code produit cgls_lwq300_2016_2024. Deux mesures sont chargées : trophic_state_index et turbidity_mean. Des mesures et métadonnées supplémentaires sont disponibles ici. Le mois d’images le plus récent est utilisé dans cet exemple.

[14]:

#load the data
cgls_lwq300_2016_2024 = dc.load(product='cgls_lwq300_2016_2024',
                                measurements=['trophic_state_index','turbidity_mean'],
                                resolution = (-300, 300),
                                time = ('2024-10'),
                                **query)

# Mask no-data values
cgls_lwq300_2016_2024 = cgls_lwq300_2016_2024.where(cgls_lwq300_2016_2024 <= 996921)

cgls_lwq300_2016_2024

[14]:

<xarray.Dataset> Size: 29MB
Dimensions:              (time: 3, y: 1265, x: 966)
Coordinates:
  * time                 (time) datetime64[ns] 24B 2024-10-05T23:59:59.500000...
  * y                    (y) float64 10kB 1.145e+06 1.144e+06 ... 7.654e+05
  * x                    (x) float64 8kB -1.358e+05 -1.354e+05 ... 1.538e+05
    spatial_ref          int32 4B 6933
Data variables:
    trophic_state_index  (time, y, x) float32 15MB nan nan nan ... nan nan nan
    turbidity_mean       (time, y, x) float32 15MB nan nan nan ... nan nan nan
Attributes:
    crs:           epsg:6933
    grid_mapping:  spatial_ref

Visualisation des résultats#

[15]:

plt.figure(figsize=(15, 8))
cgls_lwq300_2016_2024['turbidity_mean'].plot(col='time', cmap='RdYlGn', robust=True)

[15]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe825406a80>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_33_2.png 
[16]:

plt.figure(figsize=(15, 8))
cgls_lwq300_2016_2024['trophic_state_index'].plot(col='time', cmap='RdYlGn', robust=True)

[16]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe81d39f860>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_34_2.png

5. Qualité de l’eau des lacs de 2024 à aujourd’hui (raster 300 m), décadaire – version 2#

Le jeu de données Qualité de l’eau des lacs depuis 2024 propose des composites de 10 jours des principaux paramètres de qualité de l’eau à une résolution spatiale de 300 m, basés sur les observations Sentinel-3 OLCI. La version 2 enrichit le jeu de données en incluant des indicateurs supplémentaires—comme la concentration en chlorophylle-a, les matières totales en suspension, le risque de cyanobactéries et des indicateurs de qualité. Conçu pour une surveillance en temps quasi réel des eaux douces, il est mis à jour dans les trois jours suivant chaque décade, permettant des évaluations rapides de la clarté de l’eau et de l’activité biologique dans les lacs.

La cellule ci-dessous montre comment charger le jeu de données en utilisant le code produit cgls_lwq300_2024_nrt. Deux mesures sont chargées : trophic_state_index et turbidity_mean. Des mesures et métadonnées supplémentaires sont disponibles ici. Le mois d’images le plus récent est utilisé dans cet exemple.

[17]:

#load the data
cgls_lwq300_2024_nrt = dc.load(product='cgls_lwq300_2024_nrt',
                                measurements=['trophic_state_index','turbidity_mean'],
                                resolution = (-300, 300),
                                time = ('2025-05'),
                                **query)

# Mask no-data values
cgls_lwq300_2024_nrt = cgls_lwq300_2024_nrt.where(cgls_lwq300_2024_nrt <= 996921)

cgls_lwq300_2024_nrt

[17]:

<xarray.Dataset> Size: 20MB
Dimensions:              (time: 2, y: 1265, x: 966)
Coordinates:
  * time                 (time) datetime64[ns] 16B 2025-05-05T23:59:59.500000...
  * y                    (y) float64 10kB 1.145e+06 1.144e+06 ... 7.654e+05
  * x                    (x) float64 8kB -1.358e+05 -1.354e+05 ... 1.538e+05
    spatial_ref          int32 4B 6933
Data variables:
    trophic_state_index  (time, y, x) float32 10MB nan nan nan ... nan nan nan
    turbidity_mean       (time, y, x) float32 10MB nan nan nan ... nan nan nan
Attributes:
    crs:           epsg:6933
    grid_mapping:  spatial_ref

Visualisation des résultats#

[18]:

plt.figure(figsize=(15, 8))
cgls_lwq300_2024_nrt['turbidity_mean'].plot(col='time', cmap='RdYlGn', robust=True)

[18]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe8250d4fb0>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_38_2.png 
[19]:

plt.figure(figsize=(15, 8))
cgls_lwq300_2024_nrt['trophic_state_index'].plot(col='time', cmap='RdYlGn', robust=True)

[19]:

<xarray.plot.facetgrid.FacetGrid at 0x7fe8250d4e30>

<Figure size 1500x800 with 0 Axes>
../../../_images/sandbox_notebooks_Datasets_CGLM_Lake_Water_Quality_39_2.png

Conclusion#

Ce notebook montre comment charger le jeu de données de qualité de l’eau des lacs dans le Sandbox DE Africa. Au-delà de cette étape initiale, des analyses plus poussées peuvent être réalisées pour extraire des informations approfondies sur l’état des lacs et la dynamique des écosystèmes. Celles-ci incluent l’analyse de séries temporelles pour surveiller les tendances saisonnières, la détection d’anomalies pour identifier des événements inhabituels (par exemple, des efflorescences algales) et la comparaison spatiale entre lacs. Le jeu de données peut également être combiné avec des données sur les précipitations, la couverture terrestre, la densité de population ou l’utilisation des terres des bassins versants pour explorer les facteurs potentiels de changement de la qualité de l’eau, et pour identifier et comparer la qualité de l’eau des lacs dans différentes régions ou zones climatiques, permettant une meilleure compréhension de la variabilité spatiale.

Références#

  1. Copernicus Land Monitoring Service. (2024). Lake Water Quality v2.0 (100 m), global, 10-daily – 2024–present. Extrait de https://land.copernicus.eu/en/products/water-bodies/lake-water-quality-v2-0-100m

  2. Copernicus Land Monitoring Service. (2024). Lake Water Quality Near Real-Time v2.0 (300 m), global, 10-daily – 2024–present. Extrait de https://land.copernicus.eu/en/products/water-bodies/lake-water-quality-near-real-time-v2-0-300m

  3. Copernicus Land Monitoring Service. (2019). Lake Water Quality v1.0 (100 m), global, 10-daily – 2019–2024. Extrait de https://land.copernicus.eu/en/products/water-bodies/lake-water-quality-v1-0-100m

  4. Copernicus Land Monitoring Service. (2016). Lake Water Quality Near Real-Time v1.0 (300 m), global, 10-daily – 2016–2024. Extrait de https://land.copernicus.eu/en/products/water-bodies/lake-water-quality-near-real-time-v1-0-300m

  5. Copernicus Land Monitoring Service. (2002). Lake Water Quality Offline v1.0 (300 m), global, 10-daily – 2002–2012. Extrait de https://land.copernicus.eu/en/products/water-bodies/lake-water-quality-offline-v1-0-300m

Informations Complémentaires#

Licence : Le code de ce carnet est sous licence Apache, version 2.0 <https://www.apache.org/licenses/LICENSE-2.0>. Les données de Digital Earth Africa sont sous licence Creative Commons par attribution 4.0 <https://creativecommons.org/licenses/by/4.0/>.

Contact : Si vous avez besoin d’aide, veuillez poster une question sur le canal Slack Open Data Cube <http://slack.opendatacube.org/>`__ ou sur le GIS Stack Exchange en utilisant la balise open-data-cube (vous pouvez consulter les questions posées précédemment ici). Si vous souhaitez signaler un problème avec ce bloc-notes, vous pouvez en déposer un sur Github.

Version de Datacube compatible :

[20]:

print(datacube.__version__)

1.8.20

Dernier test :

[21]:

from datetime import datetime
datetime.today().strftime('%Y-%m-%d')

[21]:

'2025-06-18'