Surveillance mondiale des mangroves

  • Produits utilisés : gmw

Mots-clés : :index: “données utilisées ; Global Mangrove Watch”, :index: “ensembles de données ; gmw”

Aperçu

L’ensemble de données Global Mangrove Watch fournit des informations sur l’étendue des mangroves. Il utilise les données ALOS PALSAR et Landsat (optiques) pour former une étendue de référence des mangroves. Cet ensemble de données a été rastérisé et indexé à partir du Programme des Nations Unies pour l’environnement <https://data.unep-wcmc.org/datasets/45> dans le cube de données ouvert de DE Africa. Il peut également être visualisé dans l’explorateur mondial d’étendues de mangroves <https://www.globalmangrovewatch.org/?map=eyJiYXNlbWFwIjoibGlnaHQiLCJ2aWV3cG9ydCI6eyJsYXRpdHVkZSI6MjAsImxvbmdpdHVkZSI6MCwiem9vbSI6MiwiYmVhcmluZyI6MCwicGl0Y2giOjB9fQ%3D%3D>`__.

L’ensemble de données peut être utilisé pour identifier les écosystèmes de mangrove et surveiller les changements dans l’étendue des mangroves. Cela est important dans des applications telles que la quantification du « carbone bleu », l’atténuation des risques liés aux catastrophes naturelles et la priorisation des activités de restauration.

Détails importants :

Cet ensemble de données est disponible avec une résolution de 0,0002 degré (~ 24 m) pour les années suivantes :

  • 1996

  • 2007

  • 2008

  • 2009

  • 2010

  • 2015

  • 2016

  • 2017

  • 2018

  • 2019

  • 2020

Référence

Bunting P., Rosenqvist A., Lucas R., Rebelo L-M., Hilarides L., Thomas N., Hardy A., Itoh T., Shimada M. et Finlayson C.M. (2018). The Global Mangrove Watch – une nouvelle base de référence mondiale de l’étendue des mangroves en 2010. Remote Sensing 10(10) : 1669. doi : 10.3390/rs1010669

Description

Dans ce bloc-notes, nous allons charger l’ensemble de données Global Mangrove Watch à l’aide de dc.load(). Ensuite, nous effectuons une brève comparaison de l’étendue des mangroves entre les années.

Les sujets abordés comprennent :

  1. Inspection du produit GMW disponible dans le datacube

  2. Utilisation de la fonction « dc.load() » pour charger les données GMW

  3. Tracé de GMW

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 xarray as xr
import matplotlib.pyplot as plt

from deafrica_tools.plotting import display_map

Se connecter au datacube

[2]:

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

Liste des mesures

Le tableau ci-dessous montre que la mesure dans l’ensemble de données Global Mangrove Watch est appelée « mangrove », qui est une classification binaire où 1 correspond aux mangroves et 0 signifie aucune mangrove.

[3]:

product_name = ['gmw']

dc_measurements = dc.list_measurements()
dc_measurements.loc[product_name].drop('flags_definition', axis=1)

[3]:
name dtype units nodata aliases
product measurement
gmw mangrove mangrove uint8 1 0.0 [classification]

Définir les paramètres

  • « lat », « lon » : la latitude et la longitude centrales à analyser, par exemple -16,2818, 39,8633 le long de la côte du Mozambique

  • « buffer » : le nombre de degrés carrés à charger autour de la latitude et de la longitude centrales. Pour des temps de chargement rapides, définissez cette valeur sur 0,1 ou moins.

  • « résolution » : nous utilisons ici 20 m, car elle est la plus proche de la résolution native de 0,0002 degrés.

[4]:

lat, lon =  -16.2818, 39.8633 #along the coast of Mozambique
buffer = 0.15

resolution=(-20, 20)

measurements='mangrove'

#convert the lat,lon,buffer into a range
lons = (lon - buffer, lon + buffer)
lats = (lat - buffer, lat + buffer)

Afficher l’emplacement sélectionné

La cellule suivante affichera la zone sélectionnée sur une carte interactive. N’hésitez pas à zoomer et dézoomer pour mieux comprendre la zone que vous allez analyser. En cliquant sur n’importe quel point de la carte, vous découvrirez les coordonnées de latitude et de longitude de ce point.

[5]:

display_map(x=lons, y=lats)

[5]:
Make this Notebook Trusted to load map: File -> Trust Notebook

Charger les données de Global Mangrove Watch

[6]:

#set up datacube query object
query = {
    'x': lons,
    'y': lats,
    'resolution':resolution,
    'output_crs': 'epsg:6933',
    'measurements':measurements
}

#load the gmw product
ds = dc.load(product="gmw", **query).squeeze()
print(ds)

<xarray.Dataset>
Dimensions:      (time: 11, y: 1839, x: 1448)
Coordinates:
  * time         (time) datetime64[ns] 1996-07-01T23:59:59.500000 ... 2020-07...
  * y            (y) float64 -2.032e+06 -2.032e+06 ... -2.068e+06 -2.068e+06
  * x            (x) float64 3.832e+06 3.832e+06 ... 3.861e+06 3.861e+06
    spatial_ref  int32 6933
Data variables:
    mangrove     (time, y, x) uint8 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
Attributes:
    crs:           epsg:6933
    grid_mapping:  spatial_ref

Étendue de la mangrove de la parcelle

Nous pouvons générer un graphique de base de l’étendue de la mangrove pour chacune des années disponibles ci-dessous.

[7]:

ds.mangrove.plot(col="time", col_wrap=4, add_colorbar=False);
../../../_images/sandbox_notebooks_Datasets_Global_Mangrove_Watch_18_0.png

Exemple d’analyse : calcul de la superficie de la mangrove

Dans ce cahier, nous effectuons un calcul simple de la superficie des mangroves à titre d’exemple d’analyse. Un exemple beaucoup plus complet et détaillé d’analyse des mangroves est disponible dans exemples du monde réel. L’exemple du monde réel classe les mangroves comme « fermées » ou « régulières » et identifie les zones de croissance et de perte de mangroves.

Calculer la surface

Nous pouvons calculer la superficie des mangroves pour chacune des sept années disponibles, puis rechercher les changements. Dans ce cas, environ 1 500 ha de mangroves ont disparu depuis 1996. Là encore, le « carnet d’analyse des mangroves <../Real_world_examples/Mangrove_analysis.ipynb> » dans les exemples du monde réel donne un exemple plus complet d’évaluation des changements dans l’étendue des mangroves.

[8]:

# Convert pixel count to ha
m2_per_ha = 10000
m2_per_pixel = query["resolution"][1] ** 2
mangrove_area = ds.mangrove.sum(dim=("x", "y")) * m2_per_pixel / m2_per_ha

mangrove_area.plot(
    x="time",
    figsize=(8,4),
    linestyle="--",
    marker="o",
)
plt.xlabel("Year")
plt.ylabel("Area (Ha)")
plt.title("Mangrove area over time");
../../../_images/sandbox_notebooks_Datasets_Global_Mangrove_Watch_21_0.png

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 :

[9]:

print(datacube.__version__)

1.8.15

Dernier test :

[10]:

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

[10]:

'2024-07-08'