Cartes d’occupation du sol et d’utilisation du sol

• Produits utilisés: io_lulc_v2, esa_worldcover_2020, esa_worldcover_2021, cgls_landcover, cci_landcover

Mots-clés : données utilisées ; ESRI Land Cover, ensembles de données ; io_lulc_v2, données utilisées ; ESA WorldCover, ensembles de données ; esa_worldcover_2020 données utilisées ; Copernicus Global Land Service, Land Use/Land Cover at 100 m, ensembles de données ; cgls_landcover données utilisées ; ESA Climate Change Initiative Land Cover, ensembles de données ; cci_landcover

Aperçu

Les cartes Let Use/Let Cover (LULC) classent les terres en grandes catégories telles que l’eau, les cultures ou les zones bâties. Elles sont utiles pour visualiser les utilisations dominantes des terres dans une zone donnée. La superficie totale ou la proportion de différentes classes peut également être calculée pour une zone spécifiée.

De nombreuses organisations publient des cartes LULC. DE Africa donne accès aux cartes d’utilisation des terres et de couverture terrestre (LULC) de l’Environmental Systems Research Institute (Esri)/Impact Observatory (IO) <https://www.arcgis.com/home/item.html?id=d3da5dd386d140cf93fc9ecbf8da5e31>, WorldCover de l’Agence spatiale européenne (ESA) <https://esa-worldcover.org/en>, Copernicus Global Land Service (CGLS) Land Use/Land Cover at 100 m <https://land.copernicus.eu/global/content/annual-100m-global-land-cover-maps-available> et à la carte de couverture terrestre de l’Initiative sur les changements climatiques de l’ESA (CCI) <https://www.esa-landcover-cci.org/>. Les produits ESRI/IO et ESA sont dérivés de l’imagerie Sentinel de l’ESA et sont disponibles à une résolution de 10 m chaque année à partir de 2017, 2020 et 2021 respectivement sur l’ensemble du continent africain. Le produit CGLS est disponible à une résolution de 100 m, est mis à jour chaque année et est actuellement disponible de 2015 à 2019. Le produit ESA CCI landcover est disponible à une résolution de 300 m, est mis à jour chaque année et est actuellement disponible de 1992 à 2019.

La précision des cartes d’occupation du sol varie en fonction de l’emplacement et de la classe, il est donc important de comprendre la qualité des cartes. ESRI publie des informations sur la précision du produit LULC 2020 (version 10 classes), qui sont soigneusement résumées dans la matrice de confusion située ici <https://www.arcgis.com/home/item.html?id=d6642f8a4f6d4685a24ae2dc0c73d4ac>`__. La précision globale pour toutes les classes est de 85 %. Gardez à l’esprit que les statistiques de précision dans le lien concernent le globe et non l’Afrique.

Le produit WorldCover de l’ESA est accompagné d’un rapport détaillé sur la qualité du produit, que nous ne reproduirons pas ici. Cependant, le rapport complet de validation du produit est disponible en utilisant le lien suivant : https://esa-worldcover.org/en/data-access. La précision globale du produit 2020 pour l’Afrique est de 73,6 %, et elle s’est améliorée à 76,5 % en 2021.

Le produit Copernicus Global Land Cover 100m a fait l’objet d’une « publication scientifique <https://www.sciencedirect.com/science/article/pii/S0034425721004065?via%3Dihub> » explorant la précision des cartes annuelles de couverture terrestre. La précision globale pour l’Afrique est d’environ 80 %.

Détails importants :

• Classes et valeurs

valeur io_lulc	classe io_lulc	valeur esa	classe esa	valeur cgls	classe cgls	valeur cci	classe cci
0	aucune donnée	0	aucune donnée	0	aucune donnée	0	aucune donnée
1	eau	10	couverture d’arbre	20	arbustes	10	terres cultivées, pluviales
2	arbres	20	broussailles	30	végétation herbacée	11	terres cultivées, pluviales, couverture herbacée
3	non utilisé	30	prairie	40	végétation ou agriculture cultivée et gérée	12	terres cultivées, pluviales, couvertes d’arbres ou d’arbustes
4	végétation inondée	40	terres cultivées	50	urbain ou bâti	20	terres cultivées, irriguées ou après inondation
5	cultures	50	construit	60	végétation nue ou clairsemée	30	mosaïque de terres cultivées et de végétation naturelle
6	non utilisé	60	végétation nue/éparsemée	70	neige et glace	40	mosaïque de végétation naturelle/terres cultivées
7	superficie construite	70	neige et glace	80	plans d’eau permanents	50	couvert arboré, feuillu, persistant, fermé à ouvert
8	sol nu	80	plans d’eau permanents	90	zone humide herbacée	60	couvert arboré, feuillu, caduc, fermé à ouvert
9	neige/glace	90	zone humide herbacée	100	mousse et lichen	61	couvert arboré, feuillu, caduc, fermé
10	nuages	95	mangroves	111	forêt fermée, feuilles persistantes en forme d’aiguilles	62	couvert arboré, feuillu, caduc, ouvert
11	pâturage	100	mousse et lichen	112	forêt fermée, persistante, à feuilles larges	70	couvert arboré, à feuilles caduques, à feuilles persistantes, fermé à ouvert
				113	forêt fermée, feuillue caduque à feuilles caduques	71	couvert arboré, à feuilles caduques, à feuilles persistantes, fermé
				114	forêt dense, feuillue caduque	72	couvert arboré, à feuilles caduques, à feuilles persistantes, ouvert
				115	forêt fermée, mixte	80	couvert arboré, à feuilles caduques, fermé à ouvert
				116	forêt fermée, inconnue	81	couvert arboré, à feuilles caduques, fermé
				121	forêt ouverte, feuilles persistantes en forme d’aiguilles	82	couvert arboré, à feuilles caduques, ouvert
				122	forêt ouverte, feuillage persistant à larges feuilles	90	couverture arborée, type de feuilles mixtes
				123	forêt ouverte, feuillue caduque à feuilles caduques	100	couverture mosaïque d’arbres et d’arbustes/herbacées
				124	forêt ouverte, feuillue caduque	110	couverture herbacée mosaïque/arbre et arbuste
				125	forêt ouverte, mixte	120	broussailles
				126	forêt ouverte, inconnue	121	broussailles, à feuilles persistantes
				200	mer ouverte	122	broussailles, feuillus
						130	prairie
						140	lichens et mousses
						150	végétation clairsemée
						151	arbre clairsemé
						152	arbuste clairsemé
						153	couverture herbacée clairsemée
						160	couvert arboré, inondé, eau douce ou saumâtre
						170	couvert forestier, inondé, eau salée
						180	couverture arbustive ou herbacée, inondée, eau douce/salée/saumâtre
						190	zones urbaines
						200	zones nues
						201	zones nues consolidées
						202	zones nues non consolidées
						210	plans d’eau
						220	neige et glace permanentes

• Plage de temps et résolution spatiale

	io_lulc	esa_worldcover	cgls_landcover	cci_landcover
Plage de temps	2017-2023	2020-2021	2015-2019	1992-2019
Résolution spatiale	10 m	10 m	100 m	300 m

Description

Dans ce bloc-notes, nous allons charger les données LULC à l’aide de dc.load() pour renvoyer une carte des classes d’utilisation et de couverture terrestre pour une zone spécifiée.

Les sujets abordés comprennent :

1. Inspection du produit LULC disponible dans le datacube

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

3. Tracé de LULC à l’aide de la fonction plot_lulc()

4. Un exemple d’analyse de la zone des classes LULC dans une zone donnée

5. Chargement et traçage des « fractions de couverture » dans CGLS

---

Commencer

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

Charger des paquets

%matplotlib inline

import datacube
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
from deafrica_tools.plotting import display_map, plot_lulc

Se connecter au datacube

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

Liste des mesures

Nous pouvons inspecter les données disponibles pour LULC en utilisant la fonctionnalité « list_measurements » de datacube. Le tableau ci-dessous répertorie les produits et les mesures disponibles pour les deux ensembles de données LULC indexés dans le datacube de DE Africa. Nous pouvons voir que le produit contient une couche nommée « classification ». Le type de données est un entier, ce qui correspond à une classe LULC.

product_name = ['io_lulc_v2', 'esa_worldcover_2020', 'esa_worldcover_2021', 'cgls_landcover', 'cci_landcover']

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

		name	dtype	units	nodata	aliases
product	measurement
io_lulc_v2	supercell	supercell	uint8	1	0.0	[classification]
esa_worldcover_2020	classification	classification	uint8	1	0.0	NaN
esa_worldcover_2021	classification	classification	uint8	1	0.0	NaN
cgls_landcover	classification	classification	uint8	1	255.0	[class]
	forest_type	forest_type	uint8	percent	255.0	[]
	classification_probability	classification_probability	uint8	percent	255.0	[prob]
	bare_cover_fraction	bare_cover_fraction	uint8	percent	255.0	[bare]
	builtup_cover_fraction	builtup_cover_fraction	uint8	percent	255.0	[builtup]
	crops_cover_fraction	crops_cover_fraction	uint8	percent	255.0	[crops]
	grass_cover_fraction	grass_cover_fraction	uint8	percent	255.0	[grass]
	mosslichen_cover_fraction	mosslichen_cover_fraction	uint8	percent	255.0	[mosslichen]
	permanentwater_cover_fraction	permanentwater_cover_fraction	uint8	percent	255.0	[permanentwater]
	seasonalwater_cover_fraction	seasonalwater_cover_fraction	uint8	percent	255.0	[seasonalwater]
	shrub_cover_fraction	shrub_cover_fraction	uint8	percent	255.0	[shrub]
	snow_cover_fraction	snow_cover_fraction	uint8	percent	255.0	[snow]
	tree_cover_fraction	tree_cover_fraction	uint8	percent	255.0	[tree]
cci_landcover	classification	classification	uint8	1	0.0	[class]

Paramètres d’analyse

Cette section définit les paramètres d’analyse, notamment :

• « lat, lon, buffer » : latitude/longitude centrales et taille de la fenêtre d’analyse pour la zone d’intérêt

• « résolution » : la résolution en pixels à utiliser pour charger l’ensemble de données LULC. La résolution native du produit est de 10 mètres, soit « (-10,10) »

• « mesures » : la « bande » ou la mesure à charger à partir du produit, nous pouvons utiliser les noms de mesure natifs de l’un des alias

L’emplacement par défaut est Madagascar

lat, lon = -19.4557, 46.4644

buffer = 5.0

resolution=(-500, 500) #resample so we can view a large area

measurements='classification'

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

Charger les ensembles de données LULC

Tout d’abord, nous allons charger la couverture terrestre ESRI. Pour ce produit annuel, la fenêtre temporelle répertoriée dans les métadonnées pour une année s’étend du 1er janvier au 1er janvier de l’année suivante, par exemple, les données de 2020 ont une date de début du 1er janvier 2020 et une date de fin du 1er janvier 2021. Nous définissons donc la requête avec l’année et le mois pour éviter de charger des données d’une année voisine.

#create reusable datacube query object
query = {
    'time': ('2020-07'),
    'x': lons,
    'y': lats,
    'resolution':resolution,
    'output_crs': 'epsg:6933',
    'measurements':measurements
}

#load the data
ds_io = dc.load(product='io_lulc_v2', **query).squeeze()

print(ds_io)

<xarray.Dataset> Size: 5MB
Dimensions:         (y: 2407, x: 1931)
Coordinates:
    time            datetime64[ns] 8B 2020-07-01T23:59:59.997500
  * y               (y) float64 19kB -1.825e+06 -1.826e+06 ... -3.028e+06
  * x               (x) float64 15kB 4.001e+06 4.001e+06 ... 4.965e+06 4.966e+06
    spatial_ref     int32 4B 6933
Data variables:
    classification  (y, x) uint8 5MB 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

Nous pouvons maintenant charger les produits « esa_worldcover_2020 », « esa_worldcover_2021 », « cgls_landcover » et « cci_landcover » sur la même région.

ds_esa_2020 = dc.load(product='esa_worldcover_2020', time='2020', measurements=measurements, like=ds_io.geobox).squeeze()

print(ds_esa_2020)

<xarray.Dataset> Size: 5MB
Dimensions:         (y: 2407, x: 1931)
Coordinates:
    time            datetime64[ns] 8B 2020-07-01T12:00:00
  * y               (y) float64 19kB -1.825e+06 -1.826e+06 ... -3.028e+06
  * x               (x) float64 15kB 4.001e+06 4.001e+06 ... 4.965e+06 4.966e+06
    spatial_ref     int32 4B 6933
Data variables:
    classification  (y, x) uint8 5MB 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
Attributes:
    crs:           PROJCS["WGS 84 / NSIDC EASE-Grid 2.0 Global",GEOGCS["WGS 8...
    grid_mapping:  spatial_ref

ds_esa_2021 = dc.load(product='esa_worldcover_2021', time='2021', measurements=measurements, like=ds_io.geobox).squeeze()

print(ds_esa_2021)

<xarray.Dataset> Size: 5MB
Dimensions:         (y: 2407, x: 1931)
Coordinates:
    time            datetime64[ns] 8B 2021-07-02
  * y               (y) float64 19kB -1.825e+06 -1.826e+06 ... -3.028e+06
  * x               (x) float64 15kB 4.001e+06 4.001e+06 ... 4.965e+06 4.966e+06
    spatial_ref     int32 4B 6933
Data variables:
    classification  (y, x) uint8 5MB 0 0 0 0 0 0 0 0 0 0 ... 0 0 0 0 0 0 0 0 0 0
Attributes:
    crs:           PROJCS["WGS 84 / NSIDC EASE-Grid 2.0 Global",GEOGCS["WGS 8...
    grid_mapping:  spatial_ref

ds_cgls = dc.load(product='cgls_landcover', time='2019', measurements=measurements, like=ds_io.geobox).squeeze()

print(ds_cgls)

<xarray.Dataset> Size: 5MB
Dimensions:         (y: 2407, x: 1931)
Coordinates:
    time            datetime64[ns] 8B 2019-07-02T11:59:59.500000
  * y               (y) float64 19kB -1.825e+06 -1.826e+06 ... -3.028e+06
  * x               (x) float64 15kB 4.001e+06 4.001e+06 ... 4.965e+06 4.966e+06
    spatial_ref     int32 4B 6933
Data variables:
    classification  (y, x) uint8 5MB 200 200 200 200 200 ... 200 200 200 200 200
Attributes:
    crs:           PROJCS["WGS 84 / NSIDC EASE-Grid 2.0 Global",GEOGCS["WGS 8...
    grid_mapping:  spatial_ref

ds_cci = dc.load(product='cci_landcover', time='2019', measurements=measurements, like=ds_io.geobox).squeeze()

print(ds_cci)

<xarray.Dataset> Size: 5MB
Dimensions:         (y: 2407, x: 1931)
Coordinates:
    time            datetime64[ns] 8B 2019-07-02T11:59:59.500000
  * y               (y) float64 19kB -1.825e+06 -1.826e+06 ... -3.028e+06
  * x               (x) float64 15kB 4.001e+06 4.001e+06 ... 4.965e+06 4.966e+06
    spatial_ref     int32 4B 6933
Data variables:
    classification  (y, x) uint8 5MB 210 210 210 210 210 ... 210 210 210 210 210
Attributes:
    crs:           PROJCS["WGS 84 / NSIDC EASE-Grid 2.0 Global",GEOGCS["WGS 8...
    grid_mapping:  spatial_ref

Tracé des données

Nous pouvons tracer le LULC pour Madagascar et ajouter une légende qui correspond aux classes en utilisant la fonction wrapper DE Africa plot_lulc. Nous pouvons voir que les arbres dominent les zones orientales de l’île, tandis que les broussailles/arbustes sont plus répandus du côté ouest. Nous pouvons également identifier quelques villes/villages avec la classe rouge « zone construite ». Vous remarquerez peut-être également que les différents ensembles de données ne concordent pas toujours.

fig, ax = plt.subplots(3, 2, figsize=(22, 20), sharey=True)
plot_lulc(ds_io[measurements], product="IO", legend=True, ax=ax[0, 0])
plot_lulc(ds_esa_2020[measurements], product="ESA", legend=True, ax=ax[0, 1])
plot_lulc(ds_esa_2021[measurements], product="ESA", legend=True, ax=ax[1, 1])
plot_lulc(ds_cgls[measurements], product="CGLS", legend=True, ax=ax[1, 0])
plot_lulc(ds_cci[measurements], product="CCI", legend=True, ax=ax[2, 0])
ax[0, 0].set_title("ESRI/IO Land Cover 2020")
ax[0, 1].set_title("ESA WorldCover 2020")
ax[1, 1].set_title("ESA WorldCover 2021")
ax[1, 0].set_title("CGLS landcover 2019")
ax[2, 0].set_title("CCI landcover 2019")
fig.delaxes(ax[2, 1])
plt.tight_layout();

Exemple d’analyse : Enquête sur la zone des classes

Dans cet exemple, nous allons examiner de plus près la ville d’Antananarivo, la capitale de Madagascar, qui est visible en rouge sur la carte ci-dessus. Nous allons charger tous les ensembles de données LULC, calculer la surface de chaque classe dans chaque produit et comparer la surface des classes entre les produits. Comme nous examinons une zone plus petite, nous pouvons charger les ensembles de données à une résolution de 100 m (il est recommandé de sous-échantillonner les ensembles de données à haute résolution à une résolution plus grossière que l’inverse). Nous utilisons la statistique « mode » pour sous-échantillonner les ensembles de données de 10 m à une résolution de 100 m, ce qui signifie que chaque pixel se verra attribuer la classe la plus courante dans le pixel de 100 m.

Commençons d’abord par définir quelques nouveaux paramètres

lat, lon =  -18.9028, 47.5203
buffer = 0.1
resolution=(-100,100)
measuremnents='classification'

#add lat,lon,buffer to get bounding box
lon_range = (lon-buffer, lon+buffer)
lat_range =  (lat+buffer, lat-buffer)

Afficher l’emplacement sélectionné

display_map(x=lon_range, y=lat_range)

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

Charger les données LULC pour Antananarivo

query = {
    "x": lon_range,
    "y": lat_range,
    "resolution": resolution,
    "output_crs": "epsg:6933",
    "measurements": measurements,
}

# load the esri product
ds_io = dc.load(product="io_lulc_v2", resampling='mode',
                time='2020-07', **query).squeeze()

# load the esa 2020 product
ds_esa_2020 = dc.load(product="esa_worldcover_2021", resampling='mode',
                 time='2021', measurements=measurements, like=ds_io.geobox).squeeze()

# load the esa 2021 product
ds_esa_2021 = dc.load(product="esa_worldcover_2020", resampling='mode',
                 time='2020', measurements=measurements, like=ds_io.geobox).squeeze()

# load the cgls product
ds_cgls = dc.load(
    product="cgls_landcover",
    time="2019",
    measurements=measurements,
    like=ds_io.geobox
).squeeze()

# load the cci product
ds_cci = dc.load(
    product="cci_landcover",
    time="2019",
    measurements=measurements,
    resampling='nearest',
    like=ds_io.geobox
).squeeze()

Tracer les ensembles de données

fig,ax = plt.subplots(3,2, figsize=(22,20), sharey=True)
plot_lulc(ds_io[measurements], product='IO', legend=True, ax=ax[0,0])
plot_lulc(ds_esa_2020[measurements], product='ESA', legend=True, ax=ax[0,1])
plot_lulc(ds_esa_2021[measurements], product='ESA', legend=True, ax=ax[1,1])
plot_lulc(ds_cgls[measurements], product='CGLS', legend=True, ax=ax[1,0])
plot_lulc(ds_cci[measurements], product='CCI', legend=True, ax=ax[2,0])
ax[0,0].set_title('ESRI/IO Land Cover')
ax[0,1].set_title('ESA WorldCover 2020')
ax[1,1].set_title('ESA WorldCover 2021')
ax[1,0].set_title('CGLS Classification 2019')
ax[2,0].set_title('CCI Classification 2019')
fig.delaxes(ax[2, 1])
plt.tight_layout();

Calculer l’aire de chaque classe

Nous pouvons utiliser la fonction numpy « np.unique » pour renvoyer le nombre de pixels pour chaque classe.

ds_io_counts = np.unique(ds_io[measurements].data, return_counts=True)
ds_esa_2020_counts = np.unique(ds_esa_2020[measurements].data, return_counts=True)
ds_esa_2021_counts = np.unique(ds_esa_2021[measurements].data, return_counts=True)
ds_cgls_counts = np.unique(ds_cgls[measurements].data, return_counts=True)
ds_cci_counts = np.unique(ds_cci[measurements].data, return_counts=True)


print(ds_io_counts)

(array([ 1,  2,  4,  5,  7,  8, 11], dtype=uint8), array([ 1360,   306,  2312,  8052, 23874,   130, 10672]))

Nous pouvons voir ci-dessus que le résultat est un tableau avec les classes 1:11 qui correspondent à « eau » jusqu’à « pâturages », et le nombre de pixels dans ces classes. En utilisant la résolution que nous avons définie dans notre requête de chargement de données, nous pouvons calculer la superficie totale de chaque classe en kilomètres carrés et tracer les résultats. Le tracé correspond-il aux proportions des classes que nous pouvons visualiser sur la carte d’Antananarivo ?

Pour plus d’informations sur les calculs de superficie, consultez la section sur le calcul de l’étendue d’eau du cours de formation Digital Earth Africa Sandbox <https://learn.digitalearthafrica.org/courses/course-v1:digitalearthafrica+DEA101+2021/course/>`__.

pixel_length = query["resolution"][1]  # in metres, refers to resolution we defined above (-10,10) for Antananarivo
m_per_km = 1000  # conversion from metres to kilometres
area_per_pixel = pixel_length**2 / m_per_km**2

#calculate the area of each class
ds_io_area = np.array(ds_io_counts[1] * area_per_pixel)
ds_esa_2020_area = np.array(ds_esa_2020_counts[1] * area_per_pixel)
ds_esa_2021_area = np.array(ds_esa_2021_counts[1] * area_per_pixel)
ds_cgls_area = np.array(ds_cgls_counts[1] * area_per_pixel)
ds_cci_area = np.array(ds_cci_counts[1] * area_per_pixel)

Tracer l’aire de chaque classe

Dans le graphique ci-dessous, les proportions de classes sont-elles similaires entre les produits ? Quelles sont les classes qui présentent généralement une confusion ?

# list of classes actually in the map by extracting from the `flags_definition`
io_classes = [ds_io.classification.flags_definition['data']['values'][str(x)] for x in ds_io_counts[0]]
esa_classes_2020 = [ds_esa_2020.classification.flags_definition['data']['values'][str(x)] for x in ds_esa_2020_counts[0]]
esa_classes_2021 = [ds_esa_2021.classification.flags_definition['data']['values'][str(x)] for x in ds_esa_2021_counts[0]]
cgls_classes = [ds_cgls.classification.flags_definition['data']['values'][str(x)] for x in ds_cgls_counts[0]]
cci_classes = [ds_cci.classification.flags_definition['data']['values'][str(x)] for x in ds_cci_counts[0]]

fig,ax=plt.subplots(1,5, figsize=(20,5))

#plot esri
ax[0].bar(io_classes, ds_io_area)
ticks_loc = ax[0].get_xticks()
ax[0].xaxis.set_major_locator(mticker.FixedLocator(ticks_loc))
ax[0].set_xticklabels(io_classes, rotation=90)
ax[0].set_xlabel("LULC class")
ax[0].set_ylabel("Area (Sq. km)")

#plot esa worldcover 2020
ax[1].bar(esa_classes_2020, ds_esa_2020_area)
ticks_1 = ax[1].get_xticks()
ax[1].xaxis.set_major_locator(mticker.FixedLocator(ticks_1))
ax[1].set_xticklabels(esa_classes_2020, rotation=90)
ax[1].set_xlabel("LULC class")
ax[1].set_ylabel("Area (Sq. km)")

#plot esa worldcover 2021
ax[2].bar(esa_classes_2021, ds_esa_2021_area)
ticks_1 = ax[2].get_xticks()
ax[2].xaxis.set_major_locator(mticker.FixedLocator(ticks_1))
ax[2].set_xticklabels(esa_classes_2021, rotation=90)
ax[2].set_xlabel("LULC class")
ax[2].set_ylabel("Area (Sq. km)")

#plot cgls
ax[3].bar(cgls_classes, ds_cgls_area)
ticks_2 = ax[3].get_xticks()
ax[3].xaxis.set_major_locator(mticker.FixedLocator(ticks_2))
ax[3].set_xticklabels(cgls_classes, rotation=90)
ax[3].set_xlabel("LULC class")
ax[3].set_ylabel("Area (Sq. km)")

#plot cci
ax[4].bar(cci_classes, ds_cci_area)
ticks_2 = ax[4].get_xticks()
ax[4].xaxis.set_major_locator(mticker.FixedLocator(ticks_2))
ax[4].set_xticklabels(cci_classes, rotation=90)
ax[4].set_xlabel("LULC class")
ax[4].set_ylabel("Area (Sq. km)")

# Adjust spacing between subplots
plt.subplots_adjust(wspace=0.3)

ax[0].set_title('ESRI/IO Land Cover')
ax[1].set_title('ESA WorldCover 2020')
ax[2].set_title('ESA WorldCover 2021')
ax[3].set_title('CGLS Landcover')
ax[4].set_title('CCI Landcover');

Découvrir la fraction de couverture CGLS

Dans l’analyse ci-dessus, nous pouvons voir que le produit CGLS classe une grande partie de la zone dans nos limites d’Antananarivo comme « urbaine ou construite ». Voyons comment cela se rapporte à la mesure de la fraction de couverture construite dans le produit CGLS.

Les mesures de fraction de couverture dans CGLS expriment le pourcentage du pixel qui est couvert par une classe spécifique de couverture du sol, dans ce cas urbain ou bâti. Nous pouvons voir ci-dessous que le pourcentage de couverture de la zone urbaine ou bâtie correspond spatialement à la classification de la couverture du sol.

#load the cgls product
ds_cgls_urbancover = dc.load(product='cgls_landcover', time='2019', measurements='builtup_cover_fraction', like=ds_cgls.geobox).squeeze()

#plot the dataset
fig,ax = plt.subplots(1,2, figsize=(24,9), sharey=True)
ds_cgls_urbancover.builtup_cover_fraction.plot(ax=ax[0])
plot_lulc(ds_cgls[measurements], product='CGLS', legend=True, ax=ax[1])

ax[0].set_title('Built-up cover %')
ax[1].set_title('CGLS Landcover')
plt.tight_layout();

---

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 :

print(datacube.__version__)

1.8.19

Dernier test :

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

'2024-11-22'