Empreinte de peuplement mondial – Évolution

Produits utilisés : wsf_evolution

Mots-clés : données utilisées ; Empreinte de peuplement mondial,:index:données utilisées ; Empreinte de peuplement mondial - Évolution, ensembles de données ; wsf_evolution

Aperçu

Selon le Département des affaires économiques et sociales de l’ONU, la planète comptera 9,7 milliards d’habitants d’ici 2050. 55 % de la population mondiale réside actuellement dans des zones urbaines et ce chiffre devrait atteindre 68 % d’ici 2050. L’urbanisation rapide et anarchique, associée aux problèmes posés par le changement climatique, peut accroître la pollution de l’air, rendre les populations plus vulnérables aux catastrophes et entraîner des problèmes de gestion des ressources telles que l’eau, les matières premières et l’énergie (Mapping Our Human Footprint From Space, 2023).

Afin d’améliorer la compréhension des tendances actuelles de l’urbanisation mondiale, l’ESA et le Centre aérospatial allemand (DLR), en collaboration avec l’équipe de Google Earth Engine, développent conjointement l’empreinte mondiale des établissements humains – l’ensemble de données le plus complet au monde sur les établissements humains.

L”Évolution de l’empreinte mondiale des établissements humains a été produite en traitant sept millions d’images du satellite américain Landsat collectées entre 1985 et 2015 et montre la croissance annuelle des établissements humains à l’échelle mondiale (Mapping Our Human Footprint From Space, 2023). Il convient de noter que la disponibilité passée de Landsat-5/7 varie considérablement à travers le monde et au fil du temps. Indépendamment de l’approche mise en œuvre, cela peut alors entraîner une qualité inférieure du produit final lorsque peu ou pas de scènes ont été collectées. Pour fournir aux utilisateurs une mesure appropriée et intuitive qui tient compte de la disponibilité des images Landsat, le score de cohérence des données d’entrée (IDC) a été mis en œuvre. Il va de 6 à 1 avec : 6) très bon ; 5) bon ; 4) moyen ; 3) modéré ; 2) faible ; 1) très faible. Le score IDC permet une interprétation correcte du produit d’évolution du WSF (Marconcini et al., 2021).

Les données d’évolution de l’Empreinte Mondiale des Établissements sont désormais indexées dans la plateforme DE Africa.

Description

Ce bloc-notes est une procédure pas à pas sur la façon d’utiliser les données d’évolution de l’empreinte des colonies mondiales dans le cube de données. L’exemple pratique guide les utilisateurs à travers le code requis pour :

Inspection des données WSF Evolution dans le datacube
Utilisez la fonction « dc.load() » pour charger les données WSF
Tracé des résultats pour les données WSF Evolution

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 pandas as pd
import geopandas as gpd
import seaborn as sns

import matplotlib.pyplot as plt
import matplotlib.ticker as mticker
from matplotlib.colors import ListedColormap
from matplotlib.patches import Patch
import matplotlib.animation as animation
from mpl_toolkits.axes_grid1 import make_axes_locatable
from IPython.display import Image
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="wsf")

Liste des mesures

Nous pouvons inspecter les données disponibles pour le WSF en utilisant la fonctionnalité « list_measurements » de datacube. Le tableau ci-dessous répertorie les produits et mesures disponibles pour les trois jeux de données WSF indexés dans le datacube de DE Africa.

[3]:

product_name = ['wsf_evolution']

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

[3]:

		name	dtype	units	nodata	aliases	scale_factor
product	measurement
wsf_evolution	wsfevolution	wsfevolution	int32	1	0.0	[wsfevolution]	NaN
wsf_evolution	idc_score	idc_score	uint8	1	0.0	[idc, idcscore, idcs]	NaN

Paramètres d’analyse

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

En spécifiant la latitude, la longitude et la zone tampon. Cette méthode nécessite que vous saisissiez la latitude centrale, la longitude centrale et la valeur de la zone tampon en degrés carrés autour du point central que vous souhaitez analyser. 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).
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 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.

L’emplacement par défaut est Mansoura, en Égypte.

[4]:

# Method 1: Specify the latitude, longitude, and buffer
aoi = define_area(lat= 31.0412, lon=31.3845, buffer=0.2)

# 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
lat_range = (geopolygon_gdf.total_bounds[1], geopolygon_gdf.total_bounds[3])
lon_range = (geopolygon_gdf.total_bounds[0], geopolygon_gdf.total_bounds[2])

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=lon_range, y=lat_range)

[5]:

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

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 :

[11]:

print(datacube.__version__)

1.8.20

Dernier test :

[12]:

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

[12]:

'2025-01-14'

Empreinte de peuplement mondial – Évolution

Aperçu

Description

Commencer

Charger des paquets

Se connecter au datacube

Liste des mesures

Paramètres d’analyse

Afficher l’emplacement sélectionné

Chargement du jeu de données WSF Evolution

Représentation spatiale des données d’évolution du FSM

Calculer la surface de l’empreinte de peuplement

Représentation graphique des données d’évolution du FSM

Animation des données d’évolution du FSM de 1985 à 2015

Conclusion

Référencement

Informations Complémentaires