9b9ec8fadbca49c2b445567dafe8fbac 050ec50978b248b2b9b0e1b4aa7c7d19

Cahier d’index à couverture verte Mountain (ODD 15.4.2)#

Avertissement : Le carnet est en cours de développement. Cet atelier sera un bon forum pour obtenir des commentaires afin d’affiner le carnet. Merci.

Aperçu#

Objectif de développement durable 15 :#

Protéger, restaurer et promouvoir l’utilisation durable des écosystèmes terrestres, gérer durablement les forêts, lutter contre la désertification, stopper et inverser la dégradation des terres et mettre un terme à la perte de biodiversité.

Objectif 15.4#

D’ici à 2030, assurer la conservation des écosystèmes de montagne, y compris leur biodiversité, afin de renforcer leur capacité à fournir des avantages essentiels au développement durable.

Indicateur 15.4.2 : Indice de couverture végétale des montagnes#

L’indice de couverture végétale des montagnes (MGCI) est conçu pour mesurer l’étendue et l’évolution de la végétation verte dans les zones de montagne - c’est-à-dire les forêts, les arbustes, les arbres, les pâturages, les terres cultivées, etc. - afin de suivre les progrès vers l’objectif de montagne. Le MGCI est défini comme le pourcentage de couverture végétale sur la surface totale de la région montagneuse d’un pays donné et pour une année de référence donnée. L’objectif de l’indice est de suivre l’évolution de la couverture végétale et d’évaluer ainsi l’état de conservation des écosystèmes de montagne. De plus amples informations sur le MGCI sont disponibles ici <https://www.fao.org/sustainable-development-goals/indicators/1542/en/>`__.

Description#

La méthodologie de calcul de l’indice de couverture végétale des montagnes a été initialement développée par la FAO (De Simone et al., 2021).

L’indice de couverture végétale des montagnes est calculé à l’aide de deux couches de descripteurs d’informations :

  1. Une couche de description des montagnes : les montagnes peuvent être définies en référence à une variété de paramètres, tels que le climat, l’altitude, l’écologie (Körner et al., 2011) (Karagulle et al., 2017). Cette méthodologie adhère à la définition de la montagne du PNUE-WCMC, s’appuyant à son tour sur la description de la montagne proposée par Kapos et al. (2000).

  2. Une couche de description de la végétation : La couche de description de la végétation classe la couverture terrestre en zones vertes et non vertes. La végétation verte comprend à la fois la végétation naturelle et la végétation résultant d’une activité anthropique (par exemple, les cultures, le reboisement, etc.). Les zones non vertes comprennent les zones à végétation très clairsemée, les terres nues, l’eau, la glace/neige permanente et les zones urbaines. La couche de description de la végétation peut être dérivée de différentes manières, mais les cartes de couverture terrestre basées sur la télédétection sont la source de données la plus pratique à cette fin, car elles fournissent les informations requises sur les zones vertes et non vertes d’une manière spatialement explicite et permettent une comparaison dans le temps grâce à l’analyse des changements de couverture terrestre.

Actuellement, la FAO utilise comme solution générale les séries chronologiques de couverture terrestre produites par l’Agence spatiale européenne (ESA) dans le cadre de l’Initiative sur le changement climatique (ICC). De plus amples informations sont disponibles ici <https://hqfao.maps.arcgis.com/home/item.html?id=701f5aea91d141adbc0c4aa0bacb8739>.

Le bloc-notes effectue les opérations suivantes :

  1. Calculer la classe de la chaîne de montagnes Kapos pour la zone d’étude

  2. Reclasser l’ESA CCI en classification IPCC et verte et non verte

  3. Générer l’indice de couverture végétale des montagnes (MGCI)

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 os
import datacube
import matplotlib.pyplot as plt
import xarray as xr
import numpy as np
import geopandas as gpd
import pandas as pd
from scipy.ndimage import uniform_filter, maximum_filter, minimum_filter
from odc.geo.xr import write_cog
from odc.geo.geom import Geometry
from odc.geo.crs import CRS

from deafrica_tools.datahandling import load_ard
from deafrica_tools.plotting import rgb, display_map, plot_lulc, map_shapefile
from deafrica_tools.bandindices import calculate_indices
from deafrica_tools.dask import create_local_dask_cluster
from deafrica_tools.spatial import xr_rasterize

from odc.geo.xr import xr_reproject

Configurer un cluster Dask#

Dask peut être utilisé pour mieux gérer l’utilisation de la mémoire et effectuer l’analyse en parallèle. Pour une introduction à l’utilisation de Dask avec Digital Earth Africa, consultez le Dask notebook.

Remarque : nous vous recommandons d’ouvrir la fenêtre de traitement Dask pour afficher les différents calculs en cours d’exécution ; pour ce faire, consultez la section Tableau de bord Dask en Afrique de l’Ouest du Dask notebook.

Pour utiliser Dask, configurez le cluster de calcul local à l’aide de la cellule ci-dessous.

[2]:

create_local_dask_cluster()

/opt/venv/lib/python3.12/site-packages/distributed/node.py:188: UserWarning: Port 8787 is already in use.
Perhaps you already have a cluster running?
Hosting the HTTP server on port 42821 instead
  warnings.warn(

Client

Client-68a21276-3754-11f1-94a2-66901f7a1b9b

Connection method: Cluster object Cluster type: distributed.LocalCluster
Dashboard: /user/mpho.sadiki@digitalearthafrica.org/proxy/42821/status

Cluster Info

Paramètres d’analyse#

La cellule suivante définit des paramètres importants pour l’analyse :

  • « time » : il s’agit de la période de temps qui nous intéresse pour l’analyse.

  • output_crs : Le système de référence de coordonnées vers lequel les données chargées doivent être reprojetées.

  • dask_chunks : la taille des morceaux dask, dask divise les données en morceaux gérables qui peuvent être facilement stockés en mémoire.

  • output_dir : Le répertoire dans lequel stocker les résultats de l’analyse.

[3]:

time = 2019

output_crs = "EPSG:6933"

dask_chunks = {"time": 1, "x": 3000, "y": 3000}

# Create the output directory to store the results.
output_dir = "results"
os.makedirs(output_dir, exist_ok=True)

Se connecter au datacube#

Connectez-vous au datacube pour que nous puissions accéder aux données de DE Africa. Le paramètre « app » est un nom unique pour l’analyse qui est basé sur le nom du fichier du notebook.

[4]:

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

Sélectionnez un pays#

Charger le fichier GeoJSON des pays africains. Ce fichier contient des polygones pour les frontières des pays africains.

[5]:

african_countries  = gpd.read_file("../../Supplementary_data/MGCI/african_countries.geojson")
african_countries.explore()

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