Projet n°1

GéoFireGuard

(cliquez sur l'image)

De la nécessité de fournir des données de plus en plus actualisées sur les risques naturels et anthropiques provoqués par la crise climatique est né le premier projet appelé GeoFireGuard, le service de données ouvertes pour la surveillance et la protection des zones à risque d'incendie, grâce au traitement des données géospatiales mises à disposition. disponible auprès des constellations Sentinel du programme Copernicus de l'Union européenne et Landsat de l'USGS/NASA.

Afin de contribuer à la lutte contre les incendies, des cartes et des services sont fournis pour la zone Vautour - Alto Bradano (Basilicate Nord): service d'incendie NASA FIRMS en temps quasi réel et archives des points focaux (fire nrt), classification supervisée de l'intensité et de la gravité des incendies. incendies, zones couvertes par le feu et degré de brûlure, humidité du sol, aridité et température de la surface de la terre. Des services complémentaires ont été intégrés comme la pollution de l'air par le dioxyde de soufre (SO2), le modèle GeoAI sur la propagation des incendies des champs agricoles, les produits biogéophysiques.

Pollution par le dioxyde de soufre ou le dioxyde de soufre (SO2)

Calcul des cartes de concentration atmosphérique de dioxyde de soufre (SO2) obtenues grâce à l'analyse des données du satellite Sentinel-5P du programme Copernicus. Données traitées avec Google Earth Engine (GEE) avec la période suivante : 4 juillet - 4 août - 4. Septembre - 4 octobre 2023. Densité de la colonne verticale de SO2 au sol calculée avec la technique DOAS Unité de mesure : mol/m^2 (nombre de moles d'une substance par mètre carré de surface) 1 mole de SO2 = 64. , 0638 g/molValeur moyenne détectée en Basilicate : 0,004344449 g/molValeur maximale détectée Vautour Alto-Bradano : 0,03559215 g/molValeur minimale détectée Vautour Alto-Bradano : -0,02603678 g/molLes valeurs max et min de SO2 sont des valeurs standard qui reflètent la plage typique des concentrations de SO2 dans la troposphère et sont capables de montrer des changements significatifs en dioxyde de soufre au fil du temps.

Modèle GeoAI sur la propagation du feu

Le modèle d'évaluation des risques d'incendie Boschifire (BRAM) a été calculé, un modèle prédictif expérimental du risque de propagation des incendies des champs agricoles vers les bois et les forêts. L'utilisation combinée des algorithmes SAM et Random Forest pour identifier les zones forestières proches des feux de champs - en raison de la pratique obsolète du brûlage des chaumes - s'appuie sur une classification supervisée Random Forest de l'indice RBR (Relativized Burn Area), du satellite Sentinel-2. images du programme Copernicus, et image RVB infrarouge ondes courtes associée (bandes spectrales 12, 8 et 4) du 4 octobre 2024 spécialement segmentées grâce à GeoAI (Intelligence Artificielle). Images Sentinel-2B/11 juillet 2023 et Sentinel-2A/4 octobre 2023. Citation : luisCartoGeo et luisChr. (2023). luisCartoGeo/GeoAI_Plugin : v1.0 GeoAi (GEOAI). Zénodo. https://doi.org/10.5281/zenodo.8313393

Danger et risque d'incendie (avant)

Calcul de détection de changement NDWI (Normalized Difference Water Index) sur l'humidité du sol qui renvoie des valeurs d'humidité augmentées, réduites et inchangées pour un intervalle de temps donné. Calcul de l'indice NDWI (Normalized Difference Water Index) sur l'humidité du sol qui, comparé aux indices LST et RBR, peut être utile pour prédire les zones à risque d'incendie, ainsi que pour soutenir les enquêtes des organismes compétents pour le calcul de l'humidité du sol (. Sigma0_VV Intensity_db) pour la mesure de rétrodiffusion sur les changements de teneur en humidité des sols et de la végétation. Calcul de l'indice BSI (Bare Soil Index) sur l'aridité des sols qui, comparé aux zones brûlées et à l'humidité des sols, donne des résultats utiles. informations sur la dégradation des surfaces cultivées et forestières affectées par les incendies. Calcul de détection des changements NDVI (Normalized Difference Vegetation Index) sur les changements de la biomasse agroforestière (superficies affectées par les incendies, opérations forestières, activités agricoles). santé de la végétation. Calcul de l'indice TVI (Transformer Vegetation Index) sur la biomasse stressée par la sécheresse. Calcul des zones à risque d'incendie avec une méthode de représentation visuelle des zones à plus ou moins risque, basée sur les valeurs seuils. ​défini par les indices NDVI, EVI, NDWI et NBR.

Surveillance des incendies (pendant)

Service d'incendie « en temps quasi réel » de la NASA FIRMS Le système d'information sur les incendies pour la gestion des ressources (FIRMS) distribue des données sur les incendies actifs en temps quasi réel (NRT) à partir du spectroradiomètre à résolution moyenne (MODIS) à bord des satellites Aqua et de la Terre et par l'infrarouge visible. Suite de radiomètres imageurs (VIIRS) à bord de Suomi-NPP, NOAA-20 et NOAA-21 (anciennement connu sous le nom de JPSS-1). À l’échelle mondiale, ces données sont disponibles dans les 3 heures suivant l’observation par satellite, mais pour les États-Unis et le Canada, les détections actives d’incendies sont disponibles en temps réel.

Cartographie des zones brûlées (après)

Archives des points focaux (fire nrt) du 18 juillet au 4 octobre 2023 à partir desquelles il est possible d'analyser d'éventuels points d'allumage et/ou de propagation des incendies. Carte de densité thermique FRP (Fire Radiative Power) à partir de laquelle il est possible d'identifier les sources numériques. de puissance radioactive de l'incendie (exprimée en watts). Classification supervisée (apprentissage automatique) Indice NBR (Normalized Burn Ratio). Les données représentent les résultats d'un classificateur Random Forest formé pour classer l'indice NBR au 4 octobre 2023 en quatre différents. catégories, liées aux incendies en fonction de leur intensité. Les classes identifiées comprennent les incendies de haute intensité, les incendies de moyenne intensité, les incendies de faible intensité et les zones non brûlées. La précision globale du modèle sur les données de test est de 63,98 %. Classification supervisée (apprentissage automatique) indice relativisé RBR (Relativized Burn Ratio). Les données représentent les résultats d'un classificateur Random Forest formé pour classer l'indice RBR au 4 octobre 2023 en quatre catégories différentes, liées aux incendies de forêt en fonction de leur gravité des brûlures. Les classes identifiées comprennent les incendies de gravité élevée, les incendies de gravité moyenne, les incendies de faible gravité et les zones non brûlées. La précision globale du modèle sur les données de test est de 93,14 %.

remarque : (les cartes composites de l'indice NBR et la classification supervisée associée ont été supprimées après une vérification minutieuse de l'adéquation de certains résultats).

Calcul de l'indice NBR (Normalized Burn Ratio) post-incendie sur les surfaces brûlées. Calcul de l'indice RBR (Relativized Burn Ratio) pour 2023 et 2022, version relativisée de l'indice dNBR (difference Normalized Burn Ratio). L'indice renvoie le degré de brûlage périodique des zones brûlées et est obtenu à partir de la formule suivante :

RBR = (NBR(pre_fire)–NBR(post_fire))/( NBR(pre_fire) 1.001).

La valeur de 1,001 au dénominateur garantit que l'équation ne produit jamais de valeurs infinies lorsque les valeurs NBR avant incendie tendent vers zéro dans les zones à faible couverture végétale ou dans les zones touchées par un incendie.

L'échelle de couleurs utilisée est celle proposée par l'USGS pour classer le niveau d'intensité des zones touchées par le feu.

Données atmosphériques utiles aux activités de prévision/prévention pour la saison 2024

Calcul de la moyenne saisonnière pour la période du 11 juillet au 1er octobre 2023 de l'indice standardisé de précipitations (SPI) capable de mesurer l'anomalie de la quantité de précipitations au cours d'une période déterminée. Des valeurs négatives peuvent indiquer une sécheresse.

Les niveaux de gravité des événements humides et secs sont définis selon le tableau suivant (McKee et al., 1993 ; OMM, 2012) : SPI ≥ 2,0 = Humidité extrême 1,5 ≤ SPI < 2,0 Humidité sévère 1,0 ≤ SPI < 1,5 Humidité modérée –1,0 < SPI < 1,0 Normal–1,5 < SPI ≤ –1,0 Sécheresse modérée–2,0 < SPI ≤ –1,5 Sécheresse graveSPI ≤ –2,0 Sécheresse extrême

L'indice est basé sur des données interpolées sur 25 km provenant du projet MARS de surveillance des cultures et de la météo du JRC. Les données sont mises à jour tous les 10 jours, offrant ainsi une vision plus actuelle de l'indicateur par rapport au calcul classique de fin de mois. Toutefois, les périodes de régularisation restent mensuelles, avec des fenêtres mensuelles (périodes de 28, 29, 30 ou 31 jours) commençant le 1er, le 11 et le 21 du mois. La méthode de calcul du SPI est encore provisoire et pourrait être mise à jour.Crédits : Copernicus GDO (Global Drought Observatory) Emergency Management Service.

Calcul de la température atmosphérique moyenne saisonnière sur 77 jours (du 18 juillet au 4 octobre 2023). Température maximale interpolée quotidiennement à l'aide d'environ 4 000 stations météorologiques à travers l'Europe et ses environs. Les données sont interpolées à l'aide d'un algorithme de distance inverse qui recherche les stations dans un rayon de 200 km. Un maximum de 20 stations sont prises en compte. Une correction de l'élévation est effectuée en utilisant un facteur de 0,65 degrés Celsius par 100 mètres. L'interpolation est effectuée sur une grille de 0,25 degrés décimaux.Lavaysse, C., C. Cammalleri, A. Dosio, G. van der Schrier, A. Toreti et J. Vogt. 2018. Vers un système de surveillance des températures extrêmes en Europe. Risques naturels et science du système terrestre, 18, 91-104. https://nhess.copernicus.org/articles/18/91/2018/

Immagini satellitari Copernicus attentionné : Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2B / 09-sett-2023 / MSI_Level-2A Sentinel-2B / 11-LUG-2023 / MSI_Level-2A - Sentinel-2B / 16-LUG-2022 / MSI_Level-2A - Sentinel-2B / 31-LUG-2023 / MSI_Level-2A - Sentinel-2B / 10-AGO-2023 / MSI_Level-2A - Sentinel-2A / 25-AGO-2023 / MSI_Level- 2A - Sentinel-2B / 09-SET-2023 / MSI_Level-2A - Sentinel-2A / 04-OTT-2024 / MSI_Level-2A - Sentinel-2A / 16-FEB-2024 / MSI_Level-2A - Sentinel-2B / 15- AGO-2022 / MSI_Level-2A - Produit SLC Sentinel-1A IW niveau 1 / 30giu-12lug2023

Analyse du risque canicule

Calcul de la température moyenne de la surface terrestre (LST sur données Landsat) visant à analyser le risque de canicule pour les populations et calcul de la densité de population au km2 sur données ISTAT 2023 pour 12 images (du 18 juillet au 4 octobre). 2023) et moyenne saisonnière de la température de surface de la Terre pendant la journée avec une résolution de 1 km (en légende °C - métadonnées Kelvin). Les images LST-MODIS du Vautour Alto Bradano (Basilicata) de 2023 ont été téléchargées le 3 février. 2024 à partir de https://apparaît.earthdatacloud.nasa.gov, exploité par le centre d'archives actives distribuées des processus terrestres EOSDIS de la NASA (LP DAAC) au centre d'observation et de science des ressources terrestres de l'USGS (EROS), Sioux Cascades, Dakota Sud 2018, https://lpdaac.usgs.gov

Calcul de l'indice LST (Land Surface Temperature) de la température radiante de la surface terrestre dans la région de la Basilicate.

Image satellite envisagée pour 2022 : Landsat-9 (USGS-NASA) OLI_TIRS_L1TP du 23/07/2022 avec 1 % de couverture nuageuse.

Image satellite envisagée pour 2023 : Landsat-8 (USGS-NASA) OLI_TIRS_L1TP du 18/07/2023 avec 1,5 % de couverture nuageuse.

Procédure de calcul de l'indice LST à partir d'images Landsat avec une résolution de 30 m/px :

1) calcul de la réflectance TOA (Top of Atmosphere) avec les bandes rouge et proche infrarouge ;

2) Calcul de la température de luminosité TOA pour la bande thermique ;

3) calcul de l'indice NDVI (indice de végétation par différence normalisée) ;

4) estimation de la proportion végétative et de l'émissivité de la surface terrestre ;

5) Calcul de l'indice LST (Land Surface Temperature) ;

6) classification semi-automatique supervisée (Machine Learning)

En quoi cet indice peut-il être utile ?

a) Microclimat urbain : calcul d’îlots de chaleur pour contrer les canicules estivales.

b) Agriculture : étude de l'évapotranspiration dans le secteur de l'irrigation, suivi des conditions des sols.

c) Pollution ou accidents industriels : surveillance de la qualité des eaux et des sols.

d) Incendies de forêt : zones les plus à risque et évaluation/estimation des points déclencheurs, comparaison avec les indices sur les zones touchées par l'incendie.

e) Géologie : suivi géomorphologique, estimation des glissements de terrain et des tremblements de terre.

f) Génie hydrologique : étude de l'écoulement de l'eau.

Le projet de calcul de l'indice LST de la Région Basilicate a été possible grâce à la participation au séminaire « GIScience pour la cartographie du microclimat urbain : îlots de chaleur à Padoue » le 6 juillet 2022 organisé par l'Université de Padoue en collaboration avec le Centre pour la Justice Climatique de Excellence Jean Monnet et l'association GIShub.

Produits biogéophysiques de la surface terrestre (forêts et zones boisées)

Calcul du NDVI (Normalized Difference Vegetation Index) L'indice de végétation par différence normalisée (NDVI) est un indicateur de la verdure des biomes. Bien qu'il ne s'agisse pas d'une propriété physique du couvert végétal, sa formulation très simple NDVI = (REF_nir – REF_red)/(REF_nir REF_red) où REF_nir et REF_red sont les réflectances spectrales mesurées respectivement dans les bandes proche infrarouge et rouge, la rend largement utilisé pour la surveillance de l'écosystème. Calcul du LAI (Leaf Area Index)L'indice de surface foliaire est défini comme la moitié de la superficie totale des éléments verts de la canopée par unité de surface terrestre horizontale. La valeur dérivée par satellite correspond au LAI vert total de toutes les couches de la canopée, y compris le sous-bois qui peut représenter une contribution très importante, notamment pour les forêts. En pratique, le LAI quantifie l'épaisseur du couvert végétal. Le LAI est reconnu comme une variable climatique essentielle (ECV) par le calcul du Global Climate Observing System (GCOS) (Fraction of Absorbed Photosyntheically Active Radiation). du rayonnement solaire absorbé par les feuilles vivantes pour l’activité de photosynthèse. Il ne concerne donc que les éléments verts et vivants du feuillage. FAPAR dépend de la structure du couvert forestier, des propriétés optiques des éléments végétaux, des conditions atmosphériques et de la configuration angulaire. Pour surmonter cette dernière dépendance, une valeur FAPAR intégrée quotidienne est évaluée. FAPAR est reconnu comme variable climatique essentielle (ECV) par le calcul du Global Climate Observing System (GCOS) FCover (Fraction of green Vegetation Cover). La Fraction of Vegetation Cover (FCover) correspond à la fraction des terres couvertes par la végétation verte. En pratique, il quantifie l'étendue spatiale de la végétation. Indépendant de la direction de l’éclairage et sensible à la quantité de végétation, Fcover est un excellent candidat pour remplacer les indices de végétation classiques pour le suivi des écosystèmes.

Images satellite Copernicus prises en compte : Sentinel-2B / 16-FEB-2024 / MSI_Level-2A

Réservoirs de carbone

Hauteur du couvert végétatif [par Lang, N., Jetz, W., Schindler, K. et Wegner, J.D. (2023). Un modèle haute résolution de la hauteur de la canopée de la Terre. Nature Ecology & Evolution, 1-12] : Développement d'un modèle probabiliste d'apprentissage profond pour récupérer la hauteur supérieure de la canopée à partir des images Sentinel-2. Ce modèle, un ensemble de réseaux neuronaux convolutifs (CNN), a été formé avec une supervision clairsemée à l'aide de données sur la hauteur du sommet de la canopée dérivées du LIDAR à forme d'onde complète GEDI de la NASA (c'est-à-dire RH98 estimé par Lang et al., 2022). L'incertitude prédictive de ces estimations denses est quantifiée en modélisant à la fois l'incertitude des données (incertitude aléatoire) et l'incertitude du modèle (incertitude épistémique). Le produit ETH Global Canopy Height 2020 est fourni gratuitement, sous licence Creative Commons Attribution 4.0 International License.