Exploitation de la plateforme Google Earth Engine pour l’extraction des indices de

végétation cas d’étude nord-ouest algérien

Ikram MAHCER¹, Djelloul BAAHMED², Kamelia CHEMIRIK³, Hiba CHAHROURI³

Département d’hydraulique, Université Djillali Liabès, Sidi Bel Abas, Algérie
Laboratoire de Génie Civil & Environnement LGCE
ikrammahcer13@gmail.com ; baahmed78@yahoo.fr ; chemirikcamelia@gmail.com ;
hiba1232016@gmail.com
Résumé : Les indices de végétation sont des variables essentielles pour surveiller le
changement climatique, étudier l’équilibre écologique et explorer le modèle de
phénologie. L’objectif de ce travail est de décrire la façon dont a été mise en pratique une
méthode d’analyse de données de télédétection en déployant des applications
interactives qui s'appuie sur les ressources de Google Earth Engine sans avoir besoin
d'être un expert en programmation web ou en HTML.
La méthodologie adoptée consistait en une approche basée sur une exploitation du
catalogue de données de Earth Engine, constitué d’image de télédétection y compris
l’ensemble des archives existant LANDAST, SENTINEL-1 et SENTINEL-2 …etc.
Les résultats montrent que GEE est une plateforme robuste et fiable qui est utilisée pour
détecter les variations de la couverture terrestre à partir des images multi-temporelles.
Nous avons testé cette technique pour les types de NDVI, NDWI, EVI calculé à partir des
images Landsat.
Ce travail à montrer que la technologie géotechnique fournit des informations
importantes qui peuvent être utilisées comme base pour la prise de décision.
Mots clés : indices de végétation, changement climatique, télédétection, Google Earth
Engine.
Abstract: Use of the Google Earth Engine platform for the extraction of vegetation
indices case study northwest Algeria. Vegetation indices are essential variables for
monitoring climate change, studying ecological balance, and exploring the phenology
model. The objective of this work is to describe how a method of analysis of remote
sensing data was put into practice by deploying interactive applications that rely on the
resources of Google Earth Engine without the need to be an expert in web programming
or HTML.
The methodology adopted consisted in an approach based on the exploitation of the
Earth Engine data catalog, consisting of remote sensing images including all the existing
archives LANDAST, SENTINEL-1 and SENTINEL-2 ...etc.
The results show that GEE is a robust and reliable platform that is used to detect land
cover variations from multi-temporal images. We tested this technique for NDVI, NDWI,
EVI types calculated from Landsat images.
This work to show that geotechnical technology provides important information that can
be used as a basis for decision making.
Keywords: vegetation indices, climate change, remote sensing, Google Earth Engine
Introduction
Les progrès majeurs récents de la technologie de télédétection, permettant de capturer
une résolution temporelle et spatiale plus élevée sur une gamme plus large de signatures
spectrales, modifient fondamentalement notre façon de voir la Terre (Eng and Jędrzej,
2017).
Les données de télédétection dans les longueurs d'onde du visible, proche de l’infrarouge
et de l'infrarouge thermique ont fait leurs preuves. Elle se sont avérées bien adaptées à
la surveillance de l'état de la végétation, du sol, de la sécheresse, du rendement des
cultures et de l’environnement (Han et al., 2006).
Le flux de travail classique de la télédétection consiste à préparer les données et à les
téléchargé. Les problèmes de métadonnées, les données erronées, manquantes, les
ombres des nuages, l’intégralité du temps nécessaire à l’analyse de ces données est le
temps consacré à la préparation. Ce que propose Google Earth Engine est de faire tout
cela rapidement, en utilisant leur infrastructure cloud.
Google Earth Engine est une plateforme basée sur le cloud qui permet le traitement à
grande échelle d'images satellitaires pour détecter les changements, cartographier les
tendances et quantifier les différences à la surface de la Terre et qui permet de faciliter
l'accès à des ressources informatiques de haute performance pour le traitement de très
grandes de données géospatiales, sans avoir à souffrir des difficultés informatiques qui
les entourent actuellement.
En outre, et contrairement à la plupart des centres de supercalculateurs, Earth Engine est
également conçu pour aider les chercheurs à diffuser facilement leurs résultats à d'autres
chercheurs, aux décideurs politiques, aux ONG, aux travailleurs de terrain, et même au
grand public. Une fois qu'un algorithme a été développé sur Earth Engine, les utilisateurs
peuvent produire des données systématiques ou déployer des applications interactives
soutenues par Earth Engine (Gorelick et al., 2017).
Dans cette étude, GEE a été utilisé pour extraire les différents valeurs normalisée
télédétectées et des différents modèles temporels ont été identifiés.
1.Données et méthodes
1.1. Zone d'étude
La zone d’étude est située dans la partie Nord-Ouest de l’Algérie, de 1°de longitude et au
Nord de 33°de latitude (fig.1). Elle englobe les bassins versants de la Tafna a une extension
territoriale de 7245 km², la Macta (14750 km²), le bassin des côtiers oranais (4591 km²),
et une partie du bassin versant de Chélif (43794 km²).
Le climat des bassin versants est similaire à celui de toute la région méditerranéenne de
l’Afrique du Nord est douce et humide. La température moyenne annuelle en est
d'environ 15,5°C. Les deux mois les plus chauds sont juillet et août, avec une température
moyenne de 26°C.

Figure 1. Localisation de la zone d'étude.

1.2. Les indices de végétation
De nombreux indices de végétation ont été établis et utilisés depuis plus de quarante ans.
Elles prennent la forme d'expressions très basiques (simples différences ou simples
rapports) ou de formules plus complexes. On les classe généralement en familles d'indices
selon qu'elles prennent en compte d'autres facteurs que le couvert végétal, comme
l'influence de l'atmosphère, la contribution spectrale du sol, la teneur en eau de la plante
(indice de sécheresse), etc.
1.2.1. NDVI (Normalized Difference Vegetation Index)
L’indice de végétation par différence normalisé il permet de mesurer l’intensité de vert
des forêts d’une zone donnée, et indique la masse de végétation présente dans celle-ci,
résultant de l’analyse de données satellitaires (Rouse Jr et al., 1973) (Tucker, 1979).
Cet indice (NDVI) est calculé à partir de bandes de données satellitaires. Il donne une
approximation de la viabilité et de la densité de la végétation pour un pixel sur la base des
différentes intensités de la lumière solaire réfléchie par le visible (VIS) (0,4-0,7 µm) et du
proche infrarouge (NIR) (0, 7-1,1 m) capturées par les capteurs satellites (Schmid, 2017).
Sa formule est la suivante :
NDVI = (ρ PIR – ρ R) / (ρ PIR + ρ R) (1)
 1.2.2. NDWI (NormalizedDifference Water Index)
Indice de stress hydrique. Il permet de déceler lorsque les végétaux sont en état de stress
hydrique et sont par conséquent très utiles pour le suivi de la végétation en zone sèche.
Il utilise la bande spectrale du moyen infrarouge à la place de la bande rouge. Cet indice
varie en fonction de la teneur en eau des feuilles (Gao and Hou, 1996).

NDWI = (ρ PIR - ρMIR) / (ρ PIR + ρMIR) (2)

Où,
ρ MIR : Réflectance dans la bande infrarouge moyenne.
ρ PIR : Réflectance dans la bande proche infrarouge.
R : est la bande rouge.
1.2.3.EVI (Enhanced Vegetation Index)
EVI permet de corriger les effets conjugués des sols et de l’atmosphère (Huete et al.,
2002), il est basé sur les régions rouge, bleue (450 nm) et proche infrarouge du spectre
électromagnétique (Shammi and Meng, 2021). L’EVI minimise les variations canopée-sol
et améliore la sensibilité aux conditions de végétation dense.
1..3. La plate-forme Google Earth Engine
GEE est une plate-forme de cloud computing qui peut extraire des paramètres d'images
satellitaire. Ensuite, il peut visualiser les données, les tracer dans un graphique de série
chronologique et télécharger les données pour un traitement externe (Schmid, 2017).
Le catalogue de données publiques Earth Engine est constituée d’images de télédétection
d’observation de la Terre, y compris l'ensemble des archives Landsat ainsi que des
archives complètes de données de Sentinel-1 et Sentinel-2, mais il comprend également
des prévisions climatiques, des données sur la couverture terrestre et de nombreux
autres ensembles de données environnementales, géophysiques et socio-économiques
(Schmid, 2017).
Une architecture système simplifiée est illustrée à la (fig.2). L'éditeur de code Earth Engine
et les applications tierces utilisent des bibliothèques clientes pour envoyer des requêtes
interactives ou par lots au système via l'API REST.

Earth Engine Code Editor Third-party Web apps

Client Librairies (Javascript/Phyton)

Web REST APIS

 On-the-Fly Computation

Front Ends

Compute Batch Computation

Masters
Caches
Compute
Servers

Data Stores

Fusion Tables Tilestore Servers Asset Database

Figure 2. Un schéma d'architecture système simplifié (Gorelick et al., 2017).

La bibliothèque Earth Engine compte plus de 800 fonctions dont la complexité va des
simples fonctions mathématiques aux puissantes opérations géostatistiques,
d'apprentissage automatique et de traitement d'images, La plupart des fonctions basées
sur l'image dans la bibliothèque sont des opérations algébriques par pixel, fonctionnant
sur une base par bande ou par bande.
Les utilisateurs écrivent des programmes Earth Engine à l'aide de bibliothèques côté client
(actuellement disponibles pour les langages Python et JavaScript) qui permettent aux
utilisateurs de décrire des graphes de traitement à l'aide de paradigmes de
programmation procédurale familiers (Gorelick et al., 2017).

Figure 3. L’interface du programme GEE

1.4. Extraction des indices de végétation NDVI-NDWI-EVI
Les indices spectraux sont essentiels à de nombreux aspects de la télédétection. Pour
calculer un rapport entre deux bandes ou plus, au niveau du pixel. La formule la plus
couramment utilisée pour calculer un indice est la Différence normalisée entre deux
bandes. Google Earth Engine fournit la fonction normalizedDifference () pour faciliter le
calcul des indices normalisés, tels que l'indice de végétation appelé Normalized
Difference Vegetation Index (NDVI)
(Https://courses.gisopencourseware.org/mod/page/view.php?id=759).
NormalizedDifference : graphique qui calcule la différence normalisée de deux tampons
d'entrée. Cette petite scène graphique contient un total de cinq nœuds : deux nœuds
d'entrée, une somme, un produit et un quotient (Gorelick et al., 2017).
Le langage de programmation JavaScript a été utilisé dans le GEE pour collecter les
données des séries chronologiques puis exportés hors du GEE vert ArcGIS pour générer
les cartes.
L'indice de végétation a été obtenu en utilisant l'indice de végétation par différence
normalisée (NDVI) à partir des bandes rouges et proche infrarouge (NIR) (Athick and
Shankar, 2019).

Figure 5. Calcul du NDVI par GEE.

Les données originales ont été converties par transformation de format (tiff) illustré
(fig.6), par le traitement de projection, le recadrage et la séparation des bandes pour
obtenir l'ensemble de données NDVI (Bao et al., 2015).
 Figure 6. Image NDVI convertie en format tiff
2. Résultat et discussion
La plateforme de cloud computing a facilité le calcul des indices spectraux de végétation
à partir de données Landsat multi saisonnière, ce qui a permis d’obtenir de bons résultats
(He et al., 2018).
Figure 7. NDVI, NDWI, EVI dans les quatre bassins versant du nord-ouest algérien allant
de la période (1984-2020)
Les données de séries chronologiques de 1984 à 2020 de la région Nord-Ouest algérien,
ont été obtenu par GEE, le NDVI est une mesure sans unité, avec une valeur allant de – 1
à + 1. Les valeurs positives élevées reflètent une végétation verte saine, tandis que les
valeurs faibles (proche de zéro ou légèrement négatives) reflètent des surfaces sans
végétation telles que le sol nu et l’eau (Fayech and Tarhouni, 2021). Les valeurs du NDVI
obtenue varie de -0.37 à 0,67, les valeurs négative représentent des sols volcanique, boue
noire ou des réservoirs d’eau, le NDVI allons de 0-0.25 représente les terres arides et
désert ,0.25-0.55 les prairies et terres agricoles et NDVI˃0.55 représente les zones
forestières et boisées.
Le calcul de l’indice NDWI (Normalized Difference Water Index) a permis de suivre
l’évolution des surfaces d’eau dans le Nord-Ouest algérien. L’analyse des cartes
temporelles de NDWI montre une régression globale des surfaces d’eau dans ces
dernières 35 années. Le NDWI varie de -0.59 à 0.52, les valeurs positives représentent le
groupe d'eau. On a pu cartographier les surfaces d’eau afin de suivre leurs dynamiques
dans le temps et dans l’espace. La dynamique des surfaces d’eau peut être expliquer par
plusieurs facteurs, la forte tension sur les ressources en eau (changements climatiques,
accroissement de la population, désertification…)
L’EVI indice de végétation optimisé prenant en compte les influences atmosphériques et
le signal en arrière-plan de végétation.il est analogue à l’indice NDVI à ceci près qu’il est
moins sensible au bruit de fond et au bruit atmosphérique. Il ne devient pas aussi saturé
que le NDVI en cas de régions de végétation très denses. Les valeurs EVI doivent être
comprises entre 0 et 1 pour les pixels de végétation et le résultat obtenu varie de - 0,26 à
0,65, les valeurs de pixels anormales pour l’image EVI peut être expliqué par les éléments
clairs tels que les nuages et les bâtiments blancs, ainsi que les éléments sombres tels que
l'eau.
On remarque que L’angle de prise de vue de l’image varie et par conséquent l’exposition
au soleil aussi, ce qui implique une variation des valeurs selon la date de passage du
satellite.
Le GEE est une nouvelle plateforme qui est utilisée pour détecter les variations de la
couverture terrestre à partir des images multi-temporelles. Nous avons testé cette
technique pour les types de NDVI, NDWI, EVI calculé à partir des images Landsat.
Conclusion
Le GEE a été utilisé avec succès pour étudier les indices de végétation. Le résultat final est
que GEE permet désormais aux scientifiques, aux chercheurs indépendants, aux amateurs
et aux nations d'exploiter cet énorme entrepôt de données pour détecter les
changements, cartographier les tendances et quantifier les ressources à la surface de la
Terre.
La nouvelle intégration de la plate-forme Google Earth Engine permet aux utilisateurs de
déployer des calculs à grande échelle (Mayer et al., 2021).
Grâce aux technologies d'apprentissage automatique du GEE (Zhou, Okin and Zhang,
2020), Il est devenu possible de prédire les tendances passées et futures de la variabilité
climatique, y compris les sécheresses et les inondations, à n'importe quelle échelle et
n'importe où (Campos-Taberner et al., 2018) (Kumar and Mutanga, 2018).
On conclut que GEE est unique dans le domaine en tant que plate-forme intégrée conçue
pour autonomiser non seulement les scientifiques traditionnels de la télédétection, mais
également un public beaucoup plus large qui n'a pas la capacité technique nécessaire
pour utiliser les superordinateurs traditionnels ou les ressources de cloud computing à
grande échelle (Gorelick et al., 2017).
Références :
Gorelick, N. et al. (2017) ‘Google Earth Engine: Planetary-scale geospatial analysis for
everyone’, Remote sensing of Environment, 202, pp. 18–27.
Han, L. et al. (2006) ‘Study on NDVI-T s space by combining LAI and evapotranspiration’,
Science in China Series D, 49(7), pp. 747–754.
Athick, A. S. M. A. and Shankar, K. (2019) ‘Data on land use and land cover changes in
Adama Wereda, Ethiopia, on ETM+, TM and OLI-TIRS landsat sensor using PCC and CDM
techniques’, Data in brief, 24.
Gao, K. and Hou, L. (1996) ‘Systematics and taxonomic diversity of squamates from the
Upper Cretaceous Djadochta Formation, Bayan Mandahu, Gobi Desert, People’s Republic
of China’, Canadian Journal of Earth Sciences, 33(4), pp. 578–598.
Huete, A. et al. (2002) ‘Overview of the radiometric and biophysical performance of the
MODIS vegetation indices’, Remote sensing of environment, 83(1–2), pp. 195–213.
Rouse Jr, J. W. et al. (1973) Monitoring the vernal advancement and retrogradation (green
wave effect) of natural vegetation.
Tucker, C. J. (1979) ‘Red and photographic infrared linear combinations for monitoring
vegetation’, Remote sensing of Environment, 8(2), pp. 127–150.
Hansen, M. C. et al. (2013) ‘High-resolution global maps of 21st-century forest cover
change’, science, 342(6160), pp. 850–853.
Kim, D.-H. et al. (2014) ‘Global, Landsat-based forest-cover change from 1990 to 2000’,
Remote sensing of environment, 155, pp. 178–193.
Schmid, J. N. (2017) ‘Using Google Earth Engine for Landsat NDVI time series analysis to
indicate the present status of forest stands’, Georg-August-Universität Göttingen: Basel,
Switzerland.
He, M. et al. (2018) ‘Regional crop gross primary productivity and yield estimation using
fused landsat-MODIS data’, Remote Sensing, 10(3), p. 372.
Schmid, J. N. (2017) ‘Using Google Earth Engine for Landsat NDVI time series analysis to
indicate the present status of forest stands’, Georg-August-Universität Göttingen: Basel,
Switzerland.
Shammi, S. A. and Meng, Q. (2021) ‘Use time series NDVI and EVI to develop dynamic crop
growth metrics for yield modeling’, Ecological Indicators, 121, p. 107124.
He, M. et al. (2018) ‘Regional crop gross primary productivity and yield estimation using
fused landsat-MODIS data’, Remote Sensing, 10(3), p. 372.
Gorelick, N. et al. (2017) ‘Google Earth Engine: Planetary-scale geospatial analysis for
everyone’, Remote sensing of Environment, 202, pp. 18–27.
Mayer, T. et al. (2021) ‘Deep learning approach for Sentinel-1 surface water mapping
leveraging Google Earth Engine’, ISPRS Open Journal of Photogrammetry and Remote
Sensing, 2, p. 100005.
Campos-Taberner, M. et al. (2018) ‘Global estimation of biophysical variables from
Google Earth Engine platform’, Remote Sensing, 10(8), p. 1167.
Kumar, L. and Mutanga, O. (2018) ‘Google Earth Engine applications since inception:
Usage, trends, and potential’, Remote Sensing, 10(10), p. 1509.
Zhou, B., Okin, G. S. and Zhang, J. (2020) ‘Leveraging Google Earth Engine (GEE) and
machine learning algorithms to incorporate in situ measurement from different times for
rangelands monitoring’, Remote Sensing of Environment, 236, p. 111521.
Bao, G. et al. (2015) ‘NDVI‐indicated long‐term vegetation dynamics in Mongolia and their
response to climate change at biome scale’, International Journal of Climatology, 35(14),
pp. 4293–4306.
Eng, O. B. P. and Jędrzej, M. (2017) ‘Decoding of GPS data for single point positioning
computation by using python programming language’, International Multidisciplinary
Scientific GeoConference: SGEM, 17, pp. 193–202.
Fayech, D. and Tarhouni, J. (2021) ‘Climate variability and its effect on normalized
difference vegetation index (NDVI) using remote sensing in semi-arid area’, Modeling
Earth Systems and Environment, 7(3), pp. 1667–1682. doi: 10.1007/s40808-020-00896-6.