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.
Sig - Teledetection Pour Le Suivi Et La Quantification de l'Erosion Hydrique Et La Mise en Place d'Un Systeme d'Aide a La Decision Pour l'Amenagement Anti-erosif _ Application Au Bassin Versant de l'Isser (Tlem