Planet Georezo » Toile géomatique francophone

Un Planet est un site Web dynamique qui agrège le plus souvent sur une seule page, le contenu de notes, d'articles ou de billets publiés sur des blogs ou sites Web afin d'accentuer leur visibilité et de faire ressortir des contenus pertinents aux multiples formats (texte, audio, vidéo, Podcast). C'est un agrégateur de flux RSS. Il s'apparente à un portail web.
Vous pouvez lire le billet sur le blog La Minute pour plus d'informations sur les RSS !

Canaux

6206 éléments (0 non lus) dans 116 canaux

Dans la presse

Du côté des éditeurs

Toile géomatique francophone

Géomatique anglophone

Blogs GeoRezo.net

Autres planets

Planet OSGeo

Abonnez vous à cette page (RSS) !

Toile géomatique francophone

Sauter à la page: 1 2 3 ... 15

13 décembre 2018
16:04
[La Minute GeoRezo] Soutenez le GeoRezo
sur GeoRezo.net - Géoblogs

GeoRezo est une association à but non lucratif dont le fonctionnement quotidien repose sur le bénévolat de ses membres et sur le dynamisme de ses contributeurs.

Financièrement, l'association existe grâce aux dons de ses sympathisants et aux adhésions de ses modérateurs.
Les charges annuelles inhérentes à la vie du portail et de l'association s'élèvent à 2500 euros.
Le poste principal de dépense est lié à l'hébergement de l'infrastructure (70% des charges).

Votre don participera très concrètement au maintien des services proposés par le portail à votre communauté d'utilisateurs.
[https:]]
Par ailleurs, GeoRezo étant une association reconnue d'intérêt général, votre don est déductible de vos impôts à hauteur de 66 % des sommes versées (dans la limite de dons représentant 20 % du revenu imposable). Plus d'informations ici : [https:]]

15:02
SIG Libre vs Commercial : quels Choix?
sur GEOMATICK

La comparaison entre les logiciels des Systèmes d’Informations Géographiques (SIG) libres et Open Sources et les logiciels SIG payants fait débat. Cette question divise souvent la communauté des professionnels de la Géomatique. Certains avancent que les logiciels payants sont plus robustes. A l’opposé, les partisans du SIG Open Source insistent… Continuer à lire →

L’article SIG Libre vs Commercial : quels Choix? est apparu en premier sur GEOMATICK.

12 décembre 2018
19:36
Two billion pixels to check your next ski destination
sur Séries temporelles

Pièce jointe: [télécharger]

More exactly: two maps of 934'343'100 pixels!

We [1] have processed 6205 Sentinel-2 images and 593 Landsat-8 images to compute the annual snow cover duration in the Alps and the Pyrenees at 20 m resolution for hydrological years 2016-2017 and 2017-2018. The snow cover duration (or snow persistence) is defined as the total number of days with snow on the ground over a hydrological year (from 01 September and ends on 31 August). We also added the ski runs from the great OpenSnowMap project.

Your browser does not support the video tag.

Link: [osr-cesbio.ups-tlse.fr]

These maps were obtained as follows: (i) we generated snow map from all available Sentinel-2 and Landsat-8 L2A image in Theia using let-it-snow (ii) for each tile, we obtained a time series of snow maps that was interpolated to the daily time step using this OTB module by Jordi Inglada (as explained in this post) (iii) from this stack of gap-free snow maps we compute the number of days with snow over a hydrological year. Then we applied a colormap and build the tiles at different zoom levels using gdal2tiles for a fast display in a web browser. Pixels with values below 60 days were masked out to remove potential artifacts in low elevation areas due to snow/cloud confusions [2]. We did not apply any post-processing or image filtering. All computations were done in the CNES HPC.

Number of clear sky observations used to compute the 2017-2018 snow cover duration map

Caveat
These maps are not reliable in forest areas because optical sensors like Sentinel-2 and Landsat-8 do not "see" through the vegetation. In particular the snow is generally not detected below the canopy of dense evergreen forests. As a result the computed snow cover duration can be higher in the valley bottoms than in their surrounding slopes, because valley bottoms are often deforested for agriculture, while the slopes are covered by forests. This effect is well visible in the 2017-2018 snow cover duration map because the snow stayed for a long time at low elevation.

Effect of forest on snow detection (on the left: near-infrared composite, on the right: snow map). The snow cover it is not detected on the forested slopes between the valley bottom and the alpine grasslands at higher elevation.

Snow is not only for skiing! We anticipate that these data could be also useful for other applications in ecology, hydrology etc. Our intention is to release these products on a yearly basis via Theia. In the meantime your feedback is more than welcome!

Acknowledgements
This work was done using the new "datalake" at CNES. Thanks to Christophe Taillan and the HPC team at CNES for the support! And thanks to Michel Le Page for helping us with the web interface.

Footnotes
[1] Germain Salgues, Manuel Grizonnet and myself
[2] 60 days is the threshold to separate the seasonal snow from the ephemeral snow in the seminal paper of Sturm, M., Holmgren, J., & Liston, G. E. (1995), A seasonal snow cover classification system for local to global applications. Journal of Climate, 8(5), 1261-1283.

19:27
Qwant launched Qwant Maps
sur Veille cartographie

Cet article Qwant launched Qwant Maps est apparu en premier sur Veille cartographique 2.0.

Qwant, the French search engine has just released Qwant Maps, a service that is said to potentially be the next rival of Google Maps.

Cet article Qwant launched Qwant Maps est apparu en premier sur Veille cartographique 2.0.

18:52
[Le blog SIG & URBA] Le cas des annulations partielles
sur GeoRezo.net - Géoblogs
v2017 suite ...

La dernière révision dite mineure traite des annulations partielles, un casse-tête tout autant pour les urbanistes que pour les géomaticiens.

L'encart inséré page 36 du standard détaille la démarche à suivre :
- L’attribut ETAT de la table DOC_URBA prend la valeur 08 (« Partiellement annulé »).
- Le répertoire 0_Procedure contient le jugement d’annulation partielle sous la forme <INSEE ou SIREN>_jugement_<DATAPPRO>.pdf.
- Ce jugement est anonymisé.
- Lorsque l’annulation partielle impacte le règlement graphique, son périmètre est numérisé avec le code d’information 98-00. Le zonage reste inchangé : ni re-numérisation, trou ou remplacement par le zonage du document d’urbanisme dans son état précédent.
- La date d’approbation est inchangée : elle ne devient pas celle du jugement d’annulation partielle.
C'est une solution simple qui évite la consolidation du document. Sur le périmètre faisant l'objet de l'annulation, le règlement applicable est celui de la version précédente du document d'urbanisme, auquel se référeront donc les services instructeurs.

D'où l'importance de bien conserver les différentes versions des documents d'urbanisme comme rappelé page 18 : "Tout changement apporté à un PLU crée une nouvelle version de ce document qui vient remplacer la précédente. Chaque version antérieure sera conservée et stockée avant toute modification dans un répertoire dédié à l'archivage des anciennes versions".

Article rédigé avec l'aide d'Arnauld et Alexandra

11 décembre 2018
17:13
Data-Pesticides: cartographie de la pollution des eaux souterraines françaises
sur Veille cartographie

Cet article Data-Pesticides: cartographie de la pollution des eaux souterraines françaises est apparu en premier sur Veille cartographique 2.0.

Le Centre national de la recherche scientifique (CNRS) définit les pesticides (au même titre que les insecticides, les raticides, les fongicides, et les herbicides) comme des composés chimiques dotés de propriétés toxicologiques, utilisés par les agriculteurs pour lutter contre les animaux (insectes, rongeurs) ou les plantes (champignons, « mauvaises » herbes) jugés nuisibles aux plantations. Le CNRS […]

Cet article Data-Pesticides: cartographie de la pollution des eaux souterraines françaises est apparu en premier sur Veille cartographique 2.0.
10 décembre 2018
19:39
La cartographie des gilets jaunes : de la mobilisation à la compréhension
sur Veille cartographie

Cet article La cartographie des gilets jaunes : de la mobilisation à la compréhension est apparu en premier sur Veille cartographique 2.0.

Les gilets jaunes : un mouvement national Depuis le 17 novembre dernier, trois manifestations ont été organisées à travers la France par les gilets jaunes. Le nombre de manifestants, ainsi que l’ampleur des dégradations et affrontements avec les forces de l’ordre, notamment samedi 24 novembre, semblent annoncer un phénomène inédit. Les gilets jaunes constituent […]

Cet article La cartographie des gilets jaunes : de la mobilisation à la compréhension est apparu en premier sur Veille cartographique 2.0.
19:13
Une nouvelle carte du raccordement à la fibre optique
sur Veille cartographie

Cet article Une nouvelle carte du raccordement à la fibre optique est apparu en premier sur Veille cartographique 2.0.

Le raccordement à la fibre optique L’ARCEP (Autorité de régulation des Télécoms) vient de mettre à jour sa carte interactive. Cette dernière permet de connaître la couverture de la fibre optique à l’échelle nationale. Avec des taux de couverture, il est possible de connaître la couverture à l’échelle de la commune, du département et même […]

Cet article Une nouvelle carte du raccordement à la fibre optique est apparu en premier sur Veille cartographique 2.0.

17:23
Vue hélicoptère des Gilets Jaunes
sur Serial Mapper

Voici ma modeste proposition pour une vue hélicoptère des Gilets Jaunes.
D'aucun qualifie ce mouvement d'"hétéroclite" et il n'est pas toujours facile d'y voir clair.
Avant le discours de Macron j'ai éprouvé le besoin d'y voir une peu plus clair. Je partage ce dispositif graphique sachant qu'il n'a aucune vocation à être exhaustif mais qu'il vise juste à faire réfléchir.

07 décembre 2018
8:18
Tutoriel classification d’images avec QGis: 2.3- Les filtres spatiaux
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale

Les filtres spatiaux représentent une autre méthode de traitement numérique utilisées pour le rehaussement d’une image. Ces filtres sont conçus de façon à faire ressortir ou à supprimer des caractéristiques spécifiques d’une image en se basant sur leur fréquence spatiale. La fréquence spatiale est liée au concept de texture. Elle fait référence à la fréquence de variation des différents tons qui apparaissent dans une image. Les régions d’une image où la texture est « rugueuse » sont les régions où les changements dans les tons sont abrupts; ces régions ont une fréquence spatiale élevée. Les régions « lisses » ont une variation des tons qui est plus graduelle sur plusieurs pixels; ces régions ont une fréquence spatiale faible. La méthode de filtrage spatial consiste à déplacer une « fenêtre » d’une dimension de quelques pixels (ex. : 3 sur 3, 5 sur 5, etc.) au-dessus de chaque pixel de l’image. On applique alors un traitement mathématique utilisant les valeurs des pixels sous la fenêtre et on remplace la valeur du pixel central par le résultat obtenu. La fenêtre est déplacée le long des colonnes et des lignes de l’image, un pixel à la fois, répétant le calcul jusqu’à ce que l’image entière ait été filtrée. En modifiant le calcul effectué à l’intérieur de la fenêtre, il est possible de rehausser ou de supprimer différents types de caractéristiques présents dans une image.

Un filtre passe-bas est conçu afin de mettre en évidence les régions assez grandes et homogènes ayant des pixels d’intensité similaire. Ce filtre réduit les plus petits détails d’une image. Il est donc utilisé pour lisser une image. Les filtres moyenneur et médian, souvent utilisés avec les images radars , sont des exemples de filtre passe-bas. Les filtres passe-haut font le contraire : ils sont utilisés pour raviver les petits détails d’une image. Un filtre passe-haut peut par exemple se définir en appliquant premièrement un filtre passe-bas à une image pour ensuite soustraire le résultat de l’image originale, ce qui produit une nouvelle image dans laquelle les détails ayant une fréquence spatiale élevée sont rehaussés. Les filtres directionnels ou les filtres détectant les contours sont utilisés pour rehausser les caractéristiques linéaires d’une image comme les routes ou les limites des champs. Ces filtres peuvent aussi être conçus pour rehausser des caractéristiques ayant une certaine orientation dans l’image.

Le rehaussement d’images est essentiellement un processus qui permet de faciliter l’interprétation visuelle d’une image. Dans certains cas (comme lors d’un filtrage passe-bas), le résultat peut paraître décevant mais il permet toutefois à l’interprète de discerner les éléments de basse fréquence spatiale parmi le fouillis des hautes fréquences de l’image. Les rehaussements sont souvent appliqués pour des raisons spécifiques. Ainsi, pour une image donnée, ils pourront être forts différents s’il s’agit d’applications différentes.

Contrairement au rehaussement dont nous avons parlé, le filtrage peut se faire de deux manières différentes: en modifiant la visualisation de l’image ou en modifiant les valeurs de l’image elle-même. Si vous décidez d’appliquer définitivement le filtrage pour travailler à la classification sur l’image modifiée, vous devrez créer une nouvelle image en sortie du processus de filtrage.

Filtrage avec QGis

Vous disposez d’un outil de traitement dans la bibliothèque SAGA Gis pour effectuer le filtrage d’images SAGA -> Raster Filter -> Simple Filter:

Les filtres disponibles concernent trois grands types de filtres:

Les filtres passe-bas (Smooth)

Les filtres de lissage (passe-bas) lissent les données en réduisant les variations locales et en supprimant le bruit. Le filtre passe-bas calcule la valeur moyenne (moyenne) pour chaque pixel voisin. L’effet est que la moyenne des valeurs hautes et basses de chaque voisin sera réduite, ce qui réduira les valeurs extrêmes des données.

Les filtres passe-haut (Sharpen)

Le filtre Netteté (sharpeningt) accentue la différence comparative des valeurs avec ses voisins. Un filtre passe-haut calcule la statistique de somme focale pour chaque cellule de l’entrée à l’aide d’un voisinage pondéré du noyau. Il met en évidence les limites entre les caractéristiques (par exemple, lorsqu’un plan d’eau rencontre la forêt), accentuant ainsi les contours entre les objets. Le filtre passe-haut est appelé filtre d’amélioration des contours. Le noyau du filtre passe-haut identifie les cellules à utiliser dans le voisinage et leur poids

Filtres de détection de bord (Edge)

Le troisième des filtres concerne la détection de bords des objets géographiques.

Voici un exemple de l’application de chacun de ces filtres sur une image:

Image d’origine sans filtrage

Image avec filtrage « smooth »

Image avec filtrage « sharpen »

Image avec filtrage « Edges »

06 décembre 2018
12:05
Le SIG intervient pour la gestion d’incendie en Californie
sur Veille cartographie

Cet article Le SIG intervient pour la gestion d’incendie en Californie est apparu en premier sur Veille cartographique 2.0.

Suite aux derniers événements survenus en Californie, je souhaite faire un point sur le rôle du SIG dans la gestion des catastrophes naturelles, notamment des incendies. Les SIG se sont rapidement montrés indispensables pour les pompiers et services SDIS américains lors de l’incendie en novembre, ces dernières semaines. Quelque chiffres clés pour nous montrer le bilan de cette catastrophe : Près de […]

Cet article Le SIG intervient pour la gestion d’incendie en Californie est apparu en premier sur Veille cartographique 2.0.

8:54
Imprimer des cartes web avec geoserver : évitez le plugin!
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Nous verrons ici comment mettre en place une solution pour générer des pdf pour impression à partir d’une page de cartographie interactive, la page codée en OpenLayers 4 et le serveur avec Geoserver 2.14.

En principe, à lire la doc de Geoserver, tout devait être très simple: installation du plugin Print de Geoserver, test de l’install, configuration et c’est tout.

Si l’installation est simple et rapide, les problèmes commencent quand on veut utiliser la page de test proposée pour vérifier que tout marche. Impossible de la faire marcher et à chaque fois où l’on trouve l’origine du problème et qu’on le résout, c’est pour avoir un nouveau message d’erreur et un autre problème à essayer de résoudre.

Les chemins des scripts ne sont plus valables, le contenu des bibliothèques ont changé, bref, si vous voulez perdre votre temps, vous pouvez toujours essayer.

Vous pouvez aussi chercher les solutions sur le net et comme moi, trouver des posts dans des forums avec les mêmes questions posées… et sans aucune réponse.

Reprenons depuis le début…

Le module d’impression doit générer un fichier pdf contenant une carte et des informations. Cette carte est produite par Geoserver et la demande est générée par une page html écrite avec OpenLayers. Même si l’on peut tout faire sans autre bibliothèque, on fait souvent appel à la bibliothèque GeoExt qui simplifie le travail de codage de l’application.

Pour ce qui est de la génération du pdf, elle s’appuie sur la bibliothèque java Mapfish Print.

Si côté Geoserver la version utilisée n’influe pas dans le résultat, il n’en est pas de même pour les autres composants.

L’installation décrite dans la documentation Geoserver fait référence à la version 2 de Mapfish. Celle-ci a été remplacée par MapFish3 en 2015. Il faut comprendre surtout que les deux versions sont complètement différentes tant au niveau des syntaxes qu’au niveau du workflow de travail.

MapFish V2 est utilisée avec la bibliothèque GeoExt V2 qui s’appuie sur OpenLayers 2. C’est à dire des vieilles versions.

Si vous travaillez avec OpenLayers 4 ou 5, la version de GeoExt à utiliser est la version 3, et la version de Mapfish à utiliser est la version 3.

Et donc, il ne faut surtout pas installer le plugin d’impression de Geoserver (MapFish V2).

Ceci n’est pas un problème, MapFish3 s’installe facilement. Le ou les problèmes viennent quand vous cherchez de la documentation, des exemples, des infos sur des messages d’erreur, sur le net. Vous aurez pêle-mêle des références à toutes les versions mais sans savoir à quelle version elle se réfèrent…

Installation de Mapfish 3

Le fichier WAR de Mapfish Print est une archive Java qui peut être exécutée sur tout serveur d’applications Web Java tel que Tomcat ou Jetty. Pour utiliser Mapfish Print en tant qu’application Web autonome, vous devez:
- Installer Java 7 ou une version ultérieure
- Télécharger le serveur d’applications Web: fichier war à partir de l’adresse http://mapfish.github.io/mapfish-print-doc/download.html
- Placer le fichier WAR print Mapfish dans le répertoire webapps du serveur d’applications Web.
- Renommer le fichier WAR de Mapfish Print en un nom plus pratique, tel que print.war (le nom fera partie de l’URL).
- Démarrer le serveur d’applications Web (Tomcat ou Jetty)
- Vérifiez que l’application est exécutée correctement en visitant [http:] // localhost: 8080 / print / index.html. (Cela suppose que le serveur s’exécute sur le port 8080 de l’hôte local et que vous ayez renommé war. Print.war)
Pour l’instant, ne faites rien avec cette page. Le fait qu’elle s’affiche suffit pour confirmer que l’installation de MapFish s’est passée correctement.

Fonctionnement de Mapfish 3

Le peu de documentation en ligne est difficile à appréhender, car il n’y a pas d’introduction claire sur l’architecture générale

Pour que l’utilisateur obtienne un document de ce type en cliquant sur un bouton « Imprimer » situé sur une page avec une carte interactive (page html avec du code OpenLayers) il y a trois éléments à travailler:
- Un modèle de formulaire créé avec Jasper Studio
- un fichier config.yaml configuré sur le serveur d’impression
- un élément « specs » à ajouter à l’ordre POST ou GET de la page html
Voyons ça un peu plus en détail.

Modèle de formulaire

Pour créer le formulaire on utilise Jaspersoft Studio. Vous pouvez le télécharger à partir de cette page.

Jasper Studio permet de créer un modèle de formulaire où vous pourrez placer les blocs de textes, d’images, de cartes et de légende mais également d’autres blocs comme les graphiques

Le but de ce travail est de créer un fichier .jrxml avec le modèle de page à créer. Le contenu même de la page va être défini ailleurs: les couches à représenter, l’échelle, la projection,…

Fichier de configuration .yaml

Par rapport à la version 2 de Mapfish Print, il y a toujours un fichier de configuration au format yaml mais celui-ci est maintenant beaucoup plus simple et se focalise sur la définition des modèles: les fichiers Jasper à utiliser (le .jrxml précédent), et les paramètres à envoyer au moteur Jasper pour remplir les blocs du modèle.

Voici un exemple de fichier de configuration très simple:

Ce qu’il faut comprendre dans ce fichier:
- la ligne A4 portrait: !template défini le nom du modèle. Quand on voudra utiliser cette configuration on le fera en se référant au layout A4 portrait
- le reportTemplate permet d’indiquer le nom de notre fichier .jrxml créé avec Jaspersoft Studio.
- les attributes title et map contiennent les informations à transmettre au moteur Jasper. Ceci veut dire que nous avons créé dans le modèle de formulaire un bloc title et un bloc map. Ici on renseigne le contenu de ces deux blocs.
Bien sûr, il y a d’autres options disponibles pour les fichiers de configuration. Mais pour l’instant restons simples.

Nous avons un modèle de formulaire .jrxml et un fichier de configuration .yaml. Il ne nous reste qu’a envoyer la demande de création du pdf.

Demande d’impression

A partir de la page html nous allons faire un POST vers le serveur avec un paramètre spec qui va contenir, au format json, les paramètres de notre demande d’impression.

Voici un exemple de spec :
```
{
    "layout": "A4 portrait",
    "attributes": {"map": {
        "center": [
            5,
            45
        ],
        "rotation": 0,
        "longitudeFirst": true,
        "layers": [{
            "geoJson": "file://countries.geojson",
            "style": {
                "*": {"symbolizers": [{
                    "fillColor": "#5E7F99",
                    "strokeWidth": 1,
                    "fillOpacity": 1,
                    "type": "polygon",
                    "strokeColor": "#CC1D18",
                    "strokeOpacity": 1
                }]},
                "version": "2"
            },
            "type": "geojson"
        }],
        "scale": 100000000,
        "projection": "EPSG:4326",
        "dpi": 72
    }}
}
```
La ligne « layout »: « A4 portrait » sert à indiquer le lien avec le fichier config.yaml avec sa ligne A4 portrait: !template

Dans la liste des attributs envoyés, sur cet exemple simple, nous avons seulement la carte à afficher (« map« ) avec ses paramètres de mise en forme (centrage, rotation,échelle,projection, définition) et, surtout, la définition des couches à cartographier avec la définition de leur sources des données (ici un fichier geoJson local).

En réponse à ce post la page reçoit l’url de téléchargement du document pdf produit.

Pour vérifier ceci, vous pouvez maintenant copier-coller le code json correspondant aux spec, dans la fenêtre de Test Print:

Cliquez sur Create and Get Print ou Post and Poll Print , vous aurez en retour votre fichier pdf:

Le même fichier de configuration yaml et le même modèle jrxml peuvent être appelés avec des données différentes. Voici une autre version du code json spec qui demande les données des pays servies en WMS par Geoserver:
```
{
  "layout": "A4 portrait",
  "outputFormat": "pdf",
  "attributes": {
    "map": {
      "projection": "EPSG:3857",
      "dpi": 72,
      "rotation": 0,
      "center": [-8233518.5005945, 4980320.4059228],
      "scale": 130000000,
      "layers": [
        {
          "baseURL": "http://carto-dei-brest.fr/geoserver/postgres/wms",
          "opacity": 1,
          "type": "WMS",
          "layers": ["postgres:pays"],
          "imageFormat": "image/png",
          "styles": ["polygon"],
          "customParams": {
            "TRANSPARENT": "true"
          }
        }
               ]
    }
  }
}
```
Dans la page de test print nous remplaçons le texte json et le résultat obtenu est le suivant:

Pour aller plus loin, vous avez une présentation de CampToCamp et la documentation de Mapfish,

Et si vous utilisez le plugin print de Geoserver…

Si vous décidez quand même d’utiliser le plugin mis à disposition par Geoserver, il faut savoir que:
- il n’y a pas de possibilité d’utiliser Jaspersoft pour créer un modèle. Tout ce que vous faites avec Jaspersoft et MapFish 3 vous devrez le faire à la main dans le fichier config.yaml. Et vous n’aurez pas les mêmes possibilités comme, par exemple, inclure des graphiques dans votre sortie pdf.
- la syntaxe du fichier yaml est totalement différente. Vous trouverez sa description sur cette page.
- Si vous voulez utiliser les exemples de la bibliothèque GeoExt comme base de vos développements, il faudra installer et utiliser la version GeoExt2. GeoExt 3 n’est pas compatible avec le module Print de Geoserver.

05 décembre 2018
21:05
[Le blog SIG & URBA] Géostandard "v2017"
sur GeoRezo.net - Géoblogs
La commission données du CNIG a validé le 14 décembre 2017 une révision des géostandard PLU, plan local d'urbanisme, et CC, carte communale. Ce géostandard millésimé 2017 apporte de nombreux changement par rapport à la version précédente de 2014.

Pour ma part je ressortirais les principaux éléments suivants :
- La version 2017 intègre le code de l'urbanisme recodifié en 2015. Elle enregistre la fin des POS qui ne sont donc plus mentionnés dans le géostandard.
- Elle simplifie la présentation des règles d'urbanisme en préférant un renvoi vers les documents publiés par le ministère et le club PLUi.
- Elle détaille la numérotation des prescriptions et informations en développant des sous-codes. Ceux-ci répondent à une demande récurrente et permettront en particulier de répondre à des besoins de symbologie fine en particulier pour les PSMV.
- Elle précise des éléments d'organisation des dossiers et en particulier explicite le contenu du dossier où sont enregistrés les délibérations et les jugements dans le répertoire 0_procedure.
  Le sommaire récapitule ici l'ensemble des procédures partielles avec leurs dates d'approbation, y compris la dernière date d'élaboration ou de révision générale, servant de base au document actuel.
Cette version "2017" vient d'être complétée par une révision, cette-fois ci mineure, référencée "v2017b" et comprenant les améliorations suivantes :
- Pour les PLU intercommunaux disposant de plans de secteurs, le standard détaille les règles de nommage des règlements de secteurs et des règlements d'orientations d'aménagement et de programmation (OAP) par secteur ;
- Toujours concernant les PLU intercommunaux disposant d'un programme d’orientations et d’actions (POA) tenant lieu de programme local de l'habitat (PLH) ou de plan de déplacements urbains (PDU), les fichiers PLH et PDU sont remplacés par un unique fichier POA.pdf dans le répertoire 6_POA. Cette modification est destinée à correspondre rigoureusement au code de l’urbanisme (Article L123-1).
- Concernant les annulations partielles, un encart récapitulatif page 36 précise la démarche à retenir, sur laquelle nous reviendrons dans un prochain article.
Pour ceux qui travaillent depuis longtemps avec ces géostandards je ne peux que vous conseiller de regarder en détail la liste des modifications intervenues au fil du temps. Le détail est récapitulé dans ce document : http://cnig.gouv.fr/wp-content/uploads/2018/12/181003_Suivi_%C3%A9volutions_standard_PLU_CC.pdf.

Tous les documents et ressources concernant les Géostandards de Dématérialisation des Documents d'Urbanisme sont là : http://cnig.gouv.fr/?page_id=2732.

16:20
L’intérêt du SIG en météorologie (exemple de la pollution atmosphérique)
sur Veille cartographie

Cet article L’intérêt du SIG en météorologie (exemple de la pollution atmosphérique) est apparu en premier sur Veille cartographique 2.0.

La météorologie est une science qui a pour but l’étude des phénomènes atmosphériques afin de comprendre leurs formations et leurs évolutions en fonction de paramètres mesurés comme la pollution, la température ou l’humidité. La météorologie est une partie intégrante de la problématique environnementale. Concernant la pollution atmosphérique par exemple, elle peut se déplacer très rapidement et à des endroits indéfinis. […]

Cet article L’intérêt du SIG en météorologie (exemple de la pollution atmosphérique) est apparu en premier sur Veille cartographique 2.0.

8:25
Tutoriel classification d’images avec ArcMap: 2.5- Exploration des données
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Les données de bandes multispectrales différentes ont souvent une corrélation très élevée et contiennent de l’information similaire. Par exemple, les capteurs de la bande 4 et 5 de Landsat MSS (vert et rouge respectivement) produisent des images d’apparence visuelle très semblable étant donné que la réflectance pour le même type de surface est presque identique. Des transformations d’images basées sur des traitements statistiques complexes des données multispectrales peuvent être utilisées pour réduire la redondance des données et la corrélation entre les bandes. L’analyse des composantes principales est une transformation de ce genre. Le but de cette transformation est de réduire le nombre de dimensions (nombre de bandes) et de produire une compression de l’information de plusieurs bandes dans un nombre plus restreint de bandes. Les « nouvelles » bandes qui résultent de cette compression statistique sont appelées composantes. Ce procédé vise à maximiser (statistiquement) la quantité d’information (ou variance) des données originales dans un nombre restreint de composantes. Par exemple, l’analyse des composantes principales, peut transformer des données provenant de sept bandes du capteur TM/Landsat (Thematic Mapper) de façon à ce que les trois principales composantes de la transformation contiennent plus de 90% de l’information contenue dans les sept bandes initiales. L’interprétation et l’analyse de ces trois composantes, en les combinant visuellement ou numériquement, est plus simple et plus efficace que l’utilisation des sept bandes initiales. L’analyse des composantes principales ou d’autres transformations complexes peuvent être utilisées comme techniques de rehaussement visuel pour faciliter l’interprétation ou pour réduire le nombre de bandes qui seront fournies comme données d’entrée à une procédure de classification numérique.

L’outil Composantes principales d’ArcMap

L’outil Composantes principales permet de convertir des données dans des canaux en entrée dans l’espace attributaire multivarié lorsque vous faites pivoter les axes par rapport à l’espace d’origine. Les axes (attributs) du nouvel espace ne sont pas corrélés. La raison principale de transformer les données dans une analyse des composants principale est de compresser des données en éliminant la redondance.

Il est évident que les données sont redondantes dans un raster multicanal comprenant des valeurs d’altitude, de pente et d’exposition (sur une échelle continue). Étant donné que la pente et l’exposition sont généralement dérivées de l’altitude, une grande proportion de la variance peut s’expliquer, dans la zone d’étude, par l’altitude.

Le résultat est un raster multicanal ayant le même nombre de canaux que les composants désignés (un canal par axe dans le nouvel espace multivarié). La première composante principale aura la variance la plus élevée, la deuxième composante la variance la plus élevée qui n’est pas décrite par la première, et ainsi de suite. Souvent, les trois (ou quatre) premiers rasters issus du raster multicanal généré avec l’outil Composantes principales peuvent décrire plus de 95 % de la variance. Vous pouvez supprimer les canaux individuels restants. Dans la mesure où le nouveau raster contient moins de couches et plus de 95 % de la variance du raster d’origine, les calculs sont plus rapides et la précision est conservée.

L’outil Composantes principales nécessite un raster multicanal en entrée, le nombre de composantes principales pour convertir les données, le nom du fichier de statistiques en sortie et le nom du raster en sortie. Le raster en sortie comprend le même nombre de canaux que le nombre de composantes défini. Chaque canal décrit une composante.

Concepts d’analyse en composantes principales

Théoriquement, en utilisant un raster à deux canaux, le décalage, la rotation des axes et la transformation des données sont effectués comme suit :
- Les données sont tracées dans un diagramme à nuage de points.
- Une ellipse est calculée pour lier les points contenus dans le nuage de points
Limite d’ellipse tracée
- Le grand axe de l’ellipse est indiqué . Le grand axe devient le nouvel axe des x, la première composante principale (PC1). PC1 décrit la variance la plus importante car elle représente la plus grande section transversale à travers l’ellipse. La direction de PC1 est le vecteur propre, et sa grandeur la valeur propre. L’angle de l’axe des x par rapport à PC1 est l’angle de rotation utilisé dans la transformation.
Première composante principale
- Le système calcule une ligne perpendiculaire à la ligne orthogonale PC1. Cette ligne est la deuxième composante principale (PC2) et le nouvel axe pour l’axe des y d’origine (voir la figure ci-dessous). Le nouvel axe décrit la deuxième variance la plus importante qui n’apparaît pas dans PC1.
Deuxième composante principale

A l’aide des vecteurs propres, des valeurs propres et de la matrice de covariance calculée de l’entrée du raster multicanal, une formule linéaire définissant le décalage et la rotation est créée. Cette formule est appliquée pour transformer chaque valeur de cellule par rapport au nouvel axe.

Exemple

Nous allons reprendre l’image Landsat 8 des chapitres précédents. Nous allons tout d’abord créer une image composite avec l’ensemble des 11 bandes .

Avec l’outil Bandes Composites de la toolbox:

Le résultat s’affiche dans ArcMap

Nous allons utiliser l’outil de la Toolbox-> Outils Spatial Analyst -> Multivariées -> Composantes Principales

Rentrez un nom pour le raster résultant. Il contiendra les valeurs calculées pour chaque composante demandée, pour chaque pixel de l’image.

Le nombre de composantes principales peut être laissé par défaut au nombre de bandes en entrée, mais pour gagner du temps de calcul et produire des rasters résultat moins volumineux, on peut directement rentrer 3 comme composantes à calculer. Il est presque impossible de trouver des images où une quatrième composante apporte une information complémentaire significative.

Le dernier fichier est le fichier où on trouvera les résultats de l’analyse. Pour notre exemple, tout en bas du fichier on a:

La colonne Percent EigenValues donne le pourcentage de variance expliqué par chacune des composantes calculées. dans notre cas:
- La première composante principale explique 92% de la variance des données des 11 canaux en entrée
- La deuxième composante principale explique 7%
- La troisième et dernière explique 1% de la variance totale.
Voici le rendu de chaque bande calculée

Bande 1 des composantes principales

Bande 2 des composantes principales

Bande 3 des composantes principales

Selon le type de cible recherché dans la classification, il peut être beaucoup plus simple de constituer un fichier de signatures à partir de ce nouveau raster que du raster d’origine.

04 décembre 2018
21:41
Google Sky Map, un guide du ciel
sur Veille cartographie

Cet article Google Sky Map, un guide du ciel est apparu en premier sur Veille cartographique 2.0.

Les employés de Google (Googlers) peuvent utiliser 20% de leur temps de travail pour travailler sur des projets personnels. C’est ainsi, qu’en 2009, une douzaine d’ingénieurs ont créé Google Sky Map, qui permet d’observer de nombreux objets célestes : étoiles, constellations… Utilisant la réalité augmentée, l’application est une véritable référence pour les astronomes. Google Sky Map […]

Cet article Google Sky Map, un guide du ciel est apparu en premier sur Veille cartographique 2.0.

13:22
Ajouter Orfeo Toolbox dans QGis 3.X
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Si vous avez utilisé le fournisseur de traitements Orfeo TB avec QGis 2.X et que vous le cherchez dans la nouvelle version 3, vous serez déçus. En effet, la réécriture du plugin Orfeo a pris un peu plus de temps que prévu et il ne fait plus partie des plugins installés par défaut.

Il reviendra, une fois tous les tests effectués. Mais en attendant, vous n’êtes pas obligés de vous en passer. Vous pouvez installer Orfeo dans la version 3, mais manuellement.

Voici la démarche à suivre.

Téléchargez la bibliothèque Orfeo

A partir de l’adresse https://www.orfeo-toolbox.org/download/ téléchargez la version correspondante à votre système d’exploitation.

Dézippez le fichier zip téléchargé, et copiez le répertoire décompressé (OTB-6.6.0-Win64 ) dans un répertoire de votre disque C:. Vous pouvez renommer ce répertoire mais notez son emplacement et son nom car vous en aurez besoin pour la configuration du fournisseur de services de traitements de Qgis.

Pour notre exemple disons qu’on le copie directement sur c: et qu’on le renomme « OTB ». Vous aurez donc un répertoire c:/OTB.

Le contenu de ce répertoire est bien la bibliothèque Orfeo. Vous avez maintenant besoin de télécharger les fichiers qui configurent le plugin Orfeo pour QGis.

Téléchargez les fichiers plugin d’Orfeo

Allez à l’adresse [https:]

Téléchargez le répertoire et décompressez le fichier zip résultant.

Copiez le contenu du répertoire qgis-otb-plugin-master dans un nouveau répertoire que vous devez créer sur votre disque c: et que vous nommerez, OBLIGATOIREMENT, c:\qgis-plugins\qgis-otb-plugin

Vous devreez obtenir la structure de fichiers suivante:

L’installation est terminée. Reste maintenant à effectuer la configuration du plugin.

Configuration des traitements Orfeo dans QGis

Dans la barre d’outils du panneau Traitements, cliquez sur le bouton Options. Dans la fenêtre Options sélectionnez l’onglet Traitement.

Orfeo ToolBox (OTB) apparaît maintenant comme fournisseur de traitements.
- Cochez la case Activate pour activer la fonction.
- Dans le champ OTB application folder cliquez sur le bouton recherche (…) et allez pointer sur le répertoire /lib/otb/applications du répertoire où vous avez installé la bibliothèque. Dans notre exemple ci-dessus nous avons choisi c:/OTB. Il nous faut don rentrer c:/OTB/lib/otb/applications
- Dans le champ OTB folder rentrez le répertoire où vous avez installé la bibliothèque. Dans notre cas c:/OTB
- Cliquez sur OK.
Si vous avez fait une erreur en renseignant les répertoires, vous aurez un message d’erreur explicite et la case Activate sera décochée automatiquement.

Une fois bien configuré le fournisseur de traitements, vous verrez la liste des traitements Orfeo dans le panneau de traitements.

12:08
Les drones à la conquête des fonds sous-marins
sur Veille cartographie

Cet article Les drones à la conquête des fonds sous-marins est apparu en premier sur Veille cartographique 2.0.

Quand on parle de drones, la première chose qui nous vient à l’esprit est un engin volant . Il est vrai que ces derniers temps, le drone est devenu l’outil incontournable des images prises depuis les airs, mais pas que ! Puisque maintenant les drones explorent également les profondeurs sous-marines et se sentent aussi à […]

Cet article Les drones à la conquête des fonds sous-marins est apparu en premier sur Veille cartographique 2.0.
10:47
PROJETS URBAINS LIEES AUX REMONTEES DE NAPPES
sur Veille cartographie

Cet article Projets urbains liés aux remontées de nappes est apparu en premier sur Veille cartographique 2.0.

Les remontées de nappes : En cas d’ouvrages sur une zone concernée par les remontées de nappes forte, une attention particulière doit être portée dès la conception du projet. Avec un niveau de nappe particulièrement haut dans certains secteurs, accompagné d’une période hivernale à forte pluie, la zone peut rapidement se saturer d’eau et causer […]

Cet article Projets urbains liés aux remontées de nappes est apparu en premier sur Veille cartographique 2.0.

8:29
Tutoriel classification d’images avec ArcMap: 2.4- Création d’une image composite
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale

Comme nous l’avons vu précédemment, les données satellitaires sont fournies sous forme d’images individuelles contenant chacune les valeurs correspondantes à une bande .

Pour que la classification d’image prenne en compte les valeurs de plusieurs bandes, il est nécessaire de créer un nouveau raster contenant les bandes souhaitées pour la classification. Vous pouvez choisir un nombre de bandes quelconque, mais au niveau de l’affichage vous ne pourrez sélectionner que trois bandes qui seront affichées en tant que bande rouge, verte et bleue, même si les bandes présentes ne correspondent pas à ces trois bandes.

Reprenons notre exemple de NDVI.

La formule de calcul du NDVi est

NDVI = PIR – R / PIR + R

Où PIR est la bande du proche infra-rouge, la bande 5 de Lansat 8, et R la bande du rouge, la bande 4 de Landsat 8.

Si nous souhaitons voir l’image visible, nous avons besoin des bandes Rouge (Bande N°4), Verte (Bande N°3) et Bleue (Bande N°2).

Nous pouvons créer deux images séparées, une pour le calcul du NDVi et une autre pour le visible, ou alors une seule comprenant les 4 bandes. Nous pourrons alors choisir de « voir » l’image visible tout en pouvant calculer le NDVI.

Pour créer cette nouvelle image, nous pouvons utiliser la toolbox Data Management -> Raster -> Raster Processing -> Composite bands

Faites attention à l’ordre des bandes. Utilisez les flèches situées à côté de la fenêtre pour les mettre dans l’ordre 4-3-2. En effet, lors du chargement du raster dans ArcMap, par défaut, ArcMap affectera la première bande de la liste à la bande 1 de l’affichage, qui correspond à la bande rouge. Il est donc préférable d’ordonner les trois premières bandes pour qu’elles correspondent au Rouge-Vert-Bleu. Dans le cas contraire, vous aurez à modifier l’affichage: propriétés de la couche-> Symbologie

En affectant au Channel Red la bande correspondante à la bande 4 du satellite. Remarquez que dans le raster composite il n’y a plus lka référence à la bande d’origine. Les chiffres 1 à 4 sont l’ordre des bandes dans la commande « Bandes composites ». Si vous ne les avez pas notées, vous avez un problème…

Nous avons don créé un raster composite

Pour calculer le NDVI nous utilisons Image Analysis

En cliquant sur l’outil Options, nous vérifions que la configuration de calcul du NDVI utilise bien les bonnes bandes (la 1, Rouge et la 4 l’IR Proche)

Puis, dan,s le panneau Processing on clique sur le bouton NDVI (la feuille d’érable verte). La couche NDVI est affichée

Pour l’analyse du résultat il est conseillé d’appliquer un dégradé de couleurs « standard » (du vert au rouge).

Les valeurs du NDVI sont comprises entre -1 et +1, les valeurs négatives correspondant aux surfaces autres que les couverts végétaux, comme la neige, l’eau ou les nuages pour lesquelles la réflectance dans le rouge est supérieure à celle du proche infrarouge. Pour les sols nus, les réflectances étant à peu près du même ordre de grandeur dans le rouge et le proche infrarouge, le NDVI présente des valeurs proches de 0. Les formations végétales quant à elles, ont des valeurs de NDVI positives, généralement comprises entre 0,1 et 0,7. Les valeurs les plus élevées correspondant aux couverts les plus denses.

03 décembre 2018
21:46
Cartographier la rentabilité d’un investissement immobilier à Paris
sur Veille cartographie

Cet article Cartographier la rentabilité d’un investissement immobilier à Paris est apparu en premier sur Veille cartographique 2.0.

Une étude a été menée récemment Homepilot, gestionnaire immobilier en ligne, dans le but déterminer la rentabilité des investissements locatifs dans Paris.

Cet article Cartographier la rentabilité d’un investissement immobilier à Paris est apparu en premier sur Veille cartographique 2.0.

16:04
Carte de France des pénuries d'essence en temps réel
sur Chroniques Cartographiques

Va-t-on revivre les épisodes de pénurie d'essence connus en 2017 suite à la convergence des luttes souhaitée par la CGT dans le secteur portuaire ? En effet, à la suite du mouvement des gilets jaunes, le syndicat majoritaire des dockers bloque depuis...

9:19
Tutoriel classification d’images avec QGis: 2.2- Rehaussement des images
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale

Pour commencer il faut bien comprendre que l’on applique le rehaussement des images afin de faciliter l’interprétation visuelle et la compréhension des images. Le rehaussement ne va pas changer les valeurs radiométriques des objets présents dans l’image, il va juste permettre à un observateur une meilleure vision de ces objets. Cette étape, donc, ne sert qu’à aider l’utilisateur à définir les échantillons d’apprentissage et les signatures à utiliser dans la classification.

Les images numériques ont l’avantage de nous permettre de manipuler assez facilement les valeurs enregistrées pour chaque pixel. Même s’il est possible d’effectuer les corrections radiométriques pour les effets de l’illumination solaire, les conditions atmosphériques et les caractéristiques des instruments utilisés avant de distribuer les images aux usagers, il peut s’avérer que l’image ne soit pas à son meilleur pour l’interprétation visuelle. Les systèmes de télédétection, et spécialement ceux qui utilisent une plate-forme spatiale, doivent être conçus de façon à pouvoir traiter les différents niveaux d’énergie propres aux cibles et à leur environnement, susceptibles d’être rencontrés dans une utilisation normale. Cette variation importante dans la réponse spectrale des différents types de cibles (ex. : forêt, désert, neige, eau, etc.) rend impossible l’application d’une correction radiométrique générale capable d’optimiser le contraste et les niveaux d’intensité dans chacune des conditions. Il faut donc faire un ajustement différent des tons en fonction de l’utilisation et de l’état de chacune des images.

Les images satellites doivent presque toujours être améliorées pour différentes raisons. Tout d’abord, la plage de luminosité de la scène peut ne pas être suffisante pour couvrir toute la plage de valeurs prise en charge par le capteur. Si elle est affichée sans amélioration, la scène paraitra sombre et peu nette. Deuxièmement, les images 16 bits des satellites modernes doivent être réduites pour s’adapter à la plage 8 bits (de 0 à 255) de l’écran de votre ordinateur.

Vous obtenez les deux résultats en étirant les valeurs d’image afin qu’elles utilisent autant des niveaux de luminosité rouge, vert et bleu disponibles sur l’écran de votre ordinateur tout en restant dans la plage prise en charge par votre moniteur.

Dans une image brute, les informations utiles sont souvent contenues dans un ensemble restreint de valeurs numériques parmi les valeurs possibles (256 dans le cas de données à 8 bits). Le rehaussement des contrastes se fait en changeant les valeurs initiales de façon à utiliser toutes les valeurs possibles, ce qui permet d’augmenter le contraste entre les cibles et leur environnement. Pour bien comprendre comment fonctionne ce type de rehaussement, il faut premièrement comprendre le concept de l’histogramme d’une image. Un histogramme est une représentation graphique des valeurs numériques d’intensité qui composent une image. Ces valeurs (de 0 à 255 pour des données à 8 bits) apparaissent le long de l’axe des x du graphique. La fréquence d’occurrence de chacune de ces valeurs est présenté le long de l’axe des y.

Dans le cas d’une bande d’image satellitaire, les valeurs ne seront pas en dégradé de gris mais, comme dans cet histogramme, en valeurs de radiance.

La valeur minimale présente est de 0 (NoData) et les valeurs de radiance vont d’une valeur minimale de 4831 à une valeur maximale de 32767. Mais la simple observation de l’histogramme permet de voir que la quasi totalité des valeurs se trouve dans une fourchette comprise entre 5 500 et 17 000.

La méthode la plus simple est un rehaussement linéaire du contraste. Afin d’appliquer cette méthode, on identifie les limites supérieures et inférieures d’intensité représentées sur l’histogramme (les valeurs minimales et maximales), et à l’aide d’une transformation linéaire, on étire ces valeurs sur l’ensemble des valeurs disponibles.

Avec QGis, les fonctions de rehaussement se situent dans Propriétés de la couche-> Style->Amélioration du contraste

La figure suivante illustre trois manières différentes d’étirer les valeurs d’image d’une bande Landsat unique de 16 bits. Les images miniatures montrent les résultats et les histogrammes en dessous montrent comment les étirements ont été appliqués. Les valeurs des données d’entrée (du fichier) apparaissent sur l’axe des abscisses et les valeurs de sortie résultantes (à l’écran) se trouvent sur l’axe des ordonnées. Les histogrammes bleus montrent la distribution des valeurs d’entrée et les lignes rouges en diagonale représentent les tables de correspondance ou les tables de conversion. Les étirements sont appliqués en lisant chaque valeur d’entrée (à partir de l’axe des X), en traçant une ligne verticale jusqu’à atteindre la table de conversion, puis en prolongeant une ligne horizontale vers l’axe des Y, où elle recherche la valeur de sortie correspondante, comme indiqué. par l’exemple des flèches vertes en (a).

En (a), option Pas d’améliorations du menu déroulant, les valeurs de pixel d’entrée sont simplement rééchelonnées de la plage de 16 bits de 0 à 65535 à la plage de 8 bits de 0 à 255. Vous pouvez voir que l’histogramme ne couvre qu’une petite partie de la plage de luminosité disponible et l’image résultante est très sombre.

Dans (b), option Etirer jusqu’au MinMax du menu déroulant, la plage d’entrée est ajustée de manière à s’étendre entre les valeurs d’entrée minimale et maximale réelles des données (comparez les étiquettes de l’axe X avec (a)). Bien que l’histogramme couvre une plus grande partie de la plage de luminosité qu’auparavant, il n’en couvre toujours pas beaucoup et l’image est toujours très sombre.

Dans (c), option Etirer et couper jusqu’au MinMax du menu déroulant, la diagonale est ajustée de sorte que ses extrémités couvrent 99% de la plage d’entrée. Le 1% restant des données est mis à zéro pour (pixels sombres) ou à 255 (pour les pixels clairs). Le contour bleu en pointillé montre l’histogramme de sortie obtenu et vous pouvez voir qu’il couvre toute la plage de luminosité. L’image montre une belle répartition des tons du noir au blanc et est la meilleure mise en valeur des trois.

Nous n’avons pas figuré la quatrième option, Couper jusqu’au MinMax car elle est très peu utilisée. On élimine de l’affichage les mêmes pixels que dans l’option précédente mais les valeurs retenues ne sont pas étirées.

En pratique, les améliorations de contraste telles que celles-ci sont appliquées aux trois bandes d’une image couleur, produisant ainsi des couleurs améliorées.

Les fonctions de transformation de QGis sont toutes linéaires, ce qui est typique des améliorations disponibles dans de nombreuses applications SIG. ArcGis ainsi que les applications dédiées de traitement d’images et de retouche photo prennent en charge diverses améliorations paramétriques et non linéaires.

Pour accéder à des fonctions de transformation plus puissantes, avec QGis, il est nécessaire d’installer le fournisseur de traitements Orfeo Toolbox. Cette bibliothèque permet des traitements spécifiques aux images issues de la télédétection.

Si Orfeo fait partie des fournisseurs installés par défaut dans les versions de QGis 2.X, il n’en est pas de même dans la version 3.X.

Si vous voulez l’installer, voici un lien sur l’article qui décrit son installation
30 novembre 2018
14:14
Tutoriel classification d’images avec ArcMap: 2.3- Les filtres spatiaux
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Les filtres spatiaux représentent une autre méthode de traitement numérique utilisées pour le rehaussement d’une image. Ces filtres sont conçus de façon à faire ressortir ou à supprimer des caractéristiques spécifiques d’une image en se basant sur leur fréquence spatiale. La fréquence spatiale est liée au concept de texture. Elle fait référence à la fréquence de variation des différents tons qui apparaissent dans une image. Les régions d’une image où la texture est « rugueuse » sont les régions où les changements dans les tons sont abrupts; ces régions ont une fréquence spatiale élevée. Les régions « lisses » ont une variation des tons qui est plus graduelle sur plusieurs pixels; ces régions ont une fréquence spatiale faible. La méthode de filtrage spatial consiste à déplacer une « fenêtre » d’une dimension de quelques pixels (ex. : 3 sur 3, 5 sur 5, etc.) au-dessus de chaque pixel de l’image. On applique alors un traitement mathématique utilisant les valeurs des pixels sous la fenêtre et on remplace la valeur du pixel central par le résultat obtenu. La fenêtre est déplacée le long des colonnes et des lignes de l’image, un pixel à la fois, répétant le calcul jusqu’à ce que l’image entière ait été filtrée. En modifiant le calcul effectué à l’intérieur de la fenêtre, il est possible de rehausser ou de supprimer différents types de caractéristiques présents dans une image.

Un filtre passe-bas est conçu afin de mettre en évidence les régions assez grandes et homogènes ayant des pixels d’intensité similaire. Ce filtre réduit les plus petits détails d’une image. Il est donc utilisé pour lisser une image. Les filtres moyenneur et médian, souvent utilisés avec les images radars , sont des exemples de filtre passe-bas. Les filtres passe-haut font le contraire : ils sont utilisés pour raviver les petits détails d’une image. Un filtre passe-haut peut par exemple se définir en appliquant premièrement un filtre passe-bas à une image pour ensuite soustraire le résultat de l’image originale, ce qui produit une nouvelle image dans laquelle les détails ayant une fréquence spatiale élevée sont rehaussés. Les filtres directionnels ou les filtres détectant les contours sont utilisés pour rehausser les caractéristiques linéaires d’une image comme les routes ou les limites des champs. Ces filtres peuvent aussi être conçus pour rehausser des caractéristiques ayant une certaine orientation dans l’image.

Le rehaussement d’images est essentiellement un processus qui permet de faciliter l’interprétation visuelle d’une image. Dans certains cas (comme lors d’un filtrage passe-bas), le résultat peut paraître décevant mais il permet toutefois à l’interprète de discerner les éléments de basse fréquence spatiale parmi le fouillis des hautes fréquences de l’image. Les rehaussements sont souvent appliqués pour des raisons spécifiques. Ainsi, pour une image donnée, ils pourront être forts différents s’il s’agit d’applications différentes.

Contrairement au rehaussement dont nous avons parlé, le filtrage peut se faire de deux manières différentes: en modifiant la visualisation de l’image ou en modifiant les valeurs de l’image elle-même. Si vous décidez d’appliquer définitivement le filtrage pour travailler à la classification sur l’image modifiée, vous devrez créer une nouvelle image en sortie du processus de filtrage.

Filtrage avec ArcMap

Vous disposez d’un outil dans la toolbox pour effectuer le filtrage d’images : Outils Spatial Analyst -> Voisinage -> Filtre.

Mais cette option est très limitée et oblige à la création d’une nouvelle image.

L’outil le plus approprié d’ArcMap pour travailler avec le filtrage est l’extension Image Analysis.

Image Analysis

Pour ouvrir la fenêtre d’Image Analysis, allez dans le Menu Fenêtres->Image Analysis

La fenêtre d’Image Analysis apparaît alors

L’interface compte cinq composants : la liste des couches, le volet Options, le volet Affichage, le volet Traitement et le volet Mensuration.

Liste des couches

La liste des couches reflète toutes les couches raster qui se trouvent dans le bloc de données actif, y compris la couche Image de la mosaïque, le service d’imagerie et les couches WCS. La couche de catalogue d’images n’est pas visible et ne peut pas être utilisée dans la fenêtre Analyse d’image.

La liste des couches ne remplace pas la table des matières, mais elle vous permet d’accéder à la boîte de dialogue Propriétés de la couche et de supprimer des couches. Elle vous permet également d’accélérer la couche. Une couche raster accélérée apparaît avec cette icône : . Pour réorganiser les couches, vous devez utiliser la table des matières.

Options

Le bouton Options d’analyse d’images se trouve en haut de la fenêtre Analyse d’image. Il permet d’ouvrir la boîte de dialogue Options d’analyse d’images dans laquelle vous pouvez définir les valeurs par défaut de certains des outils de la fenêtre, telles que la définition des canaux rouges et proches infrarouges à utiliser avec l’outil NDVI, les valeurs d’altitude et d’azimut à utiliser avec l’outil Relief ombré et la valeur d’écart type à utiliser avec la méthode d’étirement Ecart type. Vous devez modifier les options avant d’utiliser l’outil.

Affichage

Les
outils du volet Affichage permettent d’améliorer l’apparence des
données. Ce volet inclut des curseurs de contraste, luminosité,
correction gamma et transparence, une case à cocher pour utiliser
l’ajustement dynamique de la plage, et les outils Balayer et
Scintillement pour comparer deux couches de données superposées

Traitement

Le
volet Traitement permet d’accéder facilement en un seul clic à plusieurs
techniques de traitement d’image fréquemment utilisées. Parmi ces
techniques figurent le découpage, le masquage, l’orthorectification, les
filtres de convolution et le mosaïquage.

De nouvelles couches sont ajoutées à la liste des couches et à la table des matières lorsque vous utilisez les outils du volet Traitement. En effet, tous les outils de traitement génèrent une nouvelle couche raster temporaire qui utilise des fonctions pour traiter les données. Les fonctions permettent d’appliquer rapidement le traitement au lieu de créer un autre fichier de données (dont la génération peut prendre du temps) dans lequel le processus est appliqué de façon permanente. Pour enregistrer la couche, vous pouvez l’exporter dans un nouveau jeu de données raster ou enregistrer le fichier de couches. Si vous fermez ArcMap sans enregistrer, vous perdez cette couche raster.

Mensuration

Le
volet Mensuration contient des outils permettant de mesurer un point,
une distance, un angle, une hauteur, un périmètre et une surface d’une
image (jeu de données raster ou mosaïque) avec des informations de
capteur (ou transformation de géodonnées). La hauteur peut être mesurée
le long d’un objet, de son ombre, ou les deux. Vous pouvez également
utiliser un MNT pour effectuer une mesure le long d’une surface plutôt
que de la surface projetée

Filtres disponibles avec Image Analysis

Pour définir le filtre à utiliser et l’appliquer à votre image:

1- Sélectionnez dans la liste des couches d’Image Analysis l’image à filtrer

2- Dans le panneau Traitements (Processing) sélectionnez le type de filtre à utiliser dans la liste des filtres disponibles

3- Cliquez sur le bouton Filtre pour créer la couche temporaire filtrée

Les filtres disponibles concernent trois grands types de filtres:

Les filtres passe-bas (Smoothing)

Les filtres de lissage (passe-bas) lissent les données en réduisant les variations locales et en supprimant le bruit. Le filtre passe-bas calcule la valeur moyenne (moyenne) pour chaque pixel voisin. L’effet est que la moyenne des valeurs hautes et basses de chaque voisin sera réduite, ce qui réduira les valeurs extrêmes des données. Vous avez deux filtres de ce type dans le menu déroulant:
- Smooth Arithmetic Mean
- Smoothing 5×5
Les filtres passe-haut (Sharpenning)

Le filtre Netteté (sharpeningt) accentue la différence comparative des valeurs avec ses voisins. Un filtre passe-haut calcule la statistique de somme focale pour chaque cellule de l’entrée à l’aide d’un voisinage pondéré du noyau. Il met en évidence les limites entre les caractéristiques (par exemple, lorsqu’un plan d’eau rencontre la forêt), accentuant ainsi les contours entre les objets. Le filtre passe-haut est appelé filtre d’amélioration des contours. Le noyau du filtre passe-haut identifie les cellules à utiliser dans le voisinage et leur poids. Vous avez filtres de ce type dans le menu déroulant:
- Sharpen
- Sharpen more
- Sharpening 3×3
- Sharpening 5×5
Filtres de détection de bord

Le reste des filtres concerne la détection de bords des objets géographiques.
Les filtres de dégradé (Gradient) peuvent être utilisés pour la détection des contours par incréments de 45 degrés (Gradient North, Gradient NorthWest,…).

Les filtres laplaciens (Laplacian) sont souvent utilisés pour la détection des contours. Il est souvent appliqué à une image qui a d’abord été lissée pour réduire sa sensibilité au bruit (Laplacian 3×3, Laplacian 5×5).

Les filtres de détection de ligne (Line) , tels que les filtres de gradient, peuvent être utilisés pour effectuer une détection de bord (Line horizontal, Line vertical, …). Vous obtiendrez de meilleurs résultats si vous appliquez un algorithme de lissage avant un algorithme de détection de bord.
Les filtres Sobel sont utilisés aussi pour la détection des contours.

27 novembre 2018
19:15
« Permis de sauver », l’application qui sauve des vies grâce à la géolocalisation
sur Veille cartographie

Cet article « Permis de sauver », l’application qui sauve des vies grâce à la géolocalisation est apparu en premier sur Veille cartographique 2.0.

Bonne nouvelle ! La chaîne des secours s’agrandit avec « Permis de sauver » ! « Permis de sauver » est une solution numérique s’inscrivant dans le domaine de la gestion de crise et des situations d’urgence liées à la santé. Elle propose d’accroitre les chances de survie de victimes d’accidents graves en sollicitant les […]

Cet article « Permis de sauver », l’application qui sauve des vies grâce à la géolocalisation est apparu en premier sur Veille cartographique 2.0.
19:00
How Green is your street ? Un projet pour quantifier la verdure des rues
sur Veille cartographie

Cet article How Green is your street ? Un projet pour quantifier la verdure des rues est apparu en premier sur Veille cartographique 2.0.

Le Data Science Campus de l’Office for National Statistics (ONS) du Royaume-Uni a expérimenté une nouvelle méthode d’évaluation de la ville verte intitulé « How Green is your street ? ». Cette méthode porte sur l’ensemble des rues des villes galloises de Cardiff et de Newport. L’ONS a basé cette expérimentation sur l’analyse des images provenant de […]

Cet article How Green is your street ? Un projet pour quantifier la verdure des rues est apparu en premier sur Veille cartographique 2.0.

17:48
[MUSCATE News] Unavailability of CNES HPC center on 4-5 December
sur Séries temporelles

Le centre de calcul (de haute performance) du CNES sera en maintenance les 4 et 5 décembre, dans le but d'accroitre sa robustesse et ses performances. En conséquence, MUSCATE ne sera pas en mesure de produire les données de Sentinel-2, Landsat et Venµs en temps réel. Pour une fois, nous ne serons donc pas en mesure de tenir nos engagements de production en moins de 2.5 jours, et nous espérons que cela ne vous dérangera pas trop dans vos travaux. Les données déjà produites resteront disponibles.

Pour la même raison, les traitements avec MAJA sur PEPS seront suspendus.

CNES High Performance Computing center will be on maintenance on the 4th and 5th of December, to improve its robustness and capacity. As a result, MUSCATE will not be able to produce Sentinel-2, Landsat and Venµs data during these days. Exceptionally, we will not meet our target to process these data in less than 2.5 days, and we hope it will not cause too much inconvenience. The already produced data will still be available.

For the same reason, MAJA processing on PEPS will be suspended.
11:34
Les séries temporelles de niveau 3A avec Sentinel-2, de Juillet à Octobre
sur Séries temporelles
=>

Comme chaque mois, Peter Kettig du CNES a produit les synthèses de niveau 3A à partir de Sentinel-2 du mois précédent (Merci Peter !). Les données peuvent être téléchargées depuis le serveur de distribution Theia au CNES.

Si vous n'avez pas peur d'y passer trop de temps, alors que de nombreuses urgences vous attendent, vous pouvez jeter un oeil aux mosaïques de ces produits disponibles sur la France depuis Juillet. Chaque mosaique est accessible à partir des liens ci-dessous :
Une chouette interface de visualisation (merci à Michel Lepage !), est aussi disponible ci-dessous, pour comparer la synthèse d'octobre avec celle des mois précédents. On peut ainsi constater que le Nord de la France commence tout juste à reverdir après cet été très chaud et très sec, alors que les prairies de montagne prennent une couleur brune après les premières gelées. Le maïs du Sud Ouest a lui aussi commencé à sécher, voire à être récolté.

Pour la première fois, un artefact de bord d'orbite apparaît clairement du côté de Cambrai. Même si c'est un endroit où l'on peut faire des bêtises, cet artefact est dû au changement de date. la partie Ouest est brune, et la partie Est est verte. Celà est dû a une couverture nuageuse importante, qui fait que la date moyenne de la partie Est se situe bien après celle de la partie Ouest. Le seul moyen d'éviter ce genre d'artefacts sera d'augmenter la revisite des données Sentinel-2, pour faire des synthèses sur des données moins longues (ici nous utilisons 45 jours).

See it full screen

Les synthèses mensuelles sont produites avec le processeur WASP, qui est décrit ici.

En comparant les différentes synthèses vous verez l'évolution du paysage, un tout petit peu plus vert en Septembre,mais cette représentation met aussi en évidence les artefacts dûs au traitement et au mode d'acquisition de Sentinel-2. les artefacts ne sont pas encore très nombreux, mais vous en trouverez :
- sur certains navigateurs (firefox V58), des différences géométriques qui apparaissent à basse résolutions. Chez d'autres navigateurs, l'effet n'est pas aussi fort. Ce défaut n'est vraiment pas dû à Sentinel-2 ni aux produits Theia
- sur l'eau et la neige (là, c'est vraiment un problème de la méthode, nous testons une autre solution)
- là où la couverture nuageuse est restée constante à chaque passage de Sentinel-2. Ces pixels sont indiqués dans les produits (mais pas sur la mosaïque).
- là où des nuages ou des ombres n'ont pas été détectés par MAJA (en général, des nuages fins ou petits)
- en bordure d'orbite, en raison du changement de date
- sur quelques bordures de tuiles en Juillet, car les produits de niveau 3 n'avaient pas été générés à la même date, mais du 15 juilet au 26 juillet). Cela a été corrigé pour les mois suivants
10:51
Sentinel-2 Level3A time series (July to October 2018)
sur Séries temporelles
=>

As every month, Peter Kettig from CNES processed the Sentinel-2 L3A composites of France from the Month before. The data can be downloaded from Theia's distribution server at CNES.

If you are not afraid to spend too much time while you have urgent things to do, you may have a look to the mosaic of Sentinel-2 monthly syntheses for each month since July over France. Each monthly synthesis is accessible using the following links :
Or you may also use the nive viewer below (merci à Michel Lepage !) to compare with the previous months and see how France starts to become slightly greener, at least in the North, while the mountains are getting brown after the first cold days, and corn is drying in the South West.

It is also the opportunity to observe our first neat swath edge effect in four months, near Cambrai, North of France. The Western part of the artefact is browner than the Eastern part. Because of the cloud cover, the average date used in the eastern part is several days before the average date of the western part. The only way to reduce the effect is to increase the revisit time of Sentinels, with the future generations, to allows us to reduce the synthesis window length which is currently 45 days.

See it full screen

The monthly syntheses are produced using the WASP processor, which is described here.

By comparing the various syntheses, you will see the evolution of the landscape, generally a little greener in October, but this representation will also help you spot the composite artefacts. These are not very numerous, but you will see them :
- on some web browsers (firefox V58), geometrical differences appear even at a low resolution. Other browsers and versions do not have this defect. It is really not due to Sentinel-2 or Theia products
- above water and snow (we must work on this defect)
- where clouds have covered a place during the whole month of July or August. These pixels are flagged as invalid in the products (but not on the mosaic).
- where clouds or shadows were not properly detected by MAJA
- at the edges of Sentinel-2 swath (but the effect is really faint)
- some tile edges in July, due to the fact that Level 3A products were not all generated for the 15th of July, but for dates between the 8th and the 26th. This has been corrected for August and September.

9:44
Tutoriel classification d’images avec ArcMap: 2.2- Rehaussement des images
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Pour commencer il faut bien comprendre que l’on applique le rehaussement des images afin de faciliter l’interprétation visuelle et la compréhension des images. Le rehaussement ne va pas changer les valeurs radiométriques des objets présents dans l’image, il va juste permettre à un observateur une meilleure vision de ces objets. Cette étape, donc, ne sert qu’à aider l’utilisateur à définir les échantillons d’apprentissage et les signatures à utiliser dans la classification.

Les images numériques ont l’avantage de nous permettre de manipuler assez facilement les valeurs enregistrées pour chaque pixel. Même s’il est possible d’effectuer les corrections radiométriques pour les effets de l’illumination solaire, les conditions atmosphériques et les caractéristiques des instruments utilisés avant de distribuer les images aux usagers, il peut s’avérer que l’image ne soit pas à son meilleur pour l’interprétation visuelle. Les systèmes de télédétection, et spécialement ceux qui utilisent une plate-forme spatiale, doivent être conçus de façon à pouvoir traiter les différents niveaux d’énergie propres aux cibles et à leur environnement, susceptibles d’être rencontrés dans une utilisation normale. Cette variation importante dans la réponse spectrale des différents types de cibles (ex. : forêt, désert, neige, eau, etc.) rend impossible l’application d’une correction radiométrique générale capable d’optimiser le contraste et les niveaux d’intensité dans chacune des conditions. Il faut donc faire un ajustement différent des tons en fonction de l’utilisation et de l’état de chacune des images.

Dans une image brute, les informations utiles sont souvent contenues dans un ensemble restreint de valeurs numériques parmi les valeurs possibles (256 dans le cas de données à 8 bits). Le rehaussement des contrastes se fait en changeant les valeurs initiales de façon à utiliser toutes les valeurs possibles, ce qui permet d’augmenter le contraste entre les cibles et leur environnement. Pour bien comprendre comment fonctionne ce type de rehaussement, il faut premièrement comprendre le concept de l’histogramme d’une image. Un histogramme est une représentation graphique des valeurs numériques d’intensité qui composent une image. Ces valeurs (de 0 à 255 pour des données à 8 bits) apparaissent le long de l’axe des x du graphique. La fréquence d’occurrence de chacune de ces valeurs est présenté le long de l’axe des y.

Dans le cas d’une bande d’image satellitaire, les valeurs ne seront pas en dégradé de gris mais, comme dans cet histogramme, en valeurs de radiance.

La valeur minimale présente est de 0 et la maximale de 40320. Mais la simple observation de l’histogramme permet de voir que la quasi totalité des valeurs se trouve dans une fourchette comprise entre 5 000 et 12 000.

La méthode la plus simple est un rehaussement linéaire du contraste. Afin d’appliquer cette méthode, on identifie les limites supérieures et inférieures d’intensité représentées sur l’histogramme (les valeurs minimales et maximales), et à l’aide d’une transformation linéaire, on étire ces valeurs sur l’ensemble des valeurs disponibles.

Dans le cas de notre image correspondant au rouge corrigée en réflectance nous pouvons voir le résultat de ce type d’opération en utilisant la modification de l’histogramme avec ArcMap (propriétés de l’image -> symbologie -> histogrammes)

Un étirement uniforme des valeurs initiales sur l’ensemble des valeurs disponibles n’est pas toujours approprié, particulièrement lorsque la distribution initiale n’est pas uniforme. Dans certains cas, un étirement pondéré de l’histogramme peut donner de meilleurs résultats. Cette méthode assigne un intervalle de valeurs plus grand dans les portions de l’histogramme pour lesquelles les valeurs d’intensité ont une fréquence plus élevée. De cette façon, les détails de ces régions seront mieux rehaussés que les détails des régions pour lesquelles la fréquence des valeurs d’intensité de l’histogramme est plus faible. Dans d’autres cas, il peut être préférable de rehausser le contraste dans une portion spécifique de l’histogramme.

L’outil histogrammes d’ArcMap vous permet de définir les zones à représenter en toute liberté:

Dans la boîte de dialogue Propriétés de la couche

Vous pouvez utiliser l’histogramme lors de l’affichage de données raster avec les moteurs de rendu Composition colorée RVB et Etirement. L’histogramme affiche les valeurs des pixels sur l’axe des x et le nombre sur l’axe des y. Les valeurs des pixels en entrée sont affichées en gris, tandis que celles des pixels en sortie apparaissent en couleur. En l’absence d’étirement d’histogramme, les valeurs des pixels en entrée sont égales aux valeurs des pixels étirés en sortie. Plus l’étirement est important, plus la différence entre les valeurs des pixels en entrée et en sortie est importante.

Plusieurs méthodes permettent d’appliquer des étirements à l’histogramme :
- Vous pouvez cliquer sur le bouton Lignes pour créer un étirement linéaire segmenté. Il en résulte un diagramme linéaire segmenté représentant les différences entre vos valeurs en entrée et en sortie. Utilisez cette option pour augmenter le contraste sur des plages que vous avez précisées.
- Vous pouvez cliquer sur le bouton Splines pour créer un étirement non linéaire. Il en résulte un diagramme linéaire courbé représentant les différences entre les valeurs en entrée et en sortie. Utilisez cette option pour augmenter le contraste sur une plage particulière de valeurs, tout en réduisant le contraste sur d’autres plages de valeurs.
- Vous pouvez cliquer sur le bouton Points pour créer un étirement en fonction de points. Le résultat dépend de l’emplacement où vous placez les points représentant les différences entre les valeurs en entrée et en sortie. Utilisez cette option pour contrôler le contraste sur vos points personnalisés.
Vous pouvez également cliquer dans l’histogramme pour placer des points d’arrêt. Faites glisser ces points d’arrêt vers l’emplacement approprié pour appliquer un étirement à certaines valeurs. Si vous connaissez les valeurs que vous souhaitez étirer, placez le pointeur de la souris sur l’histogramme et recherchez les valeurs en entrée le long de l’axe des x du diagramme linéaire. Placez les points d’arrêt sur ces points, puis déplacez le diagramme linéaire jusqu’à la valeur en sortie requise sur l’axe des y. Pour supprimer des seuils, maintenez le curseur sur l’un d’eux, puis cliquez et faites glisser le seuil hors du diagramme linéaire.

Cliquez sur le bouton Informations pour afficher des informations sur plusieurs colonnes de l’histogramme. Si vous cliquez sur un élément et le faites glisser dans l’histogramme, les colonnes sont mises en surbrillance et les informations apparaissent dans la section Info de la boîte de dialogue.

Vous pouvez cliquer sur le bouton Lissage pour lisser l’étirement appliqué aux points. Il en résulte une courbe lissée remplaçant les segments irréguliers. Vous pouvez continuer à cliquer sur ce bouton jusqu’à l’obtention du degré de lissage souhaité.

Vous pouvez cliquer sur le bouton Cumulé pour afficher une sortie cumulée (y) sur l’histogramme le long de l’axe (x) en entrée.
1. Dans la table des matières ou dans la fenêtre Catalogue, cliquez avec le bouton droit sur la couche raster, puis sélectionnez Propriétés.
2. Cliquez sur l’onglet Symbologie.
3. Choisissez un type d’étirement et cliquez sur le bouton Histogramme.La fenêtre Histogrammes s’ouvre pour votre couche raster, ce qui vous permet d’utiliser interactivement les outils décrits ci-dessus pour modifier l’étirement.
Question:

Supposez que vous vouliez effectuer une classification sur les données d’une image satellitaire. Cependant, lorsque vous regardez l’histogramme de l’image, vous vous apercevez que toutes les données utiles sont réparties sur un intervalle restreint de valeurs. Serait-il bon d’effectuer un rehaussement linéaire du contraste avant de commencer la classification?

Réponse

Le rehaussement d’une image est utilisé exclusivement pour pouvoir apprécier et analyser visuellement une image. Un rehaussement n’ajoutera rien d’utile du point de vue de la classification d’une image. Voici une autre façon d’expliquer cette réponse : si deux pixels ont une valeur numérique d’intensité séparée par un seul niveau, il est difficile de faire la différence à l’œil nu entre les deux pixels.

Cependant, pour un ordinateur, cette différence de 1 est aussi évidente qu’une différence de 100. L’image rehaussée peut aider l’analyste à sélectionner les groupes-tests à l’œil, mais la classification sera effectuée sur les données initiales non rehaussées.

26 novembre 2018
18:38
La carte de France des fermes usines
sur Chroniques Cartographiques

La nouvelle carte 2018 des fermes-usines est à voir sur le lien ci-dessous : Comme partout en Europe, en France, les fermes-usines pullulent. Cette carte de France des plus grandes fermes-usines vous permettra de savoir s'il y en a près de chez vous....

18:00
Cartographic walk without risk
sur Veille cartographie

Cet article Cartographic walk without risk est apparu en premier sur Veille cartographique 2.0.

Fukushima: Google maps offers a virtual tour of a ghost town near the nuclear power plant Now, with a click of your mouse, you can take a depressing stroll through intact abandoned houses, without the slightest sign of life. The images reflect the silence of death. You have a possibility to walk virtually through the […]

Cet article Cartographic walk without risk est apparu en premier sur Veille cartographique 2.0.

8:29
Tutoriel classification d’images avec QGis: 2.1 Correction atmosphérique des images Landsat 8
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Nous avons vu précédemment comment corriger les images Landsat pour avoir la réflectance TOA (top-of-atmosphere). Voilà un schéma qui va nous aider à comprendre la suite:

La réflectance que nous avons calculé est donc le % de lumière réfléchie par rapport à la totalité de la lumière visible incidente. Mais comme on le voit dans le schéma, le capteur du satellite mesure deux choses en même temps: la lumière réfléchie par nos cibles à la surface de la terre, plus la lumière diffusée par les particules en suspension dans l’air.

On peut pousser la correction atmosphérique des images satellites pour enlever la partie de lumière due à la diffusion.

Comme nous l’avons déjà dit, ceci n’a d’intérêt que si vous travaillez sur des images séparées dans le temps. Le pourcentage de diffusion étant le même pour l’ensemble d’une image, c’est du temps perdu de faire cette correction.

Le mode d’emploi pour effectuer cette correction sur les images Landsat est disponible à l’adresse http://www.gisagmaps.com/landsat-8-atco-guide/

Mais si vous êtes débutant, vous aurez du mal à comprendre la marche à suivre. Nous allons la voir ici, en utilisant les outils de QGis.

Methode DOS (
Dark Object Subtraction)

La méthode que nous allons voir est la plus couramment employée.
La soustraction d’objets noirs est une méthode de correction atmosphérique empirique simple pour l’imagerie satellitaire, qui suppose que la réflectance des objets sombres inclut une composante importante de la diffusion atmosphérique.

Le concept est simple: si on a un objet complètement noir, et donc qui ne réfléchit pas du tout de lumière, cet objet qui devrait avoir une valeur de 0 réflectance va avoir une valeur non nulle au niveau du capteur satellite. Cette valeur sera la réflectance due aux particules présentes dans l’atmosphère.

La soustraction d’objets sombres recherche dans chaque bande la valeur de pixel la plus sombre. La diffusion est supprimée en soustrayant cette valeur de chaque pixel de la bande.

Première chose: la correction que nous allons faire ne s’applique qu’à la lumière visible et le proche infra-rouge. Nous travaillerons donc, pour les images Landsat 8, sur les bandes 2 (Bleu), 3 (vert), 4 (Rouge) et 5 (proche infra-rouge).

Deuxième chose à savoir: le principe utilisé est de calculer la diffusion pour la bande 4 (rouge) et d’utiliser une formule de correspondance pour déterminer la correction pour les autres trois bandes.

Troisième chose: nous allons travailler avec les bandes 2,3,4 et 5 en réflectance TOA mais aussi en radiance brute (DN) pour la bande 4 (rouge). Dans le mode d’emploi cité plus haut ceci n’apparaît pas du premier coup d’œil. Voyons la procédure pas à pas:

1- on calcule la réflectance TOA pour les quatre bandes avec la formule

TOAbande =((DN * 0.00002)-0.1)/sin(élévation solaire)

2- en analysant les valeurs de radiance brute (DN) de la bande rouge, nous allons déterminer une radiance due à la diffusion atmosphérique (DNred)

3- nous transformons cette radiance en réflectance TOA

CORred=((DNred * 0.00002)-0.1)/sin(élévation solaire)

4- avec un abaque on entre cette diffusion de la bande rouge et on obtient la diffusion pour les bandes 2,3 et 5 (CORbleu, CORvert, CORir)

5-on soustrait les valeurs obtenues des réflectances de TOA pour obtenir les valeurs de réflectance des 4 bandes corrigées de l’effet atmosphérique.

Rrouge= TOA(rouge)-CORred

Rbleue= TOA(bleu)-CORbleu

Rvert= TOA(vert)-CORvert

Rir= TOA(ir)-CORir

Voyons en détail les étapes 2 et 4.

Calcul de la diffusion de la bande rouge

Il y a plusieurs méthodes pour déterminer la correction à apporter à la bande rouge. La méthode conseillée est celle dite de la Bin 5 – 0.008. Vous trouverez ici une description détaillée de la méthode.

En pratique, avec QGis, noius allons utiliser l’histogramme de la bande pour déterminer la valeur de seuil de la diffusion atmosphérique.

1- Vous devez d’abord exécuter l’outil Statistiques de la couche raster sur les données de la bande 4 (rouge).

Une fois exécuté, vous aurez un ligne de résultat dans le panneau Visualiseur de résultats

Double-cliquez sur cette ligne pour ouvrir les résultats dans votre navigateur:

Notez la valeur minimale, ici 3916.

Nous allons rechercher la valeur à affecter à l correction de la diffusion atmosphérique dans l’histogramme de l’image.

Cliquez sur la couche de l’image -> Propriétés -> Histogramme

Entrez la valeur minimale trouvée dans les statistiques (ici 3916) dans la zone Min, puis cliquez sur la zone Max ci-dessous pour déplacer la valeur minimale de la ligne pointillée sur l’histogramme.

Vous pouvez utiliser le format de ligne pour trouver la base de l’histogramme, mais pour cet exemple, le format de barre sera utilisé et il est recommandé. Si l’histogramme est au format ligne, cliquez sur Préférences / Actions et décochez la case Tracer comme lignes.

Un histogramme au format barre apparaîtra. L’histogramme QGIS ne représente pas / ne montre pas toutes les valeurs comme l’histogramme ArcGIS, mais il affiche bien la forme qui peut être appropriée pour établir une valeur de dispersion qui représente la base de l’histogramme (en cas d’augmentation relativement abrupte des fréquences). Les étapes suivantes montrent comment l’histogramme QGIS peut être utilisé pour établir la dispersion.

Passez le curseur de la souris sur l’histogramme pour afficher une loupe. Faites glisser la loupe sur l’extrémité inférieure de l’histogramme pour lancer le zoom sur la base de l’histogramme. Si vous effectuez un zoom trop important ou si vous souhaitez recommencer pour une raison quelconque, cliquez sur Préférences / Actions et Recalculer l’histogramme. L’histogramme est zoomé ci-dessous.

Vous verrez que la barre avec la valeur la plus basse est encore assez supérieure à la valeur d’image basse que vous avez précédemment entrée dans la zone Min (3619); l’histogramme QGIS ne montre pas beaucoup de valeurs dans une queue statistique (Landsat 8 a généralement de longues queues statistiques). La base de l’histogramme est la zone utilisée pour établir la dispersion.En zoomant sur les trois premières barres de l’histogramme:

Dans cet exemple, les valeurs comprises entre environ 5570 et 5595 peuvent se rapprocher de la base de l’histogramme – ce sont des valeurs très basses et ne sont pas trop sur la queue statistique (ce processus peut être quelque peu subjectif). Pour les besoins de ce document, le DN 5569 sera utilisé comme base de l’histogramme. L’histogramme sera zoomé une fois de plus pour cet exemple.

La règle à utiliser est de prendre comme valeur de dispersion la valeur minimum de la première barre dépassant une fréquence de 5 (d’où le nom Bin 5) et n’ayant pas de fréquences inférieures à 5 à sa droite. Dans l’exemple suivant:

Les deux premières barres dépassent la valeur 5, mais comme la troisième est inférieure, c’est la valeur min de la quatrième barre qui sera retenue.

Dans notre exemple, la valeur de radiance à retenir pour la correction atmosphérique de la bande rouge sera 5569.

On peut passer à la troisième étape,

3- nous transformons cette radiance en réflectance TOA

CORred=((DNred * 0.00002)-0.1)/sin(élévation solaire)

CORred= (( 5569 * 0.00002)-0.1)/0.42631886 =0.026694

Cette valeur correspond à la Bin 5. Comme la méthode est Bin 5 – 0.008, nous enlevons 0.008 de cette valeur: 0.018694

C’est cette valeur qu’il faut soustraire aux valeur de TOA du rouge précédemment calculées pour avoir les valeurs corrigées de la diffusion atmosphérique.

Correction des autres bandes

A partir de la valeur de correction du rouge on obtient les valeurs à appliquer à chacune des autres bandes:

Allez sur la page http://www.gisagmaps.com/l8-s2-relative-scatter-calc/

Vous trouverez une fenêtre où vous pouvez rentrer la valeur de correction du rouge

Rentrez votre valeur (ici 0.018647), vous aurez automatiquement les valeurs des autres corrections qui vont s’afficher

Nous obtenons ainsi les corrections de
- 0.06309 pour la bande Bleue (2)
- 0.03442 pour la bande Verte (3)
- 0.00626 pour la bande infrarouge proche (5)
Pour avoir les bandes corrigées on utilise la calculatrice raster en soustrayant à chaque bande corrigée TOA la constante de correction que nous avons trouvé.

23 novembre 2018
12:30
La cartographie des sentiers inuits du Canada
sur Veille cartographie

Cet article La cartographie des sentiers inuits du Canada est apparu en premier sur Veille cartographique 2.0.

Bien avant Christophe Colomb, un peuple européen avait déjà réussi à atteindre le continent américain. C’était autour de l’an 1000. Il s’agissait des Vikings et l’Amérique était alors appelé le Vinland. Certes, ils ne sont pas resté longtemps et sont reparti la queue entre les jambes à cause de l’arduité de l’environnement. Mais ils ont, entre […]

Cet article La cartographie des sentiers inuits du Canada est apparu en premier sur Veille cartographique 2.0.
12:03
Les 26 cantons Suisses en un jour
sur Veille cartographie

Cet article Les 26 cantons Suisses en un jour est apparu en premier sur Veille cartographique 2.0.

Deux doctorants (Emmanuel Clédat et Dirk Lauinger) de l’École Polytechnique Fédérale de Lausanne (EPFL) ont conçu un algorithme capable de calculer l’itinéraire optimal pour traverser les 26 cantons Suisse en transports publics en moins de 24 heures. Départ de St-Maurice (VS) à 5h24 et arrivée à Jakobsbad (AI) à 22h18. Ce trajet de 16h54 est le […]

Cet article Les 26 cantons Suisses en un jour est apparu en premier sur Veille cartographique 2.0.
11:39
Connaître sa connexion wi-fi grâce à la cartographie thermique
sur Veille cartographie

Cet article Connaître sa connexion wi-fi grâce à la cartographie thermique est apparu en premier sur Veille cartographique 2.0.

Dans un bâtiment, la connexion wifi varie selon que l’on se place à un endroit plutôt qu’à un autre. Quand on a une mauvaise réception du réseau, on ne sait pas vraiment où placer son routeur, son ordinateur ou son portable pour obtenir un bon signal. Il est pourtant possible de cartographier son réseau pour […]

Cet article Connaître sa connexion wi-fi grâce à la cartographie thermique est apparu en premier sur Veille cartographique 2.0.
11:27
Une île japonaise disparue
sur Veille cartographie

Cet article Une île japonaise disparue est apparu en premier sur Veille cartographique 2.0.

Début septembre, lors de repérages pour rédiger un ouvrage sur les îles cachées de son pays, l’auteur japonais Hiroshi Shimizu a découvert la disparition de l’île de Esambe Hanakita Kojima. Cette petite île inhabitée était située au large du village de Sarufutsu, au nord de l’île d’Hokkaido au Japon. Histoire de l’île La dernière apparition […]

Cet article Une île japonaise disparue est apparu en premier sur Veille cartographique 2.0.

10:20
Le Manifeste des cartographes
sur Carnet (neo)cartographique

Ce manifeste a été réalisé par Marie-Laure APERS-TRÉMÉLO, Nicolas LAMBERT & Hervé PARMENTIER, suite à l’ANF Dataviz qui s’est tenue à Sète du 12 au 16 novembre 2018 [voir]. Ce Manifeste est également issu de la démarche participative « Les 10 lois de la cartographie » engagée en septembre 2016 [voir].

———-

Télécharger le manifeste en pdf

———-

Ci-dessous, nous mettons également à disposition de la communauté les différents supports de présentation utilisés pendant cette action de formation. Ces supports ne sont pas parfaits et contiennent assez peu de textes. Désolé par avance pour les coquilles, imprécisions et oublis. N’hésitez pas à nous contacter si vous avez la moindre question.

Depuis quand y-a-t-il des cartes ? Qu’est ce qu’être cartographe aujourd’hui ? Quid de la géomatique ? (présenté par Nicolas LAMBERT)
Télécharger en pdf

Tout cartographe est un artisan. Il modèle des matériaux pour créer des images. (présenté par Marie-Laure APERS-TREMELO)
Télécharger en pdf

La sémiologie graphique selon Jacques Bertin. Quid de la couleur, ses pièges, ses enjeux ? (présenté par Marie-Laure APERS-TREMELO)
Télécharger en pdf

Une carte ne se résume pas à sa sémiologie graphique. En réalité, beaucoup d’éléments contribuent au message délivré : projection, généralisation, maillage, emprise, habillage, etc. Aucun de ces éléments de mise en scène n’est anodin. (présenté par Nicolas LAMBERT)
Télécharger en pdf

Pour réaliser ses cartes, le cartographe doit évoluer dans une constellation de logiciels. (présenté par Hervé PARMENTIER)
Télécharger en pdf

Aujourd’hui sur le web, les « nouveaux visages » cartographiques pullulent. Cartes animées, cartes interactives, cartes participatives, etc. Quid de l’usage de la sémiologie graphique ? (présenté par Hervé PARMENTIER)
Télécharger en pdf

Ce qu’il faut retenir. (présenté par Nicolas LAMBERT)
Télécharger en pdf

Nicolas Lambert
More Posts
Follow Me:

8:18
Tutoriel classification d’images avec ArcMap: 2.1 Correction atmosphérique des images Landsat 8
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Nous avons vu précédemment comment corriger les images Landsat pour avoir la réflectance TOA (top-of-atmosphere). Voilà un schéma qui va nous aider à comprendre la suite:

La réflectance que nous avons calculé est donc le % de lumière réfléchie par rapport à la totalité de la lumière visible incidente. Mais comme on le voit dans le schéma, le capteur du satellite mesure deux choses en même temps: la lumière réfléchie par nos cibles à la surface de la terre, plus la lumière diffusée par les particules en suspension dans l’air.

On peut pousser la correction atmosphérique des images satellites pour enlever la partie de lumière due à la diffusion.

Comme nous l’avons déjà dit, ceci n’a d’intérêt que si vous travaillez sur des images séparées dans le temps. Le pourcentage de diffusion étant le même pour l’ensemble d’une image, c’est du temps perdu de faire cette correction.

Le mode d’emploi pour effectuer cette correction sur les images Landsat est disponible à l’adresse http://www.gisagmaps.com/landsat-8-atco-guide/

Mais si vous êtes débutant, vous aurez du mal à comprendre la marche à suivre. Nous allons la voir ici, en utilisant les outils d’ArcMap.

Méthode DOS (
Dark Object Subtraction)

La méthode que nous allons voir est la plus couramment employée.
La soustraction d’objets noirs est une méthode de correction atmosphérique empirique simple pour l’imagerie satellitaire, qui suppose que la réflectance des objets sombres inclut une composante importante de la diffusion atmosphérique.

Le concept est simple: si on a un objet complètement noir, et donc qui ne réfléchit pas du tout de lumière, cet objet qui devrait avoir une valeur de 0 réflectance va avoir une valeur non nulle au niveau du capteur satellite. Cette valeur sera la réflectance due aux particules présentes dans l’atmosphère.

La soustraction d’objets sombres recherche dans chaque bande la valeur de pixel la plus sombre. La diffusion est supprimée en soustrayant cette valeur de chaque pixel de la bande.

Première chose: la correction que nous allons faire ne s’applique qu’à la lumière visible et le proche infra-rouge. Nous travaillerons donc, pour les images Landsat 8, sur les bandes 2 (Bleu), 3 (vert), 4 (Rouge) et 5 (proche infra-rouge).

Deuxième chose à savoir: le principe utilisé est de calculer la diffusion pour la bande 4 (rouge) et d’utiliser une formule de correspondance pour déterminer la correction pour les autres trois bandes.

Troisième chose: nous allons travailler avec les bandes 2,3,4 et 5 en réflectance TOA mais aussi en radiance brute (DN) pour la bande 4 (rouge). Dans le mode d’emploi cité plus haut ceci n’apparaît pas du premier coup d’œil. Voyons la procédure pas à pas:

1- on calcule la réflectance TOA pour les quatre bandes avec la formule

TOAbande =((DN * 0.00002)-0.1)/sin(élévation solaire)

2- en analysant les valeurs de radiance brute (DN) de la bande rouge, nous allons déterminer une radiance due à la diffusion atmosphérique (DNred)

3- nous transformons cette radiance en réflectance TOA

CORred=((DNred * 0.00002)-0.1)/sin(élévation solaire)

4- avec un abaque on entre cette diffusion de la bande rouge et on obtient la diffusion pour les bandes 2,3 et 5 (CORbleu, CORvert, CORir)

5-on soustrait les valeurs obtenues des réflectances de TOA pour obtenir les valeurs de réflectance des 4 bandes corrigées de l’effet atmosphérique.

Rrouge= TOA(rouge)-CORred

Rbleue= TOA(bleu)-CORbleu

Rvert= TOA(vert)-CORvert

Rir= TOA(ir)-CORir

Voyons en détail les étapes 2 et 4.

Calcul de la diffusion de la bande rouge

Il y a plusieurs méthodes pour déterminer la correction à apporter à la bande rouge. La méthode conseillée est celle dite de la Fréquence 50 – 0.008. Vous trouverez ici une description détaillée de la méthode.

En pratique, avec ArcMap:

1- Vous devez créer la table raster de votre bande rouge:
- Chargez la bande rouge non corrigée (les valeurs brutes téléchargées) dans ArcMap.
- Dans la toolbox -> Data Management Tools -> Raster -> Raster properties -> Build Raster Attribute Table
Une fois l’outil exécutée, vous pourrez cliquer sur la couche dans la fenêtre de légende et sélectionner « Ouvrir la table attributaire« .

On va complètement ignorer la valeur 0 car ce sont les pixels noirs qui entourent notre image. Vous allez descendre dans les enregistrements jusqu’à trouver une valeur de COUNT égale ou supérieure à 50. Dans notre exemple ça correspond au 23ème enregistrement où l’on trouve un valeur de COUNT de 54.

La valeur de radiance à retenir pour la correction atmosphérique de la bande rouge sera la VALUE de la ligne précédente(OID=22) c’est à dire 5568.

On peut passer à la troisième étape,

3- nous transformons cette radiance en réflectance TOA

CORred=((DNred * 0.00002)-0.1)/sin(élévation solaire)

CORred= (( 5568 * 0.00002)-0.1)/0.42631886 =0.026647

Cette valeur correspond à la Fréquence 50. Comme la méthode est Fréquence 50 – 0.008, nous enlevons 0.008 de cette valeur:

0.026647 – 0.008 = 0.018647

C’est cette valeur qu’il faut soustraire aux valeur de TOA du rouge précédemment calculées pour avoir les valeurs corrigées de la diffusion atmosphérique.Cette valeur correspond à la Fréquence 50. Comme la méthode est Fréquence 50 – 0.008, nous enlevons 0.008 de cette valeur: 0.018647

Correction des autres bandes

A partir de la valeur de correction du rouge on obtient les valeurs à appliquer à chacune des autres bandes:

Allez sur la page [www.gisagmaps.com]

Vous trouverez une fenêtre où vous pouvez rentrer la valeur de correction du rouge

Rentrez votre valeur (ici 0.018647), vous aurez automatiquement les valeurs des autres corrections qui vont s’afficher

Nous obtenons ainsi les corrections de
- 0.06309 pour la bande Bleue
- 0.03442 pour la bande Verte
- 0.00626 pour la bande infrarouge proche
Pour avoir les bandes corrigées on utilise la calculatrice raster en soustrayant à chaque bande corrigée TOA la constante de correction que nous avons trouvé.
22 novembre 2018
8:26
Tutoriel classification d’images avec QGis: 2- Prétraitement et exploration des données
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale

On appelle fonctions de pré-traitement les opérations qui sont normalement requises avant l’analyse principale et l’extraction de l’information. Les opérations de pré-traitement se divisent en corrections radiométriques et en corrections géométriques. Les corrections radiométriques comprennent entre autres, la correction des données à cause des irrégularités du capteur, des bruits dus au capteur ou à l’atmosphère, et de la conversion des données afin qu’elles puissent représenter précisément le rayonnement réfléchi ou émis mesuré par le capteur. Les corrections géométriques comprennent la correction pour les distorsions géométriques dues aux variations de la géométrie Terre-capteur, et la transformation des données en vraies coordonnées (par exemple en latitude et longitude) sur la surface de la Terre.

Les fonctions de rehaussement ont pour but d’améliorer l’apparence de l’imagerie pour aider l’interprétation et l’analyse visuelles. Les fonctions de rehaussement permettent l’étirement des contrastes pour augmenter la distinction des tons entre les différents éléments d’une scène, et le filtrage spatial pour rehausser (ou éliminer) les patrons spatiaux spécifiques sur une image.

Les transformations d’images sont des opérations similaires à ceux de rehaussement de l’image. Cependant, alors que le rehaussement de l’image qui est normalement appliqué à une seule bande de données à la fois, la transformation de l’image combine le traitement des données de plusieurs bandes spectrales. Des opérations arithmétiques (c’est-à-dire addition, soustraction, multiplication, division) sont faites pour combiner et transformer les bandes originales en de « nouvelles » images qui montrent plus clairement certains éléments de la scène. Nous allons examiner certaines de ces opérations incluant les diverses méthodes de rapport de bande aussi appelé rapport spectral et un procédé appelé analyse des composantes principales qui est utilisée pour mieux représenter l’information en imagerie multispectrale.

Corrections radiométriques

Les corrections radiométriques peuvent être nécessaires à cause des variations dans l’illumination et dans la géométrie de visée d’une scène, des conditions atmosphériques, du bruit et de la réponse du capteur. Chacun de ces facteurs variera selon le capteur et la plate-forme utilisés, et selon les conditions d’acquisition des données. Aussi, il peut être souhaitable de convertir et de calibrer les données avec une unité de rayonnement ou réflexion connue (absolue) pour faciliter la comparaison entre les données.

Diverses méthodes de corrections atmosphériques peuvent être appliquées, allant de modèles très détaillés des conditions atmosphériques durant l’acquisition des données, jusqu’à un simple calcul basé seulement sur les données de l’image.

Quelle est la différence entre la radiance et la réflectance?

La radiance est la variable directement mesurée par les instruments de télédétection. Fondamentalement, vous pouvez considérer la radiance comme la quantité de lumière que l’instrument « voit » à partir de l’objet observé. Lorsque vous regardez à travers l’atmosphère, une partie de la lumière diffusée par celle-ci sera vue par l’instrument et incluse dans la radiance observée de la cible. L’atmosphère absorbera également la lumière, ce qui diminuera la luminosité observée.

La réflectance est le rapport entre la quantité de lumière quittant une cible et la quantité de lumière atteignant la cible. Il n’y a pas d’unités. Si toute la lumière quittant la cible est interceptée pour la mesure de la réflectance, le résultat est appelé « réflectance hémisphérique ».

La réflectance (ou plus spécifiquement la réflectance hémisphérique) est une propriété du matériau observé. La radiance, en revanche, dépend de l’éclairement (à la fois de l’intensité et de la direction), de l’orientation et de la position de la cible et du trajet de la lumière à travers l’atmosphère. Avec des efforts, de nombreux effets atmosphériques et l’éclairage solaire peuvent être compensés dans les données de télédétection. Cela donne ce qu’on appelle une « réflectance apparente » et elle diffère de la réflectance vraie en ce que les ombres et les effets directionnels sur la réflectance n’ont pas été traités. Beaucoup de gens parlent simplement de « réflectance ».

Pour de nombreuses applications, la luminance énergétique, la réflectance et la réflectance apparente peuvent être utilisées de manière interchangeable. Cependant, la réflectance étant une propriété du matériau cible lui-même, vous obtiendrez les valeurs d’indice de végétation les plus fiables (et répétables) à l’aide de la réflectance. La réflectance apparente est adéquate dans de nombreux cas.

Pour une description détaillée des méthodes de correction atmosphériques des images Landsat 8, vous pouvez suivre ce lien: http://www.gisagmaps.com/landsat-8-atco-guide/

La question que l’on se pose régulièrement est : est-ce nécessaire de réaliser une correction atmosphérique pour mon projet?

Par exemple, une des applications courantes de l’imagerie satellitaire est le calcul du NDVI (normalized difference vegetation index).

${\mbox{NDVI}}={\frac {({\mbox{NIR}}-{\mbox{Red}})}{({\mbox{NIR}}+{\mbox{Red}})}}$

Où NIR est la valeur de la bande du proche infrarouge et Red est la valeur de la bande du rouge visible.

Les valeurs du NDVI sont comprises en théorie entre -1 et +1, les valeurs négatives correspondant aux surfaces autres que les couverts végétaux, comme la neige, l’eau ou les nuages, pour lesquelles la réflectance dans le rouge est supérieure à celle du proche infrarouge. Pour les sols nus, les réflectances étant à peu près du même ordre de grandeur dans le rouge et le proche infrarouge, le NDVI présente des valeurs proches de 0. Les formations végétales quant à elles, ont des valeurs de NDVI positives, généralement comprises entre 0,1 et 0,7 – les valeurs les plus élevées correspondant aux couverts les plus denses.

Quand vous téléchargez une image Landsat 8, les valeurs de ces bandes sont données en unités de radiance.

La radiance est la quantité physique mesurée par le capteur. Elle se mesure en Watts (W), et dépend de la longueur d’onde (nm), de la surface de la cible (pixel) (m2) et de l’angle du cône de mesure (sr: stéradian). L’unité est donc W / (nm. m2. sr ).
La réflectance est le ratio de la radiance de la cible à la radiance d’une cible idéale qui réfléchirait 100% de la lumière incidente. Elle n’a donc pas d’unité, ou est donnée en pourcentage.
Ces deux quantités peuvent être mesurées/calculées aussi bien avec (au niveau du capteur) ou sans (au niveau de la surface) l’atmosphère .

La correction atmosphérique permet d’obtenir des données de réflectances qui (en théorie) ne dépendent pas des conditions atmosphériques. La correction atmosphérique permet donc de comparer les caractéristiques spectrales d’une cible au cours du temps ou à différents endroits. Pour notre exemple de classification, en théorie, nous pouvons aussi bien la faire sur les données de radiances délivrées par le fournisseur que sur les données de réflectance après correction atmosphérique. En pratique, la plupart des utilisateurs préfèrent travailler avec les données de réflectance, mais c’est surtout un question d’habitude. Cependant, une bonne raison d’utiliser les données de réflectance, est si l’on dispose de mesures de signatures spectrales sur le terrain et que l’on souhaite les utiliser comme références pour la classification.

En pratique

Prenons un exemple concret. Dans l’article Utiliser les images Landsat dans votre SIG vous trouverez comment télécharger une image Landsat 8 à partir du site Earth Explorer. Téléchargez une image d’une zone à votre convenance, en prenant soin de choisir le téléchargement de l’image complète (l’option Level-1 GeoTIFF Data Product).

Une fois décompressée vous aurez un répertoire contenant une série de fichiers:

Les images dont le nom se termine par B1 à B11 correspondent aux onze bandes du satellite. Elles contiennent des valeurs de radiance. Pour le NDVI on utilise les bandes 4 (rouge) et 5 (proche infrarouge).

Les données nécessaires aux différentes corrections sont contenues dans le fichier dont le nom se termine par MLT.

Prétraitement obligatoire pour QGis

Vous pouvez charger et travailler sur les images brutes téléchargées avec QGis. Par contre, pour certains traitements, le format fourni présente des problèmes qui feront planter certains outils.

Pour éviter tous ces problèmes, il est conseillé de modifier le format des images (bandes) téléchargées.

1- Chargez les bandes que vous allez utiliser dans la fenêtre de QGis

2- Ouvrez l’outil Traitements -> GDAL ->Conversion raster -> Convertir

Modifiez la valeur des NODATA en 0. Ceci est indispensable pour que les coins noirs des images ne soient pas pris en compte dans les traitements, comme par exemple pour les histogrammes.

Modifiez aussi le type de données en sortie en Int16.

Donnez un nom au nouveau raster et cliquez sur Exécuter.

Vous aurez la nouvelle image affichée. Supprimez le raster d’origine. Vous utiliserez le raster converti pour toutes les opérations futures avec QGis.

Exemple de calcul du NDVI

Pour le calcul du NDVI on utilise généralement une correction en TOA (Top-of-Atmosphere) en réflectance.

Pour convertir les données d’une bande (radiances) en TOA réflectances on utilise la méthode suivante:

pA’ =Mp*Qcal + Ap

Où:

pA’ = réflectance TOA, non corrigée de l’angle d’incidence solaire;

Mp = Facteur de redimensionnement multiplicatif spécifique à la bande à partir des métadonnées : REFLECTANCE_MULT_BAND_x, où X est le numéro de bande.

Ap = Facteur de redimensionnement additif spécifique à la bande à partir des métadonnées : REFLECTANCE_ADD_BAND_x, où X est le numéro de bande.

Qcal = valeur fourni dans la bande X du pixel.

Pour avoir une correction de la réflectance en fonction de l’angle d’incidence solaire, on utilise la formule suivante:

pA = pA’/sin(theta_se)

Où pA est la réflectance TOA corrigée de l’incidence solaire

theta_se= angle d’élévation du soleil au centre de l’image, fourni dans les métadonnées : SUN_ELEVATION.

Exemple de calcul avec QGis

Tout d’abord, si nous voulons, par exemple, calculer la correction atmosphérique de la Bande rouge (B4), nous aurons besoin des deux valeurs correspondantes à cette bande: REFLECTANCE_MULT_BAND_4 et REFLECTANCE_ADD_BAND_4

et la valeur de SUN_ELEVATION pour la correction finale

Nous chargeons la bande n°4 dans QGis

On ouvre la calculatrice raster (à partir des la Boîte à outils traitements -> GDAL -> Divers raster -> Calculatrice raster )

On rentre la formule de calcul suivante, qui correspond aux formules décrites plus haut avec les valeurs obtenues du fichier de métadonnées:

((0.00002 * A)-0.1)/0.42631886

Comme la calculatrice utilise des radians pour les fonctions trigonométriques, nous avons calculé le sinus de 25.23417171 (0.426318) de manière à simplifier la formule.

Une fois exécutée la commande, nous retrouvons une nouvelle image avec des valeurs de réflectance au lieu de radiances.

Nous répétons l’opération pour la bande 5. Une fois les deux bandes corrigées en TOA, on calcule le NDVI avec la calculatrice raster:

on affecte A à la bande 5 (proche IR), B à la bande 4 (rouge) et on entre la formule (A-B)/(A+B)

Le résultat une fois appliqué un gradient de couleurs (du vert au rouge en passant par le jaune), est le suivant:

Les valeurs négatives, dans le vert, correspondent aux surfaces autres que les couverts végétaux, comme l’eau ou les nuages, pour lesquelles la réflectance dans le rouge est supérieure à celle du proche infrarouge. Pour les sols nus, les réflectances étant à peu près du même ordre de grandeur dans le rouge et le proche infrarouge, le NDVI présente des valeurs proches de 0, en jaune. Les formations végétales quant à elles, ont des valeurs de NDVI positives, dans les tons rouges, généralement comprises entre 0,1 et 0,7 – les valeurs les plus élevées correspondant aux couverts les plus denses.
21 novembre 2018
11:25
Tutoriel classification d’images avec ArcMap: 2- Prétraitement et exploration des données
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale

On appelle fonctions de pré-traitement les opérations qui sont normalement requises avant l’analyse principale et l’extraction de l’information. Les opérations de pré-traitement se divisent en corrections radiométriques et en corrections géométriques. Les corrections radiométriques comprennent entre autres, la correction des données à cause des irrégularités du capteur, des bruits dus au capteur ou à l’atmosphère, et de la conversion des données afin qu’elles puissent représenter précisément le rayonnement réfléchi ou émis mesuré par le capteur. Les corrections géométriques comprennent la correction pour les distorsions géométriques dues aux variations de la géométrie Terre-capteur, et la transformation des données en vraies coordonnées (par exemple en latitude et longitude) sur la surface de la Terre.

Les fonctions de rehaussement ont pour but d’améliorer l’apparence de l’imagerie pour aider l’interprétation et l’analyse visuelles. Les fonctions de rehaussement permettent l’étirement des contrastes pour augmenter la distinction des tons entre les différents éléments d’une scène, et le filtrage spatial pour rehausser (ou éliminer) les patrons spatiaux spécifiques sur une image.

Les transformations d’images sont des opérations similaires à ceux de rehaussement de l’image. Cependant, alors que le rehaussement de l’image qui est normalement appliqué à une seule bande de données à la fois, la transformation de l’image combine le traitement des données de plusieurs bandes spectrales. Des opérations arithmétiques (c’est-à-dire addition, soustraction, multiplication, division) sont faites pour combiner et transformer les bandes originales en de « nouvelles » images qui montrent plus clairement certains éléments de la scène. Nous allons examiner certaines de ces opérations incluant les diverses méthodes de rapport de bande aussi appelé rapport spectral et un procédé appelé analyse des composantes principales qui est utilisée pour mieux représenter l’information en imagerie multispectrale.
Corrections radiométriques
Les corrections radiométriques peuvent être nécessaires à cause des variations dans l’illumination et dans la géométrie de visée d’une scène, des conditions atmosphériques, du bruit et de la réponse du capteur. Chacun de ces facteurs variera selon le capteur et la plate-forme utilisés, et selon les conditions d’acquisition des données. Aussi, il peut être souhaitable de convertir et de calibrer les données avec une unité de rayonnement ou réflexion connue (absolue) pour faciliter la comparaison entre les données.

Diverses méthodes de corrections atmosphériques peuvent être appliquées, allant de modèles très détaillés des conditions atmosphériques durant l’acquisition des données, jusqu’à un simple calcul basé seulement sur les données de l’image.
Quelle est la différence entre la radiance et la réflectance?
La radiance est la variable directement mesurée par les instruments de télédétection. Fondamentalement, vous pouvez considérer la radiance comme la quantité de lumière que l’instrument « voit » à partir de l’objet observé. Lorsque vous regardez à travers l’atmosphère, une partie de la lumière diffusée par celle-ci sera vue par l’instrument et incluse dans la radiance observée de la cible. L’atmosphère absorbera également la lumière, ce qui diminuera la luminosité observée.

La réflectance est le rapport entre la quantité de lumière quittant une cible et la quantité de lumière atteignant la cible. Il n’y a pas d’unités. Si toute la lumière quittant la cible est interceptée pour la mesure de la réflectance, le résultat est appelé « réflectance hémisphérique ».

La réflectance (ou plus spécifiquement la réflectance hémisphérique) est une propriété du matériau observé. La radiance, en revanche, dépend de l’éclairement (à la fois de l’intensité et de la direction), de l’orientation et de la position de la cible et du trajet de la lumière à travers l’atmosphère. Avec des efforts, de nombreux effets atmosphériques et l’éclairage solaire peuvent être compensés dans les données de télédétection. Cela donne ce qu’on appelle une « réflectance apparente » et elle diffère de la réflectance vraie en ce que les ombres et les effets directionnels sur la réflectance n’ont pas été traités. Beaucoup de gens parlent simplement de « réflectance ».

Pour de nombreuses applications, la luminance énergétique, la réflectance et la réflectance apparente peuvent être utilisées de manière interchangeable. Cependant, la réflectance étant une propriété du matériau cible lui-même, vous obtiendrez les valeurs d’indice de végétation les plus fiables (et répétables) à l’aide de la réflectance. La réflectance apparente est adéquate dans de nombreux cas.

Pour une description détaillée des méthodes de correction atmosphériques des images Landsat 8, vous pouvez suivre ce lien: [www.gisagmaps.com]

La question que l’on se pose régulièrement est : est-ce nécessaire de réaliser une correction atmosphérique pour mon projet?

Par exemple, une des applications courantes de l’imagerie satellitaire est le calcul du NDVI (normalized difference vegetation index).

${\mbox{NDVI}}={\frac {({\mbox{NIR}}-{\mbox{Red}})}{({\mbox{NIR}}+{\mbox{Red}})}}$
Où NIR est la valeur de la bande du proche infrarouge et Red est la valeur de la bande du rouge visible.

Les valeurs du NDVI sont comprises en théorie entre -1 et +1, les valeurs négatives correspondant aux surfaces autres que les couverts végétaux, comme la neige, l’eau ou les nuages, pour lesquelles la réflectance dans le rouge est supérieure à celle du proche infrarouge. Pour les sols nus, les réflectances étant à peu près du même ordre de grandeur dans le rouge et le proche infrarouge, le NDVI présente des valeurs proches de 0. Les formations végétales quant à elles, ont des valeurs de NDVI positives, généralement comprises entre 0,1 et 0,7 – les valeurs les plus élevées correspondant aux couverts les plus denses.

Quand vous téléchargez une image Landsat 8, les valeurs de ces bandes sont données en unités de radiance.

La radiance est la quantité physique mesurée par le capteur. Elle se mesure en Watts (W), et dépend de la longueur d’onde (nm), de la surface de la cible (pixel) (m2) et de l’angle du cône de mesure (sr: stéradian). L’unité est donc W / (nm. m2. sr ).
La réflectance est le ratio de la radiance de la cible à la radiance d’une cible idéale qui réfléchirait 100% de la lumière incidente. Elle n’a donc pas d’unité, ou est donnée en pourcentage.
Ces deux quantités peuvent être mesurées/calculées aussi bien avec (au niveau du capteur) ou sans (au niveau de la surface) l’atmosphère .

La correction atmosphérique permet d’obtenir des données de réflectances qui (en théorie) ne dépendent pas des conditions atmosphériques. La correction atmosphérique permet donc de comparer les caractéristiques spectrales d’une cible au cours du temps ou à différents endroits. Pour notre exemple de classification, en théorie, nous pouvons aussi bien la faire sur les données de radiances délivrées par le fournisseur que sur les données de réflectance après correction atmosphérique. En pratique, la plupart des utilisateurs préfèrent travailler avec les données de réflectance, mais c’est surtout un question d’habitude. Cependant, une bonne raison d’utiliser les données de réflectance, est si l’on dispose de mesures de signatures spectrales sur le terrain et que l’on souhaite les utiliser comme références pour la classification.
En pratique
Prenons un exemple concret. Dans l’article Utiliser les images Landsat dans votre SIG vous trouverez comment télécharger une image Landsat 8 à partir du site Earth Explorer. Téléchargez une image d’une zone à votre convenance, en prenant soin de choisir le téléchargement de l’image complète (l’option Level-1 GeoTIFF Data Product).

Une fois décompressée vous aurez un répertoire contenant une série de fichiers:

Les images dont le nom se termine par B1 à B11 correspondent aux onze bandes du satellite. Elles contiennent des valeurs de radiance. Pour le NDVI on utilise les bandes 4 (rouge) et 5 (proche infrarouge).

Les données nécessaires aux différentes corrections sont contenues dans le fichier dont le nom se termine par MLT.

Pour le calcul du NDVI on utilise généralement une correction en TOA (Top-of-Atmosphere) en réflectance.

Pour convertir les données d’une bande (radiances) en TOA réflectances on utilise la méthode suivante:

pA’ =Mp*Qcal + Ap

Où:

pA’ = réflectance TOA, non corrigée de l’angle d’incidence solaire;

Mp = Facteur de redimensionnement multiplicatif spécifique à la bande à partir des métadonnées : REFLECTANCE_MULT_BAND_x, où X est le numéro de bande.

Ap = Facteur de redimensionnement additif spécifique à la bande à partir des métadonnées : REFLECTANCE_ADD_BAND_x, où X est le numéro de bande.

Qcal = valeur fourni dans la bande X du pixel.

Pour avoir une correction de la réflectance en fonction de l’angle d’incidence solaire, on utilise la formule suivante:

pA = pA’/sin(theta_se)

Où pA est la réflectance TOA corrigée de l’incidence solaire

theta_se= angle d’élévation du soleil au centre de l’image, fourni dans les métadonnées : SUN_ELEVATION.
Exemple de calcul avec ArcMap
Tout d’abord, si nous voulons, par exemple, calculer la correction atmosphérique de la Bande rouge (B4), nous aurons besoin des deux valeurs correspondantes à cette bande: REFLECTANCE_MULT_BAND_4 et REFLECTANCE_ADD_BAND_4

et la valeur de SUN_ELEVATION pour la correction finale

Nous chargeons la bande n°4 dans ArcMap

On ouvre la calculatrice raster (à partir de la Toolbox Spatial Analyst Tools -> Map Algebra -> Raster calculator)

On rentre la formule de calcul suivante, qui correspond aux formules décrites plus haut avec les valeurs obtenues du fichier de métadonnées:

((0.00002 * « LC08_L1TP_203026_20181102_20181102_01_RT_B4.TIF »)-0.1)/0.42631886

Comme la calculatrice utilise des radians pour les fonctions trigonométriques, nous avons calculé le sinus de 25.23417171 (0.426318) de manière à simplifier la formule.

Une fois exécutée la commande, nous retrouvons une nouvelle image avec des valeurs de réflectance au lieu de radiances.

Nous répétons l’opération pour la bande 5. Une fois les deux bandes corrigées en TOA, on calcule le NDVI avec la calculatrice raster:

Le résultat une fois appliqué un gradient de couleurs (du vert au rouge en passant par le jaune), est le suivant:

Les valeurs négatives, dans le vert, correspondent aux surfaces autres que les couverts végétaux, comme l’eau ou les nuages, pour lesquelles la réflectance dans le rouge est supérieure à celle du proche infrarouge. Pour les sols nus, les réflectances étant à peu près du même ordre de grandeur dans le rouge et le proche infrarouge, le NDVI présente des valeurs proches de 0, en jaune. Les formations végétales quant à elles, ont des valeurs de NDVI positives, dans les tons rouges, généralement comprises entre 0,1 et 0,7 – les valeurs les plus élevées correspondant aux couverts les plus denses.

10:43
Glyph'awards : la carte de France du glyphosate et des perturbateurs endocriniens
sur Chroniques Cartographiques

Générations Futures publie aujourd'hui une carte forte intéressante permettant de visualiser les départements les plus accros et les plus intoxiqués aux pesticides ! Dénommée de manière humoristique les "glyph'awards" (à l'image des prix décernés pour...

9:34
Le Mont-Saint-Michel : regards numériques sur la maquette, Musée des Plans-reliefs, du 11-10-2018 au 14-01-2019
sur Cartes et figures du monde

Exposition-dossier organisée autour de la maquette du Mont-Saint-Michel, l’un des fleurons de la collection du musée : chef-d’œuvre de la fin du XVIIe siècle, elle constitue un témoignage majeur pour la connaissance des aménagements du Mont.

Elle est associée à un dispositif numérique innovant développé grâce au parrainage de Microsoft. Cette médiation en réalité mixte a été conçue afin de permettre la confrontation directe entre la maquette et le site. Equipés de lunettes HoloLens, les visiteurs pourront ainsi être plongés dans la maquette et l’histoire du célèbre mont.

Pour en savoir plus :

0:00

Dessiner un cercle ou un rond sur une carte Google Maps

sur www.touraineverte.com

20 novembre 2018
21:57
Google Maps : Signalement des radars et accidents pour alerter les conducteurs.
sur Veille cartographie

Cet article Google Maps : Signalement des radars et accidents pour alerter les conducteurs. est apparu en premier sur Veille cartographique 2.0.

« Google Maps » face à la concurrence de « WAZE » Selon diverses informations diffusées dans les médias, notamment les réseaux sociaux, on apprend que notre cher moteur de navigation « Google » a racheté depuis 2013, une application très connue et utilisée à l’échelle internationale. Il s’agit de l’application « WAZE« . Cette dernière est une « application 100% mobile de navigation […]

Cet article Google Maps : Signalement des radars et accidents pour alerter les conducteurs. est apparu en premier sur Veille cartographique 2.0.

8:47
Tutoriel classification d’images avec QGis: 1- Introduction
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Tout d’abord, un avertissement: ce tutoriel ne s’adresse pas aux utilisateurs dont le traitement d’images spatiales est leur métier. Il s’adresse aux utilisateurs de SIG qui doivent se lancer dans le traitement d’images dans le but d’enrichir leur données. Le but est d’aplanir les écueils du débutant et de fournir quelques bases théoriques pour ne pas simplement suivre une recette de cuisine. Les aspects théoriques ne sont donc pas exhaustifs et on se permettra quelques approximations pour ne pas rendre le discours incompréhensible pour le néophyte.

Une grande partie des explications est tirée de l’excellent site de Ressources naturelles Canada, auxquelles nous avons ajouté toute la partie pratique avec QGis. Vous trouverez le même tutoriel mais adapté aux outils proposé par ArcGis sur notre site.

Parmi la grande variété d’outil proposés par QGis pour réaliser le travail de classification d’images, nous utiliserons dans ce tutoriel:
- le plug-in SEMI AUTOMATIC CLASSIFICATION
- les outils de traitement de QGis
Le plug-in SEMI AUTOMATIC CLASSIFICATION est tellement performant que l’on pourrait se contenter de lui pour l’ensemble du tutoriel. Mais dans ce cas il serait un boîte noire et vous ne sauriez pas faire ce qu’il fait. Nous verrons donc comment faire les différentes opérations sans utiliser le plugin (par exemple la correction atmosphérique) et après, nous verrons comment gagner du temps avec l’utilisation du plugin (en cochant une case pour la correction atmosphérique!).

Nous donnerons la marche à suivre pour les versions 2.18 et 3.4 de QGis.

Le tutoriel abordera les trois grandes phases du travail de classification d’images:
- le prétraitement et l’exploration des données
- la classification d’images à proprement parler
- le post-traitement des classifications
1- Introduction
L’interprétation et l’analyse de l’imagerie de télédétection ont pour but d’identifier et de mesurer différentes cibles dans une image pour pouvoir en extraire l’information utile. En télédétection, une cible est définie comme étant toute structure ou objet observable dans une image. Les cibles peuvent être des points, des lignes ou des surfaces. Elles peuvent donc présenter des formes variées mais elles doivent obligatoirement répondre à une caractéristique: elles doivent être distinctives, c’est à dire qu’elles doivent contraster avec les structures avoisinantes.
La photo-interprétation
L’interprétation et l’identification des cibles en télédétection peuvent être faites de façon visuelle, c’est-à-dire par un interprète humain. Dans ce cas, l’imagerie est présentée dans un format photographique, indépendamment du type de capteurs et de la manière dont les données sont acquises.

L’interprétation et l’analyse visuelles datent du tout début de la télédétection avec l’interprétation de photos aériennes. L’interprétation visuelle est souvent limitée à un seul canal de données ou une seule image à la fois, en raison de la difficulté d’effectuer une interprétation visuelle avec plusieurs images. L’interprétation humaine est un procédé subjectif, ce qui veut dire que les résultats peuvent varier d’un interprète à l’autre.
La classification d’image
Un analyste qui tente de classer les caractéristiques d’une image, utilise les éléments de l’interprétation visuelle (photo-interprétation) pour identifier des groupes homogènes de pixels qui représentent des classes intéressantes de surfaces. La classification numérique des images utilise l’information spectrale contenue dans les valeurs d’une ou de plusieurs bandes spectrales pour classifier chaque pixel individuellement. Ce type de classification est appelé reconnaissance de regroupements spectraux. Les deux façons de procéder (manuelle ou automatique) ont pour but d’assigner une classe particulière ou thème (par exemple : eau, forêt de conifères, maïs, blé, etc.) à chacun des pixels d’une image. La « nouvelle » image qui représente la classification est composée d’une mosaïque de pixels qui appartiennent chacun à un thème particulier. Cette image est essentiellement une représentation thématique de l’image originale.

Lorsqu’on parle de classes, il faut faire la distinction entre des classes d’information et des classes spectrales. Les classes d’information sont des catégories d’intérêt que l’analyste tente d’identifier dans les images, comme différents types de cultures, de forêts ou d’espèce d’arbres, différents types de caractéristiques géologiques ou de roches, etc. Les classes spectrales sont des groupes de pixels qui ont les mêmes caractéristiques (ou presque) en ce qui a trait à leur valeur d’intensité dans les différentes bandes spectrales des données. L’objectif ultime de la classification est de faire la correspondance entre les classes spectrales et les classes d’information. Il est rare qu’une correspondance directe soit possible entre ces deux types de classes. Des classes spectrales bien définies peuvent apparaître parfois sans qu’elles correspondent nécessairement à des classes d’information intéressantes pour l’analyse. D’un autre côté, une classe d’information très large (par exemple la forêt) peut contenir plusieurs sous-classes spectrales avec des variations spectrales définies. En utilisant l’exemple de la forêt, les sous-classes spectrales peuvent être causées par des variations dans l’âge, l’espèce, la densité des arbres ou simplement par les effets d’ombrage ou des variations dans l’illumination. L’analyste a le rôle de déterminer de l’utilité des différentes classes spectrales et de valider leur correspondance à des classes d’informations utiles.

Les méthodes de classification les plus communes peuvent être séparées en deux grandes catégories : les méthodes de classification supervisée et les méthodes de classification non supervisée.
Classification supervisée
Lors de l’utilisation d’une méthode de classification supervisée, l’analyste identifie des échantillons assez homogènes de l’image qui sont représentatifs de différents types de surfaces (classes d’information). Ces échantillons forment un ensemble de données-tests. La sélection de ces données-tests est basée sur les connaissances de l’analyste, sa familiarité avec les régions géographiques et les types de surfaces présents dans l’image. L’analyste supervise donc la classification d’un ensemble spécifique de classes. Les informations numériques pour chacune des bandes et pour chaque pixel de ces ensembles sont utilisées pour que l’ordinateur puisse définir les classes et ensuite reconnaître des régions aux propriétés similaires à chaque classe. L’ordinateur utilise un programme spécial ou algorithme afin de déterminer la « signature » numérique de chacune des classes. Plusieurs algorithmes différents sont possibles. Une fois que l’ordinateur a établi la signature spectrale de chaque classe, il assigne chaque pixel de l’image à la classe avec laquelle il a le plus d’affinités.

Une classification supervisée commence donc par l’identification des classes d’information qui sont ensuite utilisées pour définir les classes spectrales qui les représentent.
Classification non supervisée
La classification non supervisée procède de façon contraire. Les classes spectrales sont formées en premier, basées sur l’information numérique des données seulement. Ces classes sont ensuite associées, par un analyste, à des classes d’information utile (si possible). Des programmes appelés algorithmes de classification sont utilisés pour déterminer les groupes statistiques naturels ou les structures des données. Habituellement, l’analyste spécifie le nombre de groupes ou classes qui seront formés avec les données. De plus, l’analyste peut spécifier certains paramètres relatifs à la distance entre les classes et la variance à l’intérieur même d’une classe. Le résultat final de ce processus de classification itératif peut créer des classes que l’analyste voudra combiner, ou des classes qui devraient être séparées de nouveau. Chacune de ces étapes nécessite une nouvelle application de l’algorithme. L’intervention humaine n’est donc pas totalement exempte de la classification non supervisée. Cependant

cette méthode ne commence pas avec un ensemble prédéterminé de classes comme pour la classification supervisée.
L’interprétation visuelle
La reconnaissance des cibles est la clé de l’interprétation et de l’extraction d’information. L’observation des différences entre les cibles et leurs arrière-plans implique la comparaison entre différentes cibles en se basant sur une combinaison de sept caractéristiques : ton, forme, taille, patron, texture, ombre et association. Consciemment ou non, nous utilisons régulièrement ces caractéristiques pour les interprétations visuelles que nous effectuons quotidiennement. L’identification des cibles en télédétection basée sur les sept caractéristiques visuelles nous permet de mieux interpréter et analyser.

Le ton réfère à la clarté relative ou la couleur (teinte) des objets dans une image. Généralement, la nuance de ton est l’élément fondamental pour différencier les cibles et les structures. Les variations de ton permettent aussi la différenciation des formes, textures et patrons des objets.

La forme réfère à l’allure générale, la structure ou le contour des objets pris individuellement. La forme peut être un indice très important pour l’interprétation. Les formes aux bordures rectilignes se retrouvent généralement dans les régions urbaines ou sont des champs agricoles, alors que les structures naturelles, telles que les bordures des forêts, sont généralement plus irrégulières, sauf dans les endroits où l’homme a construit une route ou effectué une coupe à blanc. Les fermes où les champs de culture irrigués par des systèmes d’arrosage automatiques présentent des formes circulaires.

La taille d’un objet sur une image est fonction de l’échelle. Il est important d’évaluer la taille d’une cible par rapport aux autres objets dans une scène (taille relative), ainsi que la taille absolue, afin d’aider l’interprétation de cette cible. Une évaluation rapide de la taille approximative d’une cible facilite souvent l’interprétation. Par exemple, dans une image où l’on aurait à distinguer différentes zones d’utilisation du sol et à identifier une aire comportant des bâtiments, les grosses structures telles que les usines ou les entrepôts suggéreraient des propriétés commerciales, tandis que de plus petits éléments suggéreraient des lieux résidentiels.

Le patron réfère à l’agencement spatial des objets visiblement discernables. Une répétition ordonnée de tons similaires et de textures produit un patron distinctif et facilement reconnaissable. Les vergers avec leurs arbres régulièrement disposés, ou les rues régulièrement bordées de maisons sont de bons exemples de patrons.

La texture réfère à l’arrangement et à la fréquence des variations de teintes dans des régions particulières d’une image. Des textures rugueuses consisteraient en des tons en rayures où les niveaux de gris changent brusquement dans une petite région, alors que les textures lisses auraient peu ou pas de variations de tons. Les textures lisses sont souvent le résultat de surfaces uniformes telles que des champs, du pavement ou des terrains gazonnés. Une cible avec une surface rugueuse et une structure irrégulière, telle qu’une forêt, résulte en une texture d’apparence rugueuse. La texture est l’un des éléments les plus importants pour différencier les structures sur une image radar.

Les ombres sont aussi utiles pour l’interprétation puisqu’elles donnent une idée du profil et de la hauteur relative des cibles pouvant être identifiées facilement. Les ombres peuvent cependant réduire, voire éliminer l’interprétation dans leur entourage, puisque les cibles situées dans les ombres sont moins, ou pas du tout discernables. En imagerie radar, les ombres sont particulièrement utiles pour rehausser ou identifier la topographie et les formes géologiques, particulièrement en imagerie radar.

L’association tient compte de la relation entre la cible d’intérêt et d’autres objets ou structures reconnaissables qui sont à proximité. L’identification d’éléments qu’on s’attend normalement à retrouver à proximité d’autres structures peut donner de l’information facilitant l’identification. Dans l’exemple ci-dessous, les propriétés commerciales peuvent être associées avec les routes à proximité, alors que les aires résidentielles seraient associées avec les écoles, les terrains de jeux et de sports. Dans notre exemple, un lac est associé à des bateaux, à une marina et à un parc récréatif tout près.

Le processus de classification d’images
L’ensemble du processus menant de l’image brute acquise par satellite ou par avion à une carte thématique présentant les entités géographiques choisies se décompose en une série d’étapes:
- Exploration des données et prétraitement
  - le prétraitement des images
  - correction atmosphérique
  - le rehaussement de l’image
  - les transformations de l’image
- Classification de l’image
  - Collecte d’échantillons d’apprentissage
  - Évaluation d’échantillons d’apprentissage
  - Mise à jour des classes
  - Création du fichier de signatures
  - Agrégation (classification non assistée)
  - Examen du fichier de signatures
  - Modification du fichier de signatures
  - Application de la classification
- Traitements de post-classification
  - Filtrage
  - Lissage
  - Généralisation
Nous aborderons dans les prochains articles chacun de ces thèmes. Au fur et à mesure des publications, nous ajouterons les liens vers les articles correspondants.

19 novembre 2018
23:00
Theia just selected a new production zone for Sentinel-2 L2A in Sahel
sur Séries temporelles
=>

The Level 2A data production with MAJA processor, by MUSCATE processing center is now fast and efficient. Some margins have been found to add new zones to our production. (The zones already processed are displayed here). French public institutes of labs that would need new zones can tell us their needs, we should still have a few tiles left in our quota.

A few well informed colleagues acted fast, and Santiago Pena Luque (from CNES), who works for the SWOT satellite project made a large new proposal. The Senegal and Niger basins which have been chosen as integrative test sites by SWOT. So the main target is to monitor the height and flow of the rivers, but this implies to study rainfall, evapo-transpiration and run off. The Sentinel-2 data will provide the vegetation status. Of course, the same zone will also allow a large variety of applications related to climate, desertification, food production monitoring, starting from land cover. Several laboratories are associated to the proposal: namely, GET, LEGOS and CESBIO in Toulouse, and TETIS in Montpellier.

Here is the zone that was accepted by Theia today :

Sahel zone just accepted by Theia. In green, the tiles already produced by theia, in blue, the new tiles.

The new zone was defined from the following constraints:
- Cover the Senegal and Niger basins
- No more than 300 new tiles (288 exactly)
- Add a contiguous zone
- Avoid the Guinea gulf coast as it is mostly cloudy
- Avoid the desert, as it does not change much with time
- Try to complete administrative units (countries, regions)
The final zone covers the Sahel from Senegal to Tchad, including the whole Senegal, Gambia, Burkina Faso, the South and West of Mali, the North of Guineas, Ivory coast, Ghana, Togo, Benin, Nigeria, The South-West of Niger and the West of Chad.
We will start the processing with the data acquired in December 2016, and try to catch-up the real time production as fast as possible. Given the size of the zone, it will take a few months probably. That's a lot of work for the MUSCATE production team, but it will be useful

18:00
Qfield, un carnet de terrain électronique
sur Veille cartographie

Cet article Qfield, un carnet de terrain électronique est apparu en premier sur Veille cartographique 2.0.

Il est évident que pour créer tout projet, il est nécessaire de récolter de la donnée. L’acquisition, sur le terrain, de données peut désormais être facilitée grâce à l’application Qfield. L’objectif est d’embarquer un projet « allégé » de QGIS sur le terrain. Cela permet de recueillir de la donnée (point de vue photographique, inventaires […]

Cet article Qfield, un carnet de terrain électronique est apparu en premier sur Veille cartographique 2.0.

13:25
Magrit ou R ?
sur Carnet (neo)cartographique

Pièce jointe: [télécharger]

Camarades cartographes, veuillez-trouver ci-dessous mon intervention ainsi que celle de Timothée Giraud [voir], réalisée lors de la journée d’études sur les humanités numériques à l’ENS le 4 octobre 2018, sur les usages et formats de la cartographie aujourd’hui [voir].

Cette intervention en duo porte sur les outils cartographiques pour la recherche et l’enseignement que nous développons à l’UMS RIATE [voir], Nous y présentons deux solutions de cartographie qui visent deux types de besoins de production différents. D’une part, l’application en ligne MAGRIT qui a été pensée comme un support à l’enseignement de la cartographie thématique. D’autre part, le package « cartography » de R qui situe plutôt la production cartographique dans une démarche de recherche reproductible [voir].

Bon visionnage

Nicolas Lambert
More Posts
Follow Me:

9:30
Tutoriel classification d’images avec ArcMap: 1- Introduction
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Tout d’abord, un avertissement: ce tutoriel ne s’adresse pas aux utilisateurs dont le traitement d’images spatiales est leur métier. Il s’adresse aux utilisateurs de SIG qui doivent se lancer dans le traitement d’images dans le but d’enrichir leur données. Le but est d’aplanir les écueils du débutant et de fournir quelques bases théoriques pour ne pas simplement suivre une recette de cuisine. Les aspects théoriques ne sont donc pas exhaustifs et on se permettra quelques approximations pour ne pas rendre le discours incompréhensible pour le néophyte.

Une grande partie des explications est tirée de l’excellent site de Ressources naturelles Canada, auxquelles nous avons ajouté toute la partie pratique avec ArcMap. Vous trouverez sur notre site, en parallèle, le même tutoriel mais adapté aux outils proposé par QGis .

Parmi la grande variété d’outil proposés par ArcGis pour réaliser le travail de classification d’images, nous utiliserons dans ce tutoriel:
- la barre d’outils « Classification d’images »
- la fenêtre Image Analysis
- les outils batch de la Toolbox
Le tutoriel abordera les trois grandes phases du travail de classification d’images:
- le prétraitement et l’exploration des données
- la classification d’images à proprement parler
- le post-traitement des classifications
1- Introduction

L’interprétation et l’analyse de l’imagerie de télédétection ont pour but d’identifier et de mesurer différentes cibles dans une image pour pouvoir en extraire l’information utile. En télédétection, une cible est définie comme étant toute structure ou objet observable dans une image. Les cibles peuvent être des points, des lignes ou des surfaces. Elles peuvent donc présenter des formes variées mais elles doivent obligatoirement répondre à une caractéristique: elles doivent être distinctives, c’est à dire qu’elles doivent contraster avec les structures avoisinantes.
La photo-interprétation
L’interprétation et l’identification des cibles en télédétection peuvent être faites de façon visuelle, c’est-à-dire par un interprète humain. Dans ce cas, l’imagerie est présentée dans un format photographique, indépendamment du type de capteurs et de la manière dont les données sont acquises.

L’interprétation et l’analyse visuelles datent du tout début de la télédétection avec l’interprétation de photos aériennes. L’interprétation visuelle est souvent limitée à un seul canal de données ou une seule image à la fois, en raison de la difficulté d’effectuer une interprétation visuelle avec plusieurs images. L’interprétation humaine est un procédé subjectif, ce qui veut dire que les résultats peuvent varier d’un interprète à l’autre.
La classification d’image
Un analyste qui tente de classer les caractéristiques d’une image, utilise les éléments de l’interprétation visuelle (photo-interprétation) pour identifier des groupes homogènes de pixels qui représentent des classes intéressantes de surfaces. La classification numérique des images utilise l’information spectrale contenue dans les valeurs d’une ou de plusieurs bandes spectrales pour classifier chaque pixel individuellement. Ce type de classification est appelé reconnaissance de regroupements spectraux. Les deux façons de procéder (manuelle ou automatique) ont pour but d’assigner une classe particulière ou thème (par exemple : eau, forêt de conifères, maïs, blé, etc.) à chacun des pixels d’une image. La « nouvelle » image qui représente la classification est composée d’une mosaïque de pixels qui appartiennent chacun à un thème particulier. Cette image est essentiellement une représentation thématique de l’image originale.

Lorsqu’on parle de classes, il faut faire la distinction entre des classes d’information et des classes spectrales. Les classes d’information sont des catégories d’intérêt que l’analyste tente d’identifier dans les images, comme différents types de cultures, de forêts ou d’espèce d’arbres, différents types de caractéristiques géologiques ou de roches, etc. Les classes spectrales sont des groupes de pixels qui ont les mêmes caractéristiques (ou presque) en ce qui a trait à leur valeur d’intensité dans les différentes bandes spectrales des données. L’objectif ultime de la classification est de faire la correspondance entre les classes spectrales et les classes d’information. Il est rare qu’une correspondance directe soit possible entre ces deux types de classes. Des classes spectrales bien définies peuvent apparaître parfois sans qu’elles correspondent nécessairement à des classes d’information intéressantes pour l’analyse. D’un autre côté, une classe d’information très large (par exemple la forêt) peut contenir plusieurs sous-classes spectrales avec des variations spectrales définies. En utilisant l’exemple de la forêt, les sous-classes spectrales peuvent être causées par des variations dans l’âge, l’espèce, la densité des arbres ou simplement par les effets d’ombrage ou des variations dans l’illumination. L’analyste a le rôle de déterminer de l’utilité des différentes classes spectrales et de valider leur correspondance à des classes d’informations utiles.

Les méthodes de classification les plus communes peuvent être séparées en deux grandes catégories : les méthodes de classification supervisée et les méthodes de classification non supervisée.
Classification supervisée
Lors de l’utilisation d’une méthode de classification supervisée, l’analyste identifie des échantillons assez homogènes de l’image qui sont représentatifs de différents types de surfaces (classes d’information). Ces échantillons forment un ensemble de données-tests. La sélection de ces données-tests est basée sur les connaissances de l’analyste, sa familiarité avec les régions géographiques et les types de surfaces présents dans l’image. L’analyste supervise donc la classification d’un ensemble spécifique de classes. Les informations numériques pour chacune des bandes et pour chaque pixel de ces ensembles sont utilisées pour que l’ordinateur puisse définir les classes et ensuite reconnaître des régions aux propriétés similaires à chaque classe. L’ordinateur utilise un programme spécial ou algorithme afin de déterminer la « signature » numérique de chacune des classes. Plusieurs algorithmes différents sont possibles. Une fois que l’ordinateur a établi la signature spectrale de chaque classe, il affecte chaque pixel de l’image à la classe avec laquelle il a le plus d’affinités.

Une classification supervisée commence donc par l’identification des classes d’information qui sont ensuite utilisées pour définir les classes spectrales qui les représentent.
Classification non supervisée
La classification non supervisée procède de façon contraire. Les classes spectrales sont formées en premier, basées sur l’information numérique des données seulement. Ces classes sont ensuite associées, par un analyste, à des classes d’information utile (si possible). Des programmes appelés algorithmes de classification sont utilisés pour déterminer les groupes statistiques naturels ou les structures des données. Habituellement, l’analyste spécifie le nombre de groupes ou classes qui seront formés avec les données. De plus, l’analyste peut spécifier certains paramètres relatifs à la distance entre les classes et la variance à l’intérieur même d’une classe. Le résultat final de ce processus de classification itératif peut créer des classes que l’analyste voudra combiner, ou des classes qui devraient être séparées de nouveau. Chacune de ces étapes nécessite une nouvelle application de l’algorithme. L’intervention humaine n’est donc pas totalement exempte de la classification non supervisée. Cependant

cette méthode ne commence pas avec un ensemble prédéterminé de classes comme pour la classification supervisée.
L’interprétation visuelle
La reconnaissance des cibles est la clé de l’interprétation et de l’extraction d’information. L’observation des différences entre les cibles et leurs arrière-plans implique la comparaison entre différentes cibles en se basant sur une combinaison de sept caractéristiques : ton, forme, taille, patron, texture, ombre et association. Consciemment ou non, nous utilisons régulièrement ces caractéristiques pour les interprétations visuelles que nous effectuons quotidiennement. L’identification des cibles en télédétection basée sur les sept caractéristiques visuelles nous permet de mieux interpréter et analyser.

Le ton réfère à la clarté relative ou la couleur (teinte) des objets dans une image. Généralement, la nuance de ton est l’élément fondamental pour différencier les cibles et les structures. Les variations de ton permettent aussi la différenciation des formes, textures et patrons des objets.

La forme réfère à l’allure générale, la structure ou le contour des objets pris individuellement. La forme peut être un indice très important pour l’interprétation. Les formes aux bordures rectilignes se retrouvent généralement dans les régions urbaines ou sont des champs agricoles, alors que les structures naturelles, telles que les bordures des forêts, sont généralement plus irrégulières, sauf dans les endroits où l’homme a construit une route ou effectué une coupe à blanc. Les fermes où les champs de culture irrigués par des systèmes d’arrosage automatiques présentent des formes circulaires.

La taille d’un objet sur une image est fonction de l’échelle. Il est important d’évaluer la taille d’une cible par rapport aux autres objets dans une scène (taille relative), ainsi que la taille absolue, afin d’aider l’interprétation de cette cible. Une évaluation rapide de la taille approximative d’une cible facilite souvent l’interprétation. Par exemple, dans une image où l’on aurait à distinguer différentes zones d’utilisation du sol et à identifier une aire comportant des bâtiments, les grosses structures telles que les usines ou les entrepôts suggéreraient des propriétés commerciales, tandis que de plus petits éléments suggéreraient des lieux résidentiels.

Le patron réfère à l’agencement spatial des objets visiblement discernables. Une répétition ordonnée de tons similaires et de textures produit un patron distinctif et facilement reconnaissable. Les vergers avec leurs arbres régulièrement disposés, ou les rues régulièrement bordées de maisons sont de bons exemples de patrons.

La texture réfère à l’arrangement et à la fréquence des variations de teintes dans des régions particulières d’une image. Des textures rugueuses consisteraient en des tons en rayures où les niveaux de gris changent brusquement dans une petite région, alors que les textures lisses auraient peu ou pas de variations de tons. Les textures lisses sont souvent le résultat de surfaces uniformes telles que des champs, du pavement ou des terrains gazonnés. Une cible avec une surface rugueuse et une structure irrégulière, telle qu’une forêt, résulte en une texture d’apparence rugueuse. La texture est l’un des éléments les plus importants pour différencier les structures sur une image radar.

Les ombres sont aussi utiles pour l’interprétation puisqu’elles donnent une idée du profil et de la hauteur relative des cibles pouvant être identifiées facilement. Les ombres peuvent cependant réduire, voire éliminer l’interprétation dans leur entourage, puisque les cibles situées dans les ombres sont moins, ou pas du tout discernables. En imagerie radar, les ombres sont particulièrement utiles pour rehausser ou identifier la topographie et les formes géologiques, particulièrement en imagerie radar.

L’association tient compte de la relation entre la cible d’intérêt et d’autres objets ou structures reconnaissables qui sont à proximité. L’identification d’éléments qu’on s’attend normalement à retrouver à proximité d’autres structures peut donner de l’information facilitant l’identification. Dans l’exemple ci-dessous, les propriétés commerciales peuvent être associées avec les routes à proximité, alors que les aires résidentielles seraient associées avec les écoles, les terrains de jeux et de sports. Dans notre exemple, un lac est associé à des bateaux, à une marina et à un parc récréatif tout près.

Le processus de classification d’images
L’ensemble du processus menant de l’image brute acquise par satellite ou par avion à une carte thématique présentant les entités géographiques choisies se décompose en une série d’étapes:
- Exploration des données et prétraitement
  - le prétraitement des images
    - Prétraitement et exploration des données
    - Correction atmosphérique des images Landsat 8
  - le rehaussement de l’image
  - les transformations de l’image
- Classification de l’image
  - Collecte d’échantillons d’apprentissage
  - Évaluation d’échantillons d’apprentissage
  - Mise à jour des classes
  - Création du fichier de signatures
  - Agrégation (classification non assistée)
  - Examen du fichier de signatures
  - Modification du fichier de signatures
  - Application de la classification
- Traitements de post-classification
  - Filtrage
  - Lissage
  - Généralisation
Nous aborderons dans les prochains articles chacun de ces thèmes. Au fur et à mesure des publications, nous ajouterons les liens vers les articles correspondants.
1:38
Display a shape file in Google Earth
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale

Even if Google does not advertise, you should be aware that the Google Earth Pro license has become free since the beginning of 2015. Therefore, you can download, install and use Google Earth Pro without limitations, free of charge.
One of the advantages is the possibility to load shapefiles into Google Earth, without making a prior transformation to kml. This transformation will be performed by Google Earth Pro.
Firstly, let’s discuss how to download the latest version of Google Earth Pro…

Installing GoogleEarth Pro To download the latest version, go to the following address https://support.google.com/earth/answer/176160?hl=fr

Click
on the FOLLOWING link :
JOIN GOOGLE EARTH PRO

Click the Auto Support link forGoogle Earth Proaccounts

Click Accept and Download Double click on the file downloaded to install the program. At the end of the installation you will find a License key request.

Type your email address in Username and GEPFREE in license key. Click Login.

And now you have Google Earth Pro installed and activated on your PC.

Next time you launch the program, a window will ask you to sign in with the email entered during use.Check Auto Log to avoid this step in future connections.

Load a shape file in Google Earth Pro The File -> Open or File -> Import suggests the following formats :

Select ESRI shape and point the shape file to be loaded. The corresponding . prj file must be present .

A window asks you if you want to

Click YES.

Select the field containing the thematic classification of the layer. Click on the Color tab to set the colors to be used.

The option Set color from field allows to enter manually the color to apply to each of the different values contained in the Name field.

To apply a default color for each value, select the option Use pre-setcolors.Click OK and give a name and location to the kst file that will be created . If you want to reload this layer,you will load directly the kst file and you will not have to repeat all the .file operation.

By default,the layer loaded is not activated. To display the layer, check the corresponding box in the legend

16 novembre 2018
18:40
17 novembre 2018 : la France en colère, carte des rassemblements
sur Veille cartographie

Cet article 17 novembre 2018 : la France en colère, carte des rassemblements est apparu en premier sur Veille cartographique 2.0.

Depuis sa prise de fonction, il y a déjà plus d’un an, le président de la république Emmanuel Macron, à engager un vaste chantier de refonte profonde des politiques de gouvernance mais également des modes de vie en France. Ce chantier est mis en place par le gouvernement au travers de plusieurs réformes. Cependant, ces […]

Cet article 17 novembre 2018 : la France en colère, carte des rassemblements est apparu en premier sur Veille cartographique 2.0.

16:30
Résoudre le problème de la superposition des cercles en cartographie
sur Carnet (neo)cartographique

Camarades cartographes, tout comme moi, vous réalisez probablement souvent des cartes en symboles proportionnels. Voici un exemple sur l’Occitanie réalisé avec le package R cartography [voir] puis légèrement retravaillé graphiquement avec un logiciel de DAO.

Ces cartes sont généralement très efficaces car, contrairement aux cartes par aplat de couleur, elles permettent de rendre compte de la masse, de la taille, du poids, ce qui est souvent très utile pour comprendre un phénomène géographique. Mais dans certains cas, quand l’information à représenter est dense, on est confronté à un problème de lisibilité dû à la superposition d’information. Tout d’abord, du fait de l’opacité des cercles, les territoires sous-jacent sont masqués, leurs formes ne sont plus visibles. Dans ce cas, on s’aidera de l’ajout de labels (toponymes) pour réinjecter des éléments de repérage. Ici, seuls les noms des communes correspondants aux 15 plus gros cercles (c-à-d les 15 communes qui comptent le plus d’actifs) sont représentés.

Mais surtout, le problème majeur de ce type de carte vient de la superposition des cercles, qui rend invisible une partie de l’information géographique. Par construction, les petits cercles étant dessinés par dessus les gros cercles, une multitude d’information moins importante (ici les communes avec peu d’actifs) vient masquer l’information plus importante (ici les grosses communes où il y a beaucoup d’actifs). Sur la carte ci-dessus, le cercle de Toulouse est quasiment dissimulé intégralement sous des cercles plus petits correspondants aux communes situées dans sa périphérie. Une vraie difficulté cartographique.

Pour y remédier, de nombreuses astuces graphiques et cartographiques sont possibles : le détourage, la transparence, l’utilisation des contours ou d’un carton.

Une autre solution, et c’est l’objet de ce billet, consiste à jouer sur la localisation des cercles eux-mêmes pour minimiser, voire supprimer, les superpositions. Pour cela, nous nous appuyons sur la méthode des cartogrammes de Dorling proposée dans le package R « cartogram » [voir] pour réaliser la carte ci-dessous. Ici, les cercles ne sont plus positionnés au centre des communes, mais déplacés les uns par rapport aux autres ; les gros cercles restent en place et les petits cercles sont écartés (le poids de chaque objet étant paramétrable individuellement) pour faire réémerger une lisibilité complète de l’information. Les localisations ne sont donc plus correctes mais toute l’information est lisible et une organisation centre / périphérie se dessine aussitôt. Un bémol néanmoins, quand l’information est très dense, la position des cercles peut alors être difficile à contrôler. Par exemple, le positions relatives de Toulouse, Colomiers et Tournefeuille sont ici erronées. Ce problème aurait pu être résolu en diminuant la taille des cercles mais l’image aurait alors perdu de son efficacité. Second bémol, la fonction « cartogram_dorling » du package R utilisé ne génère pas de légende. Ici, elle a été rajoutée à prosteriori dans un logiciel de DAO.

Quelles que soit les limites de cette méthode, constatons ensemble qu’elle fait le job. La carte est lisible, organisée, et le message extrêmement clair. Le problème de superposition est résolu. Avec ce type de représentation, nous touchons du doigt la différence entre ce que sont les SIG qui s’intéressent en priorité à la localisation précise des objets dans l’espace et la cartographie qui a la capacité de s’en affranchir pour privilégier la clarté du message à délivrer.

NB : ces cartes sont issues d’un support de cours sur la visualisation de données géographiques réalisée avec Ronan Ysebaert dans le cadre de l’Action Nationale de Formation qui s’est tenu à Sète du 12 au 16 novembre 2018. Retrouvez le support de cours contenant les données et le code source R en cliquant sur le lien suivant : [https:]]

Nicolas Lambert
More Posts
Follow Me:
16:22
Géo-visualisation avec R
sur Carnet (neo)cartographique

Camarades cartographes, je publie une court billet pour porter à vote connaissance ce support de formation en ligne, dédié à la représentation cartographique avec R. Ce document est la trace écrite d’un atelier sur la géovisualisation qui s’est tenu à Sète le 16 novembre 2018 dans le cadre d’une action nationale de formation [voir]. L’objectif était de couvrir en seulement 3h30 les usages courants et originaux de la cartographie dans l’environnement de R. Dans ce tuto, plusieurs échelles géographiques sont abordées (département de l’Hérault, région Occitanie, Europe, Monde) ainsi que plusieurs modes de représentation (cartes en symboles proportionnels, typologies, cartes choroplèthes, carroyages, lissages, discontinuités). La ligne conductrice des différents exercices était alors d’ancrer la production cartographique dans un contexte de recherche reproductible avec une traçabilité complète du processus de production (voir l’introduction du support). A la fin, des bonus sont proposés concernant l’utilisation des donnes Open Street Map et sur la simplification automatique de fonds de cartes.

L’ensemble de la formation, les codes sources, les données statistiques et géométriques sont disponibles à l’adresse suivante : [https:]] . N’hésitez pas à me contacter par e-mail ou via les commentaires si vous avez des questions ou des remarques. Bon courage

Nicolas Lambert
More Posts
Follow Me:

13:51
Propositions à Theia de nouvelles zones de traitement Sentinel-2.
sur Séries temporelles

=>

La production des données Sentinel-2 au niveau 2A, avec la chaîne MAJA, par le centre MUSCATE de Theia est maintenant rapide et efficace, nous disposons donc de quelques marges pour ajouter de nouvelles zones (les zones actuelles sont visibles ici). Les organismes français intéressés par l'ajout de nouvelles zones peuvent d'ailleurs me contacter, il devrait nous rester une petite cinquantaine de tuiles à choisir, compte tenu des demandes déjà reçues.

Certains collègues bien informés ont devancé cet appel, et parmi eux, Santiago Pena Luque, du CNES, qui travaille pour le projet SWOT. Dans le cadre de la préparation du projet, deux grands bassin fluviaux africains ont été choisis pour concentrer les premières expérimentations. Il s'agit des bassins du Niger et du Sénégal. Les applications concerneront le suivi des cours d'eau bien sûr, mais aussi de l'occupation des sols et de la dynamique de la végétation. Plusieurs laboratoires y seront impliqués, dont le GET, le CESBIO, le LEGOS à Toulouse, le laboratoire TETIS à Montpellier.

Voici donc la zone acceptée par Theia :

Nouvelle zone de traitement Sentinel-2 sur le Sahel . En vert les tuiles déjà traitées, en bleu, les tuiles que nous allons ajouter.
La zone a été établie à partir des contraintes suivantes :
- ne pas dépasser 300 tuiles
- proposer une zone contiguë
- éviter les zones les plus nuageuses, comme les côtes du golfe de Guinée
- couvrir la quasi totalité des bassins du Sénégal et du Niger (à l'exception des zones systématiquement nuageuses ou complètement désertiques)
- compléter éventuellement des zones administratives connexes: nous avons pu par exemple couvrir la totalité du Sénégal, de la Gambie, du Burkina Faso, tout l'Ouest et le Sud du Mali, le Nord des guinées, de la Côte d'Ivoire, du Bénin et du Nigeria, le Sud du Niger et l'Ouest du Tchad.

La production va démarrer très prochainement, avec les données acquises en décembre 2016. Il nous faudra probablement quelques mois pour rejoindre le traitement en temps réel. Celà va donner beaucoup de travail à nos équipes de production, mais c'est pour la bonne cause.

13:18
La fabrique de l’océan Indien : le film. Projection le 4 décembre
sur Cartes et figures du monde

Dans une optique de valorisation de la recherche auprès d’un public plus large, le livre La fabrique de l’océan Indien. Cartes d’Orient et d’Occident (E. Vagnon et E. Vallet (dir.), Publications de la Sorbonne, 2017) a été adapté sous la forme d’un film documentaire par Céline Ferlita.

Une projection du film aura lieu

Le mardi 4 décembre 2018 à 18h

Cinéma Le grand Action

5 rue des Écoles

75005 Paris

Ce documentaire parcourt les cartes qui, depuis l’Antiquité jusqu’au XVIII^e siècle, ont contribué à donner à l’océan Indien un sens et une cohérence. L’histoire de l’océan Indien est intimement liée à la représentation du monde et aux contacts des civilisations de l’Orient et de l’Occident. Ce film, écrit par Emmanuelle Vagnon (Laboratoire de Médiévistique Occidentale de Paris) et Céline Ferlita (Unité Cultures, Langues, Textes), et coproduit par CNRS Images, s’appuie sur de nombreuses reproductions de cartes, notamment celles issues des fonds de la BnF.

L’entrée est libre, dans la limite des places disponibles. Merci de confirmer votre présence à Céline Ferlita (ferlita@vjf.cnrs.fr) en précisant le nombre d’accompagnants.

Ce documentaire sera ensuite disponible en DVD et sera mis en ligne sur le site de la vidéothèque du CNRS videotheque.cnrs.fr et le site de Canal U canal-u.tv

4:06
How to edit a svg symbol (colour, stroke) in QGis
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale

If you import or create svg symbols to use in QGis you will noticed that the colour change options and outline of these symbols are disabled in QGis. In fact, these settings are hard-coded in the svg file and, if you want to set your symbol in many colours, you are forced to create as many symbols as colours you want. Here is a little tip that will save you time by not creating just only one symbol and by activating the QGis colour and contour controls for this symbol. For example, let’s take the following symbol

The colour and border modification block is inactive.The colour of the arrows is black because such is the hard definition contained in the svg file.

We will, simply, edit the svg file to change this situation. The modification is very simple; you can use any text editor. Open the file:

After the header lines, you find the tag <path and the beginning of the definition of the symbol d=

Between both of them, you can find settings such as style = »Fill : # 000000″or others.

The trick is to replace all that is between <path and the text = by the following

fill = « Param(fill) #FFF »Stroke= » Param(outline) # 000″ stroke-width = » Param (outline-width) 1″As we can see in the following image:

If you use this new file for your style layer, you will see that the options that were inactive are now available:

The symbol is now white by default with black outlines but you can modify them, as well as the thickness:

15 novembre 2018
19:06
Ces GPS qui réduisent notre vision du monde
sur Veille cartographie

Cet article Ces GPS qui réduisent notre vision du monde est apparu en premier sur Veille cartographique 2.0.

« L’important arrive, non pas au terme de la route, mais bien avant, pendant le trajet lui-même. » Milorad Pavic C’est une notion que nous avons tendance à mettre de côté avec notre utilisation de plus en plus importante des systèmes de navigation satellitaires (GPS). En effet, ceux-ci nous permettent aisément de nous déplacer d’un point […]

Cet article Ces GPS qui réduisent notre vision du monde est apparu en premier sur Veille cartographique 2.0.
10:25
La route du Rhum: ses outils cartographiques
sur Veille cartographie

Cet article La route du Rhum: ses outils cartographiques est apparu en premier sur Veille cartographique 2.0.

La route du Rhum, vous connaissez?

La route du Rhum correspond à une traversée transatlantique en solitaire, sans escale et à la voile. Cette traversée a donc pour but de relier la commune de St Malo à la Guadeloupe et plus particulièrement Pointe-à-Pitre.

Cet article La route du Rhum: ses outils cartographiques est apparu en premier sur Veille cartographique 2.0.

14 novembre 2018
7:14
Carte de france des blocages des gilets jaunes le 17 novembre
sur Chroniques Cartographiques

Attention, le 17 novembre prochain, les gilets jaunes pour réclamer la baisse des prix du carburant souhaitent bloquer les routes stratégiques ainsi que certains sites afin de faire pression sur le gouvernement. Déjà certains citoyens ont reporté leurs...

13 novembre 2018
22:02
Ocean Shock: l’impact du réchauffement des océans sur les espèces marines
sur Veille cartographie

Cet article Ocean Shock: l’impact du réchauffement des océans sur les espèces marines est apparu en premier sur Veille cartographique 2.0.

Le 8 octobre dernier le GIEC (Groupe d’Expert Intergouvernemental sur l’Évolution du Climat) alertait les communautés internationales sur l’impact d’une hausse globale des températures de 1,5 °C par rapport à la période préindustrielle sur les espèces animales et végétales (voir plus de détails sur l’article consacré sur Veille Carto). En parallèle de ce constat, l’agence […]

Cet article Ocean Shock: l’impact du réchauffement des océans sur les espèces marines est apparu en premier sur Veille cartographique 2.0.
16:26
Geography Awareness Week, la semaine de sensibilisation à la Géographie du 12 au 17 novembre 2018
sur Veille cartographie

Cet article Geography Awareness Week, la semaine de sensibilisation à la Géographie du 12 au 17 novembre 2018 est apparu en premier sur Veille cartographique 2.0.

La Géographie souffre d’un manque d’intérêt, d’un manque de connaissances mais aussi de reconnaissance et d’enseignements au sein de nos sociétés occidentales, ce qui a poussé différents acteurs, notamment National Geographic, a lui dédié une semaine pour la mettre à l’honneur : « Trop de jeunes américains sont incapables de prendre des décisions efficaces, de comprendre les […]

Cet article Geography Awareness Week, la semaine de sensibilisation à la Géographie du 12 au 17 novembre 2018 est apparu en premier sur Veille cartographique 2.0.
09 novembre 2018
18:53
L’OGC présente son nouveau modèle conceptuel de symbologie
sur Veille cartographie

Cet article L’OGC présente son nouveau modèle conceptuel de symbologie est apparu en premier sur Veille cartographique 2.0.

L’Open Geospatial Consortium (OGC) est un consortium international qui développe et promeut des standards ouverts pour garantir l’interopérabilité des données géospatiales. Parmi ces standards, on peut citer les très connus WMS, WFS et KML. L’Open Geospatial Consortium a récemment annoncé le développement d’un modèle conceptuel de symbologie (SCCM, pour Symbology Conceptual Core Model). Il aura […]

Cet article L’OGC présente son nouveau modèle conceptuel de symbologie est apparu en premier sur Veille cartographique 2.0.
18:43
QUE REPRÉSENTE LA GÉOMATIQUE DANS LE DOMAINE DE L’ARCHITECTURE
sur Veille cartographie

Cet article QUE REPRÉSENTE LA GÉOMATIQUE DANS LE DOMAINE DE L’ARCHITECTURE est apparu en premier sur Veille cartographique 2.0.

La géomatique est une valeur sûre au regard des domaines de la cartographie, de la géographie, de l’urbanisme…etc. Mais qu’en est-il du domaine de l’architecture ? L’intervention architecturale peut être ponctuelle ou bien étendue. Elle peut également être réalisée au niveau d’un ou de plusieurs édifices et peut impacter le tissu urbain à différentes échelles. On […]

Cet article QUE REPRÉSENTE LA GÉOMATIQUE DANS LE DOMAINE DE L’ARCHITECTURE est apparu en premier sur Veille cartographique 2.0.
18:35
Une nouvelle alerte face au réchauffement climatique selon un récent rapport du GIEC.
sur Veille cartographie

Cet article Une nouvelle alerte face au réchauffement climatique selon un récent rapport du GIEC. est apparu en premier sur Veille cartographique 2.0.

Le GIEC (Groupe d’Expert Intergouvernemental sur l’Evolution du Climat) tire une nouvelle fois la sirène d’alarme concernant la hausse globale des températures à l’échelle du globe dans un rapport publié le 8 octobre 2018 suite à de longues discussions entre les représentants de 195 Etats à Incheon, en Corée du Sud.

Cet article Une nouvelle alerte face au réchauffement climatique selon un récent rapport du GIEC. est apparu en premier sur Veille cartographique 2.0.
18:30
La « carte » comme outil de pouvoir et de contrôle social dans les mondes coloniaux : le cas africain
sur Veille cartographie

Cet article La « carte » comme outil de pouvoir et de contrôle social dans les mondes coloniaux : le cas africain est apparu en premier sur Veille cartographique 2.0.

Qu’est-ce qu’une carte ? D’après Ferdinand Joly, une carte est « une représentation géométrique plane simplifiée et conventionnelle de tout ou partie de la surface terrestre, et cela dans un rapport de similitude convenable qu’on appelle échelle (Joly 1976) ». C’est donc une représentation schématique de la réalité mise à plat. La production d’une carte répond à un […]

Cet article La « carte » comme outil de pouvoir et de contrôle social dans les mondes coloniaux : le cas africain est apparu en premier sur Veille cartographique 2.0.
18:01
La Sonification des données pour comprendre le Big Data
sur Veille cartographie

Cet article La Sonification des données pour comprendre le Big Data est apparu en premier sur Veille cartographique 2.0.

I. Définition des concepts Du compteur Geiger (Hans Geiser 1913) à la visualisation, la sonification trouve des applications scientifiques, industrielles, didactiques, esthétiques et artistiques jusqu’au Big Data. Elle constitue une alternative ou un complément intéressant aux techniques de représentation visuelle de l’information. La Sonification se définie comme la représentation et l’émission de données sous […]

Cet article La Sonification des données pour comprendre le Big Data est apparu en premier sur Veille cartographique 2.0.

15:42
The Khumbu Icefall by Venµs
sur Séries temporelles

This is a time-lapse of all clear-sky images captured by Venµs over the Khumbu Icefall near Mount Everest since November 2017 (one year of data, 51 images at 5 m resolution).

Here I used the Level-1C products (i.e. without atmospheric correction) because the Level-2A products are provided at a lower resolution (10 m). Anyway, the atmosphere is rather thin in this area..

To make this animation (without the date annotation to simplify):
1) download
python ./theia_download.py -l 'Nepal' -c VENUS -a config_theia.cfg -d 2017-11-01 -f 2018-12-01 --level 'LEVEL1C'
2) unzip
mkdir -p ../VENUS parallel unzip -d ../VENUS ::: $(find . -name "VENUS*zip")
3) export as natural color pictures
cd ../VENUS mkdir -p VIS parallel gdal_translate -srcwin 4118 3132 1058 770 -of JPEG -b 7 -b 4 -b 3 -scale 0 800 0 255 -ot byte {} VIS/{/.}.jpg ::: $(find . -name VE*[0-9].DBL.TIF)
4) animate with imagemagick
convert -delay 10 VIS/*jpg anim.gif

08 novembre 2018
16:18
3D et véhicules autonome
sur Veille cartographie

Cet article 3D et véhicules autonomes est apparu en premier sur Veille cartographique 2.0.

Les premiers véhicules autonomes de la société Waymo ont déjà parcouru environ 16 millions de kilomètres en mode test. Et ils ont passé environ 20 000 tests dans les décharges de la société. Suite à cela, la société a commencé à tester des voitures en milieu urbain, en particulier en Californie, parcourant 225 000 kilomètres […]

Cet article 3D et véhicules autonomes est apparu en premier sur Veille cartographique 2.0.
16:07
The fake towns and streets made by cartographers
sur Veille cartographie

Cet article The fake towns and streets made by cartographers est apparu en premier sur Veille cartographique 2.0.

Bad news, guys! The maps we always used to rely on, sometimes can be wrong. And they can be not just wrong by accident, on the contrary, they can be wrong on purpose. To create a map from scratch, one has to do years of fieldwork or analyzation of satellite photos. So plagiarism has often […]

Cet article The fake towns and streets made by cartographers est apparu en premier sur Veille cartographique 2.0.
13:39
You can now anticipate the best moment to do an autumn hike in the US
sur Veille cartographie

Cet article You can now anticipate the best moment to do an autumn hike in the US est apparu en premier sur Veille cartographique 2.0.

The Great Smoky Moutains National Park It’s now possible to know where and when to go to do the most beautiful autumnal hike in order to admire the hues of the foliage in the US, when landscape is the most colored. The Great Smoky Mountains National Park of Tennessee and North Carolina has developed an […]

Cet article You can now anticipate the best moment to do an autumn hike in the US est apparu en premier sur Veille cartographique 2.0.

10:56
Le format Geopackage et QGis 3
sur Blog SIG & Territoires ---- Le blog SIG pour la gestion territoriale
Un format ouvert pour l’information géospatiale
GeoPackage est un format compact, portable, auto-descriptif et ouvert, basé sur des normes, indépendant de la plate-forme et permettant de transférer des informations géospatiales.

Le standard GeoPackage est composé d’un ensemble de conventions pour stocker dans une base de données SQLite les éléments suivants :
- des entités vectorielles
- des matrices de tuiles d’images et de rasters à différentes échelles
- des attributs (données non spatiales)
- des extensions
Pour être clair, un GeoPackage est le conteneur SQLite et la norme de codage GeoPackage régit les règles et les exigences du contenu stocké dans un conteneur GeoPackage. Le standard GeoPackage définit le schéma d’un GeoPackage, notamment les définitions de table, les assertions d’intégrité, les limitations de format et les contraintes de contenu. Le contenu requis et pris en charge d’un GeoPackage est entièrement défini dans la norme. Ces fonctionnalités reposent sur une base commune et le mécanisme d’extension fournit aux développeurs une manière d’inclure des fonctionnalités supplémentaires dans leurs GeoPackages.

Comme GeoPackage est un conteneur de base de données, il prend en charge son utilisation directe par les différents logiciels SIG. Cela signifie que les données d’un GeoPackage peuvent être consultées et mises à jour dans un format de stockage « natif » sans conversion de format intermédiaire. Les GeoPackages conformes aux exigences de la norme et n’implémentant pas d’extensions spécifiques du fournisseur sont interopérables dans tous les environnements informatiques d’entreprise et personnels. Les GeoPackages sont particulièrement utiles sur les appareils mobiles tels que les téléphones portables et les tablettes dans les environnements de communication où la connectivité et la bande passante sont limitées.
Geopackage dans QGis
Si vous utilisez déjà des bases de donnés Spatialite dans QGis vous vous demandez qu’est ce que Geopackage apporte de nouveau: essentiellement la possibilité de stocker des rasters dans une base SQLite.

Si, par contre, vous êtes toujours à travailler avec des fichiers shapefile (shp), nous avons déjà publié plusieurs articles qui expliquent les avantages du travail avec SQLite
Le format Geopackage correspond à tout ce qui est dit pour Spatialite et QGis en vous donnant de nouvelles possibilités.

Donc, si vous faites le pas de passer du travail avec des shapefiles à SQLite, optez pour Geopackage plutôt que des bases Spatialite.
Comment créer un Geopackage avec QGis 3.4

GeoPackage est un package de données standard OGC pouvant stocker différents types de types de données spatiales tels que des points, des polylignes et des polygones. Nous pouvons enregistrer plusieurs couches dans un seul fichier GeoPackage (.gpkg). C’est un excellent moyen de stocker et d’organiser vos données spatiales sous QGIS. Lorsque vous enregistrez vos fichiers spatiaux au format GeoPackage, vous pouvez facilement les trouver sans avoir à parcourir et à creuser dans tous vos dossiers.

L’utilisation de Geopackage pour stocker nos données spatiales présente de nombreux avantages. Nos données seront placées dans un emplacement centralisé. En utilisant cette méthode, nous pouvons réduire l’encombrement qui se produit lorsque nous traitons des centaines de fichiers. Il est plus facile de transférer d’énormes quantités de couches dans un seul géopackage.

Pour créer une couche de géopackage dans QGIS il suffit de:

1-Ouvrir QGIS
2-Aller dans Couche | Créer une couche | Nouvelle couche de géopackage

3- Taper le nom de la nouvelle couche GeoPackage, donner un nom à la table et, éventuellement, sélectionnez une géométrie dans la liste.

Si vous comptez importer des couches existantes dans votre Geopackage, vous pouvez cliquer sur OK. Votre Geopackage sera créé et vide, enfin, presque. Vous aurez cette table vide qui sera présente mais que vous pourrez effacer à tout moment.

Si, par contre, vous souhaitez commencer à créer une véritable couche de travail, vous utiliserez le bloc « Nouveau champ » de la fenêtre pour définir vos colonnes de table.

Votre fichier Geopackage est créé. Pour l’utiliser dans QGis vous devez vous connecter à cette nouvelle base de données:

La nouvelle base de données apparaît alors dans l’explorateur:
Comment peupler une base de données Geopackage
Vous disposez de trois méthodes pour ajouter des couches dans un fichgier Geopackage:
Création à partir de rien
Vous allez rajouter une table vide en définissant les champs (colonnes) manuellement. Pour cela vous allez répeter les opérations décrites plus haut lors de la création du Geopackage (menu Couche-> Créer une couche -> Nouvelle couche Geopackage). Une fois la fenêtre de création ouverte, utilisez le bouton … pour aller pointer sur le fichier geopackage dans lequel vous souhaitez créer une nouvelle couche:

Remplissez les champs nécessaires (nom de la tabvle, géométrie,…) ainsi que la définition de vos colonnes. Quand vous cliquerez sur OK vous aurez le message suivant:

Cliquez sur Ajouter une nouvelle couche. cette couche sera alors ajoutée à la liste des couches de votre fichier geopackage.
Enregistrer à partir d’une couche existante
Vous pouvez exporter vers un fichier geopackage une couche déjà existante. Pour cela,sélectionnez votre couche dans le panneau « Couches« , puis Exporter -> Sauvegarder les entités sous…

Dans la fenêtre sui s’ouvre, dans la liste des formats, sélectionnez Geopackage

Dans Nom de fichier, cliquez sur le bouton … et pointes sur votre fichier Geopackage.

Renseignez les champs nécessaires et cliquez sur OK. La couche est importée dans votre Geopackage.
Importer une couche existante avec DB Manager

Le DB Manager vous permet de gérer complètement vos données et bases de données.

Pour l’ouvrir allez dans le menu Base de données -> DB Manager

Dans la fenêtre de DB Manager, pour importer une couche existante dans votre fichier geopackage,
- cliquez dans le panneau Fournisseurs de données sur votre fichier Geopackage
- cliquez sur l’outil Import de couche/fichier
- renseignez les champs de la fenêtre Importer une couche vecteur
Important!: Cochez les cases SRC source et SCR cible et vérifiez que les SRC correspondent bien à ce que vous souhaitez. Cochez la case Créer un index spatial si vous en souhaitez un. Si vous omettez ces informations à cette étape, il sera très, très compliqué d’en revenir après…

10:50
Séminaire LOCUS-programme 2018-2019
sur Cartes et figures du monde

Séminaire organisé par Emmanuelle Vagnon, Geneviève Bührer-Thierry et Christopher Fletcher
LAMOP-Université Paris1,
Séances salle Perroy, le vendredi de 10h-13h.
Sorbonne, entrée 14 rue Cujas, galerie Jean-Baptiste Dumas, escalier R, 2e étage
BnF, ms Latin 9661, fol. 91v
Amorcé début 2016, « Locus » est un séminaire transversal, réunissant des historiens, membres du LAMOP ou extérieurs à celui-ci, autour de la question de la spatialité dans les sources et les méthodes des médiévistes. Il s’agit d’explorer la diversité des pratiques et des représentations de l’espace au Moyen Âge en tentant de se démarquer d’une approche classique qui réduit l’espace à un cadre géographique donné et objectif, préalable à l’histoire. L’espace, ce sont des pratiques, des représentations, des noms de lieux, des lexiques, des images, variables selon les contextes ; la question du « lieu », à la fois plus restreinte et plus souple que celle « d’espace », explore également la manière de nommer, de recenser, de comprendre cet espace médiéval. Ainsi la question des lieux s’inscrit-elle dans le champ des études de toponymie, d’histoire de la cartographie ou de reconstitutions géographiques, mais concerne aussi, plus largement, la plupart des recherches des médiévistes dès lors qu’ils s’intéressent aux lieux et à la dimension spatiale des phénomènes historiques. Le « locus » pourrait devenir ainsi un « lieu commun », un carrefour permettant aux historiens de croiser et confronter leurs recherches et leurs méthodes.
Le séminaire prend la forme d’un atelier présentant des sources inédites, permettant de discuter de travaux en cours, de mûrir un article et de découvrir une bibliographie. Il a pour caractéristique un débat assez libre sur l’importance de la spatialité à travers des exemples précis tirés de nos recherches.
Cette année 2018-2019, les communications porteront plus particulièrement sur l’histoire sociale des lieux et des communautés, l’apport de l’archéologie, et la valorisation culturelle des documents cartographiques médiévaux.

9 novembre :
Judicaël Pétrowiste (Paris, Université Paris-Diderot)
Lieux licites et lieux illicites d’échange dans les villes de la fin du Moyen Âge (XIIIe-XVe siècle)
14 décembre
Ingrid Houssaye (Paris, CNRS-UMR Orient &Méditerranée) et Claire Soussen (Université de Cergy-Pontoise)
Locus judeorum? Entre coexistence et ségrégation spatiale dans la Couronne d’Aragon des XIVe-XVe siècles
Stéphane Boissellier (Université de Poitiers)
La nomination des lieux habités et lieux-dits dans le sud du Portugal aux XII-XIVe siècles.
25 janvier
Tristan Martine, (Lyon III-CIHAM)
Aimantation castrale et polarisation des pouvoirs de l’aristocratie laïque en Lotharingie méridionale aux Xe et XIe s.
Jens Schneider, (UPEM-IHA)
De Christaller à Higounet : une lecture spatiale des lieux du haut Moyen Âge
15 mars
Carole Puig (Toulouse, FRAMESPA)
L’apport de l’aire d’ensilage de Taxo-Les Gavarettes (VIIIe-XIe s.) (Pyrénées-Orientales) à notre perception de l’espace médiéval.
Léa Hermenault (Paris, Laboratoire ArScAn, équipe « Archéologies environnementales »)
Les lieux de l’activité artisanale à Paris aux 14e-15e s. : logiques productives et géographiques
24 mai
Juliette Dumasy (Université d’Orléans, POLEN), Camille Serchuk (Southern Connecticut State University)
Présentation de l’exposition « Quand les artistes dessinaient les cartes. Vues et figures de l’espace français au Moyen Age et à la Renaissance » (Archives Nationales).
Emmanuelle Vagnon (Paris, LAMOP)
Présentation du Film documentaire de Céline Ferlita et Emmanuelle Vagnon : La Fabrique de l’océan Indien

07 novembre 2018
20:22
Un outil cartographique pour la gestion des arbres parisiens
sur Veille cartographie

Cet article Un outil cartographique pour la gestion des arbres parisiens est apparu en premier sur Veille cartographique 2.0.

Depuis mars 2014, la surveillance du patrimoine arboré parisien, le remplacement des arbres dépérissant et l’installation de nouvelles plantations sont réalisés grâce à une application développée par la Mairie de Paris/Direction des Espaces Verts et de l’Environnement. Cet outil de suivi permet la gestion des arbres parisiens en temps réel, apportant un gain de temps […]

Cet article Un outil cartographique pour la gestion des arbres parisiens est apparu en premier sur Veille cartographique 2.0.

06 novembre 2018
8:12
Une carte exemplaire : la carte murale Equal-Earth
sur Carnet (neo)cartographique

Sources et ressources :
La carte est disponible en ligne, au format image JPEG mais aussi Adobe Illustrator vectoriel, selon trois centrages sur les méridiens 0°, 90°W et 150°E. Son utilisation est libre, elle a été placée dans le domaine public par son auteur, Tom Patterson (du service cartographique des parcs nationaux des USA).

La projection Equal-Earth a été mise au point à partir de la projection Robinson par Bojan Šavrič, Bernhard Jenny et Tom Patterson en 2018.

Les données utilisées proviennent essentiellement du projet Natural Earth, une compilation de données mondiales libres.
Introduction
L’objet de ce post est de présenter la carte en elle-même, mais aussi et surtout de focaliser l’attention sur quelques techniques de cartographie, de dessin cartographique, qui rendent cette carte plus agréable à lire et globalement plus esthétique.

Il s’agit ici, en effet, d’une carte dite « murale », c’est à dire destinée à être imprimée en grand format pour être affichée, pour servir de référence accessible. Sa thématique est la description « politique » du globe, la présentation des frontières (dont celles disputées), ainsi qu’un grand nombre de toponymes.

L’originalité de cette production tient avant tout dans la qualité du travail fourni, dans un contexte de totale liberté : la carte est librement réutilisable (pas de licence, de droits pour la réutilisation), mais aussi modifiable, les données sont fournies et aisément adaptables avec un logiciel de dessin (InkScape pour rester dans le cadre du libre, par exemple).

On va détailler quelques remarques à propos du fond, du contenu de cette carte, puis s’intéresser plus longuement à la forme, la façon dont sont dessinés certains éléments.
Le fond : classique mais différents éléments apportent de la profondeur
L’information principale de la carte est naturellement la délimitation politique des pays. Sur ce point, les frontières sont tirées des données Natural Earth et de la carte politique de la CIA, ce qui produit une vision géopolitique parfois assez américaine : la Crimée est neutre, Taiwan est chinois, l’Irak est unifié, etc.

La représentation simplifiée du relief, via un ombrage délicat, apporte une certaine rugosité aux régions continentales, qui agit nettement pour renforcer la vraisemblance, le réalisme de la carte. Ainsi, la région du nord de la Cordillère des Andes est bien plus conforme à la réalité.
L’Équateur avec ou sans les Andes
De façon moins visible, certains éléments géographiques représentés sur cette carte sont à relever :
– les régions polaires couvertes de glaciers permanents (du moins, on l’espère) sont munies d’un aplat blanc évocateur ;
– les principales banquises sont dessinées, avec un bleu clair intermédiaire entre le blanc du glacier et le bleu de l’océan ;
Avec ou sans les banquises en Antarctique
– de toutes petites îles et certains récifs sont représentés, on suppose que leur rôle géopolitique le justifie (grande barrière de corail, îles Spratley ou Paracels.
Mer de Chine du Sud : des archipels d’importance stratégique
Du point de vue des toponymes, la carte se caractérise par une très grande quantité d’informations :
– nombreuses villes, en plus des capitales ;
– des sommets montagneux en quantité (cf. le Chimborazo sur l’illustration des Andes) ;
– les principales chaînes de montagnes sont nommées ;
– les hydronymes ne sont pas de reste (fleuves, grands lacs mais aussi golfes, détroits et mers) ;
– des variantes ou traductions de certains noms de lieux sont fournies (Mumbai / Bombay, Rub’ Al Khali / Empty Quarter, Lac Nyasa / Malawi, etc.).

Ces toponymes sont généralement ceux utilisés localement, avec une translittération dans l’alphabet latin si besoin et l’utilisation d’accents, (à la différence de certaines cartes américaines). Cependant, quelques fleuves gardent leur appellation anglais, comme le Rhin (une traduction en français de la carte serait bienvenue, si cela tente les collègues…).
Les Antilles sont détaillées
On peut noter aussi la présence de nombreuses informations sur les liens géopolitiques entre métropoles et territoires distants : chaque île ou enclave est liée à son pays par une mention très lisible, ce qui produit des effets de « remplissage » évidents, notamment dans l’Atlantique nord avec l’étiquetage extensif des Antilles (ci-dessus).
En ne gardant que les libellés, le monde est reconnaissable.
L’impression générale donnée par la représentation de ces différentes informations est celle d’un globe connu, exploré dans son intégralité et muni de repères réguliers, même dans les océans et les déserts, plein, en somme. On va voir que plusieurs techniques graphiques vont renforcer cette impression.
La forme : les astuces visuelles du cartographe
Les techniques de représentations utilisées dans la carte Equal Earth sont nombreuses, parfois assez subtiles, et toujours efficaces. La description de celles qui ont été détectées dans le fichier source vectoriel peut s’avérer pédagogique et éclairer la production de cartes « politiques » en général.

Le choix de représentation qui est peut-être le plus évident consiste à mettre en avant l’information principale de la carte, les frontières, par l’utilisation d’un dégradé à leur approche. Ainsi, l’intérieur des pays est clair et se fonce autour des frontières par un dégradé, un renforcement de la couleur du pays (conformément à la tradition des cartes politiques, les pays sont différenciés par des teintes variées, peu intenses, désaturées). Ce dégradé aux frontières est réalisé via un « effet spécial » de dessin : une lueur interne. Ainsi, la teinte de chaque pays se voit éclaircie à partir des frontières par une lueur blanche, transparente. Par ailleurs, les frontières sont marquées par un trait gris épais, qui se voit superposé des éventuelles rivières ou lacs en bleu plus fin. Le trait de côte est, de même, bleu et fin.
Différentes épaisseurs et couleurs pour les limites de pays et traits de côte
Du côté maritime du trait de côte, de même, un dégradé réalisé avec le même effet de lueur interne permet de mettre en valeur les côtes et de faire ressortir, par contraste, les îles et continents. Le dégradé est ici plus long (0,3 pouces au lieu de 0,07) et effectué en mode de superposition « normal » (au lieu de multiplicatif pour les frontières), cf. ci-dessous.
Les côtes avant ou sans le dégradé dans la Mer du Nord
D’autres astuces graphiques, plus subtiles, ajoutent un peu plus de réalisme à la carte. Ainsi, les fleuves présentent une épaisseur croissante, pour évoquer leur cours qui va en s’élargissant, ce qui correspond à une exagération importante à cette échelle. Cf. le Gange ci-dessous.
Les fleuves voient leur cours s’élargir progressivement
Une série de modifications graphiques vise à améliorer la lisibilité des nombreux libellés de texte de la carte. Très souvent, en effet, un libellé va venir se superposer avec des frontières, des fleuves ou un trait de côte, ce qui va rendre le contour de ses lettres moins distinct. En cartographie d’édition, on corrige ce problème par la réalisation de réserves, des zones tampons autour des lettres touchées. Ici, Tom Patterson a parfois été un peu plus loin en supprimant certains traits de côte.
Suppression de certains traits de côte (ici autour de U.K. et du D de Ireland)
pour améliorer la lisibilité
Enfin, à l’échelle de la carte entière, une mise en valeur supplémentaire a été réalisée via le graphisme en ajoutant des ombres : sous l’ovale de la carte elle-même et sous le cadre de légende, pour les faire ressortir en relief. L’ombre principale de la carte est même double, ce qui ajoute une profondeur supplémentaire, étagée.
Les ombres de la carte et du cadre de légende Un monde plein et profond
En conclusion, on peut dire que la lisibilité de cette carte, malgré la grande quantité d’information contenue, ainsi que son attrait visuel, sont assurés par plusieurs techniques de représentation cartographique mises en place avec une grande maîtrise.

Les informations sont présentées, traitées graphiquement, selon leur importance : la hiérarchie visuelle suit et évoque la hiérarchie sémantique. La profondeur de certains traitements (superpositions, transparences, détails graphiques) encourage une lecture progressive, en plus de la quantité et du pouvoir évocateur des lieux géographiques représentés. La sémiologie graphique utilisée est donc efficace.

Seul le titre général de la carte, un simple texte sans fioritures, apparaît quelque peu délaissé, déconnecté de la carte.

Cependant, on peut aussi voir dans cette carte une opération de valorisation et de diffusion de la « nouvelle » projection Equal Earth, des données Natural Earth, du savoir-faire de l’auteur… donc la volonté de réaliser une image sinon spectaculaire, du moins « exemplaire », pédagogique, qui peut servir de démonstration, ce que semble confirmer la volonté affichée d’en faire une carte murale.

Est-ce que cet objectif peut avoir eu une influence sur le contenu de la carte et donc un effet sur les lecteurs ? L’image d’un monde connu, référencé, voir « plein » évoquée précédemment vient à l’esprit, surtout dans une utilisation pédagogique. Les nombreuses îles, leurs différentes appartenances géopolitiques, les contours des archipels, les lignes de repères variées ont un net effet de remplissage, de quadrillage de l’espace vide que constituent normalement les océans. La présence d’informations géophysiques comme les pics montagneux, les pôles magnétiques, l’ombrage du relief, renforcent cette impression. Les traits de côte et les frontières lissés, généralisés, les couleurs pastel, la typographie nette et simple, les bords arrondis de la légende et le relief adoucis, produisent, de même, l’évocation d’une certaine innocuité, d’un calme, qui est loin d’être réaliste dans certaines régions, mais c’est le lot des cartes dites « politiques ».

Laurent Jégou
Enseignant-chercheur en géographie et géomatique, Univ. Toulouse-Jean Jaurès et UMR LISST-Cieu.
More Posts - Website
Follow Me:

05 novembre 2018
23:30
Blog SIG : Chiffres et Statistiques
sur GEOMATICK

Déjà 2 ans de blogging sur les technologies des Systèmes d’Informations Géographiques (SIG), les mois passent si vite… qu’il est temps de faire un point d’activité sur le blog SIG. Avec 60 articles en 24 mois et de nombreuses heures à écrire du contenu, il faut bien admettre que la… Continuer à lire →

L’article Blog SIG : Chiffres et Statistiques est apparu en premier sur GEOMATICK.

0:00
Comment créer une carte avec Leafleft ou l'API Google Maps
sur www.touraineverte.com

Voici un premier tutoriel destiné à vous montrer comment créer votre première carte avec Leaflet ou l'API Google Maps.

Attention : cet article publié le 03 Nov 2018 a été modifié le : 05 Nov 2018
03 novembre 2018
0:00
Comment créer une carte avec Leafleft ou l'API Google Maps
sur www.touraineverte.com

Voici un premier tutoriel destiné à vous montrer comment créer votre première carte avec Leaflet ou l'API Google Maps.

31 octobre 2018
21:48
Matching Géographique et SIG : Définition, Outil et Algorithme
sur GEOMATICK

Dans le secteur des Nouvelles Technologies d’information et de Communication (NTIC), les exemples de business déployés sur le concept du Matching Géographique sont relativement nombreux. On peut citer les sites d’annonces, de covoiturage, les sites de rencontre, les réseaux sociaux, les sites d’informations. Par extension, certains business font directement référence au… Continuer à lire →

L’article Matching Géographique et SIG : Définition, Outil et Algorithme est apparu en premier sur GEOMATICK.

29 octobre 2018
18:00
QGIS 3.4 Madeira a été publié !
sur ReLucBlog

Traduction libre de QGIS 3.4 Madeira is released!

Nous sommes heureux d’annoncer la sortie de QGIS 3.4 «Madeira» ! Madère fut le lieu dé la réunion des développeurs QGIS de février 2018.

Les installeurs Windows et les binaires pour Ubuntu et Debian sont déjà disponibles, et tous les packagers préparent activement les binaires et installeurs pour les autres systèmes d'exploitation. Nous vous tiendrons au courant lorsque les différents packages et programmes d’installation seront disponibles.

QGIS 3.4 deviendra la première version maintenue à long terme LTR de la branche 3. Selon la roadmap actuel, la version 3.4 remplacera la version 2.18 en tant que LTR en février 2019.

Nous voudrions remercier les développeurs, les documenteurs, les testeurs et les nombreuses personnes qui ont consacré leur temps et leurs efforts (ou qui ont financé des personnes pour le faire). De la part de la communauté QGIS, nous espérons que cette version vous plaira ! Si vous souhaitez faire un don de temps, d'argent ou vous impliquer d'une manière ou d'une autre pour rendre QGIS encore plus génial, rendez-vous sur qgis.org et donnez un coup de main !

QGIS est soutenu par des donateurs et des sponsors. Vous trouverez une liste à jour des donateurs ayant apporté des contributions financières importantes et mineures au projet. Si vous souhaitez devenir sponsor officiel du projet, veuillez visiter notre page de sponsoring pour plus de détails. Le parrainage de QGIS nous aide à financer nos semestrielles réunions de développeurs, à maintenir l'infrastructure du projet et à soutenir la résolution de bogues. Vous trouverez ci-dessous une liste complète des sponsors actuels - nous remercions vivement tous nos sponsors !

QGIS est un logiciel libre et vous n’êtes pas obligé de payer quoi que ce soit pour l’utiliser. En fait, nous souhaitons encourager les utilisateurs du monde entier à l’utiliser, quel que soit leur statut financier ou leur statut social . Nous croyons que mettre à disposition de tous des outils décisionnels spatiaux donnera une société meilleure pour toute l’humanité.

28 octobre 2018
9:00
Exploration cartographique de relations mondiales
sur Carnet (neo)cartographique
La cartographie de relations mondiales souffre de problèmes graphiques spécifiques à ce type de données, à leur échelle géographique d’analyse, leur résolution notamment. Ces problèmes caractérisent, au sens général, un effet spaghetti qui témoigne de problèmes de représentation variés.

Cet effet est parfois si prégnant, et difficile à appréhender que l’information est souvent filtrée arbitrairement, avant de pouvoir être représentée, la zone d’étude limitée, réduite, recadrée… Pour explorer quelques possibilités de géo-visualisation de ces données, nous présentons des travaux réalisés à partir d’un même jeu de données (la base de données Openflightdata¹)
appréhendée selon différentes perspectives.

Une première approche essentiellement cartographique est présentée ici, sur Neocarto. Elle décrit un travail ancien et non publié mené au sein du groupefmr (flux, matrices, réseaux) par Laurent Beauguitte, Serge Lhomme et moi-même (2013), revisité pour l’occasion. Une seconde approche, orientée cartographie web interactive, s’inscrit dans le registre de la Théorie des graphes, elle est présentée sur le carnet de recherches du groupe fmr, ici.

Préambule

Les solutions classiques de filtrage des données portant sur des relations entre des lieux (des aéroports, des villes, des pays…) consistent généralement à ne représenter que celles qui s’expriment entre ceux qui sont les plus importants, en termes de taille, de trafic, etc. Cette posture contribue souvent à éliminer une partie très importante de l’information présente dans ces données. Cela peut poser des problèmes d’inégalité spatiale, car seuls les plus importants sont représentés ; aussi d’équité : un nombre important de lieux est en effet évincé de l’analyse, parce qu’il n’est pas jugé « significatif » dans l’analyse, ce qui signifie qu’un nombre important de lieux serait négligeable ! Parce qu’il ne ferait pas partie des dix premiers ?

Alors qu’en cartographie classique, il est difficilement envisageable d’éliminer arbitrairement des lieux d’une zone d’étude, ce n’est pas le cas pour les flux et réseaux et cela, quand bien même la question du seuillage de données serait un faux problème. Essayons d’explorer un réseau de relations aériennes sans le filtrer a priori.

Les relations aériennes mondiales

Les données sont issues de la base OpenflightData, accessibles ici. Elles sont souvent mobilisées pour cartographier des relations aériennes mondiales, en raison de leur gratuité. De même pour leur couverture apparemment exhaustive. C’est pourquoi dans un travail réalisé au sein du Groupe fmr (entre Laurent Beauguitte, Serge Lhomme et moi-même), présenté à l’ECTQG de Dourdan (2013), nous avions réalisé une exploration de ces données dans trois directions principales : cartographique, graphique et statistique, et proposé de discrètes solutions de filtrage. Nous n’étions d’ailleurs pas allés jusqu’à transformer tout cela en article…

La base Openflight nous était apparue intéressante (on ne va pas développer les métadonnées, elles sont sur le site), car elle concerne de nombreux aéroports (Fig. 1), mais en partie seulement. En effet, si les données sont denses, plus de 5 500 aéroports sont disponibles pour 3 300 « villes », cette apparente séduction cache une terrible pauvreté au niveau sémantique, mais on ne va pas développer ces « détails ».

Fig. 1 : Aéroports de l‘Openflightdata, dans la projection de Mollweide.

La cartographie des relations impliquant ces aéroports révèle – malgré une faible densité (seuls 7219 liens sont disponibles) – un magnifique effet-spaghetti, naturel, que nous avions à l’époque représentés à l’aide de traits droits suivant une métrique orthodromique (Fig. 2) sur un logiciel de SIG.

Fig. 2 : Relations inter aéroports de l’Openflightdata, dans la projection de Mollweide.

Mobiliser la Fig. 2 dans le cadre d’une analyse géographique révèle différents problèmes d’ordre thématique, mais aussi cartographiques et visuels. Certains d’entre eux sont liés à un défaut (normal) de continuité de la visualisation de ces relations mondiales, que nous avons tenté de résoudre en les représentant sur un globe (Fig 3.), plutôt, sur plusieurs vues d’un même globe – ainsi présenté selon différentes perspectives – en raison du format statique de ce carnet.

Fig. 3. Relations inter aéroportuaires de l’Openflightdata visualisées sur des globes

Inutile de dire que si cette modalité de géo visualisation est intéressante par bien des aspects, elle n’est pas adaptée à une analyse géographique réalisée à l’échelle mondiale, et soulève d’autres problèmes que nous n’allons pas développer là, tout de suite.

Modifier les liens ?

Plusieurs possibilités sont dès lors envisageables pour remédier à ces problèmes de visualisation. Dans une approche (carto)graphique, il est possible d’agir sur les figurés (ici les liens, ou les points) – sans toucher à l’information numérique ou géographique. Une première approche – qui était à l’époque innovante – nous avaient beaucoup séduits

Je me souviens d’ailleurs très bien de tous les problèmes que nous avions eus pour la mettre en œuvre : Serge avait du lancer des calculs la nuit, en fin de semaine, pour cause de problèmes de mémoire ; nous n’avions pas su changer le système de projection. Quelle galère ! La mise en œuvre de la méthode n’étant pas assez documentée.

Cette approche purement graphique consiste à réaliser une fusion graphique des liens (edge bundling), que nous avons mis en œuvre sur ces données (Fig. 4).

Fig. 4. Fusion graphique des relations inter aéroports de l’Openflightdata, dans une projection de Mercator (!)

Le résultat a l’avantage de donner à voir les principales « routes » aériennes, de valider l’hypothèse d’un effet de position de type « effet d’alignement topologique » . Il s’agit d’un problème particulier de la représentation des flux, à l’échelle mondiale (voir une courte présentation de ce problème ici, page 261). Il est résolu par une famille de solutions qui, lorsqu’elles sont cartographiques, consiste à changer les positions des lieux.

Changer les positions des lieux ?

Au niveau cartographique, on observe sur les figures précédentes la manifestation d’effets particuliers : trop de lignes dans certaines parties du globe (effets de surcharge graphique, de couverture spatiale, effet d’échelle), surtout dans certaines directions (par exemple, trop de longues lignes d’orientation est-ouest dans l’hémisphère nord). Ce denier effet, lié à la position relative des lieux les uns par rapport aux autres, tient au fait que, sur la projection de Mollweide, les lieux concernés par ces relations apparaissent alignés, entraînant une concentration des flux sur une petite bande horizontale. Aussi avons nous re projeté nos données (voir Fig. 5).

Fig. 5. Relations inter aéroports de l’Openflightdata, dans une projection polaire

On voit bien comment le choix du système de projection permet de géo visualiser de manière plus efficace ces relations mondiales, en permettant de percevoir plus aisément les principaux motifs spatiaux de cette échelle. Ici ce qu’il est intéressant de représenter, ce sont les grands équilibres internationaux, les enjeux mondiaux, les centres, en deux mots : la triade. Elle est aussi plus agréable à regarder, mais c’est peut-être trop subjectif.

A noter que si elle est adaptée à l’échelle mondiale, cette solution ne l’est pas à l’échelle locale – le changement de projection n’étant généralement pas visible au niveau régional ou local. Pour contourner ce problème, il est possible de recourir à une solution graphique, enfin pseudo géographique. C’est dans cet esprit qu’avait été proposé CARTOD (Bonin, Bahoken, Mermet, 2013), fondé sur un modèle circulaire conservant une partie de la géographie des lieux (leur cardinalité).

La suite de l’exploration conduit à analyser une double sélection de ces aéroports et de leurs relations, respectivement considérés comme les plus importants (first degree airports) et les plus significatives.

A suivre, …
1. Si cette base de données Openflightdata est la plus connue, Sylvain Genevois nous signale (merci à lui !) qu’il en existe plus de 300 autres ; elles sont recensées sur le site https://data.world/datasets/aviation
Références mentionnées :

Bahoken F., Beauguitte L., Lhomme S. (2013), Visualizing world flows: a challenge between efficacy, accuracy and aesthetics, European Colloquium on Quantitative and Theoretical Geography (ECQTG’13), Special Session ‘’Networking the world II: data, Practice and Visualizations’’, Paris-Dourdan, juillet 2013. European Colloquium of Theoretical and Quantitative Geography (ECTQG, 2013), Dourdan

CARTOD/MAPOD, CARTographie des matrices de flux Origine-Destination, MAPing Origin-Destination matrices, Une application de visualisation de la demande de transport locale. M@ppemonde, Rubrique « Lieux dont on parle ». URL">[mappemonde.mgm.fr]

Références liés :
Groupe fmr (2018), Cartographie du réseau openflight de relations mondiales ici
Françoise Bahoken
Géographe et cartographe, Chargée de recherches à l'IFSTTAR et membre-associée de l'UMR 8504 Géographie-Cités.
More Posts

27 octobre 2018
12:29
[nt]
sur Séries temporelles
=>

Every four years, CNES brings together its scientific advising committees (and I have never been invited ) for its scientific prospective seminar. This seminar is where the scientific priorities for CNES's next space missions are defined. A few months before, a call for ideas for new missions is issued, and it was the opportunity to submit the idea of a mission called SENTINEL-HR (following Gérard Dedieu who had already proposed it two years ago).

Sentinel-HR mission
This mission would make it possible to observe all the lands at a metric resolution once a season. Taking into account the clouds, it would require a systematic revisit frequency of 20 to 30 days. As the mission name suggests, access to data would be free and open. The minimum configuration would have four bands (blue, green, red, near-infra-red), with optional bands in the short wave infra-red and the possibility of making stereoscopic observations.

2018 Image cover of France at a high resolution (6m), acquired by SPOT-6/7, for Theia/GeoSud project (1). Data were acquired between the 6 of april and the 11th of October .

As I already presented numerous tiles and for many years, the benefit of Sentinel-2 data, compared to the SPOT missions of the past, is the ability to make frequent and systematic acquisitions, coupled with the free and open availability of data. This clearly explains the success of the SENTINEL-2 mission, which brought the number of users each year from a few thousands for SPOT to tens of thousands for SENTINEL-2.
Feasibility
Even if the feasibility studies did not start yet, the minimal mission really looks within reach: for instance, the SPOT6/7 satellites, launched in 2013, are able to acquire 2m resolution images for a field of view of 60 km. SPOT1 had been designed to acquire all lands in 26 days, at Nadir, with a 120 km field of view (two fields of view of 60km). In 26 days, a satellite in SPOT's orbit makes 369 revolutions, which gives a total field of view of 369*120=44280 km, 10% more than the length of equator. .

Two satellites with a 60 km field of view would do the same.

Observation of the thinning of Mt Cook (Kerguelen) Ice cap (Favier, nature scientific reports, 2009, (2) thanks to SRTM et stereoscopic images from SPOT5, in m/yr, between 2000 and 2009. Systematic stereoscopic observations will make it possible to regularly monitor all the planet's glaciers.

Of course, there are probably other smart solutions which will need to be studied, either with more satellites, or with a larger field of view.

The most complicated point for Sentinel-HR would probably be data throughput. Currently, SPOT6/7 only acquire a few minutes of orbital shooting, whereas it would take up to 20 minutes for Sentinel-2. Setting up a stereoscopic shot with an angle difference of about 10 degrees would not be easy either, but our instrument designers will probably have good ideas.
Applications
Hedgerow detection (in red) in Britanny, from Kermap company (3), using high resolution optical images.

As for Sentinel-2, the applications would be very diverse.

Here are a few of them :
- monitoring of artificialization and urban density, water masses, glaciers, morphology of rivers, forests, management of natural parks.
- support for agricultural declarations or their control
  Monitoring of coastline and sandbanks at the Arcachon basin exit, by bathymetric inversion of SPOT5 images (Dulac, 2013 (4) Thanks to a special concentartion of SPOT5 image acquisitions on that zone (thanks to Kalideos project), it was possible to get an accurate evaluation of the movement amplitude in meters over two years. With the Sentinel-HR mission, it would be possible to generalize these studies on all the world's coasts.
- monitoring of the tree elements (green frames, hedges ...) of the landscape
- contribution of texture in the identification of land cover has been demonstrated
- providing texture information to estimate biophysical parameters of forests such as biomass, age, or height
- coastline and shallow bathymetry
- for post-disaster damage assessments, this mission would provide assurance of having a high-resolution, recent reference image
If you are interested by the Sentinel-HR mission, please feel free to tell us, by commenting this post. We are interested in your reasons, and we will need application examples to promote this idea. And maybe, if you do it well, i'll get invited to CNES's prospective seminar .

Of course it will be a long time until we get such a mission, probably too expensive for CNES alone. But submitting this proposal will maybe allow to start studying it and make the idea progress.

Co-proposers
The proposal was submitted with several co-proposers :
- Gérard Dedieu (CESBIO/CNES)
- Anne Puissant (LIVE/CNRS)
- Pierre Morel (TETIS/IRSTEA)
- Etienne Berthier (LEGOS/CNRS)
Image references
[1] Geosud: <a href="http://ids.equipex-geosud.fr/"> [ids.equipex-geosud.fr]

[2] <a href="https://www.nature.com/articles/srep32396">Favier, Vincent, D. Verfaillie, E. Berthier, M. Menegoz, V. Jomelli, J. E. Kay, L. Ducret et al. "Atmospheric drying as the main driver of dramatic glacier wastage in the southern Indian Ocean." <em>Scientific reports</em> 6 (2016): 32396.</a>

[Extraction of hedgerows by Kermap company: <a href="http://www.kermap.com/bocage/"> [www.kermap.com]

[4] <a href="http://www.gis-cooc.org/images/stories/coocimage/presentations/Atelier_2013/gis_cooc_atelier%202013_bertrand_lubac.pdf">coastline monitoring </a>
9:41
SENTINEL-HR: une mission optique à résolution métrique avec observations répétitives, systématiques et libre d'accès
sur Séries temporelles
=>

Tous les 4 ans, le CNES réunit la fine fleur de ses comités scientifiques ( d'ailleurs, je n'ai jamais été invité ), pour son séminaire de prospective. C'est à cette occasion que sont définies les priorités scientifiques pour les prochaines missions spatiales du CNES. Quelques mois avant, un appel à idées pour de nouvelles missions est émis. et c'est à cette occasion que j'ai soumis l'idée d'une mission appelée SENTINEL-HR (prenant la suite de Gérard Dedieu qui l'avait déjà proposée depuis deux ans).

Mission Sentinel-HR
Cette mission permettrait d'observer toutes les terres à une résolution métrique, une fois par saison. En tenant compte des nuages, il faudrait donc un passage en tous points tous les 20 à 30 jours. Comme son nom l'évoque, l'accès aux données serait libre et gratuit, et les prises de vues systématiques. La configuration minimale aurait quatre bandes (bleu, vert, rouge, proche-infra-rouge), avec en option, des bandes dans le moyen infra-rouge ou la possibilité d'effectuer des observations.

Couverture de la France 2018 à haute résolution (6m) réalisée par SPOT-6/7, pour le compte de GeoSud (1).. Les données ont été acquises entre le 6 avril et le 11 octobre 2018.

Comme je l'ai déjà présenté à de nombreuses reprises et depuis longtemps, l'avantage des données Sentinel-2, comparées à celles des missions SPOT d'antan, tient dans la capacité de prise de vue systématique, conjuguée à la disponibilité de données libres et gratuites. C'est clairement ce qui explique le succès de la mission SENTINEL-2, passant de de quelques milliers d'utilisateurs pour SPOT, à des dizaines de milliers pour SENTINEL-2.

Faisabilité
Bien que les études n'aient pas commencé, il me semble que la mission minimale devrait être faisable, puisque, par exemple, les missions SPOT6 et SPOT7 peuvent, depuis 2013 acquérir leurs images à une résolution de 2m pour un champ de vue de 60 km. Or, SPOT1 avait déjà été conçu pour pouvoir acquérir toutes les terres en 26 jours, à la verticale, avec un champ de 120km (ou deux champs de 60km). En 26 jours, SPOT1 faisait 369 orbites, et pouvait observer à l'équateur un champ total de 369*120=44280 km, soit 10% de plus que la longueur de l'équateur, ce qui permet d 'assurer un recouvrement des bords d'image.

Il est donc possible d'en faire de même avec deux satellites ayant chacun un champ de

Observation de l'amincissement de la calotte glaciaire du mont Cook aux Kerguelen (Favier, nature, 2009, (2) grâce à SRTM et à des images stéréoscopiques issues de SPOT5, en m/an, entre 2000 et 2009. Des observations stéréoscopiques systématiques et fréquentes permettront un suivi régulier des glaciers de la planète.

60 km. Bien évidemment, de nombreuses autres combinaisons sont possibles et pourront être étudiées, soit avec davantage de satellites plus simples, soit avec un champ plus large et une répétitivité un peu meilleure que les 26 jours de SPOT.

Le point le plus compliqué pour Sentinel-HR serait probablement le débit de données, les SPOT ne disposant que de quelques minutes de prise de vue par orbite, alors qu'il faudrait jusqu'à 20 mn pour Sentinel-2. L'aménagement d'une prise de vue stéréoscopique avec une différence d'angle de l'ordre de 10 degrés ne serait pas toute simple, mais nous pouvons laisse la créativité de nos instrumentistes s'exprimer.

Applications
Extraction (en rouge) des éléments arborés du paysage, dont le bocage, en Bretagne par la société Kermap (3), à partir d'images à haute résolution spatiale.

Les applications d'une telle mission seraient bien sûr extrêmement nombreuses, un peu comme dans le

cas de Sentinel-2. En voici quelques unes :
- suivi de l’artificialisation et de la densité urbaine, des masses d’eau, des glaciers, de la morphologie des cours d’eau, des forêts, gestion de parcs naturels.
- support aux déclarations agricoles ou à leur contrôle, cadastre agricole
  Suivi du trait de côte et des bancs de sable à la sortie du Bassin d'Arcachon, par inversion bathymétrique d'images SPOT5 (Dulac, 2013 (4) Grâce à une bonne répétitivité des observations permise par le projet Kalideos, une évaluation précise des déplacements (en mètres) sur deux ans a pu être menée. Avec la mission Sentinel-HR, il serait possible de généraliser ces études sur l'ensemble des côtes mondiales.
- suivi des éléments arborés (trames vertes, haies…) du paysage
- apport de la texture dans l'estimation de l'occupation des sols a été démontré
- apport des informations de textures pour estimer des paramètres biophysiques des forêts comme la biomasse, l'âge, ou la hauteur
- suivi du trait de côte et de la bathymétrie de faible profondeur
- pour les évaluations de dommages après catastrophes, cette mission donnerait l'assurance d'avoir une image de référence récente à haute résolution
Si la mission vous intéresse, n'hésitez pas à nous le dire en commentant ce billet. N'hésitez pas à nous dire pourquoi, nous aurons besoin de nombreux exemples d'application de ce genre de données pour promouvoir cette idée. Et si vous le faites bien, je serai peut-être invité au séminaire de prospective du CNES .

Bien sûr, beaucoup de temps s'écoulera d'ici le lancement éventuelle d'une telle mission, probablement trop chère pour le CNES seul. Mais cette proposition permettra peut-être de démarrer les études et de faire progresser l'idée.

Co-proposants
La proposition Sentinel-HR a été soumise avec plusieurs co-proposants :
- Gérard Dedieu (CESBIO/CNES)
- Anne Puissant (LIVE/CNRS)
- Pierre Morel (TETIS/IRSTEA)
- Etienne Berthier (LEGOS/CNRS)
Références des images
[1] Geosud: <a href="http://ids.equipex-geosud.fr/"> [ids.equipex-geosud.fr]

[2] <a href="https://www.nature.com/articles/srep32396">Favier, Vincent, D. Verfaillie, E. Berthier, M. Menegoz, V. Jomelli, J. E. Kay, L. Ducret et al. "Atmospheric drying as the main driver of dramatic glacier wastage in the southern Indian Ocean." <em>Scientific reports</em> 6 (2016): 32396.</a>

[3] Extraction du bocage par la société Kermap : <a href="http://www.kermap.com/bocage/"> [www.kermap.com]

[4] <a href="http://www.gis-cooc.org/images/stories/coocimage/presentations/Atelier_2013/gis_cooc_atelier%202013_bertrand_lubac.pdf">Suivi du trait de côte en Aquitaine dans le cadre du programme Kalideos du CNES </a>

0:00

Comment calculer un itinéraire routier ?

sur www.touraineverte.com

26 octobre 2018

14:30

QGIS Server 3.4: Server cache manager and WMTS service

sur ReLucBlog

Funded by Ifremer

QGIS Server 3.4 supports WMTS 1.0.0 OGC standard.

In QGIS project properties, the user can defined:

which part of the project (all the project, layer groups or layers) has to be published through WMTS standard
the min scale of the tiles

QGIS Server reused the CRS defined in the WMS capabilities configuration for WMTS.

qgis_wmts_config_screenshot

To manage the tile cache, a QGIS Server plugin with a QgsServerCacheFilter class has to be installed and loaded by QGIS Server.

By default, QGIS Server only caches WMS GetCapabilities document in memory. With WMTS implementation, it is necessary to have a way to cache tiles. But the cache manager has not been developed to only cache tiles.

The cache manager plugin, can be used to cache:

WMS, WFS, WCS, WMTS GetCapabilities documents
WFS DescribeFeatureType documents
WCS DescribeCoverage documents
WMTS GetTile images
WMS GetLegendGraphic images

Here is a python cache manager class, which do not verifying if the QGIS project has changed:

class PyServerCache(QgsServerCacheFilter):

    """ Used to have restriction access """

    # Be able to deactivate the access control to have a reference point
    _active = False

    def __init__(self, server_iface):
        super(QgsServerCacheFilter, self).__init__(server_iface)

        self._cache_dir = os.path.join(tempfile.gettempdir(), "qgs_server_cache")
        if not os.path.exists(self._cache_dir):
            os.mkdir(self._cache_dir)

        self._tile_cache_dir = os.path.join(self._cache_dir, 'tiles')
        if not os.path.exists(self._tile_cache_dir):
            os.mkdir(self._tile_cache_dir)

    def getCachedDocument(self, project, request, key):
        m = hashlib.md5()
        paramMap = request.parameters()
        urlParam = "&".join(["%s=%s" % (k, paramMap[k]) for k in paramMap.keys()])
        m.update(urlParam.encode('utf8'))

        if not os.path.exists(os.path.join(self._cache_dir, m.hexdigest() + ".xml")):
            return QByteArray()

        doc = QDomDocument(m.hexdigest() + ".xml")
        with open(os.path.join(self._cache_dir, m.hexdigest() + ".xml"), "r") as f:
            statusOK, errorStr, errorLine, errorColumn = doc.setContent(f.read(), True)
            if not statusOK:
                print("Could not read or find the contents document. Error at line %d, column %d:\n%s" % (errorLine, errorColumn, errorStr))
                return QByteArray()

        return doc.toByteArray()

    def setCachedDocument(self, doc, project, request, key):
        if not doc:
            print("Could not cache None document")
            return False
        m = hashlib.md5()
        paramMap = request.parameters()
        urlParam = "&".join(["%s=%s" % (k, paramMap[k]) for k in paramMap.keys()])
        m.update(urlParam.encode('utf8'))
        with open(os.path.join(self._cache_dir, m.hexdigest() + ".xml"), "w") as f:
            f.write(doc.toString())
        return os.path.exists(os.path.join(self._cache_dir, m.hexdigest() + ".xml"))

    def deleteCachedDocument(self, project, request, key):
        m = hashlib.md5()
        paramMap = request.parameters()
        urlParam = "&".join(["%s=%s" % (k, paramMap[k]) for k in paramMap.keys()])
        m.update(urlParam.encode('utf8'))
        if os.path.exists(os.path.join(self._cache_dir, m.hexdigest() + ".xml")):
            os.remove(os.path.join(self._cache_dir, m.hexdigest() + ".xml"))
        return not os.path.exists(os.path.join(self._cache_dir, m.hexdigest() + ".xml"))

    def deleteCachedDocuments(self, project):
        filelist = [f for f in os.listdir(self._cache_dir) if f.endswith(".xml")]
        for f in filelist:
            os.remove(os.path.join(self._cache_dir, f))
        filelist = [f for f in os.listdir(self._cache_dir) if f.endswith(".xml")]
        return len(filelist) == 0

    def getCachedImage(self, project, request, key):
        m = hashlib.md5()
        paramMap = request.parameters()
        urlParam = "&".join(["%s=%s" % (k, paramMap[k]) for k in paramMap.keys()])
        m.update(urlParam.encode('utf8'))

        if not os.path.exists(os.path.join(self._tile_cache_dir, m.hexdigest() + ".png")):
            return QByteArray()

        img = QImage(m.hexdigest() + ".png")
        with open(os.path.join(self._tile_cache_dir, m.hexdigest() + ".png"), "rb") as f:
            statusOK = img.loadFromData(f.read())
            if not statusOK:
                print("Could not read or find the contents document. Error at line %d, column %d:\n%s" % (errorLine, errorColumn, errorStr))
                return QByteArray()

        ba = QByteArray()
        buff = QBuffer(ba)
        buff.open(QIODevice.WriteOnly)
        img.save(buff, 'PNG')
        return ba

    def setCachedImage(self, img, project, request, key):
        m = hashlib.md5()
        paramMap = request.parameters()
        urlParam = "&".join(["%s=%s" % (k, paramMap[k]) for k in paramMap.keys()])
        m.update(urlParam.encode('utf8'))
        with open(os.path.join(self._tile_cache_dir, m.hexdigest() + ".png"), "wb") as f:
            f.write(img)
        return os.path.exists(os.path.join(self._tile_cache_dir, m.hexdigest() + ".png"))

    def deleteCachedImage(self, project, request, key):
        m = hashlib.md5()
        paramMap = request.parameters()
        urlParam = "&".join(["%s=%s" % (k, paramMap[k]) for k in paramMap.keys()])
        m.update(urlParam.encode('utf8'))
        if os.path.exists(os.path.join(self._tile_cache_dir, m.hexdigest() + ".png")):
            os.remove(os.path.join(self._tile_cache_dir, m.hexdigest() + ".png"))
        return not os.path.exists(os.path.join(self._tile_cache_dir, m.hexdigest() + ".png"))

    def deleteCachedImages(self, project):
        filelist = [f for f in os.listdir(self._tile_cache_dir) if f.endswith(".png")]
        for f in filelist:
os.remove(os.path.join(self._tile_cache_dir, f))
        filelist = [f for f in os.listdir(self._tile_cache_dir) if f.endswith(".png")]
        return len(filelist) == 0

And the way to add it to the QGIS Server cache manager.

servercache = PyServerCache(server_iface)
server_iface.registerServerCache(servercache, 100)

25 octobre 2018
22:55
Snow cover duration from 01 Sep 2017 to 31 Aug 2018 in the Alps and Pyrenees
sur Séries temporelles

=>

We are thinking to distribute a new product that would provide the snow cover duration in the Alps and the Pyrenees over a hydrological year (snow persistence map). Here is a preview of a "beta" version that is only 100 m resolution for now.

Snow cover duration from 01 Sep 2017 to 31 Aug 2018. Pixels with less than 60 days were masked out.

A few words on the method (see also here): this map is generated after a linear interpolation at the daily time step of every available Theia snow product. Here we have selected 26 Sentinel-2 tiles, which represents 3189 snow maps for the study period, that is 96 billion pixels to process.

With the accumulation of Sentinel-2 data it becomes possible to look at interannual variability. Here is for example a visual comparison of the snow cover duration calculated from January to May for three years in the Pyrenees (31TCH):

Snow Duration from Jan 01 to May 31 in the Pyrenees (tile 31TCH)

We can see longer snow durations for the year 2018, which was an exceptional year!
22:30
Durée d'enneigement dans les Alpes et les Pyrénées du 01/09/2017 au 31/08/2018
sur Séries temporelles

=>

Nous sommes en train de penser à un nouveau produit qui donnerait la durée d'enneigement dans les Alpes et les Pyrénées au cours de la dernière année hydrologique. Voici ci-dessous un aperçu d'une version "beta" (artisanale) qui n'est qu'à 100 m de résolution pour l'instant.

Durée d'enneigement du 01/09/2017 au 31/08/2018. Les pixels avec moins de 60 jours ont été masqués.

Quelques mots sur la méthode (voir aussi ici) : cette carte est générée après une interpolation linéaire au pas de temps journalier de toutes les cartes d'enneigement Theia disponibles. Ici nous avons sélectionné 26 tuiles Sentinel-2, ce qui représente 3189 cartes d'enneigement pour la période considérée, soit 96 milliards de pixels à traiter.

Avec l'accumulation des données Sentinel-2 il devient possible de comparer les années entre elles. Voici par exemple une comparaison visuelle de la durée d'enneigement calculée de janvier à mai pour trois années dans les Pyrénées (31TCH):

Durée d'enneigement du 01 janvier au 31 mai sur la tuile 31TCH

On voit ressortir des durées d'enneigement élevées pour l'année 2018 qui fut une année exceptionnelle !

Un grand merci à Germain Salgues de Magellium pour avoir produit toutes les données rapidement ce qui nous a permis de montrer cette carte au séminaire Theia à Montpellier dès le 18 octobre ! Et merci à Michel Le Page pour la mise en ligne.

20:16
ArcGIS Hub : Le service d’ESRI qui développe l’engagement citoyen
sur Veille cartographie

Cet article ArcGIS Hub : Le service d’ESRI qui développe l’engagement citoyen est apparu en premier sur Veille cartographique 2.0.

ArcGIS Hub est une nouvelle plateforme développée par ESRI tournée vers la collaboration citoyenne. Elle relie les collectivités territoriales aux citoyens par l’intermédiaire de projets d’actions concrètes appelés initiatives. Les citoyens qui peuvent se connecter à ArcGIS Hub rentrent dans un portail communautaire. Ensuite, ils peuvent choisir l’initiative pour laquelle ils souhaitent […]

Cet article ArcGIS Hub : Le service d’ESRI qui développe l’engagement citoyen est apparu en premier sur Veille cartographique 2.0.
20:12
Une carte officielle des aires de covoiturage en France récemment dévoilée
sur Veille cartographie

Cet article Une carte officielle des aires de covoiturage en France récemment dévoilée est apparu en premier sur Veille cartographique 2.0.

Le covoiturage, un nouveau mode de transport en plein boom Cette pratique ne cesse de se développer en France. Il est défini comme « l’utilisation en commun d’un véhicule terrestre à moteur par un conducteur et un ou plusieurs passagers, effectuée à titre non onéreux, excepté le partage des frais, dans le cadre d’un déplacement que […]

Cet article Une carte officielle des aires de covoiturage en France récemment dévoilée est apparu en premier sur Veille cartographique 2.0.
24 octobre 2018
19:35
La modélisation 3D du tout petit et si on y pensait plus?
sur Veille cartographie

Cet article Modélisation 3D du tout petit est apparu en premier sur Veille cartographique 2.0.

La modélisation 3D est généralement associée aux grands espaces. Cela peut-être une chaine de montagne, la visualisation d’un plan d’aménagement d’une ville ou encore sa future maison. Dans tous ces exemples, la 3D sert avant tout à représenter ce qui est grand voire très grand ! Pourtant, on peut parfois l’oublier mais la modélisation peut […]

Cet article Modélisation 3D du tout petit est apparu en premier sur Veille cartographique 2.0.
18:45
Qu’est-ce que le geofencing ?
sur Veille cartographie

Cet article Qu’est-ce que le geofencing ? est apparu en premier sur Veille cartographique 2.0.

Le geofencing est une technologie apparue il y a déjà quelques années. L’émergence du Big Data, la popularisation du GPS et du WIFI, l’explosion du volume de données de géolocalisation et la montée exponentielle des ventes de mobiles font du geofencing un outil pertinent de ciblage. Qu’est-ce que le geofencing ? Le geofencing (gardiennage virtuel ou géo-repérage), […]

Cet article Qu’est-ce que le geofencing ? est apparu en premier sur Veille cartographique 2.0.
17:30
Trackoe : une application au service de la collecte et de la gestion des déchets
sur Veille cartographie

Cet article Trackoe : une application au service de la collecte et de la gestion des déchets est apparu en premier sur Veille cartographique 2.0.

Introduction Longtemps considéré comme un casse-tête, la collecte et la gestion des déchets prennent de nouvelles dimensions sur le terrain. Cependant on assiste au développement de nouvelles technologies permettant de mesurer et d’optimiser les temps de collecte liés aux déchets. Développé par le bureau d’étude Optae. Trackoe est une application mobile et web au service […]

Cet article Trackoe : une application au service de la collecte et de la gestion des déchets est apparu en premier sur Veille cartographique 2.0.
23 octobre 2018
19:23
Coral Cities : la visualisation des réseaux de villes du monde en coraux vivants
sur Veille cartographie

Cet article Coral Cities : la visualisation des réseaux de villes du monde en coraux vivants est apparu en premier sur Veille cartographique 2.0.

Parlons peu parlons bien, parlons dataviz et coraux A l’heure où les données numériques se multiplient de manière exponentielle, la visualisation des données est une pratique que l’on observe partout, aussi bien dans les journaux que sur internet. Souvent située entre la science et l’art, la data visualisation, dite dataviz, est un puissant outil de […]

Cet article Coral Cities : la visualisation des réseaux de villes du monde en coraux vivants est apparu en premier sur Veille cartographique 2.0.
17:20
Quel serait l’état de l’air en Flandre sans véhicules diesel ?
sur Veille cartographie

Cet article Quel serait l’état de l’air en Flandre sans véhicules diesel ? est apparu en premier sur Veille cartographique 2.0.

En septembre 2015, l’industrie automobile a été secouée par un scandale lié à la modification frauduleuse des émissions polluantes provenant des véhicules diesel du constructeur Volkswagen. L’ « Affaire Volkswagen » (ou « dieselgate »), révélée par l’Agence américaine de protection de l’environnement (EPA) accuse le constructeur allemand d’avoir installé un « logiciel truqueur » lors des tests d’homologation des véhicules […]

Cet article Quel serait l’état de l’air en Flandre sans véhicules diesel ? est apparu en premier sur Veille cartographique 2.0.
17:15
CartoLander, un compagnon nomade
sur Veille cartographie

Cet article CartoLander, un compagnon nomade est apparu en premier sur Veille cartographique 2.0.

CartoLander, un compagnon nomade Interface CartoLander V6.0 georm.fr/cartolander/ Présentation du Logiciel D’où viennent les données que l’on utilise en cartographie ? Nous géomaticiens, utilisons quelquefois des données sans réellement savoir comment elles ont été acquises. Nous allons nous intéresser maintenant à une de ces sources : l’acquisition directe sur le terrain de données vectoriel à […]

Cet article CartoLander, un compagnon nomade est apparu en premier sur Veille cartographique 2.0.
16:07
La géomatique a une composante artistique à faire entendre : l’exemple de la photographie artistique paysagère avec Yvan Bédard
sur Veille cartographie

Cet article La géomatique a une composante artistique à faire entendre : l’exemple de la photographie artistique paysagère avec Yvan Bédard est apparu en premier sur Veille cartographique 2.0.

Malgré sa forte composante « informatique » et sa plus faible composante « géographique », la géomatique semble inspirée de plus en plus les artistes. De l’art GPS à la photographie artistique paysagère en passant par les cartes-objets présentées au concours CartoCrea ESRI, le territoire est support mais aussi atelier de l’art. Associé à de la technologie, des œuvres […]

Cet article La géomatique a une composante artistique à faire entendre : l’exemple de la photographie artistique paysagère avec Yvan Bédard est apparu en premier sur Veille cartographique 2.0.
22 octobre 2018
19:36
Google Maps, enregistrer sa place de stationnement
sur Veille cartographie

Cet article Google Maps, enregistrer sa place de stationnement est apparu en premier sur Veille cartographique 2.0.

Fini de perdre sa voiture dans des parkings immenses ! Depuis un peu plus d’un an, Google Maps vous permet d’enregistrer votre place de stationnement.

Cet article Google Maps, enregistrer sa place de stationnement est apparu en premier sur Veille cartographique 2.0.
19:14
Aix-Marseille-Provence, smart métropole de demain
sur Veille cartographie

Cet article Aix-Marseille-Provence, smart métropole de demain est apparu en premier sur Veille cartographique 2.0.

La métropole d’Aix-Marseille-Provence est une métropole regroupant le territoire métropolitain autour de Marseille et d’Aix-en-Provence dans les Bouches-du-Rhône. Créée le 1er janvier 2016 par la loi MAPTAM (Modernisation de l’Action publique Territoriale et de l’Affirmation des Métropoles), elle est issue de la fusion de six intercommunalités afin de mettre fin à la fragmentation administrative du […]

Cet article Aix-Marseille-Provence, smart métropole de demain est apparu en premier sur Veille cartographique 2.0.
19:03
Deïmos, une modélisation d’orbites de satellites
sur Veille cartographie

Cet article Deïmos, une modélisation d’orbites de satellites est apparu en premier sur Veille cartographique 2.0.

Depuis le premier lancement de satellite par l’URSS en 1957 avec Spoutnik 1, nous vivons en dessous de nombreux objets qui nous observent et nous permettent de vivre dans notre monde moderne. Nous en dénombrons plus de 1400 actuellement, tournant ou non au tour de la Terre. L’outil suivant est un dispositif éducatif et interactif […]

Cet article Deïmos, une modélisation d’orbites de satellites est apparu en premier sur Veille cartographique 2.0.
19:00
California: satellite and big data for the Paris Accord
sur Veille cartographie

Cet article California: satellite and big data for the Paris Accord est apparu en premier sur Veille cartographique 2.0.

California will launch its own satellite to access and share climate change-related data In the course of September 2018, the Governor of California, Jerry Brown, announced that the state would release its own satellite by 2021 in order to create its new data regarding climate change. This decision follows many other political choices opposed to […]

Cet article California: satellite and big data for the Paris Accord est apparu en premier sur Veille cartographique 2.0.

Sauter à la page: 1 2 3 ... 15

← Du côté des éditeurs Géomatique anglophone →

Communauté	Ressources	L'emploi	Le marché	L'association	Fils RSS
Forum Blogs Wiki Planet Carte des membres Sites amis	Annuaire Agenda Biblio Netvibes Fiches AMO-CNIG Paris PCGIS Téléchargements	Offres d'emploi Banque de CV Carte des CV Formations Démarche Métiers	Geo-Entreprises Geo-Communiqué Appels d'offres	L'association Qui sommes-nous ? Nous aider Bienfaiteurs Partenaires Historique Statuts	Tout le site Job Géomatique Services GeoBlogs ...	Faire un don Mentions légales

Le portail francophone de la géomatique

Canaux

Toile géomatique francophone

Pièce jointe: [télécharger]

Pièce jointe: [télécharger]