(Encadrants : Nicolas Maillot)
Des publications récentes indiquent qu’une partie de l’Amazonie émet désormais plus de CO2 qu’elle n’en absorbe [1], aggravant ainsi la problématique du réchauffement climatique. Le suivi de l’évolution de la surface des forêts dans diverses régions du monde est un enjeu de plus en plus essentiel. L’imagerie satellitaire est un instrument très efficace pour suivre la déforestation à l’échelle planétaire. Un exemple lié au programme européen Copernicus est documenté en [2]. L’université du Maryland met notamment à disposition depuis environ 20 ans les données du programme américain Landsat [3-5], qui sont d’une grande utilité pour ce type d’analyse.
Les objectifs de ce travail sont les suivants :
1. Comprendre le jeu de données Landsat « Global Forest Change 2000–2019 » [3].
2. Mesurer l’évolution au cours des 20 dernières années de la déforestation sur au moins une zone géographique parmi : le territoire de Sophia Antipolis, la France Métropolitaine, un territoire d’outre-mer, l’Amazonie. Les métriques clés (d’autres peuvent être proposées) à calculer, en évolution annuelle sur la période 2000-2019, sont les suivantes :
Pertes de couvert forestier en surface absolue (km2 ou ha)
Pourcentage de couvert forestier (relativement à la surface du territoire considéré)
3. Renforcement de compétences en Python et manipulation de librairies de traitement d’information géographique.
4. La mise au point de méthodes prédictives pourra également être envisagée. Il s’agit ici de prédire l’évolution du couvert forestier d’une année sur l’autre (de manière globale et/ou locale).
Il est recommandé, dans un premier temps, d’identifier et de bien comprendre les données nécessaires et de démarrer sur une zone géographique suffisamment réduite pour mettre au moins l’algorithmique nécessaire le plus rapidement possible. Un fois au point, l’algorithmique en question pourra être appliquée sur de grandes zones géographiques (ce qui demandera des temps de calcul plus conséquents).
Ce mini projet pourra capitaliser sur les avancées de l’équipe précédente durant l’année passée (captialisation sur les résultats et le code produits). L’enjeu pourra être l’extension de la couverture géographique ou un approfondissement de données complémentaires (e.g. urbanisation)
Une séance de revue sera planifiée une fois ou deux par mois. Compétences qui pourront être acquises à l’issue de ce projet: Python, Matplotlib, GDAL, numpy, scipy, scikit-learn.
[1] Amazonia as a carbon source linked to deforestation and climate change.
[3] High-Resolution Global Maps of 21st-Century Forest Cover Change.