Cette carte a été produite dans le cadre de la convention 2010 -- 0190 de l'Agence de l'Eau Rhône Méditerranée et Corse concernant l'optimisation d'une méthode de quantification du rôle des corridors rivulaires sur l'état écologique des cours d'eau.

Les cartographies des espaces bâtis sur la région Occitanie résultent d'une extraction automatique par méthode d'apprentissage profond (deep learning) à partir d'imagerie très haute résolution spatiale (1.5m) SPOT 6/7, pour les années 2015 à 2019. Fichiers fournis sous forme vectorielle. (2021-09-09)

Le coefficient de dispersion représente le rapport entre la surface des espaces artificialisés (taches urbaines) morcelés, définis ici pour une emprise inférieure à 3 hectares, et celle des espaces artificialisés denses supérieurs ou égales à 3 hectares.Cet indicateur a été calculé par canton et pour les années 2015 à 2019.

L'atlas cartographique offre un aperçu des données produites et traitées dans le cadre du projet Artisols. Ce dernier, soutenu par la Région Occitanie et le Fonds Européen de Développement Régional (FEDER), s’inscrit dans une démarche d’évaluation et de qualification du processus d’artificialisation des sols en région Occitanie.Neuf grandes thématiques y sont développées : - Les bâtiments résidentiels et d’activité- L’occupation du sol - La densité de bâti par maille de 150 m de côté - L'évolution de la densité de bâti entre 2017 et 2019- Les taches urbaines - La densité de bâti au sein des taches urbaines- Le coefficient de dispersion- L'indice de fragmentation des espaces non artificialisés- L'indice de compacité des taches urbaines

La densité de bâti est calculée par maille de 150 mètres de côté et sur la base d'une extraction du bâti à partir d'imagerie très haute résolution spatiale (1.5m) SPOT 6/7, pour les années 2015 à 2019.

Les taches urbaines distribuées sont caractérisées par des formes très variées. Ces formes peuvent aller d’un aspect très compacte (proche d’un disque, forme de compacité maximale sur un plan) à celui de formes très digitées ou de filaments, s’approchant de lignes plus ou moins sinueuses. Le suivi de cette dimension de compacité morphologique permet d’estimer si l’artificialisation due aux taches urbaines suit des extensions homogènes ou des extensions hétérogènes. Cet indice est calculé à l'échelle des EPCI d'Occitanie et pour l'année 2019.

This dataset provides georeferenced polygon vectors of individual tree canopy geometries for dryland areas in West African Sahara and Sahel that were derived using deep learning applied to 50 cm resolution satellite imagery. More than 1.8 billion non-forest trees (i.e., woody plants with a crown size over 3 m2) over about 1.3 million km2 were identified from panchromatic and pansharpened normalized difference vegetation index (NVDI) images at 0.5 m spatial resolution using an automatic tree detection framework based on supervised deep-learning techniques. Combined with existing and future fieldwork, these data lay the foundation for a comprehensive database that contains information on all individual trees outside of forests and could provide accurate estimates of woody carbon in arid and semi-arid areas throughout the Earth for the first time.

Hyperspectral data were obtained during an acquisition campaign led on Toulouse (France) urban area on July 2015 using Hyspex instrument which provides 408 spectral bands spread over 0.4 – 2.5 μ. Flight altitude lead to 2 m spatial resolution images. Supervised SVN classification results for 600 urban trees according to a 3 level nomenclature: leaf type (5 classes), family (12 and 19 classes) and species (14 and 27 classes). The number of classes differ for the two latter as they depend on the minimum number of individuals considered (4 and 10 individuals per class respectively). Trees positions have been acquired using differential GPS and are given with centimetric to decimetric precision. A randomly selected subset of these trees has been used to train machine SVM and Random Forest classification algorithms. Those algorithms were applied to hyperspectral images using a number of classes for family (12 and 19 classes) and species (14 and 27 classes) levels defined according to the minimum number of individuals considered during training/validation process (4 and 10 individuals per class, respectively). Global classification precision for several training subsets is given by Brabant et al, 2019 (https://www.mdpi.com/470202) in terms of averaged overall accuracy (AOA) and averaged kappa index of agreement (AKIA).

Cette carte a été produite dans le cadre du projet FUI-2012 SIRHYUS (Services d'Information pour la gestion des Ressources HYdriques et de leurs USages) et a bénéficié d'une aide de l'Etat gérée par l'Agence Nationale de la Recherche au titre du Programme Investissements d'Avenir pour le projet EQUIPEX GEOSUD ANR-10-EQPX-20.

Cette donnée raster résulte d'une classification par méthode d'apprentissage profond à partir d'imagerie très haute résolution spatiale (1.5m) SPOT 6/7. Des post-traitements ont été effectués afin de mieux caractériser les classes relatives à l'artificialisation.