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 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)

Les données de nodata par année (entre 2015 et 2019) correspondent aux zones de nuages et de leurs ombres portées sur les images satellites SPOT 6/7 utilisées pour la classification d'occupation du sol, donnée source pour les analyses géographiques qui ont suivi (extraction des espaces bâtis, des taches urbaines, indicateurs spatialisés)

The evolution of infrastructure networks such as roads and streets are of utmost importance to understand the evolution of urban systems. However, datasets describing these spatial objects are rare and sparse. The database presented here represents the road network at the french national level described in the historical map of Cassini in the 18th century. The digitalization of this historical map is based on a collaborative platform methodology that we describe in detail. These data can be used for a variety of interdisciplinary studies, covering multiple spatial resolutions and ranging from history, geography, urban economics to the science of network. (2015-01-15)

The map described here was produced as part of the Resilient Productive Territories (RPT) project. This project is funded by the World Bank. Reference of the database used to produce these maps: Dupuy, Stéphane; Lelong, Camille; Manasse, Marie Esther; Rambao, Jery; Mondésir, Jacques Philémon; Gaetano, Raffaele, 2021, "Nippes - Haïti - 2020, Reference Spatial Database", doi:10.18167/DVN1/29RZMQ , CIRAD Dataverse,V1

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.

Les taches artificialisées sont calculées 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. Deux distances de connexion sont proposées, à 50m et 100m.

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 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.