Cette publication de données contient un ensemble de fichiers dans lesquels les feux et les coupes au travers du Canada de 1984 à 2015 sont identifiés au niveau des pixels individuels de 30 m sur la grille Landsat. Les détails sur la création de ce produit sont disponibles dans Guindon et al (2018). La détection des changements est basée sur les mosaïques Landsat corrigées par la réflectance (juillet et août) de 1984 à 2015 et développées à partir des produits de réflectance pour des scènes individuelles de la USGS (Masek et al, 2006; Vermote et al, 2006). En bref, la méthode de détection des changements utilise une signature temporelle de six ans centrée sur l'année de la perturbation pour identifier le feu, les coupes et le non-changement. Les signatures temporelles proviennent de perturbations visuellement interprétées ou de polygones sans changement et sont utilisées pour adapter un modèle d'arbre de décision. La méthode détecte environ 91% des superficies coupées et 85% des superficies brûlées dans les forêts du Canada pendant la période d'étude, mais surestime les zones perturbées des deux premières et des deux dernières années de la série chronologique 1985 à 2015 en raison de l'absence de données pré-perturbation et post-perturbation, qui sont nécessaires au modèle de détection et d'attribution. Les résultats pour ces quatre années devraient donc être utilisés avec prudence. Comme dans Guindon et al (2014), la méthode a été conçue pour minimiser les erreurs de commission et a un taux de réussite d'attribution d'environ 98%. Le taux de réussite de l'attribution de l'année de perturbation est d'environ 69% pour l'année exacte et d'environ 99% lorsque les détections valides faites l'année suivante sont aussi considérées. Ainsi par exemple, un feu qui a eu lieu au printemps 2004 (avant juillet et août), sera capturé et attribué à l’année 2004, lorsque des images sont bien sûr disponibles pour ce territoire. Par contre un feu à l’automne 2004, sera capturé et attribué à l’année 2005. Cette fenêtre de correspondance de deux ans découle en grande partie de l'utilisation des images de mi-été pour la création de la mosaïque, ce qui donne des années différentes pour les événements de printemps et d'automne. De plus , la présence de nuages et d’ombres et disponibilité d’images, qui causent 10% de données manquantes dans les mosaïques annuelles, sera aussi responsable d’une partie de ces délais de détection. Les données sont destinées à des analyses de niveau stratégique car elles fournissent des informations uniformes et régulières sur les feux de forêts et les récoltes au travers des provinces et territoires du Canada. Comme aucune attention n'a été accordée à d'autres perturbations mineures telles que l'exploitation minière, la construction de routes ou les inondations, le produit ne doit pas être utilisé pour leur identification. Enfin, des jeux de calibration ont été développés pour seulement trois principaux ravageurs de la forêt (le charançon du pin ponderosa, la tordeuse de l'épinette de l'Est et la livrée des forêts) et ont été inclus dans la classe «sans changement», afin de minimiser les erreurs de commission lors de la détection et l’identification des feux et des coupes. Les ravageurs moins fréquents pour lesquels les ensembles de données de validation sont difficiles à développer n'ont pas été pris en considération et, par conséquent, pourraient dans de rares cas générer de faux incendies. Considérant que les endroits ayant subis deux ou trois perturbations sont peu fréquents (respectivement 3.3% et moins de 1%), seules les perturbations les plus récentes sont diffusées dans le produit final, allant de 2015 à 1984, les perturbations les plus récentes étant superposées aux anciennes pour ces rares cas. ## Citation pour ce jeu de données: Guindon, L., P. Villemaire, R. St-Amant, P.Y. Bernier, A. Beaudoin, F. Caron, M. Bonucelli and H. Dorion. 2017. Canada Landsat Disturbance (CanLaD): a Canada-wide Landsat-based 30-m resolution product of fire and harvest detection and attribution since 1984. https://doi.org/10.23687/add1346b-f632-4eb9-a83d-a662b38655ad ## Citation de l'article scientifique: La création, la validation et les limites du produit CanLaD sont décrites dans le fichier « Supplementary Information » associé à l’article suivant: Guindon, L.; Bernier, P.Y.; Gauthier, S.; Stinson, G.; Villemaire, P.; Beaudoin, A. 2018. Missing forest cover gains in boreal forests explained. Ecosphere, 9 (1) Article e02094. doi:10.1002/ecs2.2094. ## Références citées: Masek, J.G., Vermote, E.F., Saleous N.E., Wolfe, R., Hall, F.G., Huemmrich, K.F., Gao, F., Kutler, J., and Lim, T-K. (2006). A Landsat surface reflectance dataset for North America, 1990–2000. IEEE Geoscience and Remote Sensing Letters 3(1):68-72. http://dx.doi.org/10.1109/LGRS.2005.857030. Vermote, E., Justice, C., Claverie, M., & Franch, B. (2016). Preliminary analysis of the performance of the Landsat 8/OLI land surface reflectance product. Remote Sensing of Environment. http://dx.doi.org/10.1016/j.rse.2016.04.008.

Carte mur à mur des plans d'eau à travers les écosystèmes forestiers du Canada pour l'année 2022, dérivée de la classe "eau" du produit annuel Virtual Land Cover of Engine (VLCE). Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Les cartes VLCE sont basées sur des composites d'images Landsat en séries temporelles et représentent des classifications annuelles de la couverture terrestre de 1984 à 2022, à une résolution spatiale de 30 m. Le processus de classification intègre des informations sur les changements forestiers ainsi que des variables topographiques et hydrologiques auxiliaires, en appliquant un cadre de modélisation régional basé sur un système de carrelage de 150 × 150 km ( Hermosilla et al., 2022). Les données d'apprentissage proviennent de multiples sources de couverture terrestre et sont sélectionnées proportionnellement aux distributions de couverture terrestre selon une approche pondérée par la distance. Les classifications sont affinées au fil du temps à l'aide d'un modèle de Markov caché afin d'assurer la cohérence et de réduire le bruit de classification entre les années. Hermosilla, T., Wulder, M.A., White, J.C., Coops, N.C. 2022. Land cover classification in an era of big and open data: Optimizing localized implementation and training data selection to improve mapping outcomes. Remote Sensing of Environment. 268, 112780. https://doi.org/10.1016/j.rse.2021.112780. ( Hermosilla et al., 2022)Hermosilla, T., Wulder, M.A., White, J.C., Coops, N.C., Hobart, G.W. 2018. Disturbance-Informed Annual Land Cover Classification Maps of Canada's Forested Ecosystems for a 29-Year Landsat Time Series. Canadian Journal of Remote Sensing. 44(1) 67-87. https://doi.org/10.1080/07038992.2018.1437719.( Hermosilla et al., 2018).

En 2013, l'équipe d'observation de la Terre de la Direction générale des sciences et de la technologie (DGST) d'Agriculture et Agroalimentaire Canada (AAC) a répété le processus visant à produire des cartes numériques de l'inventaire annuel des cultures à l'aide d'images satellitaires pour l'ensemble du Canada, afin de soutenir la réalisation d’un inventaire national des cultures. Une méthodologie par arbre de décision a été utilisée à l'aide d'images satellitaires optiques (Landsat-8) et radar (RADARSAT-2), avec une résolution spatiale finale de 30 m. En même temps que les acquisitions par satellite, des données de réalité de terrain ont été fournies par des sociétés d’assurance-récolte provinciales, tandis que des observations ponctuelles provenaient de nos collègues d'AAC des régions.

En 2015, l'équipe d'observation de la Terre de la Direction générale des sciences et de la technologie (DGST) d'Agriculture et Agroalimentaire Canada (AAC) a répété le processus visant à produire des cartes numériques de l'inventaire annuel des cultures à l'aide d'images satellitaires pour l'ensemble du Canada, afin de soutenir la réalisation d’un inventaire national des cultures. Une méthodologie par arbre de décision a été utilisée à l'aide d'images satellitaires optiques (Landsat-8) et radar (RADARSAT-2), avec une résolution spatiale finale de 30m. En même temps que les acquisitions par satellites, des données de réalité de terrain ont été fournies par des sociétés d’assurance-récolte provinciales, par le Ministère de l’Agriculture de la Colombie Britannique et par le personnel d’AAC en régions.

En 2014, l'équipe d'observation de la Terre de la Direction générale des sciences et de la technologie (DGST) d'Agriculture et Agroalimentaire Canada (AAC) a répété le processus visant à produire des cartes numériques de l'inventaire annuel des cultures à l'aide d'images satellitaires pour l'ensemble du Canada, afin de soutenir la réalisation d’un inventaire national des cultures. Une méthodologie par arbre de décision a été utilisée à l'aide d'images satellitaires optiques (Landsat-8) et radar (RADARSAT-2), avec une résolution spatiale finale de 30m. En même temps que les acquisitions par satellites, des données de réalité de terrain ont été fournies par des sociétés d’assurance-récolte provinciales, par le Ministère de l’Agriculture de la Colombie Britannique et par le personnel d’AAC en régions.

En 2017, l'équipe d'observation de la Terre de la Direction générale des sciences et de la technologie (DGST) d'Agriculture et Agroalimentaire Canada (AAC) a répété le processus visant à produire des cartes numériques de l'inventaire annuel des cultures à l'aide d'images satellitaires pour l'ensemble du Canada, afin de soutenir la réalisation d’un inventaire national des cultures. Une méthodologie par arbre de décision a été utilisée à l'aide d'images satellitaires optiques (Landsat-8, Sentinel-2, Gaofen-1) et radar (RADARSAT-2), avec une résolution spatiale finale de 30 m. En même temps que les acquisitions par satellite, des données de réalité de terrain ont été fournies par des sociétés d’assurance-récolte provinciales (Alberta, Saskatchewan, Manitoba et Québec), tandis que des observations ponctuelles provenaient du Ministère de l’Agriculture de la Colombie-Britannique et du Ministère de l’Agriculture, de l’Alimentation et des Affaires rurales de l’Ontario. L’acquisition de données a aussi été supportée par les centres régionaux de recherches et développement d’AAC à Saint-Jean de Terre-Neuve, Kentville, Charlottetown, Fredericton, Guelph et Summerland.

En 2016, l'équipe d'observation de la Terre de la Direction générale des sciences et de la technologie (DGST) d'Agriculture et Agroalimentaire Canada (AAC) a répété le processus visant à produire des cartes numériques de l'inventaire annuel des cultures à l'aide d'images satellitaires pour l'ensemble du Canada, afin de soutenir la réalisation d’un inventaire national des cultures. Une méthodologie par arbre de décision a été utilisée à l'aide d'images satellitaires optiques (Landsat-8, Sentinel-2, Gaofen-1) et radar (RADARSAT-2), avec une résolution spatiale finale de 30 m. En même temps que les acquisitions par satellite, des données de réalité de terrain ont été fournies par des sociétés d’assurance-récolte provinciales (Alberta, Saskatchewan, Manitoba et Québec), tandis que des observations ponctuelles provenaient du Ministère de l’Agriculture de la Colombie-Britannique et du Ministère de l’Agriculture, de l’Alimentation et des Affaires rurales de l’Ontario. L’acquisition de données a aussi été supportée par les centres régionaux de recherches et développement d’AAC à Saint-Jean de Terre-Neuve, Kentville, Charlottetown, Fredericton, Guelph et Summerland.

En 2010, l'équipe d'observation de la Terre de la Direction générale des sciences et de la technologie (DGST) d'Agriculture et Agroalimentaire Canada (AAC) a poursuivi le processus visant à produire des cartes numériques de l'inventaire annuel des cultures à l'aide d'images satellitaires. Portant principalement sur les provinces des Prairies, une méthodologie par arbre de décision a été utilisée à l'aide de l'imagerie satellite optique (AWiFS, Landsat-5, DMC) et radar (RADARSAT-2), avec une résolution spatiale finale de 56 m. Des méthodes ont également été mises au point pour améliorer la classification optique à l'aide de l'imagerie RADARSAT-2, en vue de résoudre des problèmes liés à la couverture nuageuse. En même temps que les acquisitions par satellite, des données de réalité de terrain ont été fournies par des sociétés d’assurance-récolte provinciales, tandis que des observations ponctuelles provenaient de nos collègues d'AAC des régions. Le processus global pour la réalisation de la Carte de l'inventaire des cultures comprend les étapes suivantes : acquisition de données par satellite; acquisition de données sur le terrain en vue du processus d'entraînement à la classification et de l'évaluation de l'exactitude; mise en œuvre opérationnelle de la méthode de classification.

En 2009, l'équipe d'observation de la Terre de la Direction générale des sciences et de la technologie (DGST) d'Agriculture et Agroalimentaire Canada (AAC) a entrepris un processus visant à produire des cartes numériques de l'inventaire annuel des cultures à l'aide d'images satellitaires. Portant principalement sur les provinces des Prairies, une méthodologie par arbre de décision a été utilisée à l'aide de l'imagerie satellite optique (AWiFS, Landsat-5) et radar (RADARSAT­2), avec une résolution spatiale finale de 56 m. Des méthodes ont également été mises au point pour améliorer la classification optique à l'aide de l'imagerie RADARSAT-2, en vue de résoudre des problèmes liés à la couverture nuageuse. En même temps que les acquisitions par satellite, des données de réalité de terrain ont été fournies par des sociétés d’assurance-récolte provinciales, tandis que des observations ponctuelles provenaient de nos collègues d'AAC des régions. Le processus global pour la réalisation de la Carte de l'inventaire des cultures comprend les étapes suivantes : acquisition de données par satellite; acquisition de données sur le terrain en vue du processus d'entraînement à la classification et de l'évaluation de l'exactitude; mise en œuvre opérationnelle de la méthode de classification.La méthodologie initiale a été élaborée en partenariat avec la Direction générale de la recherche d'AAC, et soutenue en partie par l'Agence spatiale canadienne. L'objectif à long terme consistait à étendre cette initiative, à partir de l'expérience dans les Prairies, et de produire un inventaire annuel des cultures pour tout le territoire agricole du Canada.

Image composite Landsat haute résolution en fausses couleurs des écosystèmes forestiers du Canada (2022). Ce produit d'imagerie nationale représente l'image composite proxy « Composite to Change » (C2C), dérivée de milliers d'images Landsat acquises entre le 1er juillet et le 30 août 2022. Le processus général suivi est décrit dans (Hermosilla et al. 2016 ), avec des détails sur la génération de composites sans lacunes de réflectance de surface dans ( Hermosilla et al. 2015). Conformément à la motivation et à la logique présentées dans (White et al. 2014), les images Landsat sont soumises à une série d'étapes de traitement visant à éliminer les nuages et les ombres, ainsi que le brouillard et d'autres effets atmosphériques indésirables. Les séries chronologiques annuelles d'images Landsat sont examinées afin d'éviter les valeurs manquantes et de garantir une couverture spatiale exhaustive des composites nationaux de réflectance de surface. Image en fausses couleurs à 3 canaux RVB (bandes: infrarouge à ondes courtes, SWIR1; infrarouge proche, NIR; rouge, ROUGE). Lorsque vous utilisez ces données, veuillez en identifier la source comme suit: Hermosilla, T., M.A. Wulder, J.C. White, N.C. Coops, G.W. Hobart, L.B. Campbell, 2016. Mass data processing of time series Landsat imagery: pixels to data products for forest monitoring. International Journal of Digital Earth 9(11), 1035-1054 (Hermosilla et al. 2016 ).