Ce produit de données fait actuellement l’objet d’une évaluation et d’un examen. Il peut contenir des inexactitudes ou être sujet à changement. Les utilisateurs doivent faire preuve de prudence et de discrétion lorsqu’ils interprètent ou se fondent sur cette information. Le gouvernement n’assume aucune responsabilité pour les erreurs ou décisions fondées sur ces données préliminaires. Pour plus de détails, veuillez consulter la licence Open Commons du gouvernement du Canada (https://ouvert.canada.ca/fr/licence-du-gouvernement-ouvert-canada).Cet ensemble de données est aligné sur une grille et comprend un ensemble de données sur les attributs des sols rLe Service d’information sur les sols du Canada a élaboré un ensemble de données détaillé sur les sols canadiens et leurs propriétés connexes au moyen de techniques avancées d’apprentissage automatique. Les grilles des pédopaysages du Canada sont produites à partir d’une combinaison de données antérieures et actuelles provenant de l’échantillonnage des sols et de la télédétection. Le modèle d’apprentissage automatique est entraîné à l’aide de plus de 10 000 pédons provenant de l’ensemble du Canada et de 70 ensembles de données sur les covariables. Le nouvel ensemble de données est essentiel pour combler les lacunes laissées par les anciens levés pédologiques et faciliter des évaluations plus complètes à l’échelle nationale. Au fur et à mesure que de nouvelles données sont disponibles et que les techniques d’apprentissage automatique évoluent, il est possible de mettre à jour ces renseignements beaucoup plus rapidement qu’avec les méthodes classiques de levé pédologique.

Cette série de cartes historiques de la susceptibilité aux inondations provient d’un modèle d’apprentissage automatique XGBoost entraîné à partir des inondations majeures survenues entre 2005 et 2023. Le modèle ainsi entraîné est ensuite exécuté pour chaque année de 2000 à 2023, en intégrant les caractéristiques temporelles propres à la température, aux précipitations, à l’occupation du sol et à l’indice de végétation par différence normalisée (IVDP), afin de prédire la susceptibilité aux inondations pour chaque année.Ensemble apparenté: - **[Collection - Cartographie de la susceptibilité aux inondations](https://ouvert.canada.ca/data/fr/dataset/1074f781-85d3-4c86-86cb-fd1c339197dc)**

Cette série de cartes de susceptibilité aux inondations a été générée à partir d’un modèle d’apprentissage automatique XGBoost, entraîné sur les inondations majeures survenues entre 2005 et 2023. Le modèle entraîné a ensuite été appliqué à des scénarios climatiques futurs pour les années 2050, 2070 et 2100, selon deux scénarios SSP prospectifs : 245 et 585. Les données d’entrée intègrent des caractéristiques temporelles spécifiques de la température et des précipitations afin d’estimer la susceptibilité potentielle aux inondations futures.

OneSoil utilise un modèle d'apprentissage automatique (ML) propriétaire basé sur une segmentation d'instance de pointe pour détecter les limites des champs. En utilisant les données brutes Sentinel-2 agrégées selon les cartes locales des saisons de végétation et un module de mise à l'échelle supplémentaire pour améliorer la précision des limites, nous garantissons des résultats précis. Le prétraitement des données de OneSoil implique l'utilisation de leur module de détection de nuages ​​et de la cartographie des saisons locales.

Cette carte nationale des zones vulnérables ou sujettes aux inondations est basée sur des modèles d’inondations historiques prédits par un modèle ensembliste d’apprentissage automatique.L’utilisation recommandée est à l’échelle nationale, provinciale ou régionale et la carte peut servir de guide pour déterminer les zones devant faire l’objet d’une enquête plus approfondie. Le jeu de données Indice de vulnérabilité aux inondations, bien que traité et disponible à une taille de cellule de 30 m, n’est pas recommandé pour une utilisation au niveau du pixel ou de la rue, étant donné l’incertitude du processus de modélisation et la variabilité des résultats, comme indiqué dans https://www.mdpi.com/2673-4931/25/1/18 (anglais seulement).Pour plus de détails sur les méthodes, les tests, les modèles et les jeux de données utilisés pour générer cette couche de données, veuillez consulter https://geoscan.nrcan.gc.ca/starweb/geoscan/servlet.starweb?path=geoscan/fullf.web&search1=R=329493

Cette série de cartes historiques de la susceptibilité aux inondations provient d’un modèle d’apprentissage automatique XGBoost entraîné à partir des inondations majeures survenues entre 2005 et 2023. Le modèle ainsi entraîné est ensuite exécuté pour chaque année de 2000 à 2023, en intégrant les caractéristiques temporelles propres à la température, aux précipitations, à l’occupation du sol et à l’indice de végétation par différence normalisée (NDVI), afin de prédire la susceptibilité aux inondations pour chaque année. **Cet élément de métadonnées tiers suit la spécification Spatio Temporal Asset Catalog (STAC).** **Cet élément de métadonnées provenant d’une tierce partie a été traduit à l'aide d'un outil de traduction automatisée (Amazon Translate).**

Cette série de cartes historiques de la susceptibilité aux inondations provient d’un modèle d’apprentissage automatique XGBoost entraîné à partir des inondations majeures survenues entre 2005 et 2023. Le modèle ainsi entraîné est ensuite exécuté pour chaque année de 2000 à 2023, en intégrant les caractéristiques temporelles propres à la température, aux précipitations, à l’occupation du sol et à l’indice de végétation par différence normalisée (NDVI), afin de prédire la susceptibilité aux inondations pour chaque année. **Cet élément de métadonnées tiers suit la spécification Spatio Temporal Asset Catalog (STAC).** **Cet élément de métadonnées provenant d’une tierce partie a été traduit à l'aide d'un outil de traduction automatisée (Amazon Translate).**

Cette série de cartes historiques de la susceptibilité aux inondations provient d’un modèle d’apprentissage automatique XGBoost entraîné à partir des inondations majeures survenues entre 2005 et 2023. Le modèle ainsi entraîné est ensuite exécuté pour chaque année de 2000 à 2023, en intégrant les caractéristiques temporelles propres à la température, aux précipitations, à l’occupation du sol et à l’indice de végétation par différence normalisée (NDVI), afin de prédire la susceptibilité aux inondations pour chaque année. **Cet élément de métadonnées tiers suit la spécification Spatio Temporal Asset Catalog (STAC).** **Cet élément de métadonnées provenant d’une tierce partie a été traduit à l'aide d'un outil de traduction automatisée (Amazon Translate).**

Cette série de cartes historiques de la susceptibilité aux inondations provient d’un modèle d’apprentissage automatique XGBoost entraîné à partir des inondations majeures survenues entre 2005 et 2023. Le modèle ainsi entraîné est ensuite exécuté pour chaque année de 2000 à 2023, en intégrant les caractéristiques temporelles propres à la température, aux précipitations, à l’occupation du sol et à l’indice de végétation par différence normalisée (NDVI), afin de prédire la susceptibilité aux inondations pour chaque année. **Cet élément de métadonnées tiers suit la spécification Spatio Temporal Asset Catalog (STAC).** **Cet élément de métadonnées provenant d’une tierce partie a été traduit à l'aide d'un outil de traduction automatisée (Amazon Translate).**

Cet ensemble de données présente la première carte d’inventaire des milieux humides complète et à haute résolution (10 mètres) couvrant l’ensemble des 32,2 millions de kilomètres carrés de la région panarctique, dont 14 millions de kilomètres carrés (43 %) sont des milieux terrestres et 18,4 millions de kilomètres carrés (57 %) sont des milieux marins. Produite grâce à des techniques avancées d’observation de la Terre et d’apprentissage automatique, la carte a été élaborée à l’aide d’images satellitaires pluriannuelles (2020 2022) et multisources - notamment Sentinel 1, Sentinel 2 et ALOS PALSAR 2 - ainsi que de diverses caractéristiques environnementales telles que l’altitude. Plus de 1 000 polygones de milieux humides ont été analysés à l’aide d’un processus de classification aléatoire des forêts fondé sur les objets sur la plateforme infonuagique du moteur Google Earth, atteignant une précision de classification globale moyenne de 89 %.Les limites de la cartographie ont été définies en fonction des limites de Conservation de la flore et de la faune arctiques (CFFA) du Conseil de l’Arctique, ce qui a permis de relever 2 947 618 km² de milieux humides, soit 20 % de la superficie de la région panarctique. Cet ensemble de données établit une base de référence cohérente et faisant autorité pour les milieux humides panarctiques, en tirant parti des dernières avancées en matière d’observation de la Terre, d’apprentissage automatique et d’informatique en nuage. Le Système de classification des terres humides du Canada a été utilisé et comprend les principales classes de milieux humides : marécages, marais, tourbières oligotrophes, tourbières minérotrophes et terres humides à eau peu profonde ou libre.La couverture globale des milieux humides par pays à l’intérieur des limites de CFFA était la suivante : Canada (27 %), États Unis d’Amérique (c. à d. Alaska 39 %), Finlande (31 %), Islande (8 %), Norvège (17 %), Suède (26 %), Royaume du Danemark (c. à d. Groenland 1 %) et Fédération de Russie (21 %). Le développement de ce produit a été entrepris par le Centre canadien de cartographie et d’observation de la Terre et la Division de l’infrastructure canadienne de données géospatiales de Ressources naturelles Canada, en collaboration avec le groupe de travail sur la biodiversité de CFFA du Conseil de l’Arctique, le groupe d’experts des milieux humides de CFFA, les organisations nationales chargées de surveiller les milieux humides, les organismes nationaux de cartographie de l’Arctique et l’entreprise canadienne C CORE, en intégrant des données de vérification sur le terrain obtenues en Alaska, en Finlande, en Suède et au Royaume du Danemark par le biais d’organismes partenaires et de l’interprétation d’images numériques. Plus de 60 000 images (2020 2022), couvrant principalement les périodes estivales, ont été traitées pour garantir des résultats concluants.Cet ensemble de données fournit des renseignements de base essentiels pour la surveillance par observation de la Terre des répercussions des changements climatiques et appuie une surveillance environnementale essentielle pour les collectivités de l’Arctique et des régions nordiques éloignées.