Ce jeu de données fournit des informations sur la dynamique des zones arborées à travers les 650 millions d'hectares d'écosystèmes forestiers du Canada entre 1984 et 2022, dérivées des couches annuelles de couverture terrestre basées sur les images Landsat, avec une résolution spatiale de 30 mètres. Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Ce jeu de données identifie les zones qui sont restées arborées, celles qui sont devenues arborées (nouvelles zones arborées) et celles qui ont été converties en une autre couverture non arborée (zones anciennement arborées). Les données permettent des évaluations nationales et régionales des changements à long terme dans les zones arborées, en capturant les tendances de l'évolution des surfaces forestières, la récupération après perturbation et les changements dans l'étendue des forêts.Lors de l'utilisation de ces données, veuillez citer comme suit: Hermosilla, T., Wulder, M.A., White, J.C., Bater, C.W., Baral, S.K., Leach, J.A., 2025. Expansion of treed area over Canada's forested ecosystems: Spatial and temporal trends. Forestry: An International Journal of Forest Research. https://doi.org/10.1093/forestry/cpaf015 (Hermosilla et al. 20250

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).

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 ).

Zones forestières du Canada calculées au moyen de données satellitaires et conformément à la définition de la FAO. Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Les zones forestières sont basées sur la définition de l'Organisation des Nations Unies pour l'alimentation et l'agriculture (FAO). La définition de la FAO tient compte de l'utilisation des terres; les arbres éliminés (p. ex. par le feu et la récolte) sont donc considérés comme des forêts puisque les arbres repousseront. La carte montre la couverture forestière actuelle pour une année donnée (c.-à-d. 2022), ainsi que les zones, tracées au moyen de données satellitaires temporelles, où le couvert forestier a été temporairement éliminé en raison de perturbations qui ont pour effet de remplacer les peuplements (c.-à-d. feu, récolte). Pour obtenir un aperçu des méthodes, des données, du traitement des images, ainsi que des informations sur l'évaluation de la précision, veuillez consulter Wulder et coll. (2020).(en anglais seulement). Wulder, M.A., T. Hermosilla, G. Stinson, F.A. Gougeon, J.C. White, D.A. Hill, B.P. Smiley. (2020). Satellite-based time series land cover and change information to map forest area consistent with national and international reporting requirements. Forestry: An International Journal of Forest Research 93(3), 331-34, https://doi.org/10.1093/forestry/cpaa0063 . ( Wulder et al. 2020)

Zones forestières du Canada calculées au moyen de données satellitaires et conformément à la définition de la FAO. Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Les zones forestières sont basées sur la définition de l'Organisation des Nations Unies pour l'alimentation et l'agriculture (FAO). La définition de la FAO tient compte de l'utilisation des terres; les arbres éliminés (p. ex. par le feu et la récolte) sont donc considérés comme des forêts puisque les arbres repousseront. La carte montre la couverture forestière actuelle pour une année donnée (c.-à-d. 2022), ainsi que les zones, tracées au moyen de données satellitaires temporelles, où le couvert forestier a été temporairement éliminé en raison de perturbations qui ont pour effet de remplacer les peuplements (c.-à-d. feu, récolte). Pour obtenir un aperçu des méthodes, des données, du traitement des images, ainsi que des informations sur l'évaluation de la précision, veuillez consulter Wulder et coll. (2020).(en anglais seulement). Wulder, M.A., T. Hermosilla, G. Stinson, F.A. Gougeon, J.C. White, D.A. Hill, B.P. Smiley. (2020). Satellite-based time series land cover and change information to map forest area consistent with national and international reporting requirements. Forestry: An International Journal of Forest Research 93(3), 331-34, https://doi.org/10.1093/forestry/cpaa0063 . ( Wulder et al. 2020)

Les données binaires sur les terres humides présentées dans ce produit ont une étendue nationale (ensemble de l’écosystème forestier) et constituent une caractérisation entière pour la période s’étendant de 2001 à 2016 (Wulder et coll., 2018). Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Ce produit a été réalisé à l’aide d’images composites annuelles de la réflectance sans lacunes ainsi que de cartes annuelles des changements forestiers pour les 650 millions d’hectares d’écosystèmes forestiers du Canada, en suivant le processus du Virtual Land Cover Engine (VLCE) (voir Hermosilla et coll., 2018). La méthode de classification VLCE consiste notamment à inclure de l’information sur les perturbations dans les processus ainsi qu’à s’assurer que les transitions de classe dans le temps sont logiques. En outre, un automate de Markov à états cachés est utilisé pour évaluer les probabilités de classe pour chaque année afin de réduire la variabilité et le bruit possible dans les attributions de classe d’une année à l’autre (p. ex., lorsque les probabilités de classe sont du même ordre). Pour ce produit, afin qu’un pixel puisse être actuellement considéré comme une terre humide, il doit avoir été classé comme tel pendant au moins 80 % du temps entre 2001 et 2016 inclusivement ou pendant treize de ces années. Pour avoir un aperçu des données, du traitement des images et des méthodes appliquées pour la détection des changements dans les séries chronologiques, veuillez consulter Wulder et coll. (2018). Wulder, M.A., Z. Li, E. Campbell, J.C. White, G. Hobart, T. Hermosilla et N.C. Coops (2018). « A National Assessment of Wetland Status and Trends for Canada’s Forested Ecosystems Using 33 Years of Earth Observation Satellite Data ». Remote Sensing.

Les données de dénombrement annuel des terres humides présentées dans ce produit ont une étendue nationale (ensemble de l’écosystème forestier) et constituent une caractérisation entière des terres humides pour la période 1984-2016 (Wulder et coll., 2018). Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Ce produit a été réalisé à l’aide d’images composites annuelles de la réflectance sans lacunes ainsi que de cartes annuelles des changements forestiers pour les 650 millions d’hectares d’écosystèmes forestiers du Canada, suivant le processus du Virtual Land Cover Engine (VLCE) (voir Hermosilla et coll., 2018). La méthode de classification VLCE consiste notamment à inclure de l’information sur les perturbations dans les processus ainsi qu’à s’assurer que les transitions de classe dans le temps sont logiques. En outre, un automate de Markov à états cachés est utilisé pour évaluer les probabilités de classe pour chaque année afin de réduire la variabilité et le bruit possible dans les attributions de classe d’une année à l’autre (p. ex., lorsque les probabilités de classe sont du même ordre). Les valeurs peuvent varier de 0 à 33, désignant le nombre d’années, entre 1984 et 2016, où un pixel a été classé « terre humide » ou « terre humide arborée » dans le cube de données VLCE.Pour avoir un aperçu des données, du traitement des images et des méthodes appliquées pour détecter des changements, dans les séries chronologiques, ainsi que de l’information sur l’évaluation indépendante de l’exactitude des données, voir Hermosilla et coll. (2016; http://www.tandfonline.com/doi/full/10.1080/17538947.2016.1187673). Hermosilla et coll. (2018) donnent une description détaillée du processus VLCE et du produit de couverture terrestre résultant, y compris l’évaluation de l’exactitude. Wulder et coll. (2018) décrivent les analyses ciblées des terres humides.Étendue géographique : Écosystèmes forestiers du Canada (environ 650 Mha).

Pourcentage des premiers retours au-dessus de la hauteur moyenne 2015Pourcentage des premiers retours au-dessus de la hauteur moyenne (%). Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Représente la densité du couvert au-dessus de la hauteur moyenne du couvert. Des produits relatifs à la structure des écosystèmes forestiers du Canada ont été créés et rendus accessibles à tous. Les produits partagés sont fondés sur des données scientifiques examinées par des pairs et relient des aspects de la structure de la forêt, notamment : (i) des mesures calculées directement à partir du nuage de points lidar avec des hauteurs normalisées par rapport à la surface du sol (p. ex. densité, hauteur du couvert) et (ii) des attributs d'inventaire modélisés, obtenus selon une approche fondée sur la superficie et produits à partir de données de placettes au sol et de balayage par laser aéroporté (volume, biomasse). Les estimations de la structure forestière ont été générées en combinant l'information provenant des « parcelles lidar » (Wulder et coll., 2012) avec les composites à base de pixels Landsat (White et al. 2014; Hermosilla et al. 2016 ) en utilisant l'imputation selon la méthode du plus proche voisin avec une mesure de distance basée sur les forêts aléatoires. Ces produits ont été créés pour répondre aux besoins d'information de la surveillance stratégique des forêts et ne sont pas destinés à appuyer la gestion opérationnelle des forêts. Tous les produits ont une résolution spatiale de 30 m. Pour une description détaillée des données, des méthodes appliquées et des résultats de l'évaluation de la précision, Matasci et al. (2018). Matasci, G., Hermosilla, T., Wulder, M.A., White, J.C., Coops, N.C., Hobart, G.W., Bolton, D.K., Tompalski, P., Bater, C.W., 2018b. Three decades of forest structural dynamics over Canada's forested ecosystems using Landsat time-series and lidar plots. Remote Sensing of Environment 216, 697-714. Matasci et al. 2018)

Ampleur des changements dans les feux de forêt de 1985 à 2022 Ampleur du changement spectral pour les feux de forêt qui se sont produits de 1985 à 2022. Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. La valeur de l'ampleur du changement est exprimée par la différence normalisée du ratio de brûlage (dNBR), qui est calculée comme la variation entre les valeurs spectrales avant et après le feu à l'origine du changement. Plus la dNBR est élevée, plus le feu a été intense. En effet, des séries chronologiques de données Landsat à résolution spatiale de 30 m ont permis de caractériser les tendances nationales des perturbations de renouvellement de peuplement causées par les feux de forêt de 1985 à 2022 sur les 650 millions d'hectares d'écosystèmes forestiers du Canada. Si vous utilisez ces données, veuillez les citer 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).Voir les références ci'dessous pour un aperçu des données, du traitement des images et des méthodes de détection des changements dans les séries chronologiques utilisées, ainsi que pour des renseignements sur l'évaluation indépendante de l'exactitude des données. Hermosilla, T., Wulder, M. A., White, J. C., Coops, N.C., Hobart, G.W., 2015. An integrated Landsat time series protocol for change detection and generation of annual gap-free surface reflectance composites. Remote Sensing of Environment 158, 220-234 (Hermosilla et al. 2015a).Hermosilla, T., Wulder, M.A., White, J.C., Coops, N.C., Hobart, G.W., 2015. Regional detection, characterization, and attribution of annual forest change from 1984 to 2012 using Landsat-derived time-series metrics. Remote Sensing of Environment 170, 121-132 ( Hermosilla et al. 2015b).Hermosilla, T., M.A. Wulder, J.C. White, N.C. Coops, G. W. Hobart, (2017). Updating Landsat time series of surface-reflectance composites and forest change products with new observations. International Journal of Applied Earth Observation and Geoinformation. 63,104-111.. (Hermosilla et al. 2017).

Les données sur le rétablissement des forêts après perturbation recueillies pour les écosystèmes forestiers du Canada, d'une superficie totale d'environ 650 millions d'hectares, illustrent leur rétablissement après les incendies et les récoltes survenus entre 1986 et 2012. Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Ces extrants spatialement explicites représentent le taux de rétablissement spectral (le taux auquel un pixel revient à 80 % de sa valeur avant la perturbation) (White et al. 2017) au cours de la période d'observation (1985-2017) à l'aide de la mesure Y2R (Years-to-Recovery, ou années jusqu'au rétablissement) dérivée des données de la série chronologique de Landsat. Pour chacune des 12 écozones forestières du Canada, des taux de référence de rétablissement spectral (Y2R) ont été établis. Ces références ont ensuite été utilisées pour déterminer les regroupements spatiaux de pixels de rétablissement dans le paysage où les mesures Y2R étaient soit nettement plus élevées, soit plus faibles que leur référence par rapport à l'écozone. Enfin, les secteurs qui ont été perturbés par des incendies et des récoltes (1986-2012), mais qui ne s'étaient pas rétablis à la fin de la période d'observation (2017) sont également indiqués. À noter que ces secteurs sont toujours en cours de rétablissement. Ils n'étaient pas encore rétablis, selon notre mesure de rétablissement spectral, à la fin de la série chronologique en 2017. Pour une synthèse des méthodes, la validation de la mesure Y2R et l'interprétation des tendances dérivées, voir White et al. (2022) et White et al. (2017). White, J.C., Hermosilla, T., Wulder, M.A., Coops, N.C., 2022. Mapping, validating, and interpreting spatio-temporal trends in post-disturbance forest recovery. Remote Sensing of Environment, 271, 112904. https://doi.org/10.1016/j.rse.2022.112904 . ( White et al. 2022) White, J.C., Wulder, M.A., Hermosilla, T., Coops, N.C., Hobart, G.W. 2017. A nationwide annual characterization of 25 years of forest disturbance and recovery for Canada using Landsat time series. Remote Sensing of Environment, 194, pp. 303-321. DOI: https://doi.org/10.1016/j.rse.2017.03.035 . ( White et al. 2017)