Les capteurs d’images du Thematic Mapper (TM) et de l’Enhanced Thematic Mapper (ETM+) du satellite LANDSAT ont été utilisés pour générer la mosaïque du Canada vers 2010, avec une résolution spatiale de 30 m. Toutes les scènes ont été traitées en fonction d’un niveau de correction de terrain standard 1T par le United States Geological Survey (USGS). Les autres traitements effectués par le Centre canadien de télédétection englobaient la conversion des mesures prises par les capteurs de la réflectance au sommet de l’atmosphère, la détection des nuages et des ombres de nuage, la reprojection, la sélection des meilleures mesures, la génération d’une mosaïque, l’élimination du bruit et le contrôle de la qualité. On a privilégié les données de l’année 2010, mais celles des années 2009 et 2011 ont également été utilisées pour fournir une mesure du ciel dégagé à chaque emplacement du Canada. Les bandes 3 (0,63-0,69 µm), 4 (0,76-0,90 µm), 5 (1,55-1,75 µm) et 7 (2,08-2,35 µm) sont fournies dans cette version, car les effets considérables de l’atmosphère limitent de façon importante la qualité des bandes bleue (0,45-0,52 µm) et verte (0,52-0,60 µm). La composition à critères multiples a été utilisée en vue de la sélection du pixel le plus représentatif. Pour le capteur embarqué ETM+ de Landsat 7, une défaillance du balayage linéaire est responsable de l’absence de certaines lignes de données dans toutes les scènes recueillies après le mois de mai 2003. La variabilité de l’atmosphère et des cibles entre les scènes fait en sorte que ces lignes entrainent dans certains cas d’importants écarts radiométriques. Une formule reposant sur la transformée de Fourier a été appliquée pour corriger cette situation. Cette mosaïque a été préparée pour des applications touchant à la couverture terrestre et à la cartographie biophysique des différentes régions du Canada. Ces données peuvent aussi se prêter à d’autres applications, mais il faudra tenir compte des contraintes spectrales et temporelles du produit. Des recherches sont en cours afin d’améliorer les aspects spectraux et spatio-temporels des versions à venir de produits à résolution moyenne découlant de données historiques recueillies au moyen des capteurs LANDSAT et des satellites LANDSAT 8 et Sentinel 2.

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 ).

Ces produits sont dérivés d'images RVB (rouge/vert/bleu), une technique de traitement satellitaire qui utilise une combinaison de bandes de capteurs satellitaires (également appelées canaux) et les applique chacune à un filtre rouge/vert/bleu (RVB). Il en résulte une image en fausses couleurs, c'est-à-dire une image qui ne correspond pas à ce que verrait l'œil humain, mais qui offre un contraste élevé entre les différents types de nuages et les caractéristiques de la surface. Le capteur embarqué à bord d'un satellite météorologique obtient deux types d'informations de base : les données de la lumière visible (lumière réfléchie) se reflétant sur les nuages et les différents types de surface, aussi appelée « réflectance », et les données infrarouges (radiation émise) qui sont des radiations à ondes longues et courtes émises par les nuages et les caractéristiques de surface. Les RVB sont spécialement conçus pour combiner ce type de données satellitaires, ce qui permet d'obtenir un produit final riche en informations.Les autres produits résultent d’un rehaussement des données d’un canal pour une longueur d’onde unique, visant aussi à mettre en évidence des caractéristiques météorologiques de la surface ou des nuages observés, mais de manière plus simple puisque ne mettant en jeu qu’une seule longueur d’onde. Cette façon de faire plus ancienne est toujours utile parce que sa simplicité facilite dans certains cas l’interprétation de l’image.

Ces produits sont dérivés d'images RVB (rouge/vert/bleu), une technique de traitement satellitaire qui utilise une combinaison de bandes de capteurs satellitaires (également appelées canaux) et les applique chacune à un filtre rouge/vert/bleu (RVB). Il en résulte une image en fausses couleurs, c'est-à-dire une image qui ne correspond pas à ce que verrait l'œil humain, mais qui offre un contraste élevé entre les différents types de nuages et les caractéristiques de la surface. Le capteur embarqué à bord d'un satellite météorologique obtient deux types d'informations de base : les données de la lumière visible (lumière réfléchie) se reflétant sur les nuages et les différents types de surface, aussi appelée « réflectance », et les données infrarouges (radiation émise) qui sont des radiations à ondes longues et courtes émises par les nuages et les caractéristiques de surface. Les RVB sont spécialement conçus pour combiner ce type de données satellitaires, ce qui permet d'obtenir un produit final riche en informations.Les autres produits résultent d’un rehaussement des données d’un canal pour une longueur d’onde unique, visant aussi à mettre en évidence des caractéristiques météorologiques de la surface ou des nuages observés, mais de manière plus simple puisque ne mettant en jeu qu’une seule longueur d’onde. Cette façon de faire plus ancienne est toujours utile parce que sa simplicité facilite dans certains cas l’interprétation de l’image.

Chaque valeur de pixel correspond à l’IVDN maximal de « meilleure qualité » pour une semaine donnée. Les observations de pixels de mauvaise qualité sont supprimées de ce produit. Les observations dont la qualité est diminuée par la couverture neigeuse, les ombres, les nuages, les aérosols ou par des angles zénithaux faibles du capteur sont supprimées (et se voient attribuer la valeur « Données manquantes »). De plus, les valeurs négatives de l’IVDN maximal, obtenues lorsque la réflectance R est supérieure à la réflectance PIR, sont considérées comme étant exemptes de végétation et se voient attribuer une valeur de 0. On obtient ainsi un produit de l’IVDN maximal qui ne devrait contenir (en majeure partie) que des pixels couverts de végétation. Les valeurs de l’IVDN maximal sont jugées de grande qualité et couvrent un gradient de biomasse variant de 0 (aucune/faible biomasse) à 1 (biomasse élevée).

Ce jeu de données correspond au pourcentage de la couverture de neige quotidienne à une résolution de 1 km couvrant les terres du Canada de 2006 à 2010. Les données sont sous-échantillonnées aux 4 km afin de réduire le volume des données et de tenir compte de l’incertitude de la géolocalisation de l’imagerie satellite d’entrée. Les cartes quotidiennes sont produites en assimilant l’imagerie satellite AVHRR quotidienne de la NOAA avec filtrage des nuages et les champs de données sur l’épaisseur et la densité de la neige tirés de l’analyse du Centre météorologique canadien (CMC) dans une version hors ligne du modèle de l’épaisseur de neige quotidienne du CMC. Le modèle de l’épaisseur de la neige est modifié de façon à inclure le modèle de réflectance du manteau neigeux et un schéma de transfert radiatif de la surface qui met en relation la réflectance de la végétation et du manteau neigeux avec la réflectance bidirectionnelle du sommet du couvert forestier. Un modèle logistique de la phénologie de la végétation est utilisé pour paramétrer la dynamique temporelle de l’indice de surface foliaire du couvert forestier. Un filtrage de particules par pixel avec une fenêtre mobile de 30 jours est appliqué aux observations des données obtenues par l’assimilation correspondant à la réflectance directionnelle et à l’indice de végétation par différence normalisée dans la bande visible à résolution de 1 km et aux champs de données quotidiennes de l’épaisseur de la neige et mensuelles de la densité de la neige du CMC à résolution de 24 km. L’assimilation est forcée à l’aide des champs de données quotidiennes de la température de l’air et des précipitations. Les jeux de données ont été validés en comparant les cartes MODIS de la couverture de neige et les données de stations d’observation in situ de l’épaisseur de la neige à travers le Canada. Cette validation indique une exactitude similaire aux produits MODIS sur la couverture de neige en terrain relativement plat. La validation est en cours dans les régions montagneuses.

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).

Changements causés par les récolte forestière de 1985 à 2022, avec indication de l'année où le plus de perturbations dues aux récolte forestière ont été détectées. Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Les informations recueillies représentent 38 années de récolte forestière au Canada et sont calculées de manière entièrement automatisée à partir d'une source unique de données spatiales explicites recueillies de façon constante. 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 récolte forestière de 1985 à 2022 sur les 650 millions d'hectares d'écosystèmes forestiers du Canada.Si vous utilisez ces données, prière d'en citer 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. https://doi.org/10.1080/17538947.2016.1187673 ( Hermosilla et al. 2016).Voir les références ci-dessous pour un aperçu du traitement des données, du calcul des mesures, de la détermination des causes des changements et des méthodes de détection des changements dans les séries chronologiques, ainsi que pour des renseignements sur l'évaluation indépendante de l'exactitude des données. Hermosilla, T., M. A. Wulder, J. C. White, N. C. Coops, G. W. Hobart, 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. https://doi.org/10.1016/j.rse.2014.11.005 ( Hermosilla et al. 2015a).Hermosilla, T., M. A. Wulder, J. C. White, N. C. Coops, G. W. Hobart, 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. https://doi.org/10.1016/j.rse.2015.09.004 ( 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. https://doi.org/10.1016/j.jag.2017.07.013 (Hermosilla et al. 2017).

Des Archives de données satellitaires à long terme (ADSLT) canadiennes ont été produites par le Centre canadien de télédétection (CCT) à partir des données à une résolution de 1 km du capteur AVHRR (radiomètre perfectionné à très haute résolution). Le traitement de ces données a comporté la géolocalisation, l’étalonnage et la fusion en images assemblées au moyen du gestionnaire de données d’observation de la Terre (Latifovic et coll., 2005), la délimitation de la couverture nuageuse (Khlopenkov et Trishchenko, 2006), la correction BRDF (Latifovic et coll., 2003), la correction de l’atmosphère et les autres corrections décrites par Cihlar et coll. (2004). Pour l’analyse temporelle de la végétation, la correction entre capteurs de Latifovic et coll. (2012) est recommandée. Les données recueillies par l’instrument AVHRR à bord des satellites 9, 11, 14, 16, 17,18 et 19 de la National Oceanic and Atmospheric Administration (NOAA) ont été utilisées pour la production des images composites AVHRR sur 10 jours d’une résolution de 1 km pour le Canada. Les données sont disponibles à partir de 1985. Il faut souligner qu’il existe trois types de détecteurs AVHRR : (i) AVHRR 1 à bord des satellites TIROS N, NOAA 6, NOAA 8 et NOAA 10; (ii) AVHRR 2 à bord des satellites NOAA 7, NOAA 9, NOAA 11, NOAA 12 et NOAA 14; (iii) AVHRR 3 actuellement opérationnel à bord des satellites NOAA 15, NOAA 16, NOAA 17, NOAA 18 et NOAA 19. Le capteur AVHRR 1 possède quatre canaux, le capteur AVHRR 2 cinq et le capteur AVHRR 3 six, quoique seulement cinq de ses canaux peuvent fonctionner simultanément. En effet, les canaux 3A (1,6 µm) et 3B (3,7 µm) sont interchangeables. La procédure de traitement a été conçue pour minimiser les artefacts dans les images composites AVHRR. On compte 36 images composites sur 10 jours par année. Les trois niveaux de traitement suivants sont prévus : P1) réflectance au sommet de l’atmosphère et température de luminance, P2) réflectance à la surface et température de la surface et P3) réflectance à la surface normalisée selon une géométrie de visée commune (normalisation selon facteur de réflectance bidirectionnelle [BRDF]). Les niveaux de traitement P1 et P2 sont prévus pour la totalité des 36 composites tandis que le niveau P3 est prévu pour les 21 composites d’avril à octobre.

Changements causés par les feux de forêt de 1985-2022, avec indication de l'année où le plus de perturbations dues aux feux de forêt ont été détectées. Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Les informations recueillies représentent 38 années de feux de forêt au Canada et sont calculées de manière entièrement automatisée à partir d'une source unique de données spatiales explicites recueillies de façon constante. 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, prière d'en citer 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. https://doi.org/10.1080/17538947.2016.1187673 (Hermosilla et al. 2016).Voir les références ci-dessous pour un aperçu du traitement des données, du calcul des mesures, de la détermination des causes des changements et des méthodes de détection des changements dans les séries chronologiques, ainsi que pour des renseignements sur l'évaluation indépendante de l'exactitude des données.Hermosilla, T., M. A. Wulder, J. C. White, N. C. Coops, G. W. Hobart, 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. https://doi.org/10.1016/j.rse.2014.11.005 (Hermosilla et al. 2015a).Hermosilla, T., M. A. Wulder, J. C. White, N. C. Coops, G. W. Hobart, 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. https://doi.org/10.1016/j.rse.2015.09.004. (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. https://doi.org/10.1016/j.jag.2017.07.013 (Hermosilla et al. 2017).