L'indice de surface foliaire (ISF) a quantifie la densité de la végétation indépendamment de la couverture terrestre. L'ISF quantifie la surface totale du feuillage par surface au sol. L'ISF a été identifié par le Système mondial d'observation du climat comme une variable climatique essentielle requise pour la modélisation et la surveillance des écosystèmes, du temps et du climat. Ce produit est constitué d'une couverture à l'échelle nationale (Canada) de cartes mensuelles de l'ISF maximum pendant une saison de croissance (mai-juin-juillet-août-septembre) à une résolution de 20 m.Références :L. Brown, R. Fernandes, N. Djamai, C. Meier, N. Gobron, H. Morris, C. Canisius, G. Bai, C. Lerebourg, C. Lanconelli, M. Clerici, J. Dash. Validation of baseline and modified Sentinel-2 Level 2 Prototype Processor leaf area index retrievals over the United States IISPRS J. Photogramm. Remote Sens., 175 (2021), pp. 71-87, https://doi.org/10.1016/j.isprsjprs.2021.02.020. https://www.sciencedirect.com/science/article/pii/S0924271621000617Richard Fernandes, Luke Brown, Francis Canisius, Jadu Dash, Liming He, Gang Hong, Lucy Huang, Nhu Quynh Le, Camryn MacDougall, Courtney Meier, Patrick Osei Darko, Hemit Shah, Lynsay Spafford, Lixin Sun, 2023.Validation of Simplified Level 2 Prototype Processor Sentinel-2 fraction of canopy cover, fraction of absorbed photosynthetically active radiation and leaf area index products over North American forests,Remote Sensing of Environment, Volume 293, https://doi.org/10.1016/j.rse.2023.113600.https://www.sciencedirect.com/science/article/pii/S0034425723001517

Carte à haute résolution des essences d’arbres dominantes dans les écosystèmes forestiers du Canada (2019). La carte des essences d’arbres dominantes est produite au moyen d’une image composite de Landsat de 2019, de données géographiques et climatiques, de dérivés de l’altitude et de renseignements sur la phénologie dérivés de la télédétection, d’après le cadre décrit dans Hermosilla et al. (xxxx). Les modèles de classification régionale ont été produits à partir de l’inventaire forestier national du Canada, au moyen d’un système de pavés de 150 × 150 km. Les essences d’arbres dominantes correspondent aux essences auxquelles le plus grand nombre de votes est attribué par les modèles de classification en forêts d’arbres décisionnels (c’est-à-dire la classe associée à la plus forte probabilité d’appartenance à une classe). Les données représentent les essences dominantes dans les écosystèmes forestiers du Canada en 2019. Pour la composition d’images, on a retenu un intervalle d’environ 30 jours autour du 1er août pour produire les composites des meilleurs pixels allant servir comme données sources aux fins de classification.La science et les méthodes mises en place pour générer les informations présentées ici, qui suivent et caractérisent l’histoire des forêts canadiennes, ont été dirigées par le Service canadien des forêts de Ressources naturelles Canada, en partenariat avec l’Université de la Colombie-Britannique, et ont été renforcées par la capacité de traitement de l’Alliance de recherche numérique du Canada.Un aperçu des données utilisées ainsi que du traitement des images et des méthodes appliquées est présenté dans Hermosilla et al. (2022) https://doi.org/10.1016/j.rse.2022.113276, de même que des renseignements sur l’évaluation indépendante de l’exactitude des données.Lorsque vous utilisez ces données, veuillez en citer la source comme suit :Hermosilla, T., Bastyr, A., Coops, N.C., White, J.C., Wulder, M.A., 2022. Mapping the presence and distribution of tree species in Canada’s forested ecosystems. Remote Sensing of Environment 282, 113276.

La fraction de couverture végétale (FCOVER) correspond à la quantité de surface du sol qui est couverte par la végétation, y compris le sous-étage, lorsqu'elle est vue verticalement (depuis le nadir). La fraction de couverture végétale est un indicateur de l'étendue spatiale de la végétation indépendamment de la classe de couverture terrestre. Il s'agit d'une grandeur sans dimension qui varie de 0 à 1 et, en tant que propriété intrinsèque de la canopée, ne dépend pas des conditions d'observation par satellite. Ce produit est constitué d'une couverture à l'échelle nationale (Canada) de cartes mensuelles de l'indicateur FCOVER pendant une saison de croissance (mai-juin-juillet-août-septembre) à une résolution de 20 m.Références :L. Brown, R. Fernandes, N. Djamai, C. Meier, N. Gobron, H. Morris, C. Canisius, G. Bai, C. Lerebourg, C. Lanconelli, M. Clerici, J. Dash. Validation of baseline and modified Sentinel-2 Level 2 Prototype Processor leaf area index retrievals over the United States IISPRS J. Photogramm. Remote Sens., 175 (2021), pp. 71-87, https://doi.org/10.1016/j.isprsjprs.2021.02.020. https://www.sciencedirect.com/science/article/pii/S0924271621000617Richard Fernandes, Luke Brown, Francis Canisius, Jadu Dash, Liming He, Gang Hong, Lucy Huang, Nhu Quynh Le, Camryn MacDougall, Courtney Meier, Patrick Osei Darko, Hemit Shah, Lynsay Spafford, Lixin Sun, 2023.Validation of Simplified Level 2 Prototype Processor Sentinel-2 fraction of canopy cover, fraction of absorbed photosynthetically active radiation and leaf area index products over North American forests,Remote Sensing of Environment, Volume 293, https://doi.org/10.1016/j.rse.2023.113600.https://www.sciencedirect.com/science/article/pii/S0034425723001517

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).

Ces données montrent des projections détaillées de la probabilité que des feux de forêt se produisent dans les zones forestières du Canada, en fonction de différents scénarios climatiques futurs. Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. Les cartes ont une précision de 30 mètres, ce qui permet de visualiser les risques à une échelle très fine. Les chercheurs ont étudié quatre scénarios climatiques possibles pour le 21ᵉ siècle afin de comprendre comment le risque d’incendie pourrait évoluer selon le climat, la végétation et la topographie ( Mulverhill et al. 2024). Les projections couvrent quatre périodes futures : 2021-2040, 2041-2060, 2061-2080 et 2081-2100, ainsi qu’une période de référence (1991-2020) qui reflète les conditions climatiques et le risque moyen observés récemment. Ces cartes indiquent la probabilité qu’un endroit présente des conditions similaires à celles des zones qui ont brûlé par le passé. Les variables comme la végétation et la topographie ont été gardées fixes, ce qui signifie que les projections montrent l’effet du climat futur sur les forêts actuelles (2020). Si vous utilisez ces données, veuillez citer Mulverhill et al. (2025). Mulverhill, C., Coops, N. C., Wulder, M. A., Hermosilla, T., White, J. C., & Bater, C. W. (2025). Projected Future Changes in Burn Probability in Canada’s Forests and Communities Under Different Climate Change Scenarios. Canadian Journal of Remote Sensing, 51(1). https://doi.org/10.1080/07038992.2025.2560347( Mulverhill et al. 2025). Pour une description détaillée des données sources et des méthodes appliquées à la période de référence, qui ont permis de produire les projections de Mulverhill et al. (2025), consultez : Mulverhill, C., Coops, N.C., Wulder, M.A., White, J.C., Hermosilla, T., and Bater, C.W. 2024. “Multidecadal mapping of status and trends in annual burn probability over Canada’s forested ecosystems.” ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 209 pp. 279–295. https://doi.org/10.1016/j.isprsjprs.2024.02.006( Mulverhill et al. 2024).

La carte à haute résolution de 10 m de la troisième génération de la carte de l'inventaire des terres humides du Canada, couvrant une superficie approximative d'un milliard d'hectares, a été générée à l'aide d'observations de la Terre pluriannuelle (2016-2018), multisources (Sentinel-1, Sentinel-2, ALOS PALSAR-2 et SRTM) ainsi que des caractéristiques environnementales. Plus de 8 800 polygones de zones humides ont été traités dans le cadre d'un système de classification aléatoire des forêts basé sur des objets sur la plate-forme infonuagique de Google Earth Engine. La précision globale moyenne de 90,5 % représente une augmentation de 4,7 % par rapport à CWIM2.Versions de la CITHC :La carte d'inventaire des terres humides du Canada (CITHC) est une extension du travail commencé à l'Université Memorial pour produire un inventaire des terres humides de Terre-Neuve et du Labrador pendant la période 2015-2018, qui a été financé de manière significative par Environnement et Changement climatique Canada. La première CITHC nationale a été produite en 2018-2019 dans le cadre d'une collaboration entre l'Université Memorial, C-CORE et Ressources naturelles Canada. Brian Brisco a joué un rôle déterminant dans l'intégration au projet de données de référence provenant de sources multiples et dans l'orientation du projet. La version 2 a été produite en 2020 et comprenait davantage de données de formation et de traitement par écozones du Canada plutôt que par provinces, afin de tirer parti des caractéristiques écologiques communes du paysage au sein des écozones et d'améliorer la précision. La version 3, produite en 2021, a continué d'ajouter des sources de données pour améliorer encore la précision, en particulier une surestimation de la superficie des zones humides, et a introduit une carte de confiance. La version 3A, achevée en 2022, ne met à jour que les écozones arctiques en raison de leur précision relativement moindre et ajoute des couches de données hydrophysiographiques. Des travaux sont actuellement en cours pour créer une carte d'inventaire des zones humides circumpolaires septentrionales qui sera publiée en 2025.Publication au sujet de l'inventaire des terres humides de Terre-Neuve-et-Labrador :Mahdianpari, M.; Salehi, B.; Mohammadimanesh, F.; Homayouni, S.; Gill, E. The First Wetland Inventory Map of Newfoundland at a Spatial Resolution of 10 m Using Sentinel-1 and Sentinel-2 Data on the Google Earth Engine Cloud Computing Platform. Remote Sens. 2019, 11, 43. https://doi.org/10.3390/rs11010043Publication au sujet du CWIM1:Mahdianpari, M., Salehi, B., Mohammadimanesh, F., Brisco, B., Homayouni, S., Gill, E., … Bourgeau-Chavez, L. (2020). Big Data for a Big Country: The First Generation of Canadian Wetland Inventory Map at a Spatial Resolution of 10-m Using Sentinel-1 and Sentinel-2 Data on the Google Earth Engine Cloud Computing Platform. Canadian Journal of Remote Sensing, 46(1), 15–33. https://doi.org/10.1080/07038992.2019.1711366Publication au sujet du CWIM2:Mahdianpari, M., Brisco, B., Granger, J. E., Mohammadimanesh, F., Salehi, B., Banks, S., … Weng, Q. (2020). The Second Generation Canadian Wetland Inventory Map at 10 Meters Resolution Using Google Earth Engine. Canadian Journal of Remote Sensing, 46(3), 360–375. https://doi.org/10.1080/07038992.2020.1802584Publication au sujet du CWIM3 :M. Mahdianpari et al., "The Third Generation of Pan-Canadian Wetland Map at 10 m Resolution Using Multisource Earth Observation Data on Cloud Computing Platform," in IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 8789-8803, 2021, doi: 10.1109/JSTARS.2021.3105645.Publication sur l'amélioration de l'écorégion arctique pour CWIM3A :Michael Merchant, et al., ”Leveraging google earth engine cloud computing for large-scale arctic wetland mapping,” in International Journal of Applied Earth Observation and Geoinformation, vol. 125, 2023, https://doi.org/10.1016/j.jag.2023.103589.

Cartes à haute résolution de la couverture terrestre forestière annuelle pour les écosystèmes forestiers du Canada (1984-2022). Il a été développé dans le cadre du Système national de surveillance des écosystèmes terrestres (NTEMS) du Canada. La série chronologique annuelle de cartes de la couverture terrestre forestière a une portée nationale (elle comprend les 650 millions d'hectares d'écosystèmes forestiers du Canada) et est le résultat de la caractérisation de la totalité de la couverture terrestre canadienne effectuée chaque année de 1984 à 2022. Les cartes de couverture terrestre de cette série chronologique ont été produites à partir d'une série chronologique annuelle d'images composites Landsat, de données sur les changements du couvert forestier et de données topographiques et hydrologiques auxiliaires, conformément au cadre décrit dans Hermosilla et al. (2022) et fondé sur l'approche présentée dans Hermosilla et al. (2018). Les innovations méthodologiques apportées comprennent (i) un ensemble de données d'entraînement précises obtenu à partir de produits de couverture terrestre existants à l'aide de mesures aériennes et spatiales de la structure forestière; (ii) une sélection des échantillons d'entraînement effectuée proportionnellement à la répartition de la couverture terrestre au moyen d'une approche pondérée en fonction de la distance; et (iii) la génération de modèles de classification régionale au moyen d'un système de pavés de 150 × 150 km. Les cartes sont post traitées à l'aide de données sur les perturbations afin de s'assurer que les transitions de classe dans le temps sont logiques, grâce à un modèle de Markov caché. Les modèles de Markov cachés évaluent 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).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., M.A. Wulder, J.C. White, N.C. Coops, G. W. Hobart, (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. 10.1080/07038992.2018.1437719 ( Hermosilla et al. 2018).

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).

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)