Séries chronologiques

Bienvenue dans le module de visualisation de séries chronologiques !

Dans ce module, nous nous plongerons dans l'univers des visualisations de séries chronologiques, où nous pourrons créer des graphiques époustouflants et instructifs illustrant l'évolution de notre Terre au fil du temps. Apprendre à créer ces visualisations nous permettra de mieux comprendre les tendances, et pas seulement de belles images. Nous explorerons également comment interpréter les résultats et donner du sens aux images créées. L'esprit critique garantit la précision et la pertinence de nos analyses.

Analyse de séries chronologiques avec des éclairages nocturnes (NTL)

Les données sur l'éclairage nocturne sont souvent utilisées comme proxy pour les calculs du PIB et pour déterminer l'accès d'une communauté aux télécommunications, à l'électricité et à d'autres infrastructures. Les éclairages nocturnes peuvent même être utilisés pour détecter la pêche au calmar et l'extraction de pétrole (voir l'exemple) ! Réfléchissez : comment pouvez-vous utiliser les éclairages nocturnes dans votre projet ?

L'image globale des lumières nocturnes représente la luminosité moyenne des lumières nocturnes de chaque pixel pour une année civile. La nuit enveloppe toute la planète d'obscurité. Il n'y a pas de nuages. Dans la bande « lumières stables », il n'y a pas de sources de lumière éphémères. Les coups de foudre, les incendies de forêt et autres lumières transitoires ont été supprimés. Il s'agit d'une couche qui vise à répondre à une question sur notre planète à un moment donné : en 1993, quelle était la luminosité des sources de lumière artificielles stables de la Terre ?

Veuillez consulter les métadonnées que nous avons imprimées dans le panneau de la console. Vous devriez voir que l'image se compose de quatre bandes. Le code sélectionne la bande « stable_lights » à afficher en tant que couche sur la carte. La plage de valeurs à afficher (0 à 63) représente les valeurs de pixels minimales et maximales dans cette image. Comme mentionné précédemment, vous pouvez trouver cette plage dans le journal de données Earth Engine Data ou avec d'autres méthodes Earth Engine.

Composites RVB abstraits

Vous vous souvenez des composites ? Nous allons maintenant utiliser un système de couleurs additives pour créer un composite RVB comparant des lumières nocturnes stables à trois tranches de temps différentes.

var lights93 = ee.Image('NOAA/DMSP-OLS/NIGHTTIME_LIGHTS/F101993');
print('Nighttime lights',lights93);

Map.addLayer(
  lights93,
  {
    bands: ['stable_lights'],
    min: 0,
    max: 63
  },
  'Lights 1993');

Exercice de code de série chronologique NTL

Pour cet exercice, nous utiliserons les données de l'ensemble de données DMSP-OLS Nighttime Lights

var lights03 = ee.Image('NOAA/DMSP-OLS/NIGHTTIME_LIGHTS/F152003')
  .select('stable_lights').rename('2003');
var lights13 = ee.Image('NOAA/DMSP-OLS/NIGHTTIME_LIGHTS/F182013')
  .select('stable_lights').rename('2013');
  
var changeImage = lights13.addBands(lights03).addBands(lights93.select('stable_lights').rename('1993'));

print('change image', changeImage);

Map.addLayer(
  changeImage,
  {
    min: 0,
    max: 63
  },
  'Change composite');
  
  Map.setCenter(-43.197, -22.908,7);

Ce code crée deux images, chacune représentant une tranche de temps différente (2003 et 2013). Pour chacune d'elles, nous utilisons la méthode select pour sélectionner une bande (« stable_lights ») et la méthode rename pour modifier le nom de la bande afin d'indiquer l'année qu'elle représente.

Ensuite, le code utilise la méthode addBands pour créer une image à trois bandes, nommée « changeImage ». Pour ce faire, il utilise une image (lights13) comme première bande, une autre image (lights03) comme deuxième bande, et l'image lights93 (créée précédemment) comme troisième bande. Cette troisième bande est nommée « 1993 » lors de son insertion dans l'image.

Enfin, le code affiche les métadonnées dans la console et ajoute la couche à la carte sous forme de composite RVB à l'aide de Map.addLayer. Si vous examinez les métadonnées affichées, vous devriez voir, sous l'étiquette « change image », que notre image est composée de trois bandes, chacune portant le nom d'une année. Notez également l'ordre des bandes sur l'image : 2013 (rouge), 2003 (vert), 1993 (bleu).

Map.setCenter est également un moyen pratique de déplacer et de zoomer automatiquement votre carte vers un point précis. (Entrées : longitude, latitude, zoom). Ici, nous centrons notre image sur Rio de Janeiro, au Brésil.

Interprétation des résultats

Nous pouvons maintenant lire les couleurs affichées sur la couche pour interpréter les différents types d'évolution de la luminosité nocturne à travers la planète sur deux décennies. Les pixels blancs ont une luminosité élevée sur les trois années. Vous pouvez utiliser le panneau Inspecteur pour vérifier cela. Cliquez sur le panneau Inspecteur pour transformer le curseur en réticule, puis cliquez sur un pixel blanc. Recherchez la couche « Modifier la composition » dans la catégorie Pixel du panneau Inspecteur. La valeur de pixel de chaque bande doit être élevée (environ 63, ce qui est notre valeur maximale. Cette valeur maximale est spécifiée dans la zone d'information du jeu de données, que nous pouvons facilement trouver grâce à la barre de recherche).

De nombreux groupes de pixels blancs représentent les centres urbains. Si vous zoomez sur Rio de Janeiro, vous remarquerez que la périphérie du centre blanc apparaît jaunâtre et les bords terminaux rougeâtres. D'après le code que vous avez écrit, comment interprétez-vous cela ? Rappelez-vous que nous avons créé une composition pour afficher la présence de lumière récente en rouge.

Pour explorer plus efficacement la couche composite des changements, utilisez le panneau Gestionnaire de calques pour décocher toutes les couches, à l'exception de « Modifier la composition ». La carte réagira désormais plus rapidement aux zooms et aux déplacements, car seule la couche affichée sera actualisée.

Outre les changements urbains, la couche montre également l'évolution des activités d'extraction de ressources produisant des lumières vives. Souvent, ces activités produisent des lumières stables sur une année, mais non soutenues sur une décennie ou plus.

  • Par exemple, au large de Rio, vous pouvez observer les déplacements géographiques des plateformes pétrolières qui génèrent des lumières vives dans l'océan vide. Remarquez que les pixels bleus sont plus proches du rivage, tandis que les verts et les rouges sont de plus en plus éloignés de la mer. Qu'est-ce que cela nous apprend sur l'extraction et l'épuisement des ressources pétrolières au fil du temps ?

  • De plus, en vous déplaçant vers le détroit de Corée (entre la Corée du Sud et le Japon), vous pouvez observer les déplacements géographiques des flottes de pêche qui utilisent des lumières halogènes vives pour attirer les calmars et autres créatures marines vers la surface de l'eau et dans leurs filets. Les pixels bleutés ont probablement été exploités plus intensément en 1993 et ​​ont diminué en 2003, tandis que les pixels verts ont probablement été exploités plus intensément en 2003 et moins fréquemment en 2013.

  • De même, l'extraction de combustibles fossiles produit des lumières nocturnes grâce au torchage du gaz. Si vous vous déplacez vers l'Amérique du Nord, les taches rouges en Alberta et dans le Dakota du Nord, ainsi qu'une bande rouge dans le sud-est du Texas, représentent des zones où l'extraction de pétrole et de gaz était absente en 1993 et ​​2003, mais où elle a connu un essor en 2013.

  • Si vous vous déplacez vers le golfe Persique, vous observerez des changements qui ressemblent à des illuminations de Noël, avec des points blancs, rouges, verts et bleus apparaissant les uns à côté des autres ; ils distinguent les zones stables et changeantes de production pétrolière.

Les images ci-dessous montrent ce que vous devriez observer dans le détroit de Corée (à gauche), en Amérique du Nord (au milieu) et dans le golfe Persique (à droite).

Résumer

Voici ce que nous avons appris dans cette formation :

  • Nous avons créé une visualisation de séries chronologiques, en utilisant un composite RVB

  • Nous avons appris l'importance d'interpréter les résultats et de réfléchir de manière critique à ce que notre code génère visuellement

Nouveaux éléments de code :

  • Dans la fonction EE.Image, nous pouvons utiliser .select pour choisir la bande spécifique que nous voulons et .rename pour choisir un nom intuitif pour notre image satellite

  • Nous pouvons créer une variable composite en utilisant .addBands

  • Nous pouvons utiliser Map.setCenter pour centrer facilement notre carte sur un point d'intérêt géographique