Produit Canada Landsat Disturbance (CanLaD) - 2025 : Perturbations incluant les insectes forestiers S’il vous plaît, gardez ce fichier « lisez-moi » avec le jeu de données pour fins de référence. Les mises à jour des métadonnées et du jeu de données se trouvent à ce lien: https://doi.org/10.23687/902801fd-4d9d-4df4-9e95-319e429545cc Si vous utilisez ces données dans votre recherche ou publication, veuillez s’il vous plaît utiliser ces citations: Jeu de données Perbet, P., Guindon, L., Correia D.L.P., P. Villemaire, O., Reisi Gahrouei R. St-Amant, Canada Landsat Disturbance with pest (CanLaD): a Canada-wide Landsat-based 30-m resolution product of fire, harvest and pest outbreak detection and attribution since 1985. https://doi.org/10.23687/902801fd-4d9d-4df4-9e95-319e429545cc Publication scientifique Pauline P., L. Guindon, D. Correia, O. Reisi Gahrouei, J-F. Côté and M. Béland, Remote Sensing for Annual Monitoring of Insect Disturbance in Canadian Boreal Forests. (à être publié) - Description Ce site contient un ensemble de fichiers raster présentant les perturbations forestières Canadiennes entre 1985 et 2024. Les données ont été générées à l'aide d'algorithmes d'apprentissage profond appliqués à des données de télédétection. La démarche complète et la validation de ce produit sont mentionnées dans la publication scientifique. Les données consistent en un ensemble de fichiers raster au format GeoTIFF, couvrant l'ensemble de la masse terrestre non arctique du Canada. La définition de la projection cartographique (format WKT) se trouve dans ce fichier : _projectionDefinitionWKT_lcccan83.prj - Les données sont divisées en trois ensembles de rasters: 1) Perturbations les plus récentes * canlad_1985_2024_latest_type_v1.tif 0= Non Perturbé 1= Feu 2= Coupe forestière 3= Chablis 4= Nouvelle étendue d’eau 5= Défoliation and Coupe forestière 6= Défoliation faible 7= Défoliation moyenne 8= Défoliation sévère * canlad_1985_2024_latest_year_v1.tif Valeur entre 1985 et 2024 2) Cartes de perturbations annuelles détaillées canlad_annual_*_v1.tif 0= Non perturbé 1= Feu 2= Coupe forestière 3= Chablis 4= Nouvelle étendue d’eau 5= Défoliation and Coupe forestière 6= Défoliation faible 7= Défoliation moyenne 8= Défoliation sévère 3) Carte du jour julien le plus récent canlad_JJ_max.tif - Limitations (1)Les classes de sévérité de la défoliation proposées n’ont pas pour but de correspondre directement aux classifications annuelles des relevés aériens. Elles représentent plutôt l’intensité du changement spectral cumulé à la fin de l’épidémie ou, si celle-ci est toujours en cours, à la dernière année observée. Seules les défoliations cumulées de sévérité moyenne et élevée sont détectées et représentent un bon compromis entre erreur d’omission et commission. (2) Les modèles visent les insectes ravageurs touchant principalement les conifères. Ils peuvent cependant capter des défoliations dans les forêts mixtes ou même à forte proportion feuillues. (3) L’analyse se base sur une fenêtre temporelle de 10 ans afin de capturer adéquatement les effets de la défoliation progressive. Par conséquent, pour détecter adéquatement un ravageur provoquant ce type de défoliation, comme la tordeuse des bourgeons de l’épinette, les données historiques ne deviennent réellement pertinentes qu’à partir d’environ 1995. Pour les insectes avec une défoliation plus rapide, les années 1990 pourraient être considérées comme un point de départ approprié. (4) La classe de récolte de bois correspond au prélèvement d’arbres, indépendamment de l’intention sous-jacente. Elle inclut majoritairement des zones destinées à demeurer forestières, à être reboisées, mais peut englober également certains secteurs convertis à d’autres usages, comme la construction de routes, de mines ou d’infrastructures diverses. (5) Pour la classe des chablis, le modèle s’avère efficace pour détecter les évènements de grande ampleur, mais il présente un taux élevé de fausses détections, notamment en périphérie des zones récoltées, où les pixels mixtes induisent des signatures spectrales similaires à celles des chablis. Il s’agit de la classe de perturbation affichant le taux d’erreur le plus élevé. (6) La classe nouvelle étendue d’eau n’a pas été formellement validée dans cette étude, mais des évaluations visuelles ont été faites pour s’assurer que les grands secteurs avaient été captés. (7) Les mosaïques d’images utilisés par les modèles s’appuient sur les mois de juillet et août, ainsi les perturbations survenues à l’automne ne seront détectées que l’année suivante. Par exemple, un incendie de forêt en aout 2023 pourrait n’être visible que dans la composition de 2024 si l’image utilisée date de juillet. De plus, des données manquantes, dues au masquage des nuages et des ombres, peuvent entraîner un retard de détection d’un ou deux ans par rapport à l’occurrence réelle des perturbations. Les utilisateurs peuvent cependant utiliser la base de données nationale sur les incendies (NBAC Canadian Wildland Fire Information System | Metadata) pour vérifier et, si nécessaire, ajuster l’année de l’évènement. De plus, le raster des derniers jours juliens peut être utilisé pour mieux interpréter la date de la détection des changements. (8) Les années à la fin de la série temporelle peuvent présenter un taux d’erreur de commission plus élevé. Les mises à jour annuelles permettront de corriger ces erreurs. (9) Seules les perturbations d’une superficie d’au moins 1,08 hectare (12 pixels) sont prises en compte. Les perturbations linéaires (ex. chemins forestiers) pourraient être sous-estimées en raison de cette contrainte. - Accès et utilisation des données Les données sont disponibles gratuitement en téléchargement et en utilisation. Vous pouvez utiliser ces données à des fins de recherche ou commerciales, mais vous devez citer la source originale des données. Les données sont sous licence Creative Commons Attribution 4.0 International. Pour accéder et télécharger les données, veuillez vous rendre sur https://doi.org/10.23687/902801fd-4d9d-4df4-9e95-319e429545cc - Contact Pour toute question ou commentaire concernant ce jeu de données, svp contacter luc.guindon@nrcan-rncan.gc.ca