Classification de la couverture terrestre à l’aide de forêts aléatoires à partir d'images du satellite Sentinel de 2019, Saen Thong, Thaïlande

Classification de la couverture terrestre à l’aide de forêts aléatoires à partir d'images du satellite Sentinel de 2019, Saen Thong, Thaïlande
Mis à jour : 16/12/2022
Les résultats de différentes classifications à l’aide de forêts aléatoires utilisant la combinaison des images optiques du Sentinel-2 et radar du Sentinel-1.

Ce jeu de données contient les résultats de différentes classifications à l’aide de forêts aléatoires utilisant la combinaison des images optiques Sentinel-2 et radar Sentinel-1. Les différentes images ont été acquises en 2019. Le jeu de données couvre le sous-district de Saen Thong, province de Nan dans le nord de la Thaïlande, une zone montagneuse avec un climat de mousson. Les classifications couvrent trois catégories de terres :

  1. pentes montagneuses abruptes non cultivées avec forêt (parc, protégée),
  2. pentes abruptes principalement cultivées avec des cultures annuelles (par exemple, riz de montagne, maïs), ou des plantations d'arbres (par exemple, caoutchouc, teck, bambou), ou une forêt communautaire,
  3. plaine cultivée avec des rizières, en outre la plupart de l'urbanisation et des infrastructures modernes sont également situées ici.

Tous les agriculteurs sont de petits exploitants et la taille des champs est relativement petite. Les classifications ont été confirmées par des vérifications sur le terrain. Les classifications de la couverture terrestre et d'autres données supplémentaires résultant du travail sur le terrain sont destinées à étudier la propagation de certaines maladies infectieuses courantes (projet ANR Future Health Sea : scénarios prédictifs de la santé en Asie du Sud-Est, reliant l'utilisation des sols et le changement climatique aux maladies infectieuses).

Mahuzier, C.; Morand, S.; Chaisiri, K.; De Rouw, A.; Soulileuth, B.; Thinphovong, C.; Tran, A.; Valentin, C., 2022, "Random Forest land cover classifications of Sentinel satellite images in 2019, Saen Thong, Thailand", https://doi.org/10.23708/GENR6J, DataSuds, V2