My GeoServer WFSThis is a description of your Web Feature Server. The GeoServer is a full transactional Web Feature Server, you may wish to limit GeoServer to a Basic service level to prevent modificaiton of your geographic data.WFSWMSGEOSERVERWFS2.0.0NONENONECIRAD1.0.01.1.02.0.0text/xmlServiceIdentificationServiceProviderOperationsMetadataFeatureTypeListFilter_Capabilitiesapplication/gml+xml; version=3.2resultshitsapplication/gml+xml; version=3.2DXFDXF-ZIPGML2KMLSHAPE-ZIPapplication/geopackage+sqlite3application/jsonapplication/vnd.google-earth.kml xmlapplication/vnd.google-earth.kml+xmlapplication/vnd.ogc.fg+jsonapplication/x-gpkgcsvexcelexcel2007geopackagegeopkggml3gml32gpkgjsontext/csvtext/htmltext/xml; subtype=gml/2.1.2text/xml; subtype=gml/3.1.1text/xml; subtype=gml/3.2nonelocalFALSE1000000nonelocalapplication/gml+xml; version=3.2urn:ogc:def:queryLanguage:OGC-WFS::WFSQueryExpressionALLSOMEresultshitsapplication/gml+xml; version=3.2DXFDXF-ZIPGML2KMLSHAPE-ZIPapplication/geopackage+sqlite3application/jsonapplication/vnd.google-earth.kml xmlapplication/vnd.google-earth.kml+xmlapplication/vnd.ogc.fg+jsonapplication/x-gpkgcsvexcelexcel2007geopackagegeopkggml3gml32gpkgjsontext/csvtext/htmltext/xml; subtype=gml/2.1.2text/xml; subtype=gml/3.1.1text/xml; subtype=gml/3.2nonelocalapplication/gml+xml; version=3.2ALLSOMETRUETRUETRUETRUETRUETRUEFALSEFALSETRUETRUETRUETRUEFALSETRUEFALSEwfs:Querywfs:StoredQuerycirad:2022-2023_Itasy-Vakinankaratra_Madagascar_LandCoverMapfeatures2022-2023_Itasy-Vakinankaratra_Madagascar_LandCoverMapurn:ogc:def:crs:EPSG::3273846.58054712892617 -20.1473204272952247.58306499316406 -18.81875298004473TETIS:971_2024_BIOTAMAYA_final_map_vectorfeatures971_2024_BIOTAMAYA_final_map_vectorurn:ogc:def:crs:EPSG::32620-61.81939235931679 15.820185805529455-60.99260909253462 16.523955577732174TETIS:972_2024_BIOTAMAYA_final_map_vectorfeatures972_2024_BIOTAMAYA_final_map_vectorurn:ogc:def:crs:EPSG::32620-61.23986778283316 14.380886377642783-60.79811850476811 14.88648328814908cirad:a_dataset_of_environmental__climatic_and_anthropogenic_variaA dataset of environmental, climatic and anthropogenic variables in Amboseli ecosystem, Kenyafeaturesa_dataset_of_environmental__climatic_and_anthropogenic_varia_1urn:ogc:def:crs:EPSG::3273736.86276117349221 -3.16540169300738937.9433385803531 -1.9884272710279423cirad:a_dataset_of_large_herbivores_distribution_and_their_environfeaturesa_dataset_of_large_herbivores_distribution_and_their_environurn:ogc:def:crs:EPSG::3273736.86276117349221 -3.16540169300738937.9433385803531 -1.9884272710279423cirad:a_dataset_of_large_herbivores_distribution_in_amboseli_ecosyA dataset of large herbivores distribution in Amboseli ecosystem, Kenyafeaturesa_dataset_of_large_herbivores_distribution_in_amboseli_ecosyurn:ogc:def:crs:EPSG::3273736.86276117349221 -3.16540169300738937.9433385803531 -1.9884272710279423cirad:WestAfricaFullDonnées de reference projet Atlas AFfeatureswestafricafullurn:ogc:def:crs:EPSG::432630.217414855957315 -26.86869430541992240.839305877685604 -10.4712495803833c2c:armoiresArmoires électrique de chamberyfeaturesarmoires_de_chamberyurn:ogc:def:crs:EPSG::43265.8881648 45.55521375.9362886 45.612534aware:BD_GABIR_2019_v02Base de données de référence et de validation utilisée pour les travaux de cartographie de l'occupation du sol de la Réunion pour le millésime 2019. Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane, 2021, "Reunion Island - 2019, reference spatial database", https://doi.org/10.18167/DVN1/T3GIW2, CIRAD Dataverse, V1 ;Occupation du solurn:ogc:def:crs:EPSG::3274055.212373324097236 -21.38772302141473655.83615433504526 -20.865809775153284aware:bd_terrain_gabir_2016_2017Base de données d'apprentissage et de validation utilisée pour les travaux de cartographie de l'occupation du sol 2016-2017. Pour utiliser ou référencer cette ressource préciser les mentions suivantes : "Londoño Villegas, Mónica María, Le Mezo, Lionel, Dupuy, Stéphane, 2019, "Reunion Island - 2016-2017, learning spatial database", doi:10.18167/DVN1/HM9QNL, CIRAD Dataverse, V1" http://dx.doi.org/10.18167/DVN1/HM9QNLSentinel2PythonBd terrainFrance RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.21247182310544 -21.38962687022459655.83841301146436 -20.867892772911343aware:bd_gabir_2017_v2_20Base de données d'apprentissage et de validation utilisée pour les travaux de cartographie de l'occupation du sol de la Réunion pour le millésime 2017. Pour utiliser ou référencer cette ressource préciser les mentions suivantes :Dupuy, Stéphane, 2019, "Reunion Island - 2017, learning database", doi:10.18167/DVN1/TOARDN, CIRAD Dataverse, V1 ;Projet GABIROccupation du solurn:ogc:def:crs:EPSG::3274055.212373324097236 -21.38768961981613655.83138360793073 -20.865809775153284aware:bd_gabir_2018_v12Base de données d'apprentissage et de validation utilisée pour les travaux de cartographie de l'occupation du sol de la Réunion pour le millésime 2018. Pour utiliser ou référencer cette ressource préciser les mentions suivantes :Dupuy, Stéphane, 2019, "Dupuy, Stéphane, 2019, "Reunion Island - 2018, learning spatial database", doi:10.18167/DVN1/8QJABD, CIRAD Dataverse, V1 ;Occupation du solurn:ogc:def:crs:EPSG::3274055.212373324097236 -21.38772302141473655.83615433504526 -20.865809775153284TETIS:BDDA_Tana_VF_totale_v6featuresBDDA_Tana_VF_totale_v6urn:ogc:def:crs:EPSG::3273847.32278849586349 -19.11918283853093247.66427614462643 -18.728576224703346TETIS:BD_JECAM_CIRAD_2023featuresBD_JECAM_CIRAD_2023_feburn:ogc:def:crs:EPSG::4326-49.07604957467962 -25.013144382723766105.32243013066764 15.193980777820911TETIS:BD_Ref_971_2024_v3Nous diffusons une base de données de référence créée pour entrainer un algorithme de classification supervisé d'images satellites pour la production de cartes d'occupation du sol de la Martinique en 2024.featuresBD_Ref_971_2024_v3urn:ogc:def:crs:EPSG::32620-61.8084840427504 15.824162534925344-60.99874818918396 16.505009090204805cirad:BD_Reference_976_2023featuresBD_Reference_976_2023urn:ogc:def:crs:EPSG::3273845.0185489925888 -13.0043673100248645.29956612045213 -12.636707161718695TETIS:BD_ref_Haiti_2020featuresBD_ref_Haiti_2020urn:ogc:def:crs:EPSG::32618-73.45620153746945 18.392948266336308-73.10516614197921 18.52644747713567aware:bariere_corail_v3_epsg32738Corail et rocher submergés issus d'une classification d'image. L'image utilisée a été acquise par le satellite SPOT4 le 16 juin 2002. Cette couche était destinée à illustrer la carte de la typologie des espaces boisés. Le traitement utilisé pour l'obtenir n'est donc pas fondé sur des relevés de terrain mais simplement de la photo-interprétation.MayotteMilieu marinBarrière de corailurn:ogc:def:crs:EPSG::3273844.80302282909278 -13.15133994663680145.52118598814626 -12.52520991737878cirad:os_2022_run_32740Base d'occupation des sols à La Réunion en 2022 avec plus d'informationsfeaturesos_2022_run_32740urn:ogc:def:crs:EPSG::3274055.20264160302647 -21.3987391981824755.84870517856866 -20.86040005721055aware:OS_2020_bd_Reunion_32740Base de données de référence pour la classification et la validation utilisée pour les travaux de cartographie de l'occupation du sol de la Réunion pour le millésime 2020. Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Le Mézo, Lionel; Dupuy Stéphane, 2021, "Occupation du sol 2020 à La Réunion Base de Données de référence", https://doi.org/10.18167/DVN1/GEFNIF, CIRAD Dataverse, V1classif_gona_landcoverOccupation du solurn:ogc:def:crs:EPSG::3274055.21260834853169 -21.3876896071724755.8313818057312 -20.86581221371391aware:besoinsms_troupeaux_2010Estimation des besoins fourragers (en matière sèche) des ruminants présents dans les exploitations d'élevage à la Réunion en 2010. Cette estimation est basée sur les données du Recensement Général Agricole de 2010 et des besoins en fourrages des animaux estimés selon différentes sources (Réseaux de référence et dires d'expert)ElevageBesoinFourrageurn:ogc:def:crs:EPSG::3274055.21231760355595 -21.39114063596138555.83914598440506 -20.869485404413716aware:rdcanne_irrigation50Etude spatialisée du potentiel de rendement de canne à sucre par simulations de croissance selon différents scénarios climatiques et culturaux. Cette couche présente les besoins en eau d'irrigation médians de 10 cycles culturaux (2002-2012) de la canne à sucre avec une réserve utile maintenue à 50%IrrigationCanne à sucreBesoins en eauurn:ogc:def:crs:EPSG::3274055.21313934697318 -21.38988743583849255.83430922006927 -20.871029115129645aware:rdcan_irrigation80_oldCette carte est le résultat d'une étude du potentiel de rendement de canne à sucre par simulations de croissance selon différents scénarios climatiques et culturaux. Cette couche présente les besoins en eau d'irrigation médians de 10 cycles culturaux (2002-2012) de la canne à sucre où la réserve utile es tremplie à 80%IrrigationCanne à sucreBesoins en eauurn:ogc:def:crs:EPSG::3274055.21313934697318 -21.38988743583849255.83430922006927 -20.871029115129645aware:bte_26micro_zonesZonage pédo-climatique des périmètres irrigués ( 26 zones homogènes) et besoins optimaux en eau d'irrigation de la culture de canne à sucre selon 2 méthodes d'irrigation (goutte à goutte, aspersion)IrrigationCanne à sucrePérimètre irriguéurn:ogc:def:crs:EPSG::3274055.28367752439147 -21.37524467563408655.59081453393899 -21.18377195701337aware:bilanclim_annee_seche0Le bilan climatique (différence Pluie-ETP) sur la zone cultivable de La Réunion a été calculé à partir des séries climatiques quotidiennes (10 années) de précipitations et d’ETP d’Octobre 2002 à Septembre 2012 de la base climatique MétéoR du CIRAD. Le calcul a été réalisé sur un semis de 6000 points équidistants de 500 mètres. Les valeurs de précipitation et d’ETP ont été interpolées sur chaque position. Une analyse fréquentielle des bilans climatiques annuels a permis de calculer le bilan climatique de chaque point en année médiane, quinquennale sèche et quinquennale humide. Le fichier grid résultant a été vectorisé par classes de 250 mm/an.ClimatologieRéunionAgricultureurn:ogc:def:crs:EPSG::3274055.21313934697318 -21.38988743583849255.83430922006927 -20.871029115129645aware:bilanclim_annee_humide0Le bilan climatique (différence Pluie-ETP) sur la zone cultivable de La Réunion a été calculé à partir des séries climatiques quotidiennes (10 années) de précipitations et d’ETP d’Octobre 2002 à Septembre 2012 de la base climatique MétéoR du CIRAD. Le calcul a été réalisé sur un semis de 6000 points équidistants de 500 mètres. Les valeurs de précipitation et d’ETP ont été interpolées sur chaque position. Une analyse fréquentielle des bilans climatiques annuels a permis de calculer le bilan climatique de chaque point en année médiane, quinquennale sèche et quinquennale humide. Le fichier grid résultant a été vectorisé par classes de 250 mm/an.ClimatologieRéunionAgricultureurn:ogc:def:crs:EPSG::3274055.21313934697318 -21.38988743583849255.83430922006927 -20.871029115129645aware:bilanclim_annee_mediane0Le bilan climatique (différence Pluie-ETP) sur la zone cultivable de La Réunion a été calculé à partir des séries climatiques quotidiennes (10 années) de précipitations et d’ETP d’Octobre 2002 à Septembre 2012 de la base climatique MétéoR du CIRAD. Le calcul a été réalisé sur un semis de 6000 points équidistants de 500 mètres. Les valeurs de précipitation et d’ETP ont été interpolées sur chaque position. Une analyse fréquentielle des bilans climatiques annuels a permis de calculer le bilan climatique de chaque point en année médiane, quinquennale sèche et quinquennale humide. Le fichier grid résultant a été vectorisé par classes de 250 mm/an.ClimatologieRéunionAgricultureurn:ogc:def:crs:EPSG::3274055.21313934697318 -21.38988743583849255.83430922006927 -20.871029115129645TETIS:C3C3featuresurn:ogc:def:crs:EPSG::4326-25.36047363275179 -46.658874511049763.49871826193839 37.53948974615503aware:Reunion_est_dates_recolte_canne_2015La cartographie du suivi de la récolte de la canne à sucre a été réalisée en 2015 sur la zone est de La Réunion. Pour cette année, seules les images radar de Sentinel-1 étaient disponibles pour ce suivi. La cartographie présente les dates de début et de fin de récolte d’entités cannières obtenues par le croisement des couches du registre parcellaire graphique (RPG), du cadastre et des routes. La chaîne de traitement MASH (Mapping Sugarcane Harvest) a été développée pour automatiser les traitements afin de cartographier l’avancement de la récolte de canne à sucre en temps semi-réel. La méthode consiste à traiter automatiquement des images satellitaires libres (radar et optique) acquises à haute fréquence (moins de 6 jours). Chaque pixel des parcelles en canne à sucre est classé selon son état de récolte.RéunionCanne à sucreurn:ogc:def:crs:EPSG::3274055.4774414544798 -21.21721106019280355.83449319098952 -20.89163130920214aware:a__2016_reunion_dates_recolte_canne0La cartographie du suivi de la récolte de la canne à sucre a été réalisée en 2016 sur la sole cannière de La Réunion. Les images optiques du satellite Sentinel-2 (ESA) ont complétées l'utilisation des images radar de Sentinel-1. La cartographie présente les dates de début et de fin de récolte d’entités cannières obtenues par le croisement des couches du registre parcellaire graphique (RPG), du cadastre et des routes. La chaîne de traitement MASH (Mapping Sugarcane Harvest) a été développée pour automatiser les traitements afin de cartographier l’avancement de la récolte de canne à sucre en temps semi-réel. La méthode consiste à traiter automatiquement des images satellitaires libres (radar et optique) acquises à haute fréquence (moins de 6 jours). Chaque pixel des parcelles en canne à sucre est classé selon son état de récolte.RéunionCanne à sucreurn:ogc:def:crs:EPSG::3274055.231270611087325 -21.3860821455460655.83449319098952 -20.88929229579054aware:a__2017_reunion_dates_recolte_canneLa cartographie du suivi de la récolte de la canne à sucre a été réalisée en 2017 sur toute la sole cannière de La Réunion. Les images satellites radar et optique du programme Copernicau de l'ESA sont disponibles à haute fréquence de revisite pour ce suivi. La cartographie présente les dates de début et de fin de récolte d’entités cannières obtenues par le croisement des couches du registre parcellaire graphique (RPG), du cadastre et des routes. La chaîne de traitement MASH (Mapping Sugarcane Harvest) a été développée pour automatiser les traitements afin de cartographier l’avancement de la récolte de canne à sucre en temps semi-réel. La méthode consiste à traiter automatiquement des images satellitaires libres (radar et optique) acquises à haute fréquence (moins de 6 jours). Chaque pixel des parcelles en canne à sucre est classé selon son état de récolte.RéunionCanne à sucreurn:ogc:def:crs:EPSG::3274055.23179808527201 -21.38593984441953255.83416706039904 -20.88924351105075aware:a__2018_reunion_dates_recolte_canneLa cartographie du suivi de la récolte de la canne à sucre a été réalisée en 2018 sur toute la sole cannière de La Réunion. 30 images satellites en optique (Sentinel-2A et 2B) et 12 images radar (Sentinel-1) du programme Copernicus de l’ESA ont été traitées. La cartographie présente les dates de début et de fin de récolte d’entités cannières obtenues par le croisement des couches de l’occupation du sol (Carte d’occupation du sol 2017 Spot-6/7 (niveau3) disponible sur Aware), du cadastre et des routes. La chaîne de traitement MASH (Mapping Sugarcane Harvest) a été développée pour automatiser les traitements afin de cartographier l’avancement de la récolte de canne à sucre en temps semi-réel. La méthode consiste à traiter automatiquement des images satellitaires libres (radar et optique) acquises à haute fréquence (moins de 6 jours). Chaque pixel des parcelles en canne à sucre est classé selon son état de récolte.RéunionCanne à sucreurn:ogc:def:crs:EPSG::3274055.22881025927434 -21.3861655329940655.83414636677898 -20.88920829318193aware:dates_recolte_2019La cartographie du suivi de la récolte de la canne à sucre a été réalisée en 2019 sur toute la sole cannière de La Réunion. 33 images satellites en optique (Sentinel-2A et 2B) et 14 images radar (Sentinel-1) du programme Copernicus de l’ESA ont été traitées. La cartographie présente les dates de début et de fin de récolte d’entités cannières obtenues par le croisement des couches de l’occupation du sol (Carte d’occupation du sol 2018 Spot-6/7 (niveau3) disponible sur Aware), du Registre Parcellaire Graphique 2017 et des routes. La chaîne de traitement automatique MASH (Mapping Sugarcane Harvest) cartographie l’avancement de la récolte de canne à sucre en temps semi-réel. La méthode consiste à traiter automatiquement des images satellitaires libres (radar et optique) acquises à haute fréquence (moins de 6 jours). Chaque pixel des parcelles en canne à sucre est classé selon son état de récolte.Canne à sucreAgricultureurn:ogc:def:crs:EPSG::3274055.23382476981731 -21.38611484638835655.834648483224115 -20.88928241028878aware:Dates_recolte_2020La cartographie du suivi de la récolte de la canne à sucre a été réalisée en 2020 sur toute la sole cannière de La Réunion. 32 images satellites en optique (Sentinel-2A et 2B) et 14 images radar (Sentinel-1) du programme Copernicus de l’ESA ont été traitées. La cartographie présente les dates de début et de fin de récolte d’entités cannières obtenues par le croisement des couches de l’occupation du sol (Carte d’occupation du sol 2019 Spot-6/7 (niveau3) disponible sur Aware), du Registre Parcellaire Graphique 2017 et des routes. La chaîne de traitement automatique MASH (Mapping Sugarcane Harvest) cartographie l’avancement de la récolte de canne à sucre en temps semi-réel. La méthode consiste à traiter automatiquement des images satellitaires libres (radar et optique) acquises à haute fréquence (moins de 6 jours). Chaque pixel des parcelles en canne à sucre est classé selon son état de récolte.Canne à sucreAgricultureurn:ogc:def:crs:EPSG::3274055.236021893919585 -21.38589352101921355.83464776977316 -20.88924170131476aware:Reunion_2021_MASH_dates_recolteLa cartographie du suivi de la récolte de la canne à sucre a été réalisée en 2021 sur toute la sole cannière de La Réunion. 32 images satellites en optique (Sentinel-2A et 2B) et 13 images radar (Sentinel-1) du programme Copernicus de l’ESA ont été traitées. La cartographie présente les dates de début et de fin de récolte d’entités cannières obtenues par le croisement des couches de l’occupation du sol (Carte d’occupation du sol 2020 Spot-6/7 (niveau3) disponible sur Aware), du Registre Parcellaire Graphique 2019 et des routes. La chaîne de traitement automatique MASH (Mapping Sugarcane Harvest) cartographie l’avancement de la récolte de canne à sucre en temps semi-réel. La méthode consiste à traiter automatiquement des images satellitaires libres (radar et optique) acquises à haute fréquence (moins de 6 jours). Chaque pixel des parcelles en canne à sucre est classé selon son état de récolte.Canne à sucreAgricultureurn:ogc:def:crs:EPSG::3274055.23588808505828 -21.38609668935850355.83463605366193 -20.889240354447626aware:gbpai_region_coi_nbmoisPour savoir s’il est agronomiquement utile d’irriguer une culture, le bilan hydrique, en condition irriguée, permet de caractériser les consommations optimisées en eau d’irrigation (COI). Sur les dix-neuf zones homogènes, ces consommations optimisées ont été calculées avec l’outil Five-Core pour trois cultures : - la canne à sucre (récoltée en milieu de campagne), - le maraîchage (2 cycles consécutifs de tomate), - la prairie (Chloris gayana en culture permanente). Les besoins des cultures en eau d’irrigation sont exprimés: - en m3/ha /campagne pour la canne à sucre et le Chloris, - en m3/ha /an pour le maraîchage.IrrigationPrairieCanne à sucreBesoins en eauMaraîchageurn:ogc:def:crs:EPSG::3274055.214889621789666 -21.3886580780436555.838638196333605 -20.881406123953447aware:classif_gabir_2016_2017En complément veuillez télécharger la fiche complémentaire relative à la validation de la donnée : https://geode.cirad.fr/documents/315. De grands changements sont intervenus récemment en matière d’accès aux données satellites d’observation de la terre. Ainsi l’USGS, l’ESA, le projet Equipex GEOSUD et le pôle THEIA permettent un accès facilité aux données. Sur certains territoires, dont La Réunion, le dispositif Kalideos permet également l’accès à des données brutes et pré-traitées constituées en séries temporelles inter-comparables. La problématique n’est donc plus de savoir comment accéder aux données mais plutôt de comment les exploiter pour en extraire l’information. Dans ce contexte l’équipe Cirad de l’UMR TETIS, au sein du CES Occupation des Sols du pôle THEIA, a mis au point un prototype de chaine de traitement pour cartographier l’occupation du sol dans les contextes variés des pays du Sud. Afin d’être plus facilement reproductible, elle est automatisée et son implémentation est réalisée avec des outils libres (Orfeo Toolbox, R, Python). Cette carte d'occupation du sol est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane, Londoño Villegas, Mónica María, Gaetano, Raffaele, 2019, "La Réunion - Carte d'occupation du sol, 2016-2017", doi:10.18167/DVN1/TLELPO, CIRAD Dataverse, V1PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.20410705841408 -21.39871674790862255.84724158478569 -20.861778485424736aware:classif_2017_pleiades_code10Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/307 . Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a donc été obtenue avec la chaine Moringa. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Pléiades acquises en 2017, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades acquises en 2017 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2017. Pour ce millésime 2017 nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 1 (le moins détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane; Gaetano, Raffaele, 2019, "Reunion island - 2017, Land cover map (Pleiades)", doi:10.18167/DVN1/RTAEHK, CIRAD Dataverse, V3PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.204108811277 -21.39872129579301755.84724609019547 -20.86177850426548aware:classif_2017_pleiades_code2Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/307 . Elle contient des informations plus détaillées sur la validation. L’équipe Cirad de l’UMR TETIS, au sein du CES Occupation des Sols du pôle THEIA, a mis au point le prototype de chaine de traitement Moringa pour cartographier l’occupation du sol dans les contextes variés des pays du Sud. Afin d’être plus facilement reproductible, elle est automatisée et son implémentation est réalisée avec des outils libres (Orfeo Toolbox, R, Python). Cette carte d'occupation du sol a donc été obtenue avec la chaine Moringa. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Pléiades acquises en 2017, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2017. Pour ce millésime 2017 nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 2. Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane; Gaetano, Raffaele, 2019, "Reunion island - 2017, Land cover map (Pleiades)", doi:10.18167/DVN1/RTAEHK, CIRAD Dataverse, V3PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.204108811277 -21.39872129579301755.84724609019547 -20.86177850426548aware:classif_2017_pleiades_code3_v2Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/307 . Elle contient des informations plus détaillées sur la validation. L’équipe Cirad de l’UMR TETIS, au sein du CES Occupation des Sols du pôle THEIA, a mis au point le prototype de chaine de traitement Moringa pour cartographier l’occupation du sol dans les contextes variés des pays du Sud. Afin d’être plus facilement reproductible, elle est automatisée et son implémentation est réalisée avec des outils libres (Orfeo Toolbox, R, Python). Cette carte d'occupation du sol a donc été obtenue avec la chaine Moringa. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Pléiades acquises en 2017, d’indices de textures calculés à partir des images Pléiades et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2017. Pour ce millésime 2017 nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 3 (le plus détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane; Gaetano, Raffaele, 2019, "Reunion island - 2017, Land cover map (Pleiades)", doi:10.18167/DVN1/RTAEHK, CIRAD Dataverse, V3 . Références bibliographiques : Data paper : https://doi.org/10.1016/j.dib.2019.104934 // Rapport : https://agritrop.cirad.fr/594135/OrfeoToolBoxPythonSentinel2Moringaurn:ogc:def:crs:EPSG::3274055.20410883992733 -21.39872004794549255.8472458695949 -20.861779112022692aware:classif_gabir_2017_postclas_code1Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/312. Elle contient des informations plus détaillées sur la validation. L’équipe Cirad de l’UMR TETIS, au sein du CES Occupation des Sols du pôle THEIA, a mis au point le prototype de chaine de traitement Moringa pour cartographier l’occupation du sol dans les contextes variés des pays du Sud. Afin d’être plus facilement reproductible, elle est automatisée et son implémentation est réalisée avec des outils libres (Orfeo Toolbox, R, Python). Cette carte d'occupation du sol a donc été obtenue avec la chaine Moringa. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2017, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades acquises en 2017 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2017. Pour ce millésime 2017 nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 1 (le moins détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane; Gaetano, Raffaele, 2019, "La Réunion - Carte d'occupation du sol, 2017 (Spot6/7)", doi:10.18167/DVN1/OMHZQL, CIRAD Dataverse, V1PythonSentinel2TélédétectionMoringaLandsat8OrfeoToolBoxSpot6/7urn:ogc:def:crs:EPSG::3274055.20410563250885 -21.3987348146516355.847241619231546 -20.861773957181523aware:classif_gabir_2017_postclas_code2Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/312. Elle contient des informations plus détaillées sur la validation. L’équipe Cirad de l’UMR TETIS, au sein du CES Occupation des Sols du pôle THEIA, a mis au point le prototype de chaine de traitement Moringa pour cartographier l’occupation du sol dans les contextes variés des pays du Sud. Afin d’être plus facilement reproductible, elle est automatisée et son implémentation est réalisée avec des outils libres (Orfeo Toolbox, R, Python). Cette carte d'occupation du sol a donc été obtenue avec la chaine Moringa. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2017, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades acquises en 2017 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2017. Pour ce millésime 2017 nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 2. Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane, Gaetano, Raffaele, 2019, "La Réunion - Carte d'occupation du sol, 2017 (Spot6/7)", doi:10.18167/DVN1/OMHZQL, CIRAD Dataverse, V1PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.20410563250885 -21.3987348146516355.847241619231546 -20.861773957181523aware:classif_gabir_2017_postclas_code3_cor0Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/312. Elle contient des informations plus détaillées sur la validation. L’équipe Cirad de l’UMR TETIS, au sein du CES Occupation des Sols du pôle THEIA, a mis au point le prototype de chaine de traitement Moringa pour cartographier l’occupation du sol dans les contextes variés des pays du Sud. Afin d’être plus facilement reproductible, elle est automatisée et son implémentation est réalisée avec des outils libres (Orfeo Toolbox, R, Python). Cette carte d'occupation du sol a donc été obtenue avec la chaine Moringa. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2017, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades acquises en 2017 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2017. Pour ce millésime 2017 nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 3 (le plus détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane; Gaetano, Raffaele, 2019, "La Réunion - Carte d'occupation du sol, 2017 (Spot6/7)", doi:10.18167/DVN1/OMHZQL, CIRAD Dataverse, V1PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.20410563250885 -21.3987348146516355.847241619231546 -20.861773957181523aware:classif_2018_beta_code1_post0Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/309. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2018, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades acquises en 2018 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et octobre 2018. Pour ce millésime 2018 nous publions 2 cartes d’occupation du sol correspondant à 2 des 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 1 (le moins détaillé). Il s’agit d’une version béta car elle est produite avant la fin de l’année avec une série temporelle et une base de données terrain incomplètes. Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion).PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.20410563250885 -21.3987348146516355.847241619231546 -20.861773957181523aware:classif_2018_beta_code2_post0Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/309. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2018, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades acquises en 2018 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et octobre 2018. Pour ce millésime 2018 nous publions 2 cartes d’occupation du sol correspondant à 2 des 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 2. Il s’agit d’une version béta car elle est produite avant la fin de l’année avec une série temporelle et une base de données terrain incomplètes. Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion).PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.20410563250885 -21.3987348146516355.847241619231546 -20.861773957181523aware:classif_2018_pl_final_code1_communes1Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/306. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Pléiades acquises en 2018, d’indices de textures calculés à partir de cette image Pléiades et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2018. Cette carte a été réalisée avec une base de donnée d’apprentissage remaniée par rapport à celle de 2017. Nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 1 (le moins détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). ;OrfeoToolBoxPythonSentinel2Moringaurn:ogc:def:crs:EPSG::3274055.20410875613496 -21.39872578959977655.8472427862283 -20.86177850426548aware:classif_2018_pl_final_code2_communesVeuillez télécharger cette fiche : https://geode.cirad.fr/documents/306. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Pléiades acquises en 2018, d’indices de textures calculés à partir de cette image Pléiades et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2018. Cette carte a été réalisée avec une base de donnée d’apprentissage remaniée par rapport à celle de 2017. Nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 2. Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion).PythonSentinel2LIDARTélédétectionMoringaPléiadesOrfeoToolBoxurn:ogc:def:crs:EPSG::3274055.20410875613496 -21.39872578959977655.8472427862283 -20.86177850426548aware:Classif_2018_PL_final_Code3_communesVeuillez télécharger cette fiche : https://geode.cirad.fr/documents/306. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Pléiades acquises en 2018, d’indices de textures calculés à partir de cette image Pléiades et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2018. Cette carte a été réalisée avec une base de donnée d’apprentissage remaniée par rapport à celle de 2017. Nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 3 (le plus détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Un rapport méthodologique détaillé est disponible ici : http://agritrop.cirad.fr/594135/1/Rapport_carto_GABIR_2017-2018_v3.pdfTélédétectionApproche objeturn:ogc:def:crs:EPSG::3274055.20410875613496 -21.39872578959977655.8472427862283 -20.86177850426548aware:classif_2018_s67_final_code1_comVeuillez télécharger cette fiche : https://geode.cirad.fr/documents/306. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2018, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades acquises en 2018 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2018. Pour ce millésime 2018 nous avions publié une version béta avec des données partielle avent la fin 2018. Il s’agit maintenant des versions définitives calculées avec une série temporelle complète et une BD d’apprentissage remaniée. Nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 1 (le moins détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion).PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.204108509942834 -21.39872125003496455.84723951670704 -20.861773985442646aware:classif_2018_s67_final_code2_communesVeuillez télécharger cette fiche : https://geode.cirad.fr/documents/306. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2018, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades acquises en 2018 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2018. Pour ce millésime 2018 nous avions publié une version béta avec des données partielle avent la fin 2018. Il s’agit maintenant des versions définitives calculées avec une série temporelle complète et une BD d’apprentissage remaniée. Nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 2. Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion).PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.204108509942834 -21.39872125003496455.84723951670704 -20.861773985442646aware:classif_2018_s67_final_code3_communesVeuillez télécharger cette fiche : https://geode.cirad.fr/documents/306. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2018, d’indices de textures calculés à partir d’une mosaïque d’images Pléiades acquises en 2018 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2018. Pour ce millésime 2018 nous avions publié une version béta avec des données partielle avent la fin 2018. Il s’agit maintenant des versions définitives calculées avec une série temporelle complète et une BD d’apprentissage remaniée. Nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 3 (le plus détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion).PythonSentinel2France RasterMoringaLandsat8OrfeoToolBoxTélédétectionApproche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.20410563250885 -21.3987348146516355.847241619231546 -20.861773957181523aware:re_lcm_2019_level1Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/550. Elle contient des informations plus détaillées sur la validation. D'autres cartes de 2019 sont disponibles via ce lien : http://dx.doi.org/10.18167/DVN1/YZJQ7Q Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2019, d’indices de textures calculés à partir de cette image Spot6/7, une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2019 et d’images radar Sentinel-1 de 2019. Cette carte a été réalisée avec une base de donnée d’apprentissage remaniée par rapport à celle de 2019. Nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 1 (le moins détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion).OrfeoToolBoxPythonSentinel2MoringaLIDARurn:ogc:def:crs:EPSG::3274055.20410207164078 -21.39873032708462555.847245789834815 -20.86177843518267aware:RE_LCM_2019_level2Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/550. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2019, d’indices de textures calculés à partir de cette image Spot6/7, une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2019 et d’images radar Sentinel-1 de 2019. Cette carte a été réalisée avec une base de donnée d’apprentissage remaniée par rapport à celle de 2019. Nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 2 (le moins détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion). Un rapport méthodologique détaillé est disponible ici : http://agritrop.cirad.fr/594135/1/Rapport_carto_GABIR_2017-2018_v3.pdfApproche objeturn:ogc:def:crs:EPSG::432655.20409634629125 -21.39873027300686655.847238014903844 -20.861773859837353aware:RE_LCM_2019_level3Veuillez télécharger cette fiche : https://geode.cirad.fr/documents/550. Elle contient des informations plus détaillées sur la validation. Cette carte d'occupation du sol a été obtenue avec la chaine Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2019, d’indices de textures calculés à partir de cette image Spot6/7, une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre janvier et décembre 2019 et d’images radar Sentinel-1 de 2019. Cette carte a été réalisée avec une base de donnée d’apprentissage remaniée par rapport à celle de 2019. Nous publions 3 cartes d’occupation du sol correspondant aux 3 niveaux de détail de la nomenclature utilisée. Il s’agit ici du niveau 3 (le moins détaillé). Cette carte est issue de travaux de recherche menés dans le cadre du projet GABIR (Gestion Agricole des Biomasses à l’échelle de l’Ile de la Réunion).TélédétectionApproche objeturn:ogc:def:crs:EPSG::3274055.20409634629125 -21.39873027300686655.847238014903844 -20.861773859837353aware:OS_SPOT_2020_32740Cette carte d'occupation du sol a été obtenue avec la chaîne Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en Juin 2020, d’indices de textures calculés à partir de cette image Spot6/7 et de la série temporelle des 61 images Sentinel-2 de 2020 . Cette carte a été réalisée avec une base de donnée d’apprentissage actualisée en 2020. La carte présentée s'appuie sur le 3ème niveau (le plus détaillé); les données attributaires contiennent les niveaux 1 et 2. Les fichiers de style de ces niveaux sont associés à cette carte.SPOT6TélédétectionSentinel2Approche objeturn:ogc:def:crs:EPSG::3274055.202663384064635 -21.40008175025516555.84869633997528 -20.86040890401772aware:OS_SPOT_2021_32740Cette carte d'occupation du sol a été obtenue avec la chaîne Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2021, d’indices de textures calculés à partir de cette image Spot6/7 et de la série temporelle des 63 images Sentinel-2 de 2021 . Cette carte a été réalisée avec une base de donnée d’apprentissage actualisée en 2021. La carte présentée s'appuie sur le 3ème niveau (le plus détaillé); les données attributaires contiennent les niveaux 1 et 2. Les fichiers de style de ces niveaux sont associés à cette carte.TélédétectionSentinel2Approche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.20257858472984 -21.40024072757153255.84882590672831 -20.86035385168208aware:os_2022_run_32740Cette carte d'occupation du sol a été obtenue avec la chaîne Moringa mise au point par l'équipe Cirad de l'UMR TETIS. Il s'agit du résultat d'une classification supervisée combinant une mosaïque d'images Spot6/7 acquises en 2022, d'indices de textures calculés à partir de cette image Spot6/7 et de la série temporelle de l'année 2022 des images Sentinel-2 (1 images tous les 5 jours) . Cette carte a été réalisée avec une base de données d'apprentissage actualisée en 2022. La carte présentée s'appuie sur le 3à¨me niveau (le plus détaillé), les données attributaires contiennent les niveaux 1 et 2. Le fichier de style associée à cette carte s'appuie sur le niveau 3 avec 29 classes.TélédétectionSentinel2Approche objetOccupation du solSpot6/7urn:ogc:def:crs:EPSG::3274055.2026415055042 -21.39874035632959355.84870541951865 -20.86039947356961aware:OS_2021_SPOT_32740Cette carte d'occupation du sol a été obtenue avec la chaîne Moringa mise au point par l’équipe Cirad de l’UMR TETIS. Il s’agit du résultat d’une classification supervisée combinant une mosaïque d’images Spot6/7 acquises en 2021, d’indices de textures calculés à partir de cette image Spot6/7 et de la série temporelle des 63 images Sentinel-2 de 2021 . Cette carte a été réalisée avec une base de données d’apprentissage actualisée en 2021. La carte présentée s'appuie sur le 3ème niveau (le plus détaillé); les données attributaires contiennent les niveaux 1 et 2. Les fichiers de style de ces niveaux sont associés à cette carte.TélédétectionSentinel2Approche objetSpot6/7urn:ogc:def:crs:EPSG::3274055.20257858472984 -21.40024072757153255.84882590672831 -20.86035385168208aware:Tana_evolution_2017_2022_v2Carte d'occupation du sol, au format vecteur ESRI shape, des évolutions constatées entre 2017 et 2022 dans agglomération d'Antananarivo, capitale de Madagascar. Cette carte est issue du croisement de cartes produites avec des images satellites acquises en 2017 et 2022.featuresTana_evolution_2017_2022_v2urn:ogc:def:crs:EPSG::3273847.323359852303284 -19.10458953564240847.65041435508805 -18.727759994973965aware:isotherme_temp_maxCette couche d'information propose des iso lignes des températures moyennes annuelles avec un pas de +0.5°C entre chaque isoligne. La période de référence utilisée est comprise entre 1997 et 2017. L'ensemble des stations sélectionnées sont réparti uniformément sur La Réunion. Chaque station météorologique fourni la moyenne annuelle des températures maximums. Cette couche a été réalisé grâce aux données produites par le réseau Météo-France / CIRAD.MétéorologieRéunionTempératureurn:ogc:def:crs:EPSG::3274055.21235726991031 -21.39104958638167655.83904280505412 -20.869544508770204aware:isotherme_temp_miniCette couche d'information propose des iso lignes des températures minimums annuelles avec un pas de +0.5°C entre chaque isoligne. La période de référence utilisée est comprise entre 1997 et 2017. L'ensemble des stations sélectionnées sont réparti uniformément sur La Réunion. Chaque station météorologique fourni la moyenne annuelle des températures moyennes. Cette couche a été réalisé grâce aux données produites par le réseau Météo-France / CIRAD.MétéorologieRéunionTempératureurn:ogc:def:crs:EPSG::3274055.21235726991031 -21.39104958638167655.83904280505412 -20.869544508770204aware:isotherme_temp_moyCette couche d'information propose des iso lignes des températures moyennes annuelles avec un pas de +0.5°C entre chaque isoligne. La période de référence utilisée est comprise entre 1997 et 2017. L'ensemble des stations sélectionnées sont réparti uniformément sur La Réunion. Chaque station météorologique fourni la moyenne annuelle des températures moyennes. Cette couche a été réalisé grâce aux données produites par le réseau Météo-France / CIRAD.MétéorologieRéunionTempératureurn:ogc:def:crs:EPSG::3274055.21235726991031 -21.39104958638167655.83904280505412 -20.869544508770204aware:Tana_evolution_bati_2003_2017_2022_v2Carte d'occupation du sol, au format vecteur ESRI shape, de l'évolution du bâti de l'agglomération d'Antananarivo, capitale de Madagascar, entre 2003, 2017 et 2022. Cette carte est issue du croisement de cartes produites avec des images satellites acquises en 2003, 2017 et 2022 sur l'agglomération d'Antananarivo, à Madagascar.MadagascarfeaturesTana_evolution_bati_2003_2017_2022_v2base de données spatialeOccupation du sollandcoverAgricultureurn:ogc:def:crs:EPSG::3273847.323361691229316 -19.10458499806827247.650413689618894 -18.72776451747826cirad:SenegalCarte du projet ALPHA, 2017featuressenegalurn:ogc:def:crs:EPSG::4326-17.53523999999743 12.307274999999208-11.355890000006184 16.691629999986617cirad:carte_pedologique_de_l_ile_rodrigues__1985.vectorisation du document de l'IRD intitulé "Île Rodrigues : carte pédologique. Scale of 1:20 000. Date of publication: 1985."featurescarte_pedologique_de_l_ile_rodrigues__1985.urn:ogc:def:crs:EPSG::3274163.29826690192663 -19.7859242498145963.50196775348977 -19.66697112182782aware:classification_tana_2017_ciradVeuillez télécharger cette fiche : https://geode.cirad.fr/documents/313. Elle contient des informations détaillées sur la validation. Carte d'occupation du sol obtenue en combinant une image Pléiades acquise le 8 janvier 2017 et une série temporelle d'images Sentinel-2 et Landsat-8 acquises entre octobre 2016 et septembre 2017. Il s'agit du résultat d'une classification supervisée calculée avec la chaine de traitement Moringa mise au point par le Cirad (UMR TETIS). Cette carte a été élaborée dans le cadre du projet « Légende » financé par le Métaprogramme conjoint INRA-CIRAD GloFoods –Transitions pour la sécurité alimentaire mondiale. Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane; Defrise, Laurence; Gaetano, Raffaele; Burnod, Perrine, 2019, "Antananarivo - 2017 Land cover map", doi:10.18167/DVN1/NHE34C, CIRAD Dataverse, V2 . Références bibliographiques liées à la donnée : article : S. Dupuy, L. Defrise, V. Lebourgeois, R. Gaetano, P. Burnod, J.-P. Tonneau, Analyzing Urban Agriculture’s Contribution to a Southern City’s Resilience through Land Cover Mapping: The Case of Antananarivo, Capital of Madagascar, Remote Sensing. 12 (2020) https://doi.org/10.3390/rs12121962 // Data paper : S. Dupuy, L. Defrise, R. Gaetano, V. Andriamanga, E. Rasoamalala, Land cover maps of Antananarivo (capital of Madagascar) produced by processing multisource satellite imagery and geospatial reference data, Data in Brief. (2020). https://doi.org/10.1016/j.dib.2020.105952MadagascarSentinel2MoringaPléiadesLandsat8Occupation du solurn:ogc:def:crs:EPSG::3273847.31936723552151 -19.12346549733518247.66962729694577 -18.713787710169317aware:Tana_LCM_2022_version1_2Veuillez télécharger ce rapport technique : https://agritrop.cirad.fr/602680. Il contient des informations détaillées sur la validation. Nous diffusons cette carte d'occupation des sols de la ville d'Antananarivo produite avec des données acquises en 2022 en utilisant une méthodologie combinant l'apprentissage automatique et l'analyse d'images basée sur les objets (OBIA). Ces travaux font suite à ceux ayant aboutis à une cartographie de la même zone en 2017. Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Antananarivo - 2022 Land cover map Dupuy, Stéphane; Andriamanga, Andoniaina Valérie; Gaetano, Raffaele; Burnod, Perrine, 2022, "Antananarivo - 2022 Land cover map", https://doi.org/10.18167/DVN1/RE1MDM, CIRAD Dataverse, V3MadagascarSentinel2AntananarivoMoringaOccupation du solAgriculturePléiadesurn:ogc:def:crs:EPSG::3273847.31133363839279 -19.11731399644365647.6633227860431 -18.71525693894008aware:classif_1950_2020Dans le cadre du projet « Territoires Durables », une cartographie fine de l’occupation du sol a été réalisée de 1950 à 2020. Pour se faire, des images aériennes à résolution métrique ont été utilisées pour les dates les plus anciennes de 1950 à 1984, et des images satellites THRS pour les plus récentes. C’est l’approche orientée objet qui a été choisie pour la réalisation de ces cartes. Après une première phase de segmentation, des indices texturaux et spectraux ont été calculés sur chaque image et utilisés comme base de données d’apprentissages. L’algorithme Random Forest a ensuite été choisi comme algorithme de classification. Au total, 7 cartes ont été générées, soit environ une carte tous les 10 ans, entre 1950 et 2020 avec 7 classes d’occupation du sol : la forêt, les zones urbaines, la canne à sucre, le maraichage, les vergers, les prairies, et autres.TélédétectionCanne à sucreOccupation du solPetite-îleurn:ogc:def:crs:EPSG::3274055.53959194281991 -21.36675558742078455.58017784979262 -21.309643744612245aware:nan_change_land_cover_1993_1997_shapesCarte des changements d'occupation du sol réalisée à partir d'images SPOT-3 (29/12/1993), SPOT-1 (01/12/1997), d'images SPOT-5 PAN et MS (12/01/2007), d'une scène SPOT-5 MS (21/10/2006) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet CERoPath (ANR 07 BDIV 012). Images et MNE financés par le programme ISIS du CNES et le projet CERoPath.;ThaïlandeOccupation du solurn:ogc:def:crs:EPSG::32647100.71754378779224 18.971884571706205101.01060011457247 19.27759707068833cirad:Corine Land Cover 2006 Vauclusetest d'upload avec datafeederfeaturestest_clcurn:ogc:def:crs:EPSG::21544.5745292203361725 43.611714245792195.849220338976397 44.478129986365886aware:morpho_pedo_ouest_runCouche morpho_pédologique du littoral Ouest de la Réunion réalisée en 1989 au 1/10000ème. Auteur: Michel RaunetPérimètre irriguéPédologieRéunionurn:ogc:def:crs:EPSG::3274055.21462913625556 -21.18616519903768555.35926595401092 -20.95595032721361aware:morpho_pedologie_sud_reunionCouche morpho_pédologique des périmètres irrigués du Bras de Cilaos et du Bras de la Plaine réalisée en 1991 au 1/10000ème. Michel RaunetIrrigationPédologieRéunionurn:ogc:def:crs:EPSG::3274055.27870324211816 -21.37658444260796755.593322513426166 -21.18276884385419cirad:couronnes_d_arbres_de_la_region_de_bambey_au_senegal_en_2017Cette couche vectoriel est le résultat de la détection et de l'identification de certaines espèces d'arbres clés dans le parc à Faidherbia albida à Bambey, au Sénégal à partir d'images satellites à très haute résolution (Worldview-3 image (WV-3, DigitalGlobe, Inc.)). Les cimes des arbres sont délimitées par seuillage NDVI et filtrage consécutif. Une analyse factorielle discriminante est ensuite réalisée, indiquant que seules quatre des sept espèces les plus abondantes de la zone d'étude peuvent être distinguées : « Faidherbia albida », « Azadirachta indica », « Balanites aegyptiaca » et « Tamarindus indica ».couronnes_d_arbres_de_la_region_de_bambey_au_senegal_en_2017featuresurn:ogc:def:crs:EPSG::32628-16.647346221668304 14.643064474236116-16.526182708719315 14.819567812524886cirad:COURS_D_EAUcomme çafeaturescours_d_eau_1urn:ogc:def:crs:EPSG::4326314676.7 7634550.0378860.9 7690952.9cirad:cours_d_eau_de_la_reunionCours d'eaufeaturescours_d_eau_de_la_reunionurn:ogc:def:crs:EPSG::432655.21658226811657 -21.38577111515012855.83315608798119 -20.874365167187523AMAP:digit_extrait2_shapefilefeaturesDigitExtrait2urn:ogc:def:crs:EPSG::404000463288.5 1035169.8465336.9 1036494.3cirad:Binga_districtExample de formation Cornufeaturesbinga_districturn:ogc:def:crs:EPSG::432626.85205590280513 -18.5072651157574228.25438935787603 -16.87104480658278cirad:eauRéseau hydrofeatureseauurn:ogc:def:crs:EPSG::432655.21658226811657 -21.38577111515012855.83315608798119 -20.874365167187523cirad:Eau_Reunion_1Eaufeatureseaureunionurn:ogc:def:crs:EPSG::432655.21658226811657 -21.38577111515012855.83315608798119 -20.874365167187523aware:ecuriesLocalisation de l'élevage de chevaux principal d'une zone entre Tana et Antsirabé pour identifier le niveau de circulation virale (West Nile).West NileSmall Water BodiesSanté animaleurn:ogc:def:crs:EPSG::432646.4639129638672 -19.935140609741248.4144058227539 -18.7466602325439aware:meren_unites_pedoclim_medianeEtude MEREN, estimation des besoins en eau d'irrigation pour une culture de canne à sucre pour une année médiane et du gain de rendement pour cette culture, région Nord et Est de l'Ile de la RéunionIrrigationCanne à sucreBesoins en eauurn:ogc:def:crs:EPSG::3274055.49939348760664 -21.18263509532040755.838475458627734 -20.882960500463213aware:meren_unites_pedoclim_qhEtude MEREN, estimation des besoins en eau d'irrigation pour une culture de canne à sucre pour une année quinquennale humide et du gain de rendement pour cette culture, région Nord et Est de l'Ile de la RéunionIrrigationCanne à sucreBesoins en eauurn:ogc:def:crs:EPSG::3274055.49939348760664 -21.18263509532040755.838475458627734 -20.882960500463213aware:meren_unites_pedoclim_qsEtude MEREN, estimation des besoins en eau d'irrigation pour une culture de canne à sucre pour une année quinquennale sèche et du gain de rendement pour cette culture, région Nord et Est de l'Ile de la RéunionIrrigationCanne à sucreBesoins en eauurn:ogc:def:crs:EPSG::3274055.49939348760664 -21.18263509532040755.838475458627734 -20.882960500463213aware:limon_finalEmplacements ponctuels des exploitations de limon (citron galet) à Rodrigues.FruitsAgricultureCitronurn:ogc:def:crs:EPSG::432663.3411865234375 -19.749021530151463.4966163635254 -19.6710929870605aware:miel_finalEmplacements ponctuels des exploitations de miel à Rodrigues.AgricultureEmplacementsurn:ogc:def:crs:EPSG::432663.3622360229492 -19.754842758178763.4934043884277 -19.6726913452148aware:piment_rodriguesEmplacements ponctuels des exploitations de ti piment à Rodrigues.AgricultureEmplacementsurn:ogc:def:crs:EPSG::432663.3411483764648 -19.752449035644563.4926490783691 -19.6698780059814aware:a__2005_2016_temoin_essai_herbicide_Reunion1Au cours des 12 années d’expérimentation (de 2005 à 2016), 108 essais d’efficacité des herbicides ont été implantés dans 17 des 24 communes de La Réunion couvrant ainsi l’ensemble de la sole cannière. Ce dispositif expérimental comporte pour chaque parcelle traitée des témoins adjacents non traités, qui servent d’éléments de comparaison pour évaluer le niveau d’efficacité des produits testés. L’étude des populations de mauvaises herbes des parcelles témoins permet de hiérarchiser les espèces et de caractériser leur comportement.témoin herbicideCanne à sucreRelevés de végétationurn:ogc:def:crs:EPSG::3274055.23808725257425 -21.36017971811567455.82226471737879 -20.903466258064043aware:editGiroflières de la commune d'Ambatoharanana saisies par photo-interprétation des images Quickbird prisent les 3 et 11 Mars 2010. Les caractéristiques des images sont les suivantes : - Surface couvert : 233 km2 - Type de produit : Imagerie standard améliorée (Enhanced Standard Imagery) - Bandes : Composition colorée aux couleurs naturelles - Echantillonnage : 8bit - Format de fichier : Geotiff - Résolution spatiale : 50cm (Pansharpened) - Projection : UTM WGS-84 Zone 39S - Date d’acquisition : 03 et 11 Mars 2010. Il est à noter que les différentes bandes spectrales n'étaient pas disponibles sur ces images. Des compositions colorées (aux couleurs naturelles) de chaque image ont été utilisées pour le travail de photo-interprétation.AmbatoharananaGiroflièreGirofleurn:ogc:def:crs:EPSG::3273949.22085115035474 -17.41073742775337549.33010726687037 -17.215909378872958TETIS:Gwad_Banane1997_epsg32620featuresGwad_Banane1997_epsg32620urn:ogc:def:crs:EPSG::32620-61.774192986593214 15.955688159875416-61.22915206604324 16.426730793057cirad:industrialCadre de zoomfeaturesindustrialurn:ogc:def:crs:EPSG::432647.3153198 -19.101007347.6646686 -18.7247403aware:pluie_median_1986_2016Cette couche présente les isohyètes des hauteurs de pluies médians observées à La Réunion entre 1986 et 2016. 143 postes de mesures ont été utilisé sur la Réunion. La série la plus courte était composé de 13 ans de mesures. Les plus longues avaient 30 ans.ClimatologieRéunionMétéorologieurn:ogc:def:crs:EPSG::3274055.21235726991031 -21.39104958638167655.83904280505412 -20.869544508770204aware:isohyete_q80_1986_2016Cette couche présente les isohyètes des hauteurs de pluies atteintes ou dépassées en quinquennales humides (8 années sur 10) à La Réunion entre 1986 et 2016. 143 postes de mesures ont été utilisé sur la Réunion. La série la plus courte était composé de 13 ans de mesures. Les plus longues avaient 30 ans.ClimatologieRéunionMétéorologieurn:ogc:def:crs:EPSG::3274055.21235726991031 -21.39104958638167655.83904280505412 -20.869544508770204aware:isohyete_q20_86_2016Cette couche présente les isohyètes des hauteurs de pluies atteintes ou dépassées en quinquennales sèches (2 année sur 10) à La Réunion entre 1986 et 2016. 143 postes de mesures ont été utilisé sur la Réunion. La série la plus courte était composé de 13 ans de mesures. Les plus longues avaient 30 ans.ClimatologieRéunionMétéorologieurn:ogc:def:crs:EPSG::3274055.212188530651716 -21.39104958638167655.83904280505412 -20.869542757492916aware:temperature_maxi_polygone_defCette couche d'information propose des iso thermes minimum annuelles par bande de température homogène. La température dans chaque bande prend en compte l'altitude.ClimatologieTempératureurn:ogc:def:crs:EPSG::297555.21235696858612 -21.3910495870389155.8390428050516 -20.869544506286317aware:temperature_mini_polygone_defCette couche d'information propose des iso thermes minimum annuelles par bande de température homogène. La température dans chaque bande prend en compte l'altitude.ClimatologieTempératureurn:ogc:def:crs:EPSG::297555.21235696858612 -21.3910495870389155.8390428050516 -20.869544506286317aware:temperature_moyenne_polyCette couche d'information propose des iso thermes minimum annuelles par bande de température homogène. La température dans chaque bande prend en compte l'altitude.ClimatologieTempératureurn:ogc:def:crs:EPSG::297555.21235696858612 -21.3910495870389155.8390428050516 -20.869544506286317cirad:itasy__vakinankaratra_-_madagascar_-_2023_-_land_cover_referfeaturesitasy__vakinankaratra_-_madagascar_-_2023_-_land_cover_referurn:ogc:def:crs:EPSG::3273846.62802735921507 -20.07216125035836647.57963606310814 -18.82966291232582cirad:itasy__vakinankaratra_-_madagascar_-_2023__base_de_donnees_sNous publions une base de données de référence sur les régions Itashy et Vakinankaratra (Madagascar) au format vecteur, utilisée pour entrainer un algorithme de classification supervisée. Cette donnée est en libre accès (licence CC-BY) sous réserve de citer cette référence : "Andriamampianina, Zaka; Rajaonson Nosy, Vokatsoa Lahatra; Andriamampionona, Lôla; Dupuy, Stéphane; Muller, Bertrand, 2023, "Itasy, Vakinankaratra - Madagascar - 2023 - Land cover reference spatial database", https://doi.org/10.18167/DVN1/5GHE96, CIRAD Dataverse, V1"featuresitasy__vakinankaratra_-_madagascar_-_2023__base_de_donnees_surn:ogc:def:crs:EPSG::3273846.62802735921507 -20.07216125035836647.57963606310814 -18.82966291232582cirad:PPR_suitability_index_Comoros_1jeu de données testfeaturesppr_suitability_index_comorosurn:ogc:def:crs:EPSG::385743.228480369012885 -12.39190197058603444.54093100050327 -11.363755929213458centre_international_d_agriculture_tropicale:land_use_map_of_the_niayes_region_in_senegal_2017The land use mapping of the southern part of the Niayes area in Senegal was conducted using expert visual photointerpretation and ground control points, based on a Pleiades satellite image acquired in March 2017. The study area spans 550.46 km2 (or 55 046 ha), stretching from Niaga and Sindia in the south to Mboro in the north (Fig. 1). The primary aim of this study was to identify mango and citrus orchards, categorize them into four distinct cropping systems, and determine their tree densities. The dataset is provided in Json format and uses the UTM coordinate system (zone 28N, datum WGS84), with a file size of 34 MB. The 19 657 mapped objects are distributed into 6 classes including Orchard, Vegetable Crop, Shrub, Urban Area, Water Network, and Sandpit. Orchards are further classified into four cropping systems: Low Tree Density, Traditional, Diversified, and Intensive Export. A detailed description of each cropping system is provided below.featuresland_use_map_of_the_niayes_region_in_senegal_2017urn:ogc:def:crs:EPSG::32628-17.27232868999548 14.576172216010933-16.861765565396762 15.154987793525056TETIS:LandCoverMap2020_S2_10m_North-Chin_MyanmarLandCoverMap2020_S2_10m_North-Chin_Myanmarfeaturesurn:ogc:def:crs:EPSG::3264693.09145964194494 22.00485783457514894.06703020306723 23.62289640448529TETIS:LandCoverMap2020_SPOT67-S2_1-5m_North-Chin_MyanmarfeaturesLandCoverMap2020_SPOT67-S2_1-5m_North-Chin_Myanmarurn:ogc:def:crs:EPSG::3264693.26174994283481 22.51654662076275793.8280545230554 23.50781269892609TETIS:LCMap2021_S2_North-Chin_MyanmarLandCoverMap2021_S2_10m_North-Chin_Myanmarfeaturesurn:ogc:def:crs:EPSG::3264693.09145955557813 22.0047229159164494.0670786048661 23.622939846210972TETIS:LandCoverMap2021_SPOT67-S2_1-5m_North-Chin_MyanmarfeaturesLandCoverMap2021_SPOT67-S2_1-5m_North-Chin_Myanmarurn:ogc:def:crs:EPSG::3264693.25977141433492 22.0308118118639193.82683353549808 23.62271939432782TETIS:LandCoverMap_HAITI_2020_PLEIADES_Code0featuresLandCoverMap_HAITI_2020_PLEIADES_Code0urn:ogc:def:crs:EPSG::32618-73.45762690551136 18.380933587416045-73.09932250665396 18.53200470096095TETIS:LandCoverMap_HAITI_2020_PLEIADES_Code1featuresLandCoverMap_HAITI_2020_PLEIADES_Code1urn:ogc:def:crs:EPSG::32618-73.45762690551136 18.380933587416045-73.09932250665396 18.53200470096095TETIS:LandCoverMap_HAITI_2020_PLEIADES_Code2featuresLandCoverMap_HAITI_2020_PLEIADES_Code2urn:ogc:def:crs:EPSG::32618-73.45762690551136 18.380933587416045-73.09932250665396 18.53200470096095cirad:LandCoverMap_HAITI_2020_SPOT6_Code0LandCoverMap_HAITI_2020_SPOT6_Code0featuresurn:ogc:def:crs:EPSG::32618-73.46402943065678 18.348228715782867-73.08716056915351 18.538554137641523cirad:LandCoverMap_HAITI_2020_SPOT6_Code1featuresLandCoverMap_HAITI_2020_SPOT6_Code1urn:ogc:def:crs:EPSG::32618-73.46402943065678 18.348228715782867-73.08716056915351 18.538554137641523cirad:LandCoverMap_HAITI_2020_SPOT6_Code2featuresLandCoverMap_HAITI_2020_SPOT6_Code2urn:ogc:def:crs:EPSG::32618-73.46402943065678 18.348228715782867-73.08716056915351 18.538554137641523cirad:localisation_sites_terri4solfjvjfeatureslocalisation_sites_terri4solurn:ogc:def:crs:EPSG::4226-7.6390861999999995 4.746066603030204-3.2195522 7.74497796563734TETIS:BD_Ref_972_v10Nous diffusons une base de données de référence créée pour entrainer un algorithme de classification supervisé d'images satellites pour la production de cartes d'occupation du sol de la Martinique en 2024.featuresBD_Ref_972_v10occupation des terresurn:ogc:def:crs:EPSG::32620-61.23714788190611 14.38854910345579-60.805504309466755 14.882597422723848cirad:AgPlots_MGProjet COTTON, 2015-2018featuresagplots_mgurn:ogc:def:crs:EPSG::4326-54.894314550225424 -11.633569665206556-54.792394590489195 -11.51828999780633cirad:bos10_1MOSfeaturesbos10_1urn:ogc:def:crs:EPSG::3274055.21960238367403 -21.38711951957226355.83485247145084 -20.889041452760694aware:water_gonaMonthly surface water maps, Gonarezhou National Park, Zimbabwe, derived from Sentinel-2 images (2018)water_gonafeaturesurn:ogc:def:crs:EPSG::3273631.412643829042697 -22.0840489013373131.48018208549983 -21.9490516372518aware:water_krugerMonthly surface water maps, North Kruger National Park, Zimbabwe, derived from Sentinel-2 images (2018)water_krugerfeaturesurn:ogc:def:crs:EPSG::3273630.96787963512821 -22.68053340005698731.401303064883106 -22.265245568353155cirad:morphopedologie_de_mayotte_d_apres_ed._latrille__1981Mayotte, inventaire des terres cultivables et de leurs aptitudes culturalesfeaturesmorphopedologie_de_mayotte_d_apres_ed._latrille__1981urn:ogc:def:crs:EPSG::3273845.01821870680361 -13.00590340156114245.30038045853312 -12.63633817383822cirad:Myanmar_BD_2020_v3_epsg32646featuresMyanmar_BD_2020_v3_epsg32646urn:ogc:def:crs:EPSG::3264693.29248224307403 22.51585176157496493.82667147341135 23.50560187053738cirad:Myanmar_BD_2021_v1_epsg32646featuresMyanmar_BD_2021_v1_epsg32646urn:ogc:def:crs:EPSG::3264693.29168983564202 22.1352265773475693.82629657525855 23.56694223037872TETIS:Niayes_2018featuresNiayes_2018urn:ogc:def:crs:EPSG::32628-17.411938219334957 14.454409013986673-16.22722959509435 15.41952702265547aware:nigeria_adminboundaries_adm0_32631EPSG:32631Limites administrativesurn:ogc:def:crs:EPSG::326312.6617481757373787 4.1939129768180114.749974173867765 13.943211200533183aware:nigeria_adminboundaries_adm1_32631EPSG:32631 States of Nigeria: 36Limites administrativesurn:ogc:def:crs:EPSG::326312.6617481757373787 4.1939129768180114.749974173867765 13.943211200533183aware:nigeria_adminboundaries_adm2_20170222_32631EPSG:32631 Local Government Area: 774Limites administrativesurn:ogc:def:crs:EPSG::326312.6617481757373787 4.1939129768180114.749974173867765 13.943211200533183cirad:C3Nombre d'enfants par femmefeaturesc3_1urn:ogc:def:crs:EPSG::4326-25.36047363275179 -46.658874511049763.49871826193839 37.53948974615503aware:OS_2022_Run_327403Pas de résuméfeaturesOS_2022_Run_32740urn:ogc:def:crs:EPSG::3274055.2026415055042 -21.39874035632959355.84870541951865 -20.86039947356961cirad:occupation_du_sol_-_la_reunion_-_base_de_donnees_reference_2Base de données de référence pour la classification et la validation utilisée pour les travaux de cartographie de l'occupation du sol à La Réunion pour le millésime 2021.featuresoccupation_du_sol_-_la_reunion_-_base_de_donnees_reference_2urn:ogc:def:crs:EPSG::3274055.212373411983684 -21.38772193840757755.83615404812192 -20.86581355977721aware:occsol_kandalCarte d'occupation du sol réalisée à partir de la classification supervisée d'un couple d'images Landsat-8 (avril 2015 et novembre 2014)Occupation du solVégétationLandsat8urn:ogc:def:crs:EPSG::32648104.78272542629985 10.928218045032402105.33229456714243 11.47048758433386aware:classif_bur_20061111_20080117Carte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (17/01/2008), d'une scène SPOT-5 MS (11/11/2006) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet CERoPath (ANR 07 BDIV 012). Images et MNE financés par le programme ISIS du CNES et le projet CERoPath.;ThaïlandeOccupation du solurn:ogc:def:crs:EPSG::32648102.96194866532338 14.813932204049847103.22161748216705 15.107069887367443aware:classif_pakse_20070213Carte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (13/02/2007) et d'un modèle numérique de terrain (MNT) SRTM. Projet CERoPath (ANR 07 BDIV 012). Images financées par le programme ISIS du CNES et le projet CERoPath.Occupation du solurn:ogc:def:crs:EPSG::32648105.64049266675238 14.998497501769409106.00120624824405 15.31597469124049aware:chiangraiCarte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (05/11/2010), d'une scène SPOT-5 MS (17/04/2012) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet BiodivHealthSEA (ANR-11-CEPL-002-01). Images et MNE financés par le programme ISIS du CNES et le projet BiodivHealthSEA.ThaïlandeOccupation du solurn:ogc:def:crs:EPSG::3264799.85038431868637 19.74242715957573100.16646922594676 20.031328198185474aware:kanchanaburi2Carte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (03/11/2013), d'une scène SPOT-5 MS (20/12/2011) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet BiodivHealthSEA (ANR-11-CEPL-002-01). Images et MNE financés par le programme ISIS du CNES et le projet BiodivHealthSEA.ThaïlandeOccupation du solurn:ogc:def:crs:EPSG::3264799.02778752380648 14.06114097470053499.22715108989733 14.282770579928135aware:lapsikCarte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (22/04/2010), d'une scène SPOT-5 MS (28/10/2012) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet BiodivHealthSEA (ANR-11-CEPL-002-01). Images et MNE financés par le programme ISIS du CNES et le projet BiodivHealthSEA.Occupation du solLaosurn:ogc:def:crs:EPSG::32648102.05226156710003 19.757468493322925102.28035813284974 19.979255699042294aware:classif_loei_20070113_20080419Carte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (13/01/2007), d'une scène SPOT-5 MS (19/04/2008) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet CERoPath (ANR 07 BDIV 012). Images et MNE financés par le programme ISIS du CNES et le projet CERoPath.ThaïlandeOccupation du solurn:ogc:def:crs:EPSG::32647101.57866268381528 17.369938088939232101.83519466441025 17.596631757421275aware:classif_luang_20061031_20070103Carte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (31/10/2006), d'une scène SPOT-5 MS (03/01/2007) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet CERoPath (ANR 07 BDIV 012). Images et MNE financés par le programme ISIS du CNES et le projet CERoPath.;Occupation du solurn:ogc:def:crs:EPSG::32648101.99430297689833 19.575451257600385102.18789135422502 19.762514684296033aware:classif_mondolkiri_20080316Carte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (16/03/2008) et d'un modèle numérique de terrain (MNT) SRTM. Projet CERoPath (ANR 07 BDIV 012). Images financées par le programme ISIS du CNES et le projet CERoPath.CambodgeOccupation du solurn:ogc:def:crs:EPSG::32648106.70065238817354 12.036624498913794107.0165152343301 12.346317474474008aware:classif_nan_20061021_20070112Carte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (12/01/2007), d'une scène SPOT-5 MS (21/10/2006) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet CERoPath (ANR 07 BDIV 012). Images et MNE financés par le programme ISIS du CNES et le projet CERoPath.;ThaïlandeOccupation du solurn:ogc:def:crs:EPSG::32647100.70775189451949 18.97191831360695101.01063087921936 19.279236161019057aware:prachuapCarte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (09/01/2013), d'une scène SPOT-5 MS (29/11/2011) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet BiodivHealthSEA (ANR-11-CEPL-002-01). Images et MNE financés par le programme ISIS du CNES et le projet BiodivHealthSEA.ThaïlandeOccupation du solurn:ogc:def:crs:EPSG::3264799.5366739021854 11.63466239725921699.78053198622719 11.89771733973046aware:classif_veal_20061219_20070322Carte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (19/12/2006), d'une scène SPOT-5 MS (22/03/2007) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet CERoPath (ANR 07 BDIV 012). Images et MNE financés par le programme ISIS du CNES et le projet CERoPath."Occupation du sol"Cambodgeurn:ogc:def:crs:EPSG::32648103.75266752026727 10.636227432517295103.93377559233001 10.805129867646913aware:chiangklangCarte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (23/04/2010), d'une scène SPOT-5 MS (12/02/2010) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet BiodivHealthSEA (ANR-11-CEPL-002-01). Images et MNE financés par le programme ISIS du CNES et le projet BiodivHealthSEA.Spot-5Occupation du solurn:ogc:def:crs:EPSG::32647100.63004604863609 19.076028590700894100.87926911172399 19.269918856854073aware:tonlesapCarte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (30/05/2014), d'une scène SPOT-5 MS (14/05/2012) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet BiodivHealthSEA (ANR-11-CEPL-002-01). Images et MNE financés par le programme ISIS du CNES et le projet BiodivHealthSEA.CambodgeOccupation du solurn:ogc:def:crs:EPSG::32648103.86850048627957 12.426337956926432104.3085756010005 12.70783262090999aware:kalasinCarte d'occupation du sol réalisée à partir d'un couple d'images SPOT-5 PAN et MS (03/11/2013), d'une scène SPOT-5 MS (20/12/2011) et d'un modèle numérique d'élévation (MNE) SPOT-DEM. Projet BiodivHealthSEA (ANR-11-CEPL-002-01). Images et MNE financés par le programme ISIS du CNES et le projet BiodivHealthSEA.ThaïlandeOccupation du solurn:ogc:def:crs:EPSG::32648103.43299026672577 16.586724152884226103.62226845437525 16.778126663554442cirad:occupation_su_sol_a_petite-ile__la_reunion__en_2022Les cartes d’occupation du sol de 2022 et 2023 sur la zone d’étude de Petite-île ont été obtenues par la mobilisation et la fusion de trois types de carte d’occupation du sol distinctes de sources différentes. Pour l’année 2022, quatre couches thématiques au format vecteur ont été intersectées pour couvrir l’emprise de la zone d’étude. Ces quatre couches vectorielles ont été extraites, puis intersectées dans l’ordre de priorité suivant : 1) les bâtiments, puis 2) le réseau des routes et des chemins issues de la carte d’occupation du sol de l’IGN de 2002 (https://geoservices.ign.fr/ocsge#telechargement) ; 3) les parcelles de canne à sucre issues du Registre Parcellaire Graphique de l’IGN de 2022 (https://geoservices.ign.fr/rpg#telechargementrpg2022) ; et enfin 4) la végétation naturelle et semi-naturelle issues de la carte de l’Office National des Forêts à La Réunion (communication interne). L’intersection des quatre types d’occupation du sol ont permis d’obtenir la une carte finale avec les 18 classes d’occupation du sol suivantes : - Pelouse amendée (pâturage) - Falaise et trottoir rocheux littoraux sans végétation - Prairie temporaire - Forêt humide de moyenne altitude sous le vent - Fourré secondaire semi-sec - Canne à sucre - Verger - Autre culture industrielle - Gel (surfaces gelées sans production) - Prairie permanente - Mais grain et ensilage - Bâti, route, chemin - Aménagement - Fourré secondaire humide de basse et moyenne altitude - Végétation arbustive des côtes rocheuses sèches - Fourrage - Légume ou fleur - Divers Afin d’homogénéiser le niveau de précision des classes d’occupation du sol, nous avons été contraints d’agréger certaines classes d’occupation du sol et ainsi obtenus une carte d’occupation du sol en 8 classes : canne à sucre , verger, maraîchage, forêt et milieu semi-naturel, prairie/fourrage, bâtiment/route/chemin, divers (i.e., espace vert, sol nu, jachère) et aménagement. Une expertise géométrique (corrections topologiques et fusion d’objets) et thématique (reclassement et fractionnement d’objets) sur la base de l’ortho-photographie de l’IGN de 2022 ont été nécessaires avant toute exploitation de la carte. Pour l’année 2023, la carte de 2022 été réutilisée avec une actualisation du parcellaire cannier à partir du RPG 2023 (https://geoservices.ign.fr/rpg#telechargementrpg2023) et une vérification géométrique et thématique manuelle à partir d’une image Pléiades acquise le 09/05/2023 (Pléiades©CNES) et les images de la série chronologique de Google Earth de 2023.occupation_su_sol_a_petite-ile__la_reunion__en_2022featuresurn:ogc:def:crs:EPSG::3274055.531533039715015 -21.3683212146374255.58787803078553 -21.302349412325196cirad:occupation_su_sol_a_petite-ile__la_reunion__en_2023Les cartes d’occupation du sol de 2022 et 2023 sur la zone d’étude de Petite-île ont été obtenues par la mobilisation et la fusion de trois types de carte d’occupation du sol distinctes de sources différentes. Pour l’année 2022, quatre couches thématiques au format vecteur ont été intersectées pour couvrir l’emprise de la zone d’étude. Ces quatre couches vectorielles ont été extraites, puis intersectées dans l’ordre de priorité suivant : 1) les bâtiments, puis 2) le réseau des routes et des chemins issues de la carte d’occupation du sol de l’IGN de 2002 (https://geoservices.ign.fr/ocsge#telechargement) ; 3) les parcelles de canne à sucre issues du Registre Parcellaire Graphique de l’IGN de 2022 (https://geoservices.ign.fr/rpg#telechargementrpg2022) ; et enfin 4) la végétation naturelle et semi-naturelle issues de la carte de l’Office National des Forêts à La Réunion (communication interne). L’intersection des quatre types d’occupation du sol ont permis d’obtenir la une carte finale avec les 18 classes d’occupation du sol suivantes : - Pelouse amendée (pâturage) - Falaise et trottoir rocheux littoraux sans végétation - Prairie temporaire - Forêt humide de moyenne altitude sous le vent - Fourré secondaire semi-sec - Canne à sucre - Verger - Autre culture industrielle - Gel (surfaces gelées sans production) - Prairie permanente - Mais grain et ensilage - Bâti, route, chemin - Aménagement - Fourré secondaire humide de basse et moyenne altitude - Végétation arbustive des côtes rocheuses sèches - Fourrage - Légume ou fleur - Divers Afin d’homogénéiser le niveau de précision des classes d’occupation du sol, nous avons été contraints d’agréger certaines classes d’occupation du sol et ainsi obtenus une carte d’occupation du sol en 8 classes : canne à sucre , verger, maraîchage, forêt et milieu semi-naturel, prairie/fourrage, bâtiment/route/chemin, divers (i.e., espace vert, sol nu, jachère) et aménagement. Une expertise géométrique (corrections topologiques et fusion d’objets) et thématique (reclassement et fractionnement d’objets) sur la base de l’ortho-photographie de l’IGN de 2022 ont été nécessaires avant toute exploitation de la carte. Pour l’année 2023, la carte de 2022 été réutilisée avec une actualisation du parcellaire cannier à partir du RPG 2023 (https://geoservices.ign.fr/rpg#telechargementrpg2023) et une vérification géométrique et thématique manuelle à partir d’une image Pléiades acquise le 09/05/2023 (Pléiades©CNES) et les images de la série chronologique de Google Earth de 2023.featuresoccupation_su_sol_a_petite-ile__la_reunion__en_2023urn:ogc:def:crs:EPSG::3274055.531533039715015 -21.3683212146374255.58787803078553 -21.302349412325196cirad:PPR_suitability_index_Comorosblablablafeaturesppr_suitability_index_comorosurn:ogc:def:crs:EPSG::385743.228480369012885 -12.39190197058603444.54093100050327 -11.363755929213458aware:parcellaire_agrocanne_2011Pas de résuméParcellaireurn:ogc:def:crs:EPSG::3274055.22489766387372 -21.3862718457877655.83449319098952 -20.88922669065604aware:plantations_forestieres_32738Délimitation des plantations forestières de Mayotte. Couche obtenue par photo-interprétation de l'orthophotographie de l'IGN acquise en 2008. Travail réalisé dans le cadre de la production de la typologie des espaces boisés de Mayotte.Foresterieurn:ogc:def:crs:EPSG::3273845.070726916347084 -12.97594827156557845.20397179865299 -12.691229513106515aware:iso_polygone_pluie_q80_4326_defCette couche a été obtenu par krigeage des quinquennals humide (8/10) de pluie annuelles calculées entre 1986 - 2016.ClimatologiePluviositéurn:ogc:def:crs:EPSG::432655.2165222167969 -21.389631271362355.8366546630859 -20.871898651123aware:iso_polygone_pluie_q20_4326_defCette couche a été obtenu par krigeage des quinquennals sèche (2/10) de pluie annuelles calculées entre 1986 - 2016ClimatologiePluviositéurn:ogc:def:crs:EPSG::432655.2165222167969 -21.389631271362355.8366546630859 -20.8717994689941aware:tree_crown_sen_ramsesII2Dans le cadre du projet RAMSESII « Rôles de l’agroforesterie dans l’intensification durable des petites exploitations et la sécurité alimentaire des sociétés en Afrique de l’Ouest », une cartographie des arbres du parc agroforestier a été réalisée sur la région de Bambey à l’est de Dakar par télédétection à partir d’images Pléiades. Acquises entre fin Décembre et mi-Mars 2021, la classification des images sur le NDVI (Normalized Difference vegetation Index) aboutit à la délimitation de plus d' 1.2 millions de couronnes d’arbres sur les 2500 km² de la zone d’étude. Deux cartes thématiques ont ensuite été générées : densité du nombre d’arbres par maille d’1 hectare et densité de surface couverte par les couronnes d’arbre par maille d’1 hectare.CouronnesAires protégéesArbresurn:ogc:def:crs:EPSG::32628-16.839566027211315 14.33695779871227-16.27942445628887 14.94112750046013aware:tree_crown_density_area_sen_ramsesIIDans le cadre du projet RAMSESII « Rôles de l’agroforesterie dans l’intensification durable des petites exploitations et la sécurité alimentaire des sociétés en Afrique de l’Ouest », une cartographie des arbres du parc agroforestier a été réalisée sur la région de Bambey à l’est de Dakar par télédétection à partir d’images Pléiades. Acquises entre fin Décembre et mi-Mars 2021, la classification des images sur le NDVI (Normalized Difference vegetation Index) aboutit à la délimitation de plus d’ 1.2 millions de couronnes d’arbres sur les 2500 km² de la zone d’étude. Deux cartes thématiques ont ensuite été générées : densité du nombre d’arbres par maille d’1 hectare et densité de surface couverte par les couronnes d’arbre par maille d’1 hectare.CouronnesArbresurn:ogc:def:crs:EPSG::32628-16.839455009007654 14.335667494597471-16.27915607835447 14.94132556798373aware:tree_crown_cover_per_ha_sen_ramsesIIDans le cadre du projet RAMSESII « Rôles de l’agroforesterie dans l’intensification durable des petites exploitations et la sécurité alimentaire des sociétés en Afrique de l’Ouest », une cartographie des arbres du parc agroforestier a été réalisée sur la région de Bambey à l’est de Dakar par télédétection à partir d’images Pléiades. Acquises entre fin Décembre et mi-Mars 2021, la classification des images sur le NDVI (Normalized Difference vegetation Index) aboutit à la délimitation de plus d’ 1.2 millions de couronnes d’arbres sur les 2500 km² de la zone d’étude. Deux cartes thématiques ont ensuite été générées : densité du nombre d’arbres par maille d’1 hectare et densité de surface couverte par les couronnes d’arbre par maille d’1 hectare.CouronnesArbresurn:ogc:def:crs:EPSG::32628-16.839455009007654 14.335667494597471-16.27915607835447 14.94132556798373aware:OSM_RamsesII_residential_QuickOSMLes polygones de cette couche ont été extraits d'OpenStreetMap et filtrés sur l'attribut "Landuse" puis "residential".Occupation du solurn:ogc:def:crs:EPSG::32628-16.837471441575165 14.340016671742386-16.307135180664247 14.933155796656129aware:rubus_fevCette couche est issue d'une photo-interprétation manuelle, des orthophotos de la BD Topo IGN 2008, réalisée entre autres par P. Turpin dans le cadre d'un projet co-financé par la DEAL. Elle contient donc des polygones représentant les zones envahies par Rubus alceifolius à la Réunion, avec parfois un pourcentage d'envahissement.Lutte biologiqueRubus alceifoliusDEALurn:ogc:def:crs:EPSG::297555.28539885604786 -21.38895633647907255.838548962135775 -20.8966459271673cirad:pedologie_de_la_reunion_au_1_50000_selon_d._pouzet___2002Caractériser les sols de La Réunionfeaturespedologie_de_la_reunion_au_1_50000_selon_d._pouzet___2002urn:ogc:def:crs:EPSG::3274055.21245278715558 -21.3908092007233655.83941911185597 -20.869326910223997aware:Pouzet_50000_2002classification des types de sol proposée par Denis Pouzet sur la base de la classification de Michel Raunet de 1991Pédologieurn:ogc:def:crs:EPSG::3274055.212452683004564 -21.390812815082855.83941937297384 -20.86932419953621cirad:recette_datafeederSimplementfeaturesrecette_datafeederurn:ogc:def:crs:EPSG::432655.21658226811657 -21.38577111515012855.83315608798119 -20.874365167187523cirad:recette_dev_c2cDifficilementfeaturesrecette_dev_c2curn:ogc:def:crs:EPSG::432655.21658226811657 -21.38577111515012855.83315608798119 -20.874365167187523aware:relveget1a660Couche composée de 660 relevés de végétation effectués sur une zone comprise entre : - à l'ouest : Sakay (long 46,36° E) - à l'est : Andasibe (long 48,47° E) - au nord : nord de Antananarivo (lat -18,78°) - au sud : Antsirabe (lat -19,93°) Relevés classés en 13 classes d'occupation du sol : 1) bati, 2) cultures, 3) cultures et rizières, 4) eau, 5) formation herbeuse, 6) formation herbeuse boisee, 7) ravines boisées, 8) ravines non boisées, 9) rivieres, 10) rizières, 11) route, 12) sol nu et 13) formation boiséeWest NileMadagascarOccupation du solRelevés de végétationSanté animaleurn:ogc:def:crs:EPSG::432646.3701019287109 -19.931200027465848.4696311950684 -18.7839164733887aware:potentiel_rd_canne_thermoradiatifCette carte est le résultat d'une étude du potentiel de rendement de canne à sucre par simulations de croissance selon différents scénarios climatiques et culturaux. Cette couche présente le rendement médian de 10 cycles culturaux (2002-2012) de la canne à sucre au potentiel thermo- radiatif soit sans contrainte hydrique.Rendementurn:ogc:def:crs:EPSG::3274055.21312789689093 -21.38988774274898655.83435244789958 -20.871110278930686aware:rdcanne_pluvialCette carte est le résultat d'une étude du potentiel de rendement de canne à sucre par simulations de croissance selon différents scénarios climatiques et culturaux. Cette couche présente le rendement médian de 10 cycles culturaux (2002-2012) de la canne à sucre en condtion pluviale stricte.Canne à sucreRendementurn:ogc:def:crs:EPSG::3274055.21313934697318 -21.38988743583849255.83430922006927 -20.871029115129645aware:rdcanne_irrigation500Cette carte est le résultat d'une étude du potentiel de rendement de canne à sucre par simulations de croissance selon différents scénarios climatiques et culturaux. Cette couche présente le rendement médian de 10 cycles culturaux (2002-2012) de la canne à sucre avec une irrigation remplissant 50% de la réserve utile.Canne à sucreRendementurn:ogc:def:crs:EPSG::3274055.21313934697318 -21.38988743583849255.83430922006927 -20.871029115129645aware:rdcan_irrigation80Cette carte est le résultat d'une étude du potentiel de rendement de canne à sucre par simulations de croissance selon différents scénarios climatiques et culturaux. Cette couche présente le rendement médian de 10 cycles culturaux (2002-2012) de la canne à sucre avec une irrigation où 80% de la réserve utile est remplie.Canne à sucreRendementurn:ogc:def:crs:EPSG::3274055.21313934697318 -21.38988743583849255.83430922006927 -20.871029115129645aware:risque_pente7pc_ileDegenne, Pascal, 2021, "Risque de ruissellement selon des pentes à 7% sur l'île de La Réunion", https://doi.org/10.18167/DVN1/FSSY6B, CIRAD Dataverse, V1 Estimation d'un risque de ruissellement vers les cours d'eau du Domaine Public Fluvial de l'île de La Réunion selon des pentes supérieures ou égales à 7%. Le calcul de risque de ruissellement est effectué de manière itérative, en partant des cours d'eau et en progressant le long des pentes jusqu'à une distance de 200m de part et d'autre de ces cours d'eau. Le calcul est effectué sur une grille de cellules de 5m de résolution spatiale. A chaque itération, on calcule la pente par rapport aux points voisins déjà explorés et si cette pente est supérieure ou égale à 7% on marque les cellules concernées. Si la pente est inférieure, la progression à partir de ces cellules ne va pas plus loin. Ce que l'on obtient est une estimation de ce risque de ruissellement qui n'est basée que sur les différences d'altitudes entre les points. Il n'est donc pas tenu compte de la couverture du sol, de sa capacité d'infiltration, de sa rugosité ou autres facteurs de surface pouvant affecter ce ruissellement. Ces calculs on été réalisés à l'aide d'un programme écrit en langage Ocelet. (2021-09-30) Degenne, Pascal (CIRAD, UMR TETIS, France) - ORCID: 0000-0003-0062-8511Oceletruissellement agricoleriskagricultural runoffurn:ogc:def:crs:EPSG::3274055.21990037812646 -21.3879789684435255.832657904095626 -20.872905174012082cirad:roadl_vnmRéseau routier du VietNamfeaturesroadl_vnmurn:ogc:def:crs:EPSG::4326102.22198383200005 8.641907737000075109.44869117300004 23.372756932000037cirad:roadl_vnm_1Routes Vietnam Routes Vietnamfeaturesroadl_vnm_1urn:ogc:def:crs:EPSG::4326102.22198383200005 8.641907737000075109.44869117300004 23.372756932000037cirad:roadl_vnm_2Cartefeaturesroutes_vietnamurn:ogc:def:crs:EPSG::4326102.22198383200005 8.641907737000075109.44869117300004 23.372756932000037aware:a__2012_2013_swb_shCartographie des SWB (Small Water Bodies) proches de zones d'élevage de chevaux entre Tana et Antsirabé pour identifier le niveau de circulation virale (West Nile).West NileSmall Water Bodiesurn:ogc:def:crs:EPSG::432647.2298469543457 -19.351997375488347.9519882202148 -18.6668930053711aware:a__2013_2014_swb_shCartographie des SWB (Small Water Bodies) proches de zones d'élevage de chevaux entre Tana et Antsirabé pour identifier le niveau de circulation virale (West Nile).West NileSmall Water Bodiesurn:ogc:def:crs:EPSG::432646.2650527954102 -20.340009689331148.8286514282227 -18.7097911834717aware:swb_2014_2015_shCartographie des SWB (Small Water Bodies) proches de zones d'élevage de chevaux entre Tana et Antsirabé pour identifier le niveau de circulation virale (West Nile).West NileSmall Water Bodiesurn:ogc:def:crs:EPSG::432646.290699005127 -20.341030120849648.7736968994141 -18.7247104644775aware:a__2012_2013_swb_ssCartographie des SWB (Small Water Bodies) proches de zones d'élevage de chevaux entre Tana et Antsirabé pour identifier le niveau de circulation virale (West Nile).West NileSmall Water Bodiesurn:ogc:def:crs:EPSG::432646.3085250854492 -20.361797332763748.8268585205078 -18.7150382995605aware:a__2013_2014_swb_ssCartographie des SWB (Small Water Bodies) proches de zones d'élevage de chevaux entre Tana et Antsirabé pour identifier le niveau de circulation virale (West Nile).West NileSmall Water Bodiesurn:ogc:def:crs:EPSG::432646.1660575866699 -20.181165695190448.8416175842285 -18.1970176696777aware:a__2014_2015_swb_ssCartographie des SWB (Small Water Bodies) proches de zones d'élevage de chevaux entre Tana et Antsirabé pour identifier le niveau de circulation virale (West Nile).West NileSmall Water Bodiesurn:ogc:def:crs:EPSG::432646.7195510864258 -20.340070724487348.8287048339844 -18.2138671875cirad:suivi_mash23_reunionLa chaine de traitement MASH a été utilisé pour assurer le suivi de la récolte 2023 à La Réunion. Des images de la constellation Sentinel-1 et 2 ont été utilisé pour faire le suivi de l'avancement de la récolte.suivi_mash23_reunionfeaturesurn:ogc:def:crs:EPSG::432655.236587186493495 -21.3845159698938755.832599670418524 -20.89220845647736aware:suivi_recolte_2014_corSuivi temporel des parcelles de canne à sucre récoltées en 2014. L'état d'avancement de la coupe de la canne à sucre en 2014 a été élaboré à partir d'images de RADARSAT-2.Canne à sucreurn:ogc:def:crs:EPSG::432655.4057807922363 -21.384456634521555.6525382995605 -21.2174263000488cirad:suivi_mash23_reunion_1Suivi de récolte 2023 - MASHfeaturessuivi_mash23_reunion_1urn:ogc:def:crs:EPSG::432655.236587186493495 -21.3845159698938755.832599670418524 -20.89220845647736cirad:titreDescriptionfeaturestitreurn:ogc:def:crs:EPSG::3273846.62802735921507 -20.07216125035836647.57963606310814 -18.82966291232582aware:mayotte_typo_espaces_naturels_2008_brut_32738Typologie des espaces boisés réalisées par le Cirad - UMR TETIS et UPR BSEF (Consortium AGRIFORT Consult) pour le compte du Conseil Général de Mayotte. Financement Fond Européen de Développement (9ème FED). Cette carte a fait l’objet d’un article disponible via ce lien : https://doi.org/10.1016/j.jag.2013.04.001 Pour utiliser ou référencer cette ressource préciser les mentions suivantes : Dupuy, Stéphane, Lainé, Gérard, Tassin, Jacques, Sarrailh, Jean-Michel, 2019, "Mayotte - Typologie des espaces boisés - 2010 - (donnée brute)", doi:10.18167/DVN1/CTZX7T, CIRAD Dataverse, V2Canopy heightOBIAHorizontal structureTropical forestLIDARurn:ogc:def:crs:EPSG::3273845.01533599063253 -13.00606971963277845.30577944730717 -12.632317585462078aware:typo_mayotte0Typologie des espaces boisés réalisées par le Cirad - UMR TETIS et BSEF ( Consortium AGRIFORT Consult) pour le compte du Conseil Général de Mayotte. Financement Fond Européen de le Développement (9ème FED). Cette carte est issue d'une classification orientée objet et utilise des MNS et MNT issus des acquisitions LiDAR pour caractériser la structure horizontale de différents faciès d’espaces boisés. Les données LiDAR sont des données acquises par un LiDAR aéroporté à retours discrets et à petite empreinte mis en oeuvre dans le cadre du projet de cartographie du littoral « Litto3D ». Elles ont été utilisées pour créer un Modèle Numérique de Hauteur (MNH) à 1m de résolution spatiale puis un Modèle Numérique de Canopée (MNC) par filtrage médian. L’utilisation de deux segmentations successives à des échelles différentes nous a permis d’ajuster les paramètres de segmentation à la structure locale du paysage et du couvert. Référence : Lainé Gérard, Dupuy Stéphane, Tassin Jacques, Sarrailh Jean-Michel. 2010. Étude de la typologie forestière de Mayotte : Rapport final, juillet 2010. Contrat Cadre EuropeAid/119860/C/SV/Multi. Montpellier : CIRAD, 120 p. http://agritrop.cirad.fr/557465/1/document_557465.pdfCanopy heightOBIAHorizontal structureTropical forestLIDARurn:ogc:def:crs:EPSG::3273845.01533627838918 -13.00606971961572945.30577944730717 -12.632317585462078cirad:zoneamento_participativo_da_agricultura_familiar_do_planaltoZoneamento participativo da agricultura familiar em um contexto de expansão do agronegócio com representantes comunitários do Planalto Santarenofeatureszoneamento_participativo_da_agricultura_familiar_do_planaltourn:ogc:def:crs:EPSG::4326-55.28585354856208 -3.5617201656416286-54.17698839959355 -2.4058449723585196aware:zones_production_arbo1Cartographie à dire d'experts des zones de production fruitières en fonction des cultures majoritaires pratiquées. Les consommations en azote ainsi que les rendements ont été estimés pour un hectare cultivé moyen, correspondant à une surface où les différentes cultures fruitières majoritaires sont pondérées en fonction de leur prévalence dans chaque zone de production. Les consommations en azote correspondent à des apports recommandés en azote ammoniacal (kg/an/hectare moyen). Les rendements sont en tonnes/an/hectare moyen. Pour chaque espèce, les apports recommandés et les rendements sont calculées à partir de données de la littérature. Dans le cadre du même projet, deux cartes ont été produites : une carte pour le maraichage et une carte pour les cultures fruitières.Rendementzones_production_arboBesoin en azoteurn:ogc:def:crs:EPSG::3274055.21823950296503 -21.38690178101932255.83477944460925 -20.89130290964729aware:zones_production_maraichage0Cartographie à dire d'experts des zones de production maraichères en fonction des cultures majoritaires pratiquées. Les consommations en azote ainsi que les rendements ont été estimés pour un hectare cultivé moyen, correspondant à une surface où les différentes cultures maraichères majoritaires sont pondérées en fonction de leur prévalence dans chaque zone de production. Les consommations en azote correspondent à des apports recommandés en azote ammoniacal (kg/an/hectare moyen). Les rendements sont en tonnes/an/hectare moyen. Pour chaque espèce, les apports recommandés et les rendements sont calculées à partir de données de la littérature. Dans le cadre du même projet, deux cartes ont été produites : une carte pour le maraichage et une carte pour les cultures fruitières.Rendementzones_production_maraichageBesoin en azoteurn:ogc:def:crs:EPSG::3274055.22054870381524 -21.3840156267752255.83482330581513 -20.885645687592326aware:padzas_epsg32738Délimitation des zones érodées de Mayotte (padzas). Couche obtenue par photo-interprétation de l'orthophotographie de l'IGN acquise en 2008. Travail réalisé dans le cadre de la production de la typologie des espaces boisés de Mayotte. Cette délimitation ne fait pas de distinction de la couverture des padzas (sol nu, végétation herbacée ou boisée).PadzasZones érodéesurn:ogc:def:crs:EPSG::3273845.05234740313729 -12.98945341660798545.21054161957137 -12.686820530025733aware:a__2016_reunion_dates_recolte_cannefeatures_2016_reunion_dates_recolte_canneurn:ogc:def:crs:EPSG::3274055.231270611087325 -21.3860821455460655.83449319098952 -20.88929229579054aware:a__2005_2016_temoin_essai_herbicide_Reunion11featuresa__2005_2016_temoin_essai_herbicide_Reunion1urn:ogc:def:crs:EPSG::3274055.23808725257425 -21.36017971811567455.82226471737879 -20.903466258064043aware:a__2015_reunion_est_dates_recolte_canne1featuresa__2015_reunion_est_dates_recolte_canneurn:ogc:def:crs:EPSG::3274055.4774414544798 -21.21721106019280355.83449319098952 -20.89163130920214cirad:rpg_2023_topoerreurfeaturesrpg_2023_topourn:ogc:def:crs:EPSG::432655.51175671240855 -21.35917955302244355.53964108375637 -21.33082831648893aware:classif_2018_beta_code2_postfeaturesclassif_2018_beta_code2_posturn:ogc:def:crs:EPSG::3274055.20410563250885 -21.3987348146516355.847241619231546 -20.861773957181523AMAP:de2__shapefileshapefile zone benin decrite par camillefeaturesDigitExtrait2urn:ogc:def:crs:EPSG::404000463288.5 1035169.8465336.9 1036494.3aware:limites_foret_dep_dom_976_epsg32738featureslimites_foret_dep_dom_976_epsg32738urn:ogc:def:crs:EPSG::3273845.06389324078697 -12.98023629466608345.204198896949144 -12.674282989884203TETIS:mayotte_2023_final_mapmayotte_2023_final_mapfeaturesurn:ogc:def:crs:EPSG::3273845.01697655988141 -13.00680496352646545.30163706454806 -12.635074756284936cirad:p_ile_2022_43262022featuresp_ile_2022_4326urn:ogc:def:crs:EPSG::432655.53163100165572 -21.3662027029882855.546376217230744 -21.34675062232716cirad:p_ile_avec_qmd_2022_4326occup solfeaturesp_ile_avec_qmd_2022_4326urn:ogc:def:crs:EPSG::4326347748.6928770271 7636620.742126749349272.29902343755 7638769.11962149ASTRE:roadl_vnmfeaturesroadl_vnmurn:ogc:def:crs:CRS::84102.22198383200005 8.641907737000075109.44869117300004 23.372756932000037aware:suivi_mash23_reunionsuivi_mash23_reunionfeaturesurn:ogc:def:crs:EPSG::432655.236587186493495 -21.3845159698938755.832599670418524 -20.89220845647736cirad:Eau_Reuniontfeaturesturn:ogc:def:crs:EPSG::432655.21658226811657 -21.38577111515012855.83315608798119 -20.874365167187523cirad:tache_arti_1997_2009_ttes_routes_v3_2_epsg32361featurestache_arti_1997_2009_ttes_routes_v3_2_epsg32361urn:ogc:def:crs:EPSG::326311.6502868112489835 42.320473335176794.8635634265987235 44.97606343078371cirad:temp_amboselitemp amboselifeaturestemp_amboseliurn:ogc:def:crs:EPSG::3273736.86276117349221 -3.16540169300738937.9433385803531 -1.9884272710279423cirad:Regions_BF_2tralala 2featurestralala_2urn:ogc:def:crs:EPSG::32630-5.559856839669502 9.3708481633262332.4718819546676882 15.097287753549963cirad:erreur-topoerreurfeatureserreur-topourn:ogc:def:crs:EPSG::432655.51539560613217 -21.34556544225205255.51897155829718 -21.34333091442727aware:evolution2003_2017_v7Veuillez télécharger la fiche suivante qui informe sur la qualité de la carte : https://geode.cirad.fr/documents/423 . Carte d'occupation du sol au format vecteur ESRI shape représentant l'évolution des espaces artificialisés de l'agglomération d'Antananarivo, capitale de Madagascar, entre 2003 et 2017. Cette carte est issue de traitement de télédétection réalisés à partir d'images satellites. Nous avons notamment utilisé des images Spot5 acquises le 14 février et le 4 juillet 2003. Ces images ont été mises à disposition par le CNES via le programme ISIS. Le traitement à consisté à utiliser la carte d'occupation du sol calculée sur la même emprise en 2017 (Référencée ci-dessous) comme un masque et de vérifier sur les images anciennes l'évolution des espaces bâtis. Nous avons également essayé de mesurer l'évolution des espaces agricoles pendant cette même période mais le résultat n'est pas très bon compte tenu de la difficulté à les distinguer sur les images d'archive des espaces naturels.Télédétectionspatial databasebase de données spatialeremote sensingurn:ogc:def:crs:EPSG::3273847.31936605082895 -19.123465512348947.66962136095198 -18.71378779438007TRUETRUETRUETRUETRUETRUETRUETRUETRUETRUEFALSETRUEFALSETRUExs:intxs:intxs:longxs:longxs:floatxs:floatxs:doublexs:doublexs:doublexs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:doublexs:doublexs:doublexs:doublexs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:booleanxs:booleanxs:booleanxs:stringxs:doublegml:AbstractGeometryTypexs:doublegml:AbstractGeometryTypexs:stringxs:stringxs:intxs:intxs:stringxs:doublexs:doublexs:stringgml:AbstractGeometryTypexs:stringxs:intxs:stringxs:doublexs:doublexs:doublexs:doublexs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:intxs:stringxs:stringxs:stringxs:intxs:stringxs:stringxs:stringxs:intxs:doublexs:doublexs:intxs:intxs:doublexs:doublexs:intxs:doublexs:stringxs:intxs:intxs:booleanxs:stringxs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:intgml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:floatxs:stringxs:stringxs:doublexs:stringxs:stringgml:AbstractGeometryTypexs:floatxs:floatxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:floatxs:stringgml:AbstractGeometryTypexs:doublexs:stringgml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:floatxs:floatxs:stringgml:AbstractGeometryTypexs:floatxs:stringxs:dateTimexs:dateTimexs:dateTimexs:dateTimexs:dateTimexs:dateTimexs:stringxs:dateTimexs:floatxs:floatxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:intxs:stringxs:doublexs:booleanxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:intxs:intxs:intxs:doublexs:doublexs:floatxs:stringxs:stringxs:stringxs:stringxs:intxs:intxs:stringxs:doublexs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:floatxs:stringxs:longxs:dateTimexs:dateTimexs:stringxs:stringxs:stringxs:dateTimexs:dateTimexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:floatxs:stringxs:stringxs:stringxs:stringxs:intgml:AbstractGeometryTypexs:booleanxs:stringxs:stringxs:doublexs:stringxs:stringxs:doublexs:stringxs:stringxs:doublexs:stringxs:stringxs:intxs:intxs:intxs:booleanxs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:intxs:intxs:stringxs:stringxs:booleanxs:booleanxs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:stringxs:intxs:intxs:doublexs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:intxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:intxs:intxs:stringxs:stringxs:booleanxs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:stringxs:doublexs:intxs:doublexs:booleanxs:stringxs:doublexs:intxs:booleanxs:booleanxs:stringxs:stringxs:booleanxs:stringxs:stringxs:doublexs:booleanxs:stringxs:stringxs:stringxs:doublexs:floatxs:stringxs:stringxs:doublexs:stringxs:stringgml:AbstractGeometryTypexs:stringgml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:stringxs:doublexs:doublexs:doublexs:stringxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:stringgml:AbstractGeometryTypexs:stringgml:AbstractGeometryTypexs:doublegml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:intxs:intxs:booleanxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:doublexs:stringxs:stringxs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:intxs:stringxs:doublegml:AbstractGeometryTypexs:doublegml:AbstractGeometryTypexs:doublegml:AbstractGeometryTypexs:stringxs:stringxs:booleanxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:doublexs:doublexs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:stringxs:intxs:stringxs:intxs:intxs:stringxs:doublexs:doublexs:doublexs:stringxs:doublexs:floatxs:floatxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:intxs:doublexs:intxs:stringgml:AbstractGeometryTypexs:stringgml:AbstractGeometryTypexs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:booleanxs:booleanxs:stringxs:stringxs:doublexs:stringxs:stringxs:booleanxs:stringxs:booleangml:AbstractGeometryTypexs:booleanxs:booleangml:AbstractGeometryTypexs:booleanxs:stringxs:booleanxs:stringxs:stringxs:booleanxs:stringxs:stringgml:AbstractGeometryTypexs:doublexs:booleangml:AbstractGeometryTypexs:booleangml:AbstractGeometryTypexs:booleangml:AbstractGeometryTypexs:booleanxs:stringxs:stringxs:doublexs:doublexs:stringxs:stringxs:doublexs:stringxs:doublexs:intxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:stringxs:stringxs:intxs:stringxs:booleanxs:floatxs:floatxs:booleanxs:floatxs:floatxs:stringxs:stringxs:floatxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:floatxs:stringxs:stringxs:intxs:stringxs:stringxs:intxs:stringxs:stringxs:intxs:stringxs:doublexs:floatxs:stringxs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:doublexs:stringxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:doublexs:stringxs:stringxs:stringxs:stringxs:doublexs:floatxs:floatxs:longxs:floatxs:floatxs:floatxs:floatxs:floatxs:intxs:floatxs:floatxs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:doublexs:doublexs:longxs:floatxs:floatxs:floatxs:floatxs:floatxs:intxs:floatxs:floatxs:stringgml:AbstractGeometryTypexs:stringgml:AbstractGeometryTypexs:stringgml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:doublexs:intxs:intxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:doublexs:stringxs:booleanxs:booleanxs:booleanxs:stringxs:stringxs:dateTimexs:stringxs:stringxs:floatxs:stringxs:stringxs:stringxs:floatxs:stringxs:stringxs:stringxs:intgml:AbstractGeometryTypexs:intgml:AbstractGeometryTypexs:intgml:AbstractGeometryTypexs:stringgml:AbstractGeometryTypexs:stringgml:AbstractGeometryTypexs:doublexs:doublexs:booleanxs:booleanxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:intxs:stringxs:stringxs:stringxs:booleanxs:stringxs:doublexs:stringxs:intxs:stringxs:longxs:stringxs:booleangml:AbstractGeometryTypexs:intxs:doublexs:stringxs:stringxs:stringxs:stringxs:intxs:stringgml:AbstractGeometryTypexs:intxs:stringxs:stringxs:doublexs:stringxs:stringxs:intxs:booleanxs:booleanxs:stringxs:stringxs:intxs:intxs:stringxs:stringxs:stringxs:intxs:booleanxs:stringxs:floatxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:doublexs:floatxs:floatxs:stringxs:stringxs:booleanxs:stringxs:stringxs:doublexs:intxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:intxs:stringxs:stringxs:doublexs:stringxs:stringxs:stringxs:floatxs:stringxs:booleanxs:stringxs:stringxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:booleangml:AbstractGeometryTypegml:AbstractGeometryTypexs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:stringxs:doublexs:floatxs:floatxs:floatxs:longxs:floatxs:doublexs:floatxs:stringxs:stringxs:floatxs:stringxs:stringxs:stringxs:doublexs:doublexs:doublexs:doublexs:stringxs:stringgml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:doublexs:doublexs:floatxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:stringxs:doublexs:floatxs:stringxs:doublexs:intxs:booleanxs:doublexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:booleanxs:stringxs:stringxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:stringxs:stringxs:intxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:booleanxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:intxs:stringxs:stringxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:booleanxs:stringxs:stringxs:stringxs:stringgml:AbstractGeometryTypegml:AbstractGeometryTypexs:doublexs:floatxs:stringxs:stringxs:doublexs:stringxs:stringxs:doublexs:floatxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:stringxs:stringxs:stringxs:doublexs:floatxs:intxs:intxs:intxs:stringxs:stringxs:booleangml:AbstractGeometryTypegml:AbstractGeometryTypexs:stringgml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:intxs:stringgml:AbstractGeometryTypegml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:doublexs:intxs:booleanxs:stringxs:stringxs:intxs:intxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringxs:stringgml:AbstractGeometryTypexs:stringxs:stringxs:stringxs:booleangml:AbstractGeometryTypegml:AbstractGeometryTypexs:floatxs:floatxs:string