L'Organisation Météorologique Mondiale publiait en septembre 2019 un bilan du climat sur la période 2015-2019. Sans surprise, le réchauffement climatique semble s'accélérer et s'accompagne de son lot de catastrophes naturelles. Ainsi, 90% des catastrophes naturelles recensées sur cette périodes sont d'origine climatique et météorologique. Parmi celles-ci, les plus fréquentes sont des tempêtes et inondations.

La France n'a pas échappé aux inondations en 2019 : 9 évènements ont été observés durant l'année, engendrant des dégâts estimés à 485 millions € (source : Observatoire permanent des catastrophes naturelles et des risques naturels). Même constat en 2020, qui semble suivre la tendance : la tempête Gloria avait ouvert l'année, suivie de 11 évènements tempétueux en seulement un mois (début février à début mars). Depuis quelques jours, les territoires de l'ouest de la France subissent de nouveau des inondations suite à de fortes précipitations.

Notre équipe d'experts propose un tutoriel qui retrace les étapes pour détecter et extraire sous fichier vectoriel les zones inondées sur des images optiques Sentinel-2. Ces images satellitaires proviennent du programme européen d'observation de la Terre Copernicus et ont l'avantage d'être en open-data. Un autre gros avantage est leur haute résolution spatiale et temporelle : un même lieu est photographié tous les 5 jours avec une résolution de 10 mètres.

Le cas étudié à travers ce tutoriel est celui des inondations qui ont eu lieu dans le Sud-Ouest de la France suite à la tempête du 13 décembre 2019, nommée Toni par les services allemands.

Le tutoriel se présente sous la forme d'un Jupyter Notebook sur notre dépôt GitHub.

Ce tutoriel vous donne un aperçu de l'utilisation de Python pour manipuler et extraire de l'information de données géospatiales. À vous de jouer, essayez par vous-même avec des images acquises avant et après les inondations de cette semaine, si la couverture nuageuse le permet !

Tutoriel

Tutoriel Visualiser les inondations avec Sentinel 2

Formation en lien

Cette introduction vous a plu et vous souhaitez en apprendre plus ? Suivez notre formation : Python pour l'analyse géospatiale