2.2 Explorer et évaluer les données spatiales probantes
2.1 présente les différentes méthodes de production des données spatiales probantes et les divers degrés de transformation qu’elles impliquent, à travers des exemples de mesures directes, d’indicateurs ou d’indices dérivés, de synthèses temporelles et de prédictions issues de modèles. Chacune de ces étapes comporte ses propres données d’entrée et hypothèses, et peut introduire des erreurs ou amplifier celles qui existent déjà.
Dans cette section, nous examinerons plusieurs éléments essentiels (2.2.2) à prendre en compte lors de l’utilisation des données spatiales probantes, notamment la qualité des données d’entrée, la communication des incertitudes, les résolutions spatiale et temporelle, entre autres. Ces notions nous prépareront à manipuler concrètement des données et des outils dans le Module 3.
2.2.1 Utiliser les données spatiales probantes : points essentiels à prendre en compte
Voici une série de questions pratiques pour comprendre la qualité, les limites et les conditions d’utilisation appropriées de toute donnée spatiale probante. Cette liste n’est pas exhaustive, mais elle constitue un bon point de départ pour examiner un jeu de données et l’utiliser de manière responsable.
01 · What?
Que mesure-t-on ?
Identifiez la variable ou l’indicateur et ce qu’il est censé représenter. S’agit-il d’un indice de végétation, d’une tendance des précipitations ou du carbone organique des sols (COS) ? Examinez l’unité de mesure utilisée : est-elle pertinente ?
02 · Where?
Quelles données se trouvent à son origine ?
Quelles sont les données d’entrée et d’où proviennent-elles ? S’agit-il d’observations satellitaires, de points d’échantillonnage sur le terrain ou d’une combinaison des deux ? Les données sources sont-elles documentées et/ou accessibles ?
03 · How?
Comment les données ont-elles été transformées ?
Recherchez des informations sur les données sources, les méthodes de traitement, les modèles, la période de référence et la validation. Examinez les transformations appliquées aux données et demandez-vous si les méthodes utilisées sont pertinentes.
04 · Scale
Où et à quelle période ces données s’appliquent-elles ?
Vérifiez la résolution spatiale, la couverture géographique et la période de référence. Demandez-vous si l’échelle des données probantes est adaptée à la question posée ou à la décision à prendre.
05 · Confidence
Dans quelle mesure ces données sont-elles fiables ?
Vérifiez si des statistiques de précision ou de validation sont communiquées et si une couche représentant l’incertitude est disponible. Le niveau de confiance du modèle peut varier d’une zone à l’autre et entraîner des biais spatiaux.
06 · Fitness for purpose
Ces données sont-elles adaptées à la décision à prendre ?
Ces données sont-elles réellement adaptées à la décision que je souhaite prendre ? Pourraient-elles être corroborées par d’autres types de données probantes, comme les connaissances locales ou d’autres jeux de données ?
Dans la pratique, nous ne pouvons pas vérifier indépendamment chacun de ces éléments pour tous les jeux de données que nous utilisons. Les instituts de recherche et les autres fournisseurs faisant autorité réalisent une grande partie de ce travail et devraient publier des métadonnées claires, les méthodes employées, les informations relatives à la validation, etc. Ces renseignements sont donc généralement disponibles si vous prenez le temps de les rechercher. La chaîne de production des données probantes du K4GGWA, présentée dans la section 2.1.2, est conçue pour faciliter cette démarche.
2.2.2 Exemples de cartes et interprétation
Vous trouverez ci-dessous trois exemples de cartes : une carte de tendance de l’EVI, une carte des précipitations et une carte du carbone organique des sols. Chacune a été produite à partir de données d’entrée, de méthodes et de degrés de transformation des données brutes en produits finaux différents.
Examinez ces trois exemples à la lumière des questions précédentes. Identifiez la variable représentée, les données et les méthodes qui se trouvent à son origine et, dans le cas de la carte prédictive, la précision annoncée. Notez les informations qui ne sont pas disponibles et réfléchissez à la manière de tenir compte de ces lacunes dans vos prises de décision et dans la communication des données probantes.
Indice de végétation amélioré (EVI)
L’indice de végétation amélioré (EVI) est calculé à partir d’images satellitaires. Il mesure la quantité de lumière rouge et proche infrarouge réfléchie par la surface terrestre, en corrigeant les distorsions atmosphériques et autres perturbations. La végétation dense et en bonne santé réfléchit cette lumière d’une manière caractéristique. L’indice fournit ainsi une mesure simple de la verdure de la végétation pour chaque pixel de l’image. Le traitement nécessaire est limité : les valeurs de réflectance satellitaire sont intégrées dans une formule standard, qui produit une valeur représentant la « verdure ».
Les cartes de l’EVI sont donc proches de l’observation directe. Leur limite est toutefois qu’elles montrent uniquement la verdure du paysage, sans en révéler les causes. Un paysage peut paraître plus vert pour de nombreuses raisons : des précipitations favorables, une concentration plus élevée de CO₂ dans l’atmosphère, la propagation d’une espèce envahissante ou encore des changements récents dans l’utilisation des terres. Pour interpréter une carte de l’EVI, il est recommandé de la mettre en regard d’autres données probantes, comme les données pluviométriques ou les informations sur la couverture terrestre, plutôt que de considérer la verdure comme une mesure directe et autonome de la santé des terres.
Caractéristiques de la carte et métadonnées
Cette couche de l’EVI est dérivée des données de MODIS (Moderate Resolution Imaging Spectroradiometer), un capteur optique embarqué à bord des satellites Terra et Aqua de la NASA. MODIS observe l’ensemble du globe environ tous les un à deux jours, avec une résolution spatiale comprise entre 250 m et 1 km. Il fournit ainsi l’une des plus longues séries continues de suivi de la végétation disponibles, qui remonte à 2000. L’indice présenté ici est calculé directement à partir de la réflectance de surface observée, sans données de terrain ni modélisation, hormis l’application de la formule standard de l’EVI. Comme il s’agit d’une carte de tendance, elle résume l’évolution de l’EVI au fil du temps pour chaque pixel à l’aide d’une simple régression linéaire, plutôt que de présenter une mesure ponctuelle. La résolution spatiale de cette carte est de 500 m et la période étudiée s’étend de 2001 à 2024.
Précipitations
Une carte des précipitations annuelles moyennes est généralement produite à partir d’une longue série de données pluviométriques observées ou interpolées, en calculant la moyenne de chaque pixel sur l’ensemble de la période. Il s’agit d’une étape de transformation par rapport aux données pluviométriques brutes : les valeurs de plusieurs années sont résumées en une seule valeur. Une interpolation ou une modélisation peut également être nécessaire pour combler les lacunes dans les zones où aucune observation directe n’est disponible.
Cette carte permet de comprendre les grandes tendances pluviométriques d’un paysage et de repérer les zones généralement plus humides ou plus sèches. Elle ne montre toutefois pas l’évolution des précipitations dans le temps, mais seulement leur niveau moyen habituel. Ses limites dépendent de la qualité et de la durée de la série pluviométrique sous-jacente. Elles sont particulièrement importantes dans les régions qui comptent peu de stations météorologiques, où les données de précipitations sont souvent interpolées ou modélisées pour combler les espaces entre les rares observations disponibles - ce qui est le cas d’une grande partie de la Grande Muraille Verte ! Une moyenne calculée dans une zone disposant d’un réseau dense de stations météorologiques peut inspirer davantage confiance que la même moyenne dans une zone où elle repose largement sur l’interpolation, sans que cela soit toutefois systématique.
Caractéristiques de la carte et métadonnées
Cette carte est produite à partir des données CHIRPS (Climate Hazards Center InfraRed Precipitation with Station data), un jeu de données pluviométriques quotidien d’une résolution de 0,05° qui combine des observations satellitaires infrarouges et des relevés de pluviomètres au sol. Il est produit par le Climate Hazards Center de l’Université de Californie à Santa Barbara (UC Santa Barbara). CHIRPS couvre l’Afrique depuis 1981 jusqu’à aujourd’hui. La carte présentée ici représente les précipitations annuelles moyennes, calculées pour chaque pixel sur l’ensemble de la série temporelle.
Carbone organique des sols (COS)
Il n’est pas réaliste de mesurer le carbone organique des sols partout dans un paysage. Une carte continue du COS couvrant l’ensemble d’un territoire est donc généralement produite à l’aide d’une méthode de modélisation. Des échantillons de sol sont prélevés dans le cadre d’enquêtes pédologiques, puis mis en relation avec d’autres variables spatiales disponibles sur l’ensemble du territoire, telles que les précipitations, la topographie et la couverture végétale. Un modèle apprend les relations entre les échantillons de terrain et ces variables, puis applique ces relations à l’ensemble du paysage afin d’estimer les valeurs de COS dans les zones où aucun échantillonnage ni aucune donnée de terrain ne sont disponibles.
La fiabilité de cette prédiction dépend du nombre d’échantillons de terrain utilisés, de leur capacité à représenter la diversité des conditions présentes dans le paysage et de la validité des hypothèses du modèle dans des zones très différentes de celles où les échantillons ont été collectés. Le COS est un exemple de variable qui ne peut pas être détectée directement par satellite, contrairement à la verdure de la végétation, à la température de surface ou à d’autres variables.
Caractéristiques de la carte et métadonnées
Cette carte du COS est produite à l’aide d’un modèle d’apprentissage automatique entraîné à partir d’échantillons de sols prélevés sur le terrain et issus de la base de données du Land Degradation Surveillance Framework (LDSF) , ainsi que d’un ensemble de variables explicatives dérivées de données satellitaires, telles que les précipitations, la topographie et les indices de végétation.
Comme le carbone organique des sols ne peut pas être mesuré à partir des seules valeurs de réflectance, ce type de modèle est nécessaire pour transformer un nombre limité d’échantillons de terrain en une prédiction continue couvrant l’ensemble du paysage (précision d’environ 85 %). La précision de la carte obtenue dépend de la qualité de l’entraînement du modèle et de sa validation à l’aide de données de terrain indépendantes. La résolution spatiale est de 500 m et l’année de référence est 2023, bien que les échantillons de terrain utilisés pour entraîner le modèle aient été collectés sur une période plus longue.2.2.3 Communiquer les incertitudes et les limites
Lorsque nous comprenons la précision, les incertitudes et les limites d’une donnée probante, nous pouvons communiquer ces éléments en même temps que nos résultats et nos comptes rendus relatifs aux décisions prises.
Si, par exemple, la précision estimée d’un produit cartographique est d’environ 85 %, nous pouvons envisager de le combiner à d’autres sources de données probantes afin de corroborer et de renforcer nos conclusions. De même, si une carte de l’état de la végétation révèle une tendance au reverdissement, nous pouvons signaler cette tendance tout en précisant que nous n’en connaissons pas nécessairement la cause. Des données vérifiées sur le terrain peuvent être nécessaires pour confirmer quelles espèces sont à l’origine de ce reverdissement.
Lorsque ces informations sont disponibles, nous devrions également communiquer les résultats de validation, les couches de confiance ou d’incertitude, la résolution spatiale, la couverture des données et toute autre limite connue. Lorsqu’elles ne sont pas disponibles, cette absence d’information constitue elle-même une source d’incertitude qu’il convient de signaler. Cette démarche permet d’éviter de s’appuyer de manière excessive sur une seule source de données probantes et de faire preuve de transparence quant aux limites des données utilisées pour étayer nos décisions. Une analyse plus approfondie de la qualité et des limites des données spatiales probantes, ainsi que de la communication des incertitudes, est disponible ici.
Boîte à outils SHARED : approche multipartite pour une prise de décision fondée sur les risques et les données probantes
La boîte à outils SHARED constitue un guide complet pour favoriser une prise de décision inclusive et fondée sur des données probantes dans les activités de restauration. La Phase 2 - Intégrer les données probantes et l’expérience fournit notamment des conseils supplémentaires sur la mobilisation de groupes diversifiés de parties prenantes, l’intégration de plusieurs sources de données probantes et la communication transparente et efficace des incertitudes et des limites.
Cette ressource dépasse le cadre de ce tutoriel, mais constitue une référence utile pour celles et ceux qui souhaitent approfondir le contexte plus large de la prise de décision fondée sur des données probantes dans le domaine de la restauration.
2.2.4 Prêt/e à travailler avec les données ?
Nous avons maintenant exploré les différents types et formats de données spatiales probantes, leurs méthodes de production, ainsi que les moyens d’en évaluer la qualité et les limites.
Nous allons maintenant passer de la compréhension et de l’évaluation des données spatiales probantes à leur utilisation concrète ! Dans le Module 3, nous explorerons notre écosystème de données spatiales : où trouver les jeux de données sur la Grande Muraille Verte, comment notre infrastructure de données ouvertes en facilite l’accès et comment commencer à les exploiter avec R et d’autres outils.
Vérifiez vos connaissances
Q1. Laquelle des variables suivantes est issue d'une modélisation ou d'une prédiction, plutôt que d'une mesure directe ou d'un simple indice ?
Q2. Pourquoi est-il utile de vérifier la provenance des données spatiales probantes ?
Q3. À quoi ressemble une communication responsable des incertitudes ?
Pour en savoir plus
Cadre de surveillance de la dégradation des terres (LDSF)
Données spatiales
Découvrez le Land Degradation Surveillance Framework (LDSF), l'approche systématique et standardisée de collecte et d'analyse des données spatiales la plus largement déployée au monde pour le suivi et le reporting de la restauration.
Tableaux de bord de la Grande Muraille Verte
Tableau de bord
Explorez les tableaux de bord sur la santé des terres de la Grande Muraille Verte. Ils présentent des synthèses visuelles des données spatiales probantes relatives à la santé des terres et aux progrès de la restauration dans toute la région.