902801fd-4d9d-4df4-9e95-319e429545cc fra; CAN utf8; utf8 dataset; jeuDonnées Pauline Perbet Gouvernement du Canada;Ressources naturelles Canada;Service canadien des forêts Government of Canada;Natural Resources Canada;Canadian Forest Service Analyste sénior en télédétection et écologie forestière Senior analyst in remote sensing et forest ecology Quebec G1V4C7 pauline.perbet@rncan-nrcan.gc.ca pauline.perbet@rncan-nrcan.gc.ca Pauline Perbet editor; réviseur 2025-06-25T12:00:43 Profil nord-américain de la norme ISO 19115:2003 - Information géographique - Métadonnées North American Profile of ISO 19115:2003 - Geographic information - Metadata CAN/CGSB-171.100-2009 English; Anglais Canada; Canada utf8; utf8 Proj4 +proj=lcc +lat_0=0 +lon_0=-95 +lat_1=49 +lat_2=77 +x_0=0 +y_0=0 +datum=NAD83 +units=m +no_defs Produit Canada Landsat Disturbance (CanLaD) - Incluant les perturbations par insectes forestiers Canada Landsat Disturbance (CanLaD) – Including Forest Insect Pest 2025-05-14 publication; publication 2025-05-14 creation; création Luc Guindon Gouvernement du Canada;Ressources naturelles Canada;Service Canadien des forêts Government of Canada;Natural Resources Canada;Canadian Forest Service Chercheur en télédétection et écologie forestière Research scientist in Remote Sensing and Forest Ecology 4186485849 4186485849 4186485849 1055 rue du P.E.P.S., C.P. 10380, succ. Sainte-Foy 1055 rue du P.E.P.S., C.P. 10380, succ. Sainte-Foy Quebec G1V4C7 Canada Canada luc.guindon@nrcan-rncan.gc.ca luc.guindon@nrcan-rncan.gc.ca http principalInvestigator; chercheurPrincipal Cette publication de données contient trois ensembles de données : 1. Cartes de perturbations annuelles détaillées – Quarante couches raster cartographiant les types de perturbations forestières au Canada de 1985 à 2024, avec une résolution de 30 m. 2. Cartes du type et de l’année des perturbations les plus récentes– Une version simplifiée pour une utilisation optimisée, composée de trois rasters indiquant le type et l’année (début et fin de la perturbation) de la perturbation la plus récente. 3. Carte du jour julien le plus récent – Une couche raster indiquant le dernier jour julien de la série temporelle Landsat, correspondant au nombre de jours écoulés depuis le 1er janvier 1970. Les types de perturbations forestières incluent les feux de forêt, les coupes forestières, les épidémies d’insectes, les chablis, et les nouveaux plans d’eau. La méthode repose sur la série temporelle des images Landsat (composé annuelle juillet et août) (Guindon et al. 2024). Dans un premier temps, l’approche LandTrendr (Kennedy et al. 2010) a été utilisé pour détecter les perturbations dans la série temporelle. Ensuite, un réseau de neurones convolutionnels unidimensionnels a été appliqué avec une fenêtre d’analyse de 10 ans afin de classifier les types de perturbation. La précision globale des cartes est de 80 %. La précision globale pour les classes agrégées « défoliation / sans-défoliation » est de 88,0 % ± 1,2 %, avec une erreur de commission de 25,4 % ± 5,7 % et une erreur d’omission de 63,2 % ± 4,3 %. ## Contraintes d’utilisation : 1. Les classes de sévérité de la défoliation proposées n’ont pas pour but de correspondre directement aux classifications annuelles des relevés aériens. Elles représentent plutôt l’intensité du changement spectral cumulé à la fin de l’épidémie ou, si celle-ci est toujours en cours, à la dernière année observée. Seules les défoliations cumulées de sévérité moyenne et élevée sont détectées et représentent un bon compromis entre erreur d’omission et commission. 2. Les modèles visent les insectes ravageurs touchant principalement les conifères. Ils peuvent cependant capter des défoliations dans les forêts mixtes ou même à forte proportion feuillues. 2. L’analyse se base sur une fenêtre temporelle de 10 ans afin de capturer adéquatement les effets de la défoliation progressive. Par conséquent, pour détecter adéquatement un ravageur provoquant ce type de défoliation, comme la tordeuse des bourgeons de l’épinette, les données historiques ne deviennent réellement pertinentes qu’à partir d’environ 1995. Pour les insectes avec une défoliation plus rapide, les années 1990 pourraient être considérées comme un point de départ approprié. 3. La classe de récolte de bois correspond au prélèvement d’arbres, indépendamment de l’intention sous-jacente. Elle inclut majoritairement des zones destinées à demeurer forestières, à être reboisées, mais peut englober également certains secteurs convertis à d’autres usages, comme la construction de routes, de mines ou d’infrastructures diverses. 4. Pour la classe des chablis, le modèle s’avère efficace pour détecter les évènements de grande ampleur, mais il présente un taux élevé de fausses détections, notamment en périphérie des zones récoltées, où les pixels mixtes induisent des signatures spectrales similaires à celles des chablis. Il s’agit de la classe de perturbation affichant le taux d’erreur le plus élevé. 5. La classe nouvelle étendue d’eau n’a pas été formellement validée dans cette étude, mais des évaluations visuelles ont été faites pour s’assurer que les grands secteurs avaient été captés. 6. Les mosaïques d’images utilisés par les modèles s’appuient sur les mois de juillet et août, ainsi les perturbations survenues à l’automne ne seront détectées que l’année suivante. Par exemple, un incendie de forêt en aout 2023 pourrait n’être visible que dans la composition de 2024 si l’image utilisée date de juillet. De plus, des données manquantes, dues au masquage des nuages et des ombres, peuvent entraîner un retard de détection d’un ou deux ans par rapport à l’occurrence réelle des perturbations. Les utilisateurs peuvent cependant utiliser la base de données nationale sur les incendies (NBAC Canadian Wildland Fire Information System) pour vérifier et, si nécessaire, ajuster l’année de l’évènement. De plus, le raster des derniers jours juliens peut être utilisé pour mieux interpréter la date de la détection des changements. 7. Les années à la fin de la série temporelle peuvent présenter un taux d’erreur de commission plus élevé. Les mises à jour annuelles permettront de corriger ces erreurs. 8. Seules les perturbations d’une superficie d’au moins 1,08 hectare (12 pixels) sont prises en compte. Les perturbations linéaires (ex. chemins forestiers) pourraient être sous-estimées en raison de cette contrainte. ## Plus de détails seront disponibles dans l’article scientifique en cours de rédaction : Perbet, P., ## Citation pour ce jeu de données: Perbet, P., Guindon, L., Correia D.L.P., P. Villemaire, O., Reisi Gahrouei R. St-Amant, Canada Landsat Disturbance with pest (CanLaD): a Canada-wide Landsat-based 30-m resolution product of fire, harvest and pest outbreak detection and attribution since 1987. https://doi.org/10.23687/902801fd-4d9d-4df4-9e95-319e429545cc ## Références citées: Guindon, Luc, Francis Manka, David L.P. Correia, Philippe Villemaire, Byron Smiley, Pierre Bernier, Sylvie Gauthier, Andre Beaudoin, Jonathan Boucher, et Yan Boulanger. 2024. « A New Approach for Spatializing the CAnadian National Forest Inventory (SCANFI) Using Landsat Dense Time Series ». Canadian Journal of Forest Research, février, cjfr-2023-0118. https://doi.org/10.1139/cjfr-2023-0118. Kennedy, Robert E., Zhiqiang Yang, et Warren B. Cohen. 2010. « Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr — Temporal segmentation algorithms ». Remote Sensing of Environment 114 (12): 2897 2910. https://doi.org/10.1016/j.rse.2010.07.008. Pelletier, Charlotte, Geoffrey I. Webb, et François Petitjean. 2019. « Temporal Convolutional Neural Network for the Classification of Satellite Image Time Series ». Remote Sensing 11 (5): 523. https://doi.org/10.3390/rs11050523. This data publication includes three map datasets: 1. Detailed annual disturbance maps – Forty raster layers mapping Canadian forest disturbance types from 1985 to 2024 at a 30m resolution. 2. Latest disturbance type and latest disturbance year maps – A simplified version for enhanced usability, consisting of three rasters that represent the most recent disturbance type and year (starting and ending). 3. Latest Landsat time series Julian day map – A raster capturing the latest Julian day for each pixel in the time series, where the Julian day represents the number of days elapsed since January 1, 1970. The forest disturbance types include wildfire, harvesting, pest outbreaks, windthrow, and new water bodies. The method is based on the summer composite Landsat time series (Guindon et al 2024). Disturbance breaks in the time series are first detected using the LandTrendr approach (Kennedy et al., 2010). Next, a one-dimensional convolutional neural network model (TempCNN; Pelletier et al., 2019) is applied with a 10-year window to classify disturbance types. The resulting maps achieve an overall accuracy of 81%. For aggregated pest/no-pest classes, the overall accuracy is 88.0% ±1.2%, with a commission error of 25.4% ±5.7% and an omission error of 63.2% ±4.3%. ## Data use constraints: 1. For pest-related disturbances, the proposed defoliation severity classes do not directly correspond to annual aerial survey classifications. Instead, they represent the intensity of cumulative spectral change at the end of the epidemic or, for ongoing outbreaks, the most recent observed year. Contrary to aerial survey classifications, only moderate to severe cumulative defoliation levels are detected, representing a good compromise between omission error and commission. 2. The models are aimed at insect pests that primarily affect conifers. However, they may also capture severe defoliation in mixed or deciduous forests. 3. The analysis is based on a 10-year time window to adequately capture the effects of progressive defoliation. Therefore, to properly detect a pest causing this type of defoliation, such as the spruce budworm, historical data only becomes truly relevant starting around 1995. For insects with faster defoliation, the 1990s might be considered a good starting point. 4. The wood harvesting class refers to the removal of trees, regardless of the underlying intention. It primarily includes areas intended to remain forested or to be reforested but may also encompass certain sectors converted to other uses, such as road construction, mining, or various infrastructure projects. 6. The windthrow class is effective at detecting large-scale events but has a high false detection rate, particularly along the edges of harvested areas, where mixed pixels create spectral similarities with windthrow. Among all disturbance classes, windthrow has the highest error rate. 7. The new water body class was not formally validated in this study, though visual assessments were conducted. 8. Since the summer composite considers only July and August imagery, disturbances occurring in the fall are detected the following year. For example, a wildfire that occurred in August 2023 might only become visible in the 2024 composite if the 2023 composite used images from early July, before the disturbance occurred. Additionally, cloud or shadow masking can create gaps in the time series, causing some disturbance events to appear delayed by one or two years. Users can use the national fire database (NBAC Canadian Wildland Fire Information System) for validation and year adjustments of wildfires. Moreover, the last Julian days raster could be used to better interpret the predicted year of disturbance. 9. The most recent years in the time series may have a higher commission error. These errors will be addressed in future annual updates. 10. The minimum detectable disturbance size is 1.08 hectares (12 pixels), which may limit the detection of linear disturbances such as roads. ## More details will be available in the future scientific publication: Perbet, P., ## Please cite this dataset as: Perbet, P., Guindon, L., Correia D.L.P., P. Villemaire, O., Reisi Gahrouei R. St-Amant, Canada Landsat Disturbance with pest (CanLaD): a Canada-wide Landsat-based 30-m resolution product of fire, harvest and pest outbreak detection and attribution since 1987. https://doi.org/10.23687/902801fd-4d9d-4df4-9e95-319e429545cc ## Cited references: Guindon, Luc, Francis Manka, David L.P. Correia, Philippe Villemaire, Byron Smiley, Pierre Bernier, Sylvie Gauthier, Andre Beaudoin, Jonathan Boucher, et Yan Boulanger. 2024. « A New Approach for Spatializing the CAnadian National Forest Inventory (SCANFI) Using Landsat Dense Time Series ». Canadian Journal of Forest Research, février, cjfr-2023-0118. https://doi.org/10.1139/cjfr-2023-0118. Kennedy, Robert E., Zhiqiang Yang, et Warren B. Cohen. 2010. « Detecting trends in forest disturbance and recovery using yearly Landsat time series: 1. LandTrendr — Temporal segmentation algorithms ». Remote Sensing of Environment 114 (12): 2897 2910. https://doi.org/10.1016/j.rse.2010.07.008. Pelletier, Charlotte, Geoffrey I. Webb, et François Petitjean. 2019. « Temporal Convolutional Neural Network for the Classification of Satellite Image Time Series ». Remote Sensing 11 (5): 523. https://doi.org/10.3390/rs11050523. onGoing; enContinue annually; annuel https://csw.open.canada.ca/geonetwork/srv/api/records/902801fd-4d9d-4df4-9e95-319e429545cc/attachments/Illustration.PNG Illustration.PNG Illustration.PNG Coupe forestière Harvesting Incendie de forêt Forest fires Foresterie Forestry Insecte Insects theme; thème Government of Canada Core Subject Thesaurus Thésaurus des sujets de base du gouvernement du Canada 2004 creation; création 2016-07-04 publication; publication Gouvernement du Canada; Bibliothèque et Archives Canada Government of Canada; Library and Archives Canada custodian; conservateur Licence du gouvernement ouvert - Canada (http://ouvert.canada.ca/fr/licence-du-gouvernement-ouvert-canada) Open Government Licence - Canada (http://open.canada.ca/en/open-government-licence-canada) license; licence license; licence grid; grille eng utf8; utf8 imageryBaseMapsEarthCover geoscientificInformation environment 1985 2024 -141.003 -52.6174 41.6755 83.1139 GeoTIF V1 Luc Guindon Gouvernement du Canada;Ressources naturelles Canada;Service Canadien des forêts Government of Canada;Natural Resources Canada;Canadian Forest Service Chercheur en télédétection et écologie forestière Research scientist in Remote Sensing and Forest Ecology 4186485849 4186485849 1055 rue du P.E.P.S., C.P. 10380, succ. Sainte-Foy 1055 rue du P.E.P.S., C.P. 10380, succ. Sainte-Foy Quebec G1V4C7 Canada Canada luc.guindon@nrcan-rncan.gc.ca luc.guindon@nrcan-rncan.gc.ca http pointOfContact; contact https://ftp.maps.canada.ca/pub/nrcan_rncan/Forests_Foret/canlad_including_insect_defoliation/v1 FTP CanLaD incluant les insectes forestiers CanLaD including insect defoliation Données;GeoTIF;eng,fra Dataset;GeoTIF;eng,fra asNeeded; auBesoin