Introduction

La température de surface terrestre (LST) est un indicateur clé pour évaluer les variations climatiques et environnementales, notamment dans les zones urbaines. Dakar, capitale du Sénégal, subit des variations de température importantes liées à l’urbanisation et aux conditions climatiques locales. Cette étude porte sur l’analyse des anomalies de la LST dans la région de Dakar durant la période allant d’avril à septembre 2024, en comparaison avec la moyenne historique de la même période sur les dix dernières années (2013-2023).

Méthodologie

Les données LST proviennent des images Landsat 9, filtrées spatialement sur Dakar et temporellement entre le 1er avril et le 30 septembre 2024. La moyenne de la LST pour la période correspondante de 2013 à 2023 a été calculée comme référence. L’anomalie est obtenue en soustrayant cette moyenne historique de la LST observée en 2024, mettant en lumière les zones où la température est anormalement plus élevée ou plus basse.

Voici un tutoriel détaillé sous forme d’article expliquant chaque partie de votre script Google Earth Engine (GEE) pour analyser les anomalies de température de surface terrestre (LST) à Dakar entre avril et septembre 2024.

Objectif

Ce tutoriel montre comment :

• Charger et traiter les données Landsat 9,
• Calculer la température de surface terrestre (LST),
• Comparer les valeurs de 2024 à une moyenne historique (2013–2023),
• Visualiser les anomalies,
• Exporter les résultats.

1. 📅 Définition de la période d’étude

var startDate = '2024-04-01';
var endDate = '2024-09-30';

On choisit d’analyser les données du 1er avril au 30 septembre 2024, correspondant à la saison chaude à Dakar.

2. 📍 Définition de la région d’intérêt (ROI)

var ROI = ee.FeatureCollection('FAO/GAUL_SIMPLIFIED_500m/2015/level1')
.filter(ee.Filter.and(
  ee.Filter.eq('ADM0_NAME', 'Senegal'),
  ee.Filter.eq('ADM1_NAME', 'Dakar')
))
.first()
.geometry();

On utilise les limites administratives du département de Dakar pour extraire les données.

3. ⚙️ Fonctions de prétraitement

a. Appliquer les coefficients de calibration

function applyScaleFactors(image) {
  var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);
  var thermalBands = image.select('ST_B.').multiply(0.00341802).add(149.0);
  return image.addBands(opticalBands, null, true).addBands(thermalBands, null, true);
}

Les images Landsat 9 sont calibrées grâce à des facteurs spécifiques pour les bandes optiques et thermiques.

b. Masquage des nuages

function cloudMask(image) {
  var cloudShadowBitmask = (1 << 3);
  var cloudBitmask = (1 << 5);
  var qa = image.select('QA_PIXEL');
  var mask = qa.bitwiseAnd(cloudShadowBitmask).eq(0)
               .and(qa.bitwiseAnd(cloudBitmask).eq(0));
  return image.updateMask(mask);
}

Cette fonction supprime les pixels contenant des nuages ou ombres de nuages, pour garantir la qualité des mesures.

c. Prétraitement complet de la collection

function preprocessImageCollection(collection, startDate, endDate, roi) {
  return collection
    .filterDate(startDate, endDate)
    .filterBounds(roi)
    .map(applyScaleFactors)
    .map(cloudMask)
    .median()
    .clip(roi);
}

On applique l’ensemble des traitements à une collection d’images pour extraire une image composite médiane.

4. 🛰️ Chargement des images Landsat 9

var landsatCollection = ee.ImageCollection("LANDSAT/LC09/C02/T1_L2")
  .filterDate(startDate, endDate)
  .filterBounds(ROI)
  .filterMetadata('CLOUD_COVER', 'less_than', 5);

On ne garde que les images avec moins de 5 % de couverture nuageuse.

5. 🌱 Calcul du NDVI et de la LST

var ndvi = processedImage.normalizedDifference(['SR_B5', 'SR_B4']).rename('NDVI');
...
var lst = thermal.expression(
  '(TB / (1 + (0.00115 * (TB / 1.438)) * log(em))) - 273.15', {
    'TB': thermal,
    'em': em
}).rename('LST');

• Le NDVI identifie la végétation.
• Le Fraction Vegetation (FV) permet d’estimer l’émissivité.
• La LST (en °C) est calculée en tenant compte de l’émissivité.

6. 📊 Calcul de la moyenne historique 2013–2023

var historicalLST = ee.ImageCollection("LANDSAT/LC09/C02/T1_L2")
  .filterDate('2013-04-01', '2023-09-30')
  .filter(ee.Filter.calendarRange(4, 9, 'month'))
  .filterBounds(ROI)
  .map(...) // même traitement

On traite les données des 10 dernières années (avril à septembre) pour obtenir une moyenne historique.

7. 🔥 Calcul de l’anomalie LST

var lstAnomaly = lst.subtract(historicalLSTmean).rename('LST_Anomaly');

L’anomalie est la différence entre la LST de 2024 et la moyenne historique. Elle met en évidence les zones plus chaudes (valeurs positives) ou plus fraîches (valeurs négatives).

8. 🌈 Affichage des couches

addLayer(lstAnomaly, {
  min: -5,
  max: 5,
  palette: ['0000ff', '7f7fff', 'ffffff', 'ff7f7f', 'ff0000']
}, 'Anomalie LST (5 classes)');

La palette colorée affiche :

• 🔵 Les zones plus fraîches (anomalies négatives),
• ⚪ Les zones proches de la moyenne,
• 🔴 Les zones plus chaudes (anomalies positives).

9. 💾 Export des résultats

Export.image.toDrive({
  image: lstAnomaly,
  description: 'Anomalie_LST_Dakar_2024',
  ...
});

L’anomalie est exportée au format GeoTIFF vers Google Drive, pour analyse SIG ou partage.

Ce script complet permet :

• Une analyse thermique fine du territoire,
• Une surveillance des îlots de chaleur,
• Un suivi environnemental dans un contexte de changement climatique.

Tu peux intégrer ce tutoriel dans un article, une publication ou une documentation technique. Si tu veux un PDF prêt à imprimer ou un design graphique pour vulgariser ce processus, je peux te l’aider à le générer. Souhaites-tu cela ?

Résultats

Carte des anomalies LST à Dakar (avril – septembre 2024)

1. Anomalie minimale : -1,85 °C (zone la plus froide par rapport à la moyenne)

• Cette valeur négative signifie que dans certaines zones, la température de surface est environ 1,85 °C plus basse que la moyenne historique pour cette même période (2013-2023).
• Causes possibles :
  • Présence de zones végétalisées ou zones humides, qui refroidissent le sol grâce à l’évapotranspiration.
  • Ombres portées (relief ou bâtiments).
  • Proximité de plans d’eau ou côtes (effet rafraîchissant).
  • Conditions météorologiques plus fraîches ou moins d’ensoleillement pendant certaines dates.

2. Anomalie maximale : +15,30 °C (zone la plus chaude par rapport à la moyenne)

• Cette anomalie positive élevée indique qu’une zone a une température de surface plus chaude d’environ 15,3 °C que la moyenne historique.
• C’est une anomalie très importante, suggérant un îlot de chaleur urbain marqué ou un effet localisé intense.
• Causes possibles :
  • Zones très urbanisées, avec beaucoup de béton, bitume, toits, parking, peu de végétation.
  • Sols secs et exposés au soleil.
  • Diminution significative de la végétation par rapport aux années précédentes.
  • Phénomènes exceptionnels (canicules, sécheresse).
  • Artefacts dans les données ou conditions atmosphériques particulières.

Implications générales

• Variabilité spatiale forte : Le contraste entre -1,85 °C et +15,3 °C montre que la surface terrestre à Dakar est très hétérogène en termes de température.
• Gestion urbaine : Ces anomalies élevées (jusqu’à +15 °C) indiquent la nécessité d’actions pour réduire les îlots de chaleur, par exemple en augmentant les espaces verts, en favorisant les matériaux réfléchissants, ou en améliorant la ventilation urbaine.
• Qualité des données : Une anomalie aussi élevée mérite aussi une vérification des données (images, masques nuages, traitements) pour s’assurer qu’il ne s’agit pas d’une erreur ou d’un artefact.

Discussion

L’importance des anomalies positives, notamment un pic à +15,30 °C, souligne un stress thermique élevé dans certaines parties de Dakar. Ces pics peuvent être accentués par des conditions météorologiques exceptionnelles (vagues de chaleur), ou par une urbanisation rapide non compensée par des espaces verts.

Il est également essentiel d’évaluer la qualité des données satellitaires pour exclure les erreurs liées aux nuages, à la couverture atmosphérique ou aux limites de résolution spatiale.

Conclusion

L’analyse des anomalies LST à Dakar entre avril et septembre 2024 révèle une forte hétérogénéité thermique, avec des zones plus fraîches liées à la végétation et des zones plus chaudes correspondant aux îlots de chaleur urbains. Ces résultats appellent à une gestion urbaine intégrée pour réduire les impacts négatifs des îlots de chaleur, notamment par le développement d’espaces verts et des matériaux réfléchissants.

Veux-tu que je t’aide à intégrer des graphiques ou cartes pour illustrer cet article ?