Skip to content KHARITA CHALLENGES LAUNCH đ Kharita Challenges is live â Solve real GIS challenges, build your skills, earn verifiable certifications, and showcase your work.
Explore Kharita Challenges Ă Kharita ۟۱ÙŰ·Ű© Kharita produces and exploits Moroccan geospatial data: an open catalogue, interactive maps and technical GIS writing â plus tailored work for public and private organisations.
Explore
Categories
Sources
© 2026 Kharita â data under open licences, indicated on each page.
Terms of use Privacy Made in Morocco · Ű”ÙŰč ÙÙ Ű§ÙÙ
Űș۱ۚ
Rita
Pertes annuelles du couvert arboré au Maroc : 25 COG Hansen de 2001 à 2025 | Kharita
La sĂ©rie Hansen localise une rupture du couvert vue par Landsat. Elle ne renseigne ni lâespĂšce, ni la cause, ni le statut juridique du terrain. Reda Abouakil, CC BY-SA 3.0, Wikimedia Commons
La collection en bref PropriĂ©tĂ© Valeur Produit source Hansen Global Forest Change 2025 v1.13 Producteurs UniversitĂ© du Maryland / Google / USGS / NASA Variable prĂ©sence annuelle dâune perte brute du couvert arborĂ© PĂ©riode 2001-01-01 au 2025-12-31 Cadence annuelle, sans annĂ©e manquante Nombre de COG 25 RĂ©solution nominale environ 30,92 m Grille Kharita 64 420 Ă 60 605 pixels, EPSG:4326 Type de pixel Byte, codes 0/1, NoData 255 Couverture Maroc complet dans une emprise nationale continue, rĂ©gions du Sud incluses Licence CC BY 4.0
Tous les fichiers partagent la mĂȘme projection, la mĂȘme transformation, les
mĂȘmes dimensions et le mĂȘme masque. Chaque COG utilise des blocs internes de
512 Ă 512, la compression DEFLATE et sept niveaux dâaperçus.
Ce que montre la sĂ©rie marocaine Lâanalyse Kharita parcourt les donnĂ©es Ă leur rĂ©solution native. Comme la
grille est en longitude-latitude, elle ne suppose pas quâun pixel reprĂ©sente
partout la mĂȘme surface : lâaire de chaque ligne est calculĂ©e sur lâellipsoĂŻde
WGS 84.
Sur lâensemble de la bande officielle, 2 834 321 pixels portent un code de
perte entre 2001 et 2025. Leur surface gĂ©odĂ©sique cumulĂ©e est dâenviron
1 805,9 kmÂČ , soit une moyenne de 72,2 kmÂČ par an .
AnnĂ©e Pixels dĂ©tectĂ©s Surface gĂ©odĂ©sique dĂ©rivĂ©e 2022 323 322 205,0 kmÂČ 2023 307 441 197,0 kmÂČ 2016 214 282 136,5 kmÂČ 2017 191 020 121,7 kmÂČ 2020 187 551 119,2 kmÂČ 2018 168 122 107,1 kmÂČ 2014 165 819 105,7 kmÂČ
Les années 2022 et 2023 présentent les surfaces détectées les plus élevées de
la série nationale. Cette observation ne suffit pas à conclure que les feux ou
les coupes ont été les plus importants pendant ces années : Hansen ne publie
pas la cause de chaque pixel et la méthode de détection a évolué au cours de
la série.
Le seuil forestier change le dénominateur La série annuelle contient tous les pixels de perte signalés par le produit.
Pour une étude forestiÚre, on applique souvent un seuil au couvert arboré de
2000. Le choix doit ĂȘtre annoncĂ©, car il modifie fortement la surface de
référence et le résultat :
Couvert arborĂ© minimal en 2000 Surface de rĂ©fĂ©rence Perte 2001â2025 Part de la rĂ©fĂ©rence 10 % 11 338 kmÂČ 747,3 kmÂČ 6,59 % 30 % 6 823 kmÂČ 629,1 kmÂČ 9,22 % 50 % 4 409 kmÂČ 484,1 kmÂČ 10,98 %
Ce sont des scénarios analytiques reproductibles, pas des statistiques
forestiÚres officielles du Maroc . Un seuil élevé peut notamment exclure une
partie des arganeraies ouvertes et des formations clairsemées.
Dans une arganeraie ouverte, la valeur de couvert arborĂ© peut rester faible malgrĂ© lâimportance Ă©cologique et Ă©conomique du systĂšme agroforestier. Elena Tatiana Chis, CC BY-SA 4.0, Wikimedia Commons
Utiliser la série dans QGIS
Afficher une année
Ajoutez le COG de lâannĂ©e souhaitĂ©e.
Choisissez Palettes / Valeurs uniques .
Rendez 0 transparent et 1 rouge.
Conservez le rééchantillonnage au plus proche voisin .
Utiliser le contrÎleur temporel Les dates sont détectables dans le suffixe annuel des noms de fichiers et sont
aussi inscrites dans les métadonnées de chaque COG. Dans QGIS :
ajoutez les 25 fichiers comme groupe de couches;
ouvrez les propriétés temporelles de chaque couche;
utilisez une Ă©tendue fixe allant du 1er janvier au 31 dĂ©cembre de lâannĂ©e;
activez le contrĂŽleur temporel et choisissez un pas dâun an;
exportez Ă©ventuellement lâanimation, en conservant la mĂȘme emprise et la
mĂȘme lĂ©gende pour tous les millĂ©simes.
Calculer une surface annuelle Ne comptez pas simplement les pixels puis ne les multipliez pas par
30 à 30 m en EPSG:4326. Utilisez une projection équivalente adaptée ou une
aire géodésique. Excluez NoData et annoncez le seuil de couvert 2000 utilisé
comme dénominateur.
Analyses utiles pour le Maroc
Comparer aux surfaces brĂ»lĂ©es Croiser un COG annuel Hansen avec les COG mensuels MCD64A1 permet dâidentifier
des coïncidences possibles avec un incendie. Les résolutions diffÚrent :
environ 30 m pour Hansen et 500 m pour MCD64A1. Une intersection ne démontre
donc pas automatiquement la cause.
Combiner Hansen et Esri pour suivre lâĂ©volution du territoire Hansen indique oĂč et pendant quelle annĂ©e une disparition du couvert arborĂ©
a été détectée . Il ne dit pas ce que le terrain est devenu ensuite. La série
annuelle Esri Impact Observatory Land Cover complĂšte cette lecture en
indiquant lâoccupation dominante du sol : arbres, cultures, zone bĂątie, eau,
sol nu, végétation inondée, broussailles, herbes ou neige et glace.
Le croisement des deux datasets permet, par exemple, de rechercher les pixels
oĂč Hansen dĂ©tecte une perte en 2022, puis de comparer la classe Esri avant et
aprÚs cette date. Un passage de « arbres » vers « cultures » peut signaler
une conversion agricole à examiner. Un passage vers « zone bùtie » peut
indiquer une artificialisation. Si la classe redevient « arbres » quelques
annĂ©es plus tard, il peut sâagir dâune rĂ©gĂ©nĂ©ration, dâune plantation ou dâune
variation de classification quâil faut confirmer avec des images satellites.
Une méthode simple consiste à :
choisir une année de perte Hansen;
sélectionner le millésime Esri précédant la perte et le millésime le plus
récent disponible aprÚs celle-ci;
harmoniser les projections, lâemprise et la taille des pixels en conservant
le rééchantillonnage au plus proche voisin pour les classes;
construire une matrice de transition, par exemple « arbres â cultures » ou
« arbres â bĂąti »;
vérifier les changements importants sur une image satellite et, si
possible, avec une observation de terrain.
Cette combinaison permet donc dâĂ©tudier lâĂ©volution de lâoccupation du sol
autour des pertes , mais elle ne prouve pas Ă elle seule leur cause. Les deux
produits ont des résolutions, des calendriers et des méthodes de classification
différents. Il ne faut notamment pas interpréter automatiquement tout pixel
Hansen perdu comme une déforestation permanente.
Mettre en contexte avec le climat CHIRPS, ERA5-Land, lâhumiditĂ© du sol et le Fire Weather Index permettent
dâexaminer les conditions prĂ©cĂ©dant une annĂ©e de perte. Ces croisements
dĂ©crivent un contexte climatique; ils ne remplacent pas une enquĂȘte sur la
cause locale.
Ce que la série ne permet pas de conclure
Une perte Hansen nâest pas automatiquement une dĂ©forestation permanente.
Le raster nâidentifie ni incendie, ni coupe, ni maladie, ni chantier.
Il ne fournit aucune espĂšce forestiĂšre.
Le couvert arborĂ© ne correspond pas automatiquement Ă la forĂȘt juridique.
Les plantations et les arbres hors forĂȘt peuvent ĂȘtre inclus.
La bande officielle de gain sâarrĂȘte en 2012; la collection annuelle ne
représente donc pas un bilan net actualisé.
Les années récentes et anciennes ne sont pas parfaitement homogÚnes : les
capteurs et modÚles ont évolué, notamment autour de 2011.
Une validation avec lâimagerie et les donnĂ©es locales reste indispensable
avant une décision de gestion ou une attribution de cause.
Sources et attribution Attribution des données : Hansen/UMD/Google/USGS/NASA, Global Forest Change
2025 v1.13, CC BY 4.0 . La dérivation Kharita sépare les codes annuels sans
interpolation et conserve le raster lossyear officiel comme source de
référence.
