Exécuter un ordinateur portable

Maintenant que vous avez appris à ouvrir et à fermer les blocs-notes, cette section vous apprendra comment exécuter une analyse à l’aide de l’un des blocs-notes Jupyter existants.

Aperçu

Jupyter est un environnement de codage interactif compatible avec le langage de programmation Python. Digital Earth Africa est basé sur une bibliothèque Python appelée Open Data Cube, donc le Sandbox contient des notebooks basés sur Python.

Il est utile, mais pas obligatoire, d’être familier avec la programmation Python. Plus de détails sur Python peuvent être trouvés dans Session supplémentaire : Les bases de Python, qui est un module optionnel qui fournit un plus grand contexte dans les commandes Python communes utilisées dans la plateforme Digital Earth Africa. Il est recommandé de suivre d’abord les étapes ci-dessous pour configurer un dossier dans l’environnement Sandbox avant de compléter le module Python basics.

Vidéo: Travailler avec des blocs-notes

Cette vidéo donne un aperçu du bloc-notes avec lequel nous allons travailler. Regardez la vidéo, puis suivez les instructions écrites ci-dessous pour terminer l’exercice.

Exercice: Exécutez le bloc-notes Crop Health

Cette activité montrera comment exécuter l’un des blocs-notes Digital Earth Africa Sandbox. Le cahier est un exemple concret montrant comment mesurer la santé des cultures. Suivez les instructions ci-dessous pour exécuter le notebook.

Créer une copie du cahier

L’Environnement de test est livré avec un grand nombre de carnets existants, que vous pouvez utiliser comme matériel de référence. Pour les conserver dans leur format d’origine, nous vous recommandons de faire une copie d’un carnet lorsque vous souhaitez l’utiliser. Pour le reste de ce matériel de formation, nous vous demanderons de faire des copies des carnets et de les stocker dans un nouveau dossier Training. Suivez les instructions ci-dessous pour configurer ce dossier et ajouter une copie du carnet de notes pour cette session.

  1. Cliquez sur l’icône Dossier dans le chemin du dossier pour vous assurer que vous êtes dans le dossier Home.

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

  1. Cliquez sur l’icône Nouveau dossier et nommez le nouveau dossier Training. Appuyez sur Entrée pour terminer la création du dossier.

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

The next step is to identify and copy the notebook you want to work on. For this exercise, this will be the Crop_health.ipynb notebook, which is in the Real_world_examples folder. Follow the steps below to copy it.

  1. Double-click the Real_world_examples folder to open it. The Crop_health.ipynb notebook is selected in the image below.

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

  1. Ensuite, faites un clic droit sur le carnet et cliquez sur Duplicate pour créer une copie. Par défaut, celle-ci s’appellera Crop_health-Copy1.ipynb.

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

  1. Cliquez et faites glisser Crop_health-Copy1.ipynb sur l’icône Dossier pour le déplacer vers le dossier Home.

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

  1. Retournez dans le dossier Home en cliquant sur l’icône Training. Vous devriez voir le cahier Crop_health-Copy1.ipynb. Cliquez et faites glisser ce fichier vers le dossier Training que vous avez créé.

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

  1. Double-cliquez sur le dossier Training. Cliquez avec le bouton droit de la souris sur le bloc-notes copié et cliquez sur Rename. Renommez le carnet en Crop_health.ipynb.

L'image du tutoriel Jupyterlab de DE Africa Sandbox. L'image du tutoriel Jupyterlab de DE Africa Sandbox.

Vous pouvez maintenant exécuter ce bloc-notes et y apporter des modifications.

Démarrer le notebook

Les ordinateurs portables sur le bac à sable sont pré-exécutés. Il est recommandé de redémarrer et d’effacer le notebook avant de l’exécuter.

  1. Double-cliquez sur le cahier Crop_health.ipynb que vous avez copié pour l’ouvrir.

  2. Dans le menu principal, cliquez sur Kernel -> Restart Kernel and Clear All Outputs. Lorsqu’on vous demande si vous voulez redémarrer le noyau, cliquez sur Restart.

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

  1. Lisez les sections Contexte et Description pour en savoir plus sur le carnet de notes.

Chargement des packages et des fonctions

Ce notebook utilise des packages et des fonctions Python pour effectuer l’analyse. Ceux-ci sont contenus dans la première cellule de code, qui ressemble à:

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

Pour charger les packages et fonctions nécessaires:

  1. Dans le cahier Crop_health.ipynb, cliquez sur la cellule de code qui correspond à celle ci-dessus.

  2. Appuyez sur Maj + Entrée sur votre clavier pour exécuter la cellule.

  3. Lorsque la cellule a fini de fonctionner, l’icône [ ] à gauche de la cellule doit se transformer en [ ], comme indiqué ci-dessous. Cela indique que la cellule a fini de fonctionner. Le chiffre 1 indique qu’il s’agit de la première cellule exécutée dans le carnet.

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

Choisissez un site d’étude

Next, we have to provide the area of interest using latitude, longitude, and a buffer, which describes how many square degrees to load around the set latitude and longitude values. We also set a date. Data from two years up to this date will be loaded.

For now, keep the values that have been set. The notebook will turn this into a bounding box, which will be used to load the data.

  1. Cliquez sur la cellule correspondant à l’image ci-dessous dans le carnet.

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

  1. Appuyez sur Maj + Entrée sur votre clavier pour exécuter la cellule.

  2. Lorsque la cellule a fini de fonctionner, l’icône [ ] à gauche de la cellule doit se transformer en [2].

Chargement des données

Ce cahier utilise une fonction spéciale appelée load_crophealth_data pour charger les données requises. Plus tard dans ce cours de formation, vous apprendrez à écrire vos propres commandes de chargement de données.

La cellule contenant cette fonction est montrée dans l’image ci-dessous:

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

La fonction load_crophealth_data passe par un certain nombre d’étapes. Elle identifie les données Sentinel-2 disponibles au cours des deux dernières années, puis masque les pixels de mauvaise qualité tels que les nuages et l’ombre des nuages. Après l’étape de masquage, la fonction ne conserve que les images dont plus de la moitié des pixels sont de bonne qualité. Enfin, elle calcule l’indice de végétation par différence normalisée (NDVI) et renvoie les données. Les données retournées sont stockées dans l’objet dataset.

Pour exécuter la cellule:

  1. Cliquez sur la cellule correspondant à l’image ci-dessus dans le cahier.

  2. Appuyez sur Maj + Entrée sur votre clavier pour exécuter la cellule. Les résultats devraient commencer à apparaître sous la cellule.

  3. Lorsque la cellule a fini de fonctionner, l’icône [ ] à gauche de la cellule doit se transformer en [3].

Lorsque la cellule est en cours d’exécution, vous devriez voir des sorties décrivant les actions de la fonction. La sortie est affichée dans l’image ci-dessous:

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

Dans ce cas, la fonction a identifié 145 observations sur les 2 dernières années, puis en a conservé et chargé 100 qui répondaient aux exigences de qualité.

Exécutez l’application Crop Health

Après avoir chargé les données, vous pouvez visualiser la santé de divers champs en utilisant la fonction run_crophealth_app. Il s’agit d’une fonction spéciale pour ce bloc-notes, qui prend le « jeu de données » que vous avez chargé, ainsi que les paramètres de latitude, de longitude et de tampon qui définissent la zone d’intérêt. Elle lance ensuite une application interactive que vous pouvez utiliser pour mesurer le NDVI moyen dans différents champs.

La cellule contenant cette fonction est montrée dans l’image ci-dessous:

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

  1. Cliquez sur la cellule correspondant à l’image ci-dessus dans le cahier.

  2. Appuyez sur Maj + Entrée sur votre clavier pour exécuter la cellule. Une application interactive devrait apparaître, comme le montre l’image ci-dessous :

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

  1. Le côté gauche de l’application contient une carte, qui vous permettra de dessiner un polygone autour d’un champ d’intérêt. Cliquez sur l’icône Polygone, puis cliquez sur des points de la carte pour délimiter une zone, comme illustré ci-dessous :

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

Note

La carte de cette application montre une carte de base ESRI dont la résolution est supérieure à celle des données Sentinel-2 utilisées pour calculer l’indice NDVI. L’objectif de cette carte est de vous guider dans le tracé des limites du champ.

  1. Cliquez sur le premier point du polygone pour terminer la sélection de la zone. L’application calculera ensuite le NDVI moyen pour cette zone et l’affichera sur le côté droit de l’application, comme indiqué ci-dessous:

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

Les cycles du graphique sont probablement liés à des événements de croissance et de récolte.

  1. Il est possible de dessiner plusieurs polygones et de comparer l’indice de végétation dans le temps de différents champs. Cliquez sur l’icône Polygone pour dessiner un deuxième polygone :

L'image du tutoriel Jupyterlab de DE Africa Sandbox.

Conclusion

Toutes nos félicitations! Vous avez terminé la première session de cette formation! Vous savez maintenant comment ouvrir et fermer des blocs-notes, faire des copies de blocs-notes et les exécuter.

Activité optionnelle

Si vous souhaitez réexécuter ce cahier en utilisant un autre centre d’intérêt, suivez les étapes suivantes :

  1. Redémarrez le notebook et effacez toutes les sorties.

  2. Exécutez la cellule qui importe les packages et les fonctions.

  3. Modifiez les valeurs de latitude, de longitude et de tampon dans la deuxième cellule de code. Vous pouvez utiliser les valeurs suggérées au-dessus de la cellule ou fournir les vôtres. Ensuite, exécutez la cellule.

Note

Si vous comptez utiliser votre propre zone d’intérêt, assurez-vous que les données sont disponibles en consultant le Sandbox Metadata Explorer pour Sentinel-2 à l’adresse https://explorer.digitalearth.africa/s2_l2a. Vous devrez également vous assurer que vous fournissez des valeurs de latitude et de longitude (plutôt que des valeurs d’est et de nord).

  1. Exécutez le reste du carnet de notes comme décrit dans le tutoriel, en dessinant les zones d’intérêt à l’aide de l’icône Polygone sur la carte. Avez-vous appris quelque chose d’intéressant sur les champs de votre zone d’intérêt ?

  1. Examinez la session supplémentaire optionnelle Les bases de Python avant de passer à la session 2. Si vous êtes novice en Python, elle peut vous être utile pour le contexte et la référence. Si vous avez une expérience préalable de Python, elle permet de revoir les principaux concepts utilisés dans le cours de formation de Digital Earth Africa.