vallée

**UNOSAT code: FL20241022SEN** Cette carte illustre l'étendue des eaux d'inondations détectées par satellite en utilisant une image optique Sentinel-2 acquise le 20 octobre 2024 dans les départements de Matam et Kanel, Région de Matam. Dans la zone analysée d'environ 2,700 km², un total d'environ 500 km² de terres semblent être inondées. D'après les données démographique de Worldpop et les eaux d'inondations détectées par imagerie satellite, environ 45,000 personnes sont potentiellement exposées ou vivent à proximité de zones inondées. D'après les prévisions de débit du 24 octobre 2024 provenant de l'ECMWF à la station hydrométrique Senegal A Matam le long du fleuve Sénégal, le débit moyen actuel a tendance à diminuer au cours des 10 prochains jours. Prière de bien vouloir noter que ceci est une analyse préliminaire qui n'a pas été validée sur le terrain. Merci d'envoyer vos commentaires au Centre Satellitaire des Nations Unies (UNOSAT).

**UNOSAT code: FL20241022SEN** Cette carte illustre l'étendue des eaux d'inondations détectées par satellite en utilisant une image optique Sentinel-2 acquise le 25 octobre 2024 dans les départements de Matam et Kanel, Région de Matam. Dans la zone analysée d'environ 2,700 km², un total d'environ 570 km² de terres semblent être inondées. Les eaux d'inondations semblent avoiur augmenté d'environ 70 km² depuis la dernière analyse du 20 octobre 2024. D'après les données démographique de Worldpop et les eaux d'inondations détectées par imagerie satellite, environ 50,000 personnes sont potentiellement exposées ou vivent à proximité de zones inondées. Prière de bien vouloir noter que ceci est une analyse préliminaire qui n'a pas été validée sur le terrain. Merci d'envoyer vos commentaires au Centre Satellitaire des Nations Unies (UNOSAT).

The layer indicates the quality (in percentage %) of the original classifier and whether a pixel was re-classified during post-processing. The data is provided in near real time from January 2015 to 2022. **Data publication:** 2021-01-01 **Supplemental Information:** No data value: 255 Unit: % Scale Factor : 0.1 Map code : L3-QUAL-LCC-S **Citation:** FAO 2018. WaPOR Database Methodology: Level 3. Remote Sensing for Water Productivity Technical Report: Methodology Series. Rome, FAO. 72 pages. Licence: CC-BY-4.0 **Contact points:** Resource Contact: [WaPOR](mailto:wapor@fao.org) Metadata Contact: [WaPOR](mailto:wapor@fao.org) **Data lineage:** A combination of factors influences the accuracy of the classification across a land cover classification map. All land cover maps contain a fraction of falsely classified pixels. At level 3, the land cover classification quality layer combines the result of the machine learning classifier quality output, with flags that indicate when pixels were reclassified during post-processing: - a flag value of 240 indicates that a pixel was reclassified using a fixed mask (used in isolated cases). - a flag value of 241 indicates that a pixel was reclassified during post-processing. Pixel values represent the accuracy of the classification expressed in percentage (%). A quality value close to 100 represents more certainty regarding the classification, whilst pixel values close to 0 indicate pixels for which the classification is less accurate. **Resource constraints:** Creative Commons Attribution 4.0 International (CC-BY-4.0) **Online resources:** Download the data from Google Cloud Storage

This land cover dataset at sub-national scale (Level 3) shows a detailed classification with information on the the crops representing at least 10% of the area. It is published on a dekadal basis. The data is provided in near real time from January 2015 to 2022. **Data publication:** 2021-01-01 **Supplemental Information:** No data value: 255 Unit: class Scale Factor : 0.1 Map code : L3-LCC-D **Citation:** FAO 2018. WaPOR Database Methodology: Level 3. Remote Sensing for Water Productivity Technical Report: Methodology Series. Rome, FAO. 72 pages. Licence: CC-BY-4.0 **Contact points:** Resource Contact: [WaPOR](mailto:wapor@fao.org) Metadata Contact: [WaPOR](mailto:wapor@fao.org) **Data lineage:** A supervised classification methodology is applied to assign a specific class to each pixel of the image. Training data consist of seasonal and long term metrics derived from dekadal NDVI time series, phenology and spectral reflectance data combined with reference data denoting the exact location of each of the classes specified in the table below. Data component developed through collaboration with the FRAME Consortium. More information can be found at: http://www.fao.org/in-action/remote-sensing-for-water-productivity/en/ Classes: Class Caption 11 Vegetables 12 Fallow 17 Wetland 19 Water 20 Rice 21 Mixed crops 30 Non vegetation (reclass) 72 Spontaneously re-vegetated surfaces 111 Irrigated vegetables 120 Irrigated rice 121 Irrigated mixed crops 165 Irrigated market gardens 25 no data **Resource constraints:** Creative Commons Attribution 4.0 International (CC-BY-4.0) **Online resources:** Download the data from Google Cloud Storage

uav imagery by GIS, acquired 2026-01-08 to 2026-01-08, 5.5 cm per pixel, published on OpenAerialMap.

uav imagery by Bard College, acquired 2025-12-09 to 2025-12-09, 6.6 cm per pixel, published on OpenAerialMap.