c Analyse des données par ACP

1 ) Discrimination de l’occupation du sol

Les quatre premiers axes factoriels expliquent plus de 80% de la variabilité radiométrique observée entre les différentes classes d’occupation du sol (Figure 9). On détermine en général le nombre d’axes pertinents par la visualisation d’un « coude » dans le graphique. Ce coude se situe ici entre le quatrième et cinquième axe. Nous allons donc étudier les coordonnées des 36 variables radiométriques dans les quatre premières dimensions pour déterminer quelles sont les corrélations entre indices et où se situe l’information la plus pertinente. Notre objectif est de proposer une gamme réduite d’indices et de règles de classification qui puissent être réutilisées ultérieurement pour la réalisation d’autres cartes d’occupation du sol dans la région soudano-sahélienne.

IB NDVI NDWI SAVI_05

Indice de Brillance Normalized Difference Vegetation Index Normalized Difference Water Index Soil Adjusted Vegetation Index (0,5)

Liste des classes Puit1 Puit2 Fumier Eau Sol nu Maraîchage Jachère Niebe Mil Arachide Précisions Puits abandonnés Puits récents

Nb échantillons 10 8 13 7 12 25 40 11 40 40

Type

Céréales (cultures)

Occupation du sol Ponctuels

Tableau [6] : Liste des 19 classes retenues pour l'analyse

Tableau [5] : Liste des 36 variables potentiellement explicatives

Figure [9] : Eboulis des valeurs propres – ACP sur l’occupation du sol

1 E. Nicoloyanni - (1990). Un indice de changement diachronique appliqué à deux scènes Landsat M SS sur Athènes (Grèce).

International journal of remote sensing, 11(9). 1617-1623

2 J.W. Rouse - (1973). M onitoring the vernal advancement and retrogradation of natural vegetation. Type ii report. NASA/GSFCT,

Greenbelt, MD, USA

3 B. cai Gao - (1996). NDWI, a normalized difference water index for remote sensing of vegetation liquid water from space. Remote

sensing of environnement, 58(3). 256-266

Lorsqu’on observe la répartition des échantillons selon les dimensions 1 et 2 (Figure 10), on voit apparaître une discrimination des parcelles de maraîchage, de celles qui sont en jachère, du mil, du fumier, et des anciens puits (Puit1). Ces points sont bien groupés et distants des autres classes.

Au contraire, on voit apparaître un mélange entre les parcelles d’arachide, de niébé et de sol nu. La discrimination de ces classes sera sans doute plus difficile que pour les classes précédentes.

La disparité des points de la classe Eau est due au fait qu’au moment où a été acquise l’image satellite (janvier), les zones dépressionnaires décrites dans les relevés comme points d’eau sont asséchés. À ces endroits, soit les agriculteurs font pousser d’autres variétés (sorgho, bissap), soit des herbacées poussent de manière assez dense.

Pour la classe « Eau », on observe donc une confusion avec les zones de maraîchage et les jachères. Il a donc été décidé que la cartographie regrouperait les parcelles agricoles en jachère avec ces dépressions dans lesquelles pousse une végétation basse et assez dense.

Figure [10] : Répartition des classes dans les dimensions 1 et 2 – ACP sur l’occupation du sol

On peut voir que dans les dimensions 1 et 2 (Figure 11), beaucoup de variables radiométriques sont très fortement corrélées. Certaines de ces corrélations sont dues aux formules des indices (cf Tableau 5 page 30), qui font intervenir les moyennes de certaines bandes. De ce fait, il est normal que le NDWI (Normalized Differrence Water Index), dont le calcul fait intervenir la moyenne du canal vert, soit corrélé avec la variable « Ratio_vert ». Indépendamment des corrélations d'ordre mathématiques, on peut voir par exemple que le ratio de Bleu et le contraste du proche infra-rouge (BC_PIR) sont très négativement corrélés.

Figure [11] : Coordonnées des variables radiométriques dans les dimensions 1 et 2 – ACP sur l’occupation du sol

Grâce aux p-values associées aux variables, à leur représentation dans les quatre dimensions, et aux graphiques en boîte à moustache (Figure 12), on a pu établir la liste des indices les plus pertinents pour la discrimination de nos classes d’occupation du sol. Les graphiques sont présentés en Annexe 7.

Au terme de l’analyse, 11 indices ont été déterminés comme principalement

pertinents : IB, NDVI, NDWI, Mean_Bright, Mean_B, Mean_R, Mean_V, Mean_PIR, Mean_Pan, Ratio_B, Ratio_PIR et Ratio_V (cf Tableau 5 page 30). Lorsqu’une corrélation apparaissait, un Ratio ou une moyenne a été préférée à un indice de contraste de bordure (BC), à une moyenne sur la bordure externe (MoB) ou interne (MiB) car ces variables dépendent fortement de l’environnement du polygone et donc suppose d’obtenir une délimitation parfaite des entités à cartographier si on veut les utiliser dans des règles de classification.

2) Discrimination des espèces

Le Guiera s. apparaît sous deux formes, dense ou dispatché. Nous avons donc différencié ces deux modalités pour l’étude. On analyse par ACP 36 indices radiométriques pour différencier 9 types de végétation sur 110 échantillons.

On peut voir sur la Figure 13 que les deux premiers axes factoriels (dimensions 1 et 2) expliquent près de 70% de la variabilité inter-espèces.

Nous nous sommes donc concentrés sur ces deux dimensions pour évaluer quels indices permettaient de discriminer nos 9 espèces, l’objectif étant toujours de pouvoir proposer une gamme réduite d’indices réutilisables pour la cartographie de zones similaires. Figure [12] : Visualisation de l’effet discriminant des variables grâce aux graphiques en

boîte à moustache –ACP sur l’occupation du sol

Figure [13] : Eboulis des valeurs propres – ACP sur les espèces

De même que pour l’occupation du sol, certaines espèces apparaissent très bien discriminées. C’est le cas du guiera « éparse » (buissons peu denses). Des groupes d’espèces sont peu discriminés : l’acacia, le baobab et le balanites sont trois espèces peu feuillues ou caduques qui n’émettent pas beaucoup d’ondes (radiométriquement « sombres »). Au contraire, le Faidherbia a., le neem, le manguier et le tamarin sont des espèces au houppier plus développé, et émettent beaucoup plus dans les spectres rouge et infra-rouge

Grâce aux p-values associées aux indices dans les dimensions 1 et 2, à la Variable Factor Map pour les dimensions 1/2 et aux graphiques en boîte à moustache, on a pu établir la liste des indices les plus pertinents pour la discrimination de nos classes d’occupation. L’ensemble des sorties sont présentées en Annexe [10]. Au terme de l’analyse, 11 indices ont été déterminés comme principalement pertinents : IB, NDVI, NDWI, Mean_B, Mean_PIR, Mean_R, Mean_t7_contrast, Mean_V, R_PIR, R_R, R_V.