Caractérisation des déterminants environnementaux associés aux habitats des vecteurs du

2.3.2.1 Prétraitement des images satellitaires

Les données satellitaires que nous avons utilisées dans le cadre de ce mémoire sont les images Landsat 8 OLI / TIR (12 bandes), les images Sentinel 2 (13 bandes) et des données d’élévation GMTED 2010. Toutes ces images ont été découpées pour couvrir exactement notre zone d’étude. Puis, il nous a été donné d’inscrire l’ensemble des images découpées dans le même système de projection. Ainsi, toutes les images ont été projetées dans le référentiel cartographique officiel de notre zone d’étude : ellipsoïde WGS 84 en projection UTM zone 30 N.

2.3.2.2 Classification de l’occupation du sol et cartographie de la sensibilité du paludisme

2.3.2.2.1 Classification de l’occupation du sol de M’Bahiakro

À cause du caractère hétérogène et de la mixité des éléments qui occupent le sol de la ville de M’Bahiakro et ses environs, nous avons eu beaucoup de mal à obtenir une bonne séparabilité entre certaines classes d’occupation du sol. Ainsi, plusieurs méthodes de classification ont été testées pour retenir celle qui semble nous donner le résultat le plus proche de la réalité terrain. Toutes nos analyses de classification ont été réalisées dans le logiciel PCI Geomatica 10.5. La classification supervisée par maximum de vraisemblance, est la première méthode que nous avons eu à tester selon 15 classes d’occupation du sol à savoir : la forêt galerie, la forêt dégradée, l’agroforesterie, la broussaille, la savane arborée, la savane herbeuse, les rizières humides (irriguées) et les rizières ensablées, les milieux humides, les eaux de surface claire, les eaux de surface turbide, les sols nus, les routes non bitumées, les routes bitumées, le bâti. Ces classes ont par la suite été regroupées en 9 classes d’occupation du sol, inscrites dans le tableau 5. Les résultats de la méthode de classification supervisée par maximum de vraisemblance, malgré les opérations de post classification ne nous ont pas satisfaits. Car ils présentaient une confusion entre les milieux humides et la savane herbeuse, le bâti et les sols nus. Pour améliorer ces résultats, nous avons calculé l’indice de végétation normalisée (NDVI),l’indice de différentiation normalisée de l’eau (NDWI) et le NDBI (Normalized difference build index). Ces indices ont été

30

rajoutés à la classification précédente suivant la même méthode. À la suite de cela, nous avons pu constater une amélioration du résultat de la classification, les classes bâti et sols nus sont désormais bien séparées. Mais les milieux humides et la savane herbeuse avaient toujours le même problème de séparabilité. Il est important dans le cadre de notre analyse de différencier les milieux humides de la savane herbeuse, car ces deux environnements peuvent avoir un potentiel différent de développement des gîtes larvaires de moustiques responsables de la transmission du paludisme à l’être humain (Dambach et al. 2009). Face à cette difficulté, nous avons essayé d’ajouter à la classification de l’image optique Sentinel 2, une image radar Sentinel 1 qui couvre notre zone d’étude datant du 31/01 /2018. L’image radar, avant d’être utilisée ici, a préalablement été ortho-rectifiée et découpée selon notre zone d’étude. Malgré l’apport de l’image radar, qui avait pour but d’affiner certains détails de l’occupation du sol de M’Bahiakro sans se heurter aux contraintes atmosphériques, le résultat de la classification présentait encore une confusion entre les milieux humides et la savane herbeuse.

Dès lors pour avoir des résultats fiables de l’occupation du sol de la ville de M’Bahiakro et de ses environs, nous avons choisi d’opter pour une approche bien différente. En fait, nous avons décidé de nous fier à notre bonne connaissance de la zone d’étude. Ainsi, nous avons réalisé une classification semi-supervisée à partir des bandes rouge (B4), verte (B3), bleue (B2) et proche infrarouge (B8) à 10 m de résolution spatiale de l’image Sentinel 2. Une première classification non supervisée (K-mean) a été effectuée avec le logiciel PCI Géomatica qui nous a permis d’obtenir 16 classes d’occupation du sol. Ensuite une à une ces 16 classes ont été identifiées et reclassées en 9 classes (tableau 5) définies grâce à notre connaissance du terrain et de l’application Google Earth pro.

31

Table 5: Occupation du sol de la ville de M’Bahiakro et ses environs

Pour vérifier la précision du résultat de la classification semi-supervisée, 10 polygones par classe d’occupation du sol, donc 90 polygones au total, ont été générés sur notre image dans le logiciel ArcGis 10.6 puis exportés vers Google Earth pro. Cet échantillon nous a permis de confronter les résultats de notre image classifiée à la vérité du terrain. Ainsi chaque polygone de l’occupation du sol de M’Bahiakro et ses environs, provenant de notre image classifiée a fait l’objet d’une vérification minutieuse sur notre zone d’étude via Google Earth pro. À partir de cette opération, nous avons été à même de générer une matrice de confusion des classes. La matrice de confusion obtenue a été exportée dans le logiciel statistique IBM SPSS 2.0, pour calculer le coefficient Kappa de Cohen de notre classification. Le kappa de Cohen est un coefficient destiné à mesurer le degré de concordance entre deux variables qualitatives ayant les mêmes modalités (Santos, 2010). Ce coefficient se calcule selon l’équation 1 de Cohen (1960).

𝒌 =

𝟏−𝑷_𝒆 Équation (1)

𝒌 = Coefficient Kappa de Cohen

𝑷𝒂 = la proportion de concordance observée

𝒑𝒆 = la proportion théorique de concordance observée

Code de reclassification Type d’occupation du sol

1 Milieu humide 2 Eau de surface 3 Rizière irriguée 4 Bâti 5 Rizière ensablée 6 Sol nu 7 Forêt 8 Savane arborée 9 Savane herbeuse

32

Le coefficient du Kappa de Cohen est toujours compris entre -1 et 1 (accord maximal). Le barème contenu dans le tableau 6 est le plus souvent utilisé pour interpréter le coefficient obtenu.

Table 6: Grille de lecture du K de Cohen inspiré de Landis et Kock (1977)

VALEUR DU COEFFICIENT NIVEAU DE CONCORDANCE

< 0 Grand désaccord 0.00 – 0.20 Accord très faible 0.21 – 0.40 Accord faible 0.41 – 0.60 Accord moyen 0.61 – 0.80 Accord satisfaisant 0.81 – 1.00 Accord excellent

Dans notre cas, le coefficient Kappa obtenu est de 0,83 (83 %) avec une erreur standard de 0.042 (P<0,000) (tableau 7). Cela prouve qu’il existe une excellente concordance entre les classes d’occupation du sol de notre image classifiée et la réalité terrain de la ville de M’Bahiakro et de ses environs.

Table 7: Coefficient Kappa de Cohen

Coefficient Kappa Erreur standard Significativité Nombre de cas valide 0,838 0,042 0,000 90