DANS LE BASSIN VERSANT DE MEJERDA
4.4 Le régime mensuel moyen de l’évapotranspiration potentielle
5.1.1.2. Méthode de classification supervisée
La classification d’images satellites a pour objectif de produire des images thématiques, c’est-à-dire des images dont le contenu ne représente plus une mesure mais une interprétation et une catégorisation de la nature des objets associés aux pixels (Richard, 1993). En télédétection, la classification consiste à effectuer la correspondance entre les éléments matérialisés d’une scène de l’image généralement par leurs valeurs radiométriques (dans notre cas les valeurs des NDVI, et des classes connues a priori ou non par un utilisateur. La correspondance est réalisée par des fonctions discriminantes sous forme de règle de décision, telle que le “maximum de vraisemblance” des probabilités, ou des distances géométriques, cette forme existe sur logiciel ENVI qui nous a servi à la cartographie de l’occupation du sol.
Nombreux sont les travaux qui ont confirmé l’opportunité de l’analyse temporelle des profils de NDVI des images MODIS pour cartographier l’occupation du sol, tout en utilisant la méthode de classification supervisée par l’algorithme de maximum de vraisemblance (MLC). Cette classification est la plus utilisée. De plus elle répond par excellence aux objectifs de notre travail. Elle se base sur la probabilité qu’un pixel appartient à une classe particulière tout en utilisant « un algorithme automatisé qui détecte les pixels les
plus pures dans la zone d'étude » (Duchemin et al., 2006). Par ailleurs, elle prend en compte
la variabilité de classes en utilisant la matrice de confusion49. Dans ce travail, le MLC a été utilisé pour effectuer la classification de la couverture terrestre à partir des séries des profils du NDVI pour différentes dates permettant de distinguer les contrastes du paysage existant dans la région d’étude, complétés par des données des campagnes de terrain et les statistiques agricoles.
La classification supervisée est une des tâches de l’apprentissage supervisé, dont le but est de prédire une classe correcte sur des données futures. Les classes sont définies à partir des besoins de l’utilisateur et correspondent à des unités sémantiques de l’image, ce qui nécessite une étape d’apprentissage préalable à la classification. L’utilisateur, «identifie des échantillons assez homogènes de l’image qui sont représentatifs de différents types de classes
49La matrice de confusion permet d’évaluer la qualité statistique des noyaux (ROIs : classes occupation des sols) élaborés par le photo-interprète. L’objectif est de quantifier le nombre de pixels d’une classe de référence que l’on retrouve dans la même classe d’affectation (pixels bien classés). Les valeurs situées sur la diagonale de la matrice représentent les pixels bien classés (exprimés en valeur absolue ou en %). Différents indicateurs de précision sont proposés : précision globale, coefficient Kappa, matrice de confusion, erreurs d’excédents et de déficits, précision pour l’utilisateur et précision pour le réalisateur. (Lacombe Jean-Paul ., 2008)
126
d’information» (Richard, 1993). En effet, le principe de la désagrégation supervisée pour un
pixel appartenant à la zone d’apprentissage, a été décrit en détail, par Iskander Benhaj en 2008 selon la figure 52. À cet effet, chaque pixel des classes se « caractérise par son profil de NDVI moyen. Ce pixel est localisé sur la carte d’occupation du sol à haute résolution spatiale et sa composition (pourcentage de surface occupée par chacune des trois classes) est donc connue. Il reste alors à déterminer les profils de NDVI typiques de ces trois classes – les " signatures pures "– en résolvant, à chaque date d’observation, un système linéaire
d’équation ». Cela consiste à simplifier la radiométrie d’une image brute qui représente le
paysage, en formant des classes qui regroupent les pixels similaires. Le principe de cette méthode repose sur l’étude de l’évolution des séries du NDVI pour chaque pixel. On suppose que chacune des classes a un profil NDVI caractéristique qui permet de les différencier. Il a été constaté que cinq dates aléatoires entre décembre et juin donnaient de bons résultats (François P., 2002), de même que trois dates bien choisies (décembre, avril, juin). Et ce, pour éliminer le problème de discrimination pour ces différentes occupations des terres. Comme nous l’avons dit plus haut, nous pouvons distinguer quatre grandes classes :
- surfaces en eau (cours d’eau, lacs, barrages…) la répartition est stable d’une année sur l’autre ;
- sols nus et territoires artificialisés (mais inclus des jeunes plantations peu couvrantes et le tissu urbain). La répartition reste globalement stable d’une année sur l’autre ou bien elle peut gagner ou perdre du surface aux dépends des cultures annuelles ;
- plantations arborées, comme les sols nus, la répartition reste globalement stable d’une année à l’autre (forêts, pâturages naturels, arboricultures…) ;
- territoires agricoles (cultures annuelles : céréales, luzerne, maraichères et ou/ plant) plantions herbacées : jachères, prairies) dans la mesure où la localisation peut changer d’une année sur l’autre. La cartographie de ces cultures n’est donc valable que pour une année donnée. Pour les cultures annuelles, la méthode permet également d’identifier la position dans le temps du cycle de la culture (début, plein croissance, fin).
Ces classes sont établies à l’aide de la méthode de seuillage des séries NDVI qu’on peut différencier :
- seuil végétation est égal à la valeur 0,2 après discrimination entre sol nu et la végétation, - seuil arbre est égal à la valeur 0,45 après discrimination entre cultures annuelles et arbre.
127
Figure 52 : Principe de la méthode supervisée pour l’identification des signatures pures yj(t) des classes d’occupation du sol (Benhaj., 2008)
Avec
Yi(t) : indice de végétation NDVI du pixel mixte i ; πij : surface occupée par la classe j dans le pixel i ; yj(t) : signature pure NDVI attribuée à la classe j ; T : nombre d’observations des données BR. 5.1.1.3. Choix des parcelles types
Au point de départ, on a défini, sur les images satellites, des parcelles d’apprentissage qui sont des régions de l’image que l’on juge représentatives d’une certaine classe. Chaque parcelle est de taille 1km2, soit environ 16 pixels des images MODIS et 1100 pixels des images Landsat. À titre d’exemple, pour segmenter une image en secteur agricole, on a sélectionné un champ de fourrage pour réaliser l’apprentissage de la classe dite « fourrage ». Ce choix des régions d’apprentissage requiert beaucoup d’attention, car il se peut que malgré les corrections radiométriques et géométriques des images, deux paysages semblables aient des spectres de réflectance légèrement différents à cause d’une exposition différente au soleil. En outre, il ne suffit pas toujours de choisir une seule parcelle par classe.
128 Il s’avère qu’une classe comme celle de l’arboriculture contienne plusieurs types de paysages correspondant à divers types d’arbres (olivier, vigne, pommier...). Dans ce cas, il faut soit créer des sous-classes, ce qui rend compliqué de faire les calculs, soit définir au moins une région d’apprentissage par type de paysage. La figure 53 présente les parcelles types dans la région d’étude. Le choix des parcelles représentatives du bassin versant de la Mejerda s’est guidé par les causes suivantes :
-
le type du couvert végétal du sol (la végétation la plus représentative dans le BV de la Mejerda) et l’activité agricole c’est-à-dire l’existence de polycultures (cultures annuelles, jachères, arboricultures) ;-
la position géographique dans la région, nous avons essayé de localiser les parcelles pour mieux avoir une réparation spatiale équilibrée sur toute la région ;-
l’état de la surface du sol (humide ou non) et les types du sol identifies sur la carte des sols à échelle 1/200000 ;-
la possibilité de la proximité d’une station météorologique (en relation avec les valeurs de l’ETP et de L’ETM par la suite) ;-
la disponibilité des données de la pratique agricole pour garantir le suivi de la dynamique de la végétation et l’occupation utilisation des terres sur tout la période d’étude.Pour chaque parcelle on a fait de 3 à 5 photos (une photo panoramique et 4 photos de variété paysagère), une fiche d’observation de terrain et un croquis. Ce dernier recopie d’une manière générale les éléments du paysage (l’habitat, végétation naturelle, occupation des terres, aménagement…) de la parcelle type (figure 54). Il s’agit donc d’une lecture du paysage et un recensement des données utiles pour la cartographie de l’occupation du sol et l’identification des coefficients culturaux. À cet égard, nous avons réalisé 35 relevés répartis sur toute la zone d’étude : 3 secteurs de surfaces en eau, 4 secteurs pour les forêts, 9 secteurs sols nus et 17 secteurs de cultures annuelles et prairies.
129
Figure 1: Localisation des parcelles types
Figure 54: A gauche reconstitution de la parcelle type par les photos ; à droite exemple de croquis réalisé lors des campagnes de terrain (Nebeur, gouvernorat du Kef, mai 2010)
130 Dans le même ordre d’idée, on a repéré des secteurs homogènes représentatifs de chaque classe d’occupation du sol, sur toute la région d’étude, en fonction des campagnes de terrain qu’on a effectuées durant les saisons agricoles 2009-2010 et 2010-2011. La figure 55 relative aux signatures des différentes classes d’occupation du sol montre une relation étroite avec le comportement phénologique de chacune des classes d’intérêt. À titre d’exemple, la classe « des surfaces en eau » montre des valeurs négatives proches de zéro sur toute l’année (n’est pas représentée sur la figure). La classe « des sols nus » présente des valeurs d’environ 0.16 à 0,22 et la classe « des plantations arborées » montre des valeurs stables sur toute l’année en moyenne de 0.55. Enfin, les valeurs de la classe « cultures annuelles/prairies » sont marquées par une grande variabilité saisonnière, avec un minimum et un maximum pendant le début et la fin de la campagne agricole et un pic à la veille du mois d’avril.
Figure 55: Les moyennes des signatures des classes pour les différentes parcelles types de la période 2000-2011 (les zones d’échantillonnage : sols nus à Haîdra, cultures annuelles à Kalaât
Landalous et plantations arborées à El-Feîja)
Du reste, nous avons réalisé deux transects ouest-est et Nord-Sud pour le suivi de la dynamique et l’évolution du couvert végétal via la série des NDVI. Ici, notre objectif est de retracer la signature des différentes classes de l’occupation des terres dans la région. Sur la figure 56 le transect (A) qui suit le cours d’eau de l’Oued Mejerda, à l’exception du secteur du barrage Sidi Salem, se distingue par des valeurs allant de 0,4 à 0,6. Ce transect est dominé par les cultures annuelles et des prairies. En revanche à son début le transect Nord-Sud se caractérise par des valeurs situées entre l’intervalle 0,4 et 0,7 mais à partir des monts du Kef il manifeste une chute brutale pour atteindre des valeurs alentour de 0,2. Ceci, indique le passage d’un couvert végétal dense au nord à un sol nu au sud. Ces tracés nous renseignent sur la nature de l’occupation du sol et la formation végétale. Par la suite, ils serviront à la validation de la cartographie de l’occupation du sol dans le BV de la Mejerda.
131
Figure 56: [A] image des NDVI et [B] Transepts des valeurs moyennes annuelles des NDVI sur le B.V de la Mejerda de la période 2000-2011