Méthodes de l’évolution spatio-temporelle des paysages

Dans notre étude, la structure des paysages et l’évolution spatio-temporelle des paysages ont été identifiées en appliquant une méthode de l’analyse du SIG et les données de la télédétection (images satellites Landsat en particulier). Les cartes paysagères ont été produites à partir de la classification des images Landsat de 1973, 1989, 1994, 2000, 2004, 2009 et 2013 sur Erdas Imagine 2014. La vectorisation, la correction et l’analyse statistique des attributs des classes paysagères ont été faites sur Mapinfo 11.5 et ArcGIS 10.3.

Page | 142 L’identification du changement des paysages a été mise en œuvre sur Idrisi 17 et sur ArcGIS 10.3. La chaine du traitement des données est présentée dans la Figure 4.4.

Le pré-traitement des images Landsat (la composition des canaux, le géoréférencement, la correction géométrique, le coupage des images selon la zone d’étude)

La procédure du prétraitement des images satellites avant la détection du changement est extrêmement nécessaire visant à un unique objectif d'établir une affiliation entre les données acquises et les phénomènes biophysiques (Coppin, Jonckheere, Nackaerts, Muys, & Lambin, 2004).

D’abord, les compositions en fausse couleurs (les canaux 3, 2, 1 pour Landsat MSS ; 4, 3, 2 pour Landsat TM ; et 5, 4, 3 pour Landsat 8 OLI) ont été faites dans l’Erdas 2014 pour obtenir des images Landsat dans une étendu complète.

Afin de préparer les images satellites multitemporelles pour la détection et l'analyse précise des changements, les images Landsat ont été prétraitées en utilisant des procédures standard, y compris le géoréférencement et la correction géométrique. Les corrections radiométriques et atmosphériques n’ont pas été faites en raison de la faible superficie traitée et de la méthode de traitement adoptée.

Figure 4.3. Géoréférence et correction géométrique de l’image Landsat TM de 1989 Toutes les images Landsat téléchargées de l’USGS ont été enregistrées aux coordonnées Universal Transverse Mercator, zone 48N, datum WGS84. Les images Landsat de 1973, 1994, 2000, 2004, 2009 et 2013 concordent les unes avec les autres en terme de la géoréférencement et de la correction géométrique à l’exception de l’image Landsat de 1989 qui’il y a des distorsions entre elle et les autres (Figure 4.3). Il est nécessaire de faire une procédure de la géoréférence et de la correction géométrique pour corriger les distorsions. Cette procédure de rectification a été faite en utilisant la fonction d’enregistrement automatique sur le module Georéférencement dans l’ARGIS 10.2. Cette nouvelle fonction nous permet de géoréférencer automatiquement notre jeu de données raster à un jeu de données raster référencé. Les liens automatiques étant basés sur les signatures spectrales, il est destiné à l'imagerie aérienne et satellite, qui est de même nature. Dans notre cas, l’image Landsat de 1994 a été utilisée comme l’image référencée.

Page | 143

Page | 144 Par la suite, l’image Landsat en 1989 a été enregistrée et corrigé selon le géoréférencement de l'image Landsat déjà enregistré en 1994 grâce aux techniques d'enregistrement automatique avec erreur de rectification de moins de 0,5 pixels.

Après cette étape, toutes les images composites en fausse couleur de 1973, 1989, 1994, 2000, 2004, 2009 et 2013 ont été découpées selon la limite de la zone d’étude. En conséquence, nous avons obtenu les images comme le montre la Figure 4.1. Ces images ont ensuite été traitées pour avoir les cartes des paysages pour les années correspondantes.

L’identification et la définition du régime des types du paysage

Tableau 4.3. Catégorisation des types d’occupation/utilisation du sol

Niveau 1 Niveau 2 Description Couleur

RGB

Surface artificielles

Zone urbaine Les zones d'utilisation du sol sont situées dans les villes, les communes urbaines, structurées par des bâtiments. Les bâtiments, la voirie et les surfaces artificiellement recouvertes occupent la quasi-totalité du sol

Zone rurale Les zones d'utilisation du sol sont situées dans les villages, les communes rurales, avec une grande partie de ces surfaces couvertes par des structures

Zone industrielle

Zones bâties et recouvertes artificiellement (zones cimentées, goudronnées, asphaltées ou stabilisées : terre battue, par exemple). Ces zones peuvent comprendre aussi de la végétation ou d’autres surfaces non imperméabilisées. Elles servent à une utilisation industrielle

Zone minières Extraction à ciel ouvert de matériaux de construction (sablières, carrières, charbonnières) ou d'autres matériaux

Surface agricole

Terre agricole Surfaces aménagées pour la culture du riz et des légumes. Terrains plats avec canaux d'irrigation. Surfaces régulièrement recouvertes d'eau. Surface

forestière

Forêt de feuillus humides

tropicales

Formations végétales principalement constituées par des arbres, mais aussi par des buissons et arbustes en sous-étage, où dominent les espèces forestières feuillues. Ce type du paysage se constitue des forêts naturelles, des forêts modifiées et des forêts plantées Mangroves Forêts humides tropicales se développant dans les

vasières sur les côtes basses. Végétation

arbustive et/ou herbacée

Formations végétales basses, composées

principalement de buissons, d'arbustes et de plantes herbacées

Surface en eau

Surface en eau Étendues d'eau, naturelles ou artificielles, couvertes d’eau stagnante la plus grande partie de l’année. Principalement les réservoirs, les ruisseaux, les rivières, les étangs et la mer

Sol nu Sol nu Surfaces sans végétation ou à végétation clairsemée

Pour réaliser l’analyse des changements du paysage, il faut classifier les images découpées selon la zone d’étude en classes d’occupation/utilisation du sol de façon

Page | 145 cohérente pour tous les images utilisées. Donc, il est nécessaire d’abord de déterminer les classes thématiques qu’on souhaite extraire. Les classes choisies doivent être bien discriminées entre elles et être communes pour toutes les images utilisées. Dans notre étude, la catégorisation des types d’occupation/utilisation du sol a été construit en étant basée sur la modification le système de la classification d’occupation/utilisation du sol proposée par Anderson (1976) et le système de la classification des types d'usage du sol du Vietnam développé par le Ministère des Ressources naturelles et de l'Environnement (2014). En conséquence, nous avons choisi 10 classes d’occupation/utilisation du sol, leurs caractéristiques sont présenté dans le Tableau 4.3.

Le traitement des données Landsat

En utilisant des images Landsat ayant à résolution spatiale moyenne, les pixels mixtes sont un problème commun (Lu & Weng, 2005). En raison de la similarité entre les paires des classes “Mangrove – Forêt”, “Sol nu – Zone industrielle”, “Sol nu – mines” et “Urbain – rural” sur les images Landsat, nous avons choisi tout d'abord six types d’occupation du sol qui sont bien discriminées, pour la première classification, y compris surface en eau, bâtis, terre agricole, forêt, végétation arbustive et/ou herbacée, et sol nu.

Figure 4.5. Similarité entre les mangroves et les forêts, les sols nus et les zones industrielles, les zones urbaines et les zones rurales, les sols nus et les mines sur l’image

Landsat de 2009

La classification et l'interprétation des images satellitaires ont été réalisées sur Erdas Imagine 2014. En utilisant des images de référence (par exemple SPOT 3 en 1994, SPOT 5 XPS en 2010), les cartes d'utilisation du sol (en 2000, 2005 et 2010), les cartes

Page | 146 topographiques (en 1975 1976, 1992, 2000 et 2005), et Google Maps, nous avons choisi au moins 25 sites pour chaque classe, il s’agit plus de 175 sites comme signatures ont été recueillies pour chaque image Landsat afin d’obtenir une grande précision de la classification comme suggéré par Chen and Stow (2002). Ces échantillons d'apprentissage ont été sélectionnés en délimitant des polygones autour des sites représentatifs. Les signatures spectrales pour les types d’occupation/utilisation du sol respectives dérivées de l'imagerie Landsat ont été enregistrées en utilisant les pixels entourés par ces polygones. Ces signatures ont ensuite été utilisés dans une méthode de la classification supervisée.

L’algorithme du maximum de vraisemblance a été employé pour chaque image. Cette méthode de classification est sensible aux variations de la qualité des données d'apprentissage utilisées pour l'analyse des images d'autant plus que d'autres techniques de la classification supervisée.

Pour améliorer la précision et réduire des mauvaises classifications, la classification des postes a donc été utilisée pour la simplicité et l'efficacité de la méthode (Harris & Ventura, 1995). Toutes les images classées ont été d’abord confrontées à l’algorithme de filtre de majorité pour nettoyer les pixels isolés, et ensuite ont été transformées en forme vectorielle. Les six classes d’occupation du sol et d’utilisation du sol ont encore été reclassés en dix classes en utilisant des données auxiliaires, y compris les enquêtes sur le terrain, des cartes d'utilisation du sol (en 2000, 2005 et 2009), des cartes topographiques (en 1975, 1976, 1992, 2000 et 2005), des images SPOT (SPOT 3 en 1996 et SPOT 5 XPS en 2009), le Google Maps, et le Modèle Numérique de Terrain (MNT) 30m récupéré du Ministère de l'Économie, du Commerce et de l'Industrie (METI) du Japon et de la Administration Nationale de l’Espace et l’Aeronautiques des États-Unis (NASA). Les bâtis ont été divisés en zones rurales et zones urbaines sur la base de la limite administrative officielle des quartiers urbains et des communes rurales. Les zones industrielles ont été déterminée sur la base de l'analyse des documents et des cartes historiques. Généralement, les zones industrielles ont été récupérées des sols nus. Les mangroves ont été récupérés de la forêt et des végétations arbustives en fonction de son emplacement avec la mer et l’estran. Les forêts de feuillus ont été récupérées de zones forestières. Les zones d’extraction des matériaux (mines) ont été retirées des sols nus.

Après la phase de reclassement, toutes les cartes classées sous formes vectorielles ont été en outre l’objet d’une procédure de correction pour corriger des pixels erronés dans la phase de la classification. Cette procédure a été principalement basée sur des données auxiliaires, le MNT 30m et l’interprétation visuelle.

La phase de reclassement et de correction a été réalisée dans un format vectoriel en éditant, en attribuant, en changeant le nom et le codes de polygones. La partie inférieure de la zone d'étude liée à la mer pour 1973 n’est pas disponible sur l’image Landsat. Waltham (1998) a affirmé qu'il n'y a pas de menaces apparentes à des valeurs géomorphologiques de la baie d'Ha Long, les îles de calcaire dans la baie ont été protégées des carrières. Aucune recherche a révélé le changement de cette zone dans la période 1973-2013. Pour cette raison, le résultat de la classification de la partie de la mer inférieure de l’image Landsat de 2013 a été utilisé pour toutes les autres images classées (par exemple : Figure 4.6).

Page | 147 Figure 4.6. Cartes du paysage de 2009 avant (a) et après le reclassement et la correction

(b)

L’évaluation de la qualité de la classification

Une classification n’est pas complète jusqu'à ce que sa précision soit évaluée (Lillesand, Kiefer, & Chipman, 2014; Richards & Richards, 1999). Cela est dû au fait que, les cartes d’occupation du sol dérivées de l'imagerie de la télédétection contiennent toujours des erreurs en raison de plusieurs facteurs qui vont de la technique de la classification ou de la méthode de capture des données par satellite. Donc, il est essentiel de procéder à l'évaluation de la précision de la classification individuelle pour savoir si les données de la classification sont utiles pour la détection de l'analyse du changement (Congalton & Green, 2008; Foody, 2002).

Une matrice de confusion est une pratique courante utilisée pour l'évaluation de la précision de la classification des images satellites. Cette matrice compare les informations obtenues par les sites de référence à celle fournie par image classée pour un certain nombre de zones d'échantillonnage. Par conséquent, la précision globale, les exactitudes de la production et d'utilisation, et l’indice Kappa ont été calculées à partir de la matrice d'erreur (Congalton & Green, 2008). Le coefficient Kappa exprime la réduction proportionnelle de l'erreur générée par un processus de classement par rapport à l'erreur de classification complètement aléatoire. Le Kappa compte pour tous les éléments de la matrice de confusion et exclut l'accord qui se produit par hasard. Par conséquent, il permet une évaluation plus rigoureuse de la précision de la classification. Le coefficient Kappa qui varie de 0 à 1, a été calculé selon la formule donnée par Congalton et Green (2008) :

Page | 148 Dont :

r : nombre de lignes

N : nombre total d’observations

Xii : nombre d’observations dans ligne i colonne i

Xi+ : le total marginal de la ligne i (à droite de la matrice) X+i : le total marginal de la colonne i (en bas de la matrice)

Figure 4.7. Exemple de l’échantillon pour évaluer la qualité de la classification pour 2009

Les évaluations de précision ont été effectuées pour des images classées de 1973, 1989, 1994, 2000, 2004, 2009 et 2013. Sauf la classe industrielle qui n’est pas assez large, un minimum d'environ 50 points aléatoires ont été générées par classe en utilisant l'approche d'échantillonnage aléatoire stratifié pour assurer l'évaluation de la précision efficace

Page | 149 (Congalton & Green, 2008) (voir la Figure 4.7 pour un exemple)10. La classe de référence correspondante pour chaque type d’occupation/utilisation du sol a été collectée à partir de différentes sources de données, y compris les données de l’enquête de terrain, des cartes topographiques historiques, le Google Maps, des images SPOT et des cartes d'utilisation du sol publiées par les autorités. Ces données ont été utilisés pour recueillir des échantillons de référence et pour établir des points de référence des classes confuses.

Tableau 4.4. Précision globale et l’indice Kappa de la classification des images satellites

1973 1989 1994 2000 2004 2009 2013

Précision totale (%) 89 87 89 92 89 91 92

Indice Kappa 0,87 0,85 0,88 0,91 0,88 0,90 0,91

En résultat11, la précision globale pour les sept années de référence varie de 87% (1989) à 92% (2013) avec l'indice Kappa allant de 0,85 (1989) à 0,91 (2013) (Tableau 4.4). Les résultats de l’indice Kappa montrent un niveau d'accord élevé pour chacune des sept images classées. Ces valeurs ont satisfait au seuil de précision proposé par Janssen and van der Wel (1994). Donc, les cartes classées des types d’occupation/utilisation du sol peuvent être utilisées pour les analyses du changement des paysages.

L’analyse des changements des paysages

Les cartes classées ont été converties au format raster avec la résolution de 30x30 m et ont été effectuées les comparaisons de pixels à pixels pour détecter les transformations des types d’occupation/utilisation du sol en utilisant le module « Tabular Area » sur ArcGIS 10.2 et le module « Land change modeler » sur Idrisi 17. Les taux (en pourcent) du changement des types paysagers ont été calculées par les équations proposées par Puyravaud (2003) qui ont utilisés par Trincsi et al. (2014) pour mesurer les changements du paysage dans les zones frontières du Vietnam :

2 1

1

ln ²₁

Ri est le changement en pourcent de classe i dans toute la période d’étude ; Ratei est le taux annuel du changement du paysage de classe i ;

A1i, A2i sont la surperficie de classe i pour le temps initial (t1) et le temps final (t2) de période d’étude.