NON CROP

Omission error 25,6% 20,93% Commission error 24,0% 41,44%

Fraction of correctly classified pixels 70,0% 57,8%

F-mesure 0,615 0,446

Tableau 10: Matrice de confusion entre MODIScrop et SPOT et entre MODIS_fouille et SPOT pour les six sites de validation.

4. Discussions

Nous avons développé deux méthodes pour la cartographie du domaine cultivé au Mali. La première méthode comprend deux étapes : la stratification du territoire et la classification culture / non culture dans chacune des zones pré-définies, à partir d’indicateurs MODIS uniquement (et d’imagerie Landsat pour la photo-interprétation). La seconde méthode est une approche par fouille de données, basée sur les indicateurs MODIS et les points de terrain. Ces deux méthodes se sont révélées satisfaisantes. La première a montré une fraction de pixels correctement classés à 70% à partir de la référence SPOT sur les six sites de validation, contre 57,8% pour l’approche par fouille. La validation à partir des points de terrain a montré des résultats équivalents pour les deux méthodes, avec un F-mesure de 0,72.

Les erreurs de classification par classe (cultivée et non cultivée) se sont situées entre 24 et 39% pour l’approche « géomatique » et entre 20 et 68% pour l’approche par fouille, que nous pouvons expliquer par deux facteurs principaux : i) des tâches de cultures trop petites pour être détectées par MODIS à 250 m de résolution ou séparées de la végétation naturelle environnante, comme cela a été confirmé par Wardlow et al. (2007), ii) des erreurs dans la photo-interprétation à partir des images Landsat pour la première méthode ou des erreurs de classification dans l’algorithme pour la seconde méthode.

La limite de l’approche par fouille réside dans le fait qu’elle n’a été utilisée que sur les sites où existaient des relevés terrain. Les motifs de classification construits sur ces sites de validation sont en effet spécifiques à ces zones géographiques et l’application de ceux-ci sur d’autres zones a montré des résultats peu satisfaisants. Néanmoins, l’avantage de cette approche est de pouvoir fonctionner plus rapidement, l’extraction de connaissances étant « automatique », et la classification ne nécessitant que quelques secondes, alors que la photo-interprétation par l’approche « géomatique » est fastidieuse. De plus, l’approche par fouille de données a permis la mise en exergue de corrélations entre occupation du sol et indicateurs de télédétection qui n’avaient pas pu être mis en évidence par la première approche. En effet, dans les travaux de Pitarch et al. (2011) et Vintrou et al. (2012b), la texture s’est révélée être une dimension plus importante que le NDVI pour la distinction culture – non

culture. La prochaine étape consisterait à extraire des motifs sur d’autres zones pour pouvoir produire une cartographie des cultures à l’échelle nationale par fouille de données.

L’approche « géomatique » est avantageuse par le peu de relevés terrain nécessaires à sa mise en œuvre et l’applicabilité à l’ensemble du territoire. Grâce à cette première approche, la cartographie du domaine cultivé à l’échelle nationale au Mali (MODIScrop) est un résultat prometteur. Les produits globaux existants donnent en effet à l’échelle locale de moins bons résultats sur la distribution spatiale des cultures, ainsi que de grandes différences d’un point de vue quantitatif. Ces résultats vont dans le sens de nombreuses études, qui mettent en avant les désaccords importants entre les produits globaux, spécialement dans la région ouest-africaine (Fritz et al., 2008; Hansen and Reed, 2000a; Herold et al., 2008; McCallum et al., 2006) et en particulier pour la classe agriculture et sa distribution spatiale (Fritz et al., 2010; Kaptué Tchuenté et al., 2011). Giri et al. (2005) et Herold et

al. (2006) ont expliqué ces différences en grande partie par les problèmes d’harmonisation des

nomenclatures entre les différents produits. Nous pensons également que la fragmentation de l’agriculture ouest-africaine et la résolution spatiale utilisée jouent un rôle majeur dans la précision des produits globaux, ce qui corrobore avec les travaux de Achard et al. (2001) et de Pittman et al. (2010). Nous avons en effet montré dans cette étude que plus le site de validation avait une agriculture fragmentée, plus la précision de classification était faible. Nous avons également quantifié le seuil de détection d’un patch de culture MODIS à 200 hectares, c'est-à-dire à 37 pixels MODIS. Si l’on considère ce seuil de 200 hectares pour les autres produits globaux, cela correspond à 2 pixels (AVHRR et VEGETATION) et 8 pixels (MODIS V05), ce qui implique évidemment plus de difficultés à détecter le patch cultivé au sein de la végétation naturelle. Il est intéressant de noter que Doraiswamy

et al. (2004) évoquent la possibilité de suivre des champs cultivés de plus de 25 hectares grâce à l’imagerie MODIS aux Etats-Unis. En Afrique de l’Ouest, en raison du « morcellement » du domaine cultivé, le patch de culture doit donc être 8 fois plus grand pour être détecté par les séries temporelles de MODIS NDVI.

Par ailleurs, la méthode Pareto (Boschetti et al., 2004; Vintrou et al., 2012a) a permis de séparer les sources d’erreurs provenant de la performance de l’algorithme de classification et celles provenant de la résolution des images. A partir d’un jeu de données à haute résolution (SPOT), il est possible de déterminer le minimum d’erreurs de commission et d’omission pouvant être atteint par la classification d’image à moyenne résolution. Sur nos sites d’études, 20 à 40% des erreurs sont incompressibles, i.e. dues à la résolution du capteur MODIS et à la fragmentation de l’agriculture au Mali.

Ces raisons peuvent expliquer les différences entre notre produit MODIScrop et le produit MODIS V05 à l’échelle nationale. Par exemple, dans le Sud du Mali, notre produit a pu détecter des patchs de cultures que le produit MODIS V05 n’a pas détecté, probablement parce que les patchs de cette zone sont de trop petite taille. D’autre part, Ruelland et al. (2010) ont montré que dans l’aire soudanienne, les cultures ne sont pas stables au cours du temps, avec des périodes successives d’abandon et de recolonisation des terres. C’est pourquoi les divergences pourraient également être dues aux différentes dates d’acquisition d’images des différents produits.