Paysage et occupation du sol : Classification d'une image SPOT

Les différents type de végétation, qu'il soient agricoles ou naturels, peuvent favoriser ou limiter la création de gîtes larvaires pour les vecteurs de Plasmodium, faire varier leur productivité, et peuvent donc expliquer des différences de densités (Ageep et al. 2009, Anosike et al. 2007, Costantini et al. 2009, Dambach et al. 2009, Gillies and Coetzee 1987, Gimnig et al. 2001, Hay et al. 2000, Klinkenberg et al. 2008, Matthys et al. 2006, Munga et

al. 2006, Mutuku et al. 2009, Simard et al. 2009, Thomson and Connor 2000). Il a également

été montré que les différents types d'occupation du sol sont susceptibles de faire varier les capacités de dispersion des vecteurs (Le Goff et al. 1997, Silver 2008) et donc les densités capturées en un point donné. Du point de vu des pratiques agricoles, on sait également que

densités. Parmi les composante du paysage, les zones humides constituent évidemment des zones importantes pour l'accueil de gîtes larvaires (Gorgas 1910, Hamon 1955, Hamon 1955). La caractérisation de l'occupation des sols sur un territoire peut être obtenue par classification d'une image satellite (Anderson 1976). La classification d'une image satellite consiste à regrouper au sein d'une même classe les pixels de l'image qui présentent des caractéristiques semblables. Dans les techniques dites orientées-objet, l'image est préalablement segmentée en objets qui sont ensuite classifiés. Lors de la segmentation, les limites des objets sont définies en fonction de leur homogénéité. Une des méthodes pour définir des objets consiste à agréger des pixels de proche en proche jusqu'à atteindre un seuil d'hétérogénéité, interrompant le processus et délimitant l'objet. L'intérêt d'une démarche orientée-objet est de permettre la classification d'une image non plus sur les seuls valeurs spectrales du pixel, mais sur un ensemble de caractéristiques associées à l’objet telles que sa forme, une statistique sur les attributs des pixels qui le compose ou ses relations avec les objets voisins (Benz et al. 2004).

Parmi les méthodes de classification, les classifications supervisées sont les plus communément utilisées pour l’analyse qualitative d’images de télédétection basée sur la connaissance a priori des classes que l’on souhaite obtenir (Richards 2012). Elles nécessitent de définir préalablement ces différentes classes d'occupation du sol et de fournir des échantillons d'apprentissage (ou de référence). Ces échantillons permettent de caractériser chaque classe selon des critères spectraux, texturaux, contextuels (caractéristique du voisinage) ou externes (intégration de données d'altitude par exemple). Un algorithme de classification permet enfin de classer les autres objets (ou pixels) de l'image selon des méthodes non-paramétriques (distance à une classe) ou probabilistes (probabilité d'appartenance à une classe dont les individus suivent une loi de probabilité). La vérification de la qualité de la classification s'effectue en mesurant la proportion d'individus bien classés d'échantillons de classe connue appelés échantillons ou parcelles de vérification.

Ces classifications permettent de produire une carte d'occupation des sols et d'extraire des informations relatives non seulement à la composition du paysage dans l'aire étudiée (superficie des différents type d'occupation, diversité, richesse) mais aussi à sa structure (longueurs des frontières, homogénéité) qui peuvent influencer la distribution des vecteurs, leur diversité et leur abondance (Overgaard et al. 2003, Reiter and LaPointe 2007).

Les classes d’occupation du sol susceptibles d’être rencontrées dans notre zone d'étude ont été identifiées et définies sur la base de plusieurs sources :

- Bibliographie scientifique sur les formations végétales naturelles d’Afrique subsaharienne (Aubreville 1957, Boudet and Baeyens 1963, Guillaumet and Koechlin 1971).

- Cartes au 1/200 000 et au 1/25 000 de l’Institut Géographique National du Bénin. - Observations personnelles sur le terrain.

Une campagne de terrain a été réalisée en janvier 2010 et complétée en mars 2011 afin de géoréférencer à l’aide d’un récepteur GPS (Global Positioning System), sur toute l'étendue de la zone d'étude, au moins 10 parcelles de chaque classe d'occupation pour servir de parcelles d'apprentissage et de vérification lors du processus de classification de l'image.

Une classification supervisée orientée-objet de deux images SPOT-5 (Satellite pour l'Observation de la Terre) acquises le 23/01/2010 a été réalisée à l'aide du logiciel eCognition (Definiens-imaging, Munich, Germany). La première est une image monospectrale acquise dans le spectre du visible et d'une résolution spatiale de 2,5 mètres. La seconde image est composée de 4 bandes spectrales acquises dans les longueurs d'onde du vert, du rouge, du proche infrarouge et du moyen infrarouge. Sa résolution est de 20 mètres pour le moyen infrarouge et de 10 mètres pour les autres bandes. Cette image ne couvre que 19 des 28 villages sélectionnés pour l'essai clinique. Aucune image couvrant l'ensemble de la zone d'étude n'a pu être obtenue malgré des demandes de programmation répétées sur la période 2009-2011.

Préalablement à la classification, les images ont du être découpées pour correspondre à l'étendue de la zone d'étude puis segmentées en objets homogènes. Les 5 bandes spectrales issues des deux images ont été utilisées pour la segmentation. Les paramètres de la segmentation ont été définis ainsi : facteur d'échelle à 25, facteur de forme à 0,1 et facteur de compacité à 0,5. Une description de ces facteurs et de leur réglage est proposée par Benz et al. (2004). Plusieurs combinaisons ont été testées afin de maximiser l'homogénéité et la taille des objets.

Les deux tiers des parcelles géo-référencées sur le terrain, choisis aléatoirement, ont servi de parcelles d'entraînement pour identifier les critères spectraux, texturaux et contextuels

base des critères de discrimination choisis. Cette classification a été évaluée grâce à une matrice de confusion qui estime le pourcentage de parcelles de vérification (1/3 des parcelles inventoriées sur le terrain) bien classées. Si la classification n'était pas satisfaisante, les classes pouvaient être regroupées ou subdivisées et les critères de discrimination des classes modifiés. Les parcelles contigües appartenant à la même classe ont été fusionnés pour rendre mieux compte de la réalité paysagère et pour réduire le nombre d'objets et donc la vitesse de traitement des calculs ultérieurs.

Des indicateurs relatifs à chaque classe et relatifs à la mosaïque d'entités à l'intérieur de la zone tampon de 2 km ont été calculés (Tableau 3) à l'aide du logiciel Fragstat (McGarigal et al. 2012). Les classes ont également été regroupées par strates (arborescente, arbustive, herbacée ou absence de végétation) qui sont susceptibles d'agir différemment sur les possibilités de dispersion des vecteurs (Silver 2008) et pour lesquelles les mêmes indicateurs ont été calculés.

Tableau 3 : Description des indicateurs paysagers calculés au voisinage de chaque village Type d'indicateur Nom abrégé Nom Définition ZLAND Percentage of landscape Proportion du paysage

Proportion de la surface occupée par la classe considérée

NumP Nunber of patches Nombre d'entités

Nombre d'entités de la classe considérée Indicateurs décrivant les entités d'une même classe ED Edge density Densité de frontières

Longueur cumulée des périmètres des entités de la classe considérée

PRD Patch richness density

Densité de richesse d'entités

Nombre de classes différentes

SDI Shannon's diversity index Indice de diversité de Shannon ) ln ( ₋₋₋₋ − − − − = = = = n i i i ZLAND ZLAND SDI

Avec i indiquant la classe d'occupation du sol. SDI est un indice de mesure de la diversité relative des classes, il est sensible aux classes rares.

SIDI Simpson's diversity index Indice de diversité de Simpson − − − − = = = = n i i ZLAND SIDI 1 ( )²

SIDI est un indice de mesure de la diversité relative des classes.

Indicateur décrivant la mosaïque d'entités

MSIEI Modified Simpson's eveness index Indice d'homogénéité de Simpson modifié. − −− − − −− − = = = = ln (ZLAND_i)² ln (PRD_i) MSIEI

MSIEI est indice de mesure de la distribution de la superficie parmi les classes.

Résultats :

Sur la base de l'analyse bibliographique, de nos observations sur le terrain et des entretiens avec des personnes ressources, nous avons identifié 33 classes potentielles qui sont définies à l'Annexe 4 et qui peuvent être réparties en 6 catégories :

- plantations : zones sylvicoles et arboricoles - cultures : zones horticoles et agricoles

- forêts : formations arbustives ou arborescentes non inféodées aux zones humides (non inondables)

- savanes : formation herbeuse comportant une strate herbacée supérieure d’au moins 80 cm de hauteur qui influence une strate inférieure

- zones humides : zone inondée de manière permanente ou temporaire - milieux dégradés : milieux non aquatiques non végétalisés

Au terme des campagnes de terrain, 6 classes n’ont pas été trouvées soit en raison de leur probable absence dans la zone d’étude soit en raison de la saison qui impose par exemple des rotations dans les cultures. Des milieux naturels (savanes herbeuses et boisées) n’ont pas été observés, ils peuvent avoir disparu de la zone en raison de la pression anthropique et agricole dans cette région proche de la capitale économique (Cotonou). Parmi les classes géo-référencées, certaines étaient rares et n’ont été trouvées qu’en faibles effectifs (moins de 10 parcelles) : il s’agissait principalement de milieux naturels (savanes arborées et arbustives, forêts marécageuses, mangroves) et de plantations rares (de papayers et bananiers qui étaient rarement rencontrés sous forme de plantations homogènes mais plus souvent dans l'enceinte des villages, de manière éparse). Un type d’occupation du sol a été découvert à l'occasion de la campagne de terrain mais en très faible effectif (anacardiers). Nous disposions donc pour procéder à la classification des échantillons géo-référencés de 208 parcelles reparties en 19 classes d’occupation du sol pour lesquelles au moins 10 parcelles ont été inventoriée sur le terrain.

La classification supervisée orientée-objet a permis la discrimination de 14 classes. Les différents types de savane ont été regroupés au sein d'une même classe. Les parcelles de maïs, de manioc (qui peuvent se succéder sur les mêmes parcelles) et d'autres cultures pluviales de plein champ ont été regroupées au sein d'une classe nommée "cultures pluviales". Les différents types de vergers (orangers, bananier, papayers), les mangroves et les zones maraichères ont été exclus de la classification en raison de leur rareté ou de la trop faible taille

des parcelles. Les plantations de manguiers et les forêts marécageuses ont été assimilées aux forêts denses (en raison de la difficulté à les discriminer). Pour les mêmes raisons, les friches ont été assimilées aux fourrés et l'ensemble des milieux dégradés (bâti, sols nus, sable, pistes et roche) ont été regroupés. Les forêts ripicoles, en voie avancée de dégradation (abattage) et présentant une structure mitée, ont été renommée forêts ripicoles dégradées. La matrice de confusion qui a servi à la vérification de la classification finale indique que 98,9 % des objets contenus dans les parcelles de vérification étaient bien classés.