CERTIFICAT COMPLÉMENTAIRE EN GÉOMATIQUE
Utilisation des données d’observation de la terre dans le suivi des écosystèmes d’eau douce du delta du fleuve Sénégal : Application de la boîte à outils Globwetland Africa (GW-A)
Mémoire présenté par : MARIE JEANNE SENGHOR
Sous la direction de : Prof. HY DAO Membre du jury : Dr. KARIN ALLENBACH
JUIN 2021
i
Remerciements
Au terme de ce travail, j’ai l’agréable occasion d’adresser mes remerciements à tous ceux qui m’ont soutenu tout au long de la rédaction du mémoire de ce certificat.
J’adresse ma profonde gratitude au Professeur Hy Dao, pour avoir accepté d’être mon superviseur.
J’adresse aussi mes sincères remerciements à M. Niokhor Ndour, le Directeur de la Gestion et de la Planification des Ressources en Eau du Sénégal, à M. Moussa CISSE responsable de la cartographie ; et à Moctar Sall au chef de Division système d’information ; M. Abdou Salam Kane, pour l’accès aux informations et données utilisées dans ce travail.
ii
Résumé
La télédétection fournit un cadre approprié pour l’intégration de diverses sortes de données à différentes échelles avec des outils appropriés, dans un cadre commun garantissant le catalogage et la génération de produits graphiques tels que les cartes. L’objectif de ce travail est de faire la cartographie des écosystèmes humides du Delta du fleuve Sénégal à travers de la boîte à outils Globwetland Africa (GW-A). L’idée est d’explorer les fonctionnalités de l’outil en matière de classification de la couverture et de l’utilisation du sol afin d’en cerner les exigences et les limites. Aussi, ce travail a pour but d’explorer une démarche démontrant la méthode de calcul de la variation de l’étendue des écosystèmes tributaires d’eau dans le delta du fleuve Sénégal.
Pour ce faire, les données Landsat de la collection 2, niveau 2, sont utilisées comme principales données d’entrées. Aussi, des données secondaires notamment vectorielles sont utilisées à des fins de délimitation.
La méthodologie est axée sur une classification supervisée, orientée objet et basée sur une segmentation d’image. Aussi, la technique de transformation MAD/MAF est appliquée pour la détection de changements entre 2015 et 2020.
Aux termes des différents traitements, trois cartes de classification sont produites : une classification générale portant sur l’ensemble de la couverture et de l’occupation du sol (9 Classes), une classification spécifique à la typologie des masses d’eau (4 classes) et une classification sur les écosystèmes tributaires d’eau (8 classes). Les statistiques dérivées de cette dernière révèlent une variation de l’étendue des écosystèmes avec une légère augmentation de l’étendue des plans d’eau et des mangroves. En revanche, les étendues des zones humides littorales ont eu une baisse.
Eu égard à son aspect agrégatif, le Globwetland Africa (GW-A) propose un grand nombre de méthodes de traitement dont certains apportent une méthode simple et relativement rapide pour fournir des données concrètes et pertinentes pour le suivi d’indicateurs tels que l’indicateur 6.6.1 de l’ODD6.
Cependant, l’outil n’est pas particulièrement flexible, il demande un certain niveau d’exigence sur les caractéristiques de données pour fonctionner normalement. Ce qui réduit la flexibilité de l’utilisateur à varier les sources de données par exemple ou à redéfinir les paramètres par défaut. Les principaux inconvénients constatés sont liés notamment à la récurrence de certaines erreurs liées souvent à des incohérences sur les données par rapport aux programmes d’exécution des traitements.
D’une manière générale, la boîte à outils GW-A offre de nombreuses perspectives de contribution en matière de production de données géospatiales environnementales notamment dans un contexte de fossé de données sur l’état et l’évolution des écosystèmes humides.
Mots-clés : télédétection ; classification supervisée ; couverture et utilisation du sol ; écosystèmes d’eau douce, Delta du fleuve Sénégal.
iii
Listes des abréviations
CLC Corine Land Cover
DGPRE Direction de la Gestion et de la Planification des Ressources en Eau FEE Freshwater Ecosystem Explorer
GW-A Globwetland Africa
LIMES Live Monitoring of Earth Surface
LULC Land Use Land Cover (utilisation et couverture du sol)
LULCC Land Use Land Cover Change (Changements d’utilisation et de couverture du sol) MAD/MAF Multivariate Alteration Detection (MAD) /Maximum Autocorrelation Factor (MAF) MMU Minimum Mapping Unit
NDVI Normalized Difference Vegetation Index NDWI Normalized Difference Water Index
DVW Difference between Vegetation (NDVI) and Water (NDWI) OBIA Object-Based Image Analysis
ODD Objectifs de Développement Durable
OMVS Organisation pour la Mise en Valeur du Fleuve Sénégal OT Observation de la Terre
SE Services Ecosystémiques
SIG Systèmes d’Information Géographique SWOS Satellite-based Wetland Observation Service UGP Unité de Gestion et de Planification
ZH Zones humides
iv
Liste des figures
Figure 1 : Structure de la boîte à outils Globwetland Africa (GW-A) ... 3
Figure 2 : Interface de la boîte à outils GW-A ... 4
Figure 3 : Flux de travail résumant les principales étapes de la démarche méthodologique ... 11
Figure 4 : Illustration de la distribution des terrains d'entrainement ... 14
Figure 5: Étapes de détection de changement selon la méthode de GW-A ... 15
Figure 6: Découpage à partir de clipper (Qgis) (1) vs découpage à partir de GW-A (2) ... 18
Figure 7: Erreur liée à la présence de valeurs nulles dans les fichiers rasters ... 19
Figure 8: Illustration avec ou sans MMU ... 20
Figure 9: Confusion de la classe d'eau avec celle des terres irriguées ... 23
Figure 10 : Étapes de postclassification (segmentation) ... 24
Figure 11 : Erreur apparue lors de la combinaison des couches — segmentation (postclassification) ... 25
Figure 12 : Suppression des entités constituant des valeurs nulles (en vert) sur le fichier segmenté ... 26
Figure 13 : illustration de la table d’attributs de la couche de sortie de la segmentation ... 26
Figure 14 : Couches de segmentation et de classification ... 27
Figure 15 : Exemples de confusion de classes dans la classification ... 27
Figure 16 : Illustration de la correction de la confusion de classe avec la table d’attributs ... 28
Figure 17 : Conversion vecteur à raster ... 28
Figure 18 : Résultat de la transformation MAD/MAF (2015-2020) ... 31
Figure 19 : Histogrammes des différentes cartes de changement ... 32
Figure 20 : Résultat en couleur de la transformation MAD/MAF (2015-2020) ... 33
v
Liste des cartes
Carte 1 : Situation du delta du fleuve Sénégal ... 9
Carte 2 : La zone d'étude ... 10
Carte 3 : Classification de la couverture et de l’utilisation du sol (2015) ... 20
Carte 4 : Résultat intermédiaire de la classification des masses d'eau ... 21
Carte 5: Classification des masses d'eau ... 22
Carte 6 : Confusion de classes d'eau dans la typologie des masses d'eau ... 23
Carte 7: Combinaison de carte de couverture et d’utilisation du sol et des masses d’eau (2020) ... 24
Carte 8 : Couverture et utilisation du sol, avant et après segmentation ... 29
Carte 9 : Avant et après l’édition manuelle des classes ... 29
Carte 10 : Masque de changements 2015 -2020... 33
Carte 11 : Les écosystèmes d’eau douce en 2015 et en 2020 ... 35
Carte 12 : Localisation de certaines zones humides du Delta ... 36
Carte 13 : Comparaison avant et après la reclassification (2015) ... 38
Carte 14 : Comparaison avant et après la reclassification (2020) ... 38
vi
Liste des tableaux
Tableau 1 : Caractéristiques des images satellites ... 12
Tableau 2: Catégories de classes de couverture et d'utilisation du sol ... 13
Tableau 3 : Classes des écosystèmes d'eau douce ... 14
Tableau 4 : Bandes Landsat7/Landsat8 ... 25
Tableau 5 : Statistiques sur les résultats de transformation MAD/MAF ... 31
Tableau 6 : Typologie des zones humides du delta du Sénégal ... 36
Tableau 7 : Variation de l’étendue des écosystèmes humides (avant segmentation) ... 37
Tableau 8 : Variation de l’étendue des écosystèmes humides (après segmentation) ... 39
Tableau 9 : Variation des écosystèmes d’eau douce du delta selon les données du Freshwater explorer .... 40
Tableau 10 : Comparaison des données générées par l’outil GW-A et la FEE ... 40
vii
Table des matières
Remerciements ... i
Résumé ... ii
Listes des abréviations... iii
Liste des figures ... iv
Liste des cartes ... v
Liste des tableaux ... vi
Table des matières ... vii
Introduction ... 1
Contexte et problématique ... 1
Objectifs de l’étude ... 2
Présentation de la boîte à outils Globwetland Africa... 2
1. Concepts théoriques mobilisés... 5
1.1. Les données d’observation de la terre pour le suivi des écosystèmes ... 5
1.2. Approches de classification ... 6
1.3. Techniques de détection de changements... 7
2. Méthodes et outils ... 9
2.1. La zone d’étude Le delta du fleuve Sénégal ... 9
2.2. Données et prétraitements ... 11
2.2.1. Les données satellites en entrée ... 11
2.2.2. Les prétraitements ... 12
2.3. Approches de cartographie de la couverture et de l’utilisation du sol ... 13
2.3.1. La classification de la couverture et de l'utilisation du sol ... 13
2.3.2. Changement de la couverture et de l’utilisation du sol ... 15
2.3.3. Statistiques sur les zones humides pour le reporting sur l’ODD 6.6.1 ... 15
3. Résultats et discussions ... 17
3.1. Classification de la couverture et de l'utilisation des sols (2015 et 2020) ... 17
3.1.1. Outils de prétraitements proposés par GW-A ... 17
3.1.2. Classification de la couverture du sol y compris les masses d’eau ... 18
3.1.3. Postclassification - segmentation ... 24
3.2. La détection des changements des couvertures du sol entre 2015 et 2020... 30
3.3. Variation de l’étendue des écosystèmes d’eau douce entre 2015 et 2020 ... 34
viii
3.3.1. Les zones humides du Delta du fleuve Sénégal ... 34
3.3.2. Variation de l’étendue des écosystèmes d’eau douce du Delta du Sénégal ... 37
4. Difficultés rencontrées et limites de l’étude ... 41
4.1. Difficultés rencontrées ... 41
4.2. Limites de l’étude ... 42
5. Principaux enseignements tirés de GW-A ... 43
Conclusion ... 45 Références bibliographiques ... a Annexes ... e
1
Introduction
Contexte et problématique
Dans le Fleuve Sénégal, notamment dans sa rive gauche, le dispositif de suivi des ressources naturelles est principalement basé sur les données issues de méthodes de collectes in situ. Au Sénégal, le suivi quantitatif et qualitatif sur les eaux de surface et les eaux souterraines est pris en charge par la Direction de Gestion et de Planification des Ressources en eau (DGPRE) qui centralise toute l’information à l’échelle du pays (Ndiaye 2003). Les données recueillies sur le fleuve Sénégal servent aussi à alimenter le système du suivi hydrologique coordonné de l’organisation pour la mise en valeur du Fleuve Sénégal (OMVS). Celui-ci comprend principalement :
• Le suivi hydrologique, en cours depuis 1901, et structuré autour d’un réseau de stations hydrométriques.
• Le suivi environnemental impliquant les usagers de la ressource en l’occurrence les entreprises ou sociétés basées sur le bassin1 (OMVS 2006)(DGPRE, 2017).
Toutefois, le dispositif de suivi est orienté davantage sur les paramètres hydrologiques et climatiques. Aussi, il demeure le crucial défi de la disponibilité (dans le temps et dans l’espace) d’informations pertinentes basées sur des données précises, fiables continues et couvrant la région d’intérêt. En outre, au-delà du manque de données ou de leur indisponibilité, le suivi et la gestion des écosystèmes d’eau douce sont entravés par les difficultés liées aux capacités humaines et institutionnelles. Depuis le début des années 80, les réseaux pluviométriques et hydrométriques vivent une dégradation continue. Cette dégradation est accentuée par le déficit en personnel qualifié et les restrictions budgétaires qui réduisent les activités des services hydrologiques. Un effort particulier doit être fait pour le renforcement du suivi (DGPRE, 2017).
Dans ce sens, il s’avère être essentiel de consolider la collecte et l’analyse d’informations appropriées sur les modèles spatiotemporels des processus naturels et des actions humaines pour la planification et la gestion des zones des bassins fluviaux (B.Schmalz, et al. 2016).
Par ailleurs, considérant le suivi des indicateurs de l’ODD 6 sur l’eau et l’assainissement, un dispositif sectoriel de suivi-évaluation de l’eau et de l’assainissement au Sénégal a été mis en place dans lequel la DGPRE occupe une place centrale. Elle est en charge du renseignement des indicateurs 6.3.2 (Proportion des plans d’eau ayant une bonne qualité d’eau ambiante) à l’indicateur 6.6.1 de l’ODD6 (portant sur l’étendue des écosystèmes d’eau douce).
Bien qu’un système consolidé de suivi des ressources en eau est mis en place, le reporting de l’ODD6 en général et de la cible 6.6.1 demeure un défi majeur. En cause, on observe certes une disponibilité de données, mais celles-ci sont mal réparties ou ne sont pas générées d’une manière systématique, permanente et accessible. La disponibilité des données précises et permanentes au-delà des grands hydrosystèmes tel que le bassin du fleuve Sénégal reste cruciale.
À côté des méthodes traditionnelles de collecte de données et de suivi (inventaires in situ, méthodes empiriques, analyses documentaires), on observe une intégration quasi inexistante des données d’observation de la terre dans le système de suivi notamment de l’indicateur 6.6.1.
La télédétection constitue une intéressante perspective d’aide à la décision permettant de produire, sur la base d’outils et de méthodes performants, des informations pertinentes pour l'inventaire, le suivi et
1 Société Nationale d’Aménagement et d’Exploitation des Terres du Delta du fleuve Sénégal et des vallées du fleuve Sénégal et de la Falémé (SAED) ; la Compagnie Sucrière du Sénégal (CSS), etc.
2 l'évaluation des écosystèmes d’eau douce. Malgré les avantages offerts par la télédétection en termes d’accès et d’exploitation de volume croissant de données environnementales, gratuites et ouvertes, cette technologie reste inexploitée à la hauteur de son réel potentiel. On considère, dès lors, que l’apport des données d’observation de la terre (OT) pourrait bien consolider le système de suivi des ressources déjà assez bien structuré. Ceci d’autant plus que le rapport de suivi des indicateurs relatifs aux ressources en eau de l’ODD6, de l’année 2019 en fait état. Dans ce sens, il est révélé le besoin de renforcement de capacités sur les méthodologies de renseignement des indicateurs 6.4.1 (Variation dans l'efficacité de l'utilisation des ressources en eau) et 6.6.1 ; et la création d’une plateforme d’intégration du processus de collecte et d’agrégation des données partagées avec les différentes parties prenantes.
Ce présent document s’inscrit ainsi dans une logique afin de démontrer l’utilité et la pertinence de l’utilisation des techniques d’OT pour le suivi et l’évaluation des écosystèmes d’eau douce ainsi que leurs services. Nous allons, à cet effet, explorer la boite à outils Globwetland Africa (GW-A), afin d’en identifier les fonctionnalités exploitables pour combler le gap en matière de disponibilité et de suivi des données.
Objectifs de l’étude
Partant du constat de l’importance des données d’OT et des défis de suivi des écosystèmes humides au Sénégal, ce travail se structure autour de la question à savoir : comment fonctionne l’outil GW-A et comment peut-il être utilisé pour le suivi des écosystèmes humides du Sénégal et de leurs ressources ?
Dans cette perspective, l’objectif est d’explorer les exigences et les limites de la boîte à outils GW-A pour le traitement de données d’OT et la production d’informations pertinentes pour le suivi des écosystèmes. D’une manière spécifique il s’agit de :
1. Faire une classification de la couverture/utilisation des sols et la détection des changements entre 2015 et 2020 ;
2. Estimer la variation de l’étendue des écosystèmes tributaires d’eau douce entre 2015 et 2020 : Les flux de travail suivants sont ciblés :
• Inputs/Output : pour le prétraitement des images ;
• Wetland Habitat Mapping pour la classification de la couverture/utilisation des sols et la détection des changements ;
• Wetland Indicators pour les statistiques de surface et de l’indicateur 6.6.1 ;
• Posttraitement pour la segmentation et la correction des images classifiées.
Présentation de la boîte à outils Globwetland Africa
La boite à outils Globwetland Africa a été développée dans le cadre d’un projet collaboratif entre l'Agence Spatiale européenne et le Secrétariat de la convention Ramsar. Sa mise en œuvre a aussi impliqué plusieurs autres partenaires techniques tels que DHI GRAS (Danemark), GeoVille (Autriche), ITC (Pays-Bas) et Brockman Consult (Allemagne), et des universités techniques de Copenhague (Danemark) et de Vienne (Autriche) entre autres partenaires.
3 La boîte à outils GW-A est développée autour d'une plateforme complète de logiciels libres pour le stockage et la gestion des données, l'analyse et le traitement de l'OT et la construction de modèles, de cartes et d'applications. Les principales fonctionnalités de l’outil sont :
• La récupération, le stockage et le traitement des données d'OT
• L’intégration des données in situ ;
• La création des produits d'information et des indicateurs sur les zones humides ;
• L’intégration des fonctions de modélisation hydrologique ;
Les produits disponibles dans la boite à outils sont présentés dans la plateforme web2 . Il s’agit de : 1. L’inventaire des zones humides :
C‘est un outil d’assistance à l’inventaire des zones humides à travers leur identification et délimitation. Il peut être dérivé de séries chronologiques d'images satellites tenant compte de la variabilité temporelle des conditions hydrologiques. Il offre ainsi une possibilité aux agences nationales/régionales de réduire les coûts associés aux grands exercices d'inventaire des zones humides.
2. La cartographie de l’habitat des zones humides
Cet outil offre une possibilité de classifier d’une manière détaillée la couverture et l'utilisation des sols, et en particulier des habitats des zones humides. Il permet :
i. une analyse historique des cartes des habitats des zones humides, ainsi que les principaux changements naturels ou anthropiques ;
ii. une connaissance sur les tendances de l'état de leur état offrant une possibilité d’évaluation des menaces qui pèsent sur les zones humides et leurs impacts dans le temps.
3. Régime du cycle de l'eau
Avec ce produit, il est possible d’avoir une vue d'ensemble des variations annuelles de l'étendue des eaux de surface (étendue minimale et maximale) dans une zone d'intérêt. Ceci pour :
i. différencier les masses d’eau permanentes et saisonnièrement inondées pendant une année hydrologique complète ; et
ii. caractériser les variations inter- et intra-annuelles des masses d’eau
2 http://globwetland-africa.org/?page_id=15
Figure 1 : Structure de la boîte à outils Globwetland Africa (GW-A)
4 iii. surveiller la dynamique de la rétention et de l'écoulement de l'eau, entre autres utilités.
4. Paramètres de qualité de l'eau
Ce produit se focalise sur la collecte de paramètres de qualité de l'eau (en termes absolus ou relatifs) tels que les concentrations de chlorophylle a, les sédiments totaux en suspension, les matières organiques dissoutes ou les proliférations de cyanobactéries. Ceci pour :
i. surveiller la contamination des écosystèmes des zones humides (et en particulier l'eutrophisation) ; ii. estimer les perturbations physiques dues à la déforestation et à l'érosion des sols à partir du suivi
des sédiments en suspension.
5. Hydrologie des bassins hydrographiques
Une évaluation des conditions de l'eau au niveau d'un bassin hydrographique, est possible à travers cet outil.
Ceci, sur la base de l'observation directe des composantes importantes du bilan du cycle de l'eau, telles que l'étendue des eaux de surface et l'humidité du sol, ainsi que la modélisation du bilan hydrique et des mécanismes hydrologiques sous-jacents. Ce produit permet ainsi l'évaluation de l'impact de l'activité humaine (usage de l’eau d’irrigation) ou les effets des changements climatiques sur les zones humides.
6. La cartographie des mangroves
Ce produit offre un service spécifique aux écosystèmes de mangrove, par : i. une cartographie de leur étendue
ii. une caractérisation de leur distribution spatiale et des dispositions géométriques/structurelles et/ou la distinction des principales espèces d'arbres qui dominent les zones de mangrove.
Ces différents produits sont structurés autour d’un package méthodologique permettant le fonctionnement d’une procédure pas-à-pas semi-dirigée à travers les flux de travail. Un aperçu de l’interface, avec les principales fonctionnalités, est illustré ci-dessous .
Figure 2 : Interface de la boîte à outils GW-A
5
1. Concepts théoriques mobilisés
1.1. Les données d’observation de la terre pour le suivi des écosystèmes
Une bonne connaissance des écosystèmes dans leur complexité à travers des modèles d’analyse spatiaux (Laurent 1996) est nécessaire pour la préservation des services écosystémiques pour le bien de l’environnement et le bien-être humain. Les données d’observation de la terre (OT) sont généralement utilisées dans plusieurs domaines, car elles fournissent un cadre approprié pour l’intégration des diverses sortes de données à différentes échelles avec des outils appropriés (Skidmore, et al. 2011). Dans le domaine de l’environnement, la disponibilité des données a considérablement évolué notamment avec l’avènement des techniques de télédétection qui a élargi l’acquisition massive d‘informations. Dans le champ spécifique des écosystèmes d’eau douce, les SIG et la télédétection offrent un cadre opérationnel pertinent pour une meilleure connaissance de ces milieux. Les données d’OT permettent de fournir des informations harmonisées. Avec leurs capacités multi-échelles et multi-capteurs, elles permettent :
• L’acquisition continue de données, de manière permanente et sur de vastes zones ;
• L’accès aux archives historiques : Changements de la surface des terres sur une période plus ou moins de 40 ans ;
• La gratuité des données avec un ensemble d’outils d’applications spécifiques.
L’usage des données d’OT a fait l’objet de plusieurs études, notamment dans leur application hydrologique dans des bassins hydrographiques ou combinés à la modélisation hydrologique. Dans ces études précises, des données d’OT permettent non seulement d’avoir des informations sur une zone plutôt qu’une information ponctuelle, mais aussi peuvent fournir aisément des séries chronologiques de données (Sandholt, et al. 1999). Des exemples de suivi des ressources en eau à une échelle régionale sont aussi notés notamment dans le basin méditerranéen, par exemple avec des avancées majeures en termes de compréhension du cycle de l’eau et ses différents processus, mais aussi en termes de suivi avec des indices de sècheresse, d’occupation du sol, d’irrigation, etc.3
Par ailleurs, la planification et la gestion des écosystèmes et de leurs services nécessitent un suivi et une évaluation quantitative (Andrewa, et al. 2015). Dans ce sens, l’usage des techniques de la télédétection est particulièrement utile pour mener des études précises et sur grande échelle, et permet surtout de combler le vide lorsque les données conventionnelles sont rares. Le manque de données quantitatives liées aux indicateurs des Services écosystémiques (SE), précisément, constitue une entrave à l’utilisation opérationnelle des SE (Layke 2009). Autant l’acquisition des données est cruciale pour le suivi des écosystèmes, autant la compréhension de celles-ci est primordiale compte tenu de leurs caractéristiques et surtout selon le contexte dans lequel elles sont utilisées. En effet, l’acquisition des données requiert non seulement une connaissance technique et institutionnelle, mais aussi une maitrise du contexte environnemental administratif, social et dans lequel ces données seront utilisées. Dans certains contextes, l’accès aux données demeure crucial, elles peuvent être certes disponibles, mais l’inexistence de mécanismes de partage de données inter-organisationnel ou de politiques de partage peuvent rendre difficile leur accès (Tolvanena, et al. 2016).
Dans le contexte des objectifs de développement durable (ODD), l’usage des données d’OT est de plus en plus considéré. Les institutions internationales jouent un rôle considérable dans la construction d’une
3https://www.cesbio.cnrs.fr/lobservation-spatiale-pour-le-suivi-des-ressources-en-eau/
6 réponse globale pour l’analyse et l’évaluation des écosystèmes. Un ensemble de géoportails4 a été créé et fournit des données harmonisées sur différentes thématiques. En parallèle, la mise en œuvre des engagements nationaux repose sur des exigences de résultats en matière de reporting et de suivi environnemental. Pour y parvenir, les pays doivent se baser sur des données et informations de qualité à leur disposition, et cela se traduit par un investissement dans la fourniture et l'analyse d'informations spatiales de l’échelle nationale à l’échelle locale. Cela nécessite toutefois l’amélioration de la collecte, du stockage et l’analyse à travers une méthode de gestion des données réduisant la fragmentation institutionnelle en rassemblant l’ensemble des informations issues de différents secteurs (UN Water, 2017).
Des techniques telles que la télédétection constituent selon Tolvanena, et al. (2016), une méthode de choix pour y arriver.
Dans cette lancée, des outils, tels que Live Monitoring of Earth Surface (LIMES), sont conçus pour une acquisition et un prétraitement automatiques des données d’OT afin de les transformer en informations et connaissances pour les gestionnaires (Giuliani, et al. 2017). C’est aussi dans le même sens que des boites à outils telles que le GW-A ont été développé pour assister au suivi des indicateurs d’ODD .
La pertinence de la télédétection dans le champ du suivi environnemental a été longuement abordée dans la littérature (Crossman 2017; Hadani 1997; Loc, et al. 2021; López-Hoffman, et al. 2009; Petteri Vihervaara, et al. 2017; Rai, et al. 2018; Ram Avtar, et al. 2016; Sandholt, et al. 1999; Tolvanen and Kalliola 2008).
Concernant le champ spécifique des écosystèmes d’eau douce, des travaux récents ont été menés et se focalisent sur l’outil SWOS Satellite based Wetland Observation Service (SWOS5) (Fitokaa, et al. 2020; Weisea, et al. 2020), ou sur d’autres outils (MacKay, et al. 2009).
1.2. Approches de classification
Il existe deux principales approches de classification : la classification non supervisée et la classification supervisée6.
Il existe, selon Diday (1971), trois types de techniques de classification automatique non supervisée (i) celles basées sur la recherche de la partition qui minimise un certain critère ; (ii) celles basées sur le choix d’un seuil
; et (iii) celles basées sur l’agrégation de groupes de points améliorée par itérations successives.
La classification supervisée se distingue de celle non supervisée par la connaissance préalable des valeurs de sorties sur la base d’échantillons. La classification supervisée est l’une des techniques les plus utilisées pour l’analyse spatiale quantitative (Richards 2013; Rwanga and Ndambuki 2017). Elle consiste en l’attribution automatique de données à une classe préalablement identifiée. Elle repose sur deux paramètres essentiels : la création des échantillons sur la base de la collecte les signatures spectrales des types de couvertures clairement identifiées ; et un algorithme via un logiciel SIG pour attribuer à chaque pixel dans l’image les types de couvertures auxquels les signatures correspondent les plus.
En matière de classification, l’apprentissage automatique «machine learning » est un vaste ensemble de techniques qui visent à construire des modèles mathématiques à partir de données d'entrainement ou pas7. Il existe plusieurs algorithmes d'apprentissage automatique utilisés pour la classification, parmi lesquels Random Forest ou forêt aléatoire. Dans ce rapport, la classification supervisée ou dirigée est utilisée pour définir les typologies de couverture du sol de la zone d’études à travers l’algorithme Random Forest.
4Freshwater Ecosystem Explorer pour le Suivi de l’indicateur 6.6.1 ; Africanlandcover pour la couverture du Sol en Afrique ; WaPor sur la productivité de l’eau ; Global Water Surface Explorer : sur l’intensité de changement d’occurrence dans l’eau par exemple ; Portail Flood and Drought pour des données harmonisées sur l’inondation et la sècheresse dans les bassins hydrographiques
5 www.swos-service.eu
6 https://analyticsinsights.io/apprentissage-supervise-vs-non-supervise/
7Brief Introduction to Remote Sensing — Semi-Automatic Classification Plugin 7.8.0.1 documentation (semiautomaticclassificationmanual.readthedocs.io)
7 Il s'agit d'une méthode d'ensemble, qui consiste en un modèle de forêt aléatoire composé d'un grand nombre de petits arbres de décision, appelés estimateurs, qui produisent chacun leurs propres prédictions. Le modèle combine les prédictions des estimateurs pour produire une prédiction plus précise en un seul résultat8. Ce modèle est connu pour sa précision relativement élevée et de son efficacité de calcul (Breiman 2001;
Franklin, et al. 2015).
1.3. Techniques de détection de changements
Concernant les techniques de détection de changement, cette étude s’inspire des étapes de la procédure de détection des changements déclinées par (Jensen 2005) citée par Al dosk et al., (2013)9. La détection des changements est définie comme un processus d’identification des changements d’un état d’un objet ou d’un phénomène par des observations sur le temps (Singh 1989). Il existe plusieurs techniques de détection de changements, elles peuvent être regroupées en deux groupes : les techniques de préclassification et de postclassification (Al-doski, et al. 2013; Mishra, et al. 2017). En outre, elles peuvent être organisées en techniques algébriques/statistiques, de vecteur de changement/transformation, de classification ou des combinaisons de ces techniques (Pathak 2014). Vues sous cet angle, les techniques sont regroupées selon : la postclassification, la différenciation des images, le fractionnement des images et l'analyse en composantes principales. Les méthodes les plus communément utilisées pour la détection des changements sont la différenciation des images, l'analyse en composantes principales et la comparaison postclassification (Lu, et al. 2004)
La méthode de détection de changement appliquée dans cette étude (à travers la boîte à outils GW-A) s’inspire des travaux de Nielsen, et al.(1998). Il s’agit d’une méthode statistique basée sur la transformation MAD (Multivariate Alteration Detection) et le posttraitement du facteur d'autocorrélation maximum (MAF) dans les données d'images multispectrales bi-temporelles. La méthode de la transformation MAD est un algorithme qui se base sur l’établissement d’une analyse canonique de corrélation. Elle effectue une détection de changement à partir d'un couple d'images multi-bandes et produit subséquemment des cartes de changement, chacune n’étant pas corrélée avec les autres (Nielsen, et al. 1998). En parallèle, sur la base des variables MAD, il est proposé l’utilisation de l'analyse de facteur d'autocorrélation maximale (MAF) comme extension spatiale de l'analyse en composantes principales.
La transformation MAF étant considérée comme une technique de posttraitement, elle se base sur les variables MAD pour générer de nouvelles variables qui maximisent l'autocorrélation entre les pixels voisins afin de conserver la structure spatiale dans images de changement résultantes (Globwetland Africa, 2019).
Les cartes de changement issues de cette technique sont triées par corrélation croissante combinée dans une seule image multibande. À travers cette technique, d’autres informations complémentaires peuvent être aussi produites : les valeurs moyennes des bandes pour les deux images d'entrée (Mean1 et Mean2), les deux transformations linéaires appliquées à l'image d'entrée 1 et à l'image d'entrée 2 pour construire la carte de changement (V1 et V2) et le vecteur de corrélation associé à chaque carte de changement10.
Les variables MAD/MAF renferment des informations sur les changements d'occupation et d'utilisation des sols à diverses échelles spatiales. Ils sont repartis en fichiers uniques dont celui contenant le plus d'informations sur les changements sera reclassé en un masque binaire de changement/non-changement, et sur la base d’un seuil défini par l'utilisateur. La combinaison des analyses MAD et MAF appliquée dans l’outil
8https://deepai.org/machine-learning-glossary-and-terms/random-forest
9Nature des problèmes de détection des changements ; Sélection des données de télédétection ; prétraitement des images ; traitement ou classification des images ; sélection de l'algorithme de détection des changements ; évaluation des résultats de la détection des changements.
10https://www.orfeo-toolbox.org/CookBook/Applications/app_MultivariateAlterationDetector.html
8 Globwetland Africa fourni selon Nielsen, et al.(1998) un moyen statistiquement rigoureux de conservation du contexte spatial des données dans les résultats analysés.
Plusieurs autres études ont appliqué cette méthode (Alaibakhsh, et al. 2015), en la combinant avec une méthode de traitement des seuils basée sur le test du chi carré(Tahraoui, et al. 2018) ou en appliquant une pondération itérative (Pathak 2014).
9
2. Méthodes et outils
2.1. La zone d’étude Le delta du fleuve Sénégal
Le fleuve Sénégal est long de 1800 km avec un bassin une superficie de 340000km2 (Carte1). Il est considéré comme le quatrième fleuve africain et constitue avec le Niger les deux plus grands fleuves de l’Afrique de l’Ouest (IUCN/PACO 2015; Ndiaye 2003). Le bassin est partagé entre pays à savoir : La Guinée, le Mali, la Mauritanie et le Sénégal. Ces sous-bassins sont constitués en 3 grandes régions avec des caractéristiques climatologiques et topographiques différentes.
• La zone amont est le haut bassin, dans les montagnes du Fouta Djallon en Guinée est plus arrosée en pluie ;
• au centre, on retrouve la vallée du fleuve, une plaine alluviale entourée par des terres semi- désertiques ; la vallée elle-même est parfois divisée en trois parties : la haute vallée, la moyenne vallée et la basse vallée.
• en aval, le Delta se caractérise par sa riche biodiversité (Auclair and Lasserre 2013; Niasse, et al. 2008)
Carte 1 : Situation du delta du fleuve Sénégal
Le Delta, partie terminale du fleuve, est partagé entre le Sénégal au nord et la Mauritanie au sud (OMVS 2018). Le Delta du Sénégal est compris en latitude Nord entre 16° et 14°4 et en longitude entre 15°30 et16°3011. ; il s’étale sur environ 165 km Ouest en est et de 110 kilomètres, du Nord au Sud (Diop 2017). Le Delta fait partie intégrante de la vallée du Sénégal avec environ 3 % de la superficie totale du bassin versant du fleuve Sénégal (Kamara 2013).
11https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&cad=rja&uact=8&ved=2ahUKEwjOnZLe8qjxAhUDyYUKH aDeDoIQFjABegQIBxAD&url=https%3A%2F%2Fweb.inforesources.bfh.science%2Fpdf%2Farticle_cisse.pdf&usg=AOvVaw0-uNcyQ- 76IMDrNhpeGoQ5
10 Il constitue une zone basse humide sous l'influence des flux marins de l'Océan atlantique et continental du fleuve (Sall 2006). Il comprend deux lacs importants : en rive gauche, cotée Sénégalais, le lac de Guiers, connecté au fleuve Sénégal par le canal de la Taouey ; en rive droite, cotée Mauritanie, le lac de Rkiz, au nord- ouest de Podor (OMVS 2018). Il est aussi composé d’un complexe de marigots, de cuvettes alimentées par plusieurs défluents (Gorom, Djeuss, Lampsar) et de lagunes (Diop 2017). Le Delta est aujourd’hui forcement artificialisé avec notamment des aménagements pour l’irrigation et la protection contre les inondations. Due à l’influence de la marée et donc de l’intrusion marine, le barrage anti-sel de Diama a été construit, en 1985 afin de limiter la remontée des eaux salées.
Dans sa partie sénégalaise, le delta est parallèlement considéré comme une sous-unité de gestion et de planification dans le cadre du plan d’action de gestion intégrée des ressources en eau (PAGIRE) et Schéma directeur d’Aménagement et de Gestion des Eaux (SDAGE) du Sénégal. Le territoire national est ainsi découpé en cinq (5) Unités de Gestion et de Planification (UGP) subdivisées en 28 Sous-UGP. Le Delta fait partie intégrante de l’UGP de la vallée du fleuve Sénégal (Carte 2).
Carte 2 : La zone d'étude
Les méthodes et outils utilisés pour la cartographie de la couverture du sol et d’utilisation du sol et des changements ainsi que le calcul de l’indicateur 6.6.1 sont présentés dans la figure suivante. La démarche se base essentiellement sur les flux de travail proposés dans l’outil GlobWetland Africa avec une légère adaptation selon notre objet d’étude. Suite à l’acquisition des données, les étapes de traitement sont structurées autour de :
• des outils de prétraitement notamment la combinaison des bandes et le découpage selon la zone d’intérêt ;
• des outils de calcul d’indices spectraux, de classification et de détection de changement ;
11
• des outils de postclassification et de calcul de statistiques de surface
Figure 3 : Flux de travail résumant les principales étapes de la démarche méthodologique
Les traitements utilisés tout au long de ce flux de travail général constituent des étapes incontournables pour effectuer une classification de l’utilisation et de la couverture du sol et extraire des statistiques de surface. Les options de traitements utilisées font objet d’une présentation plus détaillée dans les points suivants.
2.2. Données et prétraitements
2.2.1. Les données satellites en entrée
Les données d’entrées sont des images satellites Landsat tirées du site EarthExplorer. Il s’agit de deux images image Landsat 8 OLI-TIRS de niveau 2 (niveau 2) daté de 13 mars 2015 et 26 mars 2020. Trois critères de choix ont guidé notre choix sur es images :la résolution spatiale, la netteté de l’image (absence de couvertures nuageuses) et la qualité des produits (niveau 2) . Les deux images de type OLI_TIRS_L2SP ont le même système de projection, système WGS84 avec la projection UTM 28 (Path :205 ; Row : 049). Elles
12 présentent une bonne qualité d’image (9) et une couverture nuageuse très faible avec, 0.80% pour 2015 et 0.05% pour 2020.
Caractéristiques 2015 2020
UTM WGS84
SUN AZIMUTH 122.85025298 114.99355151
SUN_ELEVATION 57.27706150 61.09234364
Heure de prise 11:26:56 11:26:49
Couverture nuageuse de scène 0.80 0.05
Couverture nuageuse terrestre 0.17 0.05
Tableau 1 : Caractéristiques des images satellites
Ce choix des images est basé sur un certain nombre de considérations :
• Les deux images sont prises en saison sèche afin de faciliter la comparaison, et pour une meilleure prise en compte des composants de la couverture du sol. En saison sèche, il y a une plus grande facilité de distinguer les différentes catégories de type de sol ;
• Elles sont toutes les deux des produits de niveau 2 de la collection Landsat (niveau 2) donc ont des caractéristiques similaires dans le sens où elles ont déjà fait l’objet de corrections radiométriques, et atmosphériques. Comparés aux produits de la collection Landsat Niveau 1, les produits de niveau 2 ont des caractéristiques améliorées et permettent de contourner une partie des étapes de prétraitement (Pinto, et al. 2020; USGS 2020) ;
• Les données Landsat (TM, ETM+ et OLI) sont connues pour leur fiabilité en matière de classification de l'occupation et la détection des changements en raison de leur résolution spatiale (30 m), de leur période de revisite (16 jours ; 8 jours avec plusieurs capteurs Landsat en orbite) et de leur large couverture spatiale (Cristina Gómez, et al. 2016) ;
• Le choix de l’échelle temporelle de 5 ans n’est pas un paramètre important dans cette étude. En effet, le but de cette étude est de concevoir des cartes d’état des lieux à deux dates différentes pour ensuite appliquer une technique de détection de changement. En d’autres termes, ce travail se focalise davantage sur l’application d’une méthode de détection de changements que sur l’explication ou la compréhension des facteurs de changement sur le milieu ;
• D’autres types de données notamment vectorielles ont été collectées auprès de la DGPRE et des géoportails. Des opérations d’extraction et de découpage (Clip) ont été effectuées considérant la zone d’étude.
2.2.2. Les prétraitements
Il y a différentes opérations de prétraitement, les corrections radiométriques, atmosphériques et les corrections géométriques. Le prétraitement permet de préparer les données Landsat à l'analyse ultérieure.
Vu que nous travaillons sur les données Landsat de collection 2 niveau 2, nous n’avons pas tenu compte des corrections radiométriques et atmosphériques. De ce fait, seules les étapes de combinaisons de bandes (rester virtuel) et de découpage (Clip) ont été prises en compte. Nous avons effectué, par la suite, la combinaison de bandes (543 et 432) puis, une amélioration du contraste le rehaussement des couleurs (Mohd HasmadiI, et al. 2009).
13 Les indices spectraux de végétation et d'eau suivante sont calculés afin d’améliorer la classification de l'occupation et de l'utilisation des sols :
• Couche 1 : NDVI ;
• Couche 2 : NDWI ;
• Couche 3 : DVW (NDVI-NDWI).
2.3. Approches de cartographie de la couverture et de l’utilisation du sol
2.3.1. La classification de la couverture et de l'utilisation du sol
Une classification supervisée est effectuée pour cette étude avec l’algorithme Random Forest en utilisant des images satellites optiques multispectrales (Landsat).
La définition des classes d’habitats s’inspire du système de classification multiniveau (trois niveaux) de la nomenclature Corine Land Cover. Précisons toutefois que les classes sont adaptées selon le contexte biophysique et socioéconomique local propre aux paysages humides et côtiers sahéliens.
Nous nous sommes limités au niveau 2 de la nomenclature au regard des incertitudes pour l’identification des classes détaillées. L’identification des classes s’est faite sur la base de la visualisation d’images à haute résolution (Google Earth) et sur la base de cartes thématiques produites dans le cadre d’autres travaux antérieurs. Neuf classes (9) au total sont retenues pour une classification générale des principales catégories de couverture et d’utilisation du sol (Tableau 2).
Tableau 2: Catégories de classes de couverture et d'utilisation du sol
Niveau 1 Niveau 2
Territoires artificialisés 1. Zones urbanisées Territoires agricoles 2.Terres irriguées
3. Zones agricoles hétérogènes Forêts et milieux semi-naturels 4.Forêt (Mangroves)
5.Milieux à végétation arbustive et/ou herbacée 6. Espaces ouverts, sans ou avec peu de végétation
Zones humides 7.Zones humides intérieures
8. Zones humides côtières
Les surfaces d’eau 9.Eaux continentales + Eaux maritimes
Pour le besoin de reporting sur l’étendue des écosystèmes d’eau douce, une seconde classification de 8 classes est effectuée se focalisant sur les typologies de zones humides et de surface d’eau (Tableau 3).
Notons toutefois que pour cette classification, les classes adjacentes dans le troisième niveau de la classe des surfaces d’eau sont prises en compte.
14 Tableau 3 : Classes des écosystèmes d'eau douce
Niveau 1 Niveau 2 Niveau 3
Zones humides 1. Zones humides intérieures 2.Zones humides côtières
Les masses d’eau Eaux continentales 3. Cours et voies d'eau 4. Plans d'eau
Eaux maritimes 5.Lagunes littorales
6. Estuaires
Forêts 7.Mangroves
Autres 8. Autres types d’habitats
L’approche de la classification supervisée requiert une création préalable de zones d’entrainement. Celle-ci est effectuée à partir d’Arcgis Pro avec l’outil Training Sample Manageurs. Quelques opérations de fusion (à travers le graphique scatter plot) étaient toutefois nécessaires pour regrouper les échantillons avec des signatures spectrales très similaires. Au total, 330 échantillons ont été collectés pour les 9 classes identifiées de la classification générale et 412 échantillons pour la classification des écosystèmes d’eau douce (Figure 4).
Figure 4 : Illustration de la distribution des terrains d'entrainement
15 L’ensemble des bandes de réflectance prétraitées, et indices spectraux sont combinées puis utilisées comme image d’entrée pour la classification. Les résultats obtenus des deux classifications ont, par la suite, fait l’objet de correction à travers un processus itératif de réallocation de classe d’habitats (postclassification). Cette étape élimine les petites parcelles de pixels isolés dans l'image classifiée, ce qui permet de définir efficacement l'unité cartographique minimale (MMU).
2.3.2. Changement de la couverture et de l’utilisation du sol
La méthodologie est basée sur la transformation de détection d'altération multivariée (MAD) et le posttraitement du facteur d'autocorrélation maximum (MAF) et la classification Random Forest. L’objectif consiste à :
- générer un ensemble de cartes pour réduire la multiplication des erreurs de classification, ce flux de travail est conçu pour mettre en œuvre une détection de changement dans les données d'images multispectrales et bi-temporelles afin d'identifier les zones potentielles de changement ou de non- changement,
- d'effectuer une classification de la couverture/utilisation du sol dans la zone de changement et de la combiner avec la carte de classification existante pour l'arrière-plan de non-changement.
L’algorithme d'apprentissage automatique Random Forest est utilisé pour la classification des images.
Figure 5: Étapes de détection de changement selon la méthode de GW-A
2.3.3. Statistiques sur les zones humides pour le reporting sur l’ODD 6.6.1
Le calcul des statistiques des écosystèmes humides suit la "méthodologie étape par étape pour la surveillance des écosystèmes (6.6.1)", document préparé par UN Water. Au cours de cette étape, la superficie (en km2) de chaque zone humide ou classe d'eau dans chaque région administrative est calculée et enregistrée dans un fichier texte. Sur cette base, la variation des étendues en pourcentage est estimée.
En particulier, l'équation suivante est utilisée :
.
16 Où β est l'étendue spatiale moyenne pour une classe donnée de la période de référence (2015) et γ est l'étendue spatiale moyenne pour la période de déclaration (2020). En termes d’interprétation des résultats, les valeurs négatives représentent un gain d'étendue spatiale alors que les valeurs positives représentent une perte d'étendue spatiale.
Précisions toutefois que pour un souci d’une meilleure compréhension des résultats issus du calcul de variation des étendus, la formule est légèrement modifiée afin que les valeurs positives correspondent effectivement au gain d’étendue et que les valeurs négatives aux pertes d’étendue. La valeur de -1 est rajoutée subséquemment.
𝑃𝑜𝑢𝑟𝑐𝑒𝑛𝑡𝑎𝑔𝑒 𝑑𝑒 𝑐ℎ𝑎𝑛𝑔𝑒𝑚𝑒𝑛𝑡 𝑑𝑒 𝑙
′é𝑡𝑒𝑛𝑑𝑢𝑒 = ( (𝛽 − 𝛾)
𝛽 ∗ 100) ∗ −𝟏
17
3. Résultats et discussions
Ce chapitre présente les résultats obtenus à la suite des traitements offerts par la boîte à outils. Il s’agit aussi, dans cette partie, d’expliciter les options méthodologiques choisies ainsi que leurs implications en termes de résultats. Les principaux résultats concernent : les cartes de classifications générales et précisée, les cartes de changement et les variations de l’étendue des superficies des écosystèmes tributaires d’eau.
3.1. Classification de la couverture et de l'utilisation des sols (2015 et 2020)
La couverture/occupation du sol est, selon (Cristina Gómez, et al. 2016) la couverture biophysique de la surface terrestre de la terre, identifiant la végétation, les eaux intérieures, le sol nu ou les infrastructures humaines. En revanche, l'utilisation des sols fait référence à la manière dont les êtres humains exploitent la terre et ses ressources, notamment l'agriculture, le développement urbain, le pâturage, l'exploitation forestière et minière (Al-doski, et al. 2013). La boîte à outils GW-A propose les étapes incontournables pour réaliser une classification supervisée, avec des possibilités de traitements avant (prétraitement) et après la classification (posttraitement). Néanmoins, notons que nous n’avons pas fait usage de l’ensemble des étapes proposées dans les flux de travail pour différentes raisons. Celles-ci seront explicitées tout au long du document.
3.1.1. Outils de prétraitements proposés par GW-A
La boîte à outils GW-A propose des options de prétraitement séparées pour les données Landsat ou les données Sentinels. Pour ces dernières, il est possible de télécharger directement les données à partir de la boite à outils, nécessitant néanmoins que l’utilisateur dispose d’un compte pour télécharger les données sentinelles. Précisions que le premier choix portait sur les données sentinels, mais l’apparition répétitive d’un message d’erreur indiquant un défaut de langage (Ascii) nous a orienté vers les données Landsat.
Ce flux de travail est utilisé pour préparer les données Landsat à l'analyse. Les étapes comprennent la décompression, le masquage des nuages, l'empilage, le découpage des données en fonction d'une zone d'étude spécifique et le calcul de l'indice spectral.
L’outil de détection et de masquage des nuages, ombres, etc. (Zhu and E.Woodcock 2012), n’a pas été pris en compte vu la quasi-inexistence de couverture nuageuse. Aussi, l’option de découpage proposée par l’outil n’a pas été utilisé, car ne permet pas un découpage selon les contours exacts de la zone d’intérêt. A la place, l’outil Clipper (Raster=> Extraction=>clipper) de Qgis a permis le faire le découpage de l’ensemble des couches selon la zone d’étude. Pour des besoins de plus de précision notamment dans les statistiques de surface, il a été jugé nécessaire de ne pas utiliser l’option de découpage proposée dans la boîte à outils GW- A (Fig.6).
18 Figure 6: Découpage à partir de clipper (Qgis) (1) vs découpage à partir de GW-A (2)
De surcroit, certaines options ne fonctionnent pas normalement et/ou ne sont pas compatibles avec certaines données. Par exemple, le traitement Fmask, n’a pas fonctionné avec des données Landsat 7 de niveau 2. L’erreur indiquée est liée à la bande B6 VCID.tif
Afin de comprendre la raison de cette erreur, il s’agissait d’abord de vérifier la source, dans le script qui fait référence à la bande thermale B6_VCID de Landsat7 précisément à la ligne 16.
Ensuite, il a suffi d’une petite comparaison entre la disposition des bandes de Niveaux 1 et de Niveau 2 de Landsat 7 ETM+, pour comprendre que l’erreur vient probablement d’une incohérence. En effet, le produit ETM+ niveau2 contient certes une bande 6, mais pas avec l’extension _VCID. Pourtant, le GW-A recommande fortement l’usage des données Landsat de niveau 2 pour une optimisation des résultats. Ceci a donc orienté notre choix d’utiliser une image Landsat 8 à la place, afin d’éviter des erreurs similaires plus loin dans les traitements.
Il est aussi utile de signaler que la boîte à outils GW-A en soi ne propose pas des traitements de corrections radiométriques ou atmosphériques. Par contre les logiciels connexes peuvent être utilisés à cet égard.
3.1.2. Classification de la couverture du sol y compris les masses d’eau
La carte des habitats des zones humides (Wetland Habitat mapping) constitue un des principaux produits fournis par la boîte à outils GW-A .
RuntimeError: No files found for pattern 'C:/…… \LB6_VCID ?. TIF »
1 2
19 Dans l’ensemble, 4 flux de travail du groupe de traitements Wetland Habitat mapping sont utilisés pour la réalisation de la classification de la couverture et de l'utilisation des sols, d’une carte de changements des couvertures du sol et de deux classifications des écosystèmes d’eau douce. Le flux de travail de la cartographie générale (Status mapping), est composé de trois 3 étapes :
• La combinaison des images ;
• La classification elle-même ; et
• la définition de l’unité minimale postclassification.
3.1.2.1. Couverture et occupation du sol – classification générale
Le premier flux de travail permet de calculer les indices spectraux et d’extraire la texture de l’image. Il est constitué de 3 étapes : le calcul des indices, le calcul des statistiques temporelles (pour les séries chronologiques) et l’extraction de la texture des images. Vu que nous utilisons des images bi-temporelles en entrée, nous avons sauté l’étape de calcul de statistiques temporelles étant donné qu’elle n’est applicable que pour les séries temporelles. Pour la texture, l’outil met d'abord en œuvre une analyse en composantes principales (ACP) et utilise la première composante principale pour calculer 5 caractéristiques de texture selon la méthode Haralick (Haralick, et al. 1973). Pour la réalisation des classifications, les couches suivantes ne sont pas prises en compte :
• Couche 4 : Tasseled Cap Brightness index ;
• Couche 5 : Tasseled Cap Greenness index ;
• Couche 6 : Tasseled Cap Wetness index;
• Couche de texture.
Il a été constaté une incohérence des valeurs de nodata, qui constituait un blocage notoire pour faire la combinaison et arriver à la classification. N’ayant pas pu trouver une possibilité d’harmoniser les valeurs nulles de ces couches lors de la combinaison des données, ces couches ont été tout simplement exclues des traitements. À cet effet, le traitement a pu fonctionner sans elles, et les différentes classifications effectuées.
Figure 7: Erreur liée à la présence de valeurs nulles dans les fichiers rasters
Une fois la classification effectuée, les données brutes classifiées présentent un effet "sel et poivre" avec de nombreux pixels d'une classe particulière intercalée avec des zones contigües d'autres classes.
S’en est donc suivi la définition d’une unité minimale ou Minimum Mapping Unit. Cette étape élimine les petites parcelles de pixels isolés dans l'image classifiée, afin d’avoir une carte beaucoup plus affinée. Pour cela, il a fallu définir une valeur du seuil de pixel considéré comme groupe homogène minimal admissible de pixels dans la carte finale. Par défaut, la boîte à outils GW-A propose la valeur de 11 pixels comme seuil pour la classification d’image dérivée de Landsat (soit MMU=1ha). Ce qui signifie que tous les patchs de pixels
20 égaux ou inférieurs à 11 pixels (environ 1ha) sont filtrés. S’il s’agissait d’une classification dérivée des données Sentinel-2 (avec une résolution de 10 mètres), la valeur par défaut est de 10 pixels (MMU=0.1ha).
Figure 8: Illustration avec ou sans MMU
Notons par ailleurs que la détermination du seuil donc de la taille de l’unité minimale peut affecter de manière significative les estimations de précision de la classification. Il est possible à cet effet d’utiliser une valeur aussi petite que possible d’une MMU pour maintenir un niveau de précision acceptable (Knight and Lunetta 2003). Au sortir de ce traitement des unités de cartographie minimales, le rendu final est plus acceptable en termes de distinction plus fine des classes (Carte 3).
Carte 3 : Classification de la couverture et de l’utilisation du sol (2015)
21 Le paysage du Delta est marqué par un panachage de typologies d’habitats variant entre habitats très artificialisés et des habitats semi-naturels, voire naturels. Les classes identifiées dans cette cartographie des habitats constituent les principaux composants du paysage du delta du Sénégal. Il est considéré comme la zone principale de production rizicole au Sénégal. Ceci explique la forte présence de terres irriguées matérialisées sur les cartes telles que les terres arables. Le Delta est tout aussi reconnu comme une zone à forte biodiversité, de par ses parcs nationaux, réserves naturelles et/ou de faune. Ceci se ressent par la forte présence de milieux semi-naturels. Concernant les zones agricoles hétérogènes, elles renvoient aux zones de cultures mixtes (saisonnière comme annuelle) en alternance avec les activités de pâturages. En comparaison avec la nomenclature Corine Land Cover (CLC), cette classe renvoie à la fois à la classe 2.3 sur les prairies et à la classe 2.4 sur les zones agricoles hétérogènes. Étant donné le système de culture forcément marqué par l’intégration agriculture extensive, il n’est pas aisé de distinguer avec certitude les espaces spécifiques réservés à chaque activité. Les espaces ouverts sont représentés par les plages et dunes de sables ainsi que la steppe très présente dans les réserves de faune ou sylvopastorales.
3.1.2.2. Couverture et utilisation du sol – classification précisée des masses d’eau
Cette démarche de classification précisée des types de masses d’eau est axée sur l'utilisation de caractéristiques basées sur des segments dérivés d'images satellites et de zones d'eau classées pour identifier les différents types de masses d'eau. Les étapes sont constituées de :
• Zone d'extraction de l'eau ;
• Calcul des caractéristiques géométriques des polygones d'eau ;
• Classification des types de masses d'eau ;
• Combinaison les cartes.
Cette carte ci-dessous présente les résultats intermédiaires issus du processus de classification des masses d’eau. Le masque d'eau binaire est extrait à partir de la classification générale précédemment présentée. Les zones de masse d'eau présentent une valeur de 1, tandis que les zones non aquatiques ont des valeurs nulles.
Carte 4 : Résultat intermédiaire de la classification des masses d'eau
22 Concernant la seconde illustration, elle indique les couches créées à partir de tous les pixels connectés à l’eau. Des couches vectorielles sont ainsi créées et permettent d’effectuer des statistiques spatiales, pour enfin être converties en rester. Il aurait été toutefois intéressant d’avoir la possibilité d’extraire les polygones pour des analyses ultérieures.
La dernière est la couche de classification des masses d’eau obtenue grâce à l’algorithme random forest et sur la base des échantillons préalablement déterminées. Sur ce point, il est utile de préciser que le choix s’est posé pour soit refaire un échantillonnage nouveau soit adapter les échantillonnages déjà effectués. Pour un souci de temps, la seconde option est donc adoptée. L’échantillon sur les écosystèmes de zones humides préalablement réalisé a donc fait l’objet de la classification des masses d’eau. Ceci en admettant que des opérations de suppressions et de redéfinition des entités fussent nécessaires afin d’éliminer les échantillons de classes inappropriées. Les masses d’eau sont ainsi identifiées et classifiées en quatre types.
Carte 5: Classification des masses d'eau
Notons toutefois, quelques imprécisions sur la classification sur les masses d’eau. Lors de la création des échantillons, il a été constaté que certains pixels de terres irriguées reflétaient des couleurs très similaires à l’eau. Une tentation de correction a été faite à travers le graphique des nuages de point, mais les pixels en question ont effectivement été considérés comme des plans d’eau par l’algorithme de classification. Une opération de segmentation pourrait être appliquée pour corriger cette confusion de classe.
23 Figure 9: Confusion de la classe d'eau avec celle des terres irriguées
Carte 6 : Confusion de classes d'eau dans la typologie des masses d'eau
Les eaux de mer et d’océan sont exclues de cette classification, car n’apparaissent pas dans le découpage administratif du Delta du fleuve à notre disposition.
Cette classification spécifique des masses d’eau est ensuite combinée avec la classification générale dans une seule couche. Celle-ci étant considérée comme le produit ultime de ce flux de travail matérialisant les classes de couverture du sol avec les typologies de masse d’eau. Malheureusement, après divers tests de symbologie, il n’a pas été possible de faire apparaitre les deux informations sur la carte combinée finale.
Les masses d’eau apparaissent sur une classe.
24 Carte 7: Combinaison de carte de couverture et d’utilisation du sol et des masses d’eau (2020)
3.1.3. Postclassification - segmentation
Au-delà de la classification supervisée, des traitements supplémentaires sont proposés avec un flux de travail de posttraitement qui permet d’appliquer une segmentation en vue d’une édition manuelle pour correction (Fig.8). Pour ce travail, les traitements de postclassification sont opérés sur la classification de 2015.
Figure 10 : Étapes de postclassification (segmentation)
Pour les étapes 1 et 2, le flux de travail est appliqué tel que défini dans les instructions.
25 Par contre, à l’étape 3, des modifications sont apportées. En fait, les bandes ne sont pas précisées selon les types d’images satellites. En effet, il est suggéré sur l’instruction, de choisir les Bandes 1 : (bande bleue) Bande 2 : (bande verte) Bande 3 : (bande rouge) Bande 7 : (bande NIR). Sachant que les bandes citées et leurs couleurs ne correspondent pas aux bandes de Landsat 8, nous avons choisi les bandes en fonction de l’image qui nous intéresse dans ce travail (Landsat8).
Bandes Landsat 7 Landsat 8
Bleu Bande 1 Bande 2
Vert Bande 2 Bande 3
Rouge Bande 3 Bande 4
Proche Infrarouge Bande 7 Bande 5
Tableau 4 : Bandes Landsat7/Landsat8
Toutefois, une erreur est apparue lors du traitement relatant que la couche de sortie n’a pas pu être créée correctement (fig.9). On en déduit que les changements apportés ne correspondent pas surement pas aux paramètres de base définis dans les programmes d’exécution.
Figure 11 : Erreur apparue lors de la combinaison des couches — segmentation (postclassification)
Une autre démarche est alors utilisée pour contourner ce blocage. Lors des étapes préalables à la classification, il s’est agi d’abord de combiner les images d’entrée. Ne pouvant pas procéder avec l’outil proposé à l’étape 3 de la segmentation, la combinaison est alors effectuée avec la démarche de combinaison préalable. Cependant, cette option de combinaison ne permet pas de cibler les bandes d’intérêt (notamment les bandes 2, 3, 4, 5), elle s’applique sur l’ensemble des bandes multispectrales existantes dans la couche Raster virtuelle utilisée en entrée.
Pour l’étape de la segmentation étape 4), les valeurs par défaut sont gardées, excepté la valeur range datus dont sa modification influence la taille des segments. La valeur de 100 est attribuée à cet effet, selon les instructions sur le flux de travail.
Le résultat obtenu est certes satisfaisant, mais les valeurs nulles (ondatra) apparaissent comme des vecteurs (fig.10). Pour corriger cela, les entités dans la zone des valeurs nulles sont supprimées manuellement.
