Académique Documents
Professionnel Documents
Culture Documents
++++++++++
DOMAINE : SCIENCES ET TECHNOLOGIES
Mention : PHYSIQUE ET APPLICATIONS
Parcours : PHYSIQUE DU GLOBE
J'adresse mes remerciements aux personnes qui m'ont aidé dans la réalisation de ce mémoire, à tous les
enseignants chercheurs et tout le personnel de l’I.O.G.A ainsi que mes collègues du laboratoire LGET,
et mes amis.
Enfin je remercie particulièrement ma famille de m’avoir soutenu moralement et surtout financièrement
car sans eux ce travail n’aurait jamais vu le jour.
i
Table des matières
Remerciements ......................................................................................................................................... i
Glossaire ................................................................................................................................................. ix
I- INTRODUCTION ........................................................................................................................... 1
II.2.1 - L’intensité........................................................................................................................ 4
ii
III.3.2 - Indice de brulure normalisé NBR .............................................................................. 12
IV - RESULTATS ............................................................................................................................ 20
V- INTERPRETATIONS ............................................................................................................... 28
VI - DISCUSSIONS ......................................................................................................................... 33
VI.1 - Superposition des points de feu détectés sur le Forest Fire Danger Index ........................ 33
VI.2 - Validation des points de feu détectés avec les surfaces brulées ........................................ 35
iii
VI.4 - Avantage de la détection de feu actif ................................................................................ 36
ANNEXE.................................................................................................................................................. I
iv
Liste des figures
Figure 1 : Différents types de feu ............................................................................................................ 4
Figure 2 : Surface brulée détectée le 13 octobre 2016 dans une partie de la région Sofia ...................... 5
Figure 3 : Détection de changement à partir d’une composition colorée d'une zone incendiée (R = 04
Août, V = 07 octobre, B = 07 octobre) à partir d'images Landsat 8 ........................................................ 6
Figure 4: Confusion entre fumée representé par la composition vraie couleur (à gauche) et nuage
représenté dans des cercles à partir d’une composition fausse couleur (à droite) ................................... 6
Figure 9 : Composition fausse couleur (7-2-1) obtenue à partir des images MODIS (MYD02KM) du 22
octobre 2016 à gauche et 23 octobre 2016 à droite ............................................................................... 14
Figure 10 : Masquage d’eau (blanc) à gauche et masquage de terre (gris) à droite à partir de l’image
MODIS (MYD03) « 23 octobre 2016» ................................................................................................. 14
Figure 14 : Les pixels eaux (bleu) et pixels sols (gris) obtenus à partir des images MODIS (MYD03 et
MYD02KM) du 22 octobre 2017 à 10 : 00 (à gauche) et 23 octobre 2017 à 10 : 45 (à droite) ............ 20
Figure 15 : Superposition des pixels nuage (blanc), eau (bleu) et sol (gris) du 22 et 23 octobre 2016
obtenus après extraction ........................................................................................................................ 21
Figure 16 : Pixels de feu détectés (rouge) le 22 octobre 2016 (à gauche) et 23 octobre 2016 (à droite)
............................................................................................................................................................... 21
Figure 19 : dNBR obtenue à gauche et surface brulée après seuillage (en noir) à droite, les pixels eau
(bleu) et les nuages (blanc) .................................................................................................................... 23
Figure 20 : Surfaces brulées du 23 octobre 2016 à partir du dNBR des images Landsat ...................... 24
v
Figure 22 : Températures (°C) ............................................................................................................... 26
Figure 27 : Comparaison de l’image MODIS détectée à 10 : 00 heure UTC (à gauche) et Landsat à 06:51
heure UTC (à droite) observées le 23 octobre 2016 .............................................................................. 29
Figure 28 : Masquage de nuage (à gauche) et composition coloré (à droite) du 22 octobre 2016 ....... 29
Figure 29 : Masquage de nuage (à gauche) et composition coloré (à droite) du 23 octobre 2016 ....... 30
Figure 31 : Superposition des points de feu détectés à partir de la méthode de seuillage (22 et 23 octobre
2016) (en blanc) sur les FFDI............................................................................................................... 34
Figure 32 : Les trois éléments nécessaire pour que le feu puisse se produire ....................................... 34
Figure 33 : Vérification à partir des surfaces brulées obtenu avec le dNBR du 23 octobre 2016 ......... 35
vi
Liste des tableaux
Tableau I: Recensement des causes d’utilisation du feu à Madagascar .................................................. 3
Tableau IV: Identifient des images Landsat utilisées pour la validation ............................................... 16
Tableau VIII : Surfaces brulées en hectares obtenues avec dNBR à partir des images Landsat ........... 25
vii
Liste des acronymes
BD : Base de données
CSIRO : Commonwealth Scientific and Industrial Research Organisation
DF : Drought Factor
DGM : Direction Générale de la Météorologie
ECMWF : European Centre for Medium-Range Weather Forecast
ESA : European Space Agency
FAO : Food and Agricultural Organization
FFDI : Forest Fire Danger Index
FRP : Fire Radiative Power
GES : Gaz à Effet de Serre
GMT : Greenwich Mean Time
HDF : Hierarchical Data Format
IOGA : Institut et Observatoire de Géophysique d’Antananarivo
KBDI : Keetch Byram Drought Index
LGET : Laboratoire de Géophysique de l’Environnement et Télédétection
MAD : Mean Absolute Deviation
MATLAB : Matrix Laboratory
MESA : Monitoring for Environment and Security in Africa
MIR : Moyen Infrarouge
MODIS : Moderate Resolution Imaging Spectroradiometer
NBR : Normalized Burn Ratio
NDVI : Normalized Difference Vegetation Index
PIR : Proche Infrarouge
QGIS : Quantum GIS
SIG : System d’Information Géographique
SWIR : Short Wave InfraRed
TIR : Infrarouge Thermique
USGS : United States Geological Survey
UTC : Universal Time Coordinated
UTM : Universal Transverse Mercator
viii
Glossaire
Anomalie thermique
Une anomalie thermique appelée également “point chaud” est définie comme la présence d’un ou de
plusieurs pixels dont la radiance correspond à une zone chaude. Ces pixels apparaissent alors brillants
dans les images moyennes infrarouges (MIR ≈ 4μm) et peuvent s’éclaircir dans les images infrarouges
thermiques (TIR ≈ 12μm) (Servadio, 2011).
Gaz à effet de serre
Gaz qui participent à l'effet de serre. L'augmentation de leur concentration dans l'atmosphère terrestre
est à l'origine du réchauffement climatique (www.futura-sciences.com).
Humidité relative
L'humidité mesure la quantité de vapeur d'eau présente dans l'air, sans compter l'eau liquide et la glace.
Pour que des nuages se forment, et qu'il y ait des précipitations, l'air doit atteindre une humidité relative
légèrement supérieure ou égale à 100 %.
Puits de carbone
Tout processus ou mécanisme qui absorbe un gaz à effet de serre ou un précurseur de gaz à effet de serre
présent dans l’atmosphère. Un bassin ou réservoir donné peut être un puits de carbone atmosphérique,
et ce, durant un certain laps de temps quand il absorbe plus de carbone qu’il n’en libère (GIEC, 2000).
Télédétection
La télédétection est la discipline scientifique qui regroupe l'ensemble des connaissances et des
techniques utilisées pour l'observation, l'analyse, l'interprétation et la gestion de l'environnement à partir
des images obtenues à l'aide de plateformes aéroportées, spatiales, terrestres ou maritimes.
Zonal et méridionale (Karpachev et Gasilov, 2001)
Ce sont des termes utilisés pour décrire les directions sur le globe
Vent zonal (W component of wind) : direction de vent "le long de la latitude" ou "dans
la direction Ouest-Est".
Vent méridional (V component of wind) : direction de vent " le long de la longitude"
ou "dans la direction Nord- Sud".
ix
I - INTRODUCTION
La destruction des forêts, des infrastructures et le cout de la lutte contre les incendies
sont estimés à plusieurs milliards de dollars chaque année. Pour l’an 2000, plus de 350 millions
d'hectares de forêts ont été brulés au niveau mondial (FAO, 2003). Le feu produit quatre types
de signaux spectraux observables depuis l'espace: rayonnement direct du front de flamme
(chaleur et lumière), aérosols (fumée), résidus solides (charbon et cendre), modification de la
structure de la végétation (cicatrice) (Dumas et al., 2013). La télédétection ou traitement des
images satellites offre un moyen pour pouvoir le détecter et de voir les effets causés par son
passage (Mezned et al., 2005).
L’utilisation des images satellitaires pour la détection de feu est un avancé majeure dans
la gestion des incendies de végétation en termes de cout, et minimise l’intervalle de temps pour
l’acquisition des informations (Zammit, 2008). Ici la méthode de détection de feu utilise les
images MODIS (Moderate Resolution Imaging Spectroradiometer). Ces images MODIS
contiennent 36 bandes spectrales allant du visible à l’infrarouge thermique. Dans notre cas les
bandes thermiques au niveau des longueurs d’onde 4 µm et 11 µm sont les bandes
principalement utilisés. Le but est de voir une élévation locale de la température (point chaud)
au-dessus de la température ambiante normale (Liew et al., 2005, 2006). Cette méthode peut
parfois conduire à des fausses alarmes, donc on a introduit d’autre canaux dans les longueurs
d’ondes 12, 31, 32 µm afin d’éliminer ces divers erreurs (Giglio et al., 2003).
Les indices de végétation sont très souvent utilisés en télédétection afin d’établir une
cartographie ou bien de faire une estimation des surfaces brulées (Martín et al., 2005). Le NBR
« Normalized Burn Ratio » (Key et Benson, 1999) et le NDVI « Normalized Difference
Vegetation Index » (Rouse et al., 1974) deux indices obtenus à partir des images Landsat 8 ont
été utilisés afin de faire une validation des points de feu détectés.
L’influence due au prolongement de saison sèche renforce la disponibilité du
combustible à être brulée, et considéré comme facteur de propagation de feu de végétation,
mais surtout augmente sa fréquence d’apparition (Orieux, 1974; Archibald et al., 2009).
Une autre méthode a été utilisée, elle est basée sur l’utilisation d’un modèle plus connu en
télédétection par indice de risque, ici l’indice utilisé est le Forest Fire Danger Index. Elle sert à
prédire le risque ou le danger de feu qui pourra apparaitre (Sharples et al., 2009). L’utilisation
de cet indice est un moyen afin de valider les points de feu détecté. Il peut être utilisé comme
outil de prise de décision pour les entités concernées de mobiliser, positionner d’avance tous
les moyens et ressources nécessaires pour pouvoir intervenir à un intervalle de temps très court
1
(Assali et al., 2016). Le Forest Fire Danger Index connu comme le McArthur Mark 5 est un des
modèles très largement utilisés en Australie par CSIRO (Commonwealth Scientific and
Industrial Research Organisation) depuis les années 1960 afin de prévenir la propagation des
incendies de forêt (Sharples et al., 2009). Mais ici l’application est faite dans tous types de
végétation. Ce modèle est basé sur l’utilisation des données de précipitation, de la vitesse du
vent, et des autres données d’observations météorologiques comme la température et l’humidité
relative (Dowdy et al., 2009).
Ce mémoire est divisé en 4 différentes parties : l’introduction, la généralité sur le feu, la
méthodologie qui est subdivisée en trois parties (détection de feu actif, détermination de risque
de feu, et enfin la caractérisation des surfaces brulées qui sert de validation des points de feu
détectés), ensuite les résultats, puis les interprétations et discussions des résultats obtenus, et
se termine par une brève conclusion.
2
II - GENERALITES SUR LE FEU
II.1 - Les causes ou origines du feu
Dans le monde seulement 10% des incendies sont d’origine naturelle ou causée par la foudre,
entre 1973 et 1982 la foudre a allumé 34% de tous les incendies de forêt pour une moyenne
d’environ 3100 incendies par année (Kourtz et Todd, 1993), l’activité humaine est donc le
principal source de destruction de la biodiversité (Alvarado, 2013).
3
II.2 - Les différents caractéristiques et types de feu
II.2.1 - L’intensité
L'intensité du feu est le facteur clé déterminant l'impact du feu sur la végétation. Ce sont les
facteurs météorologiques ainsi que la disponibilité du combustible à être brulée affectent la
chaleur produite lors de la combustion, la quantité des combustibles brulés et la propagation
d'un incendie, qui influent l'intensité du feu (MESA, 2017).
L'intensité du feu est estimée comme suit (Byram, 1959; Wagner, 1977)
𝐼 =𝐻×𝑊×𝑅
Où : H : chaleur de combustion (kJ/kg)
W : masse de combustible brulé par unité de surface (kg/m2)
R : vitesse de propagation du front de feu (m/s)
II.2.2 - La fréquence
La fréquence décrit le nombre moyen de feux qui ont eu lieu sur une période donnée de temps
et est souvent exprimée en termes d'intervalle de retour du feu. L'intervalle de retour du feu est
le nombre moyen d'années entre deux apparitions successives de feu sur un point donné, ou sur
une zone donnée, pour une période d'étude donnée.
II.2.3 - Types de feu
- Les feux de sol brûlent la matière organique contenue dans le sol qui sert de
combustible. Ils sont peu virulents, de propagation lente et difficile à éteindre
complètement.
- Les feux de surface ce sont les strasses basses de la végétation qui servent de
combustible. Leur propagation rapide est favorisée par le vent en relief.
- Les feux de cimes sont localisés sur la partie supérieure des arbres, ils libèrent de
grandes quantités d'énergie et se propagent très rapidement. Favorisés par le vent et la
sècheresse, ils sont difficiles à contrôler.
4
II.3 - Fenêtre atmosphérique
La fenêtre atmosphérique est une partie du spectre électromagnétique pour laquelle l'absorption
par l'atmosphère terrestre est minimale. L’atmosphère est relativement transparente dans le
visible (large fenêtre atmosphérique), tel que dans l’infrarouge les deux fenêtres principales se
situent entre 3 et 5 µm et 8 et 14 µm environ.
Les fenêtres atmosphériques sont très utilisées dans la détection des signaux émis par les
satellites. L’atmosphère est opaque de 22 µm à 1 mm, ce qui explique l’absence d’utilisation
de cette portion de spectre en télédétection (CNRS, 2004).
Figure 2 : Surface brulée détectée le 13 octobre 2016 dans une partie de la région Sofia
5
II.5 - Détection de changement
En utilisant deux images d’une zone photographiées avec deux dates différentes, cela fournit
un autre moyen pour voir les surfaces brulées. Elle a pour but de combiner les bandes des deux
images (Baghdadi et Zribi, 2017).
04 Août 2016
07 Octobre 2016
Figure 3 : Détection de changement à partir d’une composition colorée d'une zone incendiée
(R = 04 Août, V = 07 octobre, B = 07 octobre) à partir d'images Landsat 8
Figure 4: Confusion entre fumée representé par la composition vraie couleur (à gauche) et
nuage représenté dans des cercles à partir d’une composition fausse couleur (à droite)
6
III - METHODOLOGIE ET LOCALISATION DE LA ZONE D’ETUDE
Localisation : Couvre en partie les régions Diana au Nord et Sofia au Sud. Elle est limitée à l’Ouest par
le Canal de Mozambique.
Elle est composée des 6 districts suivants
- Ambanja
- Ambilobe
- Analalava
- Antsohihy
- Bealanana
- Befandriana Nord
Superficie : Elle a une superficie totale de 2 715 374 hectares.
Climat général : Le climat est principalement caractérisé par deux saisons bien distinctes, la saison
sèche de mai à octobre et la saison pluvieuse de novembre à avril. La température moyenne annuelle
atteint 29°C et le nombre moyen de jours de pluie est de 7 jours pour l’année 2016 (DGM, 2017).
7
III.2 - Détection de feu actif
Le but de la détection est d’identifier les « pixels de feu » qui contient un ou plusieurs feux lors
du passage du satellite. À la fin, l’algorithme classifie chaque pixel comme suit :
Nuage
Eau
Sol
Feu
Notation :
Les réflectances sont notées par 𝜌i
Les températures de brillance sont notées par 𝑇i
Où : i est la valeur de la longueur d’onde utilisée (en µm)
L’algorithme de détection de feu utilisée ici est basé sur l’utilisation des températures de
brillance à 4 𝜇m, 11 𝜇m (notées : 𝑇4 , 𝑇11 ), et d’exploiter leur différence (∆T = 𝑇4 − 𝑇11 ) pour
pouvoir appliquer le technique de seuillage comme décrit dans (Liew et al., 2005, 2006).
Différents masquages ont été ensuite adoptés pour pouvoir éliminer les fausses alarmes en
exploitant les différentes réponses des bandes dans les longueurs d’onde de l’infrarouge, du
moyen infrarouge des scènes contenant des sous pixels de chaleur (Dozier, 1981) et de
l’infrarouge thermique (Giglio et al., 2003, 2016).
L'instrument MODIS dispose de deux canaux 4 µm, numérotés 21 et 22 qui saturent près de
500 K et 331 K respectivement. Le canal de faible saturation (22) est moins bruyant et a une
erreur de quantification plus petite et par conséquent 𝑇4 est dérivé de ce canal, autant que
possible. Lorsque le canal 22 sature ou possède des données manquantes, il est remplacé par le
canal de saturation élevée (21) pour dériver 𝑇4 .
𝑇11 est calculé à partir du canal 11 µm (canal 31), qui sature à environ 400 K pour Terra MODIS
et 340 K pour Aqua MODIS (Tableau II). Le canal 12 µm (canal 32) est utilisé pour le masquage
des nuages et la température de brillance pour ce canal est désignée par 𝑇12 (Giglio et al., 2003).
Les fausses alarmes induites par l'eau sont rejetées par l'application de la bande 2,1 µm.
8
Pour les observations journalières, les réponses des réflectances 0.65, 0.86, et 2.1 𝜇𝑚 notés
comme les suivantes 𝜌0.65 , 𝜌0.86 , 𝑒𝑡 𝜌2.1 sont utilisés dans le test.
𝑜𝑢
(𝜌0.65 + 𝜌0.86 > 0,7 𝑒𝑡 𝑇12 < 285 𝐾) (2)
9
III.2.3 - Identification des pixels de feu
Une classification préliminaire est utilisée pour éliminer les pixels non-feu. Les pixels qui ne
sont pas éliminés au cours de cette étape sont considérés comme des pixels de feu potentiels, et
subiront un traitement ultérieur.
Un pixel de jour est identifié comme un pixel de feu potentiel si :
𝑇4 > 𝑇4 ∗ , ∆𝑇 > ∆𝑇 ∗ où (∆𝑇 = 𝑇4 − 𝑇11 ) (3)
Mais ici, on a pris 𝑇4 ∗ = 325 K, ∆𝑇 ∗ = 20 K, car ces valeurs permet d’avoir des résultats avec
très peu d’erreurs lors de la détection comme le décrit dans (Liew et al., 2005). Après avoir subi
ces différents tests, des rejets vont être appliqués afin d’éliminer des erreurs lors de la détection.
Cette combinaison particulière a été choisie pour réduire la confusion des ombres de nuages et
les cicatrices de brulure avec l’eau.
Comme le masque « sol / mer », MODIS n’a pas pu masquer certains pixels d’eau, donc un
autre test a été fait
𝜌2.1 < 0,05 , 𝜌0.86 < 0,15 𝑒𝑡 𝑁𝐷𝑉𝐼 < 0 (5)
10
III.2.6 - Rejet des sols nus
Les sols nus sont identifiés à partir de tests établis par Randriambelo et al (1998) suivants
MYD021KM MYD03
Géoréférencement
Rejets
Feu
11
III.3 - Caractérisation des surfaces brulées
III.3.1 - Indice de végétation par différence normalisée NDVI
Les indices de végétation, très largement utilisés en télédétection, donnent une estimation de
variables géophysiques : couverture de la végétation (densité, santé), teneur en eau des sols,
etc. Ils sont obtenus par un calcul faisant généralement intervenir deux bandes spectrales :
bandes rouge (R) et proche infra-rouge (PIR). Ils permettent ainsi d’estimer rapidement et
simplement des variables environnementales.
La végétation saine absorbe une grande quantité de lumière rouge et réfléchit une grande
quantité de lumière IR. Au contraire, une végétation moins saine réfléchira plus de Rouge et
absorbera plus d’IR. L’indice NDVI est fondé sur la différence de réflectances entre ces deux
bandes (Rouse et al., 1974).
𝑃𝐼𝑅 − 𝑅
𝑁𝐷𝑉𝐼 = (9)
𝑃𝐼𝑅 + 𝑅
𝑃𝐼𝑅 − 𝑀𝐼𝑅
𝑁𝐵𝑅 = (10)
𝑃𝐼𝑅 + 𝑀𝐼𝑅
12
La détection de surface brulée est résumée comme suit :
13
III.4 - Données utilisées
III.4.1 - Les images MODIS
Les images issues des capteurs MODIS ont été téléchargées à partir du site web
https://earthdata.nasa.gov. Ces images sont dites de moyenne résolution, elles contiennent 36
bandes allant de 0,4 à 14,4 μm (c’est-à-dire allant du visible à l’infrarouge thermique).
Leurs dates d’acquisition sont 22 et 23 octobre 2016 à 10 : 00 et 10 : 45 (heure UTC).
III.4.1.1 - MYD02KM
Figure 9 : Composition fausse couleur (7-2-1) obtenue à partir des images MODIS
(MYD02KM) du 22 octobre 2016 à gauche et 23 octobre 2016 à droite
III.4.1.2 - MYD03
Les images MODIS MYD03 contient le masquage d’eau, océan, et terre (sol)
15
III.4.1.3 - MODIS surface brulée (MCD64A1)
L’image MODIS « MCD64A1 » est une amélioration de l’image MCD45A1. Elle fournit des
informations des surfaces brulées mensuelles avec 500 mètres de résolution.
Elle est structurée comme suit : « MCD64A1.A2017281.h22v11»
- MCD64A1 désigne le MODIS surface brulée
- A2017281 est le 281e jour de l’année 2017 qui est le 08 octobre 2017
- h22v10 est la localisation dans le système de carrelage sinusoïdal
MCD64A1 contient les dates où les brulages ont été détectés, ces dates sont affichées sous
forme de jour julien (1-335 ou 1-336 pour les années bissextiles).
Ces données ont été obtenues à partir du site web ftp://ladsweb.nascom.nasa.gov/allData/6/
III.4.2 - Landsat 8
Les images Landsat utilisées ici ont été acquises à partir du site web de l’USGS
https://earthexplorer.usgs.gov/
Elles ont été utilisées pour pouvoir obtenir les surfaces brulées lors du passage du satellite.
16
07 octobre 2016 23 octobre 2016
Une carte de végétation de l’année 2015 fournie par l’ESA (European Space Agency)
disponible à partir du lien ci-dessous a été utilisée afin d’identifier les végétations brulées.
Source : https://storage.googleapis.com/cci-lc-v207/ESACCI-LC-L4-LCCS-Map-300m-P1Y-
2015-v2.0.7.zip
17
Tableau VI : Superficies calculées des différents types de couverture végétale
Le modèle de McArthur est un indice de risque très largement utilisé en Australie pour
pouvoir prédire les incendies de végétation ou bien sa difficulté de suppression (Sharples et al.,
2009). L’ indice est connu comme le Forest Fire Danger Index (FFDI) utilisant les données
météorologiques comme la température T(°C), l’humidité relative H(%) qui est la quantité
d’eau retenue dans l’air, la vitesse du vent U(km/h) et la précipitation P(mm) (Sharples et al.,
2009).
D’après la formulation de Noble et al. (1980), l’équation est représentée par :
FFDI = 2 exp (−0.45 + 0.987 ln(DF) − 0.0345H + 0.0338T + 0.0234U) (7)
On peut aussi l’écrire comme suit :
FFDI = 2. (DF) 0.987. exp (− 0.45 − 0.0345H + 0.0338T + 0.0234U) (8)
La précipitation n’apparait pas directement dans la formule, mais elle est représentée dans la
composante représentant la disponibilité du combustible appelée Drought Factor (DF). Le
Drought Factor (DF) représente l'influence de la précipitation récente sur la disponibilité des
combustibles (varie de 0 à 10). DF est en partie basé sur le déficit de l'humidité du sol qui est
couramment calculé comme le Keetch-Byram Drought Index (KBDI) (Keetch et Byram,
1968). L'évènement pluviométrique minimise le Drought factor DF, car plus DF est élevé, plus
le combustible est sec. Comme l’étude de risque d’incendie a été faite ici le mois d’octobre
18
2016 c’est-à-dire pendant une période sèche, car plus la précipitation est faible donc plus le DF
est élevé. Ici on a pris DF=10.
19
Les logiciels utilisés sont :
- PanoplyWin-4.6.2 pour la visualisation des données climatiques en format « netcdf »
- Matlab 2013a est un logiciel de programmation qui a permis l’exploitation des données
climatiques en format « netcdf »
IV - RESULTATS
Les pixels « sol » et « eau » ont été obtenus à partir des bandes « Land / Sea mask » et «Water
present » contenues dans l’image MODIS MYD03. La figure 14 ci-dessous montre en gris les
pixels ‘sol’ et en bleu les pixels ‘eau’.
Figure 14 : Les pixels eaux (bleu) et pixels sols (gris) obtenus à partir des images MODIS (MYD03
et MYD02KM) du 22 octobre 2017 à 10 : 00 (à gauche) et 23 octobre 2017 à 10 : 45 (à droite)
20
IV.1.2 - Extraction des pixels nuages
Les pixels de nuages obtenus après extraction ont été superposés sur les images représentant les
eaux et terres. Ici les nuages sont représentés en blanc sur la figure ci-dessous.
seuillage
Figure 15 : Superposition des pixels nuage (blanc), eau (bleu) et sol (gris) du 22 et 23 octobre 2016 obtenus
après extraction
Figure 16 : Pixels de feu détectés (rouge) le 22 octobre 2016 (à gauche) et 23 octobre 2016 (à droite)
21
Les pixels de feu ont été ensuite convertis sous forme de point pour pouvoir mieux les
exploiter.
22
IV.2 - Caractérisation des surfaces brulées
Les deux NBR ont été obtenus à partir des images Landsat du 07 octobre et 23 octobre 2016.
07 octobre 2016 23 octobre 2016
Le dNBR a été ensuite tiré de la différence des deux NBR ci-dessus, puis les pixels ‘nuage’ et
‘eau’ ont été identifiés afin d’éliminer les erreurs qui peuvent se produire durant la détection
des surfaces brulées.
Figure 19 : dNBR obtenue à gauche et surface brulée après seuillage (en noir) à droite, les
pixels eau (bleu) et les nuages (blanc)
23
Des estimations de végétations touchées par le feu sont représentées par les figures ci-dessous.
La figure 20 sert de validation du résultat obtenu avec le dNBR
Figure 20 : Surfaces brulées du 23 octobre 2016 à partir du dNBR des images Landsat
24
Les deux tableaux suivants montrent la superficie des végétations brulées en hectares détectées
dans les six districts
Tableau VIII : Surfaces brulées en hectares obtenues avec dNBR à partir des images Landsat
Mangrove 0 0 15 66 0 0 81
Mangrove 0 0 55 18 0 0 73
Prairie 208 0 3 873 9 715 1 900 3 965 19 661
25
IV.3 - Forest Fire Danger Index (FFDI)
Les figures ci-dessous représentent les données d’entrées ou paramètres d’entrées du Forest
Fire Danger Index obtenues le 22 et 23 octobre 2016. Comme on a pris DF=10, donc la
précipitation n’est plus prise en compte dans le calcul. Les paramètres restants sont donc
constitués par la température, l’humidité relative, et la vitesse du vent représentées ci-dessous.
22 octobre 2016 23 octobre 2016
26
Les images ci-dessous représentent la vitesse du vent à 10 mètres au-dessus du sol
Le résultat final du Forest Fire Danger Index est donné dans la figure 24
27
Les valeurs du FFDI ont été subdivisées en cinq différentes classes (Dowdy et al., 2009). Ces
classes représentent les catégories selon le degré de risque d’incendie comme représenté dans
le tableau ci-dessous.
V - INTERPRETATIONS
28
Figure 27 : Comparaison de l’image MODIS détectée à 10 : 00 heure UTC (à gauche) et Landsat
à 06:51 heure UTC (à droite) observées le 23 octobre 2016
Les nuages sont parfois des obstacles rencontrés lors de la détection de feu. Durant la
détection les nuages ne sont pas pris en compte donc il est nécessaire de les masquer. Le
masquage de nuage utilisé (figures 15) permet d’identifier les nuages plus grands, plus frais,
mais manque les petits nuages et les bords de nuages (Giglio et al., 2003, 2016).
Les figures 28 et 29 servent de comparaison visuelle des nuages qui n’ont pas pu être
identifiés le 22 et 23 octobre 2016.
29
Figure 29 : Masquage de nuage (à gauche) et composition coloré (à droite) du 23 octobre 2016
V.1.3 - Seuillage
Durant l’identification des pixels de feu, des fausses alarmes sont apparues dans différentes
zones, car plus les seuils choisis sont faibles plus des erreurs ou fausses alarmes
augmentent, donc les différents rejets ont été appliqués à l’identification de pixel de feu
pour pouvoir éliminer les fausses alarmes. Les valeurs seuil ont été fixées à 𝑇4 = 325 K et
∆𝑇 = 20 K, puis qu’à partir de ces valeurs les erreurs de détection sont petites (Liew et al.,
2005). Après extraction des pixels de feu obtenus, 121 points de feu ont été détectés le 22
octobre 2016, 110 points de feu ont été détectés le 23 octobre 2016 (figure 17).
La tendance est surtout observée dans les deux districts Analalava et Ambanja. Dans le
district d’Ambanja on a détecté 67 points de feu et dans le district d’Analalava 139 points
de feu ont été détectés.
30
V.2 - Caractérisation des surfaces brulées
L’indice de végétation est un des moyens très souvent utilisés en télédétection afin d’établir
une cartographie et de faire une estimation des surfaces brulées (Martín et al., 2005).
Parmi ces indices le NDVI est le plus souvent utilisé, ici on va utiliser le NBR (Normalized
Burn Ratio) ou indice de brulage normalisé, le NBR est une version améliorée du NDVI
(Epting et al., 2005; Roy et al., 2006). Les végétations saines ont une forte valeur de NBR
donc apparaissent plus claire sur l’image, les raisons sont dues au fait que les réponses du
proche infrarouge sur les végétations sont très élevées, et sur le moyen infrarouge elles sont
plutôt faibles. Pour les végétations touchées par le feu c’est plutôt l’inverse puis que les
réponses sur le proche infrarouge sont très faibles et sur le moyen infrarouge elles sont
élevées (figure 30).
Après avoir obtenu les deux NBR à partir des images Landsat observées le 07 octobre et 23
octobre 2016, une différence des deux NBR a été effectuée le but est de voir les changements
produits par le passage de feu entre ces deux dates.
Les deux NBR obtenus à partir des images Landsat sont notés :
- 𝑁𝐵𝑅𝑝𝑟𝑒𝑓𝑖𝑟𝑒 : NBR du 07 octobre 2016
Une différence entre les deux NBR a été effectuée et notée par :
𝑑𝑁𝐵𝑅 = 𝑁𝐵𝑅𝑝𝑟𝑒𝑓𝑖𝑟𝑒 − 𝑁𝐵𝑅𝑝𝑜𝑠𝑡𝑓𝑖𝑟𝑒
Les valeurs du dNBR sont comprises entre -2 et 2, mais les surfaces brulées sont celles ayant
une valeur de dNBR ≥ 0,1 comme décrite par Key et Benson (1999, 2006).
31
Les nuages et les zones humides peuvent être confondus avec les surfaces brulées, donc il est
nécessaire de les identifier afin d’éliminer des éventuelles erreurs. Les pixels ’eau’ sont obtenus
à partir d’un seuillage du NDVI, l’eau est considérée comme ceux ayant une valeur de NDVI
< 0. Les pixels ‘nuage’ ont été obtenus à partir de la bande cirrus de l’image Landsat du 23
octobre 2016. Certains pixels de nuages n’ont pas pu être identifiés donc on a dû éliminer
manuellement les surfaces brulées confondues avec les nuages.
La somme totale des surfaces brulées détectées à partir du dNBR est de 41 302 hectares dont le
district d’Analalava occupe le premier rang avec 11 405 ha tandis que dans le district
d’Ambilobe on n’a détecté que 142 ha puis que le district d’Ambilobe n’occupe que 1 % de la
superficie de la zone étudiée (tableau XI).
Tableau XI: Superficies occupées par chaque district en pourcent
Localisation Superficie
Ambanja 21 %
Ambilobe 1%
Analalava 28 %
Antsohihy 18 %
Bealanana 20 %
Befandriana Nord 12 %
Total 100 %
Les prairies sont les plus touchées par le feu. Elles occupent le premier rang avec 16 769 ha de
surfaces brulées, puis les forêts sèches avec 16 002 ha.
En tout 41 257 ha de surface brulée ont été détectés à partir de l’image MODIS MCD64A1. Les
districts les plus touchés sont Antsohihy (14 435 ha) et Analalava (8 375 ha). Par contre dans
le district d’Ambilobe on n’a détecté que 34 ha. Concernant les végétations brulées les prairies
sont les plus touchées avec 19 661 ha, puis les forêts sèches avec 14 439 ha. En faisant la
différence entre les surfaces totales brulées obtenu à partir du MCD64A1 avec le dNBR on a
un écart de 41 ha.
32
V.3 - Forest Fire Danger Index (FFDI)
La température et l'humidité relative influencent principalement l’indice de danger
d'incendie par leur effet sur la teneur en humidité retenu par les combustibles. La chaleur
produite par l’élévation de température diminue la quantité d’humidité retenue dans les
combustibles. Plus le combustible est sec, plus il brule facilement et plus intensément qu’un
même combustible ayant une teneur en humidité plus élevée (Sharples et al., 2009).
La vitesse du vent détermine la force de propagation et l’intensité du feu, plus elle est élevée
plus l’incendie se propage rapidement aux végétations environnantes.
La température dans les districts d’Ambanja, Antsohihy, et Ambilobe atteint une valeur
jusqu’à 31 °C, tel que dans le district d’Analalava et Bealanana on a une température comprise
entre 27 et 29 °C (figure 22).
L’humidité relative est faible (≤ 50 %) presque dans tous les districts sauf dans une
partie d’Ambanja et Analalava c’est-à-dire ce qui se trouve près de la côte (figure 23).
On peut voir que le FFDI varie selon la température puis que là où la température est élevée, la
classe de risque d’incendie aussi est plutôt élevée.
Dans les côtes la vitesse du vent est beaucoup plus importante, dans une partie du district
d’Ambanja et dans le district d’Analalava la valeur minimale est de 10 km/h (figure 24).
Concernant le FFDI on peut dire que dans les districts d’Ambanja, Antsohihy et
Ambilobe les classes de risque sont élevées par rapport aux autres districts.
VI - DISCUSSIONS
VI.1 - Superposition des points de feu détectés sur le Forest Fire Danger Index
Le Forest Fire Danger Index (FFDI) est utilisé afin d’estimer ou de prévenir le risque de
propagation d’incendie (Sharples et al., 2009).
Les origines favorisant la propagation de feu sont liées aux différents facteurs climatiques, ici
le Forest Fire Danger Index (FFDI) fait intervenir quarte variables climatiques : la température,
l’humidité relative, la vitesse du vent, la précipitation. On a constaté que le Forest Fire Danger
Index augmente quand la vitesse du vent et la température augmentent, et quand l’humidité
relative diminue.
33
Mais ici à part le fait que cette étude a pour but de voir une liaison entre l’apparition des feux
avec les conditions climatiques, le FFDI a été utilisé pour pouvoir valider les points de feu
détectés précédemment.
Les points de feu ont été ensuite superposés sur les FFDI afin de voir leurs correspondances
avec chaque classe de risque d’incendie vue précédemment dans le tableau X.
22 octobre 2016 23 octobre 2016
Figure 31 : Superposition des points de feu détectés à partir de la méthode de seuillage (22 et
23 octobre 2016) (en blanc) sur les FFDI
On peut voir que dans certaines zones l’indice de risque est élevé mais l’on ne détecte
aucun point de feu (figure 31), cela est due au fait que même avec des indices de risque élevés
les feux ne peuvent se produire que si ses trois paramètres appelés triangle de feu sont
présentes : combustible, comburant « oxygène », chaleur ou énergie d’activation (figure 32).
Figure 32 : Les trois éléments nécessaire pour que le feu puisse se produire
34
On constate que dans les zones côtières (Figure 31 : Superposition des points de feu détectés à
partir de la méthode de seuillage (22 et 23 octobre 2016) (en blanc) sur les FFDI) certains
points de feu détectés sont inclus dans l’indice de risque faible avec une valeur de FFDI ≤ 5.
Cela est dû à la résolution des images utilisées dans le FFDI comme on peut le voir le 22 octobre
2016.
VI.2 - Validation des points de feu détectés avec les surfaces brulées
Une vérification a été faite à partir des surfaces brulées obtenu avec dNBR (figure 33), on n’a
détecté aucune surface brulée dans certaines régions où l’on a détectée les points de feu. Cela
signifie que les intensités des feux détectés dans ces zones sont faibles.
Figure 33 : Vérification à partir des surfaces brulées obtenu avec le dNBR du 23 octobre 2016
35
forestières clairsemées, les eaux qui possèdent une température supérieure aux eaux
environnantes. Donc différents rejets ont été appliqués pour éliminer ces erreurs de
détections. À part cela, des fois la détection de feu à partir des images satellitaires présente
des difficultés pour différentes raisons. Le feu peut commencer et être éteint entre les
passages des satellites. Il peut être très petit ou émet de faibles chaleurs pour être détecté
par les capteurs des satellites. De très lourde fumée, où les canopées des arbres peuvent
obscurcir un feu.
À part la résolution spatiale des images utilisées (1 km) qui est difficile à interpréter, la
résolution temporelle est aussi un des problèmes rencontrés en ce qui concerne l’utilisation
des images MODIS. Comme le feu peut se propager rapidement, il est nécessaire d’avoir
un maximum d’information fournie par plusieurs images dans un laps de temps possible.
36
VII - CONCLUSION
La limitation des impacts due aux changements climatiques reste encore un grand défi
mondial. Le cinquième rapport d’évaluation du groupe d’experts intergouvernemental sur
l’évolution du climat (GIEC) en 2014 avait pour objectif de limiter l’augmentation de
température à un seuil de 2 °C d’ici 2100. Cette augmentation est en grande partie due aux
émissions de carbone mondial. A part les pertes humaines et matérielles que le feu peut causer,
il est aussi une source de dégradation environnementale. L’écosystème terrestre absorbe près
de 30 % du CO2 anthropique total émis (Ago et al., 2016). Donc l’écosystème constitue un puit
de carbone importante. Ces divers raisons nous a conduit au sujet de ce mémoire intitulé :
« Détection des feux de végétation à l’aide des images satellitaires ».
Ce mémoire nous a permis de voir l’utilisation des images spatiales dans la surveillance
des impacts causés par les feux de végétation. Et aussi d’apporter une contribution sur
l’utilisation des données acquises à partir du projet MESA (Monitoring for Environment and
Security in Africa). Ce projet a permis d’obtenir des données afin de surveiller l’environnement
et la sécurité alimentaire en Afrique.
37
REFERENCES BIBLIOGRAPHIQUES
Ago, E., Agbossou, E., Ozer, P., Aubinet, M. (2016). CO2 measurement and carbon sequestration in
West African terrestrial ecosystems. A review 20, 68–82.
Alvarado, S.T. (2013). Évaluation du rôle des feux de brousse sur la composition, la structure, la
phénologie, et la résistance de la végétation des bois de tapia (Uapaca bojeri) du massif d’Ibity,
Nouvelle Aire Protégée, en vue de sa gestion durable 11 p.
Archibald, S.; Roy, D.P.; Wilgen, V.; Brian, W.; Scholes, R.J. (2009). What limits fire? An examination
of drivers of burnt area in Southern Africa. Global Change Biology vol 15, 613–630.
Assali, F.; Alaoui, H.M.; Rouchdi, M.; Badraoui, M. (2016). Modélisation et cartographie du risque
d’éclosion d’incendie de forêt dans le nord-ouest du Maroc (Région de Chefchaouen-
Ouazzane). Revue d’Ecologie (Terre et Vie) vol 71 (2), 111–128.
Baghdadi, N.; Zribi, M. (2017). Observation des surfaces continentales par télédétection optique, in:
System Terre-Environnement. ISTE Edition, Great Britain, p. 365.
Byram, G.M. (1959). Combustion of forest fuels. Forest fire: control and use 61–89.
Dowdy, A.J.; Mills, G.A.; Finkele, K.; de Groot, W. (2009). Australian fire weather as represented by
the McArthur forest fire danger index and the Canadian forest fire weather index. Centre for
Australian Weather and Climate Research, Melbourne, Australia, Tech. Rep, 1–84.
Dozier, J. (1981). A method for satellite identification of surface temperature fields of subpixel
resolution. Remote Sensing of environment vol 11, 221–229.
Dumas, P.; Toussaint, M.; Herrenschmidt, J.-B.; Conte, A.; Mangeas, M. (2013). Le risque de feux de
brousse sur la grande terre de Nouvelle-Calédonie: l’homme responsable, mais pas coupable.
Revue Géographique de l’Est 53.
38
Epting, J.; Verbyla, D.; Sorbel, B. (2005). Evaluation of remotely sensed indices for assessing burn
severity in interior Alaska using Landsat TM and ETM+. Remote Sensing of Environment 96,
328–339.
FAO (2003). Les incendies détériorent de plus en plus les forêts du monde. http://www.futura-
sciences.com/planete/actualites/terre-incendies-deteriorent-plus-plus-forets-monde-2469/
(consulté le 26/10/2017).
GIEC (2000). L’utilisation des terres, le changement d’affectation des terres et la foresterie. Rapport
spécial du Groupe d’experts intergouvernemental sur l’évolution du climat, Canada.
Giglio, L. (2015). MODIS Collection 6 Active Fire Product User’s Guide Revision A. Unpublished
manuscript, Department of Geographical Sciences, University of Maryland.
Giglio, L.; Descloitres, J.; Justice, C.O.; Kaufman, Y.J. (2003). An Enhanced Contextual Fire Detection
Algorithm for MODIS. Remote Sensing of Environment, vol 87, 273–282.
https://doi.org/10.1016/S0034-4257(03)00184-6
Giglio, L.; Schroeder, W.; Justice, C.O. (2016). The collection 6 MODIS active fire detection algorithm
and fire products. Remote Sensing of Environment vol 178, 31–41.
https://doi.org/10.1016/j.rse.2016.02.054
Jacquin, A. (2010). Dynamique de la végétation des savanes en lien avec l’usage des feux à Madagascar.
Analyse par série temporelle d’images de télédétection. Thèse Université de Toulouse.
Karpachev, A.T.; Gasilov, N.A. (2001). Zonal and meridional wind components derived from
intercosmos-19 hmF2 measurements. Advances in Space Research 27, 1245–1252.
Keetch, J.J.; Byram, G.M. (1968). A drought index for forest fire control. Res. Pap. SE-38. Asheville,
NC: US Department of Agriculture, Forest Service, Southeastern Forest Experiment Station.
vol 38, 35 p.
Key, C.H.; Benson, N.C. (1999). The Normalized Burn Ratio (NBR): A Landsat TM radiometric
measure of burn severity. United States Geological Survey, Northern Rocky Mountain Science
Center. (Bozeman, MT).
Key, C.H.; Benson, N.C. (2006). Landscape assessment (LA) sampling and analysis methods. U.S.
Department of Agriculture, Rocky Mountain Research Station.1–55.
39
Kourtz, P.H.; Todd, J.B. (1993). Prediction quotidienne des incendies de forêt causés par la foudre, in:
Rapport D’information PI-X-112F,. Institut forestier national de Petawawa, pp. 1–19.
Liew, S.; Lim, A.; Kwoh, L. (2006). Deriving Optimal Thresholds for Active Fire Detection, in:
Geoscience and Remote Sensing Symposium, 2006. IGARSS 2006. IEEE International
Conference on. IEEE, pp. 3287–3289.
Liew, S.C.; Lim, A.; Kwoh, L.K. (2005). A Stochastic Model for Active Fire Detection Using the
Thermal Bands of MODIS Data. IEEE Geoscience and Remote Sensing Letters vol 2, 337–341.
https://doi.org/10.1109/LGRS.2005.848505
Martín, M.P.; Gómez, I.; Chuvieco, E. (2005). Performance of a burned-area index (BAIM) for mapping
Mediterranean burned scars from MODIS data, in: Proceedings of the 5th International
Workshop on Remote Sensing and GIS Applications to Forest Fire Management: Fire Effects
Assessment. Paris, Universidad de Zaragoza, GOFC GOLD, EARSeL, pp. 193–198.
MESA (2017). Documentation de référence théorique du service incendie de forêt. Gestion des
ressources agricoles et environnementales. Adapté à partir des documentations de référence
AMESD de l'Université du Botswana par l'équipe thématique MESA. 1–54.
Mezned, N.; Chakroun, H.; Boussema, M.R. (2005). Apport de la télédétection dans la gestion des
géorgisques: Cas des incendies de forêt en milieu semi-aride Tunisien vol 5, 197–212.
Noble, I.R.; Gill, A.M.; Bary, G.A.V. (1980). McArthur’s fire-danger meters expressed as equations.
Austral Ecology vol 5, 201–203.
Randriambelo, T.; Baldy, S.; Bessafi, M.; Petit, M., Despinoy, M. (1998). An improved detection and
characterization of active fires and smoke plumes in south-eastern Africa and Madagascar.
International Journal of Remote Sensing 19, 2623–2638.
Rouse, J.W.; Haas, R.H.; Schell, J.A.; Deering, D.W.; Harlan, J.C. (1974). Monitoring the vernal
advancement of retrogradation of natural vegetation, NASA/GSFC, Type III, Final Report.
Greenbelt 371.
Roy, D.P.; Boschetti, L.; Trigg, S.N. (2006). Remote sensing of fire severity: assessing the performance
of the normalized burn ratio. IEEE Geoscience and Remote Sensing Letters 3, 112–116.
40
Schroeder, W.; Prins, E.; Giglio, L.; Csiszar, I.; Schmidt, C.; Morisette, J.; Morton, D. (2008). Validation
of GOES and MODIS active fire detection products using ASTER and ETM+ data. Remote
Sensing of Environment 112, 2711–2726.
Servadio, Z. (2011). Apports de l’imagerie à haute résolution spectrale et spatiale dans les bilans de
volume et les bilans radiatifs au Piton de La Fournaise. Thèse Université de La Réunion, 15
Avenue René Cassin BP7151 97715 Saint-Denis.
Sharples, J.J.; McRae, R.H.D.; Weber, R.O.; Gill, A.M. (2009). A simple index for assessing fire danger
rating. Environmental Modelling & Software vol 24, 764–774.
https://doi.org/10.1016/j.envsoft.2008.11.004
Van Wagtendonk, J.W.; Root, R.R.; Key, C.H. (2004). Comparison of AVIRIS and Landsat ETM+
detection capabilities for burn severity. Remote Sensing of Environment vol 92, 397–408.
Wagner, C.V. (1977). Conditions for the start and spread of crown fire. Canadian Journal of Forest
Research vol 7, 23–34.
Zammit, O. (2008). Détection de zones brûlées après un feu de forêt à partir d’une seule image
satellitaire SPOT 5 par techniques SVM. Thèse Université Nice Sophia Antipolis, 147 p.
41
ANNEXE
Le Keetch Byram Drought Index est l’humidité à la surface du sol qui peut être utilisée par la
végétation pour l’évapotranspiration (Melton, 1989). Le KBDI a été développé pour évaluer
les effets à long terme de l’humidité sur la litière et l’humus sur l’activité de feu. L’indice est
basé sur l’estimation de l’humidité du sol inférieure à la saturation jusqu'à une capacité
maximale sur le terrain de 203,2 mm et un minimum de 0 mm.
On a l’expression détaillé du DF qui s’écrit :
0.19 ∗ [𝐼 + 104][𝑁 + 1]1.5
𝐷𝐹 =
{3.52 ∗ [𝑁 + 1]1.5 + 𝑅 − 1}
Où N désigne le nombre de jours depuis la dernière pluie, R (mm) est la pluie totale dans les
dernières 24 heures, I (mm) est le KBDI qui est la quantité de pluie nécessaire pour rétablir la
teneur en humidité du sol à 200 mm.
La formule de Noble et al. (1980) aboutit à une catégorie très élevée de danger d'incendie
forestier (une catégorie inférieure à la plus extrême) (Liu et al., 2004).
(Griffiths, 1999) a proposé une nouvelle formule pour calculer le Drought Factor :
−(𝐼 + 30) 𝑦 + 42
𝐷𝐹 = 𝑚𝑖𝑛 {10.5 [1 − 𝑒𝑥𝑝 ]( 2 ) , 10}
40 𝑦 + 3𝑦 + 42
Où y est définit par
(𝑃 − 2)⁄
𝑁1.3 , 𝑠𝑖 𝑁 ≥ 1 𝑒𝑡 𝑃 > 2
𝑦 = (𝑃 − 2)
⁄ 1.3 , 𝑠𝑖 𝑁 = 0 𝑒𝑡 𝑃 > 2
0.8
{ 0 𝑠𝑖 𝑃 ≤ 2
où : P est la précipitation (en mm) pendant un événement, N nombre de temps à partir de la
dernière événement de pluie (en jours), I est l’humidité du sol (en mm) équivalent (Keetch et
Byram, 1968). Chaque événement de pluie est compté à une période de 24 heures dans laquelle
il est considéré avoir eu lieu. Si la pluie est survenue au moins des 24 heures avant le jour actuel,
alors N = 0. La mesure de l'importance d'un événement de pluie est donnée par la variable y.
L'événement pluviométrique minimise le facteur de sécheresse DF (valeur comprise entre 0 et
10). Plus le DF est élevé, plus le combustible est sec.
I
Détection des feux de végétation à l’aide des images satellitaires
RESUME
La détection de feu de végétation est basée classiquement sur la méthode de seuillage des
températures de brillance des images MODIS au niveau des longueurs d’onde 4 µm et 11 µm.
Toutefois, cette méthode peut conduire à des fausses alarmes. D’où l’introduction des autres
bandes dans les longueurs d’onde 12, 31 et 32 µm.
D’autre part, quand les couvertures nuageuses empêchent la détection des feux, on peut utiliser
l’indice Forest Fire Danger Index (FFDI) qui donne le risque de feu à partir des données
climatiques (température, humidité relative, vitesse du vent, précipitation). Après passage des
feux, on peut obtenir les superficies brûlées avec les images Landsat à partir des indices NBR
(Normalized Burn Ratio) calculés comme étant la différence entre le proche infrarouge (PIR)
et le moyen infrarouge (MIR) de la réflectance divisée par la somme.
ABSTRACT
The vegetation fire detection is conventionally based on the thresholding method of the
brightness temperatures of the MODIS images at the wavelengths 4 μm and 11 μm. However,
this method can lead to false alarms. Hence the introduction of the other bands in the
wavelengths 12, 31 and 32 μm.
On the other hand, when cloud covers prevent the fire detection, we can use the Forest Fire
Danger Index (FFDI) which gives the fire risk from climatics data (temperature, relative
humidity, wind speed, precipitation). After fire passages, the burned area calculated from
Landsat images can be estimated from normalized burn ratio (NBR) which is the difference
between the near infrared (PIR) and the mean infrared (MIR) of the reflectance divided by the
sum.