1.

  Introduction

La  salinité  du  sol  est  répandue  dans  la  partie  sud  de  la  Tunisie  depuis  la  côte  est  jusqu'au  déser
t  au  
sud.  Il  est  considéré  comme  un  élément  important  de  la  dégradation  des  écosystèmes  dans  les  t
erres   arides  du  monde  et  peut  conduire  à la  désertification
et  à  d'autres  formes  de  dégradation  des  terres,   telles  que  la  salinisation  .

 La  carte  mondiale  des  sols  salins (qui peuvent  être  trouvés à  des  altitudes  allant  de  5  000  m  
(plateau  tibétain)  à  moins  du  niveau  de  la  mer  (mer  Morte)) cette carte
est  fournie  par  la  FAO/UNESCO  avec   différents  classements  de  salinisation :

on a
L'Australie  occupe  la  première  place  avec  84,7  ×  106  ha,  tandis  que  l'Afrique  occupe  la  deuxième 
  place  avec  69,5  ×  106  ha,  puis  viennent  l'Amérique  latine  et  le  Moyen-
Orient  prenant  respectivement   les  troisième  et  quatrième  classes  .

  La  salinité  des  sols  dans  le  sud  de  la  Tunisie  entraîne  plusieurs  impacts  
négatifs,  tels  que  la  limitation  de  la  croissance  des  plantes,  la  réduction  de  la  productivité  des  cu
ltures   et  la  dégradation  de  la  qualité  des  sols.

  La  surveillance  et  la  cartographie  de  la  zone  affectée  
par  le  sel  sont  nécessaires  pour  décrire  complètement  ce  phénomène.  Des  études  similaires  qui  
combinent  la  télédétection (une
technique..) avec  l'analyse  statistique  et  les  mesures  de  vérité  terrain  ont  été  menées,  
où  il  a  été  trouvé  comme  le  plus  efficace.

Des  chercheurs  internationaux ont  
prouvé  que  les  données  de  télédétection  utilisant  des  méthodes  statistiques,  telles  que  l'analyse  
en   composantes  principales  (ACP)  et  l'analyse  par  grappes (AC : cluster
analysis )est  une  méthode  utile  et  prometteuse  pour  surveiller  et  prédire  les  sols  affectés  par  le  
sel et Cela  pourrait  entraîner  des  économies  
substantielles  par  rapport  aux  mesures  traditionnelles  de  la  salinité  en  laboratoire.

  Nous  avons  d'abord  introduit  et   évalué  l'échantillonnage  de  sol  puis    les statistiques  et  les

méthodes de télédétection

 utilisées  dans  son  étude.  Des  analyses  de  régression  ont  ensuite  été  effectuées   pour  fournir.

Ces  tests  statistiques  sont  appliqués  pour  l'interprétation  de  matrices  de  données  de  
surveillance  complexes  qui  peuvent  aider  à  mieux  comprendre  l'interrelation  entre  les  données  
multispectrales  et  la  mesure  de  la  vérité  terrain  pour  prédire  rapidement  les  sols  affectés  par  
le  sel.

2.2.  Méthodologie
Plusieurs  auteurs  ont  démontré  l'intérêt  de  combiner  des  données  de  télédétection  avec  des  mes
ures  de  
vérité  terrain.  Compte  tenu  de  la  complexité  du  processus  de  salinisation,  l'identification  des  régi
ons  salées  
et  surtout  des  zones  faiblement  et  moyennement  affectées  (cas  de  notre  zone  de  terrain)  reste  
un  défi.  Notre  
approche  présente  une  tentative  de  prédire  les  zones  affectées  par  le  sel  dans  le  sud  de  la  Tunis
ie  grâce  à   plusieurs  techniques  de  télédétection  et  géostatistiques .
La  salinité  dans  la  couche  arable  est  déterminée  en  mesurant  la  conductivité  électrique  (CE)  puis  
prédite  
sur  la  base  d'une  analyse  de  régression  et  en  utilisant  des  bandes  de  réflectance  et  des  indices  
spectraux   de  salinité  à  partir  des  données  de  télédétection.

2.2.4.  Modèle  de  régression  linéaire
Une  régression  linéaire  a  été  utilisée  pour  établir  une  relation  entre  les  spectres  NIR,  SWIR  
et  les  données  de  référence  de  l'analyse  de  l'EC  basée  sur  l'analyse  statistique.  Les  valeurs  
les  plus  élevées  de  R^2  et  la  valeur  la  plus  faible  de  RMSE  (erreur  quadratique  moyenne)  ont  
été  utilisées  pour  déterminer  le  modèle  calibré  optimal.  La  plus  petite  RMSE  indique  la  
prédiction  la  plus  précise,  cette  RMSE  a  été  dérivée  selon  l'égal  de  (1).  Le  modèle  sera  
évalué  graphiquement  en  analysant  les  résidus  standardisés  par  rapport  aux  valeurs  prédites  
de  CE.  En  traçant  les  résidus  avec  la  variable  descriptive,  si  une  tendance  est  identifiée,  cela  
indique  que  le  modèle  n'est  pas  précis  et  qu'il  y  a  une  autocorrélation  dans  les  résidus,  ce  
qui  est  contraire  à  l'une  des  hypothèses  de  la  régression  linéaire  paramétrique.

où :
N : nombre de points

Z*(xi) : la valeur estimée au point

Z(xi) : la valeur d'observation au point

3.2.  Corrélation  entre  les  indices  spectraux  et  la  CE  du  sol
Vérité
Une  corrélation  de  Pearson  entre  les  valeurs  de  conductivité  électrique  et  les  bandes  spectrales  
Landsat  a  été  réalisée  (voir  tableau  2)  pour  évaluer  quel  intervalle  de  spectre

les  bandes  spectrales  et  l'EC  de  la  vérité  terrain  montrent  une  corrélation  presque  faible  à  
modérée  dans  le  visible.  Cependant,  une  bonne  corrélation  (tableau  2)  a  été  trouvée  entre  la  
conductivité  électrique  et  les  bandes  spectrales  Landsat  situées  dans  les  régions  de  l'infrarouge  
à  ondes  courtes  (SWIR)   de  l'intervalle  spectral.

less  bandes  spectrales  B5  et  B7  (situées  dans  l'infrarouge  court)  sont  les  plus
bandes  corrélées.  Ces  bandes  sont  aussi  les  plus  associées  les  unes  aux  autres  avec  un
corrélation  de  0,95.  Les  bandes  situées  dans  l'intervalle  visible  du  spectre  présentaient  une  faible  
corrélation  variant  entre  0,3  et  0,6.

3.3.  L'analyse  par  grappes
Dans  cette  étude,  L'analyse  par  grappes hiérarchique  en  mode  R  a  été  réalisée  sur  l'ensemble  de  
données  normalisées   à  l'aide  de  la  méthode  de  liaison  de  Ward  ,
avec  la  distance  euclidienne  comme  mesure  de  
similarité  et  a  été  synthétisée  en  tracés  de  dendogrammes.  L'analyse  par  grappes  hiérarchiques  e
n  
mode  R  a  été  utilisée  pour  l'ensemble  de  66  échantillons  et  17  variables.  Il  a  donné  un  dendrog
ramme  
illustré  à  la  figure  4,  regroupant  tous  les  17  descripteurs  en  trois  groupes  statistiquement  signific
atifs.   A  partir  de  ce  dendrogramme,  on  peut  trouver la
relation  entre  différentes  variables;  le  dendrogramme  affirme  la  forte  corrélation  entre  la  conducti
vité  
électrique  EC  et  les  indices  spectraux  tels  abs4,  abs5,  abs7  et  si5.  Le  deuxième  groupe  montre  la 
 
corrélation  entre  tous  les  indices  spectraux  dérivés  du  visible  (B1,  B2,  B3,  si1,  si2,  si3  et  si8).  Le  
troisième  cluster  indique  une  corrélation  entre  les  bandes  de  NIR  et  si9,  ces  variables  sont  antico
rrélées  avec  EC  pour  cette  raison  elles  constituent  un  cluster  entier.