Académique Documents
Professionnel Documents
Culture Documents
EQUIPE DU PROJET
Mohammed MERDAS
Chef de Division Etudes et Projets, Centre Royal de Télédétection Spatiale
Zouhaïr BENBAHRIA
Service de Cartographie Spatiale et Aménagement, Centre Royal de Télédétection
Spatiale
Larbi KHAJOUR
Chef de Service Essais, Expérimentations et Normalisation, Direction de l'lrrigation et
de l'Aménagement de l'Espace Agricole, Ministère de l'Agriculture et de la Pêche
Maritime
PROJET LDAS-MAROC 2
REMERCIEMENT
PROJET LDAS-MAROC 3
Table des matières
I. INTRODUCTION ........................................................................................................................................................ 7
II. CONTEXTE DE L’ETUDE............................................................................................................................................... 8
II. 1. Projet LDAS-MAROC ........................................................................................................................................... 8
II. 2. Composante "Optimisation de l'Irrigation" ...................................................................................................... 8
III. SITES ET DONNEES D’ETUDE .................................................................................................................................... 9
III. 1. Sites d’étude...................................................................................................................................................... 9
III. 1.1. Doukkala..................................................................................................................................................... 9
III. 1.2. Gharb........................................................................................................................................................ 10
III. 2. Données image ............................................................................................................................................... 12
III. 3. Données auxiliaires ........................................................................................................................................ 13
III.3.1. Couverture globale des forêts.................................................................................................................. 14
III. 3.2. Carte des pentes....................................................................................................................................... 15
IV. METHODOLOGIE POUR LA CARTOGRAPHIE DES ZONES IRRIGUEES................................................................ 15
IV.1. Prétraitements des images Landsat 8 .............................................................................................................. 15
IV. 2. Génération des couches intermédiaires .......................................................................................................... 16
IV. 2.1. Indices de végétation NDVI...................................................................................................................... 16
IV. 2.2. Statistiques temporelles .......................................................................................................................... 18
IV. 3. Cartographie des "zones irriguées" et des" zones non irriguées".................................................................... 19
IV. 4. Analyse des résultats et Statistiques ............................................................................................................... 21
IV. 4.1. Cartes produites....................................................................................................................................... 21
IV. 4.2. Validation et évaluation de la précision des cartes produites ................................................................. 23
IV. 4.3. Statistiques............................................................................................................................................... 28
V. CONCLUSIONS .......................................................................................................................................................... 36
REFERENCES BIBLIOGRAPHIQUES ............................................................................................................................... 37
ANNEXE 1 ..................................................................................................................................................................... 39
PROJET LDAS-MAROC 4
LISTE DES FIGURES
PROJET LDAS-MAROC 5
LISTE DES TABLEAUX
Tableau 1 : Nombre et références des scènes Landsat 8 utilisées par site pilote………………………………….…13
Tableau 2 : Nombre des points d’entraînement par scène Landsat 8 et par site pilote…………………………..21
Tableau 3 : Matrice de confusion montrant la précision de classification des trois classes
(irriguée, non irriguée et eau) pour la zone des Doukkala…………………………………………………….24
Tableau 4 : Matrice de confusion montrant la précision de classification des trois classes
(irriguée, non irriguée et eau) pour la zone du Gharb………………………………………………………..25
Tableau 5a : Pourcentage des superficies des zones classifiées comme cultures irriguées par rapport
aux superficies des secteurs aménagés au niveau du périmètre des Doukkala……………………28
Tableau 5b : Pourcentage des superficies des zones classifiées comme cultures irriguées par rapport
aux superficies des secteurs aménagés au niveau du périmètre du Gharb………………………….28
Tableau 6 : Répartition des superficies des cultures irriguées au niveau de la région
Gharb_Chrarda_BniHssen……………………………………………………………………………………………….……32
Tableau 7 : Répartition des superficies des cultures irriguées par province au niveau de la région du
Gharb_Chrarda_BniHssen……………………………………………………………………………………………….…..32
Tableau 8 : Répartition des superficies des cultures irriguées au niveau de la région Doukkala-Abda.……36
Tableau 9 : Répartition des superficies des cultures irriguées par province au niveau de la région de
Doukkala-Abda…………………………………………………………………..………………………………………………..36
PROJET LDAS-MAROC 6
I. INTRODUCTION
Dans les pays arides et semi-arides où l'eau constitue le principal facteur limitant, l'irrigation des terres
est la pièce maitresse du développement agricole et rural. En effet, l’apport d’eau entraine une
diversification des cultures et une augmentation très importante des rendements pour subvenir aux
besoins des populations locales et permettre même l'exportation (Soudi, 1994).
Les objectifs escomptés par les programmes de développement autour de l’irrigation ont été
quasiment atteints. Ainsi, l’irrigation a permis de contribuer substantiellement à satisfaire les besoins
alimentaires croissants de la population d’une part, et de promouvoir un développement
économique et social autour des périmètres irrigués (près de 120 millions de journées de
travail par an, soit environ 1.650.000 emplois dont 250.000 permanents) d’autre part.
En fait, l'agriculture irriguée au Maroc, bien qu'elle n’occupe que 15 % des superficies cultivées
contribue à environ 45 % en moyenne de la valeur ajoutée agricole et intervient pour 75 % des
exportations agricoles. Cette contribution est plus importante pendant les années de sècheresse ou
la production des zones Bour est sévèrement affectée. Durant la campagne 1994-1995, année sèche,
cette contribution s’est par exemple située à 70% de cette valeur ajoutée.
La superficie actuellement irriguée avoisine les 1.5 Millions d’hectares dont les deux tiers sont
équipées par les pouvoirs publics. Le reste correspond à l'irrigation privée basée essentiellement sur
les eaux souterraines (Debbarh et al., 2001).
Le besoin en information sur l'irrigation devient de plus en plus important pour évaluer et suivre la
consommation et l'efficience de l'eau par les cultures. Le recours à l'utilisation des images satellite,
couplées au données auxiliaires mettra à la disposition des décideurs et des gestionnaires des
informations précises et utiles pour le développement agricole à différentes échelles : locale,
régionale et nationale.
Des informations précises sur la localisation des zones irriguées, particulièrement les cartes des
cultures irriguées extraites des données de télédétection peuvent être utilisées comme données
d'entrée des différents modèles de bilan hydrique utilisés pour la prise de décision sur la gestion de
l'eau (Ozdogan et al., 2010).
PROJET LDAS-MAROC 7
II. CONTEXTE DE L’ETUDE
Renforcer les capacités nationales pour une utilisation opérationnelle de la combinaison des
modèles de surface de la terre et la technique d’assimilation de données développée et
largement utilisée par la NASA et ses partenaires.
Contribuer à une caractérisation plus précise des potentialités hydriques nationales pour
améliorer la gestion des ressources actuelles et la planification à long-terme
Développer les capacités pour une meilleure évaluation de l’impact des changements
climatiques passés, actuels et futurs sur les conditions hydrologiques (national et local)
Appréhender l’impact des changements climatiques sur l’environnement pour consolider les
connaissances actuelles et renforcer les mesures d’adaptation (phénomènes extrêmes)
Plateforme LIS (Land Information System) qui permettra de produire une série de
paramètres hydrologiques et biophysiques par intégration des données spatiales et des
mesures in-situ.
Bilan hydrique: production de cartes sur les paramètres hydrologiques pour l'amélioration
des modèles afin d'établir un bilan actualisé. D'autre part, Cette composante produira des
scenarios futurs du bilan hydrique en tenant compte des changements climatiques futurs.
Suivi de la sécheresse par la production du bulletin périodique sur l'état de la sécheresse
à l'échelle nationale par combinaison de plusieurs indicateurs (SPI, SPEI, etc.).
Optimisation de la gestion de l'irrigation : a pour objectif de cartographier et suivre
l'évolution spatio-temporelle des zones irriguées à l'échelle nationale, l'analyse de la
consommation et des besoins en eau des cultures.
Suivi du criquet par l'élaboration d'un modèle pour la production de carte d'alerte sur
le risque acridien à l'échelle nationale. Ce modèle sera basé sur les indicateurs liés au risque
acridien (végétation, température, vent, etc.).
PROJET LDAS-MAROC 8
Estimation de la consommation et les besoins en eau des cultures irriguées sur une zone
pilote (périmètre irriguée des Doukkala).
La cartographie détaillée des zones irriguées a porté sur deux sites pilotes à savoir Doukkala et
Gharb. Le choix de ces deux périmètres peut être justifié par leur importance socio-économique et
l’étendue de leurs superficies équipées.
La plaine des Doukkala est une vaste étendue limoneuse qui s'étend entre les latitudes 32°15' et
33°15' Nord et les longitudes 7°55' et 9°15' Ouest, avec actuellement environ 61 000 ha de terres
irriguées dans le périmètre dit «Bas service». A la fin de l'aménagement du périmètre dit «Haut
service», la superficie totale irriguée atteindra 125 000 ha.
PROJET LDAS-MAROC 9
Figure 1 : Présentation du périmètre des Doukkala (©Google Earth)
- Les collines du Pré-Rif au Nord et à l’Est (Haut Gharb) : ll s’agit d’une vaste région
constituée essentiellement de formations tendres telles que les marnes, les molasses et
les flyschs qui sont facilement erodibles. L'altitude se situe entre 30 et 200 m.
PROJET LDAS-MAROC 10
- Les plateaux sableux de la Mamora et des Zaer au Sud : C'est une zone élevée de 30 à
100 m par rapport à la plaine et qui porte des sols rouges méditerranéens lessivés sur
grès calcaire.
- Le Sahel : avec ses dunes littorales consolidées, limite l'accès à l’océan Atlantique de
l’Oued Sebou. Ce dernier a été obligé de s'orienter vers le Sud-Ouest pour trouver son
exutoire naturel.
Les températures moyennes oscillent entre 11°C (pendant l'hiver) et 27°C (pendant l'été). La
pluviométrie moyenne annuelle est relativement élevée par rapport au reste des plaines marocaines.
Un gradient décroissant de la cote (Ouest) vers l'intérieur de la plaine (Est) est observé :
Les variabilités inter et intra-annuelles des précipitations sont très importantes. Environ 80 % des
pluies sont concentrées entre Novembre et Avril. La période sèche se situe généralement entre Juin
et Septembre (4 mois).
PROJET LDAS-MAROC 11
III. 2. Données image
La cartographie des zones irriguées, au niveau des deux sites pilotes, a été élaborée à la base des
données image Landsat 8. Le radiomètre multispectral OLI, au niveau de ce nouveau satellite,
acquiert des images dans neuf bandes spectrales allant du visible au moyen infra-rouge. 7 de ces
bandes spectrales étaient déjà présentes sur l'instrument ETM+ de Landsat-7, deux canaux
supplémentaires ont été ajoutés, destinés principalement à la correction atmosphérique (canal bleu
à 440 nm) et à la détection des nuages (1380 nm).
La fréquence nominale d’acquisition des données Landsat est de 16 jours. De nos jours, de telles
données ont été utilisées pour une centaine de recherches et projets et forment une partie
intégrante d’une multitude de travaux de cartographie d'occupation des sols à l'échelle locale et
régionale (Friedl et al., 2002;Wardlow and Egbert, 2008; Xiao et al., 2006, Ozdogan, 2010).
Les données Landsat sont distribuées selon une grille de référence nommée World Reference
System-2 (WRS2). Dans cette étude, on a utilisé les scènes suivantes (Dates d’acquisition : Voir
Annexe 1) :
PROJET LDAS-MAROC 12
Figure 4 : Les emprises des scènes Landsat utilisées
Explicitement, le nombre (scènes couvertes par plus de 80% de nuages ne sont pas utilisées) et les
références des images Landsat 8 utilisées par site pilote sont donnés par le tableau suivant :
Tableau 1 : Nombre et références des scènes Landsat 8 utilisées par site pilote
En plus des données image, d’autres données auxiliaires sont utilisées pour mieux discriminer les
cultures irriguées. Celles utilisées dans le cadre de cette étude sont : la couverture globale des forêts
générée à partir des données Landsat et la carte des pentes générée à partir du MNT SRTM.
PROJET LDAS-MAROC 13
III.3.1. Couverture globale des forêts
La deuxième donnée en input pour l’algorithme de classification est la carte de la couverture globale
des forêts. Cette couche est une composante d’un produit appelé « Landsat Vegetation Continuous
Fields (VCF) » (DiMicelli et al.,2011).
La couverture Landsat VCF contient les estimations proportionnelles des différents types du couvert
végétal : boisé, herbacé et sol nu. Ce produit est dérivé des six bandes Landsat d’un minimum de huit
images ayant la même référence.
La donnée Landsat VCF (relative à une scène donnée) peut être téléchargée à partir du site de
l’University of Maryland’s Global Land Cover Facility (GLCF) ftp://ftp.glcf.umd.edu/. Cette donnée est
distribuée selon la même grille de référence des images Landsat WRS-2. Pour les deux sites pilotes, les
données VCF ont été téléchargées et utilisées dans l’analyse décrite ci-après.
PROJET LDAS-MAROC 14
III. 3.2. Carte des pentes
La dernière donnée en input pour le processus de classification est la carte des pentes. Celle-ci a été
dérivée à partir du modèle numérique d’élévation SRTM à 30 mètres de résolution. Ce dernier a été
téléchargé à partir du site de l’USGS http://earthexplorer.usgs.gov/ puis reprojeté dans le système
UTM et découpé selon la grille de référence WRS2.
Les cartes des zones irriguées, à l’échelle locale, ont été produites en utilisant des images Landsat 8 et
en ayant recours à un algorithme de classification hiérarchique en quatre étapes :
Les images Landsat sont acquises au format brute d’où l’importance d’appliquer des prétraitements
avant leur utilisation. Pour les deux sites, on a analysé une série temporelle d’images Landsat 8 (2013
et 2014).
Certaines images, sur les deux sites, présentent un grand pourcentage de nuages. Pour identifier et
éliminer les nuages et leurs ombres, on a eu recours à un algorithme dit “Fmask” qui applique des
seuils de valeurs pour assurer la détection d’un maximum de nuages et leurs ombres (Zhu and
Woodcock, 2012).
PROJET LDAS-MAROC 15
Fmask est un algorithme sous Matlab qui s’applique image par image et génère deux nouveaux fichiers
pour chaque image traitée
La première fois que les réflectances dans le rouge et dans le proche infrarouge ('near-infrared', NIR)
ont été combinées, c'était pour mesurer l'indice de surface foliaire ('Leaf Area Index', LAI) dans les
canopées forestières (Jordan, 1969). Ce premier indice utilisait le rapport PIR/rouge et fut appliqué
plus tard à des données Landsat/MSS.
PROJET LDAS-MAROC 16
Des études ultérieures ont montré que la version normalisée de ce rapport était plus performante
dans certains cas, et l'indice de végétation par différence normalisée ('Normalised Difference
Vegetation Index', NDVI) fut peu à peu introduit. Cet indice est le rapport de la différence entre la
réflectance dans le proche infrarouge et dans le rouge, sur la somme des deux. Sa valeur varie entre -
1 (pas de végétation) et +1 (végétation abondante).
Pour les deux sites objet de l’étude et pour chaque scène on a calculé les NDVI en prenant NIR = B5
(Bande 5) et Rouge = B4.
Cependant, le NDVI possède aussi certaines faiblesses. Les conditions atmosphériques et les fines
couches nuageuses peuvent influencer le calcul du NDVI à partir de données satellitaires.
Ceci dit pour le calcul des NDVI finaux, chaque NDVI calculé a été multiplié par un masque binaire
correspondant au masque calcul dans l’étape précédente.
Le masque binaire est obtenu par le recodage du masque nuages initialement calculé selon les règles
suivantes :
Ancienne valeur Nouvelle valeur
0 1
1 1
2 0
3 1
4 0
255 0
PROJET LDAS-MAROC 17
IV. 2.2. Statistiques temporelles
A l’issue de l’étape précédente, on dispose, pour chaque site, d’une série temporelle des NDVI (pour
les deux années 2013 et 2014) par scène Landsat 8.
Comme input pour le processus de classification on aura besoin de calculer des images des NDVI
minimums, maximums, moyennes et écarts type. Pour ce faire, on commence d’abord par compiler
(Layer Stack) les NDVI (pour chaque scène) dans le sens chronologique (Janvier 2013 vers Décembre
2014). Le résultat est une image à n dimensions ou n est le nombre d’acquisition par scène.
L’image des NDVI (au format BIP) sert comme input pour le calcul des statistiques temporelles. Pour
notre cas, ce calcul a été fait via un programme en C++ qui génère les images suivantes : min, max,
moyenne, écart type.
Figure 8 : Image des max de la série temporelle des NDVI pour la scène p201r036
Le recours au calcul de ces images, représentant les statistiques temporelles des valeurs des NDVI,
peut être justifié comme suit :
Les cultures permanentes et les formations boisées ont tendance à avoir un minimum annuel
très haut parce qu’ils présentent un couvert végétal constant.
Les zones à couvert végétal, quel que soit le type, ont une valeur maximale au cours de l’année
et qui peut les distinguer des zones non couvertes qui ont un faible maximum annuel.
PROJET LDAS-MAROC 18
Les zones de culture présentent un large écart type et une moyenne modérée. Leur coefficient
de variation est très grand vu leur changement continu au cours de l’année.
Les caractéristiques intrinsèques de l’imagerie spatiale sont d’une grande importance or pour des
besoins pratiques bien spécifiques la dimension temporelle reste très intéressante surtout pour la
cartographie des cultures irriguées. L’idée de les séparer des autres types d’occupation des sols reste
faisable en ayant recours aux données statistiques extraites d’une série temporelle du NDVI tel que le
minimum, le maximum, la moyenne et l’écart type calculés au niveau de chaque pixel /parcelle.
PROJET LDAS-MAROC 19
La donnée sur les zones boisées (Landsat VCF) peut être utile aussi dans la discrimination des zones de
culture. En effet, les zones agricoles ont de faibles valeurs (sauf pour le cas des cultures permanentes)
tandis que les zones non agricoles ont de valeurs importantes surtout celles combinées avec les zones
boisées.
Aussi, Les aménagements hydro-agricoles sont généralement pratiqués sur de faibles pentes. Les
pixels représentant les zones cultivées ont une faible pente par rapport aux zones non cultivées.
A ce stade, l’idée est de décider si un pixel appartient aux zones irriguées ou pas en se basant sur les
six données en input, à savoir : NDVI min, NDVI max, NDVI moyen, NDVI écart type, Landsat VCF et la
pente.
La détermination des seuils (critères) de classification peut être accomplie de deux manières :
En ayant recours à l’avis d’un expert
Utiliser un algorithme de classification supervisée. Ce dernier se basera sur les données
d’entrainement pour définir ces seuils d’une manière automatique.
Le plus utilisé, dans le deuxième cas, est celui nommé Support Vector Machines (SVM). Il s’agit d’un
algorithme supervisé non paramétrique basé sur un apprentissage statistique. Il est de plus en plus
utilisé par la communauté de télédétection (Huang et al., 2002; Mantero et al., 2005; Mountrakis et
al 2011).
Pour les différentes scènes sur les deux zones pilotes, la classification des inputs (contenant les six
couches susmentionnées) selon l’algorithme SVM a été élaborée sous ENVI.
Figure 10 : Structuration d’une image utilisée en input pour le processus de classification SVM
En plus de l’image compilée, on a préparé pour chaque scène un fichier de données d’entraînement.
Ce dernier consiste en un ensemble de points aléatoires photo-interprétés (à base des images THR
récentes) sous Google Earth pour présence/absence des zones irriguées.
PROJET LDAS-MAROC 20
Figure 11 : Distribution des points d’entraînement pour la classification irrigué/non irrigué sur
la zone du Gharb
Ayant comme inputs les images compilées et les fichiers des points d’entraînement, le processus de
classification permet de distinguer les cultures irriguées de celles non irriguées.
PROJET LDAS-MAROC 21
Figure 12 : Carte des cultures irriguées (en vert) et non irriguées (en jaune) pour la zone
des Doukkala (Période : Janvier 2013 au Décembre 2014)
PROJET LDAS-MAROC 22
Figure 13 : Carte des cultures irriguées (en vert) et non irriguées (en jaune)
Pour la zone du Gharb (Période : Janvier 2013 au Décembre 2014)
En raison des contraintes budgétaires et des ressources limitées, nous n’avions pas eu la capacité de
mener des enquêtes sur le terrain pour la collecte de données de référence spécifiques à chacun des
deux sites. Au lieu de cela, nous nous sommes référés à la donnée très haute résolution récente fournie
librement par la plateforme Google Earth.
PROJET LDAS-MAROC 23
Les cartes des cultures irriguées ont été évaluées de deux manières :
Dans le cadre de la première méthode, nous avons utilisé une approche d'échantillonnage aléatoire
stratifié où le choix des échantillons d'évaluation est basé sur la classe (irriguée, non irriguée et eau).
Pour ce faire, on a pris la carte des cultures irriguées de chaque zone et on a généré un total de 220
points pour Gharb et 420 pour Doukkala. A Noter que ces échantillons sont sélectionnés séparément
des échantillons utilisés pour la classification des images.
Pour chaque échantillon, on a identifié la vraie catégorie (irriguée, non irriguée et eau) en utilisant
les images à très haute résolution récentes fournies par Google Earth comme réalité terrain. Une fois
identifié, on l’a comparé à l'étiquette de classe donnée par la carte des cultures irriguées générée
par classification SVM au sein d’une matrice dite matrice de confusion.
À cette fin, nous présentons deux matrices de confusion associées aux deux zones. Le premier
tableau (Tableau 3) donne une idée sur la précision de cartographie des cultures irriguées au niveau
des Doukkala.
Tableau 3 : Matrice de confusion montrant la précision de classification des trois classes (irriguée,
non irriguée et eau) pour la zone des Doukkala
PROJET LDAS-MAROC 24
Tableau 4 : Matrice de confusion montrant la précision de classification des trois classes (irriguée,
non irriguée et eau) pour la zone du Gharb
L’analyse des résultats pour les deux sites montre que les cultures irriguées et non irriguées ont été
séparés de manière fiable mais cela n’empêche que certaines erreurs existent.
La grande confusion dans les cartes élaborées semble être due à des erreurs de commission. Ceci peut
être expliqué par l’affectation de certains pixels de test de la catégorie irriguée à la classe non irriguée
dans l'image classifiée, ainsi les zones irriguées de l'image classifiée se retrouvent un peu surestimées.
D’autre part, des erreurs d’omission (presque équivalentes à celles de commission) indiquent qu'il y a
certains endroits dans l’image classifiée qui ne sont pas étiquetés comme irriguée mais en réalité ils
sont irrigués.
En récapitulatif, on peut dire que les cartes produites contiennent des quantités à peu près égales de
sur et sous-estimation des cultures irriguées (une erreur moyenne de 28% pour Doukkala et 22% pour
Gharb).
PROJET LDAS-MAROC 25
Figure 14 : Pixels classifiés en cultures irriguées (en vert) à l’intérieur des secteurs aménagés pour la zone des Doukkala (Période : Janvier
2013 au Décembre 2014)
PROJET LDAS-MAROC 26
Figure 15 : Pixels classifiés en cultures irriguées (en vert) à l’intérieur des secteurs aménagés pour la zone du Gharb
(Période : Janvier 2013 au Décembre 2014)
PROJET LDAS-MAROC 27
Le calcul des superficies irriguées issues de la classification des images Landsat au niveau de certains
secteurs aménagés donne les résultats suivants :
Tableau 5a : Pourcentage des superficies des zones classifiées comme cultures irriguées par rapport
aux superficies des secteurs aménagés au niveau du périmètre des Doukkala
Tableau 5b : Pourcentage des superficies des zones classifiées comme cultures irriguées par rapport
aux superficies des secteurs aménagés au niveau du périmètre du Gharb
L’analyse des deux tableaux et des deux figures ci-dessus montre que :
de point de vue cartographique, la majorité des cultures irriguées a été détectée par le
procédé de classification des images Landsat
Le pourcentage des superficies de cultures irriguées détecté par classification d’images
est nettement meilleur pour la zone du Gharb (77 .5% en moyenne par rapport à la
surface aménagée) que celle des Doukkala (63% en moyenne par rapport à la surface
aménagée). Ceci peut être dû d’une part aux confusions de classification entre cultures
irriguées et non irriguées au sein des secteurs aménagés et d’autre part au déficit
chronique en eau et à l’état de dégradation que connaissent certains secteurs selon les
rapports de l’ORMVA.
L’intérêt majeur de cette étude est de pouvoir fournir une information sur l’étendue des cultures
irriguées au-delà des secteurs aménagés. Ceci dit et grâce à la fauchée couverte par les images
Landsat, on peut calculer les superficies des cultures irriguées pour toute unité administrative (Région,
province…etc.). Le tableau ci-après montre les résultats trouvés pour les deux régions : Doukkala-Abda
et Gharb-Chrarda-BniHssen
PROJET LDAS-MAROC 28
Figure 16a : Pixels classifiés en cultures irriguées (en vert) pour la région du Gharb (2013-2014)
PROJET LDAS-MAROC 29
Figure 16b : Pixels classifiés en cultures irriguées (en vert) pour le secteur PTI (Gharb) (2013-2014)
PROJET LDAS-MAROC 30
Figure 16c : Pixels classifiés en cultures irriguées (en vert) pour le secteur STI (Gharb) (2013-2014)
PROJET LDAS-MAROC 31
Région du Gharb-Chrarda-BniHssen Superficie (ha) %
Cultures irriguées
Province Superficie %
(ha)
Kénitra 173894,55 56.27
Sidi Kacem 135154,24 43.73
Total 309048,79
Tableau 7 : Répartition des superficies des cultures irriguées par province au niveau de la région
du Gharb_Chrarda_BniHssen
PROJET LDAS-MAROC 32
Figure 17a : Pixels classifiés en cultures irriguées (en vert) pour la région de Doukkala-Abda (2013-2014)
PROJET LDAS-MAROC 33
Figure 17b : Pixels classifiés en cultures irriguées (en vert) pour le secteur Bas Service (Doukkala-Abda) (2013-2014)
PROJET LDAS-MAROC 34
Figure 17c : Pixels classifiés en cultures irriguées (en vert) pour le secteur Haut Service (Doukkala-Abda) (2013-2014)
PROJET LDAS-MAROC 35
Région de Doukkala-Abda Superficie (ha) %
Tableau 8 : Répartition des superficies des cultures irriguées au niveau de la région Doukkala-Abda
Cultures irriguées
Province Superficie %
(ha)
El Jadida 73872,86 54.3
Safi 62143,96 45.7
Total 136016,82
Tableau 9 : Répartition des superficies des cultures irriguées par province au niveau de la région
de Doukkala-Abda
V. CONCLUSIONS
Cette étude a permis de démontrer l’intérêt des images de télédétection pour la cartographie des
cultures irriguées à l'échelle locale et régionale.
En effet, l'accès facilité aux archives des données Landsat 8 nous a permis d'élaborer des cartes
de cultures irriguées en adoptant une approche méthodologique reproductible et généralisable.
Cette approche qui exploite la dimension multi-temporelle des images Landsat et surtout les
paramètres statistiques (minimum, maximum, moyenne et écart-type) calculés à partir du NDVI pour
extraire les zones irriguées de façon simple et fiable.
Les cartes produites montrent une très bonne précision dans les secteurs aménagés mais l’avantage
majeur est d’avoir une idée sur les cultures irriguées hors périmètres aménagés.
En guise de conclusion générale, on recommande de mener la même étude à l’échelle de toutes les
régions pour avoir une estimation des cultures irriguées hors zones aménagées. Information qui peut
être très utile pour les intervenants dans la gestion du patrimoine agricole.
PROJET LDAS-MAROC 36
REFERENCES BIBLIOGRAPHIQUES
Carroll, M., Townshend, J., DiMiceli, C., Noojipady, P., Sohlberg, R. (2009). A New Global Raster Water
Mask at 250 Meter Resolution, International Journal of Digital Earth, volume 2 number 4.
Chang C-C and Lin J-C (2011). LIBSVM: a library for support vector machines. ACM Transactions on
Intelligent Systems and Technology2:1 39.
DiMiceli, C.M., M.L. Carroll, R.A. Sohlberg, C. Huang, M.C. Hansen, and J.R.G. Townshend
(2011). Annual Global Automated MODIS Vegetation Continuous Fields (MOD44B) at 250m
Spatial Resolution for Data Years Beginning Day 65, 2000 - 2010, Collection 5 Percent Tree
Cover, University of Maryland, College Park, MD, USA.
Friedl, M. A., McIver, D. K., Hodges, J. C., Zhang, X. Y., Muchoney, D., Strahler, A. H., ... & Schaaf, C.
(2002). Global land cover mapping from MODIS: algorithms and early results. Remote Sensing of
Environment, 83(1), 287-302.
Huete, A., K. Didan, T. Miura, E. P. Rodriguez, X. Gao, and L. G. Ferreira (2002).Overview of the radiometric
and biophysical performance of the MODIS vegetation indices, Remote Sens. Environ.,83(1 2), 195 213.
Hsu C-W,Chang C-C, Lin C-J (2001). A practical guide to support vector classification.
Huang C, Davis LS, Townshend JRG (2002). An assessment of support vector machines for land cover
classification. International Journal ofRemote Sensing 23:725 749.
IMPACT DE L'INTENSIFICATION AGRICOLE SUR LA QUALITE DES SOLS ET DES EAUX SOUTERRAINES
DANS LE PERIMETRE IRRIGUE DES DOUKKALA, Revue UTE N°138 • Sept. - Dec. 2007
Jordan, C. F. (1969). Derivation of leaf area index from quality of light on the forest floor.Ecology,
50, pp. 663–666.
Mantero P, Moser G, Serpico SB (2005). Partially supervised classification of remote sensing images through
SVM-based probability density estimation. IEEE Transactions on Geoscience and Remote Sensing 43: 559
570.
Masek, J.G., Vermote, E.F., Saleous, N.E., Wolfe, R., Hall, F.G., Huemmrich, K.F., Feng, G., Kutler, J., &
Teng-Kui, L. (2006). A Landsat surface reflectance dataset for North America,
1990-2000. Geoscience and RemoteSensing Letters, IEEE, 3, 68-72.
Mountrakis G, Im J, Ogole C (2011). Support vector machines in remote sensing: A review. ISPRS Journal of
Photogrammetry and Remote Sensing 66:247 259.
PROJET LDAS-MAROC 37
Ozdogan, M., (2010). Mapping crop types from temporal unmixing of MODIS data: the case for
Independent Component Analysis, Remote Sensing of Environment, 114:1190-1204.
Ozdogan, M., Yang, Y., Allez, G., and Cervantes, C., (2010). Remote sensing of irrigated agriculture:
Opportunities and challenges A Review, Remote Sensing, 2: 2274-2304; doi: 10.3390/rs2092274.
Soudi B. (1994). Le Sol : un patrimoine à préserver pour une agriculture durable. AL BA YANE, 31 juillet
1994.
Vapnik, V. (1979). Estimation of Dependences Based on Empirical Data. Nauka Moscow, 5165
5184, 27 (in Russian) (English translation:SpringerVerlag, New York, 1982).
Wardlow, Brian D., and Stephen L. Egbert. (2008). Large-area crop mapping using time-series MODIS 250 m
NDVI data: An assessment forthe US Central Great Plains." Remote Sensing of Environment 112.3:1096-1116.
Xiao, X., Boles, S., Frolking, S., Li, C., Babu, J. Y., Salas, W., & Moore III, B. (2006). Mapping paddy rice
agriculture in South and Southeast Asia using multi-temporal MODIS images. Remote Sensing ofEnvironment,
100(1), 95-113.
Zhu G., Blumberg D.G. (2002). Classification using ASTER data and SVM algorithms: The case study of Beer
Sheva, Israel. Remote Sensing of Environment 80:233 240.
Zhu,Z., & Woodcock, C.E. (2012).Object-based cloud and cloud shadow detection in Landsat imagery. Remote
Sensing of Environment, 118, 83-94
PROJET LDAS-MAROC 38
ANNEXE 1
Scènes couvrant le périmètre des Doukkala
PROJET LDAS-MAROC 39
Scènes couvrant le périmètre du
Gharb
PROJET LDAS-MAROC 40