Rapport du projet personnel

«Cartographie d’Inventaire de Carbone forestier dans

partie Nord-Ouest de la Province de Bandundu, Districts
de Maï-Ndombe : cas du village Mikanda »

Travail présenté par :

Armand Lokolo Okende
Portfolio :

 Suivi projet :
http://cafesig.ulb.ac.be/mahara/view/view.php?t=rGtMa
UbishJpFl5DumdW

 Evaluation des compétences personnelles :

http://cafesig.ulb.ac.be/mahara/view/view.php?t=9kTyZ
n0JI2oLiWm1vtlP

 Vitrines de compétence :
http://cafesig.ulb.ac.be/mahara/view/view.php?t=xKLuR
v1A60PYgDC2Mfwk

-Stage SIG 2016-

 -1-

1.1. Contexte général

Les forêts tropicales du bassin du Congo couvrent environ 15 % de la surface totale de la terre
et contiennent environ 25 % du carbone dans la biosphère terrestre. Cette région est également
connue pour son importance en termes de biodiversité (Parker& Mitchell,2009). La dégradation
et la déforestation intensives de ces milieux provoquent l’émission de dioxyde de carbone dans
l’atmosphère et donc la production de Gaz à Effet de Serre. En effet, chaque année, environ 13
millions d’hectares de forêt sont convertis en d’autres usages dans le monde(FAO,2010). Cette
destruction représente à elle seule 1/5 (20%) des émissions totales de carbone, faisant du
changement de la couverture végétale, la seconde cause du réchauffement climatique par ordre
d’importance. Dans ces conditions, toute initiative visant à lutter contre le changement
climatique doit impérativement prendre en compte les forêts.

Protéger et gérer rationnellement ces ressources forestières apparaissent au niveau mondial

comme défi majeur pour les années à venir, en dépit des causes susmentionnées (Lejeune et al,
1993). L’estimation des ressources forestières, au niveau du bassin du Congo, plus précisément
dans la région de Mai-Ndombe est le préalable à toute politique forestière digne de ce nom
(Inogwabini, 2008). Dans cette optique, l’inventaire forestier par échantillonnage, associé au
Système d’Information Géographique (SIG) via des images satellitaires à très haute résolution
(8m à 5m) constituent des outils fondamentaux permettant la connaissance de données
quantitatives relatives aux ressources forestières et la prise des décisions dans l’estimation des
ressources forestières pour la gestion et l’aménagement (CIRAD, 1998 ; Lejeune et al, 1993).

1.2. Contexte du projet d'application

La RDC à travers son ministère de l’Environnement, Conservation Nature et Tourisme est

officiellement engagé dans le processus REDD+ (la réduction des émissions issues de la
déforestation et de la dégradation) et cherche à mettre en place un système intégré de Mesure,
Notification et vérification(MNV) des changements liés à la déforestation et à la dégradation
des forêts mais aussi ceux résultant de l’amélioration du couvert forestier (MECNT & CNRDD,
2012). Pour y arriver, le Ministre de l’Environnement, Conservation Nature et
Tourisme(MECNT) se penche sur la cartographie participative des forêts et la surveillance de
leur évolution car l’état des forêts affecte le bien-être de millions de personnes, et influe sur le
climat régional, mondial et sur la biodiversité (Musampa, 2009). C’est ainsi que la connaissance
précise de la superficie, de la composition floristique et de la dynamique forestière sont
importantes et fournissent des informations essentielles à la mise en place des politiques des
suivis environnementaux et économiques(Batsielili, 2008 ; Lejeune et al, 1993), d’où la raison de
mon projet d’application « Cartographie d’Inventaire du carbone forestier dans la partie Nord-
Ouest de la Province de Bandundu, le territoire de Mai-Ndombe en République Démocratique
du Congo». Ce dernier s’inscrit dans le cadre de la protection des forêts du bassin du Congo et
la réduction des émissions de gaz à effet de serre, laquelle est une priorité pour les pays du sud
du bassin du Congo.

Les résultats obtenus appuieront le MECNT à travers la direction Coordination nationale

REDD+ dans la stratégie de réduction des émissions de GES(Gaz à effet de serre) et à la
conservation des couverts forestiers. Cette étude sera étendue dans toute la région en y associant
les résultats des autres études en cours et/ou menés antérieurement dans la province par les
organismes (WWF, etc.) pour avoir une vue aussi précise que possible.

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -2-

2. Objectifs
2.1. Objectifs généraux

Ce projet vise à l’élaborer une cartographie du carbone forestier pour la gestion et

l’aménagement.

2.2. Objectifs concrets

Les objectifs concrets ou opérationnels pour ce projet sont :

Objectifs 1 : Estimer la biomasse du carbone forestier
Produit 1: Stock de carbone aérien et du sol (obtenu par un ratio à partir du carbone aérien) des
inventaires forestiers.
Objectifs 2 : Représenter spatialement le stock du carbone forestier.
Produit 2: Carte du stock du carbone forestier.
Objectifs 3: Évaluer de la déforestation.
Produit 3: Taux de la dégradation et déforestation forestière en fonction de la surface couverte
par la présente étude durant les 3 années (2016, 2015)

3. Recherche bibliographique
Document 1 : Musampa K. C, 2009 : Etudes de cas sur l’évaluation de la dégradation des
forêts : La dégradation des forêts en République Démocratique du Congo. FAO, Programme
d’évaluation, document de travail 169 des ressources forestières, Rome, Italie.

Apport : Ce document trouve une justification dans ce projet car il me permet une meilleure
compréhension de la notion et des éléments de la dégradation forestière, l’analyse des
définitions de la dégradation des forêts et de termes associés, des directives et outils techniques
efficaces et économiques pour contribuer à évaluer et surveiller la dégradation des forêts et le
calcul du taux de la dégradation forestière congolaise.

⇒ Similitude avec le projet : Evaluation de taux de la déforestation.

Document 2 : T. Belouard et al, 2008 : Les images satellitaires pour la gestion forestière. L’IF
n°18, 1er trimestre, N. Derrière IFN ISSN : 1769-6755

Apport : Ce document me permet de connaitre la place des images satellitaires dans les
nombreuses applications à l’IFN et la méthode de détection des changements pour le suivi du
couvert forestier.

⇒ Similitude avec le projet : Détection de changement dans la couverture végétale.

Document 3 : Martin Ledant, 2007 : les indices de végétation. TFE Bachelier, 23 pages.
Département de Géographie, Faculté des sciences, Université de Liège.

Apport : Ce travail arbore la diversité des indices de végétations, leurs places comme indicateur
de la santé de la végétation et leurs caractéristiques en fonction du comportement spectral très
particulier de la végétation et le contraste important entre la période végétative et de repos, car

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -3-

ils sont calculés par des opérations mathématiques entre les bandes spectrales, le plus souvent
le canal R et le PIR.

⇒ Similitude avec le projet : Utilisation des indices de végétations.

Document 4 : C.L.Meneses-Tovar, 2011 : L’indice différentiel normalisé de végétation
comme indicateur de la dégradation. Unasylva 238, vol.62, 2011/2.

Apport : Cet article décrit la mise en pratique d’une méthode associant l’analyse de données de
télédétection et l’analyse de données de terrain pour observer la dégradation des forêts. A travers
ce dernier, l’identification de la relation existant entre les indicateurs des fonctions des forêts et
le NDVI sont possibles. Ce dernier fournit des valeurs estimées de l’intensité verte des forêts,
résultant de l’analyse de données satellitaires. La démarche part du principe que le NDVI est
un indicateur de la présence de la végétation verte, dans la mesure où une dégradation de la
végétation ou diminution de l’intensité de verte, se traduirait par une diminution de la valeur de
NDVI, par conséquent il est possible de suivre l’évolution du processus de dégradation.

⇒ Similitude avec le projet : Utilisation de l’indice NDVI pour observer la dégradation

forestière.
4. Méthodologie conceptuelle
Pour y arriver, les placettes ont été définies dans une zone d’étude couvrant 20 km sur 20 km
dans lesquelles les inventaires forestiers ont été menés. Ces derniers vont conduire à la
caractérisation de peuplement forestier et à l’estimation de la biomasse du carbone aérien et
souterrain. Ces données vont être intégrer dans le SIG pour une représentation spatiale du stock
du carbone forestier. Les images satellitaires disponibles et complétées à partir du site
http://earthexplorer.usgs.gov/ seront digitalisées pour dégager les classes de l’occupation du sol
entre les années 2016-2015. Après nous allons intégrer la télédétection pour révèler les valeurs
de l’indice NDVI avec ces landsats pour la connaissance de l’intensité de la végétation. Ensuite
des analyses spatiales et/ou statistiques basées essentiellement sur les distances entre la classe
de végétation et autres classes seront faites dans l’optique de révèler l’influence de ces classes
entre elles.

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -4-

Zone d’étude

Images tree
cover de Matt Landsat
Caractéristique
Hansen
du peuplement
forestier

Mesure des Mesure des

Diamètres Carte de la couverture forestière NDVI
Hauteurs

Estimation de la Biomasse Carte de situation 2015 Carte de situation 2016

Carte de la Biomasse du carbone Carte du changement de la couverture forestière

Fig.1. Schéma de la méthodologie conceptuelle du projet.

5. Données
5.1. Données disponibles
  Données dendrométriques : Hauteur des arbres(m) et (DBH cm).

  Données géographiques :

 Couches vectorielles : Shapefile de parcelles, Shapefile de la RDC, Shapefile des


rivières de la RDC, Shapefile des routes, Shape de frontières nationales
 Rasters : Modèle numérique de terrain SRTM, Données satellitaires à très haute
résolution WorldView-2 et RapidEye, Landsat 8, Carte de biomasse de Saatchi et

Baccini, Matt Hansen.
5.2. Critique des données

Vu la mauvaise qualité du Landsat 7(SLC-OFF) de 2013 à nos jours, la qualité des Landsat 8
couvrant ma zone n’était pas aussi meilleure pour entreprendre cette recherche au mieux. D’où

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -5-

l’intérêt de recourir aux images satellitaires à très haute résolution (8 ou 5 m) à l’instar de

sentinel-2 et Rapideye.

Fig.2. Landsat 7 SLC-off ETM+( Chen F et al.,2012)

6. Méthodologie concrète
6.1. Estimation de la biomasse du carbone carbone
L’estimation de la biomasse du carbone forestier aérien a été calculée au moyen de l’équation
allométrique de Chave (2014) :

AGB=0.0673x(ρD2H)0.976
Où,
AGB : biomasse du carbone (kg).
D : Diamètre hauteur poitrine (DHP) (cm).
H : Hauteur (m).
ρ : Densité du bois (g·cm-3)

6.2. Spatialisation de la biomasse du carbone forestier.

6.2.1. Biomasse du carbone in situ
La spatialisation de la biomasse du carbone in situ a été réalisée à partir du logiciel QGIS 2.16.
Nous avons procédé à la transformation le fichier Excel de 6 parcelles d’étude contenant les
valeurs de biomasses y afférentes en fichier CSV, puis ce dernier était converti en SHP avec la
projection géographique Universal Transverse Mercator (UTM 33N). Ce dernier était
superposé aux couches de routes et celle de la province provenant de l’Observatoire Satellital
des Forêts d’Afrique Centrale (OSFAC) pour une bonne représentation. Ensuite nous avions
procédé à la symbologie des couches, puis à la réalisation de la carte dans le composeur
d’impression.

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -6-

6.2.2. Données Baccini et al. (2012)

La spatialisation de la biomasse du carbone à partir des données disponibles de Baccini et al.
(2012) a été réalisée comme pour les données in situ à toujours partir du logiciel QGIS 2.16.
Les couches des différentes natures ont été chargées dans QGIS à savoir le raster des valeurs
du carbone de la RDC, le SHP de la zone d’étude, le SHP des rivières, le SHP des routes, le
SHP de provinces de la RDC et le SHP du chef-lieu de la province du Bandundu.

Après nous avons extrait (coupé) le raster contenant les valeurs de biomasses du carbone en
fonction de la province du Bandundu. Ensuite la symbologie et les classes de valeurs ont été
définies avant l’élaboration de la carte.

6.2.3 Soustraction
Ce travail a consisté premièrement à charger la couche vectorielle contenant les valeurs de
biomasses du carbone forestier aérien sur le raster des valeurs de biomasses de la RDC (Baccini
et al., 2008). Ensuite nous avions interrogé chaque pixel du raster correspondant à chaque
valeur de biomasse afin de recueillir les vraies valeurs de biomasse de baccini qui correspond
aux valeurs réelles de terrain.

Dans GRASS, nous avons créé le secteur et le jeu de données (mapset) puis avons importé les
deux couches chargées dans Permanent dans le nouveau mapset. Ensuite la région a été définie
en fonction de la couche vectorielle à une résolution de 500 m du raster avec le module g.region.

La couche vectorielle a été rastérisée via le module « v.to.rast » pour obtenir un raster. Après
nous avons procédé à la soustraction de deux rasters avec la calculatrice raster « r.mapcalc ».

Une Analyse de la moyenne (le test de student) a été mise en œuvre pour comparer la moyenne
des valeurs réelles de biomasse de terrain et celles de baccini et al. (2008) avec le programme
R3.0.2.

6.3. Évaluation de la déforestation et dégradation forestière

6.3.1. Détermination de l’indice de végétation par différence normalisé

Nous avons procédé au téléchargement au Landsat-8 de deux années différentes (2016 et 2015).
Ensuite nous les avons chargées dans QGIS puis à l’aide du calculateur raster, l'indice de
végétation par différence normalisé (Tucker, 1979 ; Rouse & Haas, 1973) a été calculé à partir
de la formule suivante :

NDVI= (PIR-R) /PIR+R)

Ce dernier est construit à partir des canaux rouges et proche infrarouge.

6.3.2. Détection du changement de la couverture forestière

Le travail sur la détection du changement de la couverture forestière a été évalué premièrement
à partir du logiciel QGIS 2.16 sur les images Landsat-8 de 2016 et 2015

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -7-

avec la projection WGS 84/ UTM 33N. En fonction des images obtenues après le calcul l’indice
ENDVI ou indice de Tucker (Tucker, 1979 ; Rouse & Haas, 1973), la zone d’étude a été coupée
sur les deux images avec la couche vectorielle relative à la zone d’étude.

Ensuite nous avions trouvé le seuil des deux images avec l’interpolation discrète :

- 1er seuil pour NDVI 2015 : 0,35

0≤ 0,35 : pas de forêt
0≥ 0,35 : forêt
eme
- 2 seuil pour NDVI 2016 : 0,21
0≤ 0,21 : pas de forêt
0≥ 0,21 : forêt

Dans GRASS le travail a commencé d’abord :

 Création d’un secteur(Forêt) et d’un jeu de données(ENDVI).

 Importation des données rasters dans GRASS et à la
 Définition de la région de travail et d’un masque à une résolution de 30m.

g.region raster=AREA_ENDVI2015_ok@ENDVI
 Élaboration de carte de situation avec le module r.mapcal en affectant les valeurs 0(pas
de forêt) et 1(forêt) et en fonction de seuil défini.

-2015: r.mapcalc =situation_2015 = if (AREA_ENDVI2015 <= 0.35, 0, 1)

-2016: r.mapcalc= situation_2016 = if (AREA_ENDVI2016 <= 0.21, 0, 1)

La fontion ou condition utilisée dans les deux formules permet affecter les valeurs inférieures
ou égales au seuil 0,35 et 0,21 aux zones non forestières sinon 1 relative aux zones forestières.

 Filtration deux carte de situation avec le module r.neighbors

-r.neighbors input=situation_2015@ENDVI output=situation_2015_filtre1@ENDVI
method=mode
- r.neighbors input=situation_2016@ENDVI output=situation_2016_filtre1@ENDVI
method=mode

 Elaboration de carte de changement entre 2016 et 2015 avec le module r.mapcalc

-r.mapcalc=carte_changement=(situation_2015_filtre2@ENDVI*10)+
situation_2016_filtre2@ENDVI

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -8-


6.3.3. Mesure de la surface des cartes rasters

Afin de faire une idée de la surface de l’occupation forestière de la carte de situation 2015, 2016
et la carte du changement nous avons fait recourt au module « r.report » avec GRASS 7.0.

7. Résultats

7.1. Estimation la biomasse du carbone forestier

L’étude de l’estimation de la biomasse du carbone forestier aérien a mis en évidence une valeur
totale de la biomasse (AGB en t/ha) 17.803 pour une superficie 6 ha.

Le tableau ci-dessous montre les différentes valeurs de la biomasse aérienne de familles en

utilisant l’équation allometrique de chav(2014). Il ressort que la famille de Phyllanthaceae
(1499,4t/ha) stock plus de la moitié du dioxyde de carbone suivi de celle de Fabaceae (1122
t/ha), Arecaceae(887 t/ha) Achariaceae(862 t/ha) etc.

Cette grande différence des valeurs entre la famille de Phyllanthaceae et les autres s’explique
par sa surface terrière plus élevée mais aussi par l’âge de ses arbres lui ayant permis
d’accumuler beaucoup de biomasse. Il est aussi important de signaler que l’indice foliaire
influence le rendement de la photosynthèse (Kidikwadi, 2012 in Mauwa, 2012) étant donné que
ces familles se caractérisent par des feuilles composées, leurs folioles accomplissent une
assimilation chlorophyllienne intense. Ainsi l’efficacité photosynthétique peut influencer le
rendement en biomasse d’une espèce voire même d’une famille.

Famille AGB (Tonnes/ha)

Achariaceae 862
Anacardiaceae 427
Annonaceae 599
Apocynaceae 163
Arecaceae 887
Bignoniaceae 392
Boraginaceae 463
Burseraceae 670
Calophyllaceae 715
Cannabaceae 176
Chrysobalanaceae 275
Clusiaceae 273
Combretaceae 377
Ebenaceae 591,1
Euphorbiaceae 240
Fabaceae 1122

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -9-

Huaceae 520
Irvingiaceae 270
Lamiaceae 327,3
Lauraceae 647,4
Lecythidaceae 115,0
Malvaceae 309
Meliaceae 103
Moraceae 103
Myristicaceae 348
Myrtaceae 1236
Ochnaceae 321,1
Olacaceae 479
Passifloraceae 54,0
Phyllanthaceae 1499,4
Putranjivaceae 326
Rhamnaceae 375
Rhizophoraceae 113
Rubiaceae 855,1
Rutaceae 195,1
Salicacea 375
Sapindaceae 338,4
Sapotaceae 111
Simaroubaceae 125,2
Stemonuraceae 93,4
Urticaceae 336,4

Tableau.1. Estimation de la biomasse aérienne (AGB en tonnes/ha)

7.2. Spatialisation du stock du arbone forestier

7.2.1 Données du terrain.

La spatialisation du stock du carbone pour les 6 parcelles d’études, couvrant chacune 1 ha de

superficie (fig.3.) révèle que la biomasse du carbone forestier varie 831 à 451 tonnes/ha.

Les variations de valeurs de biomasse entre les parcelles s’expliquent par la présence des
valeurs hautement élevées du DBH, surface terrière et la densité du bois de certaines essences
forestières au détriment des autres dans les parcelles respectives.

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -10-

Fig.3. Biomasse du carbone forestier avec les données dendrométriques in situ.

7.2.2. Données de Baacini et al. 2008.

La carte suivante tirée de l’ouvrage « cartographie des bénéfices potentiels liés à la

biodiversité » représente les variations des valeurs de biomasse des carbones. Elle révèle que la
zone de Mai-Ndombe stock une grande quantité des carbones atmosphériques et souterrains
dans le pays qui s’explique par une biodiversité exceptionnelle « Hospot » qu’elle regorge. Ces
variations sont comprises entre les valeurs très fortes à plus faible de la biomasse du carbone.

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -11-

Fig.4. Biomasse du carbone forestier avec les données de Baccini (2008).

7.2.3. Couverture végétale

Il ressort de cette carte tirée des données de Matt Hansen que la relation est positive entre la
biomasse et la couverture végétale ce qui revient à dire que les zones à forte biomasse du
carbone présentent en grande quantité la couverture végétale. Dire donc que dans cette zone ;
il y a une richesse spécifique en essence forestière élevée.

Fig.5. Couverture végétale d’après Matt Hansen (2008)

7.2.4. Différence des valeurs de biomasse de carbone obtenus in situ et celles de Baccini
(2008).
La carte suivante est obtenue par la soustraction des valeurs réelles de biomasse de terrain
et celles de Baacini(2008). L’analyse de la moyenne nous signifie une différente très
hautement significative à P<0.0001 entre les valeurs de ces deux cartes.

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -12-

Fig.6. Différence de biomasse entre valeurs de terrain et de Baccini (2008)

Fig.6. Différence de biomasse entre valeurs de terrain et de Baccini (2008)

7.3. Évaluation de la déforestation et dégradation forestière.

7.3.1. Indice différentiel normalisé de végétation du Landsat (2015)

L'indice de végétation par différence normalisé, appelé aussi NDVI construit à partir des canaux
rouge (R) et proche infrarouge (PIR) a permis de mettre en valeur la quantité de la végétation
en fonction de la différence entre la bande visible du rouge et celle du proche infrarouge. Il
ressort que les valeurs du NDVI sont comprises entre sont -0.0389519 valeur minimale et
0.451065valeur maximale. Les formations végétales quant à elles, ont des valeurs de NDVI
positives et oscillent entre 0.23 à 0.43. Il n’y a pas les valeurs les plus élevées correspondant
aux couverts les plus denses (0,7).

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -13-

Fig.7. Carte NDVI 2015(juin)

7.3.2. Indice différentiel normalisé de végétation du Landsat (2016)

L'indice de végétation par différence normalisé, appelé aussi NDVI construit à partir des canaux
rouge (R) et proche infrarouge (PIR) a permis de mettre en valeur la quantité de la végétation
en fonction de la différence entre la bande visible du rouge et celle du proche infrarouge. Il
ressort Les valeurs du NDVI sont comprises -0.0196079 valeur minimale et 0.327663 valeur
maximale. Les formations végétales quant à elles, ont des valeurs de NDVI positives et oscillent
entre 0.23 à 0.328. Il n’y a pas les valeurs les plus élevées correspondant aux couverts les plus
denses (0,7).

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -14-

Fig.8. Carte NDVI 2015(juillet)

7.3.3. Relation entre Biomasse du carbone forestier et l’indice ENVI

L’analyse de la régression linéaire révèle une corrélation positive entre les valeurs de la
biomasse et le résultat de l’ENVI 2015, car la valeur du coefficient de corrélation calculée (r
=0,71) tend vers 1.

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -15-

850
y=ax+b,r=0.71

Biomasse carbonne(tonnes en hectares)

800

750

700

650

600

550

500

450

400
-0.1 0.0 0.1 0.2 0.3 0.4 0.5
ENVI2015

Fig.9. Graphique de corrélation entre la biomasse du carbone avec NDVI2015

Cependant pour l’NDVI2016, la corrélation se révèle légèrement positive avec le coefficient de
corrélation (r) égal à 0,5. De ce fait, pour renforcer le résultat de cette analyse d’une manière
générale un nombre important de parcelles d’étude(plot) d’inventaire forestier dans la zone de
Mai-Ndombe serait nécessaire.

850

800 Y=ax+b, r=0.5

Biomasse carbone(tonnes/ha)

750

700

650

600

550

500

450

400
-0.05 0.00 0.05 0.10 0.15 0.20 0.25 0.30 0.35
ENVI2016

Fig.10. Graphique de corrélation entre la biomasse du carbone avec NDVI2016

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -16-

7.4. Détection du changement de la couverture forestière

7.4.1. Situation en 2015 et 2016
De l’analyse de ce tableau, il se dégage que sur les 2 ans, les domaines d’occupation du sol en
termes de deux classes définies (1 : forêt ; 0 : pas forêt), la superficie de la zone forestière s’est
augmentée de l’ordre 412,47 hectares au profit des zones non forestières.

Les cartes suivantes illustrent bien résultats obtenus entre les deux années (fig.11a et 11b).

Superficie en hectares
Classe d'occupations du sol 2016 2015
1 35469 35056
0 5596,38 6009
no data 2 2
Superficie totale 41067 41067

Tableau.2. Superficies occupées par les différentes classes d’occupations du sol.

Fig.11a. Carte de situation forestière juillet 2015 dans la zone de Mai-Ndombe

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -17-

Fig.11b. Carte de situation forestière juin 2016 dans la zone de Mai-Ndombe

7.4.2. Changement 2016 et 2015

La carte des changements du couvert forestier entre les années 2016 et 2015 est obtenue par
l’addition de la carte de situations 2016 et 2015(voir la matrice du changement). Le résultat
repris dans le tableau ci-dessous présente 4 classes d’occupation du sol (zone forestière, zone
non forestière, déforestation et reforestation. 

2016
1 0
2015 0 01 00
1 11 10

Tableau.3. Matrice de changement de la couverture forestière

Où,

0 : pas de forêt
1 : forêt
01 : Déforestation

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -18-

11 : Reforestation

Par ailleurs, la transformation multi-bandes avec des analyses en composantes principales nous
montre que la première composante concentre 99.8 % de l’information (de la variance) et que
toutes les bandes sont corrélées positivement avec cette composante. Il s’agit d’une composante
représentant la quantité d’information pour le changement de la couverture forestière.

PC1 14.87 0.0915 0.0775 0.9928 99.81%

PC2 0.03 0.106 0.9921 -0.0676 0.19%

PC3 -0.00 -0.9901 -0.099 0.099 -0.00%

Tableau.4. Analyse en composante principales.

Les classes ont une coloration différente pour marquer les changements. De ce fait, sur une
Superficie totale de 41067 ha, la zone forestière occupe une grande superficie d’occupation du
sol dans la zone de Mai-Ndombe avec une superficie 34483,14 ha suivi de la zone non
forestière 5023,62 hectares.

Classe d'occupations du sol Superficie en hectares

Zone non forestière 5024
Zone forestière 34483
Déforestation 573
Reforestation 986
pas de données 2
superficie totale 41067

Tableau.5. Superficies occupées par les différentes classes d’occupations du sol.

La superficie de la déforestation entre les deux années sur l’ensemble de la zone d’étude est
légèrement inférieure à celle de la reforestation, ce qui revient à dire qu’actuellement il y a une
politique de de reboisement dans la zone.

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -19-

Fig.12. Carte de changement dans la zone de Mai-Ndombe

8. Discussions
8.1. Résultats obtenus
Les résultats de l’estimation de la biomasse du carbone forestier pour les 6 parcelles obtenus au
niveau de la zone de Mai-Ndombe, nous permet de comparer ces derniers à ceux obtenus par
Baccini (2008). Cependant la comparaison entre les deux révèle une différence hautement
significative Cette constatation se justifie par le fait que les 6 parcelles d’études choisies (6ha)
avec un faible taux d’échantillonnage, ne sont pas représentatives pour l’ensemble de forêt, ce
qui explique cette différence avec les biomasses de Baccini. Cependant cette dernière fait
allusion à toute la couverture forestière résultant d'une classification supervisée avec l’image à
imagerie à résolution modérée « MODIS » (2000-2003)

Au niveau des parcelles, les variations des valeurs de biomasse se justifient par le fait que les
parcelles d’études n'avaient pas la même taille d’échantillonnage en termes de essences
forestières donc les espèces ayant présenté la densité du bois, hauteur et DBH élevés ont
influencé la biomasse du carbone forestier.

En considérant les différentes valeurs de l’indice de végétation par différence normalisé,

construit à partir des canaux rouge (R) et proche infrarouge (PIR) a permis de mettre en
évidence que la quantité de la végétation est fonction de la différence entre la bande visible du

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -20-

rouge et celle du proche infrarouge. Pour l’année 2015, les valeurs de NDVI sont comprises
entre -0.0389519 valeur minimale et 0.451065 valeur maximale. Par contre en 2016, les valeurs
du NDVI sont comprises -0.0196079 valeur minimale et 0.327663 valeur maximale.

De ce fait, la justification de ces différents résultats serait plus due à la présence de brume et
c’est très complexe d’acquérir des données sans nuage sur ma zone d’étude. Aussi à la date
d’acquisition de ces images.

Concernant la carte du changement de la couverture forestière entre les années 2016 et 2015, la
matrice de combinaison a révélé 4 classes d’occupation du sol (zone forestière, zone non
forestière, déforestation et reforestation par rapport à notre objectif. Par ailleurs la détection
visuelle de ces objets sur les deux Landsat-8 de 2016 et 2015 est difficile vu la présence des
nuages dans la zone d’étude. D’où l’intérêt d’utiliser les images à très haute résolution spatiale
temporelle pour résoudre le souci de brume, malgré le problème de brume est intimement lié à
ma zone d’étude en y associant la digitalisation des objets sur terrain et une reclassification
supervisée

8.2. Application du projet au pays

8.2.1. Différences entre votre projet d'application pour le stage et la réalité sur place
8.2.1.1 Données disponibles/ à compléter
Pour continuer ce projet, il y a eu lieu de recourir aux images satellitaires à très haute résolution
à l’occurrence le sentinelle -2 et Rapideye puis posséder les informations sur les objets
constitutifs du terrain d’étude en termes d’occupations du sol et/ou du changement. Dans ce cas
nous retournerons sur terrain pour compléter les informations pertinemment manquantes.

8.2.1.2. Méthodologie
Pour continuer ce projet, il y a aura lieu de recourir aux images satellitaires à très haute
résolution spatiale temporelle à l’occurrence le Sentinel -2, plus à adapter pour l’observation
des sols et de leurs utilisations et réalisations de cartes mettant en évidence les évolutions de
celle-ci, et le Rapideye puis posséder les informations sur les objets constitutifs du terrain
d’étude en termes d’occupations du sol et/ou du changement.

8.2.1.3. Choix des outils

Les logiciels libres utilisés durant la première phase du projet en Belgique seront toujours
utilisés pour finaliser le projet pour des diverses raisons (libres, aide permanente avec le forum
cafesig).

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -21-

8.3. La démarche à suivre pour lancer la mise en place du SIG dans votre environnement
de travail
La démarche à suivre pour lancer la mise en place du SIG dans notre environnement de travail
se résume dans le tableau suivant.

Activité Public cible Outils à utiliser

Rédaction de rapport Destiné aux autorités Impression du projet d’application

de mission académiques de mon
Université

Partage des Collègues du département Les logiciels libres : QGIS et GRASS

connaissances sur les du département des
logiciels libres Biologie et de tous les
autres collègues
intervenant dans la
gestion de la biodiversité
qui seront intéressés

Contact des certains Tous les agents qui D’abord une formation dans Q-GIS et dans
bureaux de l’état utilisent déjà ou non des la mesure du possible certains modules de
utilisant le SIG logiciels libres dans leurs Grass.
tâches quotidiennes pour
un éventuel recyclage des
agents non à jour

Encadrement des Etudiants en cycle Q-GIS, Grass

étudiants en cycle terminal et qui ont le
terminal problème d’application
des SIG dans leur travail
de fin d’étude

Continuation de mon Intégration de ces données Continuation du projet d’application dans le

projet d’application dans mes recherches de but de faire les cartes des changements de la
post graduation couverture forestière.

Etudier la faisabilité Avec d’autres collègues, Question à étudier et à proposer aux

de créer un centre voir comment créer un autorités académiques
d’apprentissage des centre d’apprentissage des
logiciels libre logiciels libre pour
personnes internes et

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -22-

externes au sein de
l’Université.

Etudier la faisabilité Un projet SIG sous-région Plaidoyer auprès des autorités des pays
d’une synergie envisageable visant les respectifs et auprès des agences des Nations
d’action avec les recherches- Unies
anciens stagiaires de développement dans le
la RD Congo et du secteur de
Burundi (nos l’environnement (eau,
voisins) mine assainissement,
santé etc.)

Conclusion &perspectives
L’objectif de ce travail a été d’estimer la biomasse la biomasse du carbone forestier, de
spatialiser le stock du carbone forestier et de produire une carte de changement de la couverture
forestière afin d’évaluer la déforestation et la reforestation au niveau la zone de Mai-Ndombe.
A l’issu de la présente étude, axée sur la préservation des forêts du bassin Congo, nous avons
estimé la biomasse du carbone forestier ce qui représente une information importante.

Pour ce qui est du changement de la couverture forestière, il s’est dégagé que sur les 2 ans, les
domaines d’occupation du sol en termes de deux classes définies (1 : forêt ; 0 : pas forêt), la
zone forestière occupe une grande superficie d’occupation du sol dans la zone de Mai-Ndombe
avec une superficie 34483,14 ha suivi de la zone non forestière 5023,62 hectares.

Ce travail constitue un point du départ de nos recherches futures. Au vu de l’originalité de la

carte du changement de la couverture forestière, l’approche de la digitalisation des objets
constitutifs de l’image satellitaire et la reclassification supervisée et la validation de la
classification sont les approches à empreinter utilisant les images sentinelles-2 seraient la
meilleure solution pour mener à bien ce genre avec sa bonne résolution.

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -23-

Références

Batsielili-M.A, 2008: Phénologie et régénération des espèces ligneuses arborées en forêt

tropicale humide: cas d’Afrormosia (Pericopsis elata) et du Tola (Prioria balsamifera)
en RDC. Mémoire de stage GEEFT, 86 pages.

Chave J., Rejou M. & Mechain, 2014: Improved allometric models to estimate the
aboveground biomass of tropical trees. Global Change Biology (2014) 20, 3177–3190,
doi: 10.1111/gcb.12629

CIRAD, 1998 : Les cartes, la télédétection et les SIG, des outils pour la gestion et
l’aménagement des forêts tropicales d’Afrique Centrale. CIRAD-Forêt Campus
International de Baillarguet BP 5035 34032 Montpellier cedex 1

ERTS. Third ERTS Symposium, 1973, 1, 309-317. - Washington DC: NASA

Lejeune P., Lecompte H. & Prevot H., 1993 : Utilisation d’un SIG pour la gestion des
ressources forestières : exemple d’applications à un niveau d’inventaire forestier
régional. Bull. Rech. Agron. Gembloux(1993)28(2-3) ,275-286.

Martin Ledant, 2007: les indices de végétation. TFE Bachelier, 23 pages. Département de
Géographie, Faculté des sciences, Université de Liège.

Mauwa, M. 2012 : Estimation du carbone fixe dans un bloc forestier dans la réserve de
biosphère de luki, Faculcuté des sciences Agronomique, Université de Kinshasa,
Option eaux et forêt, Mémoire Inedit.
MECNT & CNRDD, 2012 : rapport de l’atelier de consultation sur le mécanisme de gestion
des plaintes REDD+ en RDC, 12 pages.

Meneses-Tovar C.L., 2011 : L’indice différentiel normalisé de végétation comme indicateur

de la dégradation. Unasylva 238, vol.62, 2011/2.

Musampa K. C, 2009 : Etudes de cas sur l’évaluation de la dégradation des forêts : La

dégradation des forêts en République Démocratique du Congo. FAO, Programme
d’évaluation, document de travail 169 des ressources forestières, Rome, Italie.

Musampa K. C, 2014 : le système de représentation des terres par satellite de la république

démocratique du congo (terracongo). Conférence internationale sur les changements
d’occupation du sol et de la biomasse forestière en Afrique Centrale Libreville Gabon,

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.
 -24-

du 20 au 21 mars 2014.16 pages.

Parker A, Mitchell M., Trivedi N. Mardas, 2009 : Le Petit Livre Rouge du REDD +. 132
pages

Rouse, J.W. And Haas, R.H., 1973: Monitoring vegetation systems in the great plain with

T. Belouard et al, 2008 : Les images satellitaires pour la gestion forestière. L’IF n°18, 1er
trimestre, N. Derrière IFN ISSN : 1769-6755.

Tucker, C. J, 1979: Red and photographic infrared linear combinations for monitoring
vegetation. Remote Sensing of the Environment, 1979, 8, 127–150.

Sites internet consultés

1. http://www.ramsar.org/ris/key_ris_index.htm, consulté le 12/04/2016

2. http://globalcanopy.org/ consulté le 04/11/2016

3. http://www.maliweb.net/category.php consulté le 31/08/2016

Armand Okende, Cartographie d’Inventaire de Carbone forestier dans partie Nord- Ouest de la Province de Bandundu.