DJAMAI NAJIB

EXPLOITATION DES IMAGES SATELLITAIRES

MODIS-TERRA POUR LA CARACTÉRISATION DES
ÉTATS DE SURFACE
Cas de la Tunisie
Mémoire présenté
à la Faculté des études supérieures de l'Université Laval
dans le cadre du programme de maitrise en Sciences Géomatiques
pour l'obtention du grade Maître es sciences (M.Sc)

DEPARTEMENT DES SCIENCES GEOMATIQUES

FACULTÉ DE FORESTERIE, DE GÉOGRAPHIE ET DE GÉOMATIQUE

UNIVERSITÉ LAVAL
QUÉBEC

2010

© DjamaiNajib, 2010
 DJAMAI NAJIB

EXPLOITATION DES IMAGES SATELLITAIRES

MODIS-TERRA POUR LA CARACTÉRISATION DES
ÉTATS DE SURFACE
Cas de la Tunisie

Mémoire présenté
à la Faculté des études supérieures de l'Université Laval
dans le cadre du programme de maitrise en Sciences Géomatiques
pour l'obtention du grade Maître es sciences (M.Sc)

DEPARTEMENT DES SCIENCES GEOMATIQUES

FACULTÉ DE FORESTERIE, DE GÉOGRAPHIE ET DE GÉOMATIQUE

UNIVERSITÉ LAVAL
QUÉBEC

2010

DjamaiNajib, 2010
Résumé
Bien que de nombreuses incertitudes demeurent sur la rapidité, l'amplitude et la répartition
géographique du changement climatique, sa réalité fait aujourd'hui consensus au sein de la
communauté scientifique, et l'occurrence des sécheresses et des dégradations du couvert
végétal et des zones humides dans tous les continents soulignent l'importance de ce
phénomène. Les pays de l'Afrique du nord, et la Tunisie en particulier, sont parmi les
régions les plus vulnérables à cause de leurs situations géographiques particulières limitées
par le Sahara au sud et la mer au nord. Dans ce contexte de changement global, le suivi
spatio-temporel de l'état de surface en Tunisie permettra de comprendre l'étendue,
l'amplitude et le déroulement de ce phénomène dans la région.

Les images satellitaires hebdomadaires de MODIS-Terra épurées des effets

atmosphériques, des nuages et de leur ombre et ayant de bonnes résolutions temporelle et
radiométrique sont un bon outil pour le suivi temporel de l'état de surface. Ainsi, des
méthodes de classification non supervisée (ISODATA) et supervisée (Maximum de
vraisemblance et Fuzzy) sont utilisées pour les classifier. Elles aboutissent à des séries
temporelles traduisant l'évolution des surfaces occupées par les sols secs, les sols humides,
la végétation et les plans d'eau de 2000 à 2009 ainsi qu'à la détection de leur changement.
L'analyse spectrale et le filtrage numérique ont servi pour montrer que l'évolution
temporelle de ces quatre classes est à la base annuelle, et qu'elle est liée à la pluviométrie.
Cependant, une variabilité à grande échelle, à l'ordre de 8-9 ans, peut être mise en question
à cause de sa faible puissance dans les séries temporelles de 10 ans obtenues.

Mots-clés : MODID-Terra, ISODATA, Maximum de vraisemblance, Fuzzy classification,

Analyse spectrale, Filtrage numérique
Abstract
Although many uncertainties remain about the speed, the magnitude and the geographical
distribution of climate change, its reality is nowadays consensus within the scientific
community. The occurrence of droughts and the degradation of vegetation cover and
wetlands in all continents underline the importance of this phenomenon. North Africa's
countries, and in particular Tunisia, are among the most vulnerable areas due to their
special geographical situations limited by the Sahara in the south and the sea in the north.
In this context of global change, spatial-temporal monitoring of the surface state in Tunisia
will be a good source for policy makers and scientists.

Weekly MODIS-Terra's Satellite images purged of atmospheric effects, clouds and its
shadows, have good temporal and radiometric resolutions. They are excellent tools for time
tracking of the surface state. Thus, unsupervised (ISODATA) and supervised classification
methods (Maximum Likelihood and Fuzzy classification) are used to allowing for
identifying on the time series reflecting the evolution of the area occupied by dry soils, wet
soils, vegetation and water from 2000 to 2009. Spectral analysis and digital filtering were
used to show that the temporal evolution of these classes is essentially annual, and is
closely related to rainfall. However, a large-scale variability (8-9 years) may be
highlighted; it may appear clearer if series of period longer than 10 year are disposed

Keywords: MODID-Terra, ISODATA, Likelihood classification, Fuzzy classification,

spectral analysis, digital filtering

m
Avant-propos
Ce travail n'aurait pu se réaliser sans la collaboration de plusieurs personnes et organismes.
Je désire en premier lieu remercier mes directeurs de recherche Marc Cocard et Valéry
Gond pour leurs conseils et leurs soutiens scientifiques. Mes remerciements également à
Alfonso Condal, un professeur chercheur à l'université Laval, pour sa collaboration et ses
précieuses informations.
Je tiens à remercier le Ministère Tunisien des Études Supérieures et la Mission
Universitaire de la Tunisie en Amérique du Nord pour leurs soutiens financiers. Je remercie
également l'Institut National de la Météorologie de la Tunisie pour leurs données et M.
Hsan Saidi, M.Jmaiel Elhajri et pour leurs informations et leurs conseils.

iv
« Je dédie ce travail à ma mère, mes frères et
sœurs et tous mes ami(e)s »
 Table des matières

Résumé ii
Abstract iii
Avant-propos iv
Table des matières vi
Liste des tableaux viii
Liste des figures x
1. Introduction 14
2. Objectifs 15
3. Mise en contexte 16
3.1. Présentation de la zone d'étude 16
3.1.1. Présentation générale 16
3.1.2. La topographie et les ressources hydriques 16
3.1.3. Les conditions climatiques 19
3.2. Caractéristiques des types d'occupation du sol cherchés 21
3.3. Présentation de la source des données 23
3.3.1. Choix du satellite 23
3.3.2. Donnée générales sur l'instrument MODIS-Terra 25
3.3.3. Inventaire des données 27
4. Méthodologie 30
4.1. Cartographie des plans d'eau avec le CLDVW 32
4.2. Classification des images satellitaire 34
4.2.1. Classification non supervisée : ISODATA 35
4.2.2. Classification supervisée 36
4.3. Étude des séries temporelles 38
4.3.1. Analyse spectrale 38
4.3.2. Filtrage numérique 39
5. Préparation et traitement des données 42
5.1. Acquisition des données 42
5.2. Description de « Surface Reflectance 8-Day L3 Global 500m » 42
5.3. Sélection des bandes 44
5.4. Prétraitement des données 45
5.4.1. Généralités 45
5.4.2. Traitement des images MOD09A1 47
5.4.3. Délimitation du domaine d'étude : masquage des frontières 48
5.4.4. Masquage des nuages 53
5.4.5. Nettoyage des données 59
6. Résultats et discussions 60
6.1. Cartographie des plans d'eau avec le contraste local du DVW 60
6.2. Classification non supervisée et validation des classes 61
6.2.1. Classification 62
6.2.2. Regroupement des classes 65
6.2.3. Généralisation 69
6.2.4. Sélection des pixels d'entrainement 74
6.2.5. Classification avec le maximum de vraisemblance 76
6.2.6. Classification avec la méthode « Fuzzy classification » 83
6.2.7. Validation de l'évolution temporelle de la végétation avec l'indice de végétation
NDVI 84
6.2.8. Étude des séries temporelles de l'évolution de l'état de surface 85
7. Étude du lien entre l'évolution de l'état de la surface et la pluviométrie 89
7.1. La distribution spatio-temporelle de la pluviométrie en Tunisie 90
7.2. Étude du lien entre la pluviométrie et l'occupation du sol en Tunisie 96
Conclusion 100
Bibliographie 102

vu
 Liste des tableaux

Tableau 1 : Répartition géographique du potentiel hydrique moyen en Tunisie (Source :

Direction Générale des Ressources en Eau de Tunisie) 17
Tableau 3: Spécifications techniques de MODIS-Terra 26
Tableau 4: Les bandes de fréquence de MODIS-TERRA 27
Tableau 5: Description du fichier « Surface Reflectance 8-Day L3 Global 500m » 43
Tableau 6: Répartition des valeurs de la réflectance relatives aux différentes bandes
utilisées de MODIS-Terra (en %) 47
Tableau 7: Le contenu du fichier « 500m State Flags » 54
Tableau 8: Comparaison des bandes spectrales (rouge, proche infrarouge et proche
infrarouge) de MODIS-Terra et celles de VEGETATION (SPOT-4) 60
Tableau 9: La superficie occupée par chacun des classes obtenues avec la méthode
ISODATA 63
Tableau 10: Les vecteurs moyens des classes obtenues avec la méthode ISODATA 63
Tableau 11: Les écart-types des classes obtenues avec la méthode ISODATA 63
Tableau 12: Les centres des quatre superclasses calculés à partir des signatures spectrales66
Tableau 13: Les distances des dix classes aux centres des quatre superclasses 66
Tableau 11 : Changement des pourcentages des surfaces occupées par les quatre classes en
passant du regroupement à partir de 10 classes au regroupement à partir de 20 classes
(du regroupement à partir de 20 classes au regroupement à partir de 10 classes) 70
Tableau 12: Les vecteurs moyens (VM) et les matrices de variance covariances (MVC)
relatives aux différentes superclasses 76
Tableau 13: La différence entre les résultats du maximum de vraisemblance et ceux de «
Fuzzy classification » 84
Tableau 14: Le déphasage entre les variations annuelles des quatre superclasses (en jours)
85
Tableau 15: Les bandes passantes des filtres 87
Tableau 16: Quelques statistiques sur la variabilité annuelle des superficies occupées par les
différentes classes (en %) 88
Tableau 17: Les coefficients de corrélation entre les quatre classes et la pluviométrie 97
Tableau 18: Le décalage entre les quatre classes et la pluviométrie (en mois) 98
Tableau 18: le taux de chaque type des zones de classe variable et celui des zones de classe
stable par rapport à la surface totale de la Tunisie 99

IX
 Liste des figures

Figure 3.1 : La carte topographique de la Tunisie (Source : Direction Générale des

Ressources en Eaux) 18
Figure 3.2: La carte climatique de la Tunisie (Source : Institut National de la Météorologie)
20
Figure 3.3: Exemples des plans d'eau en Tunisie (Atlas des Paysages de la Tunisie) 21
Figure 3.4: Exemples de classe de végétation (Atlas des Paysages de la Tunisie) 21
Figure 3.5: Exemples des zones humides en Tunisie (Atlas des Paysages de la Tunisie) ...22
Figure 3.6: Exemples des sols secs en Tunisie (Atlas des Paysages de la Tunisie) 22
Figure 3.7: La répartition spectrale des bandes de MODIS-Terra comparée à celles d'autres
instruments 25
Figure 3.8: Le satellite Terra 26
Figure 3.9: La grille sinusoïdale de MODIS avec un exemple d'une une image RGB
acquises le 3 décembre 2006 à la côte Est des Etats-Unis 28
Figure 3.10: Les indicatrices de déformation de Tissot de la projection sinusoïdale 30

Figure 4.1 : Représentation matricielle d'une image multi-spectrale 35

Figure 4.2: Schéma explicatif de la méthode de classification ISODATA (Source: Richards
A., R., Remote Sensing Digital Image Analysis) 36
Figure 4.3: Exemple d'un pixel partagé entre trois classes 37
Figure 4.4: Schéma explicatif de l'analyse spectrale et le filtrage numérique 40
Figure 4.5: Schéma représentatif du calcul des bandes passantes d'un filtre 41

Figure 5.1 : La zone d'étude prise par les sept premières bandes de MODIS-Terra 44
Figure 5.2: Les sept premières bandes de MODIS-Terra comparés aux signatures spectrales
des quatre objets cherchés 45
Figure 5.3: Exemple d'interpolation des valeurs de réflectance erronées 47
Figure 5.4: Exemple de traitement de l'image du 25 janvier 2003 prise avec la bande rouge
de MODIS-Terra 48
Figure 5.5: La superficie occupée par la cellule hl8v5 : Tunisie et des parties de l'Algérie,
de la Lybie, du Méditerranée et de l'Europe 48
Figure 5.6: Les limites politiques de la Tunisie en coordonnées géographique (à gauche) et
en projection sinusoïdale (à droite) 49
Figure 5.7: Illustration de la cellule h 18v5 51
Figure 5.8: Le masque de délimitation de la zone d'étude 52
Figure 5.9: Schéma explicatif de l'opération de masquage 52
Figure 5.10: Exemples d'images contaminées par les nuages : images prises par la bande
bleue de MODIS-Terra le 18 février 2000 et 22 mars 2002 53
Figure 5.11 : Exemple de deux situations nuageuses prise avec la bande bleu (a : 18 février
2000 et c : 22 mars 2002) et leurs masques correspondants (b et d) 56
Figure 5.12: Pourcentage d'occupation par le nuage de chaque pixel entre 2000 et 2009... 57
Figure 5.14: Répartition des images disponibles selon le taux du nuage quelles contiennent
58

Figure 6.1 : Carte des plans d'eau en Tunisie interprété avec la méthode CLDVW 61
Figure 6.2: Exemple de deux sous classes de sol sec qui chevauchent avec une superclasse
différente 62
Figure 6.3: La répartition spatiale des dix classes obtenues avec la méthode ISODATA ...64
Figure 6.4: Les réponses spectrales des classes obtenues avec la méthode ISODATA 65
Figure 6.5: Les signatures spectrales du sol sec, du sol humide, de la végétation et de l'eau
66
Figure 6. 6: Les ellipsoïdes représentatifs des dix classes obtenues avec ISODATA (a) et
ceux des superclasses obtenus après regroupement (b) 68
Figure 6.7: La répartition spatiale des quatre superclasses obtenues après regroupement (b)
des dix classes obtenues avec ISODATA (b) 69
Figure 6.9: a- La répartition spatiale des vingt classes obtenues avec ISODATA 70
xi
Figure 6.8: Exemple de calcul de la moyenne de l'hiver de la bande 6 71
Figure 6.10: La classification ISODATA des moyennes saisonnières 72
Figure 6.11 : Le regroupement de classes trouvées avec ISODATA des moyennes
saisonnières 72
Figure 6.12: Répartition des étages bioclimatiques en Tunisie (Source: M. Ben Dhia, 1996)
73
Figure 6.13: a- La répartition spatiale des pixels d'entrainement choisis 75
Figure 6.14: La répartition spatiale des sols secs, sols humides, végétations et plans d'eau
en Tunisie à 22 (a) et 30 (b) avril 2000 77
Figure 6.15: La répartition spatiale des sols secs, sols humides, végétations et plans d'eau
en Tunisie aux différents saisons 78
Figure 6.16: La répartition spatiale moyenne des sols secs, sols humides, végétations et
plans d'eau en Tunisie de 2000 à 2009 79
Figure 6.17: Les cartes traduisant la fréquence de l'occupation par le sol sec (a), la
végétation (b), le sol humide (c) et les plans d'eau (d) entre 2000 et 2009 81
Figure 6.18: La variation des superficies occupées par le sol sec, le sol humide, la
végétation et les plans d'eau par rapport à la surface totale de la Tunisie entre 2000 et
2009 82
Figure 6.19: La variation des superficies occupées par le sol sec, le sol humide, la
végétation et les plans d'eau par rapport à la surface totale de la Tunisie entre 2000 et
2009 83
Figure 6.20: Comparaison entre la variation de la superficie occupée par la végétation
trouvé avec le maximum de vraisemblance et celle trouvée avec le NDVI 84
Figure 6.21 : Spectres des séries d'évolutions des surfaces occupées par les sols secs, les sols
humides, les végétations et les plans d'eau en Tunisie entre 2000 et 2009 86
Figure 6.22: La variation annuelle des séries d'évolutions des surface occupées par les sols
secs, les sols humides, les végétations et les plans d'eau en Tunisie entre 2000 et 2009
87
Figure 6. 23: Les variabilités de 8-9 ans des sols secs et des sols humides (en rouge) 88

xn
Figure 7. 1 : La distribution spatiale des stations de mesure utilisées par GPCP (juillet 2006)
Source(http://www.dwd.de) 89
Figure 7. 2: La distribution spatiale de la pluviométrie mensuelle moyenne en Tunisie entre
2000 et 2007 91
Figure 7. 3: La distribution spatiale de la pluviométrie mensuelle moyenne par saison en
Tunisie entre 2000 et 2007 92
Figure 7. 4: La pluviométrie mensuelle moyenne en Tunisie entre 2000 et 2007 93
Figure 7. 5: Spectre de la pluviométrie mensuelle moyenne en Tunisie entre 2000 et 200794
Figure 7. 6: Les trois variabilités de la pluviométrie en Tunisie et leur composition entre
2000 et 2007 96
Figure 7. 7: Comparaison entre l'évolution des surfaces occupées par le sol sec, le sol
humide, la végétation et les plans d'eau et celle de la pluviométrie entre 2000 et 2007
97
Figure 7. 8: Le cycle pluviométrie, plans d'eau, végétation, sol humide, sol sec,
pluviométrie 99

xin
1. Introduction
Bien que de nombreuses incertitudes demeurent sur la rapidité, l'amplitude et la répartition
géographique du changement climatique, sa réalité fait aujourd'hui consensus au sein de la
communauté scientifique et ses conséquences auront des impacts majeurs sur nos sociétés,
en bouleversant les écosystèmes, la répartition de la population, la disponibilité des
ressources naturelles et nos modes de vie.

Depuis quelques années, plusieurs études ont porté sur ces changements planétaires, dont
plusieurs se sont intéressées aux sécheresses, désertifications et au manque des ressources
en eaux et des zones humides qui sont les conséquences les plus néfastes (Wilhite et
Glantz, 1985; Kogan et Sullivan, 1993; Kogan, 1997; Park et a l , 2004; Jang, 2004). En
l'occurrence, depuis les dernières années, d'importantes sécheresses occupant de grands
territoires sur tous les continents soulignent l'importance de ce phénomène. Leurs effets
sont d'ordre économique, environnemental et social. Ils peuvent être désastreux, voir
mortels dans les pays sous-développés. Selon certains scénarios, la fréquence et l'impact
des sécheresses risquent d'augmenter dans les années à venir.

Les pays de l'Afrique du nord, et la Tunisie en particulier, sont parmi les régions les plus
vulnérables par ce type de changement climatique à cause de leurs situations géographiques
particulières limitées par le Sahara au sud et la mer au nord. Dans ces régions, les plans
d'eau et les zones humides ont un rôle socioéconomique et environnemental très important,
ce qui invite fortement à les protéger. Dans ce contexte de changement global, la
cartographie et le suivi des changements spatiotemporels que subit l'occupation du sol en
matière de plans d'eau, de zones humides et de couverture végétale ainsi que des surfaces
occupées par les sols secs sont un apport important pour la gestion de ses ressources et pour
la compréhension de leurs variabilités.

Par contre, la caractérisation des plans d'eau et des zones humides est une opération
difficile et coûteuse qui demande beaucoup de temps surtout dans des régions où ces zones
sont très fluctuantes car leurs surfaces occupées sont entièrement reliées au rythme des
pluies. Il existe des outils in-situ utilisés pour ces fins, ils sont basés sur un réseau de
stations hydrométéorologiques qui fournissent des données ponctuelles sur une période de
temps et des régions données. Ces réseaux sont parfois peu représentatifs car trop peu de
stations, souvent mal situées, les constituent. De plus, l'augmentation des coûts associés au
suivi des données et à l'entretien des réseaux surtout dans les régions désertiques fait en
sorte qu'il est prévisible que ces derniers diminueront dans les années à venir. Il est donc
important de se doter d'outils et des nouvelles méthodes plus performantes pour suivre
régulièrement et de façon continue dans l'espace et le temps l'état de ces surfaces.

L'imagerie satellitaire offre des nouvelles possibilités pour surveiller de tels phénomènes
puisqu'elles permettent une bonne couverture spatiale, une périodicité d'observations avec
des résolutions spatiales et temporelles importantes. Ainsi, nous essayons dans cette étude
d'évaluer le potentiel de l'imagerie satellitaire, et les images de MODIS-Terra en
particulier, pour le suivi et la caractérisation des conditions de sécheresse et la cartographie
des plans d'eau et des zones humides dans un milieu aride, comme la Tunisie.

2. Objectifs

L'objectif essentiel de ce travail est d'apprécier l'apport de MODIS-Terra pour le suivi

temporel de l'état de surface. Il s'agit d'étudier les variabilités spatio-temporelles des
surfaces occupées par les sols secs, les sols humides, la végétation et les plans d'eau en
Tunisie de 2000 à 2009 et détecter les changements qu'y parviennent.

Au terme de cet étude, nous souhaitons ajuster des cartes qui montrent l'étendu spatial des
sols secs, des sols humides, de la végétation et des plans d'eau tout au long de la période
d'étude, ainsi que trouver les principaux variabilités qui gouvernent la variation temporelle
de leurs surfaces occupées. Ce type des variabilités permettront de décider sur l'impacte du
changement climatique sur l'état de surface d'une des régions les plus menacées et sur
l'existence des certaines périodicités dans les séries temporelles.

Cependant, la préparation du jeu des données, la définition d'une approche pour détecter
chacun des quatre classes et la validation des séries temporelles traduisant l'évolution des

~l7
surfaces occupées par les quatre classes sont des objectifs intermédiaires important qui
permettent l'élaboration de l'objectif principal. L'étude du lien entre ses séries temporelles
avec la pluviométrie sera aussi un objectif qui permettra , d'une certaine façon, la validation
des séries temporelles trouvées et mettre le phénomène de la sécheresse et la dégradation du
couvert végétal, des zones humides et des plans d'eau dans un contexte naturel sous forme
d'un cycle de vie.

Sous entendu, la qualité des données utilisées et la performance des méthodes de

classification utilisées auront un rôle déterminant sur la qualité des résultats cherchés, et le
recours tant que possible aux mesures in-situ et aux résultats antérieurs n'ont qu'à valider
plus la qualité ces résultats.

3. Mise en contexte

3.1. Présentation de la zone d'étude

3.1.1. Présentation générale

La Tunisie est située au nord du continent Africain entre les latitudes 30° et 38° nord et 7°
et 12° est, limitée par la Mer Méditerranée au nord et à l'est, par l'Algérie à l'ouest et par la
Lybie au sud-est. Sa superficie est de 163 610 km2.

3.1.2. La topographie et les ressources hydriques

Comme le montre la figure 3.1, la surface occupée par la Tunisie est caractérisée par :

Deux régions montagneuses : la première est située au sud-est et la deuxième est au

centre ouest du pays où se situe le point culminant : Djebel Chambi (latitude :
35°12' N, longitude : 8°41' E, h : 1 544 mètres) ;

- Une large plaine désertique au sud (le Sahara) qui occupe près de 40 % de la surface
totale du pays ;

~16
 Un seul cours d'eau permanent, la Medjerda, qui traverse transversalement le nord
tunisien de l'ouest vers l'est ;

- Des plans d'eau permanents (lacs) tel que lac de Tunis (40 km2), lac d'Ichkeul (100
km2) et lac de Bizerte (120 km2) ;

Des régions humides quasi permanentes comme Chott-Djérid (au sud ouest),
Sebkha Sidi-El-Héni (au centre Est), (voir figure 3.1)

Les eaux de surface présentent les principales sources hydriques du pays : sur 4,6. 106 m3
d'eaux disponibles, il y a 2,7. 106 m3 en eaux de surface et 1,8. 106 m3 en eaux
souterraines. Les ressources superficielles se caractérisent par des fluctuations importantes
au cours de l'année et leur dépendance de l'apport annuel de pluie : le nord abrite les
principaux cours d'eaux, il reçoit les plus grandes quantités de précipitation et fournit 82 %
des ressources en eau du pays. Le centre du pays est subhumide en général. Il se caractérise
par des apports pluviométriques moyens. Le sud est caractérisé par l'aridité et
l'endoréisme.

Tableau 1 : Répartition géographique du potentiel hydrique moyen en Tunisie (Source :

Direction Générale des Ressources en Eau de Tunisie)
Ressources Eaux de Nappes Nappes Total des Total général
surface phréatiques profondes nappes (Mm3)
(Mm3) (Mm3) (Mm3) (Mm3)
Nord 2190 371 183 554 2744
Centre 320 199 254 454 774
Sud 190 97 733 831 1021
Total 2700 669 1171 1840 4540

17
Figure 3.1: La carte topographique de la Tunisie (Source : Direction Générale des
Ressources en Eaux)
18
3.1.3. Les conditions climatiques

La Tunisie est située dans une zone tempérée chaude. Elle est caractérisée par trois grandes
zones climatiques distinguées (voir figure 3.2).

Au nord, le climat est méditerranéen influencé par les vents du nord humides qui soufflent
à partir de l'Europe. Il est caractérisé par des hivers doux et humides et des étés chauds et
secs. C'est la région la plus pluvieuse du pays, la pluviométrie est maximale en hiver et
atteint 1500 mm par ans. Les températures sont généralement douces en été, ils n'excèdent
pas 35°C. En hiver, elles atteignent parfois quelques degrés en dessous du zéro le jour et
encore plus basses la nuit surtout dans la coté Ouest, là où la neige peut tomber de temps en
temps. Cette région occupe à peu près le sixième de la surface totale du pays. Elle est plus
large dans la coté ouest que dans la coté est.

Le centre est caractérisé par un climat semi aride. Il occupe presque le cinq douzième de la
surface totale du pays. La surface occupée par cette zone semi aride est partagée entre les
monts à l'Oust et les pleines côtières à l'Est où la mer joue un rôle important pour modérer
le climat. Le climat de cette région est variable. Les températures sont élevées l'été avec
une moyenne de 38°C. En hiver, elles sont modérées dans la cotés est et faibles dans la coté
Ouest. La pluviométrie est maximale en hiver avec une moyenne annuelle de 700 mm par
ans et la précipitation solide est rare, mais elle peut avoir lieu sur les monts.

Le sud est une vaste région désertique qui occupe presque le un tiers de la surface totale du
pays. Son climat est influencé par le vent sec, le Sirocco, qui souffle à partir du Sahara. Les
températures varient beaucoup entre l'hiver et l'été et entre le jour et la nuit. En hiver, les
températures sont basses surtout la nuit, elles peuvent descendre jusqu'au quelques degrés
en dessous de zéro. Par contre en été, elles atteignent les 45°C, le jour. Dans cette région, la
pluviométrie est très faible, elle ne dépasse pas parfois 100 mm/ ans.

19
Figure 3.2: La carte climatique de la Tunisie (Source : Institut National de la Météorologie)

20
3.2. Caractéristiques des types d'occupation du sol cherchés

Le but de ce paragraphe est la définition des quatre types d'occupation du sol qui font objet
de cette étude : sol sec, sol humide, végétation et plans d'eau. Il n'existe pas de définitions
standards, elles peuvent changer considérablement d'une étude à une autre selon l'objectif
et le point de vue du chercheur.

Plan d'eau : C'est une surface occupée par l'eau libre. Elle peut aller d'un grand lac à un
petit cours d'eau détectable avec la résolution spatiale considérée.

(a) (b) (c)

Figure 3.3: Exemples des plans d'eau en Tunisie (Atlas des Paysages de la Tunisie)
a- Plan d'eau à Sebkhat Sidi-El-Hani (partie inondée)
b- Plan d'eau à Chott-Djérid (partie inondée)
c- Lac Ichkeul

Végétation : C'est une surface occupée par de la végétation assez développée. En fait, la
végétation peut cacher un sol humide ou bien un plan d'eaux, dans ce cas là le tout sera
considéré comme végétation.

(=0 0) (c)
Figure 3.4: Exemples de classe de végétation (Atlas des Paysages de la Tunisie)
a- Foret de Chaambi (centre-ouest)
b- Ain Draham (nord-ouest)
c- Cap Bon (nord-est)
21
Sol humide : C'est une classe de sol intermédiaire entre un plan d'eau et un sol sec. Il
regroupe les sols humides sans être occupées par l'eau libre, les parcelles faiblement
humides avec des végétations dispersées. Dès que la végétation se développe
considérablement sur ce type de sol, il sera considéré comme végétation et non comme sol
humide. Dans notre zone d'étude, les régions montagneuses (centre-ouest et sud-est)
contiennent généralement des végétations dispersées. Elles seront considérés comme des
sols humides.

(a) 0>) (c)

Figure 3.5: Exemples des zones humides en Tunisie (Atlas des Paysages de la Tunisie)
a- Zone peu humide avec une végétation peu développée (centre-ouest)
b- b- Sebkhat Sidi-EL-Hani (une partie humide et une partie inondée)
c- c- Chott Djérid (période non inondée)

Sol sec : C'est un sol dénudé avec une humidité ou proche de zéro (exemple Sahara).

Figure 3.6: Exemples des sols secs en Tunisie (Atlas des Paysages de la Tunisie)

22
3.3. Présentation de la source des données

De plus en plus, la télédétection acquiert un rôle fondamental dans les études

environnementales en général. Comme son nom l'indique, cette discipline repose sur
l'acquisition d'information à distance, sans contact direct avec l'objet détecté. Sa définition
officielle donnée par COMITAS (1988) est « l'ensemble des connaissances et techniques
utilisées pour déterminer des caractéristiques physiques et biologiques d'objets par des
mesures effectuées à distance, sans contact matériel avec ceux-ci ». Les satellites artificiels
rendent de grands services à la télédétection. Ils sont caractérisés par une stabilité et des
champs de vision importantes ainsi que des époques de mesures périodiques, régulières et
continues, ce qu'ils permettent d'être la source des données les plus performantes pour le
suivi de l'état de surface.

3.3.1. Choix du satellite

Le choix de source des données à utiliser dépend des objectifs soulignés et aux moyens mis
en disposition. Un inventaire des différents capteurs disponibles, notre choix a porté sur
l'instrument MODIS-Terra comme outil principal de notre étude.

Ce choix préférentiel des données fournies par MODIS-Terra se justifie par les
caractéristiques suivantes:

- Un bon compromis entre la haute résolution temporelle et la résolution spatiale (500

m, ce qui représente une précision surfacique 6 fois plus fine que celle du capteur
spécialement destiné à l'étude du couvert végétal, à savoir SPOT-VEGETATION,
ou même NOAA-AVHRR1.

Une très bonne résolution spectrale (2 à 7 fois celle de SPOT-VEGETATION);

National Oceanic and Atomspheric Administration - Advanced Very High Resolution Radiometer

~23
L'existence d'un réseau de points de contrôle au sol amenant la précision de la
géolocalisation à 45m (géoréférencement). Ceci engendre une probabilité de
corrélation entre le pixel et le terrain de 65%, au lieu de 13% sans le réseau de
points au sol (Ground Control Points). Cette probabilité augmente avec le nombre
de points pris en compte (MOD09 User's Guide: http://modis-sr.ltdri.org);

MODIS dispose d'un ensemble de calibration et d'étalonnage radiométriques

internes au capteur (MOD09 User's Guide: http://modis-sr.ltdri.org);

Les corrections géométriques et atmosphériques à de haute précision effectuées sur

ce produit (MOD09 User's Guide: http://modis-sr.ltdri.org);

Le passage au dessus de la zone d'étude, la Tunisie, à une heure optimale pour avoir
une bonne qualité des images (aux alentours de 1 lh local): un angle solaire faible
(soleil proche du nadir) et une probabilité de couverture nuageuse plus faible le
matin qu'en après-midi;

L'utilisation d'images composites 8 jours : ceci permet de construire, à partir des

images quotidiennes, une image composée par les pixels les moins affectés par les
nuages et ceux qui possèdent les angles zénithaux les plus importantes;

Ces données de très bonne qualité sont disponibles gratuitement par l'intermédiaire
du Land Processes Distributed Active Archive Center (LP DAAC) de la NASA.

24
 IHHWi i llllll
DD a CH SP0THR6

i 11 MOAA AVXRR

man LondSOlETM*
□
I N I Lorxhot Htf

3 4 111 5 6 @ MODIS-Terra
u u
L_ - . . J ! 1 I I I I I I I 1 1 L_J
^4 0J6 0.8 10 U U 1.6 18 2.4 |U> 2J6
Wavelength

tt S s> L "«* j ^ Middle

Figure 3.7: La répartition spectrale des bandes de MODIS-Terra comparée à celles d'autres
instruments

3.3.2. Donnée générales sur l'instrument MODIS-Terra

- Terra
TERRA est le premier satellite du programme EOS, lancé par la fusée Atlas HAS à partir
de la station Vandenberg AFB le 18 décembre 1999. Il est sur une orbite héliosynchrone
polaire à une altitude de 705 km. Il balaye la surface de la terre toute entière chaque 1 à 2
jours. La prise de mesures ont commencé depuis le 24 février 2000.

C'est un projet multidisciplinaire géré par la NASA en partenariat avec les agences
spatiales canadienne et japonaise et avec la contribution du JPL (Jet Propulsion Laboratory)
et de l'LRC (Langley Research Center) dans le but de surveiller l'état de l'environnement
terrestre et les changements qu'ils peuvent avoir lieu. Il fournit des mesures sur les
propriétés physiques et radiatives des nuages, les échanges d'énergie, les échanges de
carbone, et les échanges d'eau (air/terre et air/mer), les traces des gaz et les volcans grâce
aux cinq instruments :

25
 ASTER : Advanced Spaceborne Thermal Emission and reflection Radiometer;

CERES: Clouds and Earth's Radiant Energy System;

MISR: Multi-angle Imaging Spectro Radiometer;

MOPITT: Measurements of Pollution in the Troposphere;

MODIS: MODerate resolution Imaging Spectroradiometer (Spectroradiomètre

imageur à résolution modérée).

Figure 3.8: Le satellite Terra

MODIS
MODIS est une abréviation de « MODerate resolution Imaging Spectroradiometer » ou
bien « Spectroradiomètre imageur à résolution modérée ». Ce capteur est embarqué sur les
satellites Terra et Aqua.
Tableau 2: Spécifications techniques de MODIS-Terra
Fréquence d'acquisition 20.3 tr / min de route
17.78 cm de diameter off-axis
Télescope afocal (collimation)
avec arrêt intermédiaire domaine
Taille l m x 1.6m x 1 m
Poids 228.7 kg
Puissance 162.5 W
- jour de pointe : 10.6 Mbits / s
Débit
moyenne : 6.1 Mbit / s
Résolution 12 bits
Durée de vie 6 ans
26
MODIS-Terra balaye la surface terrestre avec un faisceau de dimensions 2 330 km x 10 km
en observant sur 36 bandes de résolutions spatiales de 250 mètres (bandes 1 et 2), de 500 m
(bandes 3-7) et 1000 m (bandes 8-36). Ces bandes sont enregistrées et étalonnées avec une
précision dans le domaine spectral de 0,4 à 14,4 um. Elles fournissent des informations sur
la température de surface des terres et des océans, la couverture des terres, les nuages, les
aérosols, la vapeur d'eau, les profils de température et les feux.

Tableau 3: Les bandes de fréquence de MODIS-TERRA

(Les bandes exploitées dans cette étude sont sélectionnées en bleu)

Largeur de Largeur de
Bande Bande
bande bande
1 620 - 670 20 3,660 - 3,840
2 841 - 876 21 3,929 - 3,989
3 459 - 479 22 3,929 - 3,989
4 545 - 565 23 4,020 - 4,080
5 1230 -1250 24 4,433 - 4,498
6 1628 -1652 25 4,482 - 4,549
7 2105 -2155 26 1,360 - 1,390
8 405 - 420 27 6,535 - 6,895
9 438 - 448 28 7,175 - 7,475
10 483 - 493 29 8,400 - 8,700
11 526 - 536 30 9,580 - 9,880
12 546 - 556 31 10,780 - 11,280
13 662 - 672 32 11,770 - 12,270
14 673 - 683 33 13,185 - 13,485
15 743 - 753 34 13,485 - 13,785
16 862 - 877 35 13,785 - 14,085
17 890 - 920 36 14,085 - 14,385
18 931 - 941
19 915 - 965
Groupes 1 à 19 sont en nm; Groupes de 20 à 36 sont en p.m

3.3.3. Inventaire des données

- Description générale des produits MODIS-Terra

MODIS -Terra fournit plusieurs types de données entre autres sur la réflectance, l'albédo,
les couches nuageuses, les couches de neige. Toutes ces données sont projetées sur une
"27
grille sinusoïdale de 36 colonnes (de 0° à 35° de l'ouest vers l'est à partir du méridien
180°) et 18 lignes (de 0 à 17 du nord vers le sud à partir du pôle nord). C'est-à-dire que
chaque cellule est de dimensions 10° x 10°. Les dimensions d'une cellule en unité de
distance d'une cellule sont :

Composante horizontale : l = R.^.cos(( ¥ ) (1)

10.7T
Composante verticale : L = R. (2)
180

Où R est le rayon de la terre et cp est la latitude du lieu.

Les cellules sont indexées comme suit : hNvM, où N et le numéro de colonne et M est le
numéro de la ligne. Par exemple, la Tunisie est située dans la cellule hl8v5.

h >
0 1 2 3 4 5 6 7 B 9 10 11 12 13 14 1S 1fl 17 18 19 20 21 2223 24 25 26 27 2829 30 31 32 3334 35
0
1 L jf u
2
à
-4 mû ''i "*■
3 .M M --*
4 r
J
v
"
5 -yl
6
7 k. s,'%^
i
*
| ■«

v J
r
m
t ^ l ^ l V J r Jjl . IJW
1^1^

j T
&l m
10
11
f
12
13
14 _
,_
15
16
17

1 i

Figure 3.9: La grille sinusoïdale de MODIS avec un exemple d'une une image RGB
acquises le 3 décembre 2006 à la côte Est des Etats-Unis
(MOD09 User's Guide:http://modis-sr.ltdri.org)

28
- Nature et niveaux de qualité des données de MODIS-Terra
Les données de MODIS-Terra sont à quatre niveaux de traitement :

Le niveau LO : ce sont les données brutes qui sont stockées dans un format « pds »
(Production Data Set), de manière à pouvoir être traitées par n'importe quel
utilisateur;

Le niveau Ll : ce sont les données de radiances calibrées et géoréférencées. On

distingue deux types LIA (données brutes calibrées) et LIB (données brutes
calibrées et géoréférencées);

Le niveau L2 : ce ont des données de LIB aux lesquelles on a appliqué les

corrections atmosphériques. Elles sont directement exploitables pour traiter les
paramètres de surface;

Le niveau L3 : ce sont les données de L2 améliorées en composant deux ou

plusieurs images (composition de bandes ou composition des périodes
d'observation).

Dans ce travail les données du niveau L3 sont utilisées, plus précisément des images
composites de 8 jours. Ce choix nous permet d'éliminer le maximum de nuages et d'avoir
le meilleur angle zénithal pour l'observation de la Terre. Ces données ont aussi bénéficié de
toutes les corrections et traitements nécessaires, si bien qu'elles sont directement
exploitables (Vermote E.F. et Vermeulen A., 1999). Cela nous a évité de faire les
corrections radiométriques, géométriques et des effets atmosphériques.

- Type de projection
Comme mentionné, les données de MODIS-Terra sont projetées suivant une projection
sinusoïdale : la projection sinusoïdale est une projection cartographique équivalente utilisée
pour une représentation globale de la Terre qui introduit de fortes distorsions angulaires aux
pôles. Par contre au près de l'équateur et Greenwich (le cas de notre zone d'étude), les
distorsions sont très petites (voir figure 3.10). Avec cette projection, les parallèles sont des

~29
droites régulièrement espacées, les méridiens ont une forme sinusoïdale, seul le méridien
central est rectiligne.

Pour un point (9, X) du globe, ses coordonnées sinusoïdales (X, Y) sur la carte sont :

X = ^cos(<p) (3)
Y= 9 (4)
Avec
A. : Longitude du lieu et 9 : Latitude du lieu

hl8v5
(Notre zone d'étude)

Figure 3.10: Les indicatrices de déformation de Tissot de la projection sinusoïdale

4. Méthodologie

Dans ce chapitre, nous présentons les grandes lignes de la méthodologie que nous avons
adaptée. Elle consiste aux quatre étapes suivantes:

a) Préparation des données :

Il s'agit de :

Recueillir des images satellitaires réparties sur une période suffisamment longue
pour qu'on puisse détecter et étudier les changements que subit la zone étudiée;

Effectuer les corrections nécessaires pour réduire les erreurs susceptibles d'avoir
lieu dans les images utilisées;

30
 Construire des masques pour ajuster les limites de la zone d'étude et masquer les
nuages;

Nettoyage des données.

b) Classification :

Elle consiste à :

- Utiliser la méthode de CLDVW proposée par Gond et al. (2004) pour déterminer et
cartographier les plans d'eau en Tunisie;

Utiliser la méthode de classification non supervisée (ISODATA) pour analyser la

zone d'étude et déduire des pixels d'entrainement pour la classification supervisée;

Appliquer la méthode de maximum de vraisemblance pour une classification

supervisée de la zone pour l'ajustement des cartes hebdomadaires et les séries
temporelles traduisant la variation de la surface occupée par chaque classe;

Appliquer la méthode « Fuzzy classification » comme un deuxième type de

classification supervisée pour améliorer les séries temporelles.

c) Validation interne :

Le but est :

Cartographier la variation de l'étendu spatial de chaque classe;

Déduire des séries temporelles traduisant la variation de la surface occupée par

chaque classe tout au long de la période d'étude;

Déterminer les variabilités (périodicités) dans les séries temporelles.

d) Validation externe et interprétation:

31
Elle consiste à comparer les séries temporelles avec des séries pluviométriques et essayer
de trouver un lien entre des deux phénomènes.

4.1. Cartographie des plans d'eau avec le CLDVW

Bien que, la cartographie des plans d'eau était depuis longtemps un sujet qui intéresse
beaucoup de chercheurs dans le domaine de l'environnement de gestion des ressources en
eaux (Hoffer R., 1978), il reste un sujet d'actualité qui inspire son importance de l'intérêt
croissant aux problèmes de l'environnement et les travaux associés pour le protéger (Haas
E.M, 2009). En fait, littérature est riche en ce qui concerne la cartographie des plans d'eau à
l'échelle locale avec des instruments à haute résolution (Frazier and Page 2000, Baghdadi
et al. 2001, Chopra et al. 2001, Harvey and Hill 2001). Par contre aux échelles
transnationales, les travaux d'inventaire ou de suivi et les méthodes pour les réaliser ont
attiré moins d'attention (Verdin 1996, Gond et al., 2004).

L'une des premières méthodes utilisées pour estimer l'humidité du sol avec les outils de la
télédétection est l'exploitation des émissions thermiques, qui sont sensibles aux variations
de l'humidité dans les cinq premiers centimètres du sol : les surfaces saturées en eau
émettent faiblement les radiations microondes, tandis que les sols secs émettent des niveaux
élevés (Guha and Lakshmi, 2002). Toutefois, dans de nombreuses applications, il est
difficile de séparer les radiations émises par les sols saturés et les sols non saturés en raison
de la rugosité de la surface, de la végétation, de la topographie complexe (Schmugge, 1985;
Bindlish et al, 2003). Par conséquent, une importante phase d'étalonnage et la
connaissance préalable de l'état et de la couverture de la surface sont nécessaires (Kerr,
2007).

Une approche plus prometteuse pour estimer l'humidité du sol est de détecter la variation de
la verdeur de la biomasse caractérisée par l'indice de végétation 'Normalized Difference
Vegetation Index' (NDVI), au sein d'une zone homogène. La variation de l'humidité du sol
affecte directement la croissance des végétations sous-jacentes (Yang et al, 2006). L'indice
de végétation, défini comme la différence normalisée entre le rouge et le proche infrarouge,

~32
est l'indice le plus utilisé pour estimer la quantité de végétation présente sur la surface et
suivre son évolution temporelle.

NDVI = ^ ^ - (5)
v
PIR+R '
Le NDWI est un autre indice couramment utilisé. Il est plus sensible à l'humidité de la
surface. Il a été défini par Gao (1996), comme la différence normalisée entre le moyen et le
proche infrarouge, pour exploiter simultanément les informations fournies par ces deux
bandes jugées sensibles à l'humidité du sol. Alwis D. A. (2007) a repris le même indice
pour déterminer les zones saturées au nord-est des États-Unis. Il l'a défini comme suit :

M D W l — ^ ( 7 8 0 ~ 9 0 0 n m )~P(1550-1750nm ) ,„
P(780-900nm ) +P(1550-1750nm )

p: La refelectance de surface dans la bande des fréquences considéré

En fait, dans le moyen infrarouge (1550 à 1750 nm), les variations locales de la réflectance
sont sensibles à l'évolution de l'humidité de la surface. Cette bande est très utilisée pour la
détection de la teneur en eau de la surface (Ceccato, et al, 2001; Xiao et al, 2002; Whiting
et al, 2004). Dans le proche infrarouge (780-900 nm) et en dehors des bandes d'absorption
de la vapeur d'eau, la réflectance est plus influencée par les mêmes facteurs affectant le
rayonnement moyen infrarouge, mais non par la teneur en eau (Fensholt, 2004).

Dans ce travail, nous appliquerons la méthode proposée par Gond el al, (2004) mais dans
un autre contexte spatial (la Tunisie au lieu du Burkina Faso) et avec un autre instrument
(MODIS-Terra au lieu de VEGETATION embarqué sur Spot-4). Cette méthode est basée
sur la notion du contraste local de l'indice de différence entre la végétation et l'eau (DVW)
noté CLDVW. Gond et al., (2004) ont montré que les plans d'eau sont faciles à repérer à
partir d'un seuil fixé sur les cartes du CLDVW. L'indice de différence entre la végétation et
l'eau (DVW) est défini comme la différence entre l'indice de végétation (NDVI) et l'indice
normalisé de différence d'eau (NDWI). Le contraste local est la différence entre la valeur
d'un pixel et la moyenne d'une surface centrée autour du pixel. La taille de cette surface est
choisie de sorte qu'elle soit presque insensible aux valeurs particulières.
4.2. Classification des images satellitaires

Les méthodes de classification sont des sujets de recherche très discutées en télédétection
(Mohanty et Majumdar, 1996; Atkinson, 2000; Bandyopadhyay et Maulïk, 2002; Maulik et
Bandyopadhyay, 2003), pour la surveillance de l'agriculture (Rydberg et Borgefors, 2001;
Murthy et al, 2003) et la gestion des risques naturels (Ostir et al, 2003; Van der Sande et
al, 2003; Yang et al., 2004; 2007) aussi bien pour plusieurs autres domaines.

On distingue: la classification supervisée et la classification non supervisée :

La classification supervisée est basée sur la collecte des pixels d'entrainement qui
sont des échantillons des classes qu'on veut avoir. Elle nécessite la connaissance
préalable du site (Foody et Arora, 1996);

La classification non supervisée consiste à regrouper les pixels qui présentent des
caractéristiques similaires en classes spectralement homogènes en se basant sur un
ensemble de conditions aux limites spécifiées par l'utilisateur (Hegarat-Mascle et
al, 1997).

Différentes études ont montré l'intérêt des classifications non supervisées dans les études
de classification du sol avec les outils de la télédétection dans les cas où on ne connait pas
bien la zone étudiée pour qu'on puisse extraire des pixels d'entrainement (Yang M.D.,
2007, Alwis et al, 2007). Les méthodes de classification non supervisée sont très variées
(Richards A., Jia Xiuping,2006) : Iterative Self Organized Data Analysis Technique
A (ISOData), la classification avec Ascendante Hiérarchique, classification avec sélection
des pics des histogrammes pour ne citer que les plus importantes. Récemment, beaucoup de
travaux ont défini et testé des méthodes de classifications intelligentes qui dépassent le
problème majeur des méthodes classiques de classifications non supervisée : la nécessité de
fixer le nombre de classes dès le départ. Ces méthodes sont essentiellement basés sur les
algorithmes génétiques (Yang M.D., 2007) et algorithmes de réseaux neuronaux (Shu-Hsien
Lia et al, 2007). Cependant, la méthode (ISODATA), présentée par Bail and Hall (1965),
reste la méthode de classification non supervisée la plus utilisée (Alwis et al, 2007).
~34
4.2.1. Classification non supervisée : ISODATA

Nous procéderons à une méthode de classification non supervisée pour avoir une idée
générale sur les classes que nous pouvons avoir dans la région d'étude et de savoir, à
travers des tests statistiques, s'il est possible de les regrouper en quatre grandes classes : sol
sec, sol humide, végétation et plans d'eau. Cette méthode ne sera pas appliquée sur toute la
série des images, mais nous utiliserons des échantillons choisis de façon à ce qu'ils ne
contiennent pas de nuages ou d'ombre de nuages. Le but de cette étape n'est pas la
classification des images en tant que telle, mais de préparer la classification supervisée que
nous adaptons dans la suite.

L'algorithme de classification ISODATA se base sur un choix arbitraire de N points

uniformément répartis dans l'espace multi-spectral (N vecteurs) comme les centres de N
classes à distinguer dans l'image.

Point Q ^ Vecteur Vi

Figure 4.1 : Représentation matricielle d'une image multi-spectrale

Pour chaque pixel de l'image, nous calculerons les distances (la distance de
Manhattan « Ll » ou la distance Euclidienne « L2 ») qui le séparent des centres définis et
nous l'associerons à la classe la plus proche (Mather P.M.,2004 et Richards A., Jia
Xiuping,2006).

La distance de Manhattan entre deux points xl et x2 est définie par :

d{xl,x2)= E{Lil*l£-*2il (77)

La distance Euclidienne entre deux points xl et x2 est défini par :

35
 d(xl,x2) = \\xl-x2\\ = {{xl - xl) 1 - {_xl - x2)f

= (z{Li(*u - x 2 i y y (88)
Une fois tous les pixels parcourus, les moyennes des classes sont calculées et sont
considérés comme centres des classes dans l'itération qui suit. La procédure est itérée
jusqu'à ce que les centres de classes soient stables.

Des pixels à classer (à deux groupes) Deux points choisis arbitrairement

dans un espace bi - spectral comme centres des classes pour la
première itération

• • •

■ ■ ■ ' ■ ' ' _i i i—i—■ ■ ■ ■ * » »

2 ( 1 1

A ■h
/ ^ j ^
_l l_L -i—i—i -i—i—i—i i__i i i
• •

Figure 4.2: Schéma explicatif de la méthode de classification ISODATA (Source: Richards

A., R., Remote Sensing Digital Image Analysis)

4.2.2. Classification supervisée

- Maximum de vraisemblance
La méthode de maximum de vraisemblance consiste à choisir des pixels d'entrainement
pour chaque classea>j, i=l...N où N est le nombre des classes désirées. À partir de ces

36
pixels, le vecteur multi-spectral moyen (n^) et la matrice de variance-covariance £,- pour
chaque classe sont calculés.

Par la suite pour chaque pixel, les probabilités p(x|o>()pour que le pixel X appartient à la
classes a>(Sont estimées

exp[<p—(x-mO'Qlj) ^x-rrij)]
P(*|û>i) = (9)
(2Ti)^(|ZiD2

Le pixel x est associé à la classe cok si p(x|w k ) > p(x|Wj) pour tout i=l..N (Alan
H.SJ980, Zenzo S.D et al, 1987 et Richards A., Jia Xiuping,2006 ). Donc, cette méthode
associe à chaque pixel à une seule classe, c'est-à-dire à partir d'une image d'entrée on
abouti à une seule image classifiée à la sortie.

Dans le cas où un pixel contient plus d'une classe (voir figure 4.3), la méthode de
maximum de vraisemblance l'associe à la classe la plus probable (par exemple celle qui
occupe le plus d'espace).

30 m |eau
I Sol humide
Sol sec

30 m

Figure 4.3: Exemple d'un pixel partagé entre trois classes

- Classification pondérée (Fuzzy classification)

Cette méthode de classification remédie au problème de classification des pixels mixtes
dans le cas d'une classification avec le maximum de vraisemblance. Elle consiste à associer
à chaque pixel des probabilités fF. (x) pour appartenir à chacune des classes définies Ft ,i =
1... N, ou N est le nombre des classes désiré (Jensen J.R, 2005).

37
 0<fF.(x)<l (90)

ExexfFi(x)>0
(101)

2L1fF|(x) = i
(112)
,. r -> PF"(X)
fF (x) <13)
- =ï ^ i ^
Avec

P eX
Fi W = ( 2Tt )N/2|v iT / 2 P [ 2 J <14>

Contrairement à la méthode de maximum de vraisemblance qui associe le pixel de la figure

4.3 à classe « eau » puisqu'il est majoritaire, Fuzzy classification peut l'interpréter comme,
par exemple, 70% d'eaux, 20 % de sol humide et 10 % de sol sec.

Ainsi, cette méthode ne permet pas d'avoir une image classifiée, comme est le cas avec la
méthode de maximum de vraisemblance, puisque pour chaque pixel elle associé le taux de
la surface occupée par chaque classe.

4.3. Etude des séries temporelles

4.3.1. Analyse spectrale

L'analyse spectrale consiste à décomposer l'énergie d'un processus temporel X(t) dans le
domaine des fréquences et à déterminer les bandes de fréquences qui correspondent à une
proportion importante et significative de cette énergie de variance représentée par des pics
dans le spectre de puissance représenté graphiquement par la densité spectrale (variance par
unité de fréquence) en fonction de la fréquence variant de 0 à 0,5 cycles par unité du temps.

La base de l'analyse spectrale est le calcul du spectre de puissance par la transformation de

Fourier dont l'algorithme le plus utilisé est connu sous le nom de FFT « Fast Fourier
Transform ». Son avantage majeur est le gain de temps de session de calcul informatique.
Mais cette méthode présente des défauts qui sont : la faible résolution fréquentielle néfaste

^38
pour un travail avec des séries temporelles relativement courtes et surtout le recours à des
fenêtres de type Harming ou autres qui, par convolution perturbent le spectre.

Pour palier aux défauts de la FFT, nous avons eu recours à une méthode plus récente et très
puissante dite la méthode de l'entropie maximale. Elle consiste à décomposer les séries
étudiées en séries élémentaires simples à traiter séparément et qui représentent les modes de
variabilité du phénomène étudié. Chaque série élémentaire a sa fréquence spécifique f; et sa
densité spectrale qui est une fonction de l'énergie qu'elle apporte à l'allure globale du
signal étudié (figure 4.5). L'allure des densités spectrales en fonction des fréquences de la
gamme d'échantillonnage est appelée le spectre de puissance du phénomène physique. Ce
type d'analyse repose sur l'ajustement du processus temporel continu X(t),
l'échantillonnage de X(t) en X(NÀt), et l'estimation du spectre de l'énergie. Ces trois étapes
définissent la structure de l'algorithme du spectre utilisé dans notre étude pour le traitement
des séries temporelles (Ben Sakka M., 1989).

4.3.2. Filtrage numérique

Pour isoler les modes (variabilités) existants dans les séries temporelles réelles, révélés par
l'analyse spectrale ayant une énergie importante représentée par un pic dans le spectre de
puissance, le filtrage numérique est utilisé. Les signaux obtenus (séries temporelles filtrées)
dépendent directement de la nature et des propriétés intrinsèques du filtre par
l'intermédiaire de sa fonction caractéristique, car les propriétés de transfert ont une
influence prédominante sur la transmission de l'amplitude des différentes fréquences
constituant le signal. Dans cette étude, nous utilisons le filtre récursif d'ordre 2 de
Butterworth, c'est un filtre à déphasage linéaire qui n'introduit pas de déformation, c'est à
dire de distorsion du signal numérique d'entrée (Ben Sakka M., 1989). Les bandes
passantes des filtres sont déterminées à partir du spectre comme l'indique la figure 4.5.

39
 temps

Analyse spectrale

fi

f:
Filtrage numérique

<* WWW^AyVv

0 100 200 300 400 500

f- WV\AAA/VVWWVW\AAMAAA/VWWV
Fréquence (cycle/unité de temps)
Figure 4.4: Schéma explicatif de l'analyse spectrale et le filtrage numérique

40
 Ymax 1

Bande passante 1 Bande passante 2

Figure 4.5: Schéma représentatif du calcul des bandes passantes d'un filtre

41
5. Préparation et traitement des données

5.1. Acquisition des données

Les données de MODIS-Terra sont disponibles gratuitement sur le site de « Processes

Distributed Active Archive Center (LP DAAC) » de la NASA :
http://modis.gsfc.nasa.gov/data/.

Dans cette recherche, nous avons utilisé une série d'images de réflectance composites 8-
jours de résolution spatiale de 500 m et de niveau de traitement L3 : Surface Reflectance 8-
Day L3 Global 500m sur la période allant du 18 février 2000 au 2 juin 2009. Ceci
correspond à 426 époques d'observation (deux images ne sont pas disponibles 26 décembre
2000 et 18 juin 2001).

Notre zone d'étude est située entre les latitudes 30 et 38° nord et les longitudes 7 et 12°
(5 et 10° en coordonnées sinusoïdales), donc seule la cellule v5hl8 est retenue. Dans cette
cellule, les distorsions causées par la projection sont faibles comme il est déjà expliqué
dans la section 3.3.3.

5.2. Description de « Surface Reflectance 8-Day L3 Global

500m »
Le produit de MODIS-Terra nommé « Surface Reflectance 8-Day L3 Global 500m »
contient les images composites de huit jours à partir des images quotidiennes prises avec
les sept première bandes qui sont déjà subit un niveau de correction L3. Dans toutes ces
images, la réflectance est multipliée par 10000.

Chaque donnée de réflectance (chaque pixel) est accompagnée, dans des fichiers annexes,
par des données sur l'angle zénithal du soleil, l'angle zénithal du capteur (angle de vue),
l'angle azimutal relatif, la nébulosité, les aérosols, la neige,...ainsi que la journée de
mesure (parmi les huit qui précèdent).

42
Plus des détails sur ce produit sont données par le tableau suivant:

Tableau 4: Description du fichier « Surface Reflectance 8-Day L3 Global 500m »

Science Data Sets (HDF Units Bit Type Fill Valid Range Scale
Layers (13)) Value Factor
500m Surface Reflectance 16-bit signed -28672 -100- 16000 0.0001
Reflectance integer
Band 1 (620-670 nm)
500m Surface Reflectance 16-bit signed -28672 -100-16000 0.0001
Reflectance integer
Band 2 (841-876 nm)
500m Surface Reflectance 16-bit signed -28672 -100-16000 0.0001
Reflectance Band 3 (459- integer
479 nm)
500m Surface Reflectance 16-bit signed -28672 -100-16000 0.0001
Reflectance Band 4 (545- integer
565 nm)
500m Surface Reflectance 16-bit signed -28672 -100-16000 0.0001
Reflectance Band 5 integer
(1230-1250 nm)
500m Surface Reflectance 16-bit signed -28672 -100-16000 0.0001
Reflectance Band 6 integer
(1628-1652 nm)
500m Surface Reflectance 16-bit signed -28672 -100-16000 0.0001
Reflectance Band 7 integer
(2105-2155 nm)
500m Reflectance Band Bit Field 32-bit 429496 0- NA
Quality (see Table 12) unsigned 7295 4294966531
integer
Solar Zenith Angle Degree 16 bit signed 0 0-18000 0.01
integer
View Zenith Angle Degree 16bit signed 0 0- 18000 0.01
integer
Relative Azimuth Angle Degree 16 bit signed 0 18000- 0.01
integer 18000
500m State Flags
unsigned
( s e e T a b l e l 3 > integer
Day of Year Julian day 16 bit 65535 1-366 NA
unsigned
integer

43
5.3. Sélection des bandes

Les images satellitaire recueillies sont mesurées sur sept bandes de fréquences: le rouge
(620 — 670 um), le bleu (459 — 479 um), le vert (545 — 565 um) , deux dans le proche
infrarouge (841 — 876 um) et (1230 — 1250 um) , et deux dans le moyen infrarouge
( 1 6 2 8 - 1652 um) et (2105 - 2155 pm). Le but est de réduire l'espace multi spectral
pour faciliter le traitement tout en gardant l'information nécessaire pour la discrimination
des classes cherchées et le calcul éventuel des indices.
Bande 1 ( rouge) Bande 2 (PIR) Bande 3 (bleu) Bande 4 (vert)

Bande 5 (PI R) Bande 6 (MIR) Bande 7 (M IR)

Réflecta»ce(*/.)
.100

Isa

JBO

l-w

120

'o
Figure 5.1: La zone d'étude prise par les sept premières bandes de MODIS-Terra

La sélection des bandes est basée sur les signatures spectrales du sol sec, du sol humide, de
la végétation et de l'eau fournis par Richards J.A., 2006 (figure 5.2) et la répartition des
sept bandes sur l'échelle des fréquences.

Deux bandes dans le proche infrarouge PIR sont à disposition : les bandes 2 et 5. La bande
5 ne permet pas une bonne distinction entre le sol humide et la végétation. Les deux bandes
dans le moyen infrarouge MIR (6 et 7) ont un comportement presque similaire avec les
quatre classes : sol sec, sol humide, végétation et eaux. Ainsi, nous gardons une seule dans
le PIR : la bande 2, et une seule dans le MIR : la bande 6. Les bandes 2 et 6 correspondent
à celles utilisées par Alwis D. A., et al., (2007) pour le calcul de l'indice NDWI.

04 38 U 16 24

Longueur d'onde (jim)

t t ¥
S .• * Procke infrarouge Moves infrarouge
■♦ « -

Figure 5.2: Les sept premières bandes de MODIS-Terra comparés aux signatures spectrales
des quatre objets cherchés

Pour conclure, nous avons réduit l'espace multi-spectral de sept à cinq bandes en gardant
trois bandes dans le visible (une bande dans le bleu, une dans le vert et une dans le rouge)
et une bande dans le proche infrarouge et une bande dans le moyen infrarouge.

5.4. Prétraitement des données

5.4.1. Généralités

Dans une étude de détection de changements, les images utilisées doivent présenter les
caractéristiques les plus homogènes possibles de sorte que les différences provenant de leur
comparaison puissent être associées à de réels changements d'état du territoire et non à des

^5"
artefacts liés aux images. Idéalement, les images doivent provenir du même capteur et la
date d'acquisition doit varier le moins possible. En raison de considérations physiques et
économiques, ces conditions idéales n'ont pu être rencontrées. Afin de contrer ces lacunes,
les images ont d'abord fait l'objet de corrections radiométrique, atmosphérique et
géométrique. Ce paragraphe présente un bref aperçu sur quelques types des corrections
recommandées (Richards A., Jia Xiuping,2006):

- Corrections radiométriques : Ce type de correction est nécessaire à cause des

variations dans l'illumination et dans la géométrie de visée d'une scène, des conditions
atmosphériques, du bruit et de la réponse du capteur. Ainsi, diverses méthodes de
corrections atmosphériques peuvent être appliquées comme l'ajustement des modèles
très détaillés des conditions atmosphériques durant l'acquisition des données.

Corrections géométriques : Les distorsions géométriques sont dues à différents

facteurs, notamment le système optique interne des capteurs, le mouvement du système
de balayage, le mouvement de la plate-forme, l'altitude, l'orientation et la vitesse de la
plate-forme, le relief du terrain, la courbure et la rotation de la Terre. Les corrections
géométriques sont appliquées pour compenser ces distorsions afin que la représentation
géométrique de l'imagerie soit aussi proche que possible de la réalité (Tsayem Demaze,
2008).

Le processus de correction géométrique consiste à identifier sur l'image des points de

contrôle bien distribués (X1,Y1), (X2,Y2),....(Xn,Yn) , puis chercher leurs coordonnées
(xl,yl), (x2,y2),...(xn,yn) à partir des sources de référence (Alhamlan et al, 2004).

Une fois plusieurs couples de points de contrôle ont été identifiés, deus équations de
transformation sont déduites pour corriger les coordonnées.

46
5.4.2. Traitement des images MOD09A1

Les images MODIS récupérées ont déjà bénéficié des corrections et des traitements
nécessaires. Par contre, on remarque que certains pixels ont des valeurs au-delà des limites
logiques de la réflectance (0 < réflectance (%) < 100).

Le tableau ci-dessous met en évidence le rapport entre le nombre des pixels à corriger par
rapport au nombre des pixels total (la superficie de la Tunisie).

Tableau 5: Répartition des valeurs de la réflectance relatives aux différentes bandes

utilisées de MODIS-Terra (en %)
Inférieurs à 0 Entre 0 et 100 Supérieurs à 100
Bande 1 0.01 99.76 0.24
Bande 2 0.02 99.74 0.24
Bande 3 0 99.30 0.23
Bande 4 0 99.76 0.24
Bande 6 0 99.77 0.23

Pour résoudre ce problème, nous avons interpolé les valeurs erronées par la moyenne des
valeurs acceptables parmi les huit pixels voisins.

100 85 45 40 30

61
c>
10 10
1 8 2Vjl
"" 1

B(l.l)+B(1.2) + B(1.3) + B(2.1)+B(2.3)+B(3,l) + B(3.2)+B(3,3) 100 + 85 + 45+ 6 + 10 + 1 + 8 + 21

B(2.2) = = g =35

Figure 5.3: Exemple d'interpolation des valeurs de réflectance erronées

47
Figure 5.4: Exemple de traitement de l'image du 25 janvier 2003 prise avec la bande rouge
de MODIS-Terra

5.4.3. Délimitation du domaine d'étude : masquage des frontières

L'objectif de cette partie est la construction d'un masque unique qui sera utilisé tout au
long du travail afin de cacher les parties qui sont au-delà de notre zone d'étude
(méditerranée, Algérie, Lybie et Europe).

Figure 5.5: La superficie occupée par la cellule hl8v5 : Tunisie et des parties de l'Algérie,
de la Lybie, du Méditerranée et de l'Europe
- Extraction de la zone d'étude
Pour la construction du masque des frontières, la collection libre « Generic map tools »
(http://gmt.soest.hawaii.edu/) est utilisée pour extraire les limites politiques de la Tunisie.
Ces limites sont données en coordonnées géographiques. Donc, il est nécessaire de les
transformer en cordonnées sinusoïdales (X, Y) afin de correspondre aux cartes de MODIS-
Terra.

a - Les limites politiques de la Tunisie b- Les limites politiques de la Tunsie

en coordonnées géographiques recalculées dans une projection sinusouidale (X.Y)
38 ; i 1 38 1 ! ' M!
! ! > >
/ ^ ^ W
37 - j 37
\l f\ s :
i ! / *
36
>tj
36 —
V
35-
7k
35
'"yy
34 34

—fejfs ^¥\
33 33 -

i J> k
32 - 32

31 31

30 i i \ i 30 i \ i i
10 11 12 10 11 12

Figure 5.6: Les limites politiques de la Tunisie en coordonnées géographique (à gauche) et

en projection sinusoïdale (à droite)

- Les coordonnées images et géo-référencement

La grille de MODIS-Terra possède un repère orthonormé d'origine (0,0) situé à l'extrémité
Nord-Ouest de l'image, d'axe vertical dirigé vers le sud et d'axe horizontal dirigé vers l'est.

49
Le pas de chaque axe dépend de la résolution spatiale de l'image en question et la latitude
de l'axe horizontal.

• , r. lO°.n.R
Le pas suivant 1 axe vertical : Pav =
180°.Res
(12)

,, , n , 1O'.n.R. cos (q>)

Le pas
F suivant 1 axe horizontal : Pan. =
180 .Res
(13)

Par suite, les cordonnées images (Px,Py) sont données par :

(Y0-Y).n.R
T J
180 '.Res P
(14)
_ <X-XQ).n.R ,
r y + /
" 180'Jtes P
(15)

Avec:

X, Y: Coordonnées sinusoïdale du lieu;

X0, Y0: Coodonnées de l'origine du repère de la cellule en question;

R : Rayon de la Terre;
Res : Résolution spatiale de l'image.

Le terme fp est ajouté pour tenir compte de la position exacte de chaque pixel dans l'image

(voir figure 5.7). Il égale à 0.499999.

50
 1000 1500 2000 2400 <p = 40*
~r
>"- i — I — ! — '.- i-—;---!—!—!-—:---
Deux types de coordonne*

Coordonnée géographiques en projections sinusoïdales (XY) :

Coordonnées fanage (px, py i 0 S Px £ 2400 0 < Py S 2400 ■

1000

1 500

2 000

■ ; - | - t . . t . . t . 1 . . | . . t . . | . . . | . . . | . . . 1 . . . t . . t . 1 . . t . . . | . . . | - | . . i . .

2 400

,\=0° X=10'
I I
Figure 5.7: Illustration de la cellule hl8v5

Avec une résolution spatiale de 500m, la cellule v5hl8 (celle qui contient notre zone
d'étude) est échantillonnée en 2400 lignes et 2400 colonnes. Les coordonnées images
(Px,Py) des points inclus dans cette régions sont données par :

Px = 240 (40 - X) + L
(16)
Py = 240 Y + fp (17)

Construction du masque des frontières

Pour la construction du masque des frontières, il faut transformer les coordonnées

géographiques des frontières politiques de la Tunisie de la projection sinusoïdale (X,Y), de
30°à 40° nord et de 0° à 10° est, en coordonnées images (Px,Py),2400 x 2400 pixels.
Ensuite, Attribuer une valeur « 0 » aux pixels à l'extérieur de la zone et « 1 » aux pixels
situés à l'intérieur, frontière incluse.

51
 2000
n—i—!—i—!—!—i—r -<p=40 = -
~j t

<p=30= -

A=0= A=10°
I
Figure 5.8: Le masque de délimitation de la zone d'étude

L'application du masque, dans la suite, consiste à multiplier chaque image par le masque
permettant de cacher les pixels qui ne font pas partie du domaine de l'étude (voir figure ci-
dessous). Pour une raison de simplification, nous avons réduit les dimensions de l'image à
2000 x 1000 pixels qui couvrent notre région d'étude.

a- Masque b- Image à masquer c-lmaue après l'application du masque

500 500 500

■'
1000

C
1000 1000
1
i
1
*ïiB

I
1500 •

2000 i--.. j - - - -

200 400 600 800 1000

J - - . . .
1500

2000
200 400 600 800 1000
Figure 5.9: Schéma explicatif de l'opération de masquage
1500

2000 T
200 400 600 800 1000

52
5.4.4. Masquage des nuages

Malgré l'exploitation des images composites de 8 jours qui permettent de choisir les pixels
les moins affectés par les nuages, des parties plus ou moins importantes de ces nuages
persistent. Des masques des nuages sont construits pour cacher les pixels contaminés par
les nuages. Les images contenant plus que 10% de nuage sont jugées inappropriées et ils ne
sont pas utilisés dans ce travail.

- Détection des nuages

Les nuages sont un élément perturbateur pour une grande partie des travaux qui utilisent
l'imagerie satellitaire pour caractériser des propriétés du sol. Dans la littérature, on trouve
beaucoup de travaux qui exposent des méthodes pour la détection des nuages (English S. J.,
1999, Vani K.,2006). L'exploitation de la bande bleue est parmi les méthodes les plus
simples puisque les nuages en reflètent beaucoup plus que le sol ou la mer comme le
montre la figure 5.10 ci-dessus :

Figure 5.10: Exemples d'images contaminées par les nuages : images prises par la bande
bleue de MODIS-Terra le 18 février 2000 et 22 mars 2002

53
Dans notre travail, nous n'avons pas utilisé la bande bleue pour la détection des nuages
puisque les nuages sont déjà décris dans le produit « 500m State Flags» fournis en annexe
des images MODIS-Terra (WangX., et al, 2007).

La difficulté de trouver un seuil précis et bien fondé pour séparer les nuages avec la
bande bleu.

La difficulté de déterminer l'ombre des nuages avec des images mosaïques : les
pixels d'une même image proviennent de huit journées différentes.

La précision du produit 500m State Flags : cette information est trouvée suite à
plusieurs tests spectraux et de température, validée par plusieurs compagnes de
terrain ainsi que par les produits de plusieurs autres instruments destinées à des
applications météorologiques tel que NOAA (http://modis-atmos.gsfc.nasa.gov/
MOD35_L2/index, html).
- Description du fichier « 500m State Flags »

Cette information est donnée sous forme d'un nombre binaire de 16 bits (de 0 à 15).
Chaque bit (ou groupe de bits) indique la présence ou l'absence d'un objet particulier dans
le pixel en question (nuage, ombre des nuages, sol/mer, aérosols, cirrus, feux, neige). Le
tableau ci-dessous explique d'avantage le contenu de ce produit.

Tableau 6: Le contenu du fichier « 500m State Flags »

Bit No. Parameter Name Bit Comb. state 1km
00 clear
0-1 01 cloudy
cloud state
10 mixed
11 not set, assumed clear
2 1 yes
cloud shadow
0 no
000 shallow ocean
001 land
010 ocean coastlines and lake shorelines
3-5 land/water flag
011 shallow inland water
100 ephemeral water
101 deep inland water
54
 110 continental/moderate ocean
111 deep ocean
00 climatology
01 low
6-7 aerosol quantity
10 average
11 high
00 none
01 small
cirrus detected
8-9 10 average
11 High
10 1 cloud
1 internal cloud algorithm flag
0
1
no cloud
fire
11 internal fire algorithm flag
0 no fire
1 yes
12 MOD35 snow/ice flag
0 no
1 yes
Pixel is adjacent to cloud
13 0 no
1 yes
BRDF correction performed
14 0 no
1 snow
15 internal snow mask
0 no snow

- Construction des masques des nuages

Le deuxième et le dixième bit de «« 500m State Flags » sont utilisés pour décider si un
pixel donné est contaminé par le nuage ou nom : le dixième pixel porte une information sur
la présence du nuage par contre le deuxième porte une information sur son ombre. Un pixel
est dit contaminé dès que le deuxième bit (Cloud shadow) ou le dixième (Internal cloud
algorithme flag) soit égal à « 1 » (voir tableau 7).

De la même façon que le masque des frontières, des masques des nuages sont construits
pour cacher les pixels contaminés par le nuage ou son ombre. Les masques conçus (un
masque par huit jours) sont très fiables de sorte que nous n'avons pas le risque de laisser
des pixels affectés par le nuage ou son ombre sans être cachés (voir figure 5.11).

55
Figure 5.11: Exemple de deux situations nuageuses prise avec la bande bleu (a : 18 février
2000 et c : 22 mars 2002) et leurs masques correspondants (b et d)

- Analyse des masques des nuages

Analyse spatiale

L'analyse statistique de tous les masques de nuages sur la période de 2000 à 2009 permet
de faire une moyenne temporelle aboutissant à une distribution spatiale moyenne de
l'ennuagement donnée par la figure 5.12.
"56
D'après cette carte, les valeurs maximales sont de l'ordre de 20 %, elles sont situées surtout
au nord ouest du pays. Au centre et au sud du pays, les valeurs sont généralement nulles,
c'est-à-dire que parmi les huit images on trouve toujours une journée au moins où le pixel
en question ne contient ni nuage ni son ombre. Ce résultat est cohérent en le comparant à la
répartition spatiale des cumuls pluviométriques annuels en Tunisie qui prouvent que les
régions du nord et surtout le nord-ouest bénéficient d'une pluviométrie importante
contrairement aux régions du sud (voir figure 3.2 à page 18).

Figure 5.12: Pourcentage d'occupation par le nuage de chaque pixel entre 2000 et 2009

Analyse temporelle

L'analyse temporelle des masques des nuages consiste à déterminer pour chaque époque
d'observation le nombre des pixels contaminés. Ainsi, une série temporelle est déduite. Elle
met en évidence une périodicité annuelle très claire. En effet, les valeurs importantes de
cette série sont situées dans la période d'octobre à mars de chaque année qui correspond à

57
la période pluvieuse, tandis que la période d'avril à septembre est plus ou moins exempte
de nuage puisqu'elle correspond à la période sèche.

2000 2002 2004 2006 2008

Figure 5.13: Nombre des pixels affectés par le nuage ou son ombre par rapport à la surface
de la Tunisie entre 2000 et 2009

On distingue 153 sur 426 époques d'observations ne contiennent pas de pixels contaminés
par les nuages et nous constatons que la surface occupée par le nuage ou son ombre ne
dépasse que rarement le 10 % de la surface totale du pays et qu'il n'y a que deux images
qui sont à très grandes parties nuageuses : le 10 février 2000 (68%) et le 22 mars 2002
(70%).
300

250
f 200
j
ï 150
100

50
_L _L
10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
Pourcentage du nuage par rapport à la surface de Tunisie

Figure 5.144: Répartition des images disponibles selon le taux du nuage quelles contiennent

58
5.4.5. Nettoyage des données

Pour assurer une bonne qualité des résultats, nous avons écarté les images dont le
pourcentage de nuage dépasse 10 % de la surface totale du pays.

Ainsi, à partir de 428 époques d'observation réparties entre le 18 février 2000 et le 2 juin
2009, nous avons recueilli 426 images à partir desquelles nous avons écarté 37 images, à
cause des nuages qu'ils contiennent. Par suite, nous continuons le travail avec 389 images
qui couvrent 90.8 % de la période d'étude.

59
6. Résultats et discussions
6.1. Cartographie des plans d'eau avec le contraste local
du DVW
La méthode CLDVW telle que présentée dans la section 4.1 permet d'obtenir des cartes des
plans d'eau en Tunisie chaque 8 jours entre 2000 et 2009. La carte de la figure 6.1 est une
superposition de toutes les situations traitées. Elle met en relief le taux d'occurrence des
plans d'eau dans un pixel donné par rapport à la période d'étude. Ainsi, on distingue des
plans d'eau permanents (en rouge) et des plans d'eau temporaires qui sont majoritaires. Elle
permet de comprendre l'étendu maximal et l'étendu minimal d'un plan d'eau : les régions
où le taux est élevé sont les régions les plus sujettes à être occupées par l'eau (toujours dans
le cadre d'une résolution spatiale de 500 m).

Avec cette méthode on a bien détecté des plans d'eau remarquables comme le lac de
Bizerte et le lac de Tunis, comme on a ignoré l'existence des plans d'eau dans les régions
désertiques du sud, ce qui est conforme avec la réalité du terrain. Par contre, certains
résultats ne sont pas tout à fait convaincants, par exemple certains plans d'eau sont détectés
comme permanents alors qu'en réalité ils sont temporaires comme la région de Sebkhat
Sidi-El-Hani au centre-est du pays (LifeBrid International).

Ces résultats ne seront pas finaux, ils seront utilisés pour améliorer la sélection des pixels
d'entrainement des plans d'eau pour diriger la classification supervisée dans les prochaines
étapes puisque les plans d'eau sont les éléments difficiles à repérer à cause de leurs petites
tailles et les variations.

Tableau 7: Comparaison des bandes spectrales (rouge, proche infrarouge et proche

infrarouge) de MODIS-Terra et celles de VEGETATION (SPOT-4)
MODIS-Terra Vegetation (Spot-4)
(ennm) (en nm)
Rouge 620 - 670 6 1 0 - 680
Proche infrarouge 841-876 780-890
Moyen infrarouge 1628-1652 1580-1750

60
 >-^
I
-m
•
<
r ~
-
.* A •

* » '
m

•«,..
?<

iu

10 :

Figure 6.1 : Carte des plans d'eau en Tunisie interprété avec la méthode CLDVW

6.2. Classification non supervisée et validation des

classes
La classification non supervisée est utilisée pour analyser la zone d'étude et explorer les
classes qu'on peut y distinguer. Elle permettra de sélectionner les pixels d'entrainement
nécessaires pour la classification supervisée qui sera utilisée dans le chapitre 6.2.5. Il s'agit
de classifier des échantillons d'images avec un nombre important de classes et essayer de
les regrouper en quatre superclasses exhaustives : sol sec, sol humide, végétation, plans
d'eau. Le processus de regroupement est itératif : regrouper à chaque itération les classes
~6Ï
les plus proche, selon la distance de Mahanalobis, jusqu'à l'obtention de quatre
superclasses (A.Ben-Israel, 2008).

Chaque élément du sol de notre zone d'étude peut être associé à l'une de ces quatre
superclasses. Mais, cela n'empêche pas d'avoir, dans une seule superclasse, plusieurs sous
classes de signatures spectrales bien distinctes. C'est le cas où une superclasse (exemple sol
sec) regroupe des types de sol différents (exemple sable et roches). Dans ce cas là, les
centres des sous classes peuvent être situés de part et d'autre du centre d'une superclasse
différente (voir figure 6.2). Donc, un regroupement selon la distance qui sépare les sous-
classes ne peut jamais mettre le sable et les roches dans la même superclasse (sol sec). Ceci
explique le fait que cette méthode de regroupement ne converge pas vers un résultat
convainquant dans notre cas.

C'est pour cette raison, que nous avons utilisé les signatures spectrales des quatre
superclasses pour regrouper les classes produites avec la méthode de classification non
supervisée.

Sol sec (sable) Sol humide Sol sec (roches)

Figure 6.2: Exemple de deux sous classes de sol sec qui chevauchent avec une superclasse
différente

6.2.1. Classification

La méthode de classification non supervisée utilisée est basée sur l'algorithme ISODATA.
Au départ, nous l'avons appliqué sur une seule observation (ensemble de cinq images
prises avec les différentes bandes ayant la même date d'acquisition). Le choix du 22 avril
2000 comme échantillon est basée sur le fait qu'elle ne contienne pas de nuages ou
d'ombre.
~62
Nous avons introduit dix centres initiaux répartis aléatoirement sur la zone d'étude. Le
résultat de cet algorithme est une carte qui met en évidence les dix classes les plus
remarquables qu'on peut y distinguer (voir figure 6.3). La superficie, la moyenne et l'écart-
type de chaque classe sont donnés par les tableaux 9, 10 et 11.

Tableau 8: La superficie occupée par chacun des classes obtenues avec la méthode
ISODATA
Classe Cl C2 C3 C4 C5 C6 C7 C8 C9 CIO
Surface
8.07 0.45 9.57 12.17 0.82 15.96 17.39 4.77 15.38 15.42
occupée (%)
Tableau 9: Les vecteurs moyens des classes obtenues avec la méthode ISODATA
Moyenne
Cl C2 C3 C4 C5 C6 C7 C8 C9 C10
bl 7.8 7.5 14.7 21.7 36.3 32.3 38.0 48.3 45.9 26.5
l»2 28.8 8.0 29.2 32.4 40.9 42.3 47.9 57.3 56.4 37.3
b3 3.9 4.7 7.1 10.4 20.5 13.6 14.2 21.9 14.7 11.7
b4 7.6 8.7 11.8 16.4 28.0 21.9 24.2 34.8 27.0 18.9
b6 22.2 6.8 31.9 39.1 24.7 53.3 60.0 66.1 69.4 47.1
Tableau 10: Les écart-types des classes obtenues avec la méthode ISODATA
Ecart-type
Cl C2 C3 C4 C5 C6 C7 C8 C9 C10
bl 2.3 5.3 2.4 2.8 4.7 2.0 1.9 2.6 1.7 2.2
b2 4.9 6.4 3.0 2.5 4.8 1.8 2.0 2.3 1.9 1.9
b3 1.1 2.5 1.3 1.9 4.0 1.7 2.1 2.2 1.3 1.5
1)4 1.6 4.3 1.7 2.1 4.2 1.9 2.3 2.2 1.8 1.7
1)6 3.6 5.1 3.1 3.8 8.5 2.5 2.6 4.2 1.9 2.6

63
 110
9
1
I*
^ ^ ^ 7
I«
Is
| 43
I
I 2
| 1
Figure 6.3: La répartition spatiale des dix classes obtenues avec la méthode ISODATA

En se basant sur la connaissance préalable du terrain, cette carte permet d'identifier la

nature de quelques classes comme par exemple la grande zone aride du Sahara du sud (les
classes 8 et 9), la zone humide de Chott-Djérid au sud-ouest (classes 4 et 5), les forêts du
nord-ouest (classe 1) ainsi que les lacs d'Ichkeul et de Bizerte (classe 2).

La répartition spectrale de ces dix classes est donnée par la figure 6.4. Dans cette figure,
les classes sont représentées dans l'ordre aléatoire donné par l'algorithme utilisé.

On remarque que :

- La classe 2 absorbe tous les types des fréquences qu'elle reçoit.

64
 Les classes 8, et 9 et à un niveau un peu plus bas les classes 6,7 et 10, reflètent une
grande partie du rayonnement moyen infrarouge qu'elles reçoivent contrairement à
toutes les autres classes.

Les classes 1,3 et 4 ont des réflectances très semblables dans les cinq bandes mais à
des niveaux différents, même chose pour les classes 6, 7, 8 et 9.

Ces remarques confirment que certaines classes peuvent être regroupées en

superclasses.

Figure 6.4: Les réponses spectrales des classes obtenues avec la méthode ISODATA

6.2.2. Regroupement des classes

Dans cette partie, nous avons essayé de regrouper les dix classes trouvées dans la section
précédente en quatre superclasses : sol sec, sol humide, végétation et plan d'eaux.

~(35
Ainsi, nous avons utilisé les signatures spectrales données par la figure 6.4 pour repartir les
dix classes entre ces quatre superclasses. Nous avons calculé les distances euclidiennes qui
séparent les centres des dix classes (voir tableau 10) des centres des quatre superclasses
obtenus à partir de la figure 6.5 (voir tableau 12). Ces distances sont données par le tableau
13 dans lequel la distance minimale pour chaque classe est notée en gras.

^^ 1 r- -r !
—
b6 Sol s«
i
•
L l
l>
DZ

40 1
f ^
30 h4
^ ^ . Solhun
b: 1 \ 1
20 i 1f / ,
1
t j 1
f
• f.
10 hi
\ Vi
Végétât™

*
0.4 0.8 U 1.6 2 4

Longueur d ond* ( / m )
Si
S2 . t* Prock* inf rarooe* MoyeD infrarouge
m * « ^ -?++■
Figure 6.5: Les signatures spectrales du sol sec, du sol humide, de la végétation et de l'eau
Tableau 112: Les centres des quatre superclasses calculés à partir des signatures spectrales
Sol sec Sol humide Végétation Eau
Bande 1 0.21 0.16 0.04 0.06
Bande 2 0.33 0.22 0.38 0.00
Bande 3 0.12 0.09 0.07 0.07
Bande 4 0.16 0.12 0.11 0.09
Bande 6 0.59 0.36 0.26 0.00
Tableau 12: Les distances des dix classes aux :entres des quatre superclasses
1 2 3 4 5 6 7 8 9 10
Sol sec 0.41 0.60 0.29 0.20 0.41 0.17 0.24 0.43 0.37 0.14
Sol humide 0.19 0.34 0.09 0.13 0.36 0.33 0.44 0.62 0.59 0.23
Végétation 0.12 0.36 0.15 0.24 0.39 0.42 0.51 0.69 0.66 0.32
Eau 0.37 0.11 0.44 0.54 0.61 0.74 0.85 1.02 1.00 0.64

66
À la base de ce tableau, nous avons associé chaque classe à la superclasse la plus proche
pour aboutir aux considérations suivantes: la classe 1 est la végétation, la classe 2
représente des plans d'eau, les classes 3, 4 et 5 sont des sols humides et les classes 6, 7, 8, 9
et 10 sont des sols secs.

La figure 6.6 présente dans un espace tridimensionnel les ellipsoïdes de variance (des trois
premières bandes) relatifs aux dix classes initiales (a) et ceux des quatre superclasses
résultantes (b). Ces ellipsoïdes ont comme centres les vecteurs moyens de chaque classe et
comme dimensions les écart-types selon les trois premières bandes de MODIS-Terra.

En outre, beaucoup de doute subsiste sur l'affectation des classes 3,4 et 10 aux bonnes
superclasses. C'est-à-dire, les classes 3 et 4 sont-t-elles des sols humides avec la classe 5 ou
bien de la végétation avec la classe 1? Est-il mieux de regrouper la classe 10 avec les sols
secs? Pourquoi pas avec les sols humides ou bien avec les végétations? En fait, se sont des
cas limites dont il faut nécessairement tenir compte lors de sélection des pixels
d'entrainement pour la classification supervisée.

67
 Bande2

(b)

Bande 1

Figure 6. 6: Les ellipsoïdes représentatifs des dix classes obtenues avec ISODATA (a) et
ceux des superclasses obtenus après regroupement (b)

La carte donnée par la figure 6.7 met en relief une comparaison entre la répartition spatiale
des quatre superclasses avec celle des dix classes initiales. Nous distinguons une vaste

68
région de sols secs au sud (en jaune), des végétations au nord (en vert), des régions
humides qui occupent des surfaces importantes au nord, aux côtes du centre-est et quelques
régions du sud essentiellement au Chott-Djérid), ainsi que quelques plans d'eau au nord (en
bleu) comme le lac de Bizerte, le lac d'Ichkeul, le lac de Tunis.
00 0»

*
' • ■ - * * . '
10
9
8
7
6
5
4 Sol sec
3 Sol humide
2 Végétation
1 Eau

Figure 6.7: La répartition spatiale des quatre superclasses obtenues après regroupement (b)
des dix classes obtenues avec ISODATA (b)

6.2.3. Généralisation

Pour confirmer plus les résultats obtenus dans la section précédente, nous avons refait la
même opération; en premier lieu sur la même observation (du 22 avril 2000) avec vingt
classes initiaux au lieu de dix, et en second lieu sur les moyennes saisonnières de toutes les
images récupérées classifiées en dix classes.

Le regroupement des vingt classes obtenues avec la méthode ISODATA a abouti à une
répartition spatiale des classes similaire à celle obtenue avec dix classes dans la section
précédente, c'est-à-dire une large région sèche au sud, de la végétation au nord, des sols

69
humides au centre et quelques plans d'eau essentiellement au nord du pays. La figure ci-
dessous met en évidence la carte initiale avec vingt classes obtenues avec ISODATA
(figure 6.9-a), la carte des quatre superclasses obtenue à partir des vingt classes (figure 6.9-
b) et la carte des quatre superclasses obtenue à partir des dix classes (figure 6 Ainsi, les
pixels qui sont associés à la même superclasse que ce soit qu'on parte de dix classes ou
bien de vingt est majoritaire par rapport à ceux qui changent de classe (voir tableau 11).

(a) (b) (c)

SOIMC
Sol humid»
Véfétatioa
Eaa

Figure 6.8: a- La répartition spatiale des vingt classes obtenues avec ISODATA
b- La répartition spatiale des quatre superclasses à partir des vingt classes
c- La répartition spatiale des quatre superclasses à partir de dix classes

Tableau 13: Changement des pourcentages des surfaces occupées par les quatre classes en
passant du regroupement à partir de 10 classes au regroupement à partir de 20 classes (du
regroupement à partir de 20 classes au regroupement à partir de 10 classes)
A partir de 20 classes
Sol sec Sol humide Végétation Eau Total
1 Sol sec 68.92 0 0 0
1 Sol humide 5.64 16.87 0.04 0.02 22.57
1 Végétation 0 2.65 5.36 0.05 8.06
1 Eau 0 0 0 0.39 0.39
Total 74.56 19.52 5.4 0.46 100

D'autre coté, les moyennes saisonnières pour chaque bande sont calculées comme suit

70
 Regrouper les images selon les saisons : hiver (de début décembre jusqu'à fin de
février), printemps (de début mars jusqu'à la fin de mai), été (de début juin jusqu'à
fin d'août) et automne (de début septembre jusqu'à la fin de novembre).

Pour chaque saison et pour chaque bande, les pixels de l'image produite sont les
moyennes des valeurs prises par chaque pixel dans les images origines (composites
8-jours) en considérant uniquement les valeurs non endommagées par le nuage ou
son ombre.

On obtient alors cinq images prises avec les cinq bandes pour chaque saison. Un exemple
de calcul de la moyenne de la bande 6 (MIR) pendant l'hiver est donné par la figure 6.8.
(a) (b) (c)

D.
100
80

60

40

20

Figure 6.9: Exemple de calcul de la moyenne de l'hiver de la bande 6

a - somme des pixels non endommagés par les nuages au cours des hivers
b - nombre des pixels non endommagés par le nuage au cours des hivers

De la même façon que précédemment, ces cartes mensuelles sont classifiées en dix classes
avec ISODATA (voir figure 6.10) et regroupées en utilisant les signatures spectrales. Les
répartitions spatiales des quatre superclasses dans les cartes obtenues mettent en relief des
variations inter-saisonnières de l'état de surface qui correspondent bien avec la réalité et la
logique.

71
 (a)-Automne Ça)- Hiver (c)- Printemps (d> Eté

■ l Ml B 3 04 H5 Hô 7 H 8 M9 H10
Figure 6.10: La classification ISODATA des moyennes saisonnières

(a)-Automne (b)-Hiver (c)- Printemps (d>Été

Sp **

Sol sec Sol humide ■Végétation HEau

Figure 6.11 : Le regroupement de classes trouvées avec ISODATA des moyennes
saisonnières

Les résultats trouvés dans ce paragraphe de classification non supervisée sont comparables
au résultat trouvé par Ben Dhia M, 1996 (voir figure 6.12).

72
 • m \mm

1 1 <3 P<100
2 <3
3 34 tl^J
1 4 O 100<P<300
M S 34
• 5-7
IV 7 <3
V • 34
VI • 5-7
10 >7

v* It «3 3»<f^00
VU 12 34
OC IS 3-7 1 1
14 »7
X 15 <5
» 16 34
xn 17 S-7
18 >7

XIII 19 <3 600<P<800

xrv 20 34
XV 21 5-7
22 <7

XVI 23 34 aoo<p*i20o

(ïïïïïïn
24 5-7

Figure 6.12: Répartition des étages bioclimatiques en Tunisie (Source: M. Ben Dhia, 1996)

Dans les prochaines étapes nous utiliserons des méthodes de classification plus appropriés
et plus précises pour classer notre zone d'étude. Ces nouvelles méthodes seront basées sur
les résultats de la présente étape. En fait, elles sont dirigées par l'information (sous forme
des pixels d'entrainement) continue dans l'observation de la journée 22 avril 2000.

73
6.2.4. Sélection des pixels d'entrainement

Les pixels d'entrainement sont des échantillons de pixels choisis pour chaque classe
désirée. Plus le choix de ces pixels est précis, plus la classification devrait être correcte.
Donc, ils sont les éléments les plus importants dans la classification supervisée et sur
lesquels repose la classification. Les pixels d'entrainement sont utilisés pour calculer la
moyenne et la matrice de variance-covariance pour chaque classe.

Dans le cadre de ce travail, ces pixels sont sélectionnés sur :

La base des résultats de la classification non supervisée de la section précédente;

- La carte GLWD (GLOBAL LAKES AND WETLANDS DATABASE) délivré en

2004;

Les cartes des plans d'eau délivrés dans la section 6.1 ;

La connaissance préalable du terrain.

À partir de la carte des dix classes de 22 avril 2000 produite avec la classification non
supervisée, on a considéré uniquement les classes qui ont une forte chance d'être associées
correctement aux bonnes superclasses (c'est-à-dire on a écarté les cas d'appartenance
douteuses expliquées dans le paragraphe 6.2). Ainsi, nous avons sélectionné la classe 1
comme pixels d'entrainement de la végétation, les classes 8 et 9 comme pixels
d'entrainement des sols secs puisqu'ils sont déjà situé au Sahara, la classe 5 comme pixels
d'entrainement des sols humides puisqu'ils couvrent des parties des Chott-Djérid et
Sebkhat Sidi-El-Hani (voir figure 6.13). Ceci a permis d'obtenir les vecteurs moyens de
dimensions (5 x 1) et les matrices de variance-covariance de dimensions (5 x 5) donnés par
le tableau 12.

Il est à noter que nous considérons que les réfelectances dans les différentes bandes d'une
classe particulière sont constantes sur toute la période d'étude; c'est-à-dire que les vecteurs
moyens et les matrices de variance-covariance sont calculés une seule fois à partir d'une

~1Â
seule image et utilisés pour la classification de toutes les images. Cette hypothèse est
acceptable sachant que le satellite passe par le nadir de la région d'étude à la même heure
de chaque jour.
(a) (b)

a Sol sec ■ Lake

■ Sol humide ■ Reservoir
■ Vegetation ■ Rivière
■ Eau ■ Eau douce des marais, des zones inondables
■ Terre humide côoére (y compris la mangrove, estuaire. Delia, Lagoon)
O Pan, saumatre saline les zones humides
■ B og. Fen, More (tourbière)
■ Sol humide Lake intermittente

Figure 6.13: a- La répartition spatiale des pixels d'entrainement choisis

b- Les plans d'eau et les zones humides cartographies par GLWD

75
 Tableau 14: Les vecteurs moyens (VM) et les matrices de variance covariances (MVC)
relatives aux différentes superclasses

rs.o 5.2 4.7 6.1 1.8]

4.2 4.1 2.3 3.5 3.2
MVCSol sec 4.7 2.3 11.6 12.8 -4.6
6.1 3.5 12.8 14.6 -3.7
4.8 3.2 -4.6 -3.7 3.8-1

VM, [46.5 56.6 16.4 28.9 68.6]

22.4 17.8 16.6 19 -15.8

17.8 23.1 9.8 12.9 -1.5
MVC.sol humide
16.6 9.8 15.8 16.4 -16.3
19 12.9 16.4 17.9 -15.1
15.8 -1.5 -16.3 -15.1 71.5

VM.sol humide = [36.6 40.9 20.5 28 24.7]

5.2 -1.3 2.6 3.4 6.7

-1.3 24 -0.7 0.9 1.5
MVC.végétation 2,6 -0.7 1,3 1.7 3.1
3.4 0.9 1.7 2.5 4.3
6.7 1.5 3.1 4.3 13.1

VM,végétation = [7.8 23.8 3.9 7.6 22.2]

r28.6 12.9 11.8 21.3 5.4

12.9 41.2 3.3 4.6 26,2
M V (-pians d'eau 11.8 3.3 6.3 9.9 1.2
21.3 4.6 9.9 18.1 1.1
5.4 26.2 1.2 1.1 26.3

VM,plans d'eau.
= [7.5 8 4.7 8.7 6.8]

6.2.5. Classification avec le maximum de vraisemblance

Les résultats de la classification supervisée sont des cartes (une carte chaque 8 jours)
traduisant la répartition des quatre classes : sol sec, sol humide, végétation et plan d'eau.
Les cartes ci-dessous traduisent les cartes de 22 et 30 avril 2000 comme exemples des
cartes produites dans cette étape.

76
 M lb»

Sol sec
| Sol humide
| Végétation
■ I Eau
Figure 6.14: La répartition spatiale des sols secs, sols humides, végétations et plans d'eau
en Tunisie à 22 (a) et 30 (b) avril 2000

Afin de résumer les informations contenues dans les différentes époques d'observations,
nous avons produit des cartes saisonnières associant pour chaque pixel, la classe la plus
fréquente dans la saison en question (figure 6.15) et une carte récapitulative associant pour
chaque pixel la classe la plus fréquente toute au long de la période d'étude (figure 6.16).

77
 a- Automne b-Hiver

c- Printemps d-Eté

Figure 6.15: La répartition spatiale des sols secs, sols humides, végétations et plans d'eau
en Tunisie aux différents saisons

78
 Figure 6.16: La répartition spatiale moyenne des sols secs, sols humides, végétations et
plans d'eau en Tunisie de 2000 à 2009

Ces résultats mettent bien en évidence la variation de la surface occupée par la végétation;
elle est minimale en été et maximale en hiver et au printemps. Par contre, la vaste région
sèche du sud varie très peu d'une saison à une autre.

Les représentations spatio-temporelles de la variation de la distribution spatiale de chaque

classe permettent de détecter le changement qu'elles subissent. Elles sont extraites en

79
superposant les cartes pré-obtenues pour mettre en évidence le pourcentage de la période,
par rapport à la période d'étude, dans laquelle un pixel est associé à une classe donnée
(figure 6.17). Ces représentations permettent de repérer les régions les plus stables (c'est-à-
dire qui appartiennent tout le temps à une seule classe: lac permanant, forêt...).

D'après ce résultat, nous constatons que le sol sec est concentré essentiellement au sud. À
l'extrême sud-ouest le pourcentage d'occupation en sol sec, par rapport à la période
d'étude, atteint 100%, et ce pourcentage diminue progressivement en allant vers le nord. La
végétation est généralement située au nord où les forêts permanentes du nord-ouest et du
Cap-bon. Elle diminue pour couvrir une grande partie du centre sur des périodes non
négligeables, et très rarement des régions au sud. Les zones classées comme humides sont
situées généralement au centre du pays. Elles occupent les monts du centre-ouest et du sud-
est ainsi que Chott-Djérid, Sebkhat Sidi-El-Hani. Les plans d'eau sont de petites tailles et
distribués généralement au nord et au centre du pays. Ils sont généralement saisonniers à
l'exception de quelques plans d'eau permanents situés essentiellement au nord-est comme
le lac de Bizerte, le lac d'Ichkeul et le lac de Tunis.

80
 (a)

.—*-. ~

(d)

"*;^F-ie
100 % de la période d'étude

50%
100/32

Figure 6.17: Les cartes traduisant la fréquence de l'occupation par le sol sec (a), la
végétation (b), le sol humide (c) et les plans d'eau (d) entre 2000 et 2009

Les cartes initiales (carte chaque 8 jours) permettent, aussi, d'extraire des séries temporelles
qui présentent la variation de la superficie occupée par chaque superclasse par rapport à la
surface totale du pays. Ces rapports sont calculés en masquant la surface endommagée par
les nuages ou leurs ombres et sachant que les images contenant plus que 10 % de nuage ont
déjà été écartées. Pour compléter ces séries temporelles, les valeurs manquantes (images
écartés ou manquantes) ont été interpolées en calculant la moyenne des deux valeurs non
nuls les plus proches.

81
Les séries temporelles traduisant l'évolution des superficies occupées par chaque
superclasse par rapport à la surface totale du pays sont données par la figure 6.18. Elles
permettent de constater que :

- La variabilité annuelle est très claire;

Les variations des plans d'eau et celle aux végétations sont quasiment en phase et
elles sont opposition de phase par rapport au sol sec.

Les taux des superficies occupées par la végétation et ceux occupés par les plans
d'eau atteignent leurs maximums en hiver (décembre, janvier et février) et leurs
minimums en été (jum> juillet et août), contrairement au taux des superficies
occupées par le sol sec qui est maximal en été et minimal en hiver;

Les variations du sol humide est en avance de phase par rapport à celle de la
végétation. Elle atteint son maximum vers septembre et octobre et son minimum
vers mars et avril.

2001 2002 2003 2004 2005 2006 2007 2008 2009

Année
Figure 6.18: La variation des superficies occupées par le sol sec, le sol humide, la
végétation et les plans d'eau par rapport à la surface totale de la Tunisie entre 2000 et 2009

~82
6.2.6. Classification avec la méthode « Fuzzy classification »
Comme, la résolution spatiale des images utilisées est de 500 m, chaque pixel peut
facilement contenir plus qu'une seule classe (par exemple du sol humide et de l'eau à la
fois). La méthode « Fuzzy classification », permet d'estimer le pourcentage de chaque
classe à l'intérieur d'un pixel donné, comme il a déjà été expliqué dans la section 5.5.2.
Cette méthode permet, alors, d'avoir des séries temporelles plus précises.

Les séries temporelles de l'évolution des superficies occupées par les sols secs, les sols
humides, la végétation et les plans d'eau obtenues avec la méthode « Fuzzy classification »
sont données par la figure ci-dessous :
70

2001 2002 2003 2004 2005 2006 2007 2008 2009

Année
Figure 6.19: La variation des superficies occupées par le sol sec, le sol humide, la
végétation et les plans d'eau par rapport à la surface totale de la Tunisie entre 2000 et 2009

En fait, l'allure générale de ces séries temporelle est identique à celle obtenue avec la
méthode de maximum de vraisemblance. Les valeurs exactes des écart-types de la
différence entre les deux des résultats sont données par le tableau ci-dessous.

83
 Tableau 15: La différence entre les résultats du maximum de vraisemblance et ceux de «
Fuzzy classification »
Sol sec Sol humide Végétation Eau
Ecart-type (%) 0.01 0.02 0.07 0.08

Dans la suite, nous considérons uniquement les séries temporelles obtenues avec la
méthode « Fuzzy ». Par contre pour les représentations graphiques, les résultats avec la
méthode de maximum de vraisemblance sont utilisés puisqu'on ne peut pas les déduire
avec la méthode « Fuzzy » par définition.

6.2.7. Validation de l'évolution temporelle de la végétation avec l'indice de

végétation NDVI
Afin de s'assurer de la qualité des séries temporelles préétablies, nous avons calculé les
indices de végétation (NDVI) pour toutes les images et nous avons fixé un seuil de 25 %
pour distinguer la végétation. La variation de la surface occupée par la végétation par
rapport à la surface totale de la Tunisie trouvé par ces deux façons (« Fuzzy classification »
et NDVI) est donnée par la figure ci-dessus. La différence entre les deux résultats est assez
faible, dont l'écart-type de cette différence est estimé à 5 %.
35
Végétation détectée arec le NDVI
? Végétation détectée avec « Fuzzy classification»

2001 2002 2003 2004 2005 2006 2007 2008 2009

Année
Figure 6.20: Comparaison entre la variation de la superficie occupée par la végétation
trouvé avec le maximum de vraisemblance et celle trouvée avec le NDVI

84
6.2.8. Etude des séries temporelles de l'évolution de l'état de surface

Pour étudier les séries de variation des superficies occupées par les différentes classes, les
décalages temporaires entres elles deux à deux sont corrélés sont à partir de la position de la
corrélation maximale (voir tableau 14). Cette méthode consiste à décaler une série par
rapport l'autre par pas de huit jours sur une période d'un an et calculer à chaque fois la
corrélation entre les deux séries. À partir de la position où la corrélation est maximale, le
décalage temporel entre les séries peut être interprété.

Tableau 16: Le déphasage entre les variations annuelles des quatre superclasses (en jours)

Sol sec Sol humide Végétation Eau

Sol humide 79
Végétation ■158 134
Eau 166 134 -15

On remarque que la variation du taux de la surface occupée par la végétation est légèrement
en retard de phase par rapport à celle du taux de la surface occupée par les plans d'eau. Ces
deux derniers sont en opposition de phase par rapport à la variation du taux de la surface
occupée par le sol sec. Le taux maximal du sol humide est une phase intermédiaire entre le
taux maximal des sols secs et les taux maximaux de la végétation et des plans d'eau.

Les spectres des fréquences relatifs aux variations des superficies occupées par le sol sec, le
sol humide, la végétation et les plans d'eau dans l'échelle fréquentielle montre sont
données par la figure 6.21. Elles montrent tous un seul pic très puissant situé dans les
faibles fréquences: fp E [0,0.022]. Ces pics représentent des variabilités de période T «

— « 45 (x 8 jours) « 360 jours « 1 ans.

f,

85
 a- Sol sec b- Sol humide
x10 x10
12

10

0.1 0.2 0.3 0.4 0.5 0.1 0.2 0.3 0.4 0.5
Frequence (1/8 jours) Fréquence (18 jours)

c- Végétation cl- Eau

> 10 x10
1il - 3.5

12 I 3

10 2.5

ft 2

I
1.5
6
|
4 ' 1

ft - I 0.1 0.2 0.3

Fréquence (18 jours)
0.4 0.5
0.5

0.1
1i
0.2
!

0.3
Fréquence (18 jours)
0.4 0.5

Figure 6.21: Spectres des séries d'évolutions des surfaces occupées par les sols secs, les sols
humides, les végétations et les plans d'eau en Tunisie entre 2000 et 2009

86
À partir de ces spectres, les bandes passantes des pics sont calculés afin de filtrer (extraire)
les variabilités annuelles à partir des séries brutes (enlever les variations rapides et
brusques). Les bandes passantes relatives aux différentes classes, calculées comme il est
indiqué dans la section 5.3.2, sont données par le tableau 15 suivant :

Tableau 17: Les bandes passantes des filtres

Ymax (x 10 6 ) Ymax , Xmin Xmax
( X l 0 )
V2
Sol sec 11.0628 7.8226 0 0.019
Sol humide 3.6986 2.6153 0 0.017
Végétation 12.7893 9.0434 0 0.017
Plans d'eau 0.3148 0.2226 0 0.023

Les résultats de l'opération de filtrage sont les signaux donnés par la figure 6.22. Il s'agit
des signaux lisses avec des variations annuelles très accentués et ayant les caractéristiques
statistiques données par le tableau 16.

2001 2002 2003 2004 2005 2006 2007 2008 2009

Année
Figure 6.22: La variation annuelle des séries d'évolutions des surface occupées par les sols
secs, les sols humides, les végétations et les plans d'eau en Tunisie entre 2000 et 2009

87
Tableau 18: Quelques statistiques sur la variabilité annuelle des superficies occupées par les
différentes classes (en %)
Sol sec Sol humide Végétation Plans d'eau
Moyenne 38.79 47.85 15.45 1.57
Minimum 31.87 43.30 8.01 0.59
Maximum 46.60 51.40 22.45 3.30
Ecart-type 3.62 1.85 4.52 0.66

À partir de ce résultat, on peut tirer les remarques suivantes :

La variation de la surface occupée par la végétation est très proche d'un signal
sinusoïdal parfait. La pente de sa régression linéaire (en pointillé) est quasiment
nulle;

Les tendances linéaires de sols humides et des plans d'eau sont très légèrement
croissantes. Alors que celle des sols secs est nettement décroissante dans notre
période d'étude;

Une variabilité à long durée peut être mise en question surtout dans les séries
relatives aux sols secs et aux sols humides. Elle n'est pas trop puissante dans nos
séries puisque sa période (T) est proche de la durée de notre étude ^T8 -9 ans)
(voir figure 6.23).

Selsec Sel humide Variabilité de 8 - 9 ans

50
ï

r^**~1h |l~ ~ l | _ j ^ ^ l /m. ' a TT >— j :"~ i\y ^^^»ï^^

■ m aa aa * ■ ■ ■ ■ * ■ ■ • ■ ■ • ■ • m a a a a a a a a a I B I I a ■ ^» ■ a^ ■■■■■■■

3 30
«5 2001 2002 2003 2004 2005 2006 2007 2008 2009
Année

Figure 6. 23: Les variabilités de 8-9 ans des sols secs et des sols humides (en rouge)

88
7. Étude du lien entre l'évolution de l'état de la surface et
la pluviométrie
Dans cette partie, nous allons exploiter les séries temporelles établies dans la section
précédente pour étudier le lien entre leurs évolutions et le régime pluviométrique dans la
région. Ces séries pluviométriques permettent de valider, au moins partiellement, les
résultats de l'opération de classification.

Les séries pluviométriques utilisées sont fournis par « Global Precipitation Climatology
Project» (http://cics.umd.edu/~yin/GPCP/). Elles ont l'avantage d'avoir une grille assez
fine qui couvre toute notre zone d'étude et d'utiliser des mesures in-situ. Par contre, elles
ont l'inconvénient de ne pas couvrir toute notre période d'étude.

GPCP est un projet allemand lancé en 1988 avec la contribution de l'organisation

météorologique mondiale (OMM) pour servir les programmes WCRP (World Climate
Research Program) et GCOS (Global Climate Observing System). Son objectif essentiel est
l'analyse de la distribution spatiale et temporelle de la précipitation mensuelle dans le
monde. Les données de GPCP sont mesurés in-situ dans 43028 stations reparties dans le
monde. Elles ont subi un test de contrôle de qualité et un processus d'interpolation pour
êtres représentées sur des grilles avec une résolution de 0.5° x 0.5°.

Figure 7. 1 : La distribution spatiale des stations de mesure utilisées par GPCP (juillet 2006)
Source(http://www.dwd.de)
89
7.1. La distribution spatio-temporelle de la pluviométrie
en Tunisie
Les données de GPCP ont permis de représenter la distribution spatiale et temporelle de la
pluviométrie en Tunisie sur la période allant de Janvier 2000 jusqu'à décembre 2007 avec
une résolution spatiale de 0.5° x 0.5° (~55 Km) et une résolution temporelle d'un mois.

Nous avons représenté la distribution spatiale de la pluviométrie mensuelle moyenne en

Tunisie (figure 7.2) ainsi que les distributions spatiales de la pluviométrie mensuelle
moyenne par saison (figures 7.3-a, 7.3-b, 7.3-c, 7.3-d). Ces résultats prouvent bien que le
nord-ouest est la région la plus bénéficiaire, le sud est la région la moins pluvieuse et que la
pluviométrie moyenne décroit généralement en passant du nord vers le sud. On remarque
aussi que la pluviométrie en Tunisie est maximale en Hiver (Décembre, Janvier et Février)
et minimale en Été (Juin, Juillet et Août) et elle est distribué spatialement selon trois étages
principales (étage pluvieux (nord), étage moyen (centre) et étage sec (le sud)). D'après ces
cartes mensuelles, le maximum de la pluviométrie mensuelle est de 293 mm enregistrés
dans la région d'Ain Draham (nord ouest) au novembre 2004. Ces résultats coïncident avec
la distribution spatiale des quatre classes étudiées dans la section précédente. Ceci prouve
d'avantage la qualité des résultats de la caractérisation spatiale de la l'état de surface
obtenus dans la section 6.3.2.

En fait, les moyennes mensuelles de la pluviométrie en Tunisie ont des distributions

spatiales très semblable à celle des quatre classes (sol sec, sol humide, végétation et plans
d'eau). Cette remarque est valable pour les moyennes calculés saison par saison ou bien sur
toute l'année.

90
Figure 7. 2: La distribution spatiale de la pluviométrie mensuelle moyenne en Tunisie entre
2000 et 2007

(a)- Antomne (b)-Hiver

91
 (c)- Printetnp s (d)-Ete
|25
0 'V
tr\ T^^_ jannl

120
* »'

15

10
3 ^

J
0

Figure 7. 3: La distribution spatiale de la pluviométrie mensuelle moyenne par saison en

Tunisie entre 2000 et 2007

À partir de ces cartes de la pluviométrie mensuelle, une série de la pluviométrie mensuelle

moyenne en Tunisie est estimée. Nous avons considéré la moyenne des cellules situés à
l'intérieur des limites administratives du pays à chaque époque mois pour aboutir à la série
pluviométrique mensuelle moyenne (voir figure 7.4). Cette considération est représentative
en tenant compte que c'est l'évolution de série qui nous intéresse et non leurs valeurs de la
pluviométrie elles-mêmes.

92
 100

2008

Figure 7. 4: La pluviométrie mensuelle moyenne en Tunisie entre 2000 et 2007

La pluviométrie mensuelle moyenne en Tunisie varie entre un maximum de 93 mm,

enregistré en Janvier 2004) et un minimum de 0.79 mm, elle a une moyenne de 21.97 mm.
Cette série met en évidence une périodicité annuelle claire, presque les valeurs maximales
sont enregistrées dans les hivers (décembre, janvier et février).

La représentation dans un espace fréquentiel de cette série pluviométrique est donnée par la
figure 7.5. Elle met en évidence trois pics représentatifs situés respectivement sur les
fréquences 0.083, 0.253 et 0.361 cycle/mois, c'est-à-dire des périodicités à l'ordre de 12, 3
et 4 mois qui sont la périodicité annuelle (la plus puissante) et la périodicité saisonnière (3-
4 mois).

Nous procédons par filtrage numérique pour extraire les trois types de variabilités. Les
bandes utilisées pour le filtrage sont respectivement (0.047 - 0.114, 0.23 - 0.291, 0.331 -
0.39). Elles sont calculées à partir des coordonnées des pics représentatifs tels qu'il est
indiqué la figure 4.5.

93
 x10
2.5

1.5

0.5 >

0.1 0.2 0.3 0.4 0.5

Fréquence (1/Vnois)
Figure 7. 5: Spectre de la pluviométrie mensuelle moyenne en Tunisie entre 2000 et 2007

Le filtrage de la série brute de la pluviométrie mensuelle abouti aux trois séries données par
les figures 7.6-a, 7.6-b et 7.6-c qui présentent les trois variabilités.

La variabilité annuelle est la plus puissante puisque c'est la plus claire dans la série brute.
Elle s'explique par le fait que les valeurs maximales sont toujours enregistrées en hiver par
contre les valeurs minimales sont en été. Cette variabilité a une moyenne de 21.83, un
maximum de 39.95 un minimum de 4.39. Elle explique 32 % de la variance de la série
brute.

Les variabilités de 3 mois et de 4 mois sont mois puissantes sans le spectre des fréquences,
c'est pour cela elles ne sont pas claires dans la série brute de la pluviométrie mensuelle
moyenne. Elle explique les variations saisonnières de la pluviométrie. En fait, dans ces
régions tempérées une saison est trois mois par définition, par contre en pratique elle peut
aller jusqu'à quatre mois. La variabilité de 4 mois explique 11% de la variance de la série
brute. Elle varie entre un minimum de 6.92 mm et un maximum de 38.29 mm, avec une
moyenne de 22 mm. Par contre, la variabilité de 3 mois explique 12.66% de la variance de
la série brute. Elle a un maximum de 39.9 mm, un minimum de 5.33 mm et une moyenne
de 21.97mm.

94
La composition de trois variabilités est donnée par la figure 7.6-d, elle explique plus que 96
% de la variance de la série brute.
a-Variabilité annuelle

2001 2002 2003 2004 2005 2006 2007 2008

Année
b-vaiiabilité de 4 mois
100

E 75
E.

ï 50 I | il l li a i ' I l

g Jl J I n Ia JL p i n J
ô
■> n n ! 1 IiI y, i I n Ik J 'A/1 J ' A1 /il I i
S 25
û.

2001 2002 2003 2004 2005 2006 2007 2008

Année
c- Variabilité de 3 mois
100 i

Ê 75
E.
.2
1 50
E U i \ J 1' 1 il 11
e 1*1 j 1 1 Ji 1 11 1 1 I f
1 25 i In J } 'i/l J1 1 J'I 1 i
û.
k m 1 M V' V j 1 i l / *\/^^ 1 /Y If ' F aï U' ■ ■ w / ■ I A / V/ i / 'Vf i J /
■ ri l/l F 1 / 'f ri /
n U i U i i \J i
2001 2002 2003 2004 v j
2005 vv i
2006 v i
2007 V 2008
Année

95
 d- Composition des trois variabilités
100

« 75 -
g
2 50
E

I
J 25
>
S
0
2001 2002 2003 2004 2005 2006 2007 2008
Année
Figure 7. 6: Les trois variabilités de la pluviométrie en Tunisie et leur composition entre
2000 et 2007
7.2. Etude du lien entre la pluviométrie et l'occupation
du sol en Tunisie
Dans la section 6.3.3, on a montré que l'évolution des superficies occupées par le sol sec, le
sol humide, la végétation et les plans d'eau est essentiellement annuelle. D'autre part, on
vient de montrer que la variabilité annuelle de la pluviométrie moyenne en Tunisie est
dominante puisqu'elle explique 32% de la variance de la série brute devant 11% et 12.66%
pour les variabilités de 4 mois et 3 mois respectivement. Cette coïncidence au niveau de la
variabilité annuelle, nous a invités à étudier le lien entre ces deux phénomènes : la variation
de surfaces occupées par les quatre classes et la variabilité annuelle de la pluviométrie.

Ainsi, des séries de variation mensuelle des surfaces occupées par les sols secs, les sols
humides, la végétation et les plans d'eau sont calculés. Nous avons associé à chaque pixel
la classe le plus fréquente au cours du mois en question, puis nous avons calculé pour
chaque mois le rapport entre la surface occupée par chaque classe et la surface totale.

En premier lieu, nous avons calculé les coefficients de corrélation entre les cinq séries deux
à deux (voir tableau 17). Nous, remarquons que ces deux phénomènes sont très liés dans
l'échelle du temps : la pluviométrie et la végétation sont les plus corrélés positivement avec
un coefficient de corrélation de 80%, les sols secs et la pluviométrie sont en opposition de
phase avec un coefficient de corrélation de -78%. Alors que, l'évolution des sols humides
et des plans d'eau sont les moins corrélés.

96
 Tableau 19: Les coefficients de corrélation entre les quatre classes et la pluviométrie

Pluviométrie Sol sec Sol humide Végétation Eau

Pluviométrie
Sol sec -0.47
Sol humide -0.08 -0.39
Végétation 0.80 -0.45 -0.32
Eau 0.67 -0.78 -0.02 0.67

En fait, ces coefficients de corrélation ne reflètent pas grand-chose sur le rapport entre les
séries, puisque ces derniers sont déjà décalés dans le temps comme le montre la figure 7.7.

Sol sec -» Végétation ■ » » • Pluviométrie

■ ■■i Sol humide ■ ■ ■ ■ Eau

2001 2002 2003 2004 2005 2006 2007 2008

Année
Figure 7. 7: Comparaison entre l'évolution des surfaces occupées par le sol sec, le sol
humide, la végétation et les plans d'eau et celle de la pluviométrie entre 2000 et 2007
En second lieu, les décalages entre les cinq séries deux à deux sont calculés. Ils permettent
de déduire que :

L'évolution de la surface occupée par le sol sec est en opposition de phase avec la
pluviométrie.
97
 Les variations de la surface oc c upée par la végétation et celle occupée par les plans
d'eau sont en phase, et elles sont légèrement en avanc e de phase par rapport à la
pluviométrie (décalage égale à un mois).

La variation de la surfac e oc c upée par le sol humide est en avanc e de 3 mois par
rapport à la variation de la surfac e oc c upée par le sol sec et elle est en retard de 3
mois par rapport à la pluviométrie.

Tableau 20: Le décalage entre les quatre classes et la pluviométrie (en mois)

Pluviométrie Sol sec Sol humide Végétation Eau

Pluviométrie
Sol sec 6
Sol humide -3 3
Végétation 1 -5 4 ■
Eau 1 -5 4 0

Cela peut être expliqué c omme suit : une partie des sols sec (notée non permanente dans la
section 6.3.2) se transforme en sol humide après avoir recevoir peu à peu de la pluie vers le
début de l'automne (septembre) où le taux des sols humides atteint son maximum. En
s'approchant de l'hiver (déc embre, janvier) marqué par des pluviométries maximales, une
grande partie de c es sols humides va être oc c upée par des plans d'eau et de la végétation
juste après la pluie (décalage ne dépasse pas un mois). Le couvert végétal et les plans d'eau
disparaissent peu à peu avec le temps en s'approchant de la saison sèc he (Jum> juillet) pour
céder la place une autre fois aux sols secs. Ainsi, un cycle de vie peut être tracé. Il met en
évidence le passage des sols sec s en sols humides puis plans d'eau et végétions et leurs
relations avec la pluviométrie.

98
 Sol sec

Sol humide

I ' b i n s A >JHE£
\ >!iH..linli

% , ^ Phivtoinetrie
Figure 7. 8: Le cycle pluviométrie, plans d'eau, végétation, sol humide, sol sec,
pluviométrie

Le tableau 19 montre le taux des superficies non permanentes qui passent au cours de
l'année entre des déférents états de surface ainsi que le taux des surfaces stables qui gardent
la même classe tout au long de notre période d'étude.

Tableau 21 : le taux de chaque type des zones de classe variable et celui des zones de classe
stable par rapport à la surface totale de la Tunisie
Type des classes Superficie (%)
Zones de classe variable Sol sec-sol humide-végétation- eau 2.57
Sol sec- sol humide- végétation 1.11
Sol sec-sol humide- eau 5.35
Sol humide- végétation- eau 23.47
Végétation- eau- sol sec 0
Sol sec - sol humide 49.14
Sol sec - végétation 0
Sol sec - eau 0
Sol humide- végétation 5.7
Sol humide - eau 3.78
Végétation - eau 2.52
Total 93.64
Zones de classe stable Sol sec 2.97
Sol humide 2.49
Végétation 0.76
Eau 0.14
Total 6.36

99
8. Conclusion
La répartition spatiale des plans d'eau, de la végétation et des zones humides en milieux
arides comme en Tunisie, ainsi que leurs variations temporelles sont encore peu connus. Et
malgré les rares travaux qui étudient ces quatre classes, aucun d'entre eux ne traite leurs
évolutions spatiales et temporelles et détecte leurs changements sur une longue période.

À travers de cette étude, nous avons tenté d'apporter quelques éléments de connaissance
supplémentaires, notamment par le biais de la télédétection et l'imagerie satellitaire de
MODIS-Terra. Cette technique a montré ses capacités et ses performances, tout en nous
rappelant ses limites. En effet, si la télédétection n'est pas un moyen de validation effectif
des résultats, elle offre une grande complémentarité avec les travaux de mesures effectués
sur le terrain.

La classification des images de MODIS-Terra ayant des hautes résolutions radiométrique et

temporelle a permis de cartographier les sols secs, les sols humides, la végétation et les
plans d'eau en Tunisie chaque huit jours entre 2000 et 2009, de détecter les changements,
de produire des séries temporelles traduisant l'évolution de ses superficies et d'étudier ses
variabilités temporelles (périodicités) et le lien entre ses évolutions et la pluviométrie. On a
montré que les variations des superficies occupées par le sol sec, le sol humide, la
végétation et les plans d'eau sont principalement annuelles et elles sont trop liées au régime
pluviométrique. En fait, aucun type de dégradation sous l'effet des changements globaux
ou autre n'est détecté. Cela est peut être dû à la durée assez courte de notre période d'étude.
Cependant, une variabilité à long terme de 8 - 9ans apparait légèrement dans les séries
relatives aux sols secs et les sols humides.

En fait, ce type d'études n'avait jamais été abordé en Tunisie jusqu'à présent. C'est
pourquoi il n'existe que peu d'éléments de comparaison des résultats que nous avons
élaborés. Les séries pluviométriques et la bonne connaissance de la zone d'étude figurent
en revanche comme exemples des rares moyens de validation de nos résultats.

100
Ce travail sera, sûrement, plus rentable si on dispose des images satellitaires sur une
période plus longue et de résolution spatiale plus fine. Ceci permettra de faire apparaître
des variabilités à long terme et bien décider sur l'effet des changements climatiques. Par
contre, la confirmation des résultats élaborés avec des mesures in-situ récentes ou archivées
valorisera davantage ce travail.

101
Bibliographie
[1]- Alhamlan S., Mills J. P., Walker A. S., Saks T., 2004, The influence of ground control
points in the triangulation of Leica ADS40 data, The International Archives of the
Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. 34, Part XXX.

[2]- Alwis D. A., Easton Z. M., Dahlke H. E., Philpot W. D., et Steenhuis T. S., 2007,
unsupervised classification of saturated areas using a time series of remotely sensed
images.

[3]- Atkinson P.M, Lewis P., 2000, Geostatistical classification for remote sensing: an
introduction, Computers & Geosciences 26 361±371.

[4]- Baghdadi N., Bernier M., Gauthier Y., and Neeson I., 2001, Evaluation of C-band data
for wetland mapping, International Journal of Remote Sensing, 22, 71-88.

[5]- Bandyopadhyay S., and Maulik U., 2002, Genetic clustering for automatic evolution of
clusters and application to image classification, Pattern Recognition, Vol. 35, No. 6, pp.
1197-1208.

[6]- Ben Dhia M., 1996, L'élevage ovin en Tunisie, Situation actuelle et perspective
d'avenir, Cahier Options Méditerranéennes 6: 9-20.

[7]- Ben Sakka M., 1989, Etude des interactions spatio-temporelles des ondes
atmosphériques dans la troposphère des Caraïbes et le sud des États-Unis, thèse de doctorat
Paris 6.

[8]- Ben-Israel A., 2008, Probabilistic D-Clustering, Journal of Classification 25:5-26.

[9]- Bindlish R, Jackson T. J., Wood E., Huilin G., Starks P., Bosch D., and Lakshmi V.,
2003, Soil moisture estimates from TRMM Microwave Imager observations over the
Southern United States, Remote Sens. Environ., 85, 507-515.

102
[10]- Ceccato P., Fiasse S., Tarantola S., Jacquemoudy S., and Grégoire J.M., 2001,
Detecting vegetation leaf water content using reflectance in the optical domain, Remote
Sens. Environ., 77, 22-33.

[11]- Celle-Jeantona H., Kamel Z., Travia Y., Daoude A., 2001, Caractérisation isotopique
des pluies en Tunisie : Essai de typologie dans la région de Sfax, CR. Acad. Sci. Paris,
Sciences de la Terre et des planètes No. 333 pp. 625-631.

[12]- Fensholt R., 2004, Earth observation of vegetation status in the Sahelian and
SudanianWest Africa, comparison of Terra MODIS and NOAA AVHRR satellite data, Int.
J. Remote Sens., 25(9), 1641-1659.

[13]- Foody G. M. et Arora M. K, 1996, Incorporating mixed pixels in the training,

allocation and testing stages of supervised classifications, Pattern Recognition Lett., 17,
1389-1398.

[14]- Frazier P., et Page K., 2000, Water body detection and delineation with Landsat TM
data, Photogrammetric Engineering and Remote Sensing, 66, 1461-1467.

[15]- Gao B.,1996, A normalized difference water index for remote sensing of vegetation
liquid water from space, Remote Sens. Environ., 58(3), 257-266.

[16]- Gond et al., 2004, Surveillance et cartographie des plans d'eau et des zones humides
et inondables en régions arides avec l'instrument VEGETATION embarqué sur SPOT-4,
International journal of remote sensing, Vol.25, No.25, 987-1004.

[17]- Guha A., Lakshmi V.,2002, Sensitivity, Spatial Heterogeneity, and Scaling of C-Band
Microwave Brightness Temperatures for Land Hydrology Studies, IEEE Transactions on
geosciences and remote sensing, Vol. 40, No. 12.

[18]- Guliato D., Rangayyan R.M., Camielli W.A., Zuffo J.A. and Leo Desautels J.E.,
2003 a, Segmentation of breast tumors in mammograms using fuzzy sets, Journal of
Electronic Imaging, Vol. 12, pp. 369-378.

103
[19]- Guliato D., Rangayyan R.M., Camielli W.A., Zuffo J.A. and Leo Desautels, J.E.,
2003b, Fuzzy fusion operators to combine results of complementary medical image
segmentation techniques Journal of Electronic Imaging, Vol. 12, pp. 379-389.

[20]- Haas E.M., Bartholomé E., Combal B., 2009, Time series analysis of optical remote
sensing data for the mapping of temporary surface water bodies in sub-Saharan western
Africa, Journal of Hydrology 370 52-63.

[21]- Hegarat-Mascle S., Bloch I., and Vidal-Madjar D., 1997, Application of Dempster-
Shafer evidence theory to unsupervised classification in multisource remote sensing, IEEE
Trans. Remote Sens., 35, 1018-1031.

[22]- Hoffer R., 1978, Biological and physical considerations in applying computer-aided
analysis techniques to remote sensor data, In Remote Sensing: The Quantitative Approach,
edited by P. H. Swain.

[23]- Jang J.D., 2004, Evaluation of thermal-water stress of forest in southern Québec from
satellite images, Thèse de doctorat, Université Laval, Québec, Qc., Canada.

[24]- Jensen J.R., 2005, Introductory digital image processing- A remote sensing
perspective, Prentice Hall Series in Geographic Information Science, third edition.

[25]- Kerr Y. H., 2007, Soil moisture from space: Where are we?, Hydrogeology J., 15,
117-120.

[26]- Kogan F.N. et Sullivan J., 1993, Development of Global Drought-Watch System
Using NOAA/AVHRR Data, Advances in Space Research, 13-5, 219-222.

[27]- Kogan F.N., 1997, Global Drought Watch from Space, Bulletin of the American
Meteorological Society, 78-4, 621-636.

[28]- Mather P.M., 2004, Computer Processing of Remotely-Sensed Images, Wiley, Third
Edition.

104
[29]- Maulik U., et Bandyopadhyay S., 2003, Fuzzy partition using a real-coded variable-
length genetic algorithm for pixel classification, IEEE Transactions on Geoscience and
Remote Sensin , Vol. 41, No. 5, pp. 1075-1081.

[30]- Ministère de l'Equipement, de l'Habitat et de l'Aménagement du Territoire- Direction

Générale de l'Aménagement du Territoire, 2009, Atlas des Paysages de la Tunisie.

[31]- Miller D.M., Kaminsky E.J., and Rana S., 1995, Neural network, classification of
remote sensing data, Computers & Geosciences , Vol. 21, pp. 377-386.

[32]- Mohanty K.K., and Majumdar T.J., 1996, An artificial neural network (ANN), based
software package for classification of remotely sensed data, Computers & Geosciences,
Vol. 22, pp. 81-87.

[33]- Murthy C. S., Raju P. V., et Badrinath K.V.S, 2003, Classification of wheat crop with
multi-temporal images: performance of maximum likelihood and artificial neural networks,
INT. J. REMOTE SENSING , Vol. 24, NO. 23, 4871^1890.Nailong W., The Maximum
Entropy Method, Springer, 1997.

[34]- Nailong W.,1997, The Maximum Entropy Method, Springer.

[35]- Ostir K, Veljanovski T., Podobnikar T., et Stancic Z., 2003, Application of satellite
remote sensing natural hazard management: the Mount Mangart landslide case study,
International Journal of Remote Sensing, Vol. 24, pp. 3983^4002.

[36]- Pakin S.K., Gaborski R.S., Barski L.L. and Parker K.J., 2003, A clustering approach
to bone and soft tissue segmentation of digital radiographic images of extremities, Journal
of Electronic Imaging, Vol. 12, pp. 40-49.

[37]- Park S., Feddema J.J., et Egbert S., 2004, Impacts of hydrologie soil properties on
drought detection with MODIS thermal data, Remote Sensing of Environment, 89, 53-62.

[38]- Richards A., Xiuping J., 2006, Remote Sensing Digital Image Analysis, 4th Edition,
Springer
105
[39]- Rydberg A., et Borgefors G., 2001, Integrated method for boundary delineation of
agricultural fields in multispectral satellite images, IEEE Transactions on Geoscience and
Remote Sensing, Vol. 39, pp.2514-2520.

[40]- Schmugge T., 1985, Remote sensing of soil moisture, in: Hydrological Forecasting,
edited by: Anderson, M. G. and Burt, T. P., Wiley, New York, 101-124.

[41]- Shu-Hsien L., Chih-Hao W., 2007, Artificial neural networks classification and
clustering of methodologies and applications - literature analysis from 1995 to 2005,
ScienceDirect, Expert Systems with Applications 32 1-11.

[42]- Slimani M., Cudennec C , Feki H., 2007, Structure du gradient pluviométrique de la
transition Méditerranée - Sahara en Tunisie: déterminants géographiques et saisonnalité,
Hydrological Sciences-Journal-des Sciences Hydrologiques, Vol. 52 No.6.

[43]- Tsai D.Y., Lee Y., Sekyia M., and Ohkubo M., 2004, Medical image classification
using genetic algorithm based fuzzy-logic approach, Journal of Electronic Imaging, Vol.
13, pp. 780-788.

[44]- Tsayem Demaze M., 2008, Le monitoring de la forêt amazonienne par télédétection.

[45]- Tucker C. J., Remote sensing of leaf water content in the near infrared, Remote Sens.
Environ., 10,23-32, 1980.

[46]- Van Der Sande C.J., De Jong S.M., and de Roo A.P.J.,2003, A segmentation and
classification approach of IKONOS-2 imagery for land cover mapping to assist flood risk
and flood damage assessment, International Journal of Applied Earth Observation and
Geoinformation , Vol. 4, pp. 217-229.

[47]- Verdin J. P., 1996, Remote sensing of ephemeral water bodies in Western Niger,
International Journal of Remote Sensing, 17, 733-748.

[48]- Vermote E.F. et Vermeulen A., 1999, Atmospheric correction algorithm- Spectral
Reflectances (MOD09), version 4.0.
106
[49]- Vani K., Lakshmi Priya G.U.V., 2006, Detection and Removal of Cloud
contamination from Satellite Images, Remote Sinsing of the Atmosphere Clouds, Vol.6408,
6408D.

[50]- Vermote E. F., Kotchenova S. Y. et Ray J. P., 2008, MODIS Surface Reflectance
User's Guide, Version 1.2.

[51]- Wang X., Xie H., Liang T., 2007, Evaluation of MODIS snow cover and cloud mask
and its application in Northern Xinjiang, China, Laboratory for Remote Sensing and
Geoinformatics, University of Texas at San Antonio, Texas 78249, USA and Key
Laboratory of Grassland Agro-ecology System, Ministry of Agriculture, Lanzhou
University, Lanzhou 730020, China.

[52]- Wilhite D.A. et Glantz M.H., 1985, Understanding the Droughts Phenomenon: The
Role of Definitions, Water International, 10, 111-120.

[53]- Whiting M.L., Lin L., and Ustin S. L., 2004, Predicting water content using Gaussian
model on soil spectra, Remote Sens. Environ., 89(4), 535-552.

[54]- Xiao X., Boles S., Liu J.Y., Zhuang D. F., and Liu M. L.,2002, Characterization of
forest types in Northeastern China, using multitemporal SPOT-4 VEGETATION sensor
data, Remote Sens. Environ., 82, 335-348.

[55]- Yang M.D., Yang Y.F., and Hsu S.C., 2004, Application of remotely sensed data to
the assessment of terrain factors affecting the Tsao-Ling landside, Canadian Journal of
Remote Sensing, Vol. 30, No. 4, pp. 593-603.

[56]- Yang, M.D., Su T.C., Hsu C.H., Chang K.C., et Wu A.M.,2007, Mapping of the 26
December 2004 tsunami disaster by using FORMOSAT-2 images, International Journal of
Remote Sensing, Vol. 28, Nos. 13-14, pp. 3071-3091.

107
[57]- Yang M.D., Yang Y.F., et Hsu S.C., 2004, Application of remotely sensed data to the
assessment of terrain factors affecting the Tsao-Ling landside, Canadian Journal of Remote
Sensing, Vol. 30, No. 4, pp. 593-603.

MOD09A1

http://gcmd.nasa.gov/KeywordSearch/Metadata.do?Portal=GCMD&MetadataType=0&Met
adataView=Full&Key wordPatti=&EntryId=MOD09A 15

Generic map tools:

http://gmt.soest.hawaii.edu/

LifeBrid International:

http://www.birdlife.org/datazone/sites/index.html?action=SitHTMDetails.asp&sid=6941
&m=0

Direction Générale de Ressource en Eau (DGRE-Tunisie)

Institut National de la Météorologie (INM-Tunisie)

108