République de Côte d’Ivoire Ministère de l’Enseignement Supérieur et de la

Union – Discipline – Travail Recherche Scientifique

Mémoire pour l’obtention du

Diplôme de :

MASTER SCIENCES ET GESTION DE L’ENVIRONNEMENT

Option : Ecologie et Aménagement des

Écosystèmes Aquatiques
ANNÉE ACADÉMIQUE : 2022-2023

N° du candidat : CI 02 18 04 97 41
THEME
Nom : DIARRASSOUBA

Prénoms : Chaliau Ronald Alane DISTRIBUTION SPATIO-

Laboratoire : Laboratoire Environnement et TEMPORELLE DE LA

Biologie Aquatique (LEBA) CHLOROPHYLLE-a DANS LES

LACS ARTIFICIELS DE
YAMOUSSOUKRO A L’AIDE DES
JURY :
IMAGES SENTINEL-2
Président : M. N’GO Yao Alexis, Professeur
Titulaire, Université NANGUI ABROGOUA

Encadreur Scientifique : Mme NIAMIEN-

EBROTTIE Julie Estelle, Maître de Conférences,
Université NANGUI ABROGOUA

Examinateur : M. COULIBALY Talnan Jean

Honoré, Professeur Titulaire, Université NANGUI
ABROGOUA

Examinateur : M. TIGOLI Kophy, Assistant,

Université NANGUI ABROGOUA
 TABLE DES MATIERES
DEDICACE ......................................................................................................... iii

REMERCIEMENTS .......................................................................................... iv

LISTE DES TABLEAUX .................................................................................. vi

SIGLES ET ABBREVIATIONS ..................................................................... vii

RESUME ........................................................................................................... viii

ABSTRACT ........................................................................................................ ix

INTRODUCTION ............................................................................................... 1

CHAPITRE I : GENERALITES ....................................................................... 3

I.1 Généralité sur le milieu d’étude .................................................................. 4

I.1.1 Situation géographique ............................................................................................... 4

I.1.2 Relief et hydrographie ................................................................................................ 4

I.1.3 Climat et végétation .................................................................................................... 5

I.1.4 Description générale de l’environnement des lacs artificiels de la ville ................. 6

I.2 Généralité sur la Chlorophylle-a ................................................................. 8

I.3 Occupation du sol ......................................................................................... 8

I.3.1 Définition...................................................................................................................... 8

I.3.2 Utilisation ..................................................................................................................... 9

I.4 Télédétection.................................................................................................. 9
I.4.1 Définition...................................................................................................................... 9

I.4.2 Etapes de la télédétection ......................................................................................... 10

CHAPITRE II : MATERIEL ET METHODES .......................................... 12

II.1 Matériel ...................................................................................................... 13

II.1.1 Choix des lacs étudiés .............................................................................................. 13

i
 II.1.2 Acquisition et choix des images .............................................................................. 13

II.1.3 Matériel de terrain .................................................................................................. 15

II.1.4 Logiciels utilisés ....................................................................................................... 15

II.2 Méthodes .................................................................................................... 16

II.2.1 Détermination de la concentration de la chlorophylle-a au laboratoire ............ 16

II.2.2 Traitement des images ............................................................................................ 17

II.2.2.1 Correction radiométrique ................................................................................ 17

II.2.2.2 Composition colorée ......................................................................................... 17

II.2.2.3 Classification et évaluation .............................................................................. 17

II.2.2.4 Extraction de la masse d’eau ........................................................................... 18

II.2.2.5 Cartographie de la concentration de la chlorophylle-a ................................. 19

II.2.3 Organigramme méthodologique des différentes étapes ....................................... 20

CHAPITRE III : RESULTATS ET DISCUSSION ....................................... 21

III.1 Résultats.................................................................................................... 22
III.1.1 Occupation du sol ................................................................................................... 22

III.1.1.1 Classification supervisée de l’occupation du sol ........................................... 22

III.1.1.2 Analyse de la dynamique de l’occupation du sol .......................................... 24

III.1.2 Distribution spatiotemporelle de la chlorophylle-a ............................................ 27

III.1.3 Variation interannuelle du pourcentage de recouvrement ................................ 31

III.1.4 Comparaison des données de chlorophylle-a in-situ avec celles obtenues à

l’aide des images sentinel-2 ................................................................................................ 32

III.2 Discussion ................................................................................................. 34

CONCLUSION .................................................................................................. 36

REFERENCES BIBLIOGRAPHIQUES ........................................................ 38

ANNEXES .......................................................................................................... 46

ii
 DEDICACE

A mes chers parents,

Quoi que je dise ou que je fasse, je n’arriverai jamais à vous remercier comme il se doit.
C’est grâce à vos encouragements, vos bienveillances et votre présence à mes côtés, que
j’ai réussi ce respectueux parcours.

iii
 REMERCIEMENTS

Ce mémoire est le fruit des efforts fournis et des sacrifices consentis par plusieurs personnes
que je ne pourrai oublier de remercier.

Mes remerciements s’adressent d’abord à Dieu, créateur de toutes choses, pour son souffle et
tous ses innombrables bienfaits.

Je souhaite exprimer ma profonde reconnaissance au Professeur TANO Yao, Président de

l'Université NANGUI ABROGOUA, pour avoir fourni un cadre d'étude propice.

Mes remerciements vont également à l’endroit du Professeur GONE Droh Lanciné, Directeur
de l'Unité de Formation et de Recherche (UFR) des Sciences et Gestion de l'Environnement
(SGE), ainsi qu'au corps enseignant, pour leur participation active à notre formation.

Je tiens à rendre hommage au Professeur Allassane OUATTARA, Directeur du Laboratoire

d’Environnement et de Biologie Aquatique (LEBA), qui a bien voulu m’accueillir dans son
laboratoire et me donner l’opportunité d’apprendre.

J'adresse mes remerciements au Docteur NIAMIEN-EBROTTIE Julie Estelle, Maître de

Conférences à l'Université NANGUI ABROGOUA, pour sa disponibilité, son ardeur au travail
et aussi de m’avoir initié à la rigueur scientifique.

J’adresse également mes remerciements au Professeur N’GO Yao Alexis d’avoir accepté de
présider le jury de ce présent mémoire.

J’exprime ma profonde gratitude au Professeur COULIBALY Talnan Jean Honoré, Professeur

Titulaire et au Docteur TIGOLI Kophy, Assistant, pour avoir accepté de prendre part au jury
de ce mémoire.

J'exprime également mes remerciements et ma reconnaissance à tous les doctorants de l’UFR

SGE, en particulier, NANGOH Kouamé Martin, ETTIEN Affia Anne Florence, N’guessan
Kouacou Armand Georges, Touré Fanta et Silué Foungayêhê pour leur apport et leur soutien à
la réalisation de ce travail. Je tiens à remercier mes amis DOSSOU Lucette Foumike Otilia et
KRA Yao Lucien pour leur soutien.

Enfin, nous prions tous ceux dont les noms n’ont pas été mentionnés et qui reconnaîtront leur
travail dans les pages à venir d’accepter nos sincères remerciements.

iv
 LISTE DES FIGURES

Figure 1 : Localisation de la zone d’étude ................................................................................. 4

Figure 2 : Carte du réseau hydrographique et des altitudes de la ville de Yamoussoukro......... 5
Figure 3 : Diagramme ombrothermique de Yamoussoukro (Anoman et al., 2019)................... 6
Figure 4 : Images présentant des pratiques agricoles (A) et d'élevage (B) au bord des lacs
(Bonaventure et al., 2018) .......................................................................................................... 7
Figure 5 : Les différentes étapes de la télédétection (CCT, 2003). .......................................... 10
Figure 6 : Localisation des lacs étudiés .................................................................................... 13
Figure 7 : Matériels de terrain : Pompe à vide (A), Papiers filtre (B), Centrifugeuse (C),
spectrophotomètre (D).............................................................................................................. 15
Figure 8 : Organigramme des différentes étapes utilisées dans cette étude ............................ 20
Figure 9 : Evolution de l'occupation du sol de 2015 à 2023 .................................................... 25
Figure 10 : Evolution des superficies des classes d'occupation du sol de 2015 à 2023 ........... 26
Figure 11 : Distribution saisonnière du NDCI de 2018 et 2020............................................... 28
Figure 12 : Distribution interannuelle de la chlorophylle-a entre 2015 et 2023 ...................... 31
Figure 13 : Variation interannuelle du pourcentage de recouvrement des surfaces des lacs par
les macrophytes ........................................................................................................................ 32
Figure 14 : Résultat du test de corrélation entre NDCI et les concentration Chl-a
correspondantes obtenue au laboratoire .................................................................................. 33

v
 LISTE DES TABLEAUX

Tableau I : Répartition spatiale des lacs artificiels de Yamoussoukro ....................................... 7

Tableau II : Résolution spatiale, longueur d'onde des satellites 2A et 2B ............................... 14
Tableau III : Dates des images Sentinel-2 utilisées.................................................................. 15
Tableau IV : Description des classes d'occupation du sol ........................................................ 18
Tableau V : Correspondance entre les valeurs de NDCI et Chl-a (Mishra et al., 2012) .......... 19
Tableau VI : Matrice de confusion de la classification de l'image 2015.................................. 22
Tableau VII : Matrice de confusion de la classification de l'image 2019 ................................ 23
Tableau VIII : Matrice de confusion de la classification de l'image 2023 ............................... 23
Tableau IX : Résultats des concentrations mensuelles de la chlorophylle-a observées sur le
terrain et des valeurs NDCI ...................................................................................................... 32

vi
 SIGLES ET ABBREVIATIONS

% RM : Pourcentage de Recouvrement en Macrophytes

CCT : Centre Canadien de Télédetection
Chl-a : Chlorophylle-a
GIRE : Gestion Intégrée des Ressources en Eau
MNDWI : Modified Normalized Difference Water Index
NDCI : Normalised Difference Chlorophyll Index
NDWI : Normalized Difference Water Index
SAFE : Sentinel Application For Environment
SGE : Sciences et Gestion de l’Environnement
SIG : Système d’Information Géographique
UFR : Unité de Formation et de Recherche

vii
 RESUME

La qualité des eaux des lacs de Yamoussoukro nécessite un suivi fréquent et complet du fait
des nombreuses pressions anthropiques auxquelles elle est soumise. Les méthodes
traditionnelles d'échantillonnage sur le terrain de la chlorophylle-a, indicateur essentiel de la
biomasse phytoplanctonique et de la qualité des eaux, bien que fiables, sont limitées dans le
temps et dans l’espace. Afin de combler cette lacune, des images Sentinel-2 et l'indice de
chlorophylle par différence normalisée (NDCI) ont été utilisé dans cette étude pour
cartographier la distribution spatio-temporelle de la chlorophylle-a dans 8 lacs artificiels de
Yamoussoukro, de décembre 2015 à février 2023. Tout d'abord, une correction radiométrique
des images Sentinel-2 a été effectuée afin d'obtenir des réflectances de surface. Ensuite, l'indice
d'eau par différence normalisée et améliorée (MNDWI) a été utilisé pour extraire la masse d'eau
et suivre le recouvrement en macrophytes. Enfin, NDCI a été utilisé pour cartographier les
concentrations de chlorophylle-a. Les résultats obtenus ont démontré une forte corrélation
positive (R² =0,6) entre l'indice NDCI et les données de chlorophylle de terrain confirmant ainsi
la fiabilité de l'indice pour estimer la concentration de chlorophylle-a. La distribution de la
chlorophylle-a a varié d'un lac à un autre avec des pics observés dans les lacs 5 ; 8 et 9. Les
plus faibles concentrations ont été observées dans les lacs 1 et 10. La variation saisonnière a
été caractérisée par des concentrations élevées en saison sèche. En ce qui concerne la
distribution interannuelle, les concentrations les plus élevées ont été observées en 2022 et les
plus faibles en 2023. Cette étude apporte une contribution significative à la compréhension de
la dynamique de la chlorophylle-a dans ces lacs, tout en mettant en évidence la pertinence de
la télédétection pour la surveillance environnementale.

Mots clés : Distribution spatio-temporelle, Chlorophylle-a, phytoplancton, Télédétection,

Sentinel-2, Lacs artificiels de Yamoussoukro, Côte d’Ivoire.

viii
 ABSTRACT

The water quality of the Yamoussoukro lakes requires frequent and comprehensive monitoring
due to the many anthropogenic pressures to which they are subjected. Traditional field sampling
methods for chlorophyll-a, an essential indicator of phytoplankton biomass and water quality,
although reliable, are limited in time and space. To fill this gap, Sentinel-2 images and the
normalized difference chlorophyll index (NDCI) were used in this study to map the spatio-
temporal distribution of chlorophyll-a in 8 artificial lakes in Yamoussoukro, from December
2015 to February 2023. First, Sentinel-2 images were radiometric corrected to obtain surfaces
reflectances. Next, the Normalized and Enhanced Difference Water Index (NDWI) was used to
extract water mass and track macrophyte cover. Finally, NDCI was used to map chlorophyll-a
concentrations. Results showed a strong positive correlation (R² =0.6) between the NDCI index
and field chlorophyll data, confirming the reliability of the index for estimating chlorophyll-a
concentration. Chlorophyll-a distribution varied from lake to lake, with peaks observed in lakes
5, 8 and 9. The lowest concentrations were observed in lakes 1 and 10. Seasonal variation was
characterized by high concentrations in the dry season. In terms of inter-annual distribution, the
highest concentrations were observed in 2022 and the lowest in 2023. This study makes a
significant contribution to our understanding of chlorophyll-a dynamics in these lakes, while
highlighting the relevance of remote sensing for environmental monitoring.

keywords: Spatiotemporal distribution, Chlorophyll-a, Phytoplankton, Remote sensing,

Sentinel-2, Yamoussoukro artificial lakes, Ivory Coast.

ix
INTRODUCTION
 La qualité de l’eau en Afrique subsaharienne est souvent très mal connue en raison du
manque de suivis (Nyenje et al., 2010 ; Damania et al., 2019). De plus, la mise en place d'une
Gestion Intégrée des Ressources en Eau (GIRE) est encore à un stade préliminaire (GWP,
2000). Certains pays, tel que la Côte d'Ivoire sont confrontés à des problèmes de pollution d’eau.
Ces ressources en eau sont polluées par les eaux usées provenant de diverses sources telles que
les ménages, l’agriculture, l’élevage et d’autres activités humaines (Veronica et al., 2022).

Cette pollution va entrainer un enrichissement du milieu en élément nutritif. (Jiang et

Shen, 2006) Cet apport excessif de nutriments va par la suite favoriser la prolifération de plantes
aquatiques et d'algues, dont certaines peuvent indiquer le niveau de pollution des eaux. Dans ce
contexte, maintenir une bonne qualité de l'eau des lacs devient un enjeu crucial en mettant en
place un système de surveillance basé sur la chlorophylle-a, un pigment utilisé pour évaluer les
proliférations d'algues Merf, 2002).

Afin de remédier à cette situation il est nécessaire d’effectuer un suivi fréquent et complet
de la chlorophylle-a, indicateur de la biomasse phytoplanctonique et de la qualité de l’eau. En
effet, cette surveillance est effectuée par des méthodes traditionnelles d'échantillonnage sur le
terrain. Cependant, ces méthodes, bien que fiables sont limités dans le temps et dans l’espace,
en plus d'être coûteuses et chronophages (Fadel et al., 2016).

Face à ces limitations, la télédétection apparaît comme une solution innovante et

pragmatique grâce à des techniques permettant de caractériser les températures des eaux de
surface, les matières en suspension, la transparence de l'eau, la chlorophylle-a et la présence
d'efflorescences algales (Lindell et al., 1999 ; Kutser et al., 2005 ; Bresciani et al., 2009 ;
Matarrese et al., 2011). La ville de Yamoussoukro (Côte d’Ivoire), avec ses lacs et autres
plans d’eau n’est pas en marge de ce fléau d’eutrophisation. Les études antérieures se sont
intéressées à des aspects tels que l'eutrophisation (Parinet et al., 2000), la qualité physico-
chimique et la composition du phytoplancton (Nangoh et al., 2019). La présente étude portera
sur l'utilisation de la télédétection pour évaluer la qualité écologique des lacs de Yamoussoukro
à partir des phytoplanctons.

L'objectif général de cette étude est de cartographier la distribution de la chlorophylle-a

dans les lacs artificiels de la ville de Yamoussoukro à l’aide des images Sentinel-2 et de l'indice
NDCI sur la période de 2015 à 2023. Plus précisément, il s'agira de cartographier la répartition
spatiale de la chlorophylle-a dans les différents lacs (i) et d'établir des cartes de variabilité

1
saisonnière et interannuelle de la chlorophylle-a dans les lacs artificiels de la ville de
Yamoussoukro (ii).

Ce travail s’articulera autour trois parties. La première sera consacrée aux généralités
sur le milieu d'étude, la télédétection, l’occupation du sol et la chlorophylle-a, la seconde
portera sur le matériel et les méthodes d'étude et la troisième concernera les résultats et la
discussion. Des perspectives et des recommandations seront proposées à la suite de la
conclusion.

2
CHAPITRE I : GENERALITES
I.1 Généralité sur le milieu d’étude

I.1.1 Situation géographique

La ville de Yamoussoukro, localisée au centre de la Côte d’Ivoire entre 6°40’ et 7° de
latitude Nord et entre 5°10’ et 5°20’ de longitude Ouest, est la capitale politique de la Côte
d’Ivoire depuis 1983. La ville s'étend sur une superficie de 3496 km ² avec 14 quartiers
aménagés selon un plan orthogonal.

Figure 1 : Localisation de la zone d’étude

I.1.2 Relief et hydrographie

Le relief de la ville de Yamoussoukro est un peu accidenté, avec quelques plateaux dont
l’altitude moyenne varie entre 195 et 234 mètres. Yamoussoukro bénéficie d'un vaste réseau
hydrographique et dispose de dix (10) lacs aménagés qui cumulent aujourd’hui une superficie
de 129,32 hectares. Ce site urbain comprenant deux bas-fonds aménagés en lacs artificiels est
orienté dans la direction Nord-est et Sud-ouest. Dans l’ensemble, le site de la ville de
Yamoussoukro est légèrement vallonné entrecoupé de thalwegs.

4
 Figure 2 : Carte du réseau hydrographique et des altitudes de la ville de Yamoussoukro

I.1.3 Climat et végétation

La Côte d'Ivoire est la zone de transition entre le climat équatorial humide et le climat
tropical sec. Le pays peut être divisé en deux zones principales : le sud et le nord. Dans le sud,
c'est-à-dire en dessous d'une ligne horizontale passant par Yamoussoukro, le climat est
équatorial, donc très humide. La température est relativement constante, entre 29 et 32ºC. On
distingue quatre saisons principales:

‐ avril à mi-juillet : grande saison des pluies, avec de fréquentes précipitations et de nombreux
orages,

‐ mi-juillet à septembre : petite saison sèche, le ciel pouvant rester couvert,

‐ septembre à novembre : petite saison des pluies, avec quelques petites précipitations,

‐ décembre à mars : grande saison sèche, marquée par les alizés du nord (harmattan).

Dans la partie nord, le climat est tropical et plus sec, et les saisons sont moins marqués. La
température évolue généralement entre 28ºC et 37ºC. On distingue deux saisons principales :

5
‐ juin à septembre: grande saison des pluies, due aux alizés humides,

‐ octobre à mai : grande saison sèche (Anoman, 2020).

Figure 3 : Diagramme ombrothermique de Yamoussoukro (Anoman et al., 2019)

La ville de Yamoussoukro est recouverte par la savane pré-forestière. La végétation est

constituée de forêts mésophiles, savanes arbustives ou savanes avec rôti des arbres (Guillaume
et al., 2022). Des galeries forestières occupent les bas-fonds. Sur les sols sableux drainés,
apparaissent des peuplements de rôniers (Koffi et al., 2010).

I.1.4 Description générale de l’environnement des lacs artificiels de la ville

La ville de Yamoussoukro possède plusieurs lacs naturels non aménagés ainsi qu'un
système lacustre artificiel. Ces lacs ont été numérotés de 1 à 10 et l’environnement de ces lacs
est fonction de leur localisation. Les lacs aménagés occupent une superficie estimée à plus de
140 ha et sont pour la plupart contigus, principalement situés dans la partie centrale de la ville
et traversant de nombreux quartiers.

Pendant longtemps, ces lacs ont été une fierté de la ville et ont attiré de nombreux touristes
grâce à leur faune riche en caïmans. Cependant, la croissance démographique, les
aménagements urbains et environnementaux ont contribué à la pollution de 9 des 10 lacs de la
ville, ce qui représente 90% de l'environnement lacustre.

Cette pollution a considérablement réduit l'attractivité touristique de Yamoussoukro. Les

causes de la pollution des lacs sont multiples, allant des comportements des populations
environnantes à la gestion urbaine du système lacustre. Les lacs 1 et 7 sont totalement couverts

6
par des macrophytes, les autres le sont partiellement et leur profondeur est inférieure à 3 m en
général (Bonaventure et al., 2018).

A B

Figure 4 : Images présentant des pratiques agricoles (A) et d'élevage (B) au bord des lacs
(Bonaventure et al., 2018)

Tableau I : Répartition spatiale des lacs artificiels de Yamoussoukro

Nom des lacs Quartiers concernés Superficie (Hectares)

Lac 1 Assabou 15,47
Lac 2 Présidence 12,09
Lac 3 Présidence 6,87
Lac 4 Présidence 9,02
Lac 5 Energie-Dioulakro- Riviera 52,19
Lac 6 Petit Bouaké-Dioulakro 1,25
Lac 7 Dioulakro 1,12
Lac 8 Habitat-Nzuessy 10
Lac 9 Habitat-Nzuessy 10,93
Lac 10 Assabou-Nzuessy 10,38

7
I.2 Généralité sur la Chlorophylle-a
Le phytoplancton est le producteur primaire 1e plus prolifique de la planète et réside dans
les océans et les lacs. Bien qu'il soit de taille microscopique, il est d'une importance mondiale
car il produit environ la moitié de l'oxygène qui rend notre atmosphère respirable. Les
organismes phytoplanctoniques jouent donc un rôle crucial dans le maintien de la vie sur terre
et sont d'une grande importance pour les biologistes et les scientifiques qui étudient les cycles
biogéochimiques de la planète (Field et al., 1998). La chlorophylle-a est le pigment vert
photosynthétique présent dans toutes les plantes et bactéries photo-autotrophes. La
chlorophylle-a est le principal pigment de récolte de la lumière, responsable de la capture de la
majeure partie de la lumière du soleil nécessaire à la photosynthèse. La chlorophylle-a absorbe
fortement la lumière à des longueurs d'onde dans le bleu (près de 440 nm) et dans le rouge (près
de 670 nm) du spectre électromagnétique. Cela donne la teinte verte caractéristique des eaux
naturelles riches en phytoplancton (Matthews, 2017). En raison de la présence de la
chlorophylle-a dans le phytoplancton, y compris les algues et les bactéries, et de sa relation
positive significative avec la biomasse du le phytoplancton, la chlorophylle-a est utilisée dans
le monde entier comme indicateur du phytoplancton dans les eaux naturelles. Outre la facilité
avec laquelle elle peut être mesurée en laboratoire à partir de données de terrain, là ou à partir
de mesures directes basées sur la fluorescence, il est possible d'obtenir des informations sur la
qualité de l'air et de l'eau régulièrement mesurée dans les programmes de surveillance de la
qualité de l'eau par les agences gouvernementales du monde entier (Gregor et al., 2004).

I.3 Occupation du sol

I.3.1 Définition
Une carte d'occupation du sol représente la couverture physique observée de la végétation et
des constructions humaines dans une zone donnée. Elle se concentre uniquement sur les aspects
biophysiques de la surface étudiée. En revanche, la carte d'utilisation du sol prend en compte
les activités et actions entreprises par les hommes pour produire, modifier ou entretenir
certaines parties de la terre (Peeters, 2000). Cette dernière établit un lien direct entre
l'occupation du sol et les activités humaines dans l'environnement. Pour élaborer une carte
d'occupation du sol, on utilise une image des occupations du sol (land cover) basée sur une
spatio-carte, qui peut être un document cartographique comportant des images satellites
combinées éventuellement à des informations supplémentaires, ou une image brute. Le
processus consiste à attribuer à chaque pixel des propriétés similaires une classe qui définit le

8
type d'occupation du sol. Dans une classification supervisée, l'ensemble de ces classes est
préalablement défini. Les avantages d'une légende illustrant l'occupation du sol sont multiples.
Premièrement, les critères utilisés sont scientifiques, ce qui les rend objectifs et facilite leur
compréhension sans ambiguïté par les utilisateurs de la carte. Il s'agit d'un langage standard et
générique, offrant une base solide pour l'analyse. Cependant, un inconvénient majeur de ce
langage scientifique est qu'il n'est pas accessible à tous. Pour rendre la légende plus accessible
à un public plus large, on peut opter pour une légende basée sur l'utilisation du sol. Ce langage
plus courant et familier peut être plus compréhensible pour le grand public. Toutefois, il est
important de noter que cette approche basée sur l'utilisation du sol peut également être plus
subjective et culturellement influencée. Cela peut être considéré comme un inconvénient, car
cela peut introduire des biais dans l'interprétation des données. (Gregorio et al., 2000).

I.3.2 Utilisation
La carte d'occupation du sol possède plusieurs utilisations. Tout d'abord, elle permet de dresser
un bilan des ressources présentes sur une surface donnée. De plus, lorsqu'elle est comparée à
des données antérieures équivalentes, elle permet d'analyser l'évolution et les changements de
la couverture du sol au fil du temps. Enfin, elle constitue une référence essentielle lors de la
préparation et de la réalisation d'enquêtes de terrain (Peeters, 2000).

I.4 Télédétection

I.4.1 Définition
la télédétection est une méthode qui permet de collecter des données sur la surface
terrestre en utilisant des capteurs embarqués sur des satellites, des avions ou des drones pour
mesurer l'énergie réfléchie ou émise (Ressources naturelles Canada, 2020).

La télédétection est une méthode qui utilise des techniques d'imagerie pour obtenir des
informations sur la surface terrestre, l'atmosphère et les océans sans qu'il soit nécessaire de les
toucher directement. Ce processus implique la capture et l'enregistrement de l'énergie d'une
information pour en faire usage ultérieurement (Kergomard, 2004).

Selon Soudani (2005), la télédétection est une méthode qui utilise un ou plusieurs
capteurs pour obtenir des informations sur un objet, une surface ou un phénomène sans avoir à
les toucher directement. Cette technique permet d'acquérir des données sans contact direct avec
l'objet, la surface ou le phénomène étudié.

9
 Ramade (2002) décrit la télédétection comme une technique qui utilise des satellites pour
examiner les grandes caractéristiques géographiques et écologiques des zones continentales et
océaniques de la biosphère. Cette méthode permet ainsi d'étudier les grandes zones sans avoir
à les parcourir directement sur le terrain.

I.4.2 Etapes de la télédétection

Lorsqu'une source d'énergie ou d'éclairage (A) émet un rayonnement, celui-ci doit
parcourir une certaine distance et interagir avec l'atmosphère (B) avant d'atteindre sa cible (C).
Pendant ce trajet, l'énergie peut interagir avec la surface cible qu'elle rencontre en fonction des
caractéristiques de rayonnement et des propriétés de la surface. En fait, le rayonnement est
dirigé vers le capteur (D), où il est soit réfléchi soit diffusé, puis enregistré et transmis
électroniquement à une station de réception (E), où les données sont transformées en images
(numériques ou photographiques). Pour obtenir des informations sur la cible, une interprétation
visuelle et/ou numérique de l'image (F) est nécessaire. Ensuite, l'information extraite de l'image
est utilisée pour mieux comprendre la cible, découvrir de nouveaux aspects ou résoudre des
problèmes particuliers (G) (Soudani, 2005).

Figure 5 : Les différentes étapes de la télédétection (CCT, 2003).

10
I.4.3 Caractéristiques des capteurs satellites

Les capteurs passifs détectent l’énergie lumineuse réfléchie sur la surface observée. Les
longueurs d’ondes principalement observées sont dans le visible, l’infrarouge et les micro-
ondes. Les capteurs passifs sont fortement utilisés pour observer l’eau, par exemple afin
d’observer la couleur de l’eau grâce aux longueurs d’ondes dans le visible ou encore pour
détecter la température de l’eau grâce aux mesures dans l’infrarouge. Les capteurs actifs sont
des dispositifs utilisés dans le domaine de la télédétection pour émettre un signal
électromagnétique vers une cible et enregistrer le signal réfléchi ou diffusé pour obtenir des
informations sur la cible. Ces capteurs utilisent alors des signaux radar, sonar ou Lidar pour
réaliser les mesures. Les capteurs actifs sont préférentiellement utilisés pour observer différents
paramètres parmi lesquels la topographie des océans, les courants de surface des mers ou encore
les pollutions de pétrole Soudani (2005).

La résolution spatiale, exprimée en mètres, mesure la surface de la Terre couverte par un pixel
sur une image satellite. Plus la résolution spatiale est grande, plus la surface couverte par un
seul pixel sera petite. La résolution temporelle, exprimée en jours, est aussi appelée le temps de
revisite d’un satellite et détermine l’intervalle de temps entre deux observations d’une même
localisation vue sous un angle identique. En effet, Elle représente la fréquence à laquelle des
échantillons ou des données sont collectés sur une période donnée. La résolution spectrale d’un
capteur, exprimée en nanomètres, est déterminée en fonction du nombre de gammes de
longueurs d’ondes, appelées "bandes", qu’il propose. Cette résolution décrit la capacité du
capteur à détecter de fins intervalles de longueur d’onde le long du spectre électromagnétique.
Plus les bandes visibles par le capteur sont étroites, plus la résolution spectrale est fine. Affiner
les bandes spectrales permet d’améliorer la différenciation de ce qui est observé par
télédétection. Enfin, la résolution radiométrique, exprimée en bits, décrit la capacité d’un
capteur à distinguer les différences d’énergie ou de radiance. Une résolution radiométrique
élevée signifie que le capteur est sensible aux faibles variations de radiance. La résolution
radiométrique est souvent exprimée en nombre de bits. Chaque bit représente une plage de
valeurs ou de niveaux que le capteur peut enregistrer. Par exemple, un capteur avec une
résolution radiométrique de 8 bits peut enregistrer 28 (256) niveaux de luminosité ou de couleur
différents, allant du noir au blanc ou entre différentes teintes de gris. Une résolution
radiométrique plus élevée, comme 16 bits, permet d'enregistrer une gamme plus large de
valeurs, offrant une plus grande précision dans la représentation des nuances de couleurs ou de
luminosité (Vinel et al., 2020).

11
CHAPITRE II : MATERIEL ET METHODES
II.1 Matériel

II.1.1 Choix des lacs étudiés

Les lacs artificiels de Yamoussoukro, numérotés de 1 à 10, sont sujets à une
contamination en cascade (des lacs 1 et 10 en amont vers les lacs 5 et 6 en aval). Ils sont soumis
à l'influence d'activités agricoles ou urbaines, ce qui entraîne des caractéristiques trophiques
différentes de leurs eaux. Dans cette étude, nous avons spécifiquement choisi les lacs (1, 2, 3,
4, 5, 8, 9 et 10) afin d'identifier la distribution spatio-temporelle de la chlorophylle-a, exposée
à différents types de pollution.

Figure 6 : Localisation des lacs étudiés

II.1.2 Acquisition et choix des images

Les images Sentinel-2 offrent une résolution spatiale de 10 mètres, permettant une
visualisation détaillée des lacs, notamment pour étudier les phytoplanctons qui peuvent
présenter une répartition hétérogène à petite échelle. Les satellites fournissent des données
régulières avec une revisite toutes les 5 jours, permettant de suivre les variations saisonnières

13
et interannuelle. La disponibilité d'une série temporelle sur une longue période (Decembre
2015- Février 2023) permet d'analyser les tendances à plus long terme et de détecter les
évolutions saisonnières et annuelles. Les capteurs multispectraux de Sentinel-2 mesurent les
rayonnements réfléchis dans différentes bandes spectrales sensibles à la chlorophylle-a,
permettant d'estimer les concentrations de chlorophylle-a, indicatrices de la biomasse et de la
productivité des végétaux aquatiques.

Les images utilisées dans ce travail sont du type Sentinel-2A et 2B de niveau 1C et ont été
téléchargées sur le site : https://scihub.copernicus.eu/. Après une analyse visuelle des données
disponibles, il est apparu que très peu d'images (11 images) couvrant notre zone d’étude étaient
utilisables. En effet, il y a une forte présence de nuages qui masquent la zone d’étude sur
certaines images, les rendant inutilisables. Par conséquence, pour le suivi de la distribution
interannuelle, un total de 9 images a été utilisé, une par année, pour évaluer la distribution de
la chlorophylle-a des lacs. Les années 2018 et 2020 ont bénéficié de deux images par an,
permettant une analyse saisonnière plus détaillée.

Tableau II : Résolution spatiale, longueur d'onde des satellites 2A et 2B

Résolution spatiale Bande Sentinel 2A Sentinel-2B

Longueur de Longueur de
bande (nm) bande (nm)
10 m B2 - Bleu 496.6 492.1
B3 - Vert 560.0 559
B4 - Rouge 664.5 665
B8 - PIR 835.1 833
20 m B5 - Vegetation red edge 703.9 703.8
B6 - Vegetation red edge 740.2 739.1
B7 - Vegetation red edge 782.5 779.7
B8A - Vegetation red edge 854.8 864
B11 - MIR 1613.7 1610.4
B12 - MIR 2202.4 2185.7
60 m B1 - Aérosol 443.9 442.3
B9 - Vapeur d’eau 945.0 9.43.2
B10 - MIR - Cirrus 1373.5 1376.9

14
Tableau III : Dates des images Sentinel-2 utilisées

30 Décembre 2015 18 Mai 2018 18 Décembre 2021

24 Décembre 2016 10 Octobre 2019 17 Janvier 2022

09 Décembre 2017 07 Février 2020 21 Février 2023

24 Décembre 2018 02 Mai 2020

II.1.3 Matériel de terrain

A B

C D

Figure 7 : Matériels de terrain : Pompe à vide (A), Papiers filtre (B), Centrifugeuse (C),
spectrophotomètre (D).

L'eau filtrée a été pompé à l’aide d’une pompe à vide (A) dans laquelle se trouvait du papier
Whatman de porosité 0,7μm et de diamètre 47mm (B). Une centrifugeuse LMC-4200
4200RPM (C) a permis de faire la séparation des constituants des solutions. Un
spectrophotomètre UV-Vis ST-UV-1900PC (D) a permis de lire les différentes densités
optiques au laboratoire.

II.1.4 Logiciels utilisés

 ACOLITE Python (version 20221114)

ACOLITE est le logiciel de traitement développé à l’Institut Royal des Sciences Naturelles
de Belgique (IRSNB) pour les applications des données satellitaires métriques et
décamétriques, entre autres Landsat (5/7/8/9), Sentinel-2 (A/B), Pléiades et PlanetScope. Il a

15
été utilisé dans cette étude pour effectuer les corrections atmosphériques.
(https://github.com/acolite/acolite)

 QGIS (version 3.28.7)

QGIS (Quantum GIS) est un logiciel open-source de systèmes d'information géographique

(SIG) qui permet de visualiser, gérer, analyser et éditer des données géospatiales. Il a été utilisé
dans cette étude pour calculer le MNDWI, les pourcentages de recouvrement et cartographier
de l’indice NDCI.

II.2 Méthodes
La démarche méthodologique utilisée dans cette étude comprend trois (3) étapes :

Tout d'abord, des échantillons d'eau sont prélevés (sur le terrain) dans les lacs, puis ils sont
analysés au laboratoire pour mesurer la concentration de chlorophylle-a, en utilisant la méthode
de Lorenzen (1967). Ensuite, les images Sentinel-2 sont acquises et soumises à une correction
radiométrique pour obtenir des réflectances de surfaces. Cette étape est suivie de l’extraction
des limites de la masse d'eau libre des images corrigées. La dernière étape concerne la
réalisation des cartes d’occupation du sol à l’aide de la classification supervisée et celle des
cartes de la distribution spatio-temporelle de l'indice NDCI.

II.2.1 Détermination de la concentration de la chlorophylle-a au laboratoire

La concentration de chlorophylle-a a été obtenue à partir de la méthode de Lorenzen
(1967). Pour cette méthode, une fraction d'eau de 60 ml, a été prélevée et injectée dans le filtre
à vide contenant le papier Whatman GF/F (0,7 μm de porosité et 47 mm de diamètre). Le filtrat
obtenu a été conservé dans de l'acétone 90 % pour l'extraction de la chlorophylle-a. La teneur
a été obtenue à partir des lectures effectuées à différentes longueurs d'ondes au
spectrophotomètre (665 et 750 nm avant et après acidification), après la centrifugation, les
concentrations de la chlorophylle-a sont obtenues par la formule suivante :

26,7×(𝐄𝟏−𝐄𝟐)×𝐕 Équation (1)

Concentration de Chl-a =
𝒍 ×𝐕𝐠

E1 = absorbance avant acidification (DO 665 - DO 750)

E2 = absorbance après acidification (DO 665 – DO 750)

V: volume d'acétone (ml)

16
Vg: volume d'eau filtrée (ml)

l : longueur du trajet optique de la cuve (cm).

II.2.2 Traitement des images

II.2.2.1 Correction radiométrique

Les scènes Sentinel-2 de niveau de traitement 1C au format SAFE est une image
monodate ortho-rectifiée, exprimée en réflectance au sommet de l’atmosphère, calibrée en
projection Universal Transverse Mercator (UTM) avec le datum WGS84. Dans cette étude,
toutes les données Sentinel-2 de niveau 1C ont subi une correction radiométrique dans
ACOLITE. La sortie principale de niveau 2A est une image monodate, orthorectifiée, exprimée
en réflectance de surface. ACOLITE est un processeur AC développé pour les eaux côtières et
intérieures et applicable au traitement d'images Landsat 8 OLI et S2 MSI haute résolution pour
donner des résultats (réflectance de sortie d'eau) sur des plans d'eau extrêmement troubles,
étroits et petits. ACOLITE a été choisi car il reproduit mieux la forme des spectres de
réflectance. De plus, ACOLITE est plus flexible dans la configuration que les plugins SNAP
(Assegide et al., 2023).

II.2.2.2 Composition colorée

La composition colorée a consisté à combiner des informations que contiennent trois bandes en
les affichant simultanément dans les trois couleurs primaires (rouge, vert et bleu). L’objectif de
cette opération est d’avoir une synthèse d’informations en vue de faire une bonne discrimination
des types de formations végétales. Au terme de plusieurs combinaisons, la composition colorée
B04-B03-B02 et B08-B04-B02 ont été choisi, car elles présentent les meilleures
discriminations des types d’occupation du sol (Oszwald, 2005). En effet, la combinaison B08-
B04-B02 permet de détecter les terres couvertes de plantes apparaissent en rouge foncé. La
croissance végétale plus dense est rouge plus foncé. Les villes et les sols exposés sont gris ou
beiges, et l'eau apparaît bleue ou noire. La combinaison B04-B03-B02 donne un résultat de
couleur naturelle, qui est une bonne représentation de la terre comme les humains le voir
naturellement (Patra et al., 2006).

II.2.2.3 Classification et évaluation

La connaissance approfondie de la zone d'étude a permis d'opter pour une classification
supervisée, où le même traitement est appliqué à chaque pixel indépendamment de ses voisins.
L'algorithme Maximum de Vraisemblance (Maximum Likelihood) a été choisi pour la
classification. Cette méthode calcule la probabilité qu'un pixel appartienne à une classe donnée

17
et l'affecte à la classe ayant la probabilité la plus élevée. Toutefois, si la probabilité ne dépasse
pas un seuil prédéfini, le pixel est classé comme "inconnu". Par la suite, la qualité de la
classification obtenue a été évaluée en utilisant les paramètres calculés par la matrice de
confusion, tels que la précision globale et le coefficient Kappa, conformément aux travaux de
Liang et al. (2020). La matrice de confusion également appelée tableau de contingence, est un
outil affichant les statistiques de la précision de la classification d'une image, en révélant le
degré de classification erronée parmi les différentes classes. Elle est exprimée en nombre de
pixels et en pourcentage. En outre, d'autres mesures synthétiques de la fiabilité de la
classification peuvent être calculées, telles que la précision pour l'utilisateur, la précision pour
le réalisateur, ainsi que les erreurs d'omission et de commission, conformément aux travaux de
Congalton (1991).

Tableau IV : Description des classes d'occupation du sol

Classes d’occupation du sol Description

Eaux Ceux sont les lacs et cours d’eau permanents
Sol nu / habitation Il s’agit des zones urbanisées, les terrains
couverts de bâtiments et d’autres structures
artificielles, mais aussi les terrains vides sans
végétations
Zone de jachère / culture C’est une terre agricole ou terre agricole
laissée en repos temporaire, sans culture afin
de permettre à la terre de se régénérer et de
restaurer sa fertilité naturelle
Zone forestière et arbustive Ceux sont des écosystèmes caractérisés par
une végétation dense et abondante ou des
écosystèmes caractérisés par la présence
d’arbustes.

II.2.2.4 Extraction de la masse d’eau

Les méthodes couramment utilisées pour extraire les masses d'eau comprennent l'indice
d'eau par différence normalisée (NDWI) et l'indice d'eau par différence normalisée et améliorée
(MNDWI). Le NDWI est calculé à partir des bandes verte et rouge et est souvent utilisé pour
différencier l'eau de la végétation en exploitant leurs propriétés de réflectance dans le proche

18
infrarouge. Cependant, le NDWI peut conduire à des erreurs d'extraction en confondant l'eau
avec les bâtiments et le sol environnants, entraînant ainsi une surestimation de la surface d'eau
extraite. Dans cette étude nous avons utilisés le MNDWI car il est une méthode améliorée par
rapport au NDWI pour l'extraction des masses d'eau. En utilisant la bande infrarouge à ondes
courtes, le MNDWI permet de réduire les confusions avec les bâtiments et le sol, améliorant
ainsi la précision de l'extraction des plans d'eau. Son application sur la plate-forme GEE offre
des résultats prometteurs pour la détection précise des surfaces d'eau (Assegide et al., 2023).
L'équation peut être exprimée comme suit :

(Bande 3(GREEN)−Bande 11(SWIR)) Équation 2

𝑀NDWI = (Bande
3(GREEN)+Bande 11(SWIR))

II.2.2.5 Cartographie de la concentration de la chlorophylle-a

Après avoir délimité et extrait les surfaces d’eau libre, nous avons appliqué l'indice de
chlorophylle par différence normalisée pour estimer 1a concentration de chlorophylle-a dans
les lacs dans le logiciel Qgis.

(Bande 5(NIR)−Bande 4(RED)) Équation 3

NDCI =
(Bande 5(NIR)+Bande 4(RED))

L’'indice de chlorophylle par différence normalisée (NDCI) a été proposé par Mishra et
al. (2012) pour estimer la concentration de chlorophylle-a à partir des données de télédétection
des eaux productives turbides estuariennes et côtières. Les résultats de l'étalonnage et de la
validation ont été dérivés et simulés avec des ensembles de données MERIS. Ces résultats ont
démontré une application potentielle à une grande variété de types d'eau dans différentes
régions géographiques. Le NDCI a été développé en prenant la différence de bande spectrale à
708 nm et 665 nm. En normalisant la somme de leur réflectance, il élimine les incertitudes liées
aux différences saisonnières d'azimut solaire et aux contributions atmosphériques à ces
longueurs d'onde.

Tableau V : Correspondance entre les valeurs de NDCI et Chl-a (Mishra et al., 2012)

Gamme de NDCI Gamme de Chl-a (µg/L)

< -0.1 < 7.5
-0.1 à 0 7.5 à 16
0 à 0.1 16 à 25

19
 0.1 à 0.2 25 à 33
0.2 à 0.4 33 à 50
0.4 à 0.5 > 50

II.2.3 Organigramme méthodologique des différentes étapes

Acquisition des images

Sentinel-2 (niveau 1C)

Correction

radiométrique
Détermination de

Réflectances de surface (niveau 2A) la concentration de

chlorophylle-a au
laboratoire
MNDWI

Composition colorée et
Extraction de la classification supervisée par
masse d’eau maximum de vraisemblance

NDCI

Cartographie Pourcentage des Cartes d’occupation

de la surfaces du lac du sol
concentration
couvertes par les
de la
chlorophylle-a macrophytes

Vérification des résultats obtenus par images avec ceux obtenus sur le terrain

Figure 8 : Organigramme des différentes étapes utilisées dans cette étude

20
CHAPITRE III : RESULTATS ET DISCUSSION
III.1 Résultats

III.1.1 Occupation du sol

III.1.1.1 Classification supervisée de l’occupation du sol

Les images Sentinel-2 ont été classifiées en utilisant les compositions de bandes spectrales 4-
3-2 et 8-4-3, permettant de caractériser globalement quatre types d'unités paysagères : Eaux,
sol nu / habitation (SH), zone de jachère / cultures (ZJ) et zone forestière / arbustive (ZF). Les
matrices de confusion des classifications pour les années 2015, 2019 et 2023 sont présentées
dans les tableaux VI, VII et VIII respectivement. Les précisions cartographiques globales et les
indices de Kappa pour chaque image obtenus après la classification sont satisfaisants.
Cependant, des confusions existent entre certaines classes à la suite de la classification des
images.

Les matrices montrent des précisions cartographiques globales de 95,92 % pour l'image de
2015, 98,73 % pour l'image de 2019 et 98,30 % pour celle de 2023. Les valeurs en gras sur la
diagonale correspondent aux taux de pixels correctement classés pour chaque type d'occupation
du sol. Les valeurs hors de la diagonale indiquent les taux de pixels mal classés, c'est-à-dire les
pixels attribués à une classe à laquelle ils n'appartiennent pas. Ces erreurs de classification
résultent généralement de confusions spectrales entre les différentes classes.

Tableau VI : Matrice de confusion de la classification de l'image 2015

Classes Eaux ZJ ZF SH
Eaux 100 5.43 0.00 1.43
ZJ 0.00 91.70 10.09 7.04
ZF 0.00 2.57 89.91 3.16
SH 0.00 0.30 0.00 88.37
TOTAL 100 100 100 100
Précision globale : 95,92 % ; Indice de Kappa : 0.94

La matrice de confusion de l'image de 2015 (Tableaux VI) démontre une classification

globalement satisfaisante de l'image. Cependant, quelques erreurs de classification ont été
observées. Les confusions les plus significatives ont été constatées entre les classes ZF (zone
forestière / arbustive) et ZJ (zone de jachère / cultures), avec 10,09 % de ZJ confondues avec

22
ZF. Néanmoins, la classe des eaux a obtenu le meilleur taux de précision cartographique avec
100 %.

Tableau VII : Matrice de confusion de la classification de l'image 2019

Classes Eaux ZJ ZF SH
Eaux 100 0,00 0.00 0,48
ZJ 0.00 95,97 5.18 9,34
ZF 0.00 4,03 94.82 5,09
SH 0.00 0,00 0.00 85,09
TOTAL 100 100 100 100
Précision globale : 98,73 % ; Indice de Kappa : 0.98

La matrice de confusion de l'image de 2019 (Tableaux VII) indique une bonne classification
globale de l'image. Cependant, quelques erreurs de classification ont été observées. Les
confusions les plus importantes ont été constatées entre les classes ZJ (zone de jachère /
cultures) et SH (sol nu / habitation), avec 9,34 % de ZJ confondues avec SH. Néanmoins, les
classes des eaux et ZJ ont obtenu les meilleurs taux de précision cartographique avec
respectivement 100 % et 95,97 %.

Tableau VIII : Matrice de confusion de la classification de l'image 2023

Classes Eaux ZJ ZF SH
Eaux 99,56 0,00 0.00 0,00
ZJ 0.00 98,48 0,00 0,00
ZF 0.41 0,89 100 0,00
SH 0.03 0,63 0.00 100
TOTAL 100 100 100 100
Précision globale : 98,30 % ; Indice de Kappa : 0.98

Le tableau VIII montre des confusions spectrales très faibles entre les classes en général. Les
meilleures distinctions se remarquent principalement au niveau des classes des eaux avec un
taux de 100 %, de la zone de jachère / cultures avec un taux de précision de 98,5 % et de la
zone forestière / arbustive avec un taux de précision de 100 %. Ces classes ont été bien
différenciées et présentent une classification précise.

23
 III.1.1.2 Analyse de la dynamique de l’occupation du sol
Les cartes d'occupation du sol pour les années 2015, 2019 et 2023, résultant de la classification
des images Sentinel-2, sont présentées sur la figure 9. Une analyse de la figure 9 entre 2015 et
2019 montre une régression marquée des proportions de sol nu / habitations. Cette régression
s'est produite au profit des proportions de zone de jachère / cultures et de zone forestière /
arbustive. La proportion d'eau a également légèrement augmenté. De 2019 à 2023, les
proportions d'eau ont régressé au profit des proportions de zone de jachère / cultures, tandis que
les proportions de zone forestière / arbustive ont régressé au profit des proportions de sol nu /
habitations. Cette dégradation importante du couvert végétal et des surfaces d'eau s'explique
par une extension considérable des zones de jachère / cultures et des sols nus / habitations. Cette
expansion des activités humaines aux dépens des zones naturelles a entraîné une modification
significative du paysage, avec des conséquences sur l'équilibre écologique et la disponibilité
des ressources naturelles.

24
Figure 9 : Evolution de l'occupation du sol de 2015 à 2023

25
 70

60
Superficie des classes (%)

50

40

30

20

10

0
Année 2015 Année 2019 Année 2023
Classes

Eaux Zone forestière / arbustive

Zone de jachère / cultures Sol nu / habitations

Figure 10 : Evolution des superficies des classes d'occupation du sol de 2015 à 2023

Cette figure indique 2 tendances d’évolutions :

 De 2015 à 2019, on note une augmentation des superficies des eaux, zone forestière /
arbustive et zone de jachère / cultures qui passent respectivement de 113,72 Hectares
(1,25 %) à 123,98 hectares (1,36 %), de 1832,95 Hectares (20,09 %) à 3506,69 Hectares
(38,44 %) et de 1566,3 Hectares (17,17 %) à 1328,17 hectares (14,56 %). D’autre part,
on observe une diminution des superficies de sol nu / habitations qui passent de 5609,37
Hectares (61,49 %) à 4163,43 Hectares (45,64 %).

 De 2019 à 2023, on note une diminution des superficies des eaux, zone forestière /
arbustive et zone de jachère / cultures qui passent respectivement de 123,98 Hectares
(1,36 %) à 84,35 hectares (0,92 %), de 3506,69 Hectares (38,44 %) à 1533,3 Hectares
(16,81 %) et de 1328,17 Hectares (14,56 %) à 1076,49 hectares (11,8 %). D’autre part,
on observe une augmentation des superficies de sol nu / habitations qui passent de
4163,43 Hectares (45,64 %) à 6428,13 Hectares (70 %).

26
 III.1.2 Distribution spatiotemporelle de la chlorophylle-a
Les cartes de la figure 11 et 12 mettent en évidence la distribution spatiale, saisonnière
et interannuelle de la concentration de chlorophylle-a à travers l'indice NDCI. Tout au long de
cette étude, les valeurs de l’indice NDCI (annexe 1) varient d’un lac à un lac et sont toujours
supérieures à 0,1 sauf dans le lac 1 qui est complètement couverte par les macrophytes en 2015,
2016, 2018, 2020, 2021 et 2022.

Pendant les deux saisons sèches, tous les lacs présentent des valeurs d’indice élevées (>
0.2) sauf le lac 1 couverte par les macrophytes. Pendant les saisons des pluies, les valeurs les
plus élevées sont observées dans tous les lacs également sauf les lacs 2, 5 et 9 qui présentent
des valeurs d’indices NDCI moyennes (0.1 > NDCI < 0.2). Mais les saisons sèches présentaient
des valeurs d’indice moyen plus élevées que les deux saisons des pluies analysées.

L’analyse interannuelle présentée par la figure 12 montre des valeurs d’indice qui varie
d’une année à une. En 2015, les valeurs d’indice les plus élevées sont observées dans les lacs
2, 3, 4 et 5. Les valeurs d'indice moyen sont principalement observées dans les lacs 8, 9 et 10.
En 2016, les valeurs d’indice les plus élevées sont observées dans les lacs 3, 4 et 5, 8. Les
valeurs d’indice moyen sont observées dans les lacs 2, 9, 10. En 2017, les valeurs d’indice les
plus élevées sont observées dans les lacs 2 ; 3 ; 4 ; 5 ; 8 et 10. Les valeurs d’indice moyen sont
observées uniquement dans le lac 9. En 2018, les valeurs d’indice les plus élevées sont
observées dans les lacs 2 ; 3 ; 4. Les valeurs d’indice moyen sont observées 5 ; 8 ; 9 et 10. En
2019, les valeurs d’indice les plus élevées sont observées dans les lacs 3 ; 4 ; 5 ; 8 ; 9 et 10. La
valeur d’indice moyen est observée dans le lac 2 et la valeur d’indice faible dans le lac 1. En
2020, des valeurs d’indice élevées sont observées dans les lacs. En 2021, les valeurs d’indice
les plus élevées sont observées dans les lacs 2 ; 8 et 9. La valeur d’indice moyen est observée
sur le lac 5. En 2022, les valeurs d’indice les plus élevées sont observées dans les lacs 2 ; 5 ; 8
et 9. Au cours de la période de 2023, les valeurs d’indices NDCI moyen sont observées dans
les lacs 5, 8, 9 et 10. Les valeurs d’indices les plus faibles (< 0.1) sont observés dans les lacs 1,
2, 3 et 4.

27
Figure 11 : Distribution saisonnière du NDCI de 2018 et 2020

28
29
30
Figure 12 : Distribution interannuelle de la chlorophylle-a entre 2015 et 2023

III.1.3 Variation interannuelle du pourcentage de recouvrement

Les pourcentages de couverture des macrophytes (annexe 2) varient d'un lac à l'autre et
d'une année à l'autre (figure 13). Généralement on constate que les lacs 1, 3, 5 et 10 ont des
pourcentages de recouvrement plus élevés que les autres entre 2015 à 2021 et le lac 1 qui a
maintenu une couverture élevée des macrophytes entre 60% et 100%, mais a connu une
diminution de 100% en 2015 et 2016 à 60% en 2023.

Le lac 2 a montré une tendance à la diminution de la couverture, passant de 8% en 2015

à seulement 2% en 2023, avec des variations importantes entre les années intermédiaires. Le
lac 3 a présenté une stabilité relative, oscillant entre 21% et 27% jusqu'en 2018. Ensuite, la
couverture est passée à 100% en 2021 et 2022, pour redescendre à 5% en 2023. Le lac 4 a
montré des variations légères, oscillant entre 7% et 22%, avec une couverture de 100% en 2021
et 2022, puis redescendant à 8% en 2023. Le lac 5 a connu des variations importantes, passant
de 40% en 2015 à 2% en 2023, avec un pic de 79% en 2021. Le lac 8 a montré une tendance
générale à la diminution, passant de 90% en 2015 à 12% en 2023, mais a connu une
augmentation temporaire en 2021 et 2022. Le lac 9 a présenté des variations importantes,
passant de 12% en 2020 à 87% en 2016, puis diminuant progressivement à 9% en 2023. Le lac

31
10 a montré des fluctuations significatives, oscillant entre 45% et 100%, avec une couverture
de 100% en 2021 et 2022, puis descendant à 20% en 2023.

100

90
Recouvrement des macrophytes (%)

80

70

60

50

40

30

20

10

0
2015 2016 2017 2018 2019 2020 2021 2022 2023

LAC 1 LAC 2 LAC 3 LAC 4 LAC 5 LAC 8 LAC 9 LAC 10

Figure 13 : Variation interannuelle du pourcentage de recouvrement des surfaces des lacs

par les macrophytes

III.1.4 Comparaison des données de chlorophylle-a in-situ avec celles obtenues à l’aide
des images sentinel-2
Les concentrations de la chlorophylle-a issues du terrain (tableau IX) ont été utilisées
pour vérifier les résultats obtenus avec les images sentinel-2. La figure 14 montre une forte
corrélation positive (R² = 0,6) entre les valeurs d’indice NDCI et celle de la chlorophylle-a
mensuelle obtenues au laboratoire. En effet, le modèle de régression linéaire montre une
tendance positive, selon laquelle les résultats sur le terrain est proportionnelle à l’indice NDCI.

Tableau IX : Résultats des concentrations mensuelles de la chlorophylle-a observées sur

le terrain et des valeurs NDCI

26 Décembre 2015 20 Décembre 2016

Chl-a (µg/L) Lac 5 Lac 8 Lac 9 Lac 10 Lac 5 Lac 8 Lac 9 Lac 10
268 255 178 61,5 232,7 204 180,8 133,5
NDCI 0,28 0,15 0,14 0,13 0,22 0,24 0,12 0,13

32
 y = 620.1x + 90.333
300
R² = 0.60
Chl-a (in situ) 250

200

150

100

50

0
0 0.05 0.1 0.15 0.2 0.25 0.3
NDCI

Figure 14 : Résultat du test de corrélation entre NDCI et les concentration Chl-a

correspondantes obtenue au laboratoire

33
III.2 Discussion
En utilisant une série de classifications sur trois images satellitaires Sentinel-2 (2015 à 2023),
une approche cartographique de l'occupation du sol a été mise en œuvre pour établir les cartes
correspondantes. Les classifications réalisées à l'aide de l'algorithme du maximum de
vraisemblance ont abouti à des valeurs de précision globale très satisfaisantes pour toutes les
images, en accord avec les échelles de Pointus (2000) et de Kabba et Li (2011), avec des
coefficients de Kappa compris entre 0,84 et 0,98.
Ces coefficients de Kappa élevés pourraient être expliqués par la connaissance approfondie du
milieu d'étude, comme le suggèrent les recherches menées par (Donker, 1993). Cependant, il
est également possible que les précisions cartographiques élevées soient attribuables au nombre
restreint de classes utilisées lors de la classification, conformément aux observations de Mama
et al. (2014). En somme, cette approche cartographique a obtenu des résultats de grande qualité
grâce à l'utilisation de l'algorithme du maximum de vraisemblance et à une bonne connaissance
du milieu d'étude, tout en gardant à l'esprit l'influence potentielle du nombre de classes utilisées
pour interpréter correctement les résultats.
Dans cette étude, la distribution spatio-temporelle de la chlorophylle-a dans les lacs artificiels
de Yamoussoukro en utilisant également des images Sentinel-2 et l'indice NDCI ont été
examinés. Les résultats obtenus montrent une corrélation positive (R² =0,6) entre les valeurs
d'indice NDCI des images Sentinel-2 et les concentrations de chlorophylle-a mesurées sur le
terrain. Cela confirme le potentiel des images Sentinel-2 et de l'indice NDCI pour surveiller la
chlorophylle-a dans les lacs eutrophes et hypereutrophes. Ces résultats corroborent avec ceux
de Mishra et al., 2012; Mishra et al., 2014; Mishra et al., 2017 ; Buma et al., 2010 qui dans
leurs études ont montré le potentiel du NDCI pour quantifier la concentration de chl-a dans des
milieux productifs turbides optiquement complexes.
L'analyse spatiale de l'indice NDCI révèle une abondance générale de la biomasse
phytoplanctonique dans tous les lacs, avec des valeurs d'indice NDCI constamment supérieures
à 0,1. Les plus grandes valeurs d’indice sont observées dans les lacs 4 ; 5 et 8. Cette abondance
de biomasse phytoplanctonique peut être attribuée aux lessivages constants provenant des
activités agricoles environnantes et au drainage des eaux usées dans les lacs. Des études
antérieures ont également soutenu cette observation (N'guessan et al., 2011; Nangoh et al.,
2019; Kra et al., 2012). Les plus faibles indices sont observés dans les lacs 1 et 10, avec des
recouvrements en macrophytes élevées. Ceci peut être expliqué par la couverture des
macrophytes qui joue un rôle significatif dans la distribution de la chlorophylle-a. Les

34
macrophytes agissent comme des concurrents pour les nutriments et la lumière, ce qui influence
la croissance et la répartition des algues dans les lacs (Noel, 2012).
L’analyse saisonnière indiquent les plus fortes valeurs d’indice pendant les saisons sèches
Ces variations observées dans les lacs peuvent être associées aux changements des conditions
environnementales et des cycles biologiques des organismes aquatiques. Pendant les deux
saisons sèches, tous les lacs présentent des valeurs d'indice élevées, suggérant une augmentation
probable du phytoplancton. Cela peut être dû à des conditions favorables telles qu'une intensité
lumineuse plus élevée et des précipitations réduites (Kutser et al., 2016).
Pendant les saisons des pluies, les faibles valeurs d'indice observées dans les lacs peuvent
expliquées par les fortes pluies qui diluent les nutriments et la turbidité élevée dans ces lacs,
comme indiqué dans l'étude de (Ha et al., 2017).
Les variations interannuelles observées dans les valeurs d'indice peuvent être influencées
par plusieurs facteurs, notamment les conditions climatiques, hydrologiques et anthropiques
(Parinet et al., 2000).
En effet, on observe les plus fortes indices pendant les années 2020, 2021 et 2022. Ces
fortes valeurs d’indice indiquent une prolifération intense de la biomasse phytoplanctonique.
Cela pourrait s’expliqué par la croissance des commerciales et agricole observées autours des
lacs pendant ces dernières années (Rocchini et al., 2018 ; Anoman, 2020). De plus, les
variations dans la couverture des macrophytes d'un lac à l'autre et d'une année à l'autre peuvent
être attribuées aux activités agricoles environnantes, qui utilisent des fertilisants, des engrais
chimiques et des herbicides (Kra et al., 2012).

35
CONCLUSION
 La présente étude nous a permis étudier la distribution spatio-temporelle de la
chlorophylle-a dans les lacs artificiels de Yamoussoukro. Les résultats obtenus ont montré que
les images sentinel-2 et l’indice NDCI permettent d'évaluer efficacement la distribution spatio-
temporelle de la chlorophylle-a. Nous avons constaté que les concentrations de chlorophylle-
a variaient d'un lac à l'autre. En outre, les lacs 5 (quartier Energie) ; 8 (quartier Habitat) et 9
(quartier N’zuessi) présentaient des concentrations les plus élevées en raison des apports de
nutriments provenant des activités agricoles avoisinantes et le drainage des eaux usées dans le
milieu. Cependant, les lacs 1 et 10 situés dans le quartier Assabou, présentaient les
concentrations les plus faibles en raison de leur couverture en macrophytes très souvent élevées.

La distribution saisonnière caractérisée par des concentrations plus élevées pendant les
saisons sèches par rapport aux saisons des pluies dues à l’intensité lumineuse élevée et aux
précipitations réduites. En ce qui concerne la distribution interannuelle, les concentrations les
plus élevées étaient observées en 2022 et les plus faibles en 2023, du au projet de réhabilitation
de ces lacs débuté le 28 Juillet 2022. Il est important de noter que notre étude présente certaines
limites, notamment la disponibilité limitée des données de terrain pour une validation précise.
De plus, notre analyse ne tient pas compte de plusieurs paramètres.

En perspectives :

Il serait intéressant d'instaurer une surveillance régulière de la chlorophylle-a dans les lacs de
Yamoussoukro en utilisant des images satellitaires, évitant ainsi des déplacements fréquents et
des dépenses excessives.

En somme, il est donc crucial de mettre en place une gestion intégrée des bassins versants
pour réduire les apports de nutriments provenant des activités agricoles avoisinantes et des eaux
usées dans les lacs. Et encouragez les mesures visant à contrôler les sources de pollution et à
préserver la qualité de l'eau des lacs. Cela permettrait de détecter rapidement les changements
dans la qualité de l'eau et d'identifier les zones présentant des concentrations élevées en
biomasse phytoplanctonique.
REFERENCES BIBLIOGRAPHIQUES
Appel, 2013. Carte introductive -Paramètres. Association pour la protection du lac st. Charles
et des Morais du Nord, Québec, 128 p.

Anoman T., 2020. Evaluation de la qualité des eaux lacustres d’arrosages de Yamoussoukro
(COTE D’IVOIRE) et impact sur la qualité sanitaire des cultures maraichères, Thèse
de Doctorat, Institut National Polytechnique Felix Houphouët Boigny, 225 p.

Assegide E., Hailu S., Degefie T., Maria V., Claire L., Tena A. & Gete Z., 2023.
"Spatiotemporal Dynamics of Water Quality Indicators in Koka Reservoir,
Ethiopia" Remote Sensing 15, (4): 1155.

Aw S., N’goran E., Siaka S. & Parinet B., 2011. “Intérêt de L’Analyse Multidimensionnelle
Pour L’évaluation de la Qualité Physico-Chimique de l’eau d’un Système Lacustre
Tropical: Cas des lacs de Yamoussoukro (Cote d’Ivoire),” Journal of Applied
Biosciences : 2573-2585.

Barbier R., Riaux J. & Barreteau O., 2010. Science réglementaire et démocratie technique.
Réflexion à partir de la gestion des pénuries d’eau, Natures Sciences Sociétés, (1) : 14-
23.

Benyamina F., 2013. Utilisation des données Géomatiques pour l’étude de la dégradation.

Bonaventure I., Anouman Y. & Tozan L., 2018. Lacs artificiels et risques sanitaires dans la
ville de Yamoussoukro, Espace Société Territoire, pp 63-75.

Bouhdjila T. & Bourouise K., 2008. Cartographie des panaches chlorophylliens de la zone
côtière Est de Jijel à partir d’une image satellitaire Landsat. Mémoire d’ingénieur
d’état en écologie végétal et environnement. Université de Jijel, 47p.

Bresciani M., Bolpagni R., Laini A., Matta E. & Bartoli M., 2013. Multitemporal analysis
of algal blooms with MERIS images in a deep meromictic lake. pp 445–458.

Buma W. & Sang-Il L., 2020. Evaluation of Sentinel-2 and Landsat 8 Images for Estimating
Chlorophyll-a Concentrations in Lake Chad, Africa. Remote Sensing 12, (15) : 2437.

39
Carpenter S., Stanley E., Vander Z. & M.J., 2011. State of the world’s freshwater
ecosystems: physical, chemical, and biological changes. Annu. Rev. Environ. Resour., (36) :
75–99.

Centre Canadien de Télédétection, 2003. Notions fondamentales de la télédétection

Congalton G., 1991. A review of assessing the accuracy of classifications of remotely sensed
data, Remote Sensing of Environment, (37) : 35-46.

Damania R., Desbureaux S., Rodella S., Russ J. & Zaveri E., 2019. Quality Unknown: The
Invisible Water Crisis, Washington World Bank.

Deepak R., Blake A. & Darryl K., 2014. Performance evaluation of normalized difference
chlorophyll index in northern Gulf of Mexico estuaries using the hyperspectral coastal
ocean imager. GIScience & Remote Sensing, (2):175-198.

Dewi R., Muhammad Z., Sutrisno A., Tjahjo W. & Hadi E., 2018. Spatio-Temporal
Distribution of Chlorophyll-a Using Multitemporal Landsat Image and Ground Check
in Segara Anakan Lagoon.

Donker D., Hasman A. & Geijn H., 1993. Interpretation of low kappa values. International
Journal of Bio-Medical Computing, (33): 55-64,

Fadel A., Faour G. & Slim K., 2016. Assessment of The trophic state and Chlorophyll-a
concentrations using Landsat OLI in Karaoun reservoir, Lebanon. Lebanese science
journal, (17): 130-145.

Field C., Behrenfeld M., Randerson J. & Falkowski P., 1998. Primary production of the
biosphere: integrating terrestrial and oceanic components. (5374): 237-40.

Gramedia P., 1995. Walpole.Introduction aux statistiques, Jakarta.

Gregorio D., JANSEN, 2000. Land Cover Classification System: Classification Concepts And
User Manual, FAO, Rome

Gregor J. & Maršálek B., 2004. Freshwater phytoplankton quantification by chlorophyll-a: a

comparative study of in vitro, in vivo and in situ methods. Water Research, 38 (3):
517-522.

40
Guillaume A., Arthur B., Parfait S. & Jea B., 2022. Landsat 8 oli Satellite Imagery Mapping
and Analysis of Bedrock Fracture Networks in the Departments of Yamoussoukro and
Toumodi (Central Cote d’Ivoire). European Scientific Journal, ESJ, 18 (30): 206.

GWP: Global Water Partnership, 2000. Integrated Water Resources Management. Technical
Advisory Committee.

Hafeez S., Wong S., Nichol J. & Kwok C., 2018. Detection and Monitoring of Marine
Pollution Using Remote Sensing Technologies.

Haque M., Rengarajan R., Lubke M., Hasan M., Shrestha A., Tuli F., Shaw J., Denevan
A., Franks S., Micijevic E., Choate M., Anderson C., Thome K., Kaita E., Barsi
J., Levy R. & Miller J., 2023. ECCOE Landsat quarterly Calibration and Validation
report - Quarter 3, 2022: U.S. Geological Survey Open-File Report 2023–1013, 38 p.,
https://doi.org/10.3133/ofr20231013.

Ha N., Thao N., Koike K. & Nhuan M., 2017. Selecting the best band ratio to estimate
chlorophyll-a concentration in a tropical freshwater lake using sentinel 2A images
from a case study of Lake Ba Be (Northern Vietnam). ISPRS Int. J. Geo-Inf. 6, 290.

Jaglin S., Didier S. & Dubresson A., 2018. Métropolisations en Afrique subsaharienne : au
menu ou à la carte ? Métropoles, HS 2018.

Jiang J. & Shen Y., 2006. Estimation of the natural purification rate of a eutrophic lake after
pollutant removal. Ecological Engineering, 28: 166-173.

Kergomard C., 2004. La télédétection aéro-spatial : une introduction, cours de l’Ecole

Normale Supérieure Paris, 74p.

Koffi Y., Ahoussi K., Kouassi A., Kpangui L. & Biemi J., 2010. Modélisation de la
consommation en eau potable dans les capitales africaines au sud du Sahara :
Application des réseaux de neurones formels à la ville de Yamoussoukro, capitale
politique de la Côte d'Ivoire. Journal of Asian Scientific Research, 2(10): 562-573.

Konan E., Yaokokore-Beibro K., Odoukpe K. & Kouadja K., 2014. Avifaune de la ville de
Yamoussoukro, centre de la Côte d'Ivoire. European Scientific Journal, I O (33) : 63-
73.

41
Konan E., 2014. Distribution spatio-temporelle du peuplement phytoplanctonique avec les
facteurs abiotiques de la lagune de Fresco (Côte D'Ivoire). Thèse de Doctorat,
Université Félix Houphouët- Boigny, Abidjan, Côte d'Ivoire. 172 p.

Kouakou K., AW S., Adamou M., Siaka S. & Savane I., 2014. Caractérisation des sediments
du systeme lacustre de yamoussoukro (Côte d’Ivoire) et speciation de leurs phosphores
(characterization of sediments of yamoussoukrolake system (Côte d'Ivoire) and their
phosphorus speciation). Journal and Mater and Environemental Sciences, (4):1013-
1020

Kra K. & Akichi A., 2012. Contribution to management of wastewater of Yamoussoukro City:
impact of wastewater treatment plants failure on environmental pollution of the lakes.
The international Journal of Science & Technoledge, 2 (4): 375 383.

Kuster T., Metsamaa L., Vahtmae E. & Strömbeck N., 2006. On suitability of MODIS
250 m resolution band data for quantitative mapping cyanobacterial blooms. Biol.
Ecol. (55) : 18–328.

Lefebvre A. & Perrouchet W., 2016. Résultats de la mise en œuvre des réseaux REPHY et
SRN - Zones côtières de la Manche orientale et de la baie sud de la Mer du Nord -
Bilan de l'année 2015 ODE/LITIORAL, 1607.

Liang S., Jing C. & Zhang J., 2020. Maximum likelihood classification of soil remote sensing
image based on deep learning. Earth Sci. Res, (24) : 357-365.

Lo P., McKee D. & Mitchell C., 2020. Inherent optical properties-reflectance relationships
revisited. Journal of Geophysical Research: Oceans, 125.

Lorenzen C., 1967. Determination of chlorophyll and pheopigments: Spectrophotometric

equations. Limnology and Oceanography, (12): 343 - 346.

Mai T., 2017. What are passive and active sensors ? [NASA]. Récupérée 26 avril 2022.

Matarrese R., Chiaradia M., Tijani K., Morea A. & Carlucci R., 2011. ‘Chlorophyll a’
multi-temporal analysis in coastal waters with MODIS data. Italian Journal of Remote
Sensing, (43): 39-48.

42
Mishra D., Igor O. & Anatoly A., 2017. Bio-optical Modeling of Phytoplankton Chlorophyll,
Elsevier, 157-188.

Mishra S. & Mishra D., 2012. Normalized difference chlorophyll index: A novel model for
remote estimation of chlorophyll-a concentration in turbid productive waters. Remote
Sens. Environ, (117): 394–406.

Mishra S. & Mishra D., 2014. “Performance evaluation of normalized difference chlorophyll
index in northern Gulf of Mexico estuaries using the Hyperspectral Imager for the
Coastal Ocean.” GIScience & Remote Sensing, (51): 175 - 198.

MERF, 2002. Monographie nationale sur la diversité biologique du Togo. MERF, 171 p

Molle F., 2008. Nirvana concepts, storylines and models: Insights from the water sector, Water
Alternatives, (1): 131-156.

Morel A., 1980. In-water and remote measurements of ocean color. Boundary-Layer
Meteorology, (2): 177–201.

Nangoh K., Adon M., Edia E., Niamien-Ebrottié J. & Ouattara A., 2019. Phytoplankton
composition of the urban man-made lakes of Yamoussoukro (Côte d’Ivoire). Journal
of Applied Biosciences.

Nguyen T., Phan K., Tran S., Tran T., Tran B. & Doan T., 2020. Total Suspended Solid
Distribution in Hau River Using Sentinel 2A Satellite Imagery. ISPRS Ann.
Photogramm. Remote Sens. Spat. Inf. Sci., (6): 91–97.

N'guessan K., Kouassi A., Gnaboa R., Traore K. & Houenou P., 2014. Analyse de
phénomènes hydrologiques dans un bassin versant urbanisé: cas de la ville de
Yamoussoukro (centre de la cote d'ivoire). Larhyss Journa,. (17) : 135-154.

Noël G., 2012. Structure, fonctionnement et dynamique du phytoplancton dans le lac de Taabo
(Côte d'Ivoire). Thèse de Doctorat, l’Institut National Polytechnique de Toulouse (INP
Toulouse).

Nyenje P., 2010. Eutrophication and nutrient release in urban areas of sub-Saharan Africa - a
review, Science of Total Environment, (3): 447-455.

43
Olokotoum M., Mitroi V., Trousselier M., Semyalo V., Bernard C., Okello W., Quiblier
C. & Humbert J., 2020. A review of the socioecological analysis of the causes and
consequences of cyanobacterial blooms in Lake Victoria, Harmful Algae, 96 p.

Oszwald, J., 2005. Dynamique des formations agroforestières en Côte d’Ivoire (depuis les
années 1980 aux années 2000): Suivi par télédétection et développement d’une
approche cartographique, Open Journal of Ecology, (11): 271-282.

Ouattara H., 2015. Contribution à l'étude de la contamination du lac Kossou dans le district
de Yamoussoukro par les activités d'orpaillage. Mémoire de rnaster, Université Nangui
Abrogoua, Abidjan, Côte d'Ivoire, 86 p.

Parinet B., Lhôte A., Legube B. & Gbongue M., 2000. Analytical and statistical study of a
lake system under various processes of eutrophication. Revue des sciences de l'eau /
Journal of Water Science, (3): 237–267.

Patra S., Shekher M., Solanki S., Ramachandran R. & Krishnan, R., 2006. A technique for
generating natural colour images from false colour composite images. International
Journal of Remote Sensing, (27) : 2977-2989.

Peeters A., 2000. Analyse par télédétection de la dynamique spatio-temporelle des cultures
sèches dans le casier du Bac Hung Hai (delta du Fleuve Rouge, Viêt-Nam), Mémoire
de fin d’études de la faculté des Sciences Agronomiques, UCL, Louvain-La-Neuve,
130p.

Petit O. & Baron C., 2009. Integrated water resources management: from general principles
to its implementation by the state: the case of Burkina Faso, Natural Resources Forum,
(33): 49-59.

Petit O., 2016. Paradise lost the difficulties in defining and monitoring Integrated Water
Resources Management indicators, Current Opinion in Environmental Sustainability,
(21): 58–64.

Ramade F., 2002. Dictionnaire encyclopédique de l’écologie et des sciences de

l’environnement, 2ème édition, DUNOD Paris, 857 p.

44
Ressources naturelles Canada, 2020. Science de la télédétection. Récupérée 24 novembre
2021, à partir de https://www.rncan.gc.ca/sciencedonnées/science-
recherche/scienceteledetection/21752

Soudani K., 2005. Introduction générale à la télédétection. Cours de la faculté des sciences
d’Orsay Université Paris Sud 7.

Thomas R. & James R., 2016. Landsat 8: The plans, the reality, and the legacy, Remote
Sensing of Environment, (185): 1-6.

Tranvik L., Downing J., Cotner J., Loiselle S., Striegl R., Ballatore T., Dillon P., Finlay
K., Fortino K., Knoll L., Kortelainen P., Kutser T., Larsen S., Laurion I., Leech
D., McCallister L., McKnight D. & Melack J., 2009. Lacs et réservoirs comme
régulateurs du cycle du carbone et du climat. Limnologie et Océanographie, (54) :
2298–2314.

U.S. Department of the Interior, 2016. U.S. Geological Srvey.

Veronica M., José F., Youssoupha T., Ahi K. & Jean-François H., 2022. Rendre compte de
la dégradation des milieux aquatiques. Le rôle des savoirs dans la mise en place des
politiques de protection des ressources en eau en Afrique subsaharienne. Revue
geocarrefour.

Vinel & Aurélie, 2022. Caractérisation de la variabilité spatiale et temporelle de la

chlorophylle-a des eaux du lac Tanganyika. Faculté des bioingénieurs, Université
catholique de Louvain, Alonso Alice.

Xu H., 2006. "Modification de l'indice d'eau par différence normalisée (NDWI) pour améliorer
les caractéristiques de l'eau libre dans l'imagerie de télédétection." Journal
international de télédétection 27, (14) : 3025-3033.

45
ANNEXES
ANNEXE 1 : Les valeurs minimales, moyennes, maximales et ecart-types des cartes de la
distribution spatiotemporelle de la chlorophylle-a

Valeurs de NDCI
ANNEE Lac Minimum Moyenne Maximum Sd
Lac 1
LAC 2 0,25 0,28 0,32 0,02
30 LAC 3 0,24 0,28 0,31 0,02
Décembre LAC 4 0,21 0,27 0,30 0,02
2015 LAC 5 0,15 0,28 0,34 0,02
Lac 8 0,1 0,15 0,2 0,02
Lac 9 0,02 0,14 0,25 0,02
Lac 10 0,08 0,13 0,2 0,02
Lac 1
LAC 2 0,05 0,17 0 ,23 0,02
24 LAC 3 0,17 0,26 0,30 0,01
Décembre LAC 4 0,16 0,28 0,32 0,02
LAC 5 0,13 0,22 0,27 0,01
2016 Lac 8 0,19 0,24 0,29 0,02
Lac 9 0,08 0,12 0,15 0,01
Lac 10 0,11 0,13 0,15 0,01
Lac 1 0,03 0,1 0,16 0,02
Lac 2 0,15 0,23 0,29 0,02
09 Lac 3 0,14 0,30 0,36 0,02
Décembre Lac 4 0,03 0,33 0,36 0,02
2017 Lac 5 0,23 0,29 0,36 0,02
Lac 8 0,25 0,31 0,36 0,02
Lac 9 0,1 0,14 0,18 0,02
Lac 10 0,19 0,23 0,26 0,02
Lac 1 -0,08 0,12 0,39 0,05
18 Lac 2 -0,01 0,30 0,45 0,05
Mai Lac 3 0,09 0,28 0,35 0,04

47
2018 Lac 4 0,12 0,31 0,36 0,02
Lac 5 0,02 0,22 0,34 0,06
Lac 8 0,08 0,32 0,4 0,05
Lac 9 0,04 0,21 0,31 0,03
Lac 10 0,08 0,20 0,28 0,03
Lac 1 0,06 0,11 0,23 0,02
24 Lac 2 0,16 0,21 0,26 0,02
Décembre Lac 3 0,15 0,26 0,31 0,02
2018 Lac 4 0,15 0,26 0,30 0,02
Lac 5 0,11 0,17 0,23 0,02
Lac 8 0,13 0,20 0,24 0,02
Lac 9 0,13 0,20 0,23 0,02
Lac 10 0,13 0,20 0,21 0,02
Lac 1 -0,04 0,04 0,31 0,03
Lac 2 0,17 0,26 0,32 0,02
22 Lac 3 0,19 0,28 0,37 0,01
Février Lac 4 0,21 0,34 0,38 0,02
2018 Lac 5 0,20 0,32 0,38 0,02
Lac 8 0,27 0,34 0,41 0,03
Lac 9 0,15 0,22 0,26 0,01
Lac 10 0,08 0,2 0,22 0,02
Lac 1 -0,14 0,1 0,50 0,08
Lac 2 -0,02 0,15 0,42 0,09
10 Lac 3 0,01 0,24 0,42 0,08
Octobre Lac 4 -0,03 0,31 0,48 0,06
2019 LAC 5 -0,11 0,29 0,46 0,13
LAC 8 0,02 0,39 0,49 0,07
LAC 9 -0,09 0,21 0,46 0,11
LAC 10 0,07 0,35 0,45 0,09
Lac 1 0,04 0,02 0,18 0,02
07 LAC 2 0,14 0,30 0,38 0,02
Février LAC 3 0,1 0,30 0,40 0,03
2020 LAC 4 0,14 0,30 0,41 0,03

48
 Lac 5 0,12 0,30 0,31 0,02
Lac 8 0,32 0,40 0,43 0,01
LAC 9 0,17 0,30 0,31 0,01
LAC 10 0,18 0,22 0,26 0,01
Lac 1 -0,14 0,1 0,48 0,09
LAC 2 -0,06 0,13 0,38 0,04
02 LAC 3 0,01 0,20 0,4 0,07
Mai LAC 4 0,08 0,21 0,38 0,06
2020 LAC 5 -0,11 0,04 0,28 0,04
LAC 8 -0,11 0,22 0,43 0,08
LAC 9 -0,002 0,14 0,43 0,06
LAC 10 0,005 0,2 0,34 0,07
Lac 1
Lac 2 0,17 0,24 0,3 0,02
18 LAC 3
Décembre LAC 4
2021 LAC 5 0,07 0,18 0,3 0,03
LAC 8 0,24 0,29 0,32 0,02
Lac 9 0,25 0,28 0,33 0,02
Lac 10
Lac 1
Lac 2 0,2 0,26 0,32 0,01
17 LAC 3
Janvier LAC 4
2022 LAC 5 0,13 0,23 0,32 0,02
LAC 8 0,32 0,36 0,40 0,01
Lac 9 0,22 0,36 0, 40 0,01
Lac 10
Lac 1 0,03 0,1 0,14 0.02
Lac 2 0,02 0,12 0,18 0.02
21 Lac 3 0,04 0,1 0,13 0.02
Février Lac 4 0,02 0,1 0,12 0.02
2023 Lac 5 0,004 0,15 0,21

49
 Lac 8 0,0005 0,15 0,19 0.02
Lac 9 0,02 0,15 0,19 0.02
Lac 10 0,10 0,14 0,18 0.02

ANNEXE 2 : Pourcentages de recouvrement en macrophytes des différents lacs de 2015 à 2023

ANNEE 2015 2016 2017 2018 2019 2020 2021 2022 2023
LAC 1 100% 100% 60% 87% 74% 86% 100% 100% 2%
LAC 2 50% 44% 29% 20% 9% 8% 17% 18% 2%
LAC 3 27% 21% 27% 25% 21% 22% 100% 100% 5%
LAC 4 33% 11% 22% 13% 7% 8% 100% 100% 8%
LAC 5 40% 48% 46% 63% 46% 68% 79% 71% 2%
LAC 8 90% 49% 50% 46% 35% 39% 81% 86% 7%
LAC 9 30% 87% 61% 30% 17% 12% 21% 17% 9%
LAC 10 89% 99% 80% 74% 87% 28% 100% 100% 20%

50