Académique Documents
Professionnel Documents
Culture Documents
N° du candidat : CI 02 18 04 97 41
THEME
Nom : DIARRASSOUBA
REMERCIEMENTS .......................................................................................... iv
ABSTRACT ........................................................................................................ ix
INTRODUCTION ............................................................................................... 1
I.4 Télédétection.................................................................................................. 9
I.4.1 Définition...................................................................................................................... 9
i
II.1.2 Acquisition et choix des images .............................................................................. 13
III.1 Résultats.................................................................................................... 22
III.1.1 Occupation du sol ................................................................................................... 22
CONCLUSION .................................................................................................. 36
ANNEXES .......................................................................................................... 46
ii
DEDICACE
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.
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.
J’adresse également mes remerciements au Professeur N’GO Yao Alexis d’avoir accepté de
présider le jury de ce présent mémoire.
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
v
LISTE DES TABLEAUX
vi
SIGLES ET ABBREVIATIONS
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.
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.
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).
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).
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
4
Figure 2 : Carte du réseau hydrographique et des altitudes de la ville de Yamoussoukro
‐ avril à mi-juillet : grande saison des pluies, avec de fréquentes précipitations et de nombreux
orages,
‐ 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,
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.
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)
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.3.1 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.
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
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.
14
Tableau III : Dates des images Sentinel-2 utilisées
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.
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)
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.
16
Vg: volume d'eau filtrée (ml)
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).
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 :
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)
19
0.1 à 0.2 25 à 33
0.2 à 0.4 33 à 50
0.4 à 0.5 > 50
Correction
radiométrique
Détermination de
Composition colorée et
Extraction de la classification supervisée par
masse d’eau maximum de vraisemblance
NDCI
Vérification des résultats obtenus par images avec ceux obtenus sur le terrain
20
CHAPITRE III : RESULTATS ET DISCUSSION
III.1 Résultats
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.
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
22
ZF. Néanmoins, la classe des eaux a obtenu le meilleur taux de précision cartographique avec
100 %.
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 %.
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
Figure 10 : Evolution des superficies des classes d'occupation du sol de 2015 à 2023
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
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
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.
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
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.
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.
Gregorio D., JANSEN, 2000. Land Cover Classification System: Classification Concepts And
User Manual, FAO, Rome
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.
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.
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.
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.
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.
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
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