Académique Documents
Professionnel Documents
Culture Documents
*********
Ecole Nationale Supérieure d’Agronomie et de Foresterie
MEMOIRE
Pour l’obtention du diplôme de Master
Mention : Master recherche
Spécialité : Forêt
Parcours : Gestion Durable des Forêts
Directeur de Mémoire
Suspense Averti IFO, Maitre de Conférences CAMES, Université Marien N’GOUABI
Composition du Jury
Président du Jury
- Donatien NZALA, Maitre de Conférences CAMES/UMNG
Membres du jury
- Clémence DITENGO, Maitre de Conférences CAMES/UMNG (Examinatrice)
- Suspense Averti IFO, Maitre de Conférences CAMES/UMNG (Rapporteur)
DEDICACE
Samuel SAMBA.
»
« Where there is a will, there is a way
i
REMERCIEMENTS
L’aboutissement de ce travail n’aurait pas été possible sans un apport multiforme de diverses
personnes dont j’ai l’honneur et le privilège de remercier.
Je n’aurai été à mesure de boucler le cycle Master sans l’aide d’une multitude d’enseignants
dévoués à enseigner durant mes deux années passées à l’ENSAF en ce cycle, il s’agit
particulièrement de M. Roméro EKOUNGOULOU, M. AYESSA LECKOUNZOU, M.
Lambert MOUDZEO, M. Chérubin Brice OUISSIKA et M. Maximin MBOULAFINI.
Je ne saurai boucler cette parte sans remercier mes collègues de promotion, il s’agit
particulièrement de Cedrel CILIANE MADIKOU, Bloude TOUMBA PACKA, Arnault
KEBADIO, Loïc MASSAMBA, Belvina MABENGO, Gloire LOUYAKO, Josien TANGOU,
Dachéra NYANGA, Juvel MOUNGABOU, Grâcia NSIKEKOLO, Funck IBEKE, Judicia
SAYA, … ça été une immense joie de rester et d’apprendre à vos côtés.
ii
TABLE DES MATIERES
DEDICACE .................................................................................................................................
i
REMERCIEMENTS ..................................................................................................................
ii
I. INTRODUCTION ...........................................................................................................
1
I.1 Contexte et justification ...........................................................................................
1
I.2 Problématique ..........................................................................................................
2
I.3 Objectifs de l’étude ..................................................................................................
3
I.4 Hypothèses de l’étude ..............................................................................................
3
II. REVUE LITTERAIRE ................................................................................................ 4
II.1 Secteur AFAT ..........................................................................................................
4
II.1.1 Types d’occupation du sol ................................................................................
5
II.1.2 Changement d’utilisation des terres .................................................................
7
II.1.2.1 Causes et conséquences des changements d’utilisation des terres ...............
7
II.1.3 Importance de l’évaluation de la dynamique de l’occupation du sol ...............
8
II.2 Déforestation et dégradation de la forêt ...................................................................
8
II.2.1 Dynamique de la déforestation et de la dégradation forestière dans le Bassin
iii
du Congo .........................................................................................................................
iv
II.3.1 Définitions ......................................................................................................
15
II.3.2 Cartographie de l’occupation du sol par télédétection ...................................
16
II.3.3 Classification des images satellites .................................................................
17
II.3.3.1 Classification non supervisée (non dirigée) ...............................................
17
II.3.3.2 Classification supervisée (dirigée) : ...........................................................
18
II.3.4 Evaluation de la précision des cartes d’occupation du sol .............................
18
II.4 Travaux sur l’occupation du sol en République du Congo ....................................
20
III. MATERIEL ET METHODE ..................................................................................... 21
III.1 Présentation de la zone d’étude ..............................................................................
21
III.1.1 Choix de la zone d’étude ................................................................................
21
III.1.2 Localisation de la zone d’étude ......................................................................
21
III.1.3 Milieu physique ..............................................................................................
22
III.1.3.1 Climat ........................................................................................................
22
III.1.3.2 Pédologie ...................................................................................................
23
III.1.3.3 Géologie ....................................................................................................
23
III.1.3.4 Relief .........................................................................................................
23
III.1.3.5 Végétation .................................................................................................
24
III.1.4 Milieu humain .................................................................................................
25
III.1.4.1 Population .................................................................................................
25
III.1.4.2 Activités anthropiques ..............................................................................
25
v
III.2 Matériel ..................................................................................................................
25
III.2.1 Données utilisées ............................................................................................
25
III.3 Méthode .................................................................................................................
27
III.3.1 Pré-traitement des images satellitaires ...........................................................
27
III.3.2 Traitement d’images satellitaires ....................................................................
29
III.3.2.1 Interprétation visuelle et définition du nombre de classe thématique .......
29
III.3.3 Classification supervisée des images ..............................................................
34
III.3.4 Post classification ...........................................................................................
34
III.3.5 Tamisage des Pixels isolés .............................................................................
35
III.3.6 Evaluation de la précision des cartes d’occupation du sol .............................
35
III.3.7 Représentation cartographique .......................................................................
41
III.3.8 Analyse de la dynamique de l’occupation du sol ...........................................
41
III.3.9 Facteurs de déforestation et de dégradation de la forêt de l’île M’Bamou .....
42
IV. RESULTATS ET DISCUSSION .............................................................................. 45
IV.1 Résultats .................................................................................................................
45 IV.1.1 Résultats cartographiques et évaluation de la précisons des
cartes ................ 45
vi
IV.1.1.1.4 Superficie ajustée à l’erreur
standard ................................................. 52
IV.1.2 Dynamique de l’occupation du sol ................................................................. 53
IV.1.2.1 Analyse de l’occupation du sol entre 1979 et
2021 .................................. 53
IV.1.2.2 Evaluation de l’évolution de l’occupation du
sol ..................................... 54
IV.1.3 Perception des facteurs de déforestation et dégradation de la forêt................ 56
IV.2 Discussion .............................................................................................................. 57
IV.2.1 Evaluation de la précision des classifications et résultats cartographiques ....
57
IV.2.2 Dynamique de l’occupation du sol .................................................................
58
IV.2.3 Perception des facteurs de déforestation et dégradation de la forêt................
59
V. CONCLUSION ET PERSPECTIVES ...................................................................... 63
REFERENCES BIBLIOGRAPHIQUES .................................................................................
64
ANNEXES ................................................................................................................................
A
RESUME ...................................................................................................................................
D
ABSTRACT ..............................................................................................................................
D
vii
2016b) .............................................................. 12 Figure 4 : illustration des principes de
télédétection passive (à gauche) et de télédétection active
(à droite). (Source de l’illustration : https://paititi.info/research-technology/remote-sensing-
from-space/) .............................................................................................................................
16
Figure 5 : localisation du district de l’ile M’Bamou ...............................................................
22
Figure 6 : diagramme ombrothermique du département de Brazzaville de 2010-2020 (Station
de Brazzaville, source : ANAC Congo) ...................................................................................
23
Figure 7 : variation du relief du district de l’île M’Bamou .....................................................
24
Figure 8 : interface Earth Explorer et panneau de requêtes ....................................................
26
Figure 9 : extraction et combinaison des bandes ....................................................................
27
Figure 10 : processus de rééchantillonnage ............................................................................
28
Figure 11 : rehaussement de l’image ......................................................................................
28
Figure 12 : création d’un shapefile et extraction de la zone d’étude.......................................
29
Figure 13 : processus de calcul du NDVI et résultat ...............................................................
30
Figure 14 : (a) sélection des ROI, (b) modèle de classification ..............................................
34
Figure 15 : application de la post classification : (a) avant, (b) après application ..................
35
Figure 16 : (a) fixation des précisions attendues, (b) répartition des échantillons par classe .
36
Figure 17 : allocation des points dans chaque strate ...............................................................
37
Figure 18 : validation des points par photo-interprétation ......................................................
38
Figure 19 : obtention automatique de la matrice de confusion ...............................................
39
Figure 20 : mise en page des cartes d’occupation du sol ........................................................
41
viii
Figure 21 : fiche d’enquête .....................................................................................................
44
Figure 22 : carte d’occupation du sol de l’année 1979 ...........................................................
45
Figure 23 : carte d’occupation du sol de l’année 2003 ...........................................................
46
Figure 24 : carte d’occupation du sol de l’année 2021 ...........................................................
46
Figure 25 : variation entre les superficies estimées et celle de la carte ...................................
52 Figure 26 : variation des proportions des superficies des classes d'occupation du sol par
année
..................................................................................................................................................
54
Figure 27 : bilan des changements opérés au niveau des différentes classes d’occupation du
sol
entre 1979 et 2021 ....................................................................................................................
56
Figure 28 : visualisation sur Google Earth Pro de la déforestation et la dégradation de la forêt
(Photo : BOUKONO Déo, 31/12/2021) ...................................................................................
60
Figure 29 : dénudation du sol pour la mise en culture des boutures de manioc
(Photo :
BOUKONO Déo, 26/12/2021) .................................................................................................
61
Figure 30 : stockage et transport des feuilles de manioc (Photo : BOUKONO Déo,
26/12/2021)
..................................................................................................................................................
61
Figure 31 : dégradation de la forêt de terre ferme : (a) carte d’occupation du sol de 2021 ; (b)
Image Google Earth Pro. ..........................................................................................................
62
ix
LISTE DES TABLEAUX
Tableau 1 : grandes classes d’affectation des terres selon le GIEC (GIEC, 2006b) .................
6
Tableau 2 : pertes de superficies forestières par département selon les études entre 2000 et
2012 (CN-REDD, 2016b) ........................................................................................................
13
Tableau 3 : pourcentage surfacique des pertes forestières en fonction du type de changement
par rapport à la surface de la forêt pour chaque département entre 2000 et 2010 (MEFDD,
2014)
..................................................................................................................................................
14
Tableau 4 : répertoire des travaux menés sur l’occupation du sol en République du Congo .
20
Tableau 5 : présentation des données rasters utilisés ..............................................................
26
Tableau 6 : équation de calcul du NDVI par type de capteur .................................................
30
Tableau 7 : grille d’interprétation image Landsat MSS ..........................................................
31
Tableau 8 : grille d’interprétation image Landsat 2003 ..........................................................
32 Tableau 9 : grille d’interprétation image Sentinel
2 ............................................................... 33
Tableau 10 : fiche de vérité terrain .........................................................................................
38
Tableau 11 : illustration de la matrice de confusion ...............................................................
39
x
Tableau 12 : matrice de confusion de la carte de 1979 ...........................................................
47
Tableau 13 : matrice de confusion de la carte de 2003 ...........................................................
47
Tableau 14 : matrice de confusion de la carte de 2021 ...........................................................
48 Tableau 15 : matrice de confusion ajustée aux proportions des surfaces et évaluation des
erreurs
type de la carte de 1979 ............................................................................................................
49
Tableau 16 : matrice de confusion ajustée aux proportions des surfaces et évaluation des
erreurs
type de la carte de 2003 ............................................................................................................
49
Tableau 17 : matrice de confusion ajustée aux proportions des surfaces et évaluation des
erreurs
type de la carte de 2021 ............................................................................................................
50
Tableau 18 : Superficie estimée des classes thématiques selon la carte et de la donnée de
référence ...................................................................................................................................
51
Tableau 19 : écarts de variation et le type de biais entre les superficies estimées des classes
thématiques selon la carte et de la donnée de référence ...........................................................
51
Tableau 20 : superficie ajustée à l’erreur standard .................................................................
53
Tableau 21 : superficies en hectare et en pourcentage des classes d’occupation du sol .........
53
Tableau 22 : taux de variation spatiale des classes d’occupation du sol entre 1979-2003,
2003-
2021 et 1979-2021 ....................................................................................................................
55
Tableau 23 : facteurs directs de la déforestation et la dégradation de la forêt ........................
56
xi
AFOLU : Agriculture, Forestry and Other Land Use
xii
Ministère de l’environnement du Développement Durable et du Bassin du
MEDDBC :
Congo
xiii
I. INTRODUCTION
En effet, trois principaux gaz à effet de serre sont issus du secteur AFAT à savoir : le dioxyde
de carbone (CO2), le protoxyde d’azote (N2O) et le méthane (CH4) (GIEC, 2006a). Ces gaz
découlent principalement de la déforestation, la dégradation des forêts, des pratiques agricoles
(agriculture sur brûlis, l’épandage des engrais chimiques, l’utilisation des pesticides, etc.) et
l’élevage (fermentation entérique, excréments des animaux, etc.). Parmi les facteurs de
déforestation et de dégradation des forêts, le développement de l’agriculture, les
infrastructures de transport, l’exploitation forestière, la croissance urbaine, la production du
charbon de bois et l’industrie minière sont définies comme les facteurs principaux de
destruction de forêt à travers le monde, cependant le degré d’impact de chaque facteur varie
d’un continent à un autre (Tchatchou et al., 2015).
Dans ce cadre, en Afrique, précisément dans le Bassin du Congo, l’expansion des activités de
substance (l’agriculture et la coupe du bois de chauffage) est la cause la plus communément
citée de la déforestation et elle est soutenue par les tendances démographiques et
l’urbanisation accélérée, qui constituent la plus importante cause sous-jacente de la
déforestation (Megevand et al., 2013). En République du Congo, Bouetou-Kadilamio et al.
(2017), Binsangou et al.
1
(2017, 2018), et Goma Boumba et al., (2018, 2019) mettent aussi l’accent sur ces facteurs
susmentionnés. Ils soulignent également que la croissance urbaine constitue un moteur
important de déforestation, mais aussi de la dégradation des forêts, dégradant ainsi le paysage
naturel suite à l’utilisation et le changement d’affection des terres.
I.2 Problématique
Depuis 1968, Sita (1968) avait révélé que l’ensemble de la forêt, tout comme la savane du
district de l’île M’Bamou était sujet d’une forte pression anthropique. Ces écosystèmes,
principalement la forêt, faisait l’objet d’une dégradation accélérée suite à des pratiques comme
les cultures, l’exploitation du bois industriel et de chauffage, et les incendies, tout cela
accentué par une augmentation de la population. Sita (1970) rapportait aussi que plus du quart
de la zone forestière de l’île M’Bamou se trouvait déjà sous cultures.
De nos jours soit 53 ans plus-tard, d’après nos observations et de celles de Mpela (2019), la
forêt du district de l’île M’Bamou continue de faire l’objet d’une pression anthropique
croissante. A cet effet, alors que cette situation perdure, on ne note encore aucune étude qui en
mentionne les conséquences tandis que la République du Congo, depuis 2010 s’était lancée
dans le mécanisme REDD+ qui se propose de réduire les émissions des gaz à effet de serre
2
(GES) issues de la déforestation et de la dégradation des forêts. Cela nous a emmené à
s’interroger sur la traduction spatio-temporelle de la dégradation de la forêt depuis les années
1970 jusqu’à aujourd’hui au niveau de l’île M’Bamou. Quel est son ampleur ? La nécessité de
répondre à cette interrogation a conduit à réaliser un suivi spatio-temporel de l’occupation du
sol du district de l’île M’Bamou en vue d’appréhender la dynamique des différentes classes
d’occupation du sol en lien avec la pression anthropique.
3
II.1 Secteur AFAT
Le secteur AFAT (Agriculture, Foresterie et autre Affectation de Terres) aussi appelé AFOLU
(Agriculture, Forestry and Other Land Use) en anglais, fait partie des cinq secteurs pris en
compte pour les inventaires nationaux de gaz à effet de serre que les pays présentent à la
Convention-cadre des Nations Unies sur les changements climatiques (CCNUCC). Organisé
en deux sous-secteurs : Agriculture (1), et (2) Forêt et autre utilisation des terres. Le secteur
AFAT traite les émissions et absorptions de GES anthropiques, définies par toutes les
émissions et absorptions se produisant sur les « terres gérées » et qui sont associées à
l’utilisation des terres, incluant l’agriculture et l’élevage. Les terres gérées sont des terres où
ont été réalisées des interventions et pratiques humaines afin de permettre leurs fonctions
productives, écologiques ou sociales. (GIEC, 2006a).
Les estimations des émissions et absorptions de GES découlant du secteur AFAT comprennent
(FAO, 2015) :
Le secteur AFAT a été à l’origine d’environ 13% des émissions de CO 2, 44% des émissions de
CH4 et 82% des émissions de NO2 rejetées par les activités humaines au niveau mondial entre
2007 et 2016, soit 23% du total net des émissions anthropiques de GES (GIEC, 2019).
L’affectation et la gestion des terres ont des conséquences sur différents processus de
l’écosystème qui affectent les flux de gaz à effet de serre (figure 1), comme la photosynthèse,
la respiration, la décomposition, la nitrification/dénitrification, la fermentation entérique et la
combustion. Ces processus impliquent des transformations du carbone et de l’azote entraînées
4
par les processus biologiques (activité des micro-organismes, plantes, animaux) et physiques
(combustion, lixiviation, écoulements) (GIEC, 2006a).
Les flux de CO2 entre l’atmosphère et les écosystèmes sont principalement contrôlés par
l’absorption via la photosynthèse des plantes et les émissions via la respiration, la
décomposition et la combustion de matière organique. Le N 2O est principalement émis par les
écosystèmes en tant que sous-produit de la nitrification et de la dénitrification, tandis que le
CH4 est émis par la méthanogenèse dans des conditions anaérobies dans les sols et le stockage
du fumier, via la fermentation entérique, et lors d’une combustion incomplète au moment du
brûlage de matière organique (GIEC, 2006a).
5
Tableau 1 : grandes classes d’affectation des terres selon le GIEC (GIEC, 2006b)
Classe
d’occupation du Description
sol
Cette catégorie inclut les terres cultivées, y compris les rizières et les
Terres cultivées systèmes agro-forestiers dont la structure végétale n’atteint pas les seuils
utilisés pour la catégorie terres forestières.
Cette catégorie inclut les parcours et les pâturages qui ne sont pas
considérés comme des terres cultivées. Elle inclut également des
systèmes à végétation ligneuse et autre végétation non herbacée telle que
les herbes et les broussailles dont le seuil est inférieur aux valeurs
Prairies
utilisées pour la catégorie terres forestières. La catégorie inclut
également toutes les prairies, depuis les terrains en friche jusqu’aux
espaces récréatifs, ainsi que les systèmes agricoles et sylvopastoraux,
conformément aux définitions nationales.
6
Cette catégorie inclut les sols dénudés, les roches, les glaces et toutes les
superficies terrestres qui ne figurent pas dans une des cinq autres
catégories. Elle permet de faire correspondre la totalité des superficies
terrestres identifiées à la superficie nationale, lorsque des données sont
disponibles. Lorsque les données sont disponibles, on encourage les
Autres terres pays à classifier les terres non gérées en fonction des catégories
d'affectation des terres ci- dessus (par exemple vers des terres forestières
non gérées, prairies non gérées, et terres humides non gérées). Ceci
permettra d’améliorer la transparence et de mieux suivre les conversions
d’affectation des terres à partir de types spécifiques de terres non gérées
vers l’une des catégories ci-dessus.
7
contribue à hauteur de 23% au émissions mondiales de GES (GIEC, 2019). En 2020 environ
1/7ème des émissions anthropiques du carbone étaient dues à la déforestation et la dégradation
des forêts (Le Quéré et al., 2020).
Il convient de signifier que, malgré les émissions importantes de GES qui découlent du secteur
AFAT, ce secteur joue aussi un rôle important dans l’atténuation du changement climatique,
car il est non seulement une source majeure d’émissions de GES mais aussi de stockage de
carbone (séquestration du carbone par la photosynthèse), dont l’incidence sur le cycle du
carbone se répercute à l’échelle planétaire. L’utilisation des terres et la gestion des forêts sont
étroitement liées au mode de vie, au lieu de vie et aux moyens d’existence des populations, et
les mesures prises dans ce domaine peuvent produire des effets bénéfiques pour
l’environnement mondial (FEM, 2013).
8
Ces forêts rendent de précieux services écologiques au niveau local, régional et mondial.
Le Bassin du Congo présente des taux de déforestation et de dégradation faibles par rapport à
certaines régions du monde. Cependant, le taux de déforestation net y est passé de 0,09 %
entre 1990 et 2000 à 0,17 % entre 2000 et 2005. Cette augmentation a été tirée vers le haut par
la RDC, où le taux a doublé entre les deux périodes, passant de 0,11 % entre 1990 et 2000 à
0,22 % entre 2000 et 2005 (Tchatchou et al., 2015).
II.2.1.1 Définitions
Déforestation
La déforestation est définie par Kanninen et al. (2007) comme la conversion d’une forêt en
une autre forme d’occupation spatiale ou comme la réduction à long terme du couvert forestier
sous un seuil de dix pourcents.
Dégradation forestière
La dégradation forestière est un processus tout à fait différent de la déforestation. Plusieurs
organismes internationaux en ont proposé des définitions.
La retient que la dégradation des forêts est la réduction de la capacité de la forêt à fournir des
biens et des services(FAO, 2011).
Dans le contexte de la REDD+, la dégradation forestière peut être définie comme la perte
partielle de la biomasse due à l’exploitation forestière ou à d’autres causes (Kanninen et al.,
2007b).
Lambin et al. (2001) ont identifié quatre grands groupes de facteurs qui peuvent être
considérés comme les causes immédiates de la déforestation et la dégradation de la forêt,
c’est-à-dire les facteurs qui agissent directement sur elles. Il s’agit principalement de :
l’extension des infrastructures (en termes d’infrastructures, on peut citer, entre autres,
les routes, le chemin de fer, les barrages hydroélectriques et les lignes de transport de
l’énergie électrique ;
l’expansion urbaine est essentiellement motivée par l’explosion démographique dans les
grandes cités) ;
9
l’expansion de l’agriculture (l’agriculture paysanne est la principale cause de
déforestation dans les zones tropicales. Elle contribue à 35 % à la destruction de la
forêt en Afrique, 65 % en Amérique latine et un peu plus de 30 % en Asie du Sud-
Est) ;
Causes indirectes
11
D’une manière générale, les départements les plus peuplés sont ceux qui connaissant des taux
de déforestation les plus élevés, du fait surtout de l’agriculture et du bois énergie (facteurs
techniques et économiques) (CN-REDD, 2016b). À ceci s’ajoutent d’autres facteurs (figure 5)
qui sont :
12
II.2.2.3 Conséquences de la déforestation et la dégradation des forêts en République du
Congo
La déforestation et la dégradation des forêts en République du Congo sont à l’origine de
plusieurs conséquences à savoir : les érosions, la perturbation des services écosystémiques, la
destruction des habitats, l’émission des GES, etc. De ce fait, l’ampleur de la déforestation et la
dégradation forestière varie en fonction des départements. Le tableau 2 répertorie selon les
études, les pertes de superficies forestières par département entre 2000 et 2012 et le tableau 3
le pourcentage surfacique des pertes forestières en fonction du type de changement par rapport
à la surface de la forêt pour chaque département entre 2000 et 2010.
Tableau 2 : pertes de superficies forestières par département selon les études entre 2000 et
2012 (CN-REDD, 2016b)
Synthèse des pertes par département (ha)
Départements
FACET GAF GCF CNIAF
Kouilou 14.664 19.392 40.321 15.643
Niari 12.706 28.637 33.195 9.815
Bouenza 4.178 7.652 14.154 2.051
Lékoumou 10.478 14.839 21.85 8.604
Pool 26.049 14.47 44.964 10.14
Plateaux 27.307 13.981 29.885 14.689
Cuvette 14.997 4.062 26.598 16.904
Cuvette-Ouest 15.185 5.773 20.642 9.747
Sangha 13.643 -3.156 23.83 13.785
Likouala 30.698 6.803 52.298 43.98
Total 169.903 112.452 307.735 145.356
Pertes annuelles 16.990 11.245 25.645 12.113
Total perte Forêt vers Forêt vers Forêt vers Forêt vers Forêt vers
(%) agriculture zone humide savane/prairie installation autre terre
(%) (%) (%) (%) (%)
Bouenza 3,18 99,38 0 0,25 0,37 0
Sangha 0,18 23,79 2,68 6,53 66,15 0,85
Pool 3,82 96,8 0 0,27 2,93 0
Plateaux 2 ,02 94,16 0,03 3,55 2,2 0,07
Niari 2,13 85,04 0,01 0,39 14,56 0
Likouala 0,33 39,58 8,47 19,17 27,8 4,98
Lékoumou 1,23 77,73 0 0,02 22,24 0
Kouilou 2,72 94,45 0,17 1,32 3,94 0,12
Cuvette ouest 0,59 83,73 0 1,81 14,4 0,06
Cuvette 0,3 66,66 7,55 4,79 17,1 3,4
Total 0,77 78,44 1,61 3,81 15,28 0,86
En République du Congo comme cela peut être remarqué dans le tableau 3, les changements
d’occupation du sol les plus rencontrés sont : Forêt vers l’agriculture et de Forêt vers les
installations (Bâtis). Ainsi ces changements liés aux pratiques de déforestation et de la
dégradation de forêt représentent une source importante d’émission de GES, principalement
du CO2 contribuant à l’amplification du réchauffement climatique.
14
II.2.2.4 Enjeux de lutte de la déforestation et de la dégradation forestière
Comme plusieurs pays tropicaux, la République du Congo s’était engagée dans le processus
REDD+, depuis 2008, dans le but précis de : (i) contribuer à la lutte contre les changements
climatiques, (ii) lutter contre la pauvreté et (iii) asseoir les bases d’un véritable développement
durable et d’une économie verte (CN-REDD, 2016a). Le processus REDD+ de la République
du Congo, était lancé officiellement par le Gouvernement en Janvier 2010, avait attendu
jusqu’en Janvier 2013, l’aboutissement de la requête qui avait permis de mobiliser les 8
millions de dollars US (fonds de sécurité) pour la mise en route des principales activités du
Plan de préparation à la REDD+ (stratégie nationale de la REDD+ en République du Congo,
finalisé en
2016), permis d’aboutir à la mise en place d’un des outils stratégiques et techniques importants
à savoir : le Niveau d’Émissions de Référence pour les Forêts (NERF). Ce document présente
donc le niveau d’émissions de référence pour les Forêts de la République du Congo pour la
REDD+ à la Convention Cadre des Nations Unies sur les Changements Climatiques
(CCNUCC). Le NERF est national et comprend comme activités de la REDD+, les activités
qui occasionnent la déforestation et la dégradation forestière. Les réservoirs inclus sont la
biomasse aérienne, la biomasse souterraine et la biomasse du bois mort et le gaz inclus est le
CO2. Il est établi à 35.475.652 (soit environ 35,48 millions) de tonnes d’équivalent CO 2 par an
(35,48 millions teCO2/an) (CN-REDD, 2017).
II.3 Télédétection
II.3.1 Définitions
La télédétection selon les auteurs est définie comme suit :
Les types d’images les plus utilisées dans les études diachroniques de l’occupation du sol sont
les suivants : Landsat MSS (Multi Spectral Scanner), TM (Thématic Mapper), ETM
(Enhanced
Thermal Mapper), Landsat OLI et Sentinel 2. Ce Choix est motivé par le fait qu’ils
représentent une source importante des archives (Landsat MSS, ET et ETM) en imagerie
satellitaire du globe et aussi compte tenu de leur libre accessibilité.
17
de similarité statistiques. Les classes spectrales sont formées en premier, basées sur l’information
numérique. Ces classes sont ensuite associées à des classes d’information utile si possible
(Champauld et al., 1993).
En télédétection, Kappa est calculé à partir des informations d’une matrice de confusion dont
les lignes correspondent aux données d’observations (ou terrain) et les colonnes aux données
18
de la classification. C’est donc un estimateur de qualité qui tient compte des erreurs en lignes
et en colonnes. Sa valeur est comprise entre -1 et 1.
Landis & Koch (1977) ont proposé une grille de lecture indicative pour interpréter ses valeurs
:
• < 0 : Grand désaccord ;
• 0,00 – 0,20 : accord très faible ;
• 0,21 – 0,40 : accord faible ;
• 0,41 – 0,60 : accord moyen ;
• 0,31 – 0,80 : accord satisfaisant ; 0.81 – 1,00 : accord excellent.
Il est important de signifier que, depuis le début des années 1990, le Kappa de Cohen a fait
l’objet de nombreux débats et de plusieurs critiques concernant ses limites. Il ne peut rien
mesurer lorsqu’on travaille sur le nombre de modalité différent. Aussi, pour une même
proportion brute d’accord, le Kappa tend à être plus faible lorsqu’un stade prédomine
nettement dans les données, et à être plus élevé lorsque tous les stades sont également
représentés dans la population étudiée. Il tend également à être élevé si les juges ont à choisir
entre de nombreux stades que s’ils n’ont qu’à choisir que parmi 2 à 3 stades (Santos, 2017).
Ainsi, dans le cadre de l’initiative mondiale pour l’observation des forêts, les méthodes et
pratiques préconisées pour l’évaluation de la précision sont basées soit sur une approche de
stratification pour une carte de prédiction catégorielle (Olofsson et al., 2014) soit sur une
approche assistée par modèle pour une carte avec des prévisions continues (Sannier et al.,
2014). Ces deux approches permettent de générer des estimations non biaisées des domaines
d’activités avec des intervalles de confiance, répondant aux critères du GIEC (GIEC, 2003)
Les paramètres qui rentrent en jeux dans l’appréciation de l’exactitude d’une carte sont :
la précision du producteur ;
la précision de l’utilisateur ;
la précision globale.
Toutes les cartes produites au moyen de la télédétection contiennent des erreurs de
classification, ainsi l’évaluation de l’exactitude des cartes permet d’identifier ces erreurs de
classification des cartes, d’évaluer non seulement des précisions, mais aussi les superficies et
19
les incertitudes (FAO, 2016; GFOI, 2013; Olofsson et al., 2014). Les principales erreurs de
classification sont :
20
(Goma Boumba et al., 2018) Réserve de la Léfini Article (publié)
Les limites territoriales du district de l’île M’Bamou sont définies ainsi qu’il suit (JORC,
2011)
:
21
au Nord-Ouest : depuis l’extrémité orientale de l’ile qui est le point de contact avec la
médiane, de ce point, suivre la ligne droite jusqu’à l’extrémité orientale des falaises de
Douvres, ensuite suivre la rive septentrionale du Stanley-Pool jusqu’au port de l’ATC
de
Brazzaville ; de là, suivre la ligne droite jusqu’à l’extrémité Sud-Ouest de 1’île, point
de contact avec la médiane ;
au Sud-Est : de son extrémité Sud-Ouest et au point de contact avec la médiane du
Stanley-Pool, suivre la rive méridionale de l’île qui est le bord de l‘ île jusqu’à son
extrémité orientale, point de contact avec la ligne médiane.
III.1.3.2 Pédologie
Le sol de l’Ile M’Bamou appartient à la classe des sols ferralitiques fortement désaturés
remaniés jaunes (Denis, 1974). Cependant, De Champs, (1969) classe trois principaux types
de sols au niveau de cette île, à savoir :
III.1.3.3 Géologie
L'Ile M’Bamou est essentiellement constituée par des alluvions anciennes ou récentes très
complexes, reposant, en discordance sur des formations crétacées appartenant à la série du
Stanley-Pool (Sita, 1970).
23
III.1.3.4 Relief
Dans le sens de la longueur, l'Ile M’Bamou peut se diviser en deux parties de dimensions à
peu près égales, mais d'aspect très différent. La moitié occidenta1e, regardant vers la passe
droite, est pratiquement plane (253m d’altitude, figure 10). Elle est presque entièrement
recouverte par les hautes eaux. Cette partie est sillonnée de nombreux chenaux. La moitié
orientale, faisant face à la passe gauche, a le monopole des terres hautes qui ne sont que
partiellement inondées lors d’assez nombreux chenaux qui partent de la moitié occidenta1e,
si1lonnent cette région. Dans cette partie, deux points hauts attirent l'attention. Le premier est
situé un peu en aval de la pointe Sud-Ouest de l'Ile qu'il domine d'une vingtaine de mètres : il
s'agit de la Colline de Sinos (Chinois). Elle a la forme d'une croupe allongée se prolongeant
sur l'amont. Un autre point de même nature, situé plus en aval, surplombe une partie des
rapides (Sita, 1968). Seule la partie plus haute de l’île couvre une étendue importante de forêt,
elle s’élève à environ 294 m par rapport au niveau moyen de la mer (figure 7).
24
III.1.3.5 Végétation
Le district de l’île M’Bamou présente deux grandes formations végétales : la forêt et la savane.
La savane se présente sous trois formes : la forme aquatique (prairie aquatique), la forme
inondable (prairie inondable) et la forme exondée (savane de terre ferme). Selon les différents
types de sol, la savane sur terre ferme se présente sous deux aspects : savane à Hyparrhenia
(sur des sols argilo-sableux ou limon-argilo-sableux) et une savane à Loudetia (sur les sols
sableux)
(Sita, 1970). On distingue deux types de forêts sur l’île M’Bamou : la forêt inondable et la
forêt sur terre ferme, ces forêts sont constituées de plusieurs espèces dont la plus abondante est
le palmier (Elaeis guineensis Jacq.) dans les zones de forêt dégradée.
La forêt fait aussi l’objet de la récolte de bois énergie. Le bois issu de la forêt du district de
l’île M’Bamou, les produits agricoles, les produits forestiers non ligneux (PFNL), tout comme
les produits de pèche (poissons) sont consommés au niveau local mais aussi écoulés vers
Brazzaville et Kinshasa grâce au fleuve Congo.
25
III.2 Matériel
Comme décrite dans ce tableau ci-dessus, les images téléchargées sur le site de USGS Earth
explorer de la NASA proviennent du capteur Sentinel 2A et les deux autres des capteurs
Landsat 1-3 MSS (Multi Spectral Scanner) et Landsat 7 ETM (Enhanced Thématic Mapper).
Une fois sur l’interface (figure 8) du site, après avoir spécifié la scène ou la tuile (selon le type
de capteur) et la période d’étude (1979 à 2021), une requête de couverture nuageuse ≤ 10%
avait été formulée. Cela afin de minimiser les brumes et nuages qui entâcheraient la qualité
des images et faciliter ainsi la différenciation des classes de l’occupation du sol. L’ensemble
de ces images a constitué une série temporelle d’images qui a permis de faire une étude
diachronique de l’occupation du sol. L’image Landsat MSS et ETM ont également servi
comme images de références pour la validation par photo-interprétation, respectivement de la
carte de 1979 et celle de 2003. Pour la validation de la carte de 2021, les images de haute
résolution de Google Earth Pro et les données de référence de terrain ont été utilisées.
26
Figure 8 : interface Earth Explorer et panneau de requêtes
III.3 Méthode
III.3.1 Pré-traitement des images satellitaires
Le pré-traitement d’une image consiste à réaliser préalablement un ensemble d’opérations
requises avant l’analyse principale et l’extraction de l’information. Ainsi avant de procéder à
la classification thématique des images satellitaires, une série d’opérations de pré-traitement a
été effectuée afin de faciliter leur exploitation. Il s’agit :
27
Rééchantillonnage des pixels
Après assemblage des bandes et l’application des compositions colorées vraies couleur, dans
le but de rendre les superpositions et les comparaisons possibles, les pixels des images Landsat
avaient été rééchantillonnés (Avakoudjo et al., 2014; Diédhiou et al., 2020; Kpedenou et al.,
2016). Les pixels de l’image Landsat MSS (60m de résolution) et Landsat ETM (en général
30m) ont été ainsi ramené à la résolution des images Sentinel 2A (10m de résolution) (figure
10).
L’indice de végétation normalisée « NDVI » a été calculé sur toutes les images afin de mieux
reconnaitre, caractériser et apprécier les zones de couvert végétal (figure 13) et celle qui ne
possèdent pas de végétation. Le NDVI met en valeur la différence entre la bande visible du
rouge et celle du proche infrarouge [NDVI = (PIR-R)/PIR+R)]. Il est sensible à la vigueur et à
la quantité de la végétation. Les valeurs du NDVI sont comprises entre -1 et +1, celles
négatives correspondent aux surfaces autres que les couverts végétaux (la neige, l'eau ou les
nuages). Pour les sols nus, le NDVI présente des valeurs proches de 0. Les formations
végétales quant à elles, ont des valeurs de NDVI positives, généralement comprises entre 0,1
et 0,7. Les valeurs les plus élevées correspondant aux couverts les plus denses (Meneses-
Tovar, 2011).
29
30
Tableau :
6 équation de calcul du NDVI par type de capteur
Capteur Équation 1
(𝐵𝑎𝑛𝑑𝑒 8 − 𝐵𝑎𝑛𝑑𝑒 4)
𝑁𝐷𝑉𝐼𝑆𝑒𝑛𝑡𝑖𝑛𝑒𝑙 −2 =
(𝐵𝑎𝑛𝑑𝑒 8 + 𝐵𝑎𝑛𝑑𝑒 4)
(𝐵𝑎𝑛𝑑𝑒 4 − 𝐵𝑎𝑛𝑑𝑒 3)
Landsat 4-7 𝑁𝐷𝑉𝐼𝐿𝑎𝑛𝑑𝑠𝑎𝑡 4−7 =
(𝐵𝑎𝑛𝑑𝑒 4 + 𝐵𝑎𝑛𝑑𝑒 3)
Landsat 1-3
Sentinel-2
31
Tableau :
Les tableaux 7, 8 et 9 présentent une grille d’interprétation des différentes signatures
spectrales de chaque classe, en fonction de l’image utilisée pour la classification.
Forêt dense
Foret dégradée
Savane/Jachère
Sol nu/Bâtis
Eau
Bande de sable
32
Tableau :
Forêt dense
Foret dégradée
Savane/Jachère
Sol nu/Bâtis
Eau
Bande de sable
33
Tableau :
Forêt dense
Forêt dégradée
Savane/Jachère
Sol nu/Bâtis
Eau
Bande de sable
Tableau :
33
III.3.3 Classification supervisée des images
En ce qui concerne cette étude, après discrimination des différentes classes d’occupation du
sol sur les images, la délimitation des zones d’entrainement après création d’une couche
shapefile possédant des entités polygonales (avec trois attributs : Nom, Code et Commentaire)
(figure 16) a été faite de sorte que les échantillons sélectionnés pour chaque classe soient
suffisamment représentatifs sur l’ensemble de la zone d’étude. Cette classification a été ainsi
réalisée sous Qgis 3.10 à partir du menu de ‘’ Dzetsaka ’’. Une fois la couche des zones
d’entrainement (ROI) créée et la sélection de ces derniers faite, l’algorithme ‘’ Random Forest
’’ a été utilisé pour l’application de la classification supervisée.
(a) (b)
36
(a) (b)
Équation 2
(a) (b)
Le point a été utilisé comme unité d’échantillonnage (figure 20), ainsi pour toute la superficie
couvrant la zone d’étude, 600 points de l’échantillon ont été répartis entre les classes à raison
de 100 points par classe. Ensuite les 100 points de chaque classe ont été alloués de façon
38
aléatoire dans chacune d’elle. L’allocation des points a été réalisée sous Qgis 3.10 à partir de
l’outil ‘’ Création de ROI multiple ‘’ de « SCP » qui a conduit à l’obtention d’une couche de
validation (figure 17).
39
Figure 18 : validation des points par photo-interprétation
Les coordonnées des points de vérité terrain ont été recueillies depuis la carte et saisies dans le
GPS afin de confronter la réalité de la carte (l’occupation du sol) à celle du terrain. La
vérification des différents points sur le terrain a été rendue possible grâce à l’option ‘’GO
TO’’ du GPS. La fiche de vérification des points sur le terrain se présente comme suit :
Tableau 10 : fiche de vérité terrain
Coordonnées Occupation du sol
Longitude (X) Latitude (Y) carte terrain
1
2
3
-
-
n
40
Figure 19 : obtention automatique de la matrice de confusion
Après l’étape précédente, une matrice de confusion avait été générée automatiquement dans
un fichier de format CSV et ce dernier avait été converti en format Excel. La matrice de
confusion permet de voir les confusions des classes lors de la classification. Aussi, grâce à elle
permet d’évaluer la qualité de la précision de la classification. Dans cette matrice, la diagonale
représente les pixels bien classés et de part et d’autre de la diagonale ; ce sont les pixels mal
classés (tableau 11).
Validation de la carte
Après avoir estimé la proportion des superficies de chaque classe thématique, la précision de
la carte a été évaluée en calculant les erreurs type. Ainsi nous avons calculé :
Équation 4
Avec pii le nombre correctement identifié comme classe de carte ; Pi est le nombre revendiqué
être dans cette classe de carte.
Équation 5
Avec Pjj le nombre de sites de test correctement identifié ; Pj est le numéro réel de la carte.
Équation 6
q désigne le nombre de classe
Équation 8
42
Superficie ajustée à l’incertitude ou intervalle de confiance Elle
est estimée comme suit : Â𝐣 ± 𝟐 ∗ 𝑺(. 𝒋 Équation 10
L’évolution spatio-temporelle de chaque classe d’occupation du sol a été évaluée entre une
date T1 et T2. La relation entre la même classe à deux dates différentes, a permis d’extraire les
zones « stables », de « régression » et de « progression » de ladite classe. On considère que S 1
représente la superficie occupée par la même classe d’occupation du sol à la date T 1 et que S2
est la surface de ces mêmes classes pour la date T2 (Kpedenou et al., 2016).
43
2. Quantification du changement
Dans le but de quantifier les changements au niveau des classes d’occupation du sol, les taux
de changement et la matrice de transition ont été calculés. Les changements ont été déterminés
sur les trois périodes que sont : 1979-2003, 2003-2021 et 1979-2021. Le taux de changement
global (Tg) et le taux d’évolution annuel (Tc) de chaque période ont été déterminés
respectivement à partir des équations 11 et 12.
Équation 11 ; Équation 12
Pour les deux équations, S1 désigne la surface d’une classe d’unité de surface à la date t 1 ; S2 la
superficie de la même classe d’unité de surface à la date t2.
Dans l’analyse des valeurs du taux de changement, les valeurs positifs indiquent une ‘’
progression ‘’ de la classe et les valeurs négatives, une ‘’ régression ‘’. Les valeurs proches de
zéro (0) indiquent que la classe est relativement ‘’ stable ‘’ (Kpedenou et al., 2017).
44
45
Figure 21 : fiche d’enquête
46
IV. RESULTATS ET DISCUSSION
IV.1 Résultats
IV.1.1 Résultats cartographiques et évaluation de la précisons des cartes
Les différentes cartes (figure 22, 23 et 24) obtenues après la classification supervisée des trois
images retenues dans cette étude possède chacune 6 classes d’occupation du sol, à savoir : (1)
Forêt dense, (2) Forêt dégradée (3) Savane/jachère, (4) Sol nu/Bâtis, (5) Eau et (6) Bande de
sable. Ces différentes classes sont ainsi représentées sur chaque carte par la même couleur
comme l’indique la légende des cartes.
47
Figure 23 : carte d’occupation du sol de l’année 2003
48
Ces différentes cartes renseignent sur la répartition de chaque classe d’occupation du sol
cartographiée du district de l’île M’Bamou. Toutes les cartes montrent une domination de la
classe savane/jachère et Eau. En comparant les cartes, on constate des changements importants
qui ont lieu au niveau des classes, c’est le cas de la classe Forêt dense, Forêt dégradée et Sol
nu/Bâtis (figure 23 et 24). Ces changements sont très bien observables au niveau de la zone
forestière sur la carte de 2021 qui présente une dégradation importante de la couverture
forestière.
données de références et les données de classifications des images couvrant la zone d’étude.
49
Tableau 14 : matrice de confusion de la carte de 2021
Il ressort de ces tableaux qu’au niveau de chaque carte, 600 échantillons repartis de façon
aléatoire dont 100 échantillons par classe, avaient été utilisés pour l’analyse de la précision
des différentes cartes. Au niveau de chaque tableau, les valeurs sur la diagonale représentent le
nombre d’échantillons bien classés, c’est-à-dire l’occupation du sol sur la carte correspond
belle et bien avec celle de référence. Les valeurs hors de la diagonale par contre, représentent
le nombre d’échantillons mal classés dont l’occupation sur la carte ne correspond pas à celle
de référence. Par exemple au niveau du tableau 12, la validation des points d’échantillonnage
a révélé respectivement que 98 points (Foret dense), 93 points (Forêt dégradée), 99
(Savane/Jachère), 92 points (Sol nu/Bâtis), 99 points (Eau) et 98 points (Bande de sable) ont
été bien classés. S’agissant de la classe Forêt dense, sur les 100 échantillons alloués à cette
classe, 98 échantillons ont été bien classés par contre 1 échantillon a été commis à la classe
Savane/Jachère et un autre à la classe Sol nu/Bâtis.
50
Tableau
15 : matrice de confusion ajustée aux proportions des surfaces et évaluation des
erreurs type de la carte de 1979
Pi=Wi(nij/ni)
Forêt Foret Sol Bande Total Précision de
Savane/Jachère Eau
dense dégradée nu/Bâtis de sable (Wi) l’utilisateur
Forêt dense 0,0968 0,0010 0,0010 0 0 0 0,09878 0,98
Foret dégradée 0 0,09675 0,00728 0 0 0 0,10403 0,93
Savane/Jachère 0 0 0,39546 0,00399 0 0 0,399453 0,99
Sol nu/Bâtis 0 0 0,00120 0,02760 0 0,0012 0,0300 0,92
Eau 0 0 0,00311 0 0,30807 0 0,3112 0,99
Bande de sable 0 0 0 0 0,00113 0,0554 0,0565 0,98 Total 0,0968 0,0977 0,4080 0,0316 0,3092 0,0566 1
L’examen du tableau 15 révèle que la classe la plus importante en termes de superficie est la
classe Savane/Jachère avec 39,94%, elle est suivie par les classes Eau (avec 31,12%), Forêt
dégradée (avec 10,40%) et Forêt dense (avec 9,87%). La précision globale de carte a été
évaluée à 98,01% et les précisions spécifiques (producteur et utilisateur) aux différentes
classes dépassent 90% de façon générale. De toutes les classes, la mieux classifiée est la classe
Fôret dense.
Tableau 16 : matrice de confusion ajustée aux proportions des surfaces et évaluation des
erreurs type de la carte de 2003
Pi=Wi(nij/ni)
Précision
Forêt Foret Sol Bande Total
Savane/Jachère Eau de dense dégradée
nu/Bâtis de sable (Wi)
l’utilisateur
Forêt dense 0,0853 0,0076 0,0019 0 0 0 0,0948 0,9
Foret dégradée 0,0009 0,0867 0,0027 0 0 0 0,0903 0,96
Savane/Jachère 0 0,0076 0,3442 0,0306 0 0 0,3825 0,9
Sol nu/Bâtis 0 0 0,0010 0,0252 0 0 0,0262 0,96
Eau 0 0 0,0034 0,0034 0,3246 0,0068 0,3382 0,96
Bande de sable 0 0 0 0,0014 0,0007 0,0660 0,0681 0,97 Total 0,0862 0,1019 0,3533 0,0605 0,3253 0,0728 1
Précision du
0,99 0,85 0,97 0,42 1,00 0,91
producteur
Précision
0,932
globale
51
L’analyse du tableau 16 montre que la précision globale de la carte a été évaluée 93,2%. On
remarque une légère réduction des proportions d’occupation du sol des classes
Savane/Jachère,
Forêt dense, Forêt dégradée et Sol nu/Bâtis alors que les classes Eau et Bande de sable ont
toutes les deux connues une légère augmentation de chacune de leurs proportions par rapport à
la carte de 1979.
Tableau 17 : matrice de confusion ajustée aux proportions des surfaces et évaluation des
erreurs type de la carte de 2021
En ce qui concerne la carte de 2021, l’examen du tableau 17 montre que sa précision a été
évaluée à 95,6%. Ce tableau révèle aussi, qu’en 2021, les classes les plus représentatives sont
les classes Savane/Jachère (avec 43,31%), Eau (avec 30,65%) et Sol nu/Bâtis (avec 11,29%).
La classe Sol nu/Bâtis a connu un accroissement très considérable, par contre les classes Forêt
dense (avec 6,26%) et Forêt dégradée (avec 2,83%) comparées à la carte de 1979 et 2003, ont
connu une réduction très considérable.
52
Tableau
Tableau 19 : écarts de variation et le type de biais entre les superficies estimées des classes
thématiques selon la carte et de la donnée de référence
Carte 1979 Carte 2003 Carte 2021
53
e
sousestimation 56,6 sousestimatio
Sol nu/Bâtis 50,54 5,05 1086,92 -304,32 -9,29 surestimation
6 n
Eau -62,80 -0,64 surestimation -407,18 -3,95 surestimation -343,90 -3,67 surestimation
sousestimation sousestimatio sousestimation
Bande de sable 2,19 0,12 149,66 6,49 442,38 19,81
n
L’ajustement des superficies en tenant compte des biais observés a conduit à une variation des
superficies initiales (carte), ainsi la figure 25 illustre au mieux ces différentes variations.
16000
14000
Superficie
12000 (ha)
10000
8000
6000
4000
2000
0
Référence Carte Référence Carte Référence Carte
1979 2003 2021
Type de superficie et année Forêt dense
L’analyse de la figure 25 montre que les proportions des classes d’occupation du sol sur
chaque année entre les superficies estimées et celles de référence, la variation en termes de
proportions n’est pas assez importante au niveau des classes. L’ordre de la représentativité des
classes au niveau des deux différents types de superficie est le même, excepté au niveau de la
carte de 2003 où la proportion de la classe Forêt dégradée sur la carte est plus importante à
celle de la Forêt dense, cependant après ajustement des superficies, la proportion de cette
dernière est devenue légèrement moins importante que celle de la Forêt dense.
54
Tableau
différentes classes d’occupation du sol ajustées à l’erreur standard. Elle varie d’une classe à
une autre.
L’analyse du tableau 21 montre qu’en 1979, le paysage était dominé majoritairement par les
classes Savane/jachère (40,80% ; 12935,28 ha) et Eau (30,92% ; 9802,08 ha). A ces deux
dernières venaient les classes Forêt dégradée (9,77% ; 3068,73 ha) et Forêt dense, avec des
proportions assez proches par contre les classes Bande de sable et Sol nu/Bâtis étaient les plus
faiblement représentées avec respectivement 5,66% (1794,83 ha) et 3,16% (1001,62 ha). En
2003, comme en 1979, les classes Savane/Jachère (35,33% ; 11119,09 ha) et Eau (32,53% ;
55
10311,73 ha) étaient toujours les plus représentées. Les classes Forêt dégradée, Forêt dense,
Bande de sable et Sol nu/Bâtis représentaient respectivement 10,19% (3230,24 ha), 8,62%
(2732,56 ha), 7,28% (2306,87 ha) et 6,05% (1918,34 ha).
En 2021, les classes forestières sont les plus moins représentées, à savoir : Forêt dense avec
5,53% (1754,42 ha) et Forêt dégradée avec 4,19% (1327,91 ha). Les classes qui occupent les
plus grandes proportions sont respectivement, Savane/Jachère (43,33% ; 13736,91 ha), Eau
(29,57%, 9373,05 ha) et Sol nu/Bâtis (10,33% ; 3275,98 ha).
La figure 26 illustre au mieux la représentativité et la variation de chaque classe entre les trois
années.
50
45
Superficie
40 (ha)
35
30
25
20
15
10
5
0
1979 2003 2021
Année
Forêt dense Foret dégradée Savane/Jachère Sol nu/Bâtis Eau Bande de sable
Figure 26 : variation des proportions des superficies des classes d'occupation du sol par année
De ces différentes superficies présentées en fonction des années, on constate que les
différentes classes présentent une dynamique considérable. Elle est régressive pour les classes
Forêt dense et Forêt dégradée quoi qu’en 2003 on observe une stabilité. Au niveau des classes
Sol nu/Bâtis et Bande de sable on observe une progression des différentes classes surtout la
classe Bande de sable dont la proportion a presque triplé. La classe Eau est restée un peu
stable malgré sa légère progression en 2003, par contre au niveau de la classe Savane/Jachère,
on observe une progression en 2021 de cette dernière par rapport à la superficie initiale de
1979 quoi qu’en 2003 elle avait connu une faible régression.
56
Tableau
IV.1.2.2 Evaluation de l’évolution de l’occupation du sol
L’évolution de l’occupation du sol dans le district de l’île M’Bamou entre 1979-2003,
20032021 et 1979-2021 est présentée dans le tableau 22 qui renseigne sur les taux de
changement global et annuel de chaque classe durant les trois périodes considérées par l’étude.
22 : taux de variation spatiale des classes d’occupation du sol entre 1979-2003, 2003-
2021 et 1979-2021
1979 2003 2021 1979-2003 2003-2021 1979-2021
Tc Tg Tc Tc
(ha) % (ha) % (ha) % Tg (%) Tg (%)
(%) (%) (%) (%)
Forêt dense 3068,73 9,68 2732,56 8,62 1754,42 5,53 -10,95 -0,48 -35,8 -2,46 -42,83 -1,33
Foret dégradée 3098,39 9,77 3230,24 10,19 1327,91 4,19 +4,26 +0,17 -58,89 -4,94 -57,14 -2,02
Savane/Jachère 12935,28 40,8 11197,09 35,33 13736,18 43,33 -13,44 -0,6 +22,68 +1,14 +6,19 +0,14
Sol nu/Bâtis 1001,62 3,16 1918,34 6,05 3275,98 10,33 +91,52 +2,71 +70,77 +2,97 +227,07 +2,82
Eau 9802,08 30,92 10311,73 32,53 9373,05 29,57 +5,2 +0,21 -9,1 -0,53 -4,38 -0,11
Bande de sable 1794,83 5,66 2306,87 7,28 2232,77 7,04 +28,53 +1,05 -3,21 -0,18 +24,4 +0,52
57
D’après les résultats, les classes forestières (Forêt dense et dégradée) qui occupaient 9,68% et
9,77% en 1979 sont passées à 5,53% et 4,19% en 2021, soit une diminution respectivement de
42,83% (1314,33 ha) et 57,14% (1770,42 ha). Au niveau de la classe Sol nu/Bâtis l’on note
une augmentation très importante de 227,07% (2274,37 ha), faisant ainsi passée la superficie
de ladite classe de 1001,62 ha en 1979 à 3275,78 ha en 2021 pour un taux moyen annuel
d’accroissement durant la période de 2,82%. Excepté les classes forestières qui ont connu une
régression, on note aussi, une régression au niveau de la classe Eau de 4,38% (429,33 ha) à
raison de 0,11% par an alors que les classes Bande de sable et Savane/Jachère ont aussi connu
une progression respectivement de 24,4% (437,93 ha) et 6,19% (800,69 ha) soit une
augmentation moyenne annuelle de 0,52% et 0,14%. La figure 27, illustre les taux généraux
de variation spatiale des différentes classes d’occupation du sol entre 1979 et 2021 comme
décrite ci-haut avec les classes de progression en couleur bleu, le classes de régression en
rouge.
Bande de sable
Occupation du sol
Eau
Sol nu/Bâtis
Savane/Jachère
Foret dégradée
Forêt dense
Figure 27 : bilan des changements opérés au niveau des différentes classes d’occupation du
sol entre 1979 et 2021
58
Tableau
Tableau 23 : facteurs directs de la déforestation et la dégradation de la forêt
Facteurs directs Effectif Fréquence (%)
Agriculture 100 100
Coupe du bois 0 0
Autre 0 0
TOTAL 100 100%
59
IV.2 Discussion
IV.2.1 Evaluation de la précision des classifications et résultats cartographiques
La cartographie de l’occupation du sol du district de l’île M’Bamou est d’une importance
capitale pour ce territoire. En effet, ce territoire connu comme le grenier agricole de
Brazzaville, n’a fait l’objet d’aucune étude scientifique sur l’occupation du sol visant à
cartographier les différentes unités paysagères et évaluer leur dynamique. Cette étude,
représente la première pour ce cadre qui ne possède pas de carte d’occupation de sol. Ainsi, la
cartographie à l’aide des données multi sources et multi dates a permis de renseigner sur
l’occupation du sol au niveau du district de l’île M’Bamou.
Les trois produits cartographiques obtenus par la classification supervisée des différentes
images satellites, après confrontation avec les données de référence ont été évalué à une
précision globale de 98,01% pour la carte de 1979, 93,2% pour la carte de 2003 et 95,6%
pour la carte de 2021. Selon Congalton (1991), une classification est jugée acceptable lorsque
la précision globale avoisine 80%. Dans cette étude, toutes les cartes produites ont toute une
précision largement supérieure à 80%, cela démontre que les extractions faites sur les
différentes images satellites pour la production des différentes cartes sont de très bonne
qualité et que les cartes sont bonnes et exploitables.
Selon Olofsson et al. (2013), les données qui servent à évaluer la précision d’une carte
doivent être de qualité et de résolution au moins supérieures ou égales aux données utilisées
pour l’élaboration de la carte. Dans cette étude, les mêmes images qui ont servi pour la
production de la carte de 1979 et 2003, ont aussi servi comme images de référence lors de la
photointerprétation. Cela est suite à un manquement d’autres sources de données d’imagerie
accessibles et libres, surtout pour la carte de 1979. Les meilleures données de référence
auraient peut-être pu conduire à une meilleure évaluation de la précision des cartes.
Cependant cette même démarche avait aussi été adoptée par divers auteurs à l’instar de
Binsangou et al. (2017, 2018).
Il conviendrait de notifier aussi que les cultures (l’agriculture) auraient pu constituer une
classe à part entière pour mieux suivre l’impact des cultures sur la forêt, cependant seules les
classes prises en comptes par l’étude ont pu être facilement discriminées sur les images. Les
observations de terrain ont permis de comprendre que la signature spectrale des savanes, des
60
jachères et celle des cultures était la même sur les images d’où la difficulté de discriminer ces
trois types d’occupations de sol de façon à avoir des classes séparées.
La période de 1979-2003 présente une dynamique de croissance des classes Bande de sable,
Eau, Sol nu/Bâtis et Forêt dégradée avec des taux de croissance respectivement de 28,53%,
5,2%, 91,52% et 4,26%. Cependant les classes Forêt dense et Savane/Jachère, l’on a noté une
dynamique régressive qui s’élève à des taux de 10,95% et 13,44%. L’analyse de la carte de
2003, comparée à celle de 1979 qui représente la carte de base, témoigne bien de la régression
de la forêt dense au profit d’autres types d’occupation de sol incluant la classe Forêt dégradée
qui avait connu une progression de 4,26% soit 132,005 ha alors que la forêt dense s’était
réduite de 336,02 ha. Entre 2003-2021, le taux de régression de la forêt dense est passé de
10,95% (entre 1979-2003) à 35,6%. Au cours de cette même période la Forêt dégradée a
connu une régression de 58,89% soit 1902,28 ha. Cette régression des classes forestières, très
visible sur la carte de 2021, se traduit sur les cartes, au profit de la progression des classes Sol
nu/Bâtis (227,07% ; soit 2274,37 ha), et Savane/Jachère (6,19% ; 800,69 ha). Cela peut
s’expliquer par les activités anthropiques principalement l’agriculture car sur les cartes de
2002 et surtout en 2021, on remarque bien le remplacement de la forêt par la savane/jachère
et les sols nus. Les sols nus en zone de forêt, confirmé par l’observation sur le terrain, sont le
résultat de l’activité agricole, notamment l’agriculture sur brûlis.
En effet, la forte régression du couvert forestier du district de l’ile M’Bamou n’est pas
étonnante, car depuis les années 1970, Sita (1970) affirmait déjà que l’augmentation de la
population au niveau de l’île M’Bamou avait entrainé très rapidement une destruction
partielle de la forêt, et plus du quart de la zone forestière de l’île M’Bamou se trouvait déjà
sous cultures et cela sans directives agronomiques. A l’époque, lorsque la menace sur la forêt
61
fut mentionnée par Sita (1968), la population de l’île M’Bamou était estimée à 1300
habitants, de nos jours soit 53 ans plus tard, la population du district de l’île M’Bamou est
estimée à 4000 habitants dont la majorité s’adonne aux activités agricoles. Cette population
qui a évolué jusqu’à atteindre cet effectif actuelle. Elle a donc exercé et exerce encore une
forte pression sur la forêt. Plusieurs études en République du Congo ont aussi fait ce même
constat de la régression des formations forestières suite aux activités anthropiques, on peut
citer : Ifo et al. (2017), Bouetou-Kadilamio et al. (2017), Binsangou et al., (2017, 2018), et
Goma Boumba et al. (2018).
62
1979 2003 2021
63
Figure 29 : dénudation du sol pour la mise en culture des boutures de manioc
(Photo : BOUKONO Déo, 26/12/2021)
Les résultats obtenus après enquête et par l’analyse des cartes d’occupation du sol des
différentes années confirment bien la déclaration de Mpela (2019) qui affirmait que :
« l’agriculture semblerai être la cause principale de la déforestation et de la dégradation
accentuée dans la zone forestière de terre ferme de l'Ile, le long de la passe gauche ». Les
résultats cartographiques couplés à la réalité du terrain ont bel et bien aussi montré que la
zone forestière de terre ferme de l’île, le long de la passe gauche est la plus impactée par les
activités agricoles. Les zones de forêt dégradées que l’on y rencontre, sont gorgées d’eau pour
la plupart ou sont saisonnièrement inondées, ne permettant pas ainsi la pratique de
l’agriculture.
Les zones de terre ferme sont colonisées principalement par les cultures des feuilles de
manioc qui représente, la culture la plus répondue dans les diverses localités du district de
l’île M’Bamou et de la République du Congo en général. Pour sa mise en place, les
agriculteurs pratiquent la technique de culture sur brûlis. Ils abattent des arbres sur des
grandes étendues de forêt, ensuite mettent en place les boutures de manioc sur lesquelles une
fois développées, ils passent récolter les feuilles périodiquement pour être commercialisées
(figure 30).
64
Figure 30 : stockage et transport des feuilles de manioc (Photo : BOUKONO Déo,
26/12/2021)
Il sera convenable de notifier que, quoi que l’agriculture soit identifiée comme le facteur
principal de la déforestation et de dégradation de la forêt, la coupe du bois pourrait aussi
constituer un facteur assez important qui a contribué et contribue encore à la dégradation de la
forêt. Le bois constitue la matière principale pour la cuisson des aliments et le chauffage au
niveau du district de l’île M’Bamou. Les enquêtes ont aussi révélé l’acheminement du bois
vers le marché de Yoro de Brazzaville. Aussi, la pression anthropique exercée sur la forêt a
été accentuée par la croissance démographique car en 53 ans, la population de l’île M’Bamou
a triplé, le besoin en terre agricole propice c’est-à-dire sur terre ferme et fertile, a été croissant
impactant ainsi sur la forêt, principalement celle de terre ferme (figure 28 et 31). Ce constat
de régression du couvert forestier suite à l’activité agricole amplifié par la croissance
démographique, a été aussi fait par Avakoudjo et al. (2014) au Bénin, Kpedenou et al. (2017)
au Togo, Ngo Makak et al. (2018) au Burkina Faso et Biga et al. (2020) au Niger.
(a ) (b)
Figure 31 : dégradation de la forêt de terre ferme : (a) carte d’occupation du sol de 2021 ; (b)
Image Google Earth Pro.
V. CONCLUSION ET PERSPECTIVES
Cette étude a eu pour objectif général l’analyse de l’occupation du sol du district de l’île
M’Bamou entre 1979 et 2021, dans le but d’évaluer les différentes tendances de l’évolution
65
subie par les différentes classes d’occupation du sol. Elle a permis de renseigner sur l’impact
de la pression anthropique sur la forêt du district de l’île M’Bamou. En effet, elle a mis en
relief l’anthropisation progressive du paysage au détriment de la forêt qui a régressée très
considérablement. L’agriculture a été identifiée comme le facteur direct principal qui a
contribué à cette régression de la forêt, cela accentué par la croissance démographique.
Une telle dynamique de la forêt sur ce territoire en 42 ans, surtout à l’ère actuelle du
changement climatique où les écosystèmes forestiers peuvent se comporter en puits et source
de carbone, reste vraiment à considérer. Ce territoire requiert une attention particulière des
autorités en charges de la question des forêts afin de freiner cette pression anthropique qui
s’exerce sur la forêt.
Dans cette étude, les hypothèses émises ayant toutes été bien vérifiées, la réalité observée,
emmène à se questionner sur la quantité d’émissions des gaz à effet de serre, principalement
du dioxyde de carbone, qui a pu découler de cette déforestation et dégradation de la forêt ?
Aussi quels sont les conséquences de cette déforestation et la dégradation forestière observées
sur la flore et la faune ? Ainsi dans cette même lancée, il serait patent de mener des études
supplémentaires sur :
REFERENCES BIBLIOGRAPHIQUES
Akoma Miyono, J. A. J., Makak, J., Palla, F., & Trebossen, H. F. M. (2019). Images
satellites pour l ’ évaluation de l ’ occupation du sol dans les sites de gestion au Gabon.
66
Conférence OSFACO : des images satellites pour la gestion durable des territoires en
Afrique, pp: 3–18. https://hal.archives-ouvertes.fr/hal-02189351
Avakoudjo, J., Mama, A., Toko, I., Kindomihou, V., & Sinsin, B. (2014). Dynamique de l’
occupation du sol dans le Parc National du W et sa périphérie au nord-ouest du Bénin.
Int.
J. Biol. Chem. Sci., 8(6), pp : 2608–2625. https://doi.org/10.4314/ijbcs.v8i6.22
Biaou, S., Houeto, F., Gouwakinnou, G., Honoré, S. S., Biaou, S., Houeto, F.,
Gouwakinnou, G., Sorotori, S., Biaou, H., & Awes-, B. (2019). Dynamique
spatiotemporelle de l ’ occupation du sol de la forêt classée de Ouénou-Bénou au Nord
Bénin. Conférence OSFACO : des images satellites pour la gestion durable des
territoires en Afrique, pp :1–21. https://hal.archives-ouvertes.fr/hal-02189367
Biga, I., Amani, A., Soumana, I., Bachir, M., & Mahamane, A. (2020). Dynamique spatio-
temporelle de l ’ occupation des sols des communes de Torodi , Gothèye et Tagazar de la
région de Tillabéry au Niger Spatio-temporal dynamics of the land use of Torodi ,
Gothèye and Tagazar township in the Tillabery region of Niger. Int. J. Biol. Chem. Sci.,
14(3), pp : 949–965. https://doi.org/10.4314/ijbcs.v14i3.2
Binsangou Malonga, S. (2016). Suivi par teledetection de la deforestation due a la croissance
urbaine de deux localites de la republique du congo : communaute urbaine d’impfondo et
de la ville de ouesso dans la periode de 1986 – 2016. Mémoire de Master, Ecole
Nationale Supérieure d'Agronomie et de Foresterie (ENSAF)/Université Marien
N'GOUABI. 119p.
Binsangou, S., Ifo, S. A., Ibocko, L., Louvouandou, L., Tchindjang, M., & Koubouana,
F. (2018). Urban Growth and Deforestation by Remote Sensing in the Humid Tropical
Forest of Congo Bassin : Case of Impfondo in Republic of Congo. American Journal of
Environment and Sustainable Development, 3(3), pp : 46–54.
Binsangou, S., Ifo, S. A., Koubouana, F., Louvouandou, L., & Nzingoula, S. (2017). Suivi
par télédétection de la déforestation due à la croissance urbaine de la ville de Ouesso
dans la période de 2000-2016 , République du Congo. International Journal of
Innovation and Scientific Research ISSN, 30(2), pp : 186–197. http://www.ijisr.issr-
journals.org/
Bouetou-Kadilamio, L., Ifo, S. A., & Binsangou, S. (2017). Changement de couverture
forestière dans le département de la Likouala dans la période de 1986 à 2015,
République du Congo. European Scientific Journal, 13(24), pp : 322–343.
Branger, B. (2009). Accord entre observateurs : indice de kappa de Cohen. 7p.
http://kappa.chez-alice.fr/kappa_intro.htm
CCT. (2007). Notions fondamentales de télédétection. 266p.
https://orbi.uliege.be/handle/2268/240835.
Champauld, J., Chaume, R., Cherel, J. P., Atkinson, A., & Muscat, G. (1993). Croissance
urbaine, environnement et imagérie satéllite. 295p.
CIRAD. (2011). L’avenir des forêts tropicales : un enjeu mondial. 16p.
67
Claude, J., Alfani, E., Pierre, J., & Ndolandola, M. (2020). Évaluation de l’occupation
spatio -temporelle des composants dans la pratique paysanne de l’association des cultures
dans une région forestière de la République Démocratique du Congo. Afrique SCIENCE,
16(2), pp : 86–100.
CN-REDD. (2015). Carte de changement du couvert forestier en republique du congo pour la
periode 2000-2012. Rapport national, 32p.
CN-REDD. (2016a). Le systeme national de mesure , de notification et de verification
( synamrv ) du processus redd +. Rapport national, 32p.
CN-REDD. (2016b). Strategie nationale redd+ de la Republique du Congo. Rapport national,
120p.
CN-REDD. (2017). Niveau d ’ emissions de reference pour les forets ( nerf) de la Republique
du Congo. Rapport national, 92p.
Cochran, W. G. (1977). Sampling_Techniques. 448p.
Cohen, J. (1977). A Coefficient of Agreement for Nominal Scales. Educational and
Psychological Measurement, 20(1), pp : 37–46.
https://doi.org/10.1177/001316446002000104
Congalton, R. G. (1991). A Review of Assessing the Accuracy of Classifications of
Remotely Sensed Data. Remote Sens. Environ., 46, pp : 35–46.
CSFD. (2012). La ta télédetection : un outil pour le suivi et l’évaluation de la désertification.
48p.
Denis, A. (2020). Travaux Pratiques de Télédétection Spatiale II, avec données et logiciels.
249p. https://orbi.uliege.be/handle/2268/240835.
Diédhiou, I., Mering, C., Sy, O., & Sané, T. (2020). Cartographier par télédétection l ’
occupation du sol et ses changements. EchoGéo, 54, pp : 1–41. https://doi.org/DOI :
10.4000/echogeo.20510
FAO. (2011). Situation des forêts du monde 2011. 193p.
FAO. (2015). Estimations des émissions de gaz à effet de serre en agriculture, Un manuel
pour répondre aux exigences de données des pays en dévéloppement. 193p.
www.fao.org/publications
FAO. (2016). Map accuracy assessment and area estimation : a practical guide. National
Forest Monitoring Assessment Working Paper, E(46), 69p. http://www.fao.org/3/a-
i5601e.pdf
FAO. (2020). Évaluation des ressources forestières mondiales.
16p. https://doi.org/10.4060/ca8753fr
FEM. (2013). Les activités en matière d’utilisation des terres, de changement d’affectation
des terres et de foresterie (UTCATF). 28p.
GCP. (2013). Le petit livre des grands Moteurs de déforestation. 103p.
68
GFOI. (2013). Intégration des données de télédétection et d ’ observation au sol pour l ’
estimation des sources et des puits de gaz à effet de serre dans les forêts : Méthodes et
pratiques recommandées par l’Initiative Mondiale pour l’Observation des Forêts. 192p.
GFOI. (2016). Intégration des données de télédétection et d’observation au sol pour
l’estimation des sources et des puits de gaz à effet de serre dans les forêts. 303p.
GIEC. (2003). Recommandations en matière de bonnes pratiques pour le secteur de l ’
utilisation des terres , changements d ’ affectation des terres et foresterie. 594p.
www.ipccnggip.iges.or.jp
GIEC. (2006a). Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à
effet de serre, Volume 4 : Agriculture, foresterie et autres affectations des terres,
Chapitre 1: introduction. 71p.
GIEC. (2006b). Lignes directrices 2006 du GIEC pour les inventaires nationaux de gaz à
effet de serre, Volume 4 : Agriculture, foresterie et autres affectations des terres,
Chaptire 3 : representation coherente des terres. 47p.
GIEC. (2014). résumé technique Changements climatiques 2014 L’ atténuation du
changement climatique Résumé à l’intention des décideurs Résumé technique
Contribution du Groupe de travail III. 180p.
GIEC. (2019). Résumé à l’intention des décideurs, Changement climatique et terres
émergées : rapport spécial du GIEC sur le changement climatique, la désertification, la
dégradation des sols, la gestion durable des terres, la sécurité alimentaire et les flux de
gaz à effet de serre (GES). 39p.
Gillet, P., Vermeulen, C., Feintrenie, L., & Dessard, H. (2016). quelles sont les causes de
la deforestation dans le bassin du congo ? synthese bibliographique et etudes de cas.
Agron. Environ., 20(2), pp : 183–194.
Goma Boumba, B. H., Moutsambote, J., & Samba-kimbata, M. J. (2018). Detection des
changements de la végétation de la reserve de faune de la lefini (Republique du Congo)
de 2001 a 2018 et enjeux de gestion durable. Revue de Géographie Tropicale et
d’Environnement, 1, pp : 15–30.
Goma Boumba, B. H., & Samba-kimbata, M. J. (2019). Analyse de l ’ impact des
déterminants de dégradation du couvert végétal sur les composantes environnementales
de la réserve de chasse de la lefini (Congo). Revue de Géographie Tropicale et
d’Environnement, 1, pp : 75–89.
Hassan, E. H. H., Ardillier-carras, F., & Charbel, L. (2019). Les changements d ’
occupation des sols dans la Béqaa Ouest ( Liban ) : le rôle des actions anthropiques. Cah.
Agric., 28(10), pp : 1–10. https://doi.org/10.1051/cagri/2019010 ARTIC
IFO, S. A., Binsangou, S., Nzingoula, S., & Louvouandou, L. F. (2017). Cartographie des
sites forestiers de la ville de brazzaville dans la periode de 1946 a 2016 et etude des
causes de la deforestation. Revue Ivoirienne de Géographie Des Savanes, 3, pp : 55–72.
JORC. (2011). Loi n° 13-2011 du 17 mai 2011 portant création du district de l’île Mbamou.
Journal Officiel de La République Du Congo, 56p.
69
Kanninen, M., Murdiyarso, D., Seymour, F., Angelsen, A., Wunder, S., & German, L.
(2007). Do Trees Grow on Money ? The implications of deforestation research. In
Director (Vol. 23, Issue 4). Center for International Forestry Research (CIFOR).73p.
http://www.cifor.cgiar.org/publications/pdf_files/cop/REDD_paper071207.pdf
Kpedenou, K. D., Boukpessi, T., Tchamie, T. T. K., Kpedenou, K. D., Boukpessi, T.,
Tanzidani, T., & Quantification, K. T. (2016). Quantification des changements de l ’
occupation du sol dans la prefecture de yoto (sud-est togo) a l’aide de l’imagerie satellitaire
landsat. Revue Des Sciences de l’Environnement (Rev. Sc. Env), 13, pp : 137–156.
https://hal.archives-ouvertes.fr/hal-01409418
Kpedenou, K. D., Drabo, O., Ouoba, A. P., Da, C. E., Tchamie, T. T. K., Kpedenou, K.
D., Drabo, O., Ouoba, A. P., & Da, D. C. E. (2017). Analyse de l ’ occupation du sol
pour le suivi de l ’ evolution du paysage du territoire ouatchi au sud-est togo entre 1958
et 2015. Presses de l’Université de Ouagadougou, 55, pp : 203-228.
https://hal.archivesouvertes.fr/hal-01701176
Lambin, E. F., Turner, B. L., Geist, H. J., Agbola, S. B., Angelsen, A., Folke, C., Bruce,
J.
W., Coomes, O. T., Dirzo, R., George, P. S., Homewood, K., Imbernon, J., Leemans,
R., Li, X., Moran, E. F., Mortimore, M., Ramakrishnan, P. S., Richards, J. F.,
Vogel,
C., & Xu, J. (2001). The causes of land-use and land-cover change : Moving beyond the
myths. Global Environmental Change, 11, pp : 261–269.
Landis, J. R., & Koch, G. G. (1977). The Measurement of Observer Agreement for
Categorical Data. Biometrics, 33(1), pp : 159–174. http://www.jstor.org/stable/2529310 .
Accessed:
Lanly, J. P. (2021). Les forêts du monde : quelles évolutions ? In Encyclopédie de
l’Académie , 1–5. https://www.academie-agriculture.fr/
Le Quéré, C., Jackson, R. B., Jones, M. W., Smith, A. J. P., Abernethy, S., Andrew, R.
M., De-gol, A. J., Willis, D. R., Shan, Y., Canadell, J. G., Friedlingstein, P., Creutzig, F.,
& Peters, G. P. (2020). Temparary reduction in daily global CO2 emissions during the
COVID-19 forced confinement. Nature Climate Change, 10, pp : 647–654.
https://doi.org/10.1038/s41558-020-0797-x
Louvouandou, L. F. (2019). Suivi par teledetection du couvert forestier de l ’ unite forestiere
d ’ amenagement abala entre 2013 et 2019 en utilisant les Landsat Oli. Ecole Nationale
Supérieure d'Agrnomie et de Foresterie (ENSAF)/Univerité Marien N'GOUABI. 80p.
Madiela Loubelo, B. D., Bouka Biona, A. D., & Durieux, L. (2017). Classification des
series temporelles landsat-8 pour la cartographie du gradient de vegetation dans le nord
de la republique du congo. Annales de l’Université Marien N'GOUABI, 16(1), pp : 11–
21.
Makaya, H. A. J. (2015). Evaluation des proportions de changement des forêts en
République du Congo. Mémoire de Master, Ecole Nationale Supérieure d'Agrnomie et
de Foresterie (ENSAF)/Univerité Marien N'GOUABI. 57p.
70
Mama, V. J., & Oloukoi, J. (2003). Traitements analogiques des images satellitaires dans l’
étude de la dynamique de l’occupation du sol. Télédetection, 3(5), pp : 429–441.
MEDDBC. (2021). Contribution determinee au niveau national ( cdn ) de la republique du
congo. Rapport natioanl, 49p.
MEFDD. (2014). Etude de la spatialisation et de la ponderation des causes de la deforestation
et la degradation forestiere et une etude sur les options strategiques redd+ proposées par
le r-pp. Rapport national, 267p.
Megevand, C., Mosnier, A., Hourticq, J., Sanders, K., Doetinchem, N., & Steck, C.
(2013).
Dynamiques de déforestation dans le bassin du Congo : réconcilier la croissance
économique et la protection de la forêt. 201p. https://doi.org/10.1596/978-0-8213-9827-2
Meneses-Tovar, C. L. (2011). L’indice différentiel normalisé de végétation comme
indicateur de la dégradation. Unasylva 238, 62, pp : 39–46.
Monti, B., Orou, S., Gibigaye, M., & Seidou, A. A. (2020). Dynamique de l ’ occupation du
sol dans la forêt classée des trois rivières au Nord Bénin dans un contexte de variabilité
climatique Résumé. Afrique SCIENCE, 17(3), pp : 1–15.
MPELA, G. F. (2019). Etude floristique et structurale de la forêt de l’ile M’Bamou : village
lisanga. Mémoire de Master, Université Marien N'GOUABI. 56p.
Ngo Makak, R., Sanou, P., Toure, I., Tchindjang, M., & Makak, J. S. (2018). Analyse
diachronique de l ’ occupation des terres pour la conception d ’ une base de données
géoréférencées de suivi des dynamiques territoriales dans la commune rurale de
Koumbia au Burkina Faso. Scientifique et Technique Forêt et Environnement Du Bassin
Du Congo, 10, pp : 23–35. https://doi.org/10.5281/zenodo.1215893
Olofsson, P., Foody, G. M., Herold, M., Stehman, S. V, Woodcock, C. E., & Wulder, M.
A. (2014). Good practices for estimating area and assessing accuracy of land change.
Remote Sensing of Environment, 148, pp : 42–57.
https://doi.org/10.1016/j.rse.2014.02.015
Olofsson, P., Foody, G. M., Stehman, S. V., & Woodcock, C. E. (2013). Making better use
of accuracy data in land change studies: Estimating accuracy and area and quantifying
uncertainty using stratified estimation. Remote Sensing of Environment, 129, pp : 122–
131. https://doi.org/10.1016/j.rse.2012.10.031
Ouissika, B. C., & Milandou, C. S. (2019). Cartographie du couvert forestier et des
changements en république du Congo changements en République du Congo.
Communication : Des Images Satellites Pour La Gestion Durable Des Territoires En
Afrique, pp : 1–22.
Pelletier, C. (2017). Cartographie de l’occupation des sols à partir de séries temporelles
d’images satellitaires à hautes résolutions : Identification et traitement des données mal
étiquetées. Thèse de Doctorat, Université Toulouse 3 Paul Sabatier (UT3 Paul Sabatier).
289p.
Sala, O. E., Chapin, F. S., Armesto, J. J., Berlow, E., Bloomfield, J., Dirzo, R.,
HuberSanwald, E., Huenneke, L. F., Jackson, R. B., Kinzig, A., Leemans, R.,
71
Lodge, D. M., Mooney, H. A., Oesterheld, M., Poff, N. L. R., Sykes, M. T., Walker,
B. H., Walker, M., & Wall, D. H. (2000). Global biodiversity scenarios for the year
2100. Science’s Campass, 287(5459), pp : 1770–1774.
https://doi.org/10.1126/science.287.5459.1770
Sannier, C., Mcroberts, R. E., Fichet, L., Massard, E., & Makaga, K. (2014). Remote
Sensing of Environment Using the regression estimator with Landsat data to estimate
proportion forest cover and net proportion deforestation in Gabon. Remote Sensing of
Environment, 151, pp : 138–148. https://doi.org/10.1016/j.rse.2013.09.015
Santos, F. (2017). Le kappa de Cohen : un outil de mesure de l ’ accord inter-juges sur des
caractères qualitatifs. 5p.
Sikuzani, Y Useni, Kaleba, S. C., Halleux, J., Bogaert, J., & Kankumbi, F. M. (2014).
Caractérisation de la croissance spatiale urbaine de la ville de Lubumbashi ( Haut-
Katanga , R . D . Congo ) entre 1 989 et 201 4. Tropicultura, 36(1), pp : 99–108.
Sikuzani, Yannick Useni, Boisson, S., Kaleba, S. C., Halleux, J., & Bogaert, J. (2020).
Dynamique de l ’ occupation du sol autour des sites miniers le long du gradient
urbainrural de la ville de Lubumbashi , RD Congo. Biotechnol. Agron. Soc. Environ,
24(1), pp : 1–14.
Sita, P. (1968). Etude préliminaire de la végétation de l’île M’bamou. 57p.
Sita, P. (1970). Etude de la végétation de l’île M’bamou (Stanley-Pool). 126p.
Soro, T. D., Kouakou, B. D., Kouassi, E. A., Kouassi, A. M., Kouadio, K. E., & Oga, M.
(2021). Hydroclimatologie et dynamique de l ’ occupation du sol du bassin versant du
Haut Bandama à Tortiya ( Nord de la Côte d ’ Ivoire ) Hydroclimatologie et dynamique
de l ’ occupation du sol du bassin versant du Haut Bandama à Tortiya ( Nord de la Côte
d ’ Iv. Revue Électronique En Sciences de l’environnement Hydroclimatologie, 13(3), pp
: 1–22. https://id.erudit.org/iderudit/1026870ar
Tchatchou, B., Sonwa, D. J., IFO, S. A., & Tiani, A. M. (2015). Déforestation et
dégradation des forêts dans le Bassin du Congo État des lieux , causes actuelles et
perspectives. C. de recherche forestière internationale (CIFOR) & Le (eds.). 60p.
WWF. (2020). Les fronts de déforestation : moteurs et réponses dans un monde en mutation.
20p.
72
ANNEXES
A
Annexe 3 : feuilles de manioc récoltées des champs en destination vers Nzété-Moko
B
Annexe 5 : impact de la déforestation et de la dégradation forestière sur la forêt de terre ferme
C
RESUME
La gestion responsable des terres est cruciale dans les stratégies d’atténuation et d’adaptation au
changement climatique. Ainsi le suivi de la dynamique de l’occupation du sol est
très indispensable dans la mise en place des stratégies de gestion durable des
terres. C’est dans ce cadre que s’est inscrit cette étude qui avait pour but de faire
une analyse de l’occupation du sol du district de l’île M’Bamou entre 1979 et
2021, dans le but d’évaluer les différentes tendances de l’évolution subie par les
classes d’occupation du sol. Pour ce faire une analyse diachronique à partir de la
classification supervisée des images satellites Landsat de 1979, 2003 et Sentinel
2A
de 2021 avait été faite. Six classes d’occupation du sol avaient été défini, à savoir : Forêt dense, Forêt
dégradée, Savane/Jachère, Sol nu/Bâtis, Eau et Bande de sable. Après application de la classification
supervisée en utilisant l’algorithme Random Forest, l’analyse de la dynamique de l’occupation du sol a
montré que les formations forestières ont considérablement régressé. La forêt dense a régressé de
42,83% soit une perte de 1314,33ha à raison de 1,33% par an, et la forêt dégradée de 57,14% soit une
perte de 1770,42 ha à raison de 2,02% par an. Les formations forestières ont régressé au profit des
classes Sol nu/Bâtis et Savane/jachère. La classe Sol nu/Bâtis a connu une progression spectaculaire de
227,07% soit de 2274,37 ha tandis que la classe Savane/jachère a évolué de 6,19%. L’agriculture a été
identifiée comme le facteur direct principal de la déforestation et de la dégradation de la forêt, cela
accentué par la croissance démographique. Ces résultats peuvent servir pour interpeller le ministère en
charge de la question de gestion forestière et servir de base pour la mise en place d’une stratégie de
gestion durable de la forêt au niveau de l’île M’Bamou.
Mots clés : Occupation du sol, Déforestation, Dégradation, District de l’île M’Bamou, Télédétection.
ABSTRACT
Responsible land management is crucial in climate change mitigation and adaptation strategies. Thus,
monitoring of land use dynamics is very important in the implementation of sustainable land
management strategies. The aim of this study was to analyse the land use of the M'Bamou Island
district between 1979 and 2021, in order to assess the different trends in the evolution of the land use
classes. To do this, a diachronic analysis was carried out using supervised classification of Landsat
satellite images from 1979, 2003 and Sentinel 2A from 2021. Six land cover classes were defined,
namely Dense Forest, Degraded Forest, Savannah/Fallow, Bare Ground/Bultup, Water and Sand Strip.
After applying supervised classification using the Random Forest algorithm, the analysis of land cover
dynamics showed that forest formations have regressed. The dense forest regressed by 42.83% (a loss
of 1314.33 ha at a rate of 1.33% per year) and the degraded forest by 57.14% (a loss of 1770.42 ha at a
rate of 2.02% per year). The forest formations have regressed in favour of the bare soil/Builtup and
savannah/ fallow land classes. The Bare soil/Builtup class increased by a spectacular 227.07%
(2274.37 ha), while the Savannah/ fallow land class increased by 6.19%. Agriculture was identified as
the main direct factor in deforestation and forest degradation, accentuated by population growth. These
results can be used by the ministry in charge of forest management of the Republic of Congo and serve
as a basis for the implementation of a sustainable forest management strategy.
Key words: Land cover, Deforestation, Forest degradation, M’Bamou island district, Remote sensing.