Mémoire Valdegrâce V Finale-1

UNIVERSITE MARIEN N’GOUABI
*********
Ecole Nationale Supérieure d’Agronomie et de Foresterie
Année : 2020-2021 N° d’ordre : ______84
MEMOIRE
Pour l’obtention du diplôme de Master
Mention : Master recherche
Spécialité : Forêt
Parcours : Gestion Durable des Forêts
Présenté et soutenu publiquement le : 13/01/2022 Par
BOUKONO Déo Reich Valdegrâce

Titulaire d’une Licence en Sciences Agronomiques, Forêt et Environnement Titre
:
Dynamique spatio-temporelle de la forêt du district de l’île
M’Bamou de 1979 à 2021
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
mon cher père Jacques BOUKONO, ma

chère mère Augustine KANZA
et à mes frères et sœurs.
Soyez honorer par ce travail sanctionnant la fin d’un grand parcours qui a été possible
grâce à vous tous.
Aussi à la mémoire de mes deux collègues de promotion :

Arris NZINGOULA
et
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.
Mes remerciements vont à l’endroit :
 du Jury qui a été désigné pour examiner ce travail ;

 de M. Suspense Averti IFO, Maître de Conférences CAMES, qui a su assurer mon
encadrement durant tout le cycle Master au sein du Laboratoire de Télédétection et
Ecologie Forestière (LTEF). Il a veillé à l’aboutissement heureux de ce projet de
mémoire, témoignant encore une fois de plus, un amour profond pour l’avancement de la
Science et sa participation dans la formation des élites de demain ;
 de M. Parisse AKOUANGO (Professeur Titulaire CAMES) et de M. Félix
KOUBOUANA (Maître de Conférences CAMES), respectivement Directeur et
Directeur adjoint de l’Ecole Nationale Supérieure d’Agronomie et de Foresterie
(ENSAF), je les remercie énormément pour la bonne coordination de l’établissement ;
 du Dr. Aimé Anoumou KEMAVO qui a contribué largement dans ma formation sur les
données spatiales. Son appui technique m’a permis de parfaire ma méthodologie.
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 remercie aussi tous mes collègues du Laboratoire de Télédétection et Ecologie Forestière

(LTEF) pour le soutien multiforme que chacun d’eux m’a procuré, il s’agit de Stoffenne
BINSANGOU, Lisa Francine LOUVOUANDOU, Gloire Jorrel KIBONGUI, Brice Chabrel
MASSINSA, Jodrhy Préféré MILANDOU, Martine Bernadia WANDO, Ursula MOUANDA,
Brice MILONGO et Béni Stéllia MOUANDA.
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
TABLE DES MATIERES ........................................................................................................

iii
LISTE DES FIGURES ..............................................................................................................

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

viii
LISTE DES SIGLES ET ABREVIATIONS ............................................................................

ix
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 .........................................................................................................................
8 II.2.1.1 Définitions ....................................................................................................

9
II.2.1.2 Les causes immédiates de la déforestation et de la dégradation des forêts ..
9
II.2.1.3 Les causes sous-jacentes de la déforestation et de la dégradation des forêts
10
II.2.2 Dynamique de la déforestation et de la dégradation forestière en République
du Congo .......................................................................................................................
10
II.2.2.1 Causes directes et indirectes de la déforestation et de la dégradation
forestière 11
II.2.2.2 Causes futures de déforestation et de dégradation des forêts .....................
12
II.2.2.3 Conséquences de la déforestation et la dégradation des forêts en
République du Congo ................................................................................................
13
II.2.2.4 Enjeux de lutte de la déforestation et de la dégradation forestière .............
15
II.3 Télédétection ..........................................................................................................
15
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
IV.1.1.1 Evaluation de la précision des cartes et statistiques afférents .................. 47

IV.1.1.1.1 Matrice de
confusion .......................................................................... 47
IV.1.1.1.2 Proportion des
superficies .................................................................. 48
IV.1.1.1.3 Superficie estimée pour chaque
classe ............................................... 50
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
LISTE DES FIGURES
Figure 1 : principales sources et processus d’émission/d’absorption de gaz à effet de serre

dans
les écosystèmes gérés (GIEC, 2006a) ........................................................................................
5
Figure 2 : occupation du sol forestier et changement de l’occupation du sol forestier de 2000
à
2012 en République du Congo (CN-REDD, 2017) ..................................................................
11 Figure 3 : causes directes et facteurs sous-jacents de la déforestation et de la dégradation
des forêts en République du Congo (CN-REDD,
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
46
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
47
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
49
erreurs
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
LISTE DES SIGLES ET ABREVIATIONS
AFAT : Agriculture, Foresterie et autre Affectations des Terres
xi
AFOLU : Agriculture, Forestry and Other Land Use
ANAC : Agence Nationale d’Aviation Civile
AFAT : Agriculture, Foresterie et autre Affectations des Terres
AFOLU : Agriculture, Forestry and Other Land Use
ANAC : Agence Nationale d’Aviation Civile
CCNUC : Convention-cadre des Nations unies sur les changements climatiques
CCT : Centre Canadien de Télédétection
CDN : Contributions déterminées au Niveau National

Centre de coopération internationale en recherche agronomique pour le
CIRAD :
développement
: Centre National d’Inventaire et d’Aménagement des Ressources Forestières
CNIAF
et Fauniques
Coordination Nationale de réduction des émissions issues de la
CN-REDD :
déforestation et de la dégradation forestière
CSFD : Comité Scientifique Français de la Désertification
CSV : Comma Separated Values
ETM : Enhanced Thématic Mapper
FACET : Forêt d’Afrique Centrale Evaluée par Télédétection
FAT : Foresterie et autres Affectation des terres
FEM : Fond pour l’Environnement Mondial
GAF : GAF AG, Munich, Bureau de consultation en géo information
GCF : Global Forest Change
GCP : Global Canopy Programme
GES : Gaz à effet de serre
GFOI : Global Forest Observations Initiative
GIEC : Groupe d'experts intergouvernemental sur l'évolution du climat

JORC : Journal officiel de la République du Congo
xii
Ministère de l’environnement du Développement Durable et du Bassin du
MEDDBC :
Congo
MEFDD : Ministère de l’Economie Forestière et du Développement Durable
MOM : Matière organique morte
MRV : Measuring, Reporting and Verification
MSS : Multi Spectral Scanner
NASA : National Aeronautics and Space Administration
NDVI : Normalized Difference Vegetation Index
NERF : Niveau d’Emission de Référence pour les Forêt
OSS : Spécification technique de l’Observatoire du Sahara et du Sahel
PIR : Proche infra rouge
PFNL : Produits Forestiers Non Ligneux
PLR : Produits ligneux récoltés
Réduction des émissions issues de la déforestation et de la dégradation

REDD+ : forestière (+ : prise en compte de la conservation des forêts et
l’accroissement des stocks de carbones)
SCP : Semi automatic classification
SIG : Système d’Information Géographique

SOM : Matière organique du sol
: Thématic Mapper
TM
USGS : United States Geological Survey
UTCATF : Utilisation des Terres, Changement d’Affectation des Terres et Foresterie

: World Wildlife Fund
WWF
xiii
I. INTRODUCTION
I.1 Contexte et justification

Depuis 1990, 420 millions d’hectares de forêts ont disparu suite à la conversion de ces
espaces en d’autres utilisations (FAO, 2020). Entre 2010 et 2020, 11 millions d’hectares ont
été déboisés par an, dont 9,8 millions dans les pays tropicaux (à plus de 80% par l’agriculture
et l’élevage)
(Lanly, 2021). La déforestation a déjà éliminé 60% des forêts tropicales (CIRAD, 2011; GCP,
2013), ainsi l’utilisation et la conversion des terres forestières, et savanicoles en d’autres types
d’occupations de sol modifient et dégradent le paysage naturel (Biga et al., 2020). Le secteur
Agriculture, Foresterie et autres Affectations des Terres (AFAT) représente environ 23% des
émissions mondiales (GIEC, 2019). Il constitue un secteur clé pour l’atténuation du
changement climatique car, il est capable de réduire les émissions de gaz à effet de serre
(GES) et de piéger le carbone grâce au phénomène naturel de la photosynthèse des plantes
(FEM, 2013).
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.
En tenant compte de la dégradation et la dénaturation des écosystèmes occasionnée

principalement par la pression anthropique, les études sur la dynamique de l’occupation du sol
s’avèrent de plus en plus indispensables, à la fois pour la connaissance d’un territoire, la
planification du développement et pour son aménagement (Kpedenou et al., 2016). Elles
permettent d’évaluer des interactions entre l’Homme et son milieu, ainsi les informations
issues de l’analyse de l’occupation du sol sont utiles dans l’identification des stratégies
appropriées pour mieux gérer l’état de l’utilisation des terres (Kpedenou et al., 2017). De ce
fait, l’utilisation conjointe des méthodes du système d’information géographique (SIG) et la
télédétection dans l’étude de la dynamique de l’occupation fait consensus entre plusieurs
auteurs (Biga et al., 2020; Claude et al., 2020; Diédhiou et al., 2020; Monti et al., 2020;
Sikuzani et al., 2020; Soro et al., 2021). Cette technique permet à partir de l’analyse et de
l’interprétation des images satellitaires (Landsat, SPOT, Sentinel 2, etc.) à multi-dates
d’appréhender l’évolution spatiotemporelle d’un paysage (Biga et al., 2020).
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.
I.3 Objectifs de l’étude

La présente étude vise principalement d’analyser l’évolution de l’occupation du sol du district
de l’île M’Bamou entre 1979 et 2021.
De façon spécifique, il s’agit de :

• cartographier les différentes classes d’occupation du sol du district de l’île M’Bamou en
1979, 2003 et 2021;
• évaluer la dynamique de l’occupation du sol durant la période d’étude ;
• déterminer les principaux moteurs de déforestation et de dégradation de la forêt.
I.4 Hypothèses de l’étude

Les hypothèses retenues pour cette étude sont les suivantes :
• les superficies des différentes classes d’occupation du sol varient entre elles et dans le
temps ;
• la zone forestière de l’île M’Bamou a subi un changement très considérable de sa
couverture végétale lié aux actions anthropiques ;
• l’agriculture est le principal facteur direct de la déforestation et de la dégradation de la
forêt du district de l’ile M’Bamou.
Dans la suite de ce document, en dehors de la conclusion, trois parties se succèdent à savoir :

Revue de la Littérature, Matériel et Méthode et Résultats et Discussion. La Revue de la
Littérature fait l’état de connaissances relatif au sujet traité dans ce mémoire, le Matériel et
Méthode décrit les données et la méthodologie utilisée, enfin les Résultats et Discussion
présentent les résultats obtenus grâce à la méthodologie appliquée et la discussion y afférente.
II. REVUE LITTERAIRE
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) :
• les émissions et absorptions de CO2 (dioxyde de carbone) résultant de la modification

du stock de carbone dans la biomasse, la matière organique morte (MOM), la matière
organique du sol (SOM) des sols organiques et minéraux, et les produits ligneux
récoltés (PLR) pour toutes les terres gérées ;
• le CO2 issu des sols organiques cultivés ;
• les émissions de non-CO2 issues des feux sur toutes les terres gérées ;
• les émissions de CH4 (méthane) provenant de la riziculture ;
• les émissions de N2O (protoxyde d’azote) provenant de tous les sols gérés ;
• les émissions de CO2 associées à l’application de chaux et d’urée sur les sols gérés ;
• les émissions de CH4 provenant de la fermentation entérique du bétail ;
• les émissions de CH4 et N2O provenant des systèmes de gestion du fumier.
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).
Figure 1 : principales sources et processus d’émission/d’absorption de gaz à effet de serre
dans les écosystèmes gérés (GIEC, 2006a)
II.1.1 Types d’occupation du sol

L’occupation des sols ou la couverture des sols (land cover en anglais) décrit la couverture
biophysique de la surface des terres émergées (Pelletier, 2017). Le GIEC (2006b), dans le
cadre des inventaires nationaux des gaz à effet de serre, catégorise l’occupation du sol en six
grandes classes d’affectation des terres (tableau 1).
5
Tableau 1 : grandes classes d’affectation des terres selon le GIEC (GIEC, 2006b)
Classe
d’occupation du Description
sol
Cette catégorie inclut toutes les terres à végétation ligneuse

correspondant aux seuils utilisés dans la définition des terres forestières
Terres dans l’inventaire national des gaz à effet de serre. Elle inclut également
forestières les systèmes dont la structure végétale est actuellement inférieure aux
seuils de la catégorie des terres forestières utilisés par le pays, mais qui
pourrait potentiellement les dépasser.
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.
Cette catégorie inclut les zones d’extraction de la tourbe et les terres

couvertes ou saturées d’eau pendant la totalité ou une partie de l’année
(par exemple, tourbières) et qui n’entrent pas dans les catégories des
Terres humides
terres forestières, terres cultivées, prairies ou établissements. Elle inclut
les réservoirs en tant que subdivision exploitée et les lacs et rivières
naturels en tant que subdivisions non exploitées.
Cette catégorie inclut toutes les terres développées, y compris

Établissements l’infrastructure des transports et les établissements humains de toutes
dimensions, sauf s’ils sont déjà inclus dans d'autres catégories. Elle doit
être conforme 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.
II.1.2 Changement d’utilisation des terres

Le GIEC (2003) définit, le changement d’utilisation des terres comme, « le passage d’une
affectation de terre donnée à une autre ». Il existe deux types de changement d’utilisation des
terres : la modification et la conversion. La conversion correspond au basculement d’une
classe d’occupation et d’utilisation de terre à l’autre (exemple : le cas d’une terre forestière
convertie en terre cultivée). Quant à la modification, elle correspond à des changements de
couvertures de sols intra-classes (exemple : une forêt dense transformée en une forêt claire
suite à la réduction de la biomasse).
II.1.2.1 Causes et conséquences des changements d’utilisation des terres

Selon Sala et al. (2000), la déforestation est la principale cause des changements d’utilisation
des terres. Entre 2010 et 2020, 11 millions d’hectares déboisés par an, dont 9,8 dans les pays
tropicaux (à plus de 80% par l’agriculture et l’élevage) (Lanly, 2021). Le rapport de synthèse
du fonds mondial pour la nature (WWF) intitulé ‘’ Les fronts de déforestation : moteurs et
réponses dans un monde en mutation’’ présente « 24 fronts de déforestation » qui constituent
des régions qui présentant une concentration importante de « points chauds » de déforestation
et où des surfaces importantes de forêts restantes sont menacées. Plus de 43 millions
d’hectares ont été perdus sur ces fronts entre 2004 et 2017, soit une superficie à peu près
équivalente à celle du Maroc (WWF, 2020). Ce même rapport révèle entre 1990 et 2020, plus
de 140 millions d’hectares de forêts primaires ont disparu. Ainsi la déforestation et la
dégradation des forêts, ajoutés à cela les pratiques agricoles constituent une source majeure
d’émissions de GES qui amplifie le réchauffement climatique. Le secteur AFAT est le
deuxième secteur après celui de l’énergie (25%) responsable du changement climatique, il
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).
II.1.3 Importance de l’évaluation de la dynamique de l’occupation du sol

L’utilisation des terres suites aux activités anthropiques dégrade et dénature les différentes
unités paysagères naturelles, et cela engendre plusieurs conséquences. Ainsi il est important
d’évaluer les interactions entre l’Homme et son milieu car les informations issues de l’analyse
de l’occupation du sol sont utiles dans l’identification des stratégies appropriées pour mieux
gérer l’état de l’utilisation des terres (Kpedenou et al., 2017). Au niveau d’un terroir donné,
les données sur l’occupation du sol sont indispensables, à la fois pour la connaissance de ce
territoire, la planification du développement et pour son aménagement (Kpedenou et al.,
2016).
II.2 Déforestation et dégradation de la forêt

II.2.1 Dynamique de la déforestation et de la dégradation forestière dans le Bassin du
Congo
Le Bassin du Congo est le deuxième massif forestier de la zone tropicale après l’Amazonie. Il
s’étend sur six pays : le Cameroun, le Congo, le Gabon, la Guinée équatoriale, la République
centrafricaine (RCA) et la République démocratique du Congo (RDC) (Tchatchou et al.,
2015).
Il comprend environ 70% de la couverture forestière de l’Afrique : sur les 530 millions
d’hectares du Bassin du Congo, 300 millions sont couverts par la forêt (Megevand et al.,
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).
II.2.1.2 Les causes immédiates de la déforestation et de la dégradation des forêts
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) ;
 l’extraction du bois (l’exploitation forestière, coupe du bois de chauffe, etc.) ; 

des autres facteurs.
II.2.1.3 Les causes sous-jacentes de la déforestation et de la dégradation des forêts Les

causes sous-jacentes ou indirectes sont les facteurs qui n’agissent pas directement sur le
couvert forestier, mais dont le développement pourrait entraîner l’émergence des facteurs
immédiats (Tchatchou et al., 2015). Les facteurs sous-jacentes évoqués par Gillet et al., (2016)
sont :
 les facteurs économiques : reposent sur la promotion de secteurs économiques
primaires, basés sur l’exploitation des ressources naturelles (agriculture, foresterie,
extraction minière et pétrolière) ;
 les facteurs institutionnels : les régulations de la propriété foncière apparues après les
indépendances respectives sont ineffectives, les répartitions ayant été faites de manière
arbitraire sans prendre en compte les droits coutumiers engendrant des conflits
importants ;
 les facteurs démographiques : la croissance démographique des centres urbains et
l’augmentation de la demande en produits agricoles et bois de feu qui en découle
entrainent la déforestation et la dégradation des forêts.
II.2.2 Dynamique de la déforestation et de la dégradation forestière en République du

Congo
La République du Congo, à cheval sur l’équateur et au cœur du deuxième massif forestier
mondial (Bassin du Congo), s’étend sur 342.000 km 2. C’est un pays à forte couverture
forestière
(23,5 millions d’hectares de forêts, représentant 69% du territoire national, figure 2), avec un
faible taux de déforestation et de dégradation forestière avec seulement 0,05% par an, soit
environ 12,000 hectares/an (CN-REDD, 2015). Cependant, les travaux réalisés par le CNIAF
en 2015 dans les laboratoires de l’Université de Maryland aux USA, indiquent des valeurs
beaucoup plus importantes de l’ordre de 30.000 hectares par an (CN-REDD, 2016b).
10
Figure 2 : occupation du sol forestier et changement de l’occupation du sol forestier de 2000 à
2012 en République du Congo (CN-REDD, 2017)
II.2.2.1 Causes directes et indirectes de la déforestation et de la dégradation forestière

 Causes directes
Selon l’étude sur la ‘’ Spatialisation et la pondération de la déforestation et de la dégradation
des forêts en République du Congo’’, on compte parmi les principales causes directes (figure
5) de déforestation et de la dégradation forestières (MEFDD, 2014) :
• l’expansion de l’agriculture itinérante pratiquée par les petits cultivateurs ;
• le développement de l’agro-industrie ;
• la surexploitation non durable des forêts naturelles pour le bois énergie des
marchés urbains ;
• l’exploitation forestière non durable, voire illégale, pour le bois d’œuvre ;
• le développement minier ;
• le développement des infrastructures routières et urbaines.
 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 :
• politiques et stratégiques : faible application des législations, aménagement du

territoire en cours, Faible appropriation du foncier par les communautés locales et
autochtones, contrôle forestier Insuffisant ;
• sociaux : faible capacité des communautés locales et faible participation aux
processus nationaux, désintérêt au sens commun, manque d’éducation.
II.2.2.2 Causes futures de déforestation et de dégradation des forêts

Le taux national de déforestation est faible faisant de la République du Congo un des derniers
pays au monde possédant aujourd’hui un patrimoine forestier notable et majoritairement
intact. Toutefois, ce taux va sans nul doute connaître une accélération, dans le contexte de la
mondialisation économique, propice à l’expansion des secteurs de l’agro-industrie, de la
bioénergie et des industries extractives (secteur minier) au détriment des forêts naturelles. Le
développement des infrastructures routières et urbaines constituera également un facteur
favorable à cette accélération de la déforestation future (CN-REDD, 2016b).
Figure 3 : causes directes et facteurs sous-jacents de la déforestation et de la dégradation des

forêts en République du Congo (CN-REDD, 2016b)
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
Tableau 3 : pourcentage surfacique des pertes forestières en fonction du type de changement

13
par rapport à la surface de la forêt pour chaque département entre 2000 et 2010 (MEFDD,
2014)
Départements 2000-2010
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.
Dans ce sens, la CDN (Contribution Déterminée au Niveau National) révisé de la République

du Congo a révélé que les émissions totales de GES en 2020 étaient de 11.392,410 KtCO 2e et
le sous-secteur FAT (Foresterie et autre Affectation de Terre) avait contribué à hauteur de
3218,77 KtCO2e, il représente le second secteur émetteur de GES après l’Energie (7608,25
KtCO2e en 2020). La quantité d’émissions de GES qui, majoritairement du CO 2 issue de la
déforestation et la dégradation forestière quoi que faible par rapport à d’autre pays est tenue
d’être réduite pour ainsi espérer atteindre les engagements de réduction des émissions de GES
de 39,88% avec le scénario conditionnel et de 17,09% dans le scénario inconditionnel en 2025
et de 32,19% dans le scénario conditionnel et 21,46% dans le scénario inconditionnel en 2030
(MEDDBC, 2021).
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 :
 La télédétection (détection à distance, Remote Sensing en anglais) désigne, dans son

acception la plus large, la mesure ou l'acquisition d'informations sur un objet ou un
phénomène, par l'intermédiaire d'un instrument de mesure n'ayant pas de contact avec
l'objet étudié (Denis, 2020a) ;
 La télédétection est la technique qui, par l'acquisition d'images, permet d'obtenir de
l'information sur la surface de la Terre sans contact direct avec celle-ci. La
télédétection englobe tout le processus qui consiste à capter et à enregistrer l'énergie
d'un rayonnement électromagnétique émis ou réfléchi, à traiter et à analyser
l'information, pour ensuiten mettre en application cette information (CCT, 2007).
15
Les techniques de télédétection comprennent l'ensemble du processus : la capture et
l'enregistrement de l'énergie d'un rayonnement émis ou réfléchi par les objets observés, le
traitement des données résultantes et enfin l'analyse des données finales. Les propriétés des
objets naturels ou artificiels en télédétection sont mesurées à distance à partir des
rayonnements qu'ils émettent ou réfléchissent. Ainsi par rapport au mode d’enregistrement du
rayonnement électromagnétique comme l’illustre la figure 4, l’on distingue en général les
moyens de télédétection « actif » et « passif » (Denis, 2020b) :
 Télédétection passive : enregistrement du rayonnement naturel, fourni par la lumière

ou la chaleur, qu’il soit émis, réfléchi ou réfracté (photographies aériennes du paysage
éclairé par la lumière du soleil ainsi que certaines images satellitaires (Sentinel-2,
Landsat, IKONOS, SPOT, etc.) ;
 Télédétection active : enregistrement du rayonnement que réfléchit l’objet ou le
paysage « illuminé » par l’appareil de mesure (images radar : SENTINEL-1, ALOS,
PALSAR, etc.).
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/remotesensing-from-space/)
II.3.2 Cartographie de l’occupation du sol par télédétection

La possibilité offerte par la télédétection spatiale d’observer de façon continue la surface de la
Terre a permis de créer de grandes bases de données dont l’exploitation fournit des
informations sur l’état des ressources naturelles, des écosystèmes locaux et de leur évolution.
Ainsi, le suivi de l’occupation du sol est nécessaire dans le but d’établir un diagnostic et mieux
comprendre les causes de la modification du couvert végétal et ses conséquences. À ce titre,
16
les cartes d’occupation et de changements du sol constituent de véritables outils de
planification et d’aide à la décision surtout en matière de gestion et de préservation des
ressources naturelles et des écosystèmes (Diédhiou et al., 2020).
Pour la production des cartes d’occupation et du changement du sol, l’analyse multi-

temporelle de l’occupation du sol grâce à une série temporelle d’images est considéré comme
l’approche méthodique la plus utilisée (Avakoudjo et al., 2014; Sikuzani et al., 2014;
Kpedenou et al., 2016, 2017; Bouetou-Kadilamio et al., 2017; Madiela Loubelo et al., 2017;
Binsangou et al., 2017, 2018; Goma Boumba et al., 2018; Ngo Makak et al., 2018; Akoma
Miyono et al., 2019;
Biaou et al., 2019; Hassan et al., 2019; Biga et al., 2020; Claude et al., 2020; Diédhiou et al.,
2020; Monti et al., 2020; Sikuzani et al., 2020; Soro et al., 2021). Cette approche passe par la
classification des images satellitaires ou d’autres capteurs, cela grâce à un algorithme
(Maximum de vraisemblance, Minimum Distance, Spectrale Angle Mapping, etc.) qui
regroupe les pixels en classes thématiques à partir des signatures spectrales. Les cartes
obtenues peuvent être ainsi analysées pour l’évaluation de la dynamique de l’occupation du sol
et aussi identifier les différentes transitions survenues.
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.
II.3.3 Classification des images satellites

La classification est définie comme étant « une représentation abstraite de la situation sur le
terrain en utilisant des critères de diagnostic bien définis : les classificateurs », mais aussi «
l'ordonnancement ou l'agencement des objets dans des groupes ou des ensembles sur la base
de leurs relations » (CSFD, 2012). On distingue deux méthodes de classification des images, à
savoir : la classification non supervisée et la classification supervisé ou dirigée.
II.3.3.1 Classification non supervisée (non dirigée)

Cette classification procède de façon contraire. Dans cette classification aucune connaissance a
priori n’est requise, le traitement regroupant automatiquement les pixels répondant à des critères
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).
II.3.3.2 Classification supervisée (dirigée) :

Réaliser la classification supervisée d’une image satellitaire nécessite une bonne connaissance
de l’occupation du sol réelle de la zone de l’image à la période où l’image a été prise. Dans
cette classification, les classes (ROI) sont définies a priori selon des réalités de terrain et
localisées sur l’image par des échantillons représentatifs dont les signatures spectrales servent
de référence pour la classification de l’ensemble des pixels de l’image (Champauld et al.,
1993).
Les principaux algorithmes utilisés pour la classification supervisée sont : Maximum de

vraisemblance, Minimum Distance, Spectrale Angle Mapping, Random Forest et CART. Ces
différents algorithmes sont implémentés dans plusieurs extensions des logiciels SIG (Qgis,
ArcGIS, etc.) et de télédétection (OTB, GRASS, etc.).
II.3.4 Evaluation de la précision des cartes d’occupation du sol

L’évaluation de la précision d’une carte consiste à vérifier le degré auquel la carte produite est
en accord avec la classification de référence. C’est une étape très importante dans le traitement
des données de télédétection car toutes les cartes 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 les incertitudes
(FAO, 2016; GFOI, 2013; Olofsson et al., 2014). L’indice de kappa fait partie des indices
d’accord inter-juge le plus utilisé dans de nombreuses disciplines dans le but d’une évaluation.
Il permet de chiffrer l’accord entre deux ou plusieurs observateurs ou techniques lorsque les
jugements sont qualitatifs. Le test statistique de Kappa est utilisé dans les études de
reproductibilité qui nécessitent d’estimer l’agrément entre deux ou plusieurs cotations
lorsqu’on étudie une variable discontinue (Branger, 2009). Kappa définit l’accord comme
étant la conformité de deux ou plusieurs informations qui se rapportent au même objet. La
notion d’accord implique l’existence d’une liaison entre les variables, exige des variables de
même nature et un appariement des jugements (Cohen, 1977).
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 :
1. Les erreurs d’omission

Elle correspond à l’affectation des pixels de référence à d’autres classes calculées par la
classification. L’erreur d’omission d’une classe donnée est calculée en divisant le nombre total de
pixels incorrectement classifiés dans les zones de validation de cette classe (« omis » de la classe
étudiée) par le nombre total de pixels des zones de validation de cette classe. Dans la matrice de
confusion, ce calcul s’effectue sur base de la colonne correspondant à la classe étudiée
(Louvouandou, 2019).
2. Les erreurs de commission

L’erreur de commission d’une classe donnée est calculée en divisant le nombre total de pixels
incorrectement classifiés dans cette classe dans les zones de validation des autres classes
(erreur « commise dans les autres classes ») par le nombre total de pixels classifiés dans cette
classe sur l’ensemble des zones de validation de l’ensemble des classes. Dans la matrice de
confusion, ce calcul s’effectue sur base de la ligne correspondant à la classe étudiée (GFOI,
2016).
II.4 Travaux sur l’occupation du sol en République du Congo

La pression anthropique exercée sur les ressources naturelles constitue depuis, l’un des
problèmes majeurs de dégradation des ressources en République du Congo. Ainsi pour
renseigner sur l’état de l’occupation du sol ainsi que leur changement, plusieurs études à
l’échelle national (à l’instar de CN-REDD (2015), Makaya (2015), Ouissika & Milandou
(2019), etc.), départemental et spécifique à des petites zones en vue de mettre en place des
stratégies de gestion durable d’utilisation des terres avaient été mené. Le tableau 4 présente
quelques études recensées dans la littérature qui ont été menées à l’échelle départementale et
dans des petites localités en République du Congo.
Tableau 4 : répertoire des travaux menés sur l’occupation du sol en République du Congo
Auteurs Zone d’étude Période d’étude Type
1 (Binsangou et al., 2016) Ouesso 2000-2016 Article (publié)
(Bouetou-Kadilamio et al.,
2 Likouala 1986-2015 Article (publié)
2017)
(Madiela Loubelo et al.,
3 Sangha 2014-2015 Article (publié)
2017)
20
(Goma Boumba et al., 2018) Réserve de la Léfini Article (publié)
6 (Binsangou et al., 2018) Impfondo 1986-2016 Article (publié)

7 (Louvouandou, 2019) UFA Abala 2013-2019 Mémoire (non publié)
(Bouetou-Kadilamio et al.,
8 (Impfondo-Dongou) 2020 Article (publié)
2020)
(Ifo et al., 2017) Brazzaville Article (publié)

III. MATERIEL ET METHODE
III.1 Présentation de la zone d’étude

III.1.1 Choix de la zone d’étude
Le district de l’île M’Bamou a été choisi comme zone d’étude suite à la pression anthropique
qu’elle fait face depuis plusieurs années. Depuis l’année 1968, année à laquelle cette pression
anthropique fut mentionnée, jusqu’à nos jours (53 ans écoulés) l’on dénombre aucune étude
dans la littérature qui fait état sur l’impact de cette pression sur l’occupation du sol notamment
sur la dynamique du couvert forestier du district de l’île M’Bamou. C’est dans cette
perspective, dans le cadre de la gestion durable de l’utilisation des terres, analyser la
dynamique de l’occupation du sol au niveau de cette localité a paru très nécessaire en vue de
renseigner les autorités compétentes sur l’état de l’utilisation des sols. Cela dans le but de
fournir des informations de base qui pourront permettre la mise en place d’une stratégie de
gestion durable des terres au niveau de cette localité.
III.1.2 Localisation de la zone d’étude

Le district de l’île M’Bamou (figure 5) est rattaché depuis 2011 au Département de
Brazzaville, il est situé entre 4°6’ et 4°17’ de latitude Sud et entre 15°18’ et 15°29’ de
longitude Est. Ce district comprend : l’île M’Bamou, les eaux et les îlots compris entre l’île
M’Bamou et la rive septentrionale du Stanley-Pool. Il s’étend sur 24 km de long, 16 km de
large et couvre une superficie de 262 km2 (JORC, 2011).
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.
Figure 5 : localisation du district de l’ile M’Bamou
III.1.3 Milieu physique

III.1.3.1 Climat
Le district de l’île M’Bamou est situé dans la partie sud de la république du Congo qui est
sujet à un climat tropical humide. Il caractérisé par une saison sèche relativement fraîche bien
marquée, s’étalant sur trois (3) mois de juin à septembre, et une saison pluvieuse plus
accentuée de novembre en avril, interrompue par une petite saison sèche plus ou moins
22
régulière pouvant durer quelques semaines et se situant entre décembre et février. La quantité
moyenne annuelle des précipitations s’élève à 1500 mm, cependant la température moyenne
annuelle s’élève à 26°C (figure 6).
Température Moyenne (°C) Précipitation Moyenne (mm)
Figure 6 : diagramme ombrothermique du département de Brazzaville de 2010-2020 (Station

de Brazzaville, source : ANAC Congo)
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 :
 les sols peu évolués d'apport sur matériau sableux alluvial ;

 les sols ferralitiques fortement désaturés ;
 le complexe de sols ferralitiques moyennement et fortement désaturés appauvris jaunes
sur matériaux sableux-alluvial.
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).
Figure 7 : variation du relief du district de l’île M’Bamou
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.
III.1.4 Milieu humain

III.1.4.1 Population
Le district de l’île M’Bamou est un territoire situé entre les deux Capitales les plus proches au
monde (Kinshasa et Brazzaville). On y rencontre des congolais des deux rives, sa population
en 1970 était estimée à 1300 habitants, cependant de nos jours, elle est estimée à environ 4000
habitants. La majeure partie de la population est regroupée respectivement à Lissanga,
Kitenegué, Nzété Moko et Motou ya ngombè.
III.1.4.2 Activités anthropiques

La population de l’île M’Bamou pratique la pèche (au niveau du fleuve Congo) et l’agriculture
(en zone forestière et très peu en savane). La forêt permet aussi la récolte des produits
forestiers non ligneux (noix de palme, champignons, etc.). Pour les cultures les plus
abondantes, il s’agit de la culture de manioc (tubercules, feuilles de manioc).
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
III.2.1 Données utilisées

La réalisation de cette étude a nécessité l’acquisition des données rasters (images satellitaires)
de différentes dates sur le site de USGS Earth explorer de la NASA. A ces données, se sont
ajoutées les données de vérités-terrain (points GPS) qui ont permis la vérification de certaines
zones des unités thématiques identifiées.
Tableau 5 : présentation des données rasters utilisés

Capteur Scène/tuile Date de Résolution (m)
capture Saison de l’année
Landsat 1-3 (MSS) 195-063 09/03/1979 60m Saison de pluie

Landsat 7 (ETM) 182-063 22/05/2003 15, 30, 60m Saison sèche
Sentinel 2A T33MWR 25/08/2021 10, 20, 60m Saison sèche
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 :
 Combinaison des bandes (layer stacking)

L’image téléchargée est contenue dans un dossier Zip dont il faut extraire le contenu en
dézippant ce dernier. Pour chaque image, le dossier dézippé contient quelques dossiers (cas
des images Sentinel 2A) et plusieurs fichiers parmi lesquels figurent les bandes ayant pour
extension tiff. Les bandes sélectionnées selon le cas, ont donc été combiné grâce à l’outil
« Fusionner » du menu Raster sous Qgis 3.10 afin d’avoir une image multi bandes en format
tiff (figure 9).
Figure 9 : extraction et combinaison des bandes
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).
Figure 10 : processus de rééchantillonnage
 Réhaussement des images

Il consiste à améliorer l’apparence de l’imagerie pour faciliter l’interprétation et l’analyse
visuelle. Le contraste entre les différents éléments des images a été amélioré en jouant sur la
dynamique des valeurs radiométriques au niveau de l’histogramme des fréquences (figure 11).
Figure 11 : rehaussement de l’image
 Extraction de la zone d’étude

Compte tenu de l’absence d’un fichier vecteur des limites administratives de notre zone
d’étude, l’extraction de cette dernière a été faite à partir d’un fichier vecteur (shapefile) créé
après numérisation à partir de l’image multi spectral Landsat MSS de 1979. Ce fichier vecteur
28
obtenu a été ensuite utilisé pour l’extraction de la zone d’étude sur toutes les images. Ceci a
été rendu possible grâce à l’outil « » de Qgis 3.10 (figure 12).
Figure 12 : création d’un shapefile et extraction de la zone d’étude
III.3.2 Traitement d’images satellitaires

III.3.2.1 Interprétation visuelle et définition du nombre de classe thématique
Cela consiste à identifier les différentes cibles sur une image. Ces cibles peuvent être
naturelles ou artificielles, faites de divers points, lignes ou surfaces. Ainsi, les compositions
colorées 3-21 (image Landsat 7 ETM et Sentinel 2A) et 1-3-1 (Image Landsat 1-3 MSS) ont
été appliquées aux trois couleurs primaires (Rouge, Vert, Bleu).
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
Figure 13 : processus de calcul du NDVI et résultat
L’examen à partir de la composition colorée, les valeurs de l’indice de végétation et la

vérification visuelle sur Google Earth de quelques zones des images depuis le logiciel Qgis
3.10 grâce à l’outil « Send to Google Earth », nous a permis de discriminer les grandes unités
d’occupation du sol. Ainsi six classes thématiques ont été définies, à savoir : Forêt dense,
Forêt dégradée, Savane/Jachère (incluant aussi les cultures), Sol nu/Bâtis, Eau et Bande de
sable.
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.
7 grille d’interprétation image Landsat MSS

Classe d’occupation du sol Signatures spectrales
Forêt dense
Foret dégradée
Savane/Jachère
Sol nu/Bâtis
Eau
Bande de sable
32
Tableau :
8 grille d’interprétation image Landsat 2003

Classe d’occupation du sol Signatures spectrales
Forêt dense
Foret dégradée
Savane/Jachère
Sol nu/Bâtis
Eau
Bande de sable
33
Tableau :
9 grille d’interprétation image Sentinel 2

Classe d’occupation du sol Signatures spectrales Visualisation sur Google Earth Pro
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.
Avant l’application de la classification, un modèle de classification renseignant sur la qualité

de la classification avait été ainsi créé pour chaque image. Cela renseignait sur les confusions
qui pouvaient avoir lieu lorsque l’algorithme devait être lancé et la précision de carte
(précision globale et l’indice de Kappa). Une fois que le modèle était bon, c’est-à-dire la
précision globale dépassant 90%, la classification était ainsi lancée. La précision globale du
modèle de classification utilisée pour classifier chaque image était de 99% (figure 14). Pour la
création du modèle de classification, l’outil ‘’ Train algorithm ’’ de Dzetsaka a été utilisé.
(a) (b)
Figure 14 : (a) sélection des ROI, (b) modèle de classification
III.3.4 Post classification

Elle consiste à corriger les erreurs de l’algorithme issues de la confusion des pixels lors de la
classification. La correction de ces erreurs de classification a été réalisée sous Qgis 3.10 en
utilisant le menu « SCP » sous l’onglet « Edit raster ». En vue de procéder à des corrections,
une correspondance entre l’image de base et le produit classifié était nécessaire afin de recoder
les pixels mal classifiés (figure 15).
36
(a) (b)
Figure 15 : application de la post classification : (a) avant, (b) après application
III.3.5 Tamisage des Pixels isolés

Dans le but de faire correspondre les différentes cartes obtenues à la définition de la forêt en
République du Congo, un tamisage tenant compte de la superficie minimum (0,5ha) de la forêt
a été appliquée sur toutes les cartes. La taille du pixel étant à 10m pour une superficie par
pixel de 100m2, ainsi pour une superficie minimum de 0,5ha soit 5.000m 2, 50 pixels avaient été
considérés dans le tamisage ou filtrage des pixels isolés.
III.3.6 Evaluation de la précision des cartes d’occupation du sol

L’évaluation de la précision d’une carte consiste à vérifier le degré auquel la carte produite est
en accord avec la classification de référence. C’est une étape très importante dans le traitement
des données de télédétection car toutes les cartes 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 les incertitudes
(FAO, 2016; GFOI, 2013; Olofsson et al., 2014). L’évaluation de nos différentes cartes a été
faite à partir de la méthode de Olofsson et al. (2014). Cette évaluation se fait en trois grandes
étapes :
1. Echantillonnage
En statistique, l’échantillonnage n’est autre que le processus de sélection des échantillons et
un échantillon est défini comme un sous-ensemble de la population. Pour cette étude, nous
avons utilisé la méthode d’échantillonnage aléatoire stratifiée (Stratified Random Sampling)
qui tient compte des différentes strates de cette étude et offre la possibilité d’intensifier
l’échantillonnage dans les zones d’intérêt.
Selon Olofsson et al. (2014) l’échantillonnage aléatoire stratifié est la meilleure méthode
d’échantillonnage qui puisse être utilisée dans l’évaluation de la précision des cartes
37
d’occupation du sol. Dans l'échantillonnage, la taille de chaque catégorie est choisie de façon
à ce que la taille totale soit suffisante pour estimer avec précision la superficie de la classe
(FAO, 2016; GFOI, 2013).
La taille de l'échantillon a alors été déterminée sur SEPAL. SEPAL fait partie de la suite
d'outils libre d´accès d’Open Foris qui permet aux utilisateurs d'interroger et de traiter les
données satellitaires rapidement et efficacement, d'adapter leurs produits aux besoins locaux et
de produire rapidement des analyses géospatiales sophistiquées et pertinentes. Ainsi
L’équation 2 de Cochran (1977) implémenté dans SEPAL, nous a permis de calculer
automatiquement la taille de l'échantillon qui a ensuite été ajustée (figure 16) entre les
différentes classes d’occupation du sol.
Équation 2
: taille de l’échantillon ; : superficie totale ; : erreur standard de la précision

globale (0,01) ; : proportion de la strate i dans la carte ; : déviation standard de la strate.
La taille de l’échantillon est fortement corrélée à la précision de l’utilisateur attendue par

classe, d’où dans cette étude, la plus haute précision de l’utilisateur attendue pour toutes les
classes était fixée à 0,98 tandis que la plus faible était fixée à 0,90, avec une erreur standard de
la précision fixée à 0,01. Le nombre minimum d’échantillons par classe était fixé à 100
échantillons (figure 19). Cela a permis d’obtenir une taille de l’échantillonnage de 600
échantillons repartis par la suite entre les différentes classes (figure 16).
(a) (b)
Figure16 : (a) fixation des précisions attendues

, (b) répartition des échantillons par classe
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).
Figure 17 : allocation des points dans chaque strate
2. Validation des points d’échantillonnage

L’échantillonnage a été suivi d’une validation consistant à comparer les données de référence
avec les données cartographiques (cartes obtenues). Cela dans le but d’identifier les écarts qui
existeraient entre les cartes et les données de référence et faire une analyse à partir d’une
matrice de confusion fondée sur une comparaison pixel par pixel de la carte.
Après superposition de l’image de référence et la carte, la couche des points de validation

créée a permis par la suite de procéder à la phase de photo-interprétation. Elle a consisté à
cliquer sur un point donné de la table attributaire de la couche créée, puis renseigner
l’occupation de sol correspondant à ce point par rapport à l’image de référence en se servant
du code de la classe (exemple : 1 pour ‘’ Forêt ‘’ ; 2 pour ‘’ Foret dégradée ’’) (figure 18). Les
images qui ont permis l’obtention de la carte de 1979 et celle de 2003 ont aussi servi comme
images de référence compte tenu de leur période et l’absence d’autres données à haute
résolution. Pour la carte de 2021, la validation a été faite à partir des images à haute
résolution de Google Earth Pro (à partir de l’extension ‘’Send to Google Earth’’ sous Qgis
3.10) et les données de vérité terrain (points GPS).
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
 Elaboration de la matrice de confusion

L’étape de validation des points d’échantillonnage une fois bouclée et la reclassification de la
carte de 2021 faite, la couche de points de validation a été comparée à la carte à partir de
l’outil ‘’précision ‘’ de « SCP » dans le but d’obtenir une matrice de confusion et les autres
statistiques y afférents (précision globale, précision du producteur et de l’utilisateur) (figure
19).
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).
Tableau 11 : illustration de la matrice de confusion
3. Calcul des proportions superficies

L’obtention de la matrice de confusion nous a permis de recalculer les proportions des
superficies estimées de chaque classe d’occupation de sol en appliquant l’équation 3 :
𝝆𝒊𝒋 = 𝑾𝒊 ∗ 𝒏𝒊𝒋/𝒏𝒊 Équation 3
Où : i désigne la ligne et j la colonne
Pij : représente le total des points d’une classe sur la ligne

nij : est le total des point bien classé par classe
41
Wi : désigne la proportion de la zone cartographiée et ni est la somme totale des points de la
classe
 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 :
 Précision de l’utilisateur (Ûi)
Équation 4
Avec pii le nombre correctement identifié comme classe de carte ; Pi est le nombre revendiqué
être dans cette classe de carte.
 Précision du producteur (Pj)
Équation 5
Avec Pjj le nombre de sites de test correctement identifié ; Pj est le numéro réel de la carte.
 La précision globale (Ô)

Elle compare la façon dont chaque pixel est classé par rapport aux conditions définitives de
couverture des terres obtenues sur la base des données de référence correspondantes. Elle se
calcule comme suit :
Équation 6
q désigne le nombre de classe
 Superficie estimée (Âj) des différentes classes de référence

Â𝐣 = 𝑨𝒕𝒐𝒕 ∗ . 𝒋 Équation 7
 Erreur Standard de chaque classe d’occupation de sol S(Pj)
Équation 8
 Erreur standard de la superficie estimée S(Âj)

𝐒(Â𝐣) = 𝑨𝒕𝒐𝒕 ∗ 𝑺(. 𝒋 ) Équation 9
Avec Atot : superficie totale de la zone d’étude et S (pj) : intervalle de confiance.
42
 Superficie ajustée à l’incertitude ou intervalle de confiance Elle
est estimée comme suit : Â𝐣 ± 𝟐 ∗ 𝑺(. 𝒋 Équation 10
III.3.7 Représentation cartographique

Les cartes d’occupation du sol de 1979, 2003 et 2021 ont été produites en ajoutant des
éléments comme le nord géographique, la légende, l’échelle, et autres éléments de la carte
(graticule, coordonnées, projection, etc.). Cette opération a été réalisée dans le composeur
d’impression des cartes sous Qgis 3.10 (figure 20).
Figure 20 : mise en page des cartes d’occupation du sol
III.3.8 Analyse de la dynamique de l’occupation du sol

La dynamique de l’occupation du sol peut être définie comme l’évolution dans le temps et
dans l’espace des classes d’occupation du sol, soit vers un stade de dégradation ou
d’amélioration, soit vers un état d’équilibre plus ou moins stable (Biga et al., 2020). Elle
renseigne sur la variabilité spatiale et temporelle des différentes classes paysagères, on peut
ainsi évaluer les changements des classes d’occupation du sol intervenus dans un même
paysage à différentes périodes.
1. Evolution de la dynamique de l’occupation du sol
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.
𝑙𝑛 est le logarithme népérien et 𝑒 est la base des logarithmes népériens (e =2,71828).
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).
III.3.9 Facteurs de déforestation et de dégradation de la forêt de l’île M’Bamou

La déforestation et la dégradation de la forêt de l’île M’Bamou ont été évaluées à partir de
l’analyse des cartes. Pour la détermination des causes de déforestation et de dégradation de la
forêt, une observation sur le terrain des zones déforestées et dégradées, ainsi qu’une enquête
auprès des personnes ressources (autorités administratives, résidents aux alentours de la forêt,
les anciens habitants de l’île, etc.) avait été nécessaire. L’enquête s’était faite sur un
échantillon de 100 individus grâce aux fiches d’enquête. La fiche d’enquête compotait un
nombre de 47 questions (figure 21).
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.
Figure 22 : carte d’occupation du sol de l’année 1979
47
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.
IV.1.1.1 Evaluation de la précision des cartes et statistiques afférents

IV.1.1.1.1 Matrice de confusion
Les tableaux 12, 13 et 14 présentent les matrices de confusion issues du croisement entre les
données de références et les données de classifications des images couvrant la zone d’étude.
Tableau 12 : matrice de confusion de la carte de 1979
49
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.
IV.1.1.1.2 Proportion des superficies

Les matrices de confusion ont été ramenées en proportion des superficies, elles sont présentées
dans les tableaux 15, 16 et 17. Chacune d’elle présente le pourcentage de l’occupation du sol
de chaque classe (Wi) ou le poids de la strate, la précision de l’utilisateur, la précision du
producteur et la précision générale.
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
Précision du 1,00 0,99 0,97 0,87 1,00 0,98

producteur Précision
0,9801
globale
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.
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.
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.
IV.1.1.1.3 Superficie estimée pour chaque classe

Les superficies estimées de chaque classe thématique concernant chaque année comparée à
celles initiales sont présentées dans le tableau 18. Ces superficies résultent de chaque carte et
de la donnée de référence afférente.
52
Tableau
18 : Superficie estimée des classes thématiques selon la carte et de la donnée de

référence
Superficie (ha)
Occupation du
sol 1979 2003 2021
Référence Carte Référence Carte Référence Carte
Forêt dense 3068,73 3131,36 2732,56 3004,38 1754,42 1985,62
Foret dégradée 3098,38 3297,93 3230,24 2861,91 1327,91 897,75
Savane/Jachère 12935,28 12663,05 11197,09 12123 13736,17 13729,3
Sol nu/Bâtis 1001,62 951,08 1918,34 831,42 3275,98 3580,3
Eau 9802,08 9864,88 10311,73 10718,91 9373,05 9716,95
Bande de sable 1794,83 1792,64 2306,87 2157,21 2232,76 1790,39
Total 31700,94 31700,94 31696,83 31696,83 31700,31 31700,31
Le tableau 18 permet de constater que chaque carte obtenue présente des cas de surestimation
et de sous-estimation des superficies des différentes classes thématiques. Les cas de
sousestimation les plus importantes ont été notifiées au niveau de la classe sol nu/Bâtis de la
carte de 2003 et la classe Forêt dégradée de la carte de 2021, au niveau de chaque produit
cartographique, la sous-estimation liée à ces deux classes susmentionnées représente
respectivement 1086,92ha (56,66%) et 430,16 ha (32,39%). Concernant les cas de
surestimation des superficies, la classe Forêt dense de la carte de 2021, présente une
surestimation de la superficie qui équivaut à 231,20 ha (13,18%), elle est suivie par la classe
Forêt dense de la carte de 2003 (271,82 ha ; 9,95%). Les détails concernant les biais observés
au niveau de chaque carte sont présentés dans le tableau 19.
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
Occupation du différenc différenc différenc

(%) type de biais (%) type de biais (%) type de biais
sol e (ha) e (ha) e (ha)
Forêt dense -62,63 -2,04 surestimation -271,82 -9,95 surestimation -231,20 -13,18 surestimation
11,4 sousestimatio sousestimation
Foret dégradée -199,54 -6,44 surestimation 368,33 430,16 32,39
0 n
Savane/Jachèr sousestimation sousestimation
272,23 2,10 -925,91 -8,27 surestimation 6,88 0,05
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
Forêt dégradée Savane/Jachère Sol nu/Bâtis Eau Bande de sable
Figure 25 : variation entre les superficies estimées et celle de la carte
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.
IV.1.1.1.4 Superficie ajustée à l’erreur standard

L’erreur standard permet d’ajuster les superficies estimées à la réalité du terrain. Elle corrige
les écarts pouvant exister entre les superficies des produits cartographiques et la réalité du
terrain moyennant l’intervalle de confiance. Le tableau 20, présente ainsi les superficies des
54
Tableau
différentes classes d’occupation du sol ajustées à l’erreur standard. Elle varie d’une classe à
une autre.
20 : superficie ajustée à l’erreur standard

Superficie ajustée à l'erreur standard (ha)
Occupation du sol 1979 2003 2021
Forêt dense 3068,73 ± 88,12 2732,56 ± 189,99 1754,42 ± 137,71
Foret dégradée 3098,38 ± 180,36 3230,24 ± 394,88 1327,91 ± 408,64
Savane/Jachère 12935,28 ± 370,14 11197,09 ± 773,45 13736,17 ± 427,26
Sol nu/Bâtis 1001,62 ± 258,97 1918,33 ± 698,42 3275,98 ± 235,84
Eau 9802,08 ± 203,64 10311,72 ± 424,40 9373,05 ± 389,80
Bande de sable 1794,83 ± 62,84 2306,87 ± 310,57 2232,76 ± 406,61
IV.1.2 Dynamique de l’occupation du sol

IV.1.2.1 Analyse de l’occupation du sol entre 1979 et 2021
Les états de l’occupation du sol des années 1979, 2003 et 2021 sont synthétisés dans le tableau
21.
Tableau 21 : superficies en hectare et en pourcentage des classes d’occupation du sol

1979 2003 2021
(ha) % (ha) % (ha) %

Forêt dense 3068,73 ± 88,12 9,68 2732,56 ± 189,99 8,62 1754,42 ± 137,71 5,53
Foret dégradée 3098,39 ± 180,36 9,77 3230,24 ± 394,88 10,19 1327,91 ± 408,64 4,19
Savane/Jachère 12935,28 ± 370,14 40,8 11197,09 ± 773,45 35,33 13736,18 ± 427,26 43,33
Sol nu/Bâtis 1001,62 ± 258,97 3,16 1918,34 ± 698,42 6,05 3275,98 ± 235,84 10,33
Eau 9802,08 ± 203,64 30,92 10311,73 ± 424,40 32,53 9373,05 ± 389,80 29,57
Bande de sable 1794,83 ± 62,84 5,66 2306,87 ± 310,57 7,28 2232,77 ± 406,61 7,04
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
Entre 1979 et 2003

L’analyse des résultats montre que les valeurs positives des taux révèlent une augmentation
des superficies des classes d’occupation du sol, il s’agit des classes Sol nu/Bâtis (91,52%),
Bande de sable (28,53%), Eau (5,20%) et Forêt dégradée (4,26%). Les valeurs négatives
indiquent que durant cette même période, les superficies des classes d’occupation du sol Forêt
dense, Savane/jachère ont régressé respectivement de 10,95% et 13,44% à raison de 0,48% et
0,60% par an.
Entre 2003 et 2021

Pour la période de 2003-2021, le tableau indique des diminutions annuelles de 4,94%,
2,46%, 0,53% et 0,18% respectivement pour les surfaces des classes Forêt dégradée, Forêt
dense, Eau, de même que de la classe Bande de sable. Une augmentation moyenne annuelle de
2,97% et 1,14% des superficies respectivement des classes Sol nu/Bâtis et Savane/Jachère est
constatée.
Entre 1979 et 2021
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
-100 -50 0 50 100 150 200 250
Taux de changement global
Figure 27 : bilan des changements opérés au niveau des différentes classes d’occupation du
sol entre 1979 et 2021
IV.1.3 Perception des facteurs de déforestation et dégradation de la forêt

Le traitement des données d’enquête concernant les facteurs directes de la déforestation et la
dégradation de la forêt au niveau du district de l’île M’Bamou montre que l’agriculture a été
mentionnée à 100% comme le facteur principal de la déforestation ainsi que de la dégradation
de la forêt (tableau 23).
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.
IV.2.2 Dynamique de l’occupation du sol

L’approche diachronique ainsi que le suivi de l’occupation du sol a permis de faire une
évaluation de la dynamique de l’occupation du sol du district de l’île M’Bamou sur les
périodes de 1979-2003, 2003-2021 et de 1979-2021. Sur toute la période de 42 ans qu’à
portée l’évaluation de la dynamique spatiale des classes d’occupation du sol, il a été observé
une régression très importante de la classe Forêt dense et Forêt dégradée. Ces classes
forestières ont connu une régression respectivement de 42,83% (1314,33 ha) et 57,14%
(1770,42 ha) à raison de 1,33% et 2,02% par an pour chaque classe.
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).
IV.2.3 Perception des facteurs de déforestation et dégradation de la forêt

L’enquête menée au niveau du district de l’île M’Bamou, précisément à Lissanga et Kiténgué
sur la perception des facteurs directs de la déforestation et de la dégradation de la forêt a
révélé que sur les 100 individus enquêtés, l’ensemble de ses derniers a qualifié l’agriculture
comme le principal facteur de déforestation et de la dégradation de la forêt. Cela peut bien
s’avérer exacte tout d’abord en se basant sur les déclarations de Sita (1970, 1968) qui avait
désigné l’agriculture comme le premier facteur de dégradation de la forêt notamment avec les
cultures du manioc, arachides, ignames, patates, etc. A ce facteur, Sita (1970) ajoutait la
coupe du bois de chauffe, l’abattage des arbres pour la fabrication des pirogues et les feux.
Aussi, la comparaison de la carte initiale de 1979 et celle de 2021 montre bien le phénomène
de dégradation avec le remplacement de la forêt dense par la forêt dégradée (principalement
en 2003) et celui de la déforestation avec le remplacement de la forêt dense et la forêt
dégradée par la savane/Jachère et les sols nus (figure 28). La phase de vérité terrain a révélé
que les sols nus en zone forestière représentent les zones agricoles nouvellement défrichées
ou qui possèdent des jeunes cultures. Ses sols nus sont suites à la pratique agricole utilisée par
les agriculteurs consistant à dénuder le sol avant de planter les boutures de manioc (figure
29).
62
1979 2003 2021
Figure 28 : visualisation sur Google Earth Pro de la déforestation et la dégradation de la forêt

(Photo : BOUKONO Déo, 31/12/2021)
63
Figure 29 : dénudation du sol pour la mise en culture des boutures de manioc
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 :
 les facteurs indirects et directs de la déforestation et de la dégradation de la forêt de

façon plus approfondie ;
 la quantification des émissions des gaz à effet de serre (GES) qui ont pu découler de la
perte de la forêt ;
 la détermination de l’impact de la déforestation et de la dégradation de la forêt sur la
flore, la faune et le sol ;
 la mise en œuvre d’une stratégie de gestion durable de l’utilisation des terres,
particulièrement des terres forestières.
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
Annexe 1 : différentes cartes d’occupation du sol
Annexe 2 : zone déforestée pour l’agriculture
A
Annexe 3 : feuilles de manioc récoltées des champs en destination vers Nzété-Moko
Annexe 4 : acheminement des feuilles de manioc vers Kinshasa et Brazzaville
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.

Mémoire Valdegrâce V Finale-1

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mémoire Valdegrâce V Finale-1

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE MARIEN N’GOUABI

Année : 2020-2021 N° d’ordre : ______84

Présenté et soutenu publiquement le : 13/01/2022 Par

BOUKONO Déo Reich Valdegrâce

Dynamique spatio-temporelle de la forêt du district de l’île

M’Bamou de 1979 à 2021

mon cher père Jacques BOUKONO, ma

Aussi à la mémoire de mes deux collègues de promotion :

Mes remerciements vont à l’endroit :

 du Jury qui a été désigné pour examiner ce travail ;

Je remercie aussi tous mes collègues du Laboratoire de Télédétection et Ecologie Forestière

TABLE DES MATIERES ........................................................................................................

LISTE DES FIGURES ..............................................................................................................

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

LISTE DES SIGLES ET ABREVIATIONS ............................................................................

8 II.2.1.1 Définitions ....................................................................................................

IV.1.1.1 Evaluation de la précision des cartes et statistiques afférents .................. 47

LISTE DES FIGURES

Figure 1 : principales sources et processus d’émission/d’absorption de gaz à effet de serre

LISTE DES SIGLES ET ABREVIATIONS

AFAT : Agriculture, Foresterie et autre Affectations des Terres

ANAC : Agence Nationale d’Aviation Civile

AFAT : Agriculture, Foresterie et autre Affectations des Terres

AFOLU : Agriculture, Forestry and Other Land Use

ANAC : Agence Nationale d’Aviation Civile

CCNUC : Convention-cadre des Nations unies sur les changements climatiques

CCT : Centre Canadien de Télédétection

CDN : Contributions déterminées au Niveau National

CSV : Comma Separated Values

ETM : Enhanced Thématic Mapper

FACET : Forêt d’Afrique Centrale Evaluée par Télédétection

FAT : Foresterie et autres Affectation des terres

FEM : Fond pour l’Environnement Mondial

GAF : GAF AG, Munich, Bureau de consultation en géo information

GCF : Global Forest Change

GCP : Global Canopy Programme

GES : Gaz à effet de serre

GFOI : Global Forest Observations Initiative

GIEC : Groupe d'experts intergouvernemental sur l'évolution du climat

MEFDD : Ministère de l’Economie Forestière et du Développement Durable

MOM : Matière organique morte

MRV : Measuring, Reporting and Verification

MSS : Multi Spectral Scanner

NASA : National Aeronautics and Space Administration

NDVI : Normalized Difference Vegetation Index

NERF : Niveau d’Emission de Référence pour les Forêt

OSS : Spécification technique de l’Observatoire du Sahara et du Sahel

PIR : Proche infra rouge

PFNL : Produits Forestiers Non Ligneux

PLR : Produits ligneux récoltés

Réduction des émissions issues de la déforestation et de la dégradation

SCP : Semi automatic classification

SIG : Système d’Information Géographique

UTCATF : Utilisation des Terres, Changement d’Affectation des Terres et Foresterie

I.1 Contexte et justification

En tenant compte de la dégradation et la dénaturation des écosystèmes occasionnée

I.3 Objectifs de l’étude

De façon spécifique, il s’agit de :

I.4 Hypothèses de l’étude

Dans la suite de ce document, en dehors de la conclusion, trois parties se succèdent à savoir :

II. REVUE LITTERAIRE

• les émissions et absorptions de CO2 (dioxyde de carbone) résultant de la modification

Figure 1 : principales sources et processus d’émission/d’absorption de gaz à effet de serre