Académique Documents
Professionnel Documents
Culture Documents
DÉTECTION
DÉTECTION DE CHANGEMENT
CHANGEMENT DE LA COUVERTURE
FORESTIÈRE
FORESTIÈRE DU SITE ANTENINA VAKINANKARATRA A
L’AIDE DE LA TÉ
TÉLÉDÉTECTION
L’AIDE DE LA TÉLÉDÉTECTION
Ce travail a pu être mené à terme grâce à l’action de l’amour Dieu, de sa bonté et ses
soutiens illimités auquel je dédie ici tous mes remerciements.
Je tiens aussi à exprimer mes reconnaissances et mes profondes gratitudes envers les
personnes ci-dessous pour ses collaborations et ses aides. En particulier :
I
Présentation du projet et son partenaire
L’ESSVA, une école supérieure sise à Antsirabe, appuyée par la fondation accueille
aujourd’hui environ 400 étudiants répartis dans 6 filières différentes, adaptées aux besoins
malgaches: Communication, Gestion management, Hôtellerie-restauration, Sciences et
techniques de l’éducation, Ecotourisme, Electromécanique. Le projet consiste à développer un
site d’application destiné aux élèves et tout particulièrement aux filières écotourisme et
hôtellerie-restauration.
Le site d’Antenina figure parmi les rares vestiges forestiers du centre de Madagascar. La
forêt primaire qui comporte encore une diversité faunistique et floristique intéressante subit
une pression de plus en plus forte due essentiellement à la population locale. La culture sur
brûlis est encore très pratiquée autour de la forêt. Ceux qui constituent une raison pour sa
conservation et pour sa mise en valeur par le biais de l’écotourisme.
II
TABLE DES MATIERES
REMERCIEMENTS .................................................................................................................................. I
LISTE D’ANNEXE.................................................................................................................................. VI
INTRODUCTION ..................................................................................................................................... 1
I- MATERIELS: ............................................................................................................................... 10
1. Données:................................................................................................................................... 10
1.1. Données images: ........................................................................................................................... 10
1.2. Données de végétation: .................................................................................................................. 11
1.3. Données exogènes: ......................................................................................................................... 12
2. Les logiciels:............................................................................................................................. 14
II- METHODOLOGIES ..................................................................................................................... 15
1. Notion de base sur la télédétection: ......................................................................................... 15
1.1. Principes:........................................................................................................................................ 15
III
1.2. Processus de la télédétection: ......................................................................................................... 16
1.3. Le spectre électromagnétique ......................................................................................................... 17
2. Analyse et traitement numérique d’image: ............................................................................... 18
2.1. Le prétraitement: ............................................................................................................................ 18
2.2. L’amélioration:............................................................................................................................... 19
2.3. Classification :................................................................................................................................ 20
2.4. Evaluation des résultats: ................................................................................................................. 21
3. Le Système d’Information Géographique SIG: ....................................................................... 22
4. Détection de changement.......................................................................................................... 25
5. Démarche méthodologique: ..................................................................................................... 29
5.1. Prétraitement: ................................................................................................................................. 31
5.2. Création des néo-canaux: ............................................................................................................... 34
5.3. Zones de vérité terrain:................................................................................................................... 35
5.4. Etude de la signature spectrale du site d’entrainement: .................................................................. 37
5.5. Classification supervisée: ............................................................................................................... 38
5.6. Post classification ........................................................................................................................... 42
I- RESULTATS: ............................................................................................................................... 43
1. Les images classifiées: ............................................................................................................. 43
2. Evaluation des résultats: .......................................................................................................... 44
3. Statistique: ................................................................................................................................ 46
4. Détection de changement de la couverture forestière: ............................................................. 47
4.1 Création de masque forêt: .............................................................................................................. 47
4.2 Statistique des classes: ................................................................................................................... 48
4.3 Evolution entre 2000 et 2006 : ....................................................................................................... 48
4.4 Evolution entre 2006 et 2011: ........................................................................................................ 49
5. Intégration des données: .......................................................................................................... 51
6. Géoréférencement : .................................................................................................................. 51
7. Validation des cartes: ............................................................................................................... 56
8. Représentation graphique........................................................................................................ 57
II- DISCUSSION ............................................................................................................................... 60
1. Au niveau de la méthodologie: ................................................................................................. 60
2. Au niveau des résultats:............................................................................................................ 60
3. Analyse de tendance simplifiée: ............................................................................................... 63
BIBLIOGRAPHIE................................................................................................................................... 65
ANNEXES ................................................................................................................................................ 67
IV
LISTE DES ABREVIATIONS
V
LISTE D’ANNEXE
VI
LISTE DES TABLEAUX
VII
LISTE DES FIGURES
VIII
LISTE DES FORMULES
IX
LISTE DES CARTES
X
INTRODUCTION
Madagascar fait partie des centres de biodiversité les plus importants du monde (Myers
et al, 2000). Par sa faune et sa flore, il est riche en ‘’mégabiodiversité ‘’. Sa nature se
caractérise par un ensemble d’écosystèmes variés abritant au total plus de 12 000 espèces
répertoriées, dont le degré d’endémisme est de 80% pour la faune et de 85% pour la flore. Les
formations forestières couvrent 12 à 13 millions d’hectares soit un peu plus de 21% du
territoire (Rakoto R., 2003).
L’objectif de cette étude est d’étudier l’évolution de la couverture forestière dudit site et
de cartographier les changements. Pour y parvenir, le plan de notre étude est divisé en trois
grandes parties: la première partie est consacrée au cadre et à la description de la zone d’étude;
dans la deuxième partie, nous exposons les matériels et la méthodologie adoptée, enfin les
résultats et les discussions seront développés dans la troisième partie.
1
Partie 1 : CADRE ET DESCRIPTION DE LA ZONE D’ETUDE
1. Contexte forestier:
Les forêts, sont des formations végétales indispensables à la vie sur Terre. Ce sont des
sources de nourriture, de refuge, de combustibles, de vêtements et médicaments pour de
nombreuses populations. De plus, les forêts abritent de nombreux "points chauds" de
biodiversité et jouent un rôle prépondérant dans la fixation du CO2 que nous émettons
massivement et qui perturbe dangereusement notre climat: 40% du carbone terrestre est
stocké dans la végétation et les sols des forêts.
Les facteurs naturels ayant une influence sur le couvert forestier, incluent de
nombreux facteurs:
- Les aléas climatiques: les catastrophes naturelles comme les cyclones, les
foudres, les vents, les feux; etc.
- Les proliférations d'espèces comme les grands herbivores (favorisés par la
disparition de leurs prédateurs) ou les insectes phytophages (favorisés par les cultures
monospécifiques et le réchauffement climatique) peuvent être extrêmement destructrices.
- Les maladies et les champignons qui sont aidés par la présence de cultures
monospécifiques, voire de cultures composées d'arbres clones. En effet lorsqu'un arbre est
atteint, tout le peuplement suit car chaque arbre dispose de la même vulnérabilité.
Les actions anthropiques: les actions de l’homme à travers les exploitations
forestières, surpâturage, reconversion de forêt en terre cultivable ; etc.
L’action anthropique étant de loin la plus importante. En effet, dans un pays comme
Madagascar où l’économie repose essentiellement sur l’agriculture, l’exploitation forestière
anarchique et la forte croissance démographique ont eu pour conséquence la plus visible, une
dégradation parfois spectaculaire du couvert forestier.
2
2. La déforestation:
Parmi les actions possibles pour atténuer les pressions sur les forêts, le projet Antenina a
pour solutions et pour buts :
3
4. Méthodologie de l’étude:
Pour arriver à la finalité de l’étude et pour satisfaire les demandes du projet, plusieurs
parcours ont été suivis. En premier lieu, une descente sur terrain a été effectuée. Ensuite, nous
avons procédé à des différentes enquêtes qui sont indispensables pour la réalisation et enfin,
nous avons travaillé sur les études bibliographiques.
Outre les levés topographiques, des enquêtes aussi bien sur terrains qu’au sein des
différentes entités sont nécessaires. Les entités les plus visités sont le IOGA, le WWF, le
MEFT. Avec la coopération des autres équipes, les enquêtes sur terrains permettent d’acquérir
les différentes informations nécessaires sur la zone d’étude comme la monographie. Quant
aux enquêtes sur les entités, elles permettent de disposer des images satellites englobant la
zone d’étude ainsi que des différentes cartes de la zone.
A la suite des travaux sur terrains et des enquêtes, on a passé au travail capital qui est le
traitement d’image sous l’encadrement du responsable à l’IOGA.
4
II. DESCRIPTION DE LA ZONE D’ETUDE
1. Localisation:
5
2. Climat, température et vent:
Le climat est caractérisé par un climat tropical d'altitude marqué par deux saisons bien
distinctes: Une saison sèche et fraiche de Mai à Octobre avec parfois des crachins sur les
franges orientales de la circonscription. La température en cette saison peut parfois descendre
en dessous de 0°C (fin de juillet); une saison pluvieuse et plus chaude de Novembre à Avril.
La température moyenne varie entre 12°C et 30°C avec une pluviométrie abondance comprise
entre150 mm et 300 mm par mois.
3. Hydrologie:
Deux principales cours d’eau dominent dans le Fokontany: au nord, la grande rivière
Onive et ses affluents qui représentent la limite au Nord du corridor Fandriana-Marolambo.
Elle sépare ce corridor avec celui de la future aire protégée d’Anjororobe. Elle joue aussi un
rôle limitrophe avec le district d’Ambatolampy; au centre, le Fokontany est drainé par la
rivière d’Antenina qui se déverse sur la droite de l’Onive. Le régime de ces cours d’eau varie
suivant les deux saisons principales du climat. D’autre part, il est aussi alimenté par des
sources montagnardes. Celles-ci sont la première source d’approvisionnement en eau pour les
villageois. L’accès à ces ressources hydrographiques favorise ainsi une diversité d’espèce
aquacole et joue un rôle important dans l’irrigation des rizières.
4. Faunes et flores:
6
Tableau n° 1 : Richesse faunistique globale du site
La forêt naturelle d’Antenina fait partie des forêts denses humides sempervirentes de
moyenne altitude. (ANDRIAMPARANONY, 2012) Il s’agit d’une forêt pluviale humide
localisée sur les hautes terres dans la région du Vakinankaratra. Les inventaires forestiers
effectués ont permis de recenser 2911 individus regroupes dans 107 espèces, 91 genres et 42
familles. La taille et la hauteur des arbres de cette forêt diminuent avec l’altitude.
Des relevées floristiques et de structures de végétation ont été réalisées sur des parcelles
de 1.1hectares. On en a constaté que les forêts sont riches en variétés d’essences endémiques.
Parmi les flores ainsi répertoriées, beaucoup ont de nombreux usages en construction et en
pharmacopée traditionnelle.
7
Tableau n° 2: Essences les plus utilisées par la population locale
5. Population:
8
6. Economie:
L’exploitation de l’or sur les rivières existantes constitue l’activité minière du village.
Généralement, ce sont les gens qui n’ont pas assez de terre à cultiver qui effectue cette activité.
A cet effet, un risque pourrait se produire car cette activité incite au travail des enfants qui
devront encore aller à l’école.
La fabrication de rhum local est aussi une source de revenus pour d’autres habitants.
Les cultures de canne à sucre, matière première de rhum accentue la pratique de défrichement.
9
Partie 2 : MATERIELS ET METHODES
I- MATERIELS:
1. Données:
Pour réaliser cette étude, on a recours à divers types de données. Ces données se
distinguent en 3 catégories : les données images, les données de végétations et les données
exogènes issues du système d’information géographique.
Les tableaux suivants résument les caractéristiques du capteur ETM+ de Landsat et les
différentes bandes de ses capteurs:
Paramètres ETM+
10
Tableau n° 5: Les différentes bandes du capteur ETM+ de Landsat
TM6 10.4-12.5 µm 60 m IR
Les résolutions des bandes TM6 et TM8 sont différentes de celles des autres bandes et
n'apportent pas d’informations significatives sur la végétation, donc ces bandes ne sont pas
utilisées.
Ces images serviront de base pour l’établissement des cartes d’occupation du sol, ainsi
que les cartes de changement forestier. Dans notre étude, le choix de ces images doit tenir
compte aux divers paramètres qui influent à l’interprétation de l’image pendant le traitement
et à la qualité de la carte finale. Ceux-ci peuvent être la couverture nuageuse qui a pour risque,
la fausse interprétation surtout pendant la détection de changement.
Notre travail sur terrain au cours du mois de septembre 2011 a consisté à prendre les
coordonnées des points des différentes classes existantes à l’aide d’un GPS. Le résultat du
levé que nous avons effectué donne 234 points repartis sur les catégories d’occupation du sol
suivantes : forêt naturelle, forêt dégradée, culture, plan d’eau, habitation, rizière, savane. Ces
données de végétation ont été servies comme des vérités terrains pendant le traitement.
11
1.3. Données exogènes:
12
Figure n° 2 : Fond de carte au 1/100000
13
Tableau n° 6 : Tableau récapitulatif des données utilisées
2. Les logiciels:
Pour le traitement d’image en télédétection, nous avons utilisé à la fois les logiciels
ENVI et Idrisi.
Dans la partie cartographie, on a utilisé le logiciel ArcMap 9.2 d’ArcGIS. Dans cette
étude, il est destiné au traitement des données du SIG et à la mise en page de la carte issue de
la classification.
14
II- METHODOLOGIES
Par définition, « 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 enregistrer l’énergie d’un
rayonnement électromagnétique émis ou réfléchi, à traiter et analyser l’information qu’il
représente, pour ensuite mettre en application cette information» (http://www.ccrs.nrcan.qc.ca)
1.1. Principes:
15
1.2. Processus de la télédétection:
16
Transmission, réception et traitement (E)
L'énergie enregistrée par le capteur est transmise, souvent par des moyens électroniques,
à une station de réception où l'information est transformée en images (numériques ou
photographiques).
Application (G)
La dernière étape du processus consiste à utiliser l'information extraite de l'image pour
mieux comprendre la cible, pour nous en faire découvrir de nouveaux aspects ou pour aider à
résoudre un problème particulier.
17
Les plus petites longueurs d'onde utilisées pour la télédétection se situent dans
l'ultraviolet. Ce rayonnement se situe au-delà du violet de la partie du spectre visible.
La lumière que nos yeux peuvent déceler se trouve dans ce qui s'appelle le "spectre
visible". Il est important de constater que le spectre visible représente les plus petites parties
de l'ensemble du spectre. Une grande partie du rayonnement électromagnétique qui nous
entoure est invisible à l'œil nu, mais il peut cependant être capté par d'autres dispositifs de
télédétection. Les longueurs d'onde visibles s'étendent de 0,4 à 0,7 µm. La couleur qui
possède la plus grande longueur d'onde est le rouge, alors que le violet a la plus courte. Les
longueurs d'onde du spectre visible que nous percevons comme des couleurs communes sont
énumérées ci-après :
2.1. Le prétraitement:
Il désigne la correction des divers effets sur les images satellites qui peuvent être les
problèmes de superposition des images et couvertures géographiques et les problèmes de
validité des valeurs radiométriques (TONON, 2003). Le prétraitement est composé de
corrections radiométriques et corrections géométriques.
18
a. Transformation radiométrique:
Elle comprend la correction des données à cause des irrégularités des capteurs ou à
partir des bruits dus à l’atmosphère. Le but des transformations radiométriques est de restituer,
dans la mesure du possible, les propriétés spectrales spécifiques à un type d’occupation du sol
de manière à favoriser sa détermination par des moyens tant visuels que numérique et le cas
échéant, d’observer son évolution (Caloz et Collet, 2001).
b. Transformation géométrique:
Les corrections géométriques comprennent la correction pour les distorsions
géométriques dues aux variations de la géométrie Terre-capteur, et la transformation des
données en vraies coordonnées (par exemple en latitude et longitude) sur la surface de la terre
(CCT, 2011).
2.2. L’amélioration:
b. Le filtrage :
Si les canaux et leurs compositions colorées ne sont pas satisfaisants, la création des
néocannaux aide beaucoup à la discrimination des informations comme les indices de
végétation, de brillance, ACP, etc.
19
2.3. Classification :
Elle consiste à regrouper les pixels ayant des valeurs radiométriques similaires. Celle-ci
a pour principe de constituer automatiquement des classes par le regroupement des points en
ces diverses classes. Il n’y a pas d’intervention de l’opérateur dans cette opération sauf dans la
définition de la correspondance entre les classes ainsi produites.
Elle consiste à affecter des objets inconnus des classes prédéterminées, la classification
dirigée est basée sur une connaissance à priori de la position et de la nature d’un thème
quelconque de l’image.
20
Ainsi, avant notre terrain, on avait procédé à la classification non assistée afin de mieux
apprécier les classes d’occupations existantes. Ceci a servi de base au levé effectué à part la
carte topographique.
La matrice de confusion est un outil servant à évaluer la qualité d'une image classifiée.
Elle est obtenue en comparant les données classées avec des données de référence qui
doivent être différentes de celles ayant servi à réaliser la classification. Ces données de
référence sont acquises pendant les travaux de terrain. La forme de la matrice est donnée
dans le tableau ci-après :
Données de références
Données classées Total classifie
1 2 … n
1 a11 a12 … a1n a1
2 a21 a22 … a2n a2
… … … … … …
N an1 an2 … ann an
Total référence a.1 a.2 … a.n Total
Source : Caloz et Collet, 2001
Chaque ligne de la matrice représente le nombre d'occurrences d'une classe estimée
c'est-à-dire de l’image classifiée, tandis que chaque colonne représente le nombre
d'occurrences d'une classe réelle (ou de référence).
Les valeurs de la diagonale de la matrice représentent le nombre de pixels
correctement classifiés.
La précision générale ou précision globale donnée sous forme de pourcentage
s’obtient par le rapport du nombre total de pixels correctement classifiés (valeur de la
diagonale) et le nombre total des pixels des zones test.
Le coefficient Kappa est un estimateur de précision. Il exprime la réduction
proportionnelle de l’erreur obtenue par une classification comparée à l’erreur obtenue par
une classification complètement au hasard. Plus la valeur de kappa est proche de l’unité,
21
plus la précision de la classification est meilleure. L’indice Kappa se calcule par la
formule:
L’erreur d’omission :
C’est le rapport entre le nombre total de pixels correctement attribués à une classe et le
nombre total de pixels de cette classe selon les données de référence. Cette statistique indique
la probabilité d’un pixel des données de référence à être bien classé.
L’erreur de commission :
C’est le rapport entre le nombre total de pixels correctement attribués à une classe et le
nombre total de pixels de cette classe selon la classification réalisée. Cette statistique
représenter correctement la classe qui lui a été attribué dans la classification.
a. Définitions :
22
b. Les principales composantes du SIG :
SIG:
Gestion,
Manipulation,
Le SIG fonctionne actuellement sur une très large gamme d’ordinateurs connectés en
réseau ou autonome et avec ses périphériques : imprimante, table à numériser, scanne.
Le logiciel:
Les logiciels de SIG offrent les outils et les fonctions pour stocker, analyser et afficher
toutes les informations. Les principaux composants logiciels d’un SIG se composent :
les outils pour saisir et manipuler les informations géographiques.
Système de gestion de base de données.
Outils géographiques de requête, analyse et visualisation.
Interface graphique utilisateur pour une utilisation facile.
Les données :
Les données sont certainement les composantes les plus importantes des SIG. Les
données géographiques et les données tabulaires associées peuvent, soit être constituées en
interne, soit acquises auprès de producteurs de données.
23
Les utilisateurs:
Un Système d’Information Géographique (SIG) étant avant tout un outil, c’est son
utilisation (et donc, son ou ses utilisateurs) qui permet d’en exploiter l’essentiel.
Les SIG s’adressent à une très grande communauté d’utilisateurs depuis ceux qui créent et
maintiennent les systèmes, jusqu’aux personnes utilisant dans leur travail quotidien la
dimension géographique. Avec l’avènement des SIG sur Internet, la communauté des
utilisateurs de SIG s’agrandit de façon importante chaque jour et il est raisonnable de penser
qu’à brève échéance, nous serons tous à des niveaux différents des utilisateurs de SIG.
Abstraction
Acquisition
Alimentation du SIG en données : il faut d’une part définir la forme des objets
géographiques et d’autre part leurs attributs et relations. Les données peuvent être :
Archivage
Analyse
Il répond aux questions posées. Les couches de données sont combinées et manipulées
pour créer de nouvelles couches et pour extraire des informations interprétables.
24
Affichage
En fait, les données doivent être mise à jour, bien ordonnées et affinées, afin de faciliter
l’archivage, l’analyse et l’affichage.
Il permet de:
Grace à l’informatique, il est possible de réaliser des produits nouveaux qui étaient
impossible de réaliser à la main.
Il évite d’avoir à refaire plusieurs fois les mêmes levers. Il évite que des services
différents procèdent à des levers topographiques sur la même zone et éviter les pertes
d’information. Lorsque le SIG est en place, installer une nouvelle application nécessite un
investissement modeste. Il facilite la réalisation d’étude pour tous les projets ayant une
composante géographique. Il améliore aussi le service rendu à l’usager, permettant de lui
fournir avec rapidité et fiabilité une information de qualité dont il a besoin.
4. Détection de changement
25
Revue de littérature sur les méthodes existantes :
Parmi les travaux relatifs à l’étude du changement par télédétection, il existe plusieurs
méthodes de détection. Ces méthodes évoluent rapidement et de nouvelles méthodes sont
développées pour répondre au besoin réel des changements rapides et complexes de la surface
de la Terre. Plusieurs auteurs ont publié des évaluations des méthodes de détection de
changements, par exemple Singh (1989), Lunetta et Elvidge (1998), Mas (2000), Jensen
(2004) et Lu et al. (2004). Dans leur plus récente contribution, Lu et al. (2004) divisent les
méthodes de détection de changements en six catégories : algébrique, de transformation, de
classification, avancées, approche SIG, d’analyse visuelle et autres techniques (tableau 9).
CATEGORIES TECHNIQUES
- Différence d’images
- Régression d’images
Algébrique - Différence d’indices de végétation
- Division d’images
- Soustraction (différence) d’images de base
- Analyse par vecteur de changement
26
- Mesure de dépendance spatiale
- Système d’observation basée sur la connaissance
- Méthode de génération de superficie (area production method)
- Combinaison de trois indicateurs : indices de végétation,
Autres techniques température de surface et structure spatiale.
- Courbe de changements
- Modèles linéaires généralisés
- Approche basée sur le théorème de courbe
- Approche basée sur la structure
- Méthode basée sur la statistique spatiale
27
Tableau n° 10: Avantages et inconvénients de chaque catégorie de méthode
28
Après avoir analyser les méthodes existantes, nous avons opté à la méthode de
classification, utilisant la technique de comparaison de post classification. L’identification des
changements se fait par une procédure qui consiste à, d'abord, classifier les différentes images des
différentes dates et, ensuite, les comparer.
5. Démarche méthodologique:
29
Landsat ETM+ Années
Images
satellites
2000- 2006- 2011
- Correction géométrique
Prétraitement
des images - Correction radiométrique
- Masque forêts
Comparaison de post - Détection de changement entre les dates 1
classification de 2
images et 2 (répétée pour les dates 2 et 3)
Cartes de
Statistique sur les catégories de changements
changements
forestiers entre la
date 1-2 et 2-3
30
5.1. Prétraitement:
Pour arriver à l’étude sur la détection et le suivi de changement d’occupation de sol, les
images utilisées ont fait l’objet de prétraitement.
Les images utilisées présentent des décalages même si elles sont déjà dans la même
projection. On remarque que les coordonnées ne sont pas identiques comme indique le tableau
suivant.
Ainsi, pour avoir une bonne superposition sur les images utilisées, on a procédé à la
registration des images c’est-à-dire on a exprimé les coordonnées de l’image 2006 et 2011
dans le même référentiel que l’image 2000. De ce fait, on a installé quelques points de
contrôles sur les images à corriger (2006 et 2011) visible sur l’image de référence (image
2000). Le résultat est montré ci-après:
(a) (b)
31
(c) (d)
Figure n° 10 : Image de référence (2000) avec les points de contrôle faits sur
l’image 2006 (a) et 2011 (b), Images corrigées géométriquement
2006 (c) et 2011 (d).
Après cette correction, les images ont été découpées au même repère de façon à couvrir
la zone d’étude pour faciliter le traitement.
b. Correction atmosphérique:
La plupart des données de télédétection contiennent un bruit causé par les particules
atmosphériques, qui perturbent l'image et altèrent la fiabilité des analyses quantitatives. De
plus, les images utilisées sont acquises dans des conditions atmosphériques différentes, il peut
y avoir des influences et des modifications sur la valeur des pixels (à cause du bruit…) ou sur
la projection. Afin de rendre ces images dans la même condition atmosphérique, il est
important d’effectuer cette correction. Ce procédé permet donc de corriger les perturbations
atmosphériques de l’image, afin de travailler à partir de données précises et fiables.
32
Tableau n° 12 : Plage des valeurs radiométriques avant et après la correction atmosphérique-
image 2000
Tableau n° 13: Plage des valeurs radiométriques avant et après la correction atmosphérique-
image 2006
33
Tableau n° 14 : Plage des valeurs radiométriques avant et après la correction atmosphérique-
image 2011
Les néo-canaux peuvent être utilisés comme techniques de rehaussement visuel pour
faciliter l'interprétation ou pour réduire le nombre de bandes qui seront fournies comme
données d'entrée à une procédure de classification numérique (CCT, 2012). Ils peuvent
donner des apports dans la discrimination des classes pour éviter les problèmes de confusions.
Pour ce faire, on a effectué le NDVI et la transformation Tasseled Cap aux images
considérées.
Le NDVI ou indice de végétation par différence normalisée est une transformation très
utilisée pour surveiller l'état de la végétation. Il permet de calculer le rapport :
%&'('
NDVI = %&''
Avec : R : Rouge
PIR: Proche Infrarouge
Formule n° 2 : Equation de NDVI (Rouse et al, 1974)
34
Le Tasseled Cap: Cette transformée est une combinaison linéaire de bandes spectrales
en trois composantes : la brillance, la verdure et l’humidité.
Voici par exemple les résultats de la transformée NDVI et Tasseled Cap de l’image
2011:
Pour rendre plus efficace l’analyse et l’interprétation, et aussi pour améliorer le résultat,
il est préférable de combiner les six bandes initiales avec les bandes issues des néo-canaux.
On a alors dix bandes pour effectuer la classification dont 6 pour les bandes initiales, un pour
le NDVI et trois bandes pour le Tasseled cap (bande de brillance, verdure et humidité).
Notre vérité terrain est issue d’un levé sur terrain des différentes classes d’occupation
du sol. D’autre classe comme l’habitation, n’est pas prise en compte pendant le traçage car
elle n’est pas visible sur l’image à cause de la taille du pixel. Les catégories d’occupation du
sol retenues sont : Forêt naturelle, forêt dégradée, mosaïque de culture, savane arborée (ou
formation secondaire), savane herbeuse, rizière, plan d’eau. La zone de vérité terrain est
composée de deux types : le site d’entrainement et le site test ou de contrôle.
Un site d’entraînement (ou zone d’apprentissage) est un petit échantillon d’une région
homogène choisie en général à partir d’une composition colorée. Ces zones seront nécessaires
35
pour effectuer la classification par la suite. Chaque site est identifié à partir de données de
terrain.
Le site test (ou zone de validation) est un échantillon servant à la vérification à
postériori de la classification. Elle a le même principe que celui de la zone d’entrainement.
Vu que les images se superposent, une seule zone d’entrainement et zone test suffisent
pour effectuer la classification des trois dates. L’image 2011 qui est la plus récente a servi de
référence pour le traçage de la zone d’entrainement.
Figure n° 12 : Composition colorée fausse couleur 4,3,2 de l’image 2011 avec les points GPS
36
Tableau n° 15 : Nombre de pixels des vérités-terrain prélevé sur l’image 2011
La signature spectrale d’un pixel se définit par les valeurs de luminance mesurées dans
chaque bande spectrale ou par une variable non spectrale tel un indice textural (Caloz et
Collet, 2001) Elle permet d’une part de choisir les bandes nécessaires à la procédure de
classification, et d’autre part d’estimer l’algorithme de classification à utiliser.
37
Dans l’analyse spectrale, l’idéal pour la classification c’est que chaque classe est bien
distincte dans chaque bande. Il faut choisir les bandes qui présentent une bonne discrimination
des signatures spectrale. En exploitant ces signatures, on constate que toutes les classes sont
confondues dans la bande 4, ce qui veut dire qu’elles ont même réponse spectrale dans cette
bande, cela peut introduire des confusions pendant la classification, donc cette bande n’est
pas nécessaire. Pour les bandes 2 et 8, certaines classes sont confondues mais ne présentent
pas une grande modification. D’après cette analyse, on a donc retenu pour la procédure de
classification les bandes 1, 2, 3 issues de la transformation Tasseled cap et les bandes 5, 6, 7,
8, 9,10 qui sont les bandes spectrales initiales.
Quel que soit la méthode, le processus de classification tiendra les étapes décrites dans
la figure ci-après:
38
Figure n° 15: Processus de la classification supervisée
39
a. Méthode paramétrique:
Pour la classification des images des deux dates 2000 et 2006 qui utilise la zone de
contrôle de l’image 2011, on a constaté que les pixels des zones de vérité terrain ne sont pas
satisfaisants et présentent parfois des erreurs qui trompent la nature de la classe voulue.
L'origine des erreurs pourrait être fonction des caractéristiques des données (bandes spectrales
/ thème étudié, dimension des pixels / intitulés de classes...), de la qualité intrinsèque des
données : conditions d'acquisition (voiles nuageux, ombres portées...), des algorithmes de
classification utilisés. Cette erreur est présente surtout sur la classe Forêt naturelle. Ainsi, on a
corrigé certaines échantillon et des sites d’entrainement de ces images afin d’obtenir une
image bien classifiée selon la date respective. On a utilisé comme référence pour le traçage,
la carte forestière de l’année 2000 de l’IEFN pour l’image 2000 et l’orthophoto acquise en
2007 pour l’image 2006.
(a) (b)
Figure n° 16 Ensemble des zones d’entrainement et des zones test de l’image 2000 (a) et 2006(b)
40
Tableau n° 16 : Nombre de pixels des vérités-terrain prélevés sur l’image 2000 et 2006
La méthode kNN (k-Nearest Neighbour) ou k-Plus Proches Voisins est une méthode de
classification supervisée non paramétrique c’est-à-dire qu’elle ne prend pas en compte la
nature de la distribution des classes étudiées (gaussienne ou non par exemple) (Rakotoniaina,
et Collet, 2010). Au contraire de la méthode précedente, aucune distribution statistique
paramétrique n’est pas necessaire; seule la distance spectrale est prise en compte (Caloz et
Collet, 2001).
Cet algorithme se base sur la distance eucludienne simple. A partir des zones
d’echantillonage, les moyennes (centre de gravité) mi de chaque classe sont calculées. Tout
point de l’espace est rattaché au centre de classe le plus proche à l’exception des points situés
sur les lignes de séparation. La totalité de l’image sera classée sous le nombre de signatures
introduites.
Le module de classification kNN est présente dans le logiciel Idrisi Andes. Il a fallu
donc exporter les données sur ENVI dans Idrisi. Les zones d’échantillonnage utilisées sont les
mêmes que pour la méthode MDV pour chaque image.
Pour le choix du paramètre k, Tintrup et al. (1998) et Pal et al. (2001) ont choisi la
valeur optimale égale à √N (racine carrée du nombre total de pixels des zones d’entraînement).
41
Dans notre cas, les valeurs de k correspondantes pour les zones d’entrainement des images
2000, 2006 et 2011 sont égales à k=47 et k= 41. Vu que notre objectif est d’avoir une
meilleure qualité de la classification, nous avons essayé certaines valeurs autres que celles
calculées précédemment comme k=5, 10, 15, 20, 30, 40, 45, 50. Après expérimentation, on a
trouvé que les valeurs k =5; k=15 et k=10 présentent les meilleures précisions de
classification pour les dates respectives.
a. Le regroupement:
Les classes choisies sont groupees en effectuant d’abord une dilatation puis une
suppression progressive sur l’image classifiée en utilisant la taille selon les seuils voulus.
Cette opération est connu sous le terme Clumping dans le logiciel.
b. Le filtrage:
42
Partie 3 : RESULTATS – DISCUSSIONS
I- RESULTATS:
Les images classifiées après ces opérations pour les deux méthodes utilisées sont
montrées dans les figures ci-après:
(a) (b)
Figure n° 17 : Extrait d’image de l’année 2000 après post-classification avec le classificateur
MDV (a) et le classificateur kNN (b)
(a) (b)
Figure n° 18: Extrait d’image de l’année 2006 après post-classification avec le
classificateur MDV (a) et le classificateur kNN (b)
43
(a) (b)
Figure n° 19 : Extrait d’image de l’année 2011 après post-classification avec le
classificateur MDV (a) et le classificateur kNN (b)
44
Tableau n° 18: Comparaison des précisions individuelles (en pourcentage), de la précision
globale et de l’indice kappa entre les méthodes MDV et kNN pour l’image
2006
45
Pour la comparaison de classification, on va choisir les images classifiées qui ont la
précision globale élevée. D’après ces tableaux, on va retenir les images classifiées issue de la
méthode kNN pour les 3 années 2000, 2006 et 2011 avec une précision respective 90.36%,
85.71% et 92.25%. On a remarqué que la précision de la méthode MDV de l’image 2006 est
supérieure à celle de la méthode kNN mais on a pris le résultat issu de la méthode kNN parce
qu’étant donné que notre classe d’intérêt est la classe forêt, on a préféré de prendre celle qui a
une précision individuelle élevée.
3. Statistique:
Forêt naturelle 45 522 44 328 36 913 48.948 47.664 39.691 4 096.98 3 989.52 3 322.17
Forêt dégradée 13 702 12 651 17 103 14.733 13.603 18.39 1 233.18 1 138.59 1 539.27
Culture 13 609 18 093 18 112 14.633 19.45 19.475 1 224.81 1 628.37 1 630.08
Savane arborée 16 413 11 222 16 660 17.648 12.067 17.914 1 477.17 1 009.98 1 499.40
Plan d’eau 2 623 2 550 2 070 2.820 2.742 2.226 236.07 229.5 186.30
Total 93 000 93 000 93 000 100% 100% 100% 8 370 8 370 8 370
46
4. Détection de changement de la couverture forestière:
Pour pouvoir bien distinguer les forêts et leur changement, on a créé des masques forêts:
( a) (b)
(c)
Figure n° 20 : Masques forêts 2000(a), 2006(b) et 2011(c)
47
4.2 Statistique des classes:
Non-forêt 31 153 33 471 36 914 33.498 35.99 39.692 2 803.770 3 012.39 3 322.26
Plan d’eau 2 623 2 550 2 070 2.820 2.742 2.226 236.070 229.5 186.30
a. Différence d’image
Figure n° 21 : Changement de forêt en non forêt (a) et changement de non forêt en forêt (b)
b. Statistique de changement :
Etat initial
Forêt Non-forêt Total
Forêt 50 574 6405 56979
Etat final Non-forêt 8 650 27 371 36021
Classe totale 59 224 33776
Différence d’image -8 650 2245
48
Tableau n° 23:En pourcentage
Etat initial
Forêt Non-forêt Total
Forêt 85.394% 18.963% 100%
Non-forêt 14.606% 81.037% 100%
Etat final Classe totale 100% 100%
Différence d’image -3.791% 6.647%
Etat initial
Forêt Non-forêt Total
Forêt 4 551.66 576.45 5 128.11
Non-forêt 778.5 2 463.39 3 241.89
Etat final Classe totale 5 330.16 3 039.84
Différence d’image -202.05 202.05
a. Différence d’image :
Figure n° 22 : Changement de forêt en non forêt (a) et changement de non forêt en forêt
(b)
49
b. Statistique de changement:
Etat initial
Forêt Non-forêt Total
Forêt 49 039 4977 54016
Non-forêt 7940 31044 38984
Etat final Classe totale 56979 36021
Différence d’image -7940 2963
Tableau n° 26 : En pourcentage
Etat initial
Forêt Non-forêt Total
Forêt 86.065% 13.817% 100%
Etat final Non-forêt 13.935% 86.183% 100%
Classe totale 100% 100%
Différence d’image -13.935% 8.226%
Etat initial
Forêt Non-forêt Total
Forêt 4 413.51 447.93 4 861.44
Non-forêt 714.6 2 793.96 3 508.56
Etat final Classe totale 5 128.11 3 241.89
Différence d’image -714.6 266.67
50
5. Intégration des données:
Après la vectorisation des images classifiées, on a intégré les images vectorisées dans
le logiciel SIG.
Le logiciel ArcGIS:
ArcGIS Desktop: Cette partie correspond aux nouvelles applications bureautiques. Elle
est composée des 3 applications principales, à savoir l’ArcMap, l’ArcCatalog et lArcToolBox.
- ArcMap: c'est l'application principale d'ArcGIS. Elle permet de visualiser les données,
de les saisir et les mettre à jour, d'effectuer des analyses et de cartographier et mettre en pages
ces données.
- ArcCatalog: permet de gérer les données (création, structuration), les consulter et les
documenter (création de métadonnées).
- ArcToolBox: c'est une interface graphique des commandes "Arc". Elle permet
d'effectuer des tâches via un assistant mais également d'effectuer des conversions de formats.
6. Géoréférencement :
Une opération de géoréférencement a été effectuée avant tout. Cette opération consiste
à attribuer des coordonnées cartographiques aux pixels de l’image. Il fait appel à un système
de coordonnées lui-même rattaché à un système de projection terrestre. En effet, notre image
utilise le système de coordonnée WGS 84. Pour être conforme à la norme utilisée à
Madagascar, on a transformée en coordonnées Laborde dont les paramètres de projection sont
donnés ci-après :
51
Les cartes ainsi élaborées sont représentées ci-après, soient trois cartes d’occupations du
sol des trois dates et deux cartes montrant l’évolution de la déforestation entre ces dates.
52
53
54
55
7. Validation des cartes:
Les cartes ainsi obtenues sont validées à partir des cartes existantes. En effet, on a créé
des points à partir de ces cartes et on les superpose sur les cartes voulues. Le calcul de la
précision individuelle, c'est-à-dire la précision pour chaque classe est:
∑ )
)9 (%) =
∑ +,-./ 0/1 :6511/1
Ainsi, la carte forestière de l’IEFN, Année 2000 a été utilisée pour valider la carte
d’occupation de sol de l’année 2000. On a obtenu une précision globale de 81.66%. De même,
l’orthophoto en 2007 a été utilisé pour la validation de la carte 2006. Cet orthophoto était le
donné plus proche de la date de ladite carte. La précision obtenue est de 83.42%. Pour la carte
2011, seules les données de terrain peuvent valider la carte. Sa précision globale est celle
figurée dans le résultat de traitement d’image, c'est-à-dire 92.25%
Aires (ha)
56
8. Représentation graphique
ANNÉE 2000
2.87%
41.65% 21.64%
Forêt naturelle
Forêt dégradée
Mosaïque de culture
Formation secondaire
26.28% Rizière
7.56%
ANNEE 2006
3.64%
18.35%
42.39% Forêt naturelle
Forêt dégradée
Mosaïque de culture
Formation secondaire
27.55% Rizière
8.07%
ANNÉE 2011
4.77% 15.34%
22.67%
Forêt naturelle
Forêt dégradée
Mosaïque de culture
Formation secondaire
41.30%
15.93% Rizière
57
58
59
II- DISCUSSION
1. Au niveau de la méthodologie:
Notre première discussion porte sur l’état de l’occupation du sol. On constate que les
couverts forestiers occupent la majorité de la zone d’étude. Ce constat traduit parfaitement la
richesse forestière d’Antenina. La formation secondaire couvre la plus grande partie du site
60
car sa superficie s’élève plus de 700 ha, soit 41% du site étudié. Celle-ci montre la nécessité
d’effectuer des aménagements forestiers et de reforestation. Pour les couverts végétaux
constitués des cultures et des rizières, leurs superficies augmentent incessamment en fonction
du temps. Le taux d’augmentation est de 6.80% entre 2000 et 2006 et 97.37% entre 2006 et
2011, soit deux fois la superficie en 2006 pour la culture dont les plus remarquées sont le
manioc, la patate douce et le canne à sucre; de 26.82% entre 2000 et 2006 et 31.07% entre
2006 et 2011 pour les rizières. Cette augmentation est due essentiellement aux besoins de la
population face à son accroissement. Par conséquent, on constate un fort taux de diminution
des couverts forestiers en 2011. On remarque une réduction de 110 ha de forêt naturelle pour
un intervalle de 11 ans, soit le tiers de la superficie observée en 2000.
Voici le graphe montrant les différents types d’occupation du sol pour les trois dates :
S (ha) 800
700
600
Année 2000
500
Année 2006
400 Année 2011
300
200
100
0
Forêt Forêt Mosaïque Formation Rizière
naturelle dégradée de culture secondaire
61
actions anthropiques effectuées par les habitants eux-mêmes. Parmi ces actions anthropiques,
on observe à Antenina des exploitations forestières et des exploitations minières. On a
constaté comme cause de cette déforestation, le Tavy qui est le plus pratiqué; la prolifération
des activités agricoles comme la culture du riz, de manioc ou des cannes à sucre qui engendre
le défrichement, les problèmes fonciers par les manques des terres à cultiver entrainent les
conversions des forêts en terrain de culture, à cet effet, les habitants coupent et brulent les
bois.
D’après l’inventaire floristique et les enquêtes effectués par l’équipe forestière, les
pressions anthropiques que subissent la forêt naturelle d’Antenina sont : les cultures
itinérantes ; la coupes sélective; les feux et l’orpaillage. La relation de causes à effets de ces
différentes pressions anthropiques et la dégradation de la forêt naturelle d’Antenina est
montrée dans la figure ci-après:
CAUSES
EFFET
62
importante richesse floristique. Ainsi, la densité de la régénération naturelle dans la forêt
dégradée et la formation secondaire peuvent être justifiée.
Comme il s’agit d’une évolution de 5 ans, on peut tirer à partir de cette équation la
superficie de la forêt pour les 5 ans à venir. Ainsi, la superficie en 2016 est estimée à 598.22
ha s’il n’y aurait pas encore de protection ou de conservation.
63
CONCLUSION ET PERSPECTIVES
La détection de changement montre que la forêt a subi une immense perturbation, mais
il existe aussi une régénération ou une phase de reconstitution forestière. Malgré cette
dégradation de la forêt naturelle d’Antenina, le site possède encore une énorme potentialité
forestière et écologique. Ces forêts doivent être préservées afin de protéger les richesses
écologiques existantes. Les résultats de la présente étude pourraient être un précieux outil
pour les gens qui établissent les politiques forestières et aident à la prise de décision pour les
aménagements à effectuer.
Une amélioration d’une telle étude c’est d’essayer d’utiliser une image à haute
résolution comme le SPOT qui a une résolution de 10m. De même, la date d’acquisition des
images devront être de la même saison pour faciliter l’analyse et l’interprétation. L’analyse de
tendance nécessite encore une étude approfondie sur la télédétection comme l’utilisation
d’une chaine de Markov.
64
BIBLIOGRAPHIE
7. ESSVA (2007) Mise en place d’un site d’application pour la filière écotourisme et
reboisement à Antenina, 13 pages.
8. GIRARD M.C. & GIRARD C.M. (1999). Traitement des données de télédétection.
DUNOD Ed. Paris, pages 183 à 205.
9. http://www.ccrs.nrcan.gc.ca/ccrs/eduref/ref/glosndxf.html
10. INGLADA J. (2001) Etat de l’art en détection des changements sur les images en
télédétection. Toulouse, 20p
11. LU, D., MAUSEL, P., BRONDIZIO, E. and MORAN, E. (2004) Change detection
technic. International Journal of Remote Sensing, vol. 25, n0 12, p. 2365-2407.
12. MONTAVON, J. M. (2005). Projet « Forêt d’Antenina » (Commune de Belanitra),
Avant-projet. ESSVA, 19 pages.
13. MYERS, N., MITTERMEIER R.A., MITTERMEIER C.G., da Fonseca G.A.B., and
KENT J., (2000). Biodiversity hotspots for conservation priorities. Nature, 403: 853-858.
65
14. PAL, S.K., BANDYOPADHYAY, S. and MURTHY, C.A. (2001) Genetic classifiers for
remotely sensed images: comparison with standard methods. International Journal of
Remote Sensing, vol. 22, no 13, p. 2545-2569.
15. PAUL, (1997) Terminologie de la télédétection et photogrammétrie, 83p.
16. RAKOTO RAMIARANTSOA H. ( 2003), Madagascar : les enjeux environnementaux,
18 p.
17. RAKOTONIAINA, S., COLLET, C. (2010), Amélioration de la qualité de la
classification d’une image multispectrale à l’aide d’un classificateur contextuel. Revue
Télédétection, vol. 9, n° 3-4, p. 259-270
18. RICHARDS, J.A., (1999), Remote Sensing Digital Image Analysis, Springer-Verlag,
Berlin, 240p.
19. SACH, D. L., SOLLINS P., Cohen, W. B. (1998) Detecting landscape changes in the
interior of British Columbia from 1975 to 1992 using satellite imagery. Canadian journal of
forest research 28: p 23-36.
20. TINTRUP, F., DE NATALE, F. and GINSTO, D. (1998), Compression algorithms for
classification of remotely sensed images. IEEE International Conference on Acoustics,
Speech & Signal Processing (ICASSP), Seattle, WA, p. 2565-2568.
21. USAID, CI, MEFT (2009) Evolution de la couverture de forêts naturelles à Madagascar
1990-2000-2005, Rapport technique, 61p.
22. VERDON, J.C. (2010) Antenina, une forêt tropicale à sauver, Vaovao Malagasy. Bulletin
de la Fondation Avenir Madagascar N°15, pp 1-2.
66
ANNEXES
67
Matrice de confusion de l’image Année 2000 par la méthode MDV
Matrice de confusion de l’image Année 2000 par la méthode kNN
Matrice de confusion de l’image Année 2006 par la méthode MDV
Matrice de confusion de l’image Année 2006 par la méthode kNN
Matrice de confusion de l’image Année 2011 par la méthode MDV
Matrice de confusion de l’image Année 2011 par la méthode kNN
Titre : « DÉTECTION DE CHANGEMENT DE LA COUVERTURE FORESTIÈRE
DU SITE ANTENINA VAKINANKARATRA A L’AIDE DE LA
TÉLÉDÉTECTION»
Auteur : ANDRIANIRINA Norohasina
Adresse: Lot 1120 D 205 Miaramasoandro Antsirabe 110
TEL: 033 02 613 44
Nombre de page: 64
Nombre de figures: 27
Nombre de tableaux : 28
Nombre des cartes : 6
Résumé:
Ce présent mémoire porte sur la détection de changement de la couverture forestière
du site d’Antenina Vakinankaratra depuis l’année 2000. L’étude est basée sur l’utilisation de
la télédétection; du traitement numérique d’image et du SIG. Pour cela, nous avons utilisé
trois images satellitaires Landsat 7 ETM+ acquises en différentes dates 2000, 2006 et 2011.
La méthodologie choisie pour la détection de changement est la comparaison de
postclassification. La combinaison des bandes spectrales et des néocannaux (obtenus par
Tasseled cap) a été utilisée afin d’améliorer les classifications des images. Les méthodes de
classification par Maximum de Vraisemblance (MDV) et k-Nearest Neighbor (kNN) ont été
utilisés. Le meilleur résultat de classification est celui de la méthode kNN. La comparaison de
classification a donné un taux de déforestation de 0.33% entre 2000 et 2006 et 1.41% entre
2006 et 2011. On a constaté une régression des superficies forestières et une augmentation
des superficies des terrains de cultures. On a remarqué aussi dans l’étude la régénération ou la
reconstitution forestière.
Mots clés: Antenina ; télédétection, Landsat, classification, couverture forestière,
déforestation, détection de changement.
Abstract:
This present report relates the change detection of forest cover in Antenina
Vakinankaratra site since 2000. The study is based on the use of remote sensing; digital
image processing and GIS. For that, we’ve used three images satellites Landsat 7 ETM+
acquired in 2000, 2006 and 2011. Comparing postclassification was the methodology chosen
for the change detection. The combination of the spectral bands and neo-channel (obtained by
Tasseled cap) was used in order to improve classifications of the images. Classification per
Maximum of Probability method (MDV) and k-Nearest Neighbor (kNN) were used. We had the
more precise result of classification with kNN method. The comparison of classification gave
a deforestation rate of 0.33% between 2000 and 2006, and 1.41% between 2006 and 2011.
We’ve noticed a regression of the forest surfaces and an rise of the surfaces of cultivation
grounds. Moreover, we observe in the study the regeneration or the reconstitution of forest.