AndrianirinaNorohasina ESPA ING 12

UNIVERSITE D’ANTANANARIVO
ECOLE SUPERIEURE POLYTECHNIQUE
DEPARTEMENT : INFORMATION GEOGRAPHIQUE ET FONCIERE(IGF)
Mémoire de fin d’étude en vue de l’obtention du diplôme d’Ingénieur en

Topographie et Information Géographique et Foncière
DÉTECTION
DÉTECTION DE CHANGEMENT
CHANGEMENT DE LA COUVERTURE
FORESTIÈRE
FORESTIÈRE DU SITE ANTENINA VAKINANKARATRA A
L’AIDE DE LA TÉ
TÉLÉDÉTECTION
Présenté par : ANDRIANIRINA Norohasina

Rapporteur et Encadreur :
- Professeur RAKOTONIAINA Solofoarisoa
Enseignant-Chercheur à l’Institut et Observatoire de Géophysique
d’Antananarivo (IOGA), Université d’Antananarivo
- Docteur RANDRIAMAHERISOA Alain, Enseignant-Chercheur à
l’ESPA
Année Universitaire: 2010- 2011
UNIVERSITE D’ANTANANARIVO
ECOLE SUPERIEURE POLYTECHNIQUE
DEPARTEMENT : INFORMATION GEOGRAPHIQUE ET FONCIERE(IGF)
Mémoire de fin d’étude en vue de l’obtention du diplôme d’Ingénieur en

Topographie et Information Géographique et Foncière
DÉTECTION DE CHANGEMENT DE LA COUVERTURE
FORESTIÈRE DU SITE ANTENINA VAKINANKARATRA A
L’AIDE DE LA TÉLÉDÉTECTION
Présenté par : ANDRIANIRINA Norohasina

Président du jury : Docteur RABETSIAHINY, Chef de Département Information
Géographique et Foncière
Rapporteur et Encadreur :
- Professeur RAKOTONIAINA Solofoarisoa, Enseignant-
Chercheur à l’Institut et Observatoire de Géophysique
d’Antananarivo ;
- Docteur RANDRIAMAHERISOA Alain, Maître de conférences
Enseignant-Chercheur à l’ESPA
Membres du jury :
- Docteur RABARIMANANA Mamy, Enseignant-Chercheur à
l’ESPA ;
- Monsieur RAHAINGOALISON Narizo, Directeur de
l’Infrastructure Géographique et Hydrographique à la FTM,
Enseignant à l’ESPA
Année universitaire : 2010 - 2011
Date de soutenance : 23 Octobre 2012
Remerciements
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 :
Monsieur ANDRIANARY Philippe, Directeur de l’Ecole Supérieure Polytechnique

d’Antananarivo (E.S.P.A),
Monsieur RABETSIAHINY, Chef de Département de la filière Information
Géographique et Foncière, qui m’a permis aimablement de traiter ce sujet et m’a fait le grand
honneur de bien vouloir présider nos membres de Jury.
Monsieur RAKOTONIAINA Solofoarisoa, Enseignant-Chercheur en Télédétection ,
Traitement numériques d’images à l’IOGA et Monsieur RANDRIAMAHERISOA Alain,
Maitre de conférences et Enseignant-Chercheur à l’ESPA, encadreurs de ce mémoire, qui ont
bien voulu m’avoir transmis leurs conseils et leurs compétences tout au long de la mise en
œuvre de cet ouvrage ;
Monsieur RABARIMANANA Mamy, Enseignant-Chercheur à l’ESPA et Monsieur
RAHAINGOALISON Narizo, Directeur de l’Infrastructure Géographique et Hydrographique
à la FTM, Enseignant à l’ESPA, membres du jury, pour l’honneur qu’ils ont accepté d’évaluer
ce travail;
La Fondation Avenir Madagascar représentée par Monsieur Jean Claude VERDON,
pour les soutiens matériels et financiers durant la réalisation de ce travail;
Les équipes sur terrain notamment :
Monsieur Elys RAHAGANISAINANA, Coordonnateur local ;
L’équipe du Département Biologie Animale de la Faculté des Sciences;
Université d’Antananarivo
Ceux de l’ESSA Forêt du Département Eau et Forêt;
Les villageois particulièrement la famille d’accueil et les guides locaux;
Les étudiants stagiaires de l’ESSVA Antsirabe.
J’adresse ma profonde gratitude pour toute la famille pour ses précieux soutiens moraux et
matériels qu’elle m’a disposé durant mes années d’études; les amis et les personnes qui, de
près ou de loin, ont appuyé à la réalisation de ce mémoire.
I
Présentation du projet et son partenaire
La fondation Avenir Madagascar, un organisme fondé en 2002 soutenue par

l’Ambassade de Suisse a instauré le projet intitulé « Mise en place d’un site d’application
pour la filière Ecotourisme et reforestation à Antenina ».
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.
Les retombées de ce projet vont :
- à la filière Ecotourisme et les autres filières de l’ESSVA: application des connaissances

acquises sur l’écosystème malagasy, méthodes et techniques d’inventaire de la biodiversité,
études socio-économiques, etc.
- aux populations riveraines : création d’emplois.
- Au Fokontany Antenina, à la commune de Belanitra et à la région du Vakinankaratra :
développement socio-économique.
- Aux scientifiques nationaux et internationaux à travers des recherches scientifiques.
- Au Ministère de l’Environnement et du Tourisme : développement du secteur
touristique.
Le projet comporte quatre grandes étapes : la reconnaissance; l’inventaire biologique et
études socio-économiques, zonage; Aménagement touristique et reforestation et finalement la
gestion et promotion. Il est actuellement dans la deuxième partie.
II
TABLE DES MATIERES
REMERCIEMENTS .................................................................................................................................. I
TABLE DES MATIERES ....................................................................................................................... III
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 ..................................................................................................................................... 1
PARTIE 1 : CADRE ET DESCRIPTION DE LA ZONE D’ETUDE ................................................... 2
I.1 CADRE DE L’ETUDE ...................................................................................................................... 2

1. Contexte forestier: ...................................................................................................................... 2
2. La déforestation: ........................................................................................................................ 3
3. Actions menées par le projet pour reduire la déforestation: ..................................................... 3
4. Méthodologie de l’étude: ............................................................................................................ 4
II. DESCRIPTION DE LA ZONE D’ETUDE ........................................................................................ 5
1. Localisation: ............................................................................................................................... 5
2. Climat, température et vent: ....................................................................................................... 6
3. Hydrologie: ................................................................................................................................ 6
4. Faunes et flores: ......................................................................................................................... 6
4.1. Composition faunistique: ................................................................................................................. 6
4.2. Composition floristique:................................................................................................................... 7
5. Population: ................................................................................................................................. 8
6. Economie:................................................................................................................................... 9
PARTIE 2 : MATERIELS ET METHODES ........................................................................................ 10
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
PARTIE 3 : RESULTATS – DISCUSSIONS ........................................................................................ 43
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
CONCLUSION ET PERSPECTIVES ................................................................................................... 64
BIBLIOGRAPHIE................................................................................................................................... 65
ANNEXES ................................................................................................................................................ 67
IV
LISTE DES ABREVIATIONS
ACP : Analyse en Composantes Principales

CCT : Centre Canadien de Télédétection
CI : Conservation International
ESPA : Ecole Supérieure Polytechnique d’Antananarivo
ESSA : Ecole Supérieure des Sciences Agronomiques
ESSVA : Ecole Supérieure Spécialisée du Vakinankaratra
ETM+ : Enhanced Thematic Mapper Plus
FAM : Fondation Avenir Madagascar
FTM :Foibe Taontsaritanin’i Madagasikara ou Institut Géographique et
Hydrographique National
GPS : Global Positionning System
IEFN : Inventaire Ecologique Forestière Nationale
IOGA : Institut et Observatoire de Géophysique d’Antananarivo
MEFT : Ministère de l'Environnement des Forêts et du Tourisme
NDVI : Normalized Difference Vegetation Index
PNF : Programme National Foncier
USAID : United States Agency for International Development
WWF : World Wide Fund for Nature
V
LISTE D’ANNEXE
Annexe 1 : Résultats des matrices de confusion
VI
LISTE DES TABLEAUX
Tableau n° 1 : Richesse faunistique globale du site ................................................................................................ 7

Tableau n° 2: Essences les plus utilisées par la population locale ................................................................... 8
Tableau n° 3 : Caractéristiques des images utilisées ............................................................................................ 10
Tableau n° 4 : Caractéristiques techniques du capteur ETM+ du satellite Landsat ........................................... 10
Tableau n° 5: Les différentes bandes du capteur ETM+ de Landsat .................................................................... 11
Tableau n° 6 : Tableau récapitulatif des données utilisées ................................................................................... 14
Tableau n° 7: Intérêt des différentes méthodes de classification ......................................................................... 20
Tableau n° 8: Tableau récapitulatif d’une matrice de confusion .......................................................................... 21
Tableau n° 9 : Classification des méthodes de détection des changements .......................................................... 26
Tableau n° 10: Avantages et inconvénients de chaque catégorie de méthode ...................................................... 28
Tableau n° 11 : Coordonnées Laborde de l’image initiale ................................................................................... 31
Tableau n° 12 : Plage des valeurs radiométriques avant et après la correction atmosphérique- image 2000.... 33
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.... 34
Tableau n° 15 : Nombre de pixels des vérités-terrain prélevé sur l’image 2011 .................................................. 37
Tableau n° 16 : Nombre de pixels des vérités-terrain prélevés sur l’image 2000 et 2006.................................... 41
Tableau n° 17 : Comparaison des précisions individuelles , de la précision globale et de l’indice kappa entre
les méthodes MDV et kNN pour l’image 2000 ..................................................................................................... 44
Tableau n° 18: Comparaison des précisions individuelles , de la précision globale et de l’indice kappa entre les
méthodes MDV et kNN pour l’image 2006 ........................................................................................................... 45
Tableau n° 19 : Comparaison des précisions individuelles , de la précision globale et de l’indice kappa entre les
méthodes MDV et kNN pour l’image 2011 ........................................................................................................... 45
Tableau n° 20 : Distribution des classes .............................................................................................................. 46
Tableau n° 21 : Statistique des classes ................................................................................................................. 48
Tableau n° 22 : Nombre de pixels ......................................................................................................................... 48
Tableau n° 23:En pourcentage ............................................................................................................................. 49
Tableau n° 24 : Surfaces occupées (en ha) ........................................................................................................... 49
Tableau n° 25 : Nombre de pixels ........................................................................................................................ 50
Tableau n° 26 : En pourcentage ........................................................................................................................... 50
Tableau n° 27: Surfaces occupées (en ha) ............................................................................................................ 50
Tableau n° 28 : Surfaces occupées en ha pour chaque catégorie d’occupation sur la zone d’étude.................... 56
VII
LISTE DES FIGURES
Figure n° 1 : Données vectorielles de la couverture forestière de l’IEFN ........................................... 12

Figure n° 2 : Fond de carte au 1/100000 .............................................................................................. 13
Figure n° 3: Orthophoto 2007............................................................................................................... 13
Figure n° 4 : Schéma du principe de base de la télédétection .............................................................. 15
Figure n° 5 : Les sept étapes de la télédétection ................................................................................... 16
Figure n° 6 : Spectre électromagnétique et longueurs d’ondes. ........................................................... 17
Figure n° 7 : Longueurs d’ondes de la couleur visible ........................................................................ 18
Figure n° 8 : Démarche méthodologique ............................................................................................. 30
Figure n° 9 : 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). ........................................... 32
Figure n° 10 : Transformée NDVI et Tasseled Cap de l’image 2011 ................................................... 35
Figure n° 11 : Composition colorée fausse couleur 4,3,2 de l’image 2011 avec les points GPS ......... 36
Figure n° 12 : Ensemble des sites d’entrainement et sites test ............................................................. 36
Figure n° 13 : Signature spectrale des sites d’entrainement ................................................................ 37
Figure n° 14: Processus de la classification supervisée ....................................................................... 39
Figure n° 15 Ensemble des zones d’entrainement et des zones test de l’image 2000 (a) et 2006(b) ... 40
Figure n° 16 : Extrait d’image de l’année 2000 après post-classification avec le classificateur MDV (a)
et le classificateur kNN (b) .................................................................................................. 43
Figure n° 17: Extrait d’image de l’année 2006 après post-classification avec le classificateur MDV (a)
Figure n° 18 : Extrait d’image de l’année 2011 après post-classification avec le classificateur MDV (a)
Figure n° 19 : Masque foret 2000, 2006 et 2011 .................................................................................. 47
Figure n° 20 : Changement de forêt en non forêt (a) et changement de non forêt en forêt (b)............. 48
Figure n° 21 : Changement de forêt en non forêt (a) et changement de non forêt en forêt (b)............. 49
Figure n° 22 : Les principales composantes du SIG ............................................................................. 23
Figure n° 23 : Répartition de l’occupation du sol année 2000 ............................................................. 57
Figure n° 24 Répartition de l’occupation du sol année 2006 ............................................................... 57
Figure n° 25 : Répartition de l’occupation du sol année 2011 ............................................................. 57
Figure n° 26 : Représentation des différents types d’occupations pour les trois dates ........................ 61
Figure n° 27 : Relation de cause à effet de la dégradation de la forêt naturelle d’Antenina ............... 62
VIII
LISTE DES FORMULES
Formule n° 1: Indice Kappa..................................................................................................... 22

Formule n° 2 : Expression de NDVI ...................................................................................... 34
Formule n°3. Précision individuelle…………………………………………………………… …..55
Formule n°4. Précision globale………………………………………………………………… …..55
IX
LISTE DES CARTES
Carte n° 1:Localisation de la Zone d'Etude ............................................................................................................ 5

Carte n° 2 : Occupation du sol- Année 2000 ........................................................................................................ 53
Carte n° 3 : Occupation du sol- Année 2006 ....................................................................................................... .54
Carte n° 4 : Occupation du sol- Année 2011 ..................................................................................................... ...55
Carte n°5: Changement de couverture forestière entre 2000 et 2006 ………………………………………………...58
Carte n°6: Changement de couverture forestière entre 2006 et 2011………………………………………………….59
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).
Actuellement, ces biodiversités, notamment les ressources forestières subissent des

fortes menaces, ceux qui contribuent à la déforestation et à la fragmentation. Quant à ce sujet
de déforestation, Madagascar a connu une perte de 0.53% par an de forêts naturelles entre
2000 et 2005. Environ 50 000 hectares de forêts naturelles sont perdus chaque année dans le
territoire (USAID, CI, MEFT, 2009). L'absence de plans de gestion à long terme entraîne la
disparition des forêts. Ainsi, l’état a mené une politique nationale de conservation de
l’environnement en collaboration avec des acteurs diversifiés, depuis les communautés locales
jusqu’aux organisations internationales. Le projet Antenina appuyé par la FAM visant à la
mise en place d’un site d’application et reforestation est en conformité avec les objectifs de
cette politique.
Ce projet Antenina a fait appel à la collaboration de différentes disciplines. Des

inventaires biologiques y compris faunistiques et floristiques ont été effectués par des
étudiants et chercheurs. Pour notre part, la tâche consiste à disposer de données
cartographiques aptes à l’établissement d’un plan de zonage et d’étudier l’évolution de la
couverture forestière depuis l’année 2000. En effet, pour définir une politique forestière ou
des stratégies de conservation, il est primordial de disposer de données fiables relatives à
l’évolution de la couverture forestière, d’où notre thème « Détection de changement de la
couverture forestière du site Antenina Vakinankaratra à l’aide de la télédétection.»
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
I.1 CADRE DE L’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 écosystèmes forestiers malgache en général, et ceux de la partie orientale en

particulier subissent des dégradations d’origines diverses:
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:
La déforestation est le phénomène de régression des surfaces couvertes de forêt. Elle

résulte des actions de déboisement puis de défrichement, liées à l'extension des terres
agricoles, à l'exploitation des ressources minières du sous-sol, à l'urbanisation, voire à
l'exploitation excessive ou anarchique de certaines essences forestières. La déforestation
cause la destruction d'habitats de milliers d'espèces animales et végétales, souvent
condamnées à disparaître. Elle est aussi un facteur de fragmentation écopaysagère qui
diminue la résilience écologique des forêts.
Les causes principales de la déforestation actuelle sont humaines. L’agriculture restant

encore aujourd'hui la principale cause de déforestation suivie de près par le besoin en bois de
chauffage. En ce qui concerne les menaces qui contribuent à la déforestation et la
fragmentation des ressources forestières à Madagascar, les plus fréquemment cités sont le
Tavy, les feux de brousse, la production de charbon de bois et la coupe illicite. Ce dernier
s'agit de coupes liées à l'agriculture sur brûlis, au charbonnage mais aussi aux exploitations
forestières illicites. Dans certaines régions, la demande en croissance du marché artisanal peut
pousser à des prélèvements illicites et non-durables. Une note particulière qui revient dans
presque toutes les régions est la menace de l'exploitation minière tant par les grandes sociétés
que par les petits exploitants formels et/ou informels.
3. Actions menées par le projet pour reduire la déforestation:
Parmi les actions possibles pour atténuer les pressions sur les forêts, le projet Antenina a
pour solutions et pour buts :
- Le développement de l’écotourisme qui est aussi une meilleure assurance pour le

développement de l’économie tant au niveau locale qu’au niveau régionale.
- La sensibilisation de la population locale, les campagnes d'information, d'éducation et
de communication sur l'importance de la forêt,
- le renforcement et la responsabilisation des communautés locales dans la gestion des
ressources,
- Le zonage forestier
- La reforestation permettant de satisfaire aux besoins en bois de construction.
- Le développement des activités alternatives financièrement profitables pour la
population locale
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.
Comme il s’agit d’une étude multidisciplinaire, des équipes se trouvant dans de

plusieurs filières ont élaboré une descente sur terrain. C’est pendant ce temps qu’un levé sur
GPS a été effectué avec l’équipe de brigade topographique.
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.
En ce qui concerne la composition de l’ouvrage, des études bibliographiques ont été

faites pour servir de documentation.
4
II. DESCRIPTION DE LA ZONE D’ETUDE
1. Localisation:
- Située dans la région du Vakinankaratra, district d’Antanifotsy, et dans la commune

rurale de Belanitra, cette commune est limitée au Nord par la commune de Tsinjoarivo, à
l’Ouest et au Sud par la commune d’Ambohitompoina. La forêt d’Antenina est environ à 40
km à l’Est du chef-lieu de la commune. Elle est bordée par le fleuve Onive.
- L’accès vers le site se fait en voiture à partir d’Antanifotsy, traversant
Ambohitompoina (45km), Belanitra (18 km) jusqu’à Befotaka (20 km), avec une route
secondaire très accidentée. La durée du trajet est environ 6 heures. A partir de Befotaka
(Fokontany voisin d’Antenina), distant de 15 km environ, l’accès se fait à pied avec une
durée de 4 heures. Les coordonnées géographiques sont 19°44’0S et 47°51’0E (en
coordonnées WGS 84) avec une altitude variant de 1200m et 1650m.
- Du point de vue écologique, la forêt d’Antenina fait partie du corridor de Fandriana –
Marolambo. Elle est séparée par le fleuve Onive qui délimite au Sud la forêt de Tsinjoarivo.
Carte n° 1:Localisation de la Zone d'Etude
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:
La forêt d’Antenina présente des variétés d’espèces animales et végétales. La forêt

primaire comporte encore une diversité faunistique et floristique intéressante (VERDON,
2009). Les inventaires faunistiques et floristiques effectués respectivement par le Département
de Biologie animale de la faculté de science et l’ESSA- Forêt de l’université d’Antananarivo
ont permis de recenser les richesses écologiques du site.
4.1. Composition faunistique:
L’inventaire a permis de trouver non seulement des espèces endémiques de Madagascar

mais surtout des espèces endémiques locales. La statistique obtenue lors de cet inventaire est
résumée dans le tableau ci-après:
6
Tableau n° 1 : Richesse faunistique globale du site
Groupes taxonomiques Espèces trouvées (inventoriées) Espèces endémiques

locale
Faune aquatique - 45 familles des macroinvertebrés 6 familles des Odonates
(invertébrés et poissons) - 4 familles de poissons
Arthropodes terrestres - 5 familles regroupant 11 sous Aucun

(insectes et arachnides) familles et 35 espèces.
Amphibiens et reptiles -25 espèces (14 amphibiens et 11 3 espèces
reptiles)
Mammifères (rongeurs, - 15 espèces dont 10 afrosoricida et Aucun
afrosoricides,) 5 rodentia
Primates - 7 espèces de lémuriens dont une Aucun
espèce diurne
- une espèce cathémerale
- 5 espèces nocturnes
Oiseaux - 68 espèces Aucun
4.2. Composition floristique:
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
Nom scientifique Nom vernaculaire Utilisation

Ocotea cymosa Varongy Manche d’outil, outillage :
tiges de bêches, pilon
Bois de construction
Cinnamosma fragrans Mandravasarotra Plantes médicinales
Podocarpus m/sis Hetatra Plantes médicinales
Bois de construction
Nuxia capitata Valanirana Bois d’énergie
Plantes médicinales
Psiadia altissima Dingadingana Bois d’énergie
Weinmania eriocarpa Lalona Bois de construction
Dalbergia sp. Voamboana Bois d’œuvre
Syzygium sp/Eungenia sp Menaderoka/Rotra Confection rhum local
Source : ANDRIAMPARANONY, 2012
5. Population:
Antenina accueille actuellement 1300 habitants avec un nombre de ménage environ de

110 dont la taille moyenne est de 8 personnes. On constate un taux de natalité fréquent. On
remarque également une grande proportion de population jeune. Tous ceux-ci entraîneraient
l’augmentation des besoins en matière de ressources naturelles. Autrement dit, la pression sur
les ressources naturelles va s’augmenter proportionnellement à l’accroissement de la
demande en terres cultivables et en ressources naturelles.
La population est essentiellement composée d’agriculteurs et d’éleveurs. La principale

ethnie est le Merina mais la présence de l’axe vers la partie Est de l’ile relie cette ethnie avec
celle du Betsimisaraka. Cela se manifeste par la pratique des activités commerciales, il existe
donc des échanges commerciaux entre les deux. Coté éducation, le Fokontany possède deux
écoles primaires. Le niveau de scolarisation est de 41% avec un taux de déperdition scolaire
de 88%. Ce phénomène pourrait retarder le développement du lieu car le niveau d’instruction
fait partie des paramètres conditionnant la croissance économique de la population.
8
6. Economie:
L’agriculture est l’activité principale pour la population. Le mode de production est de

type traditionnel, ce qui affaiblit le rendement de la culture dont la production actuelle est
généralement destinée à l’autoconsommation. En effet, la production rizicole ne satisfait qu’à
l’autosubsistance alimentaire de la population, et parfois insuffisant. Le manioc et la patate
douce constituent les principaux compléments de leur nourriture. A cet effet, des menaces
s’accentueraient davantage sur les restes des forêts primaires car la pratique des cultures sur
brulis ou Tavy ne cessent pas de s’augmenter.
En outre, on constate qu’Antenina a aussi des potentialités en termes d’élevage. Cette

activité serve de complément de trésorerie pour les ménages qui la pratiquent. L’élevage
bovin et porcin est les plus pratiqués car elles sont souvent liées à l’agriculture par
l’intermédiaire des engrais.
Grâce aux ressources hydrographiques, l’activité de la pêche demeure une activité

supplémentaire de la population.
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.
1.1. Données images:
Pour déterminer l’évolution de la couverture du site, on a utilisé trois images de

différentes dates prises à partir du satellite Landsat. Ces images couvrent la même région et la
même scène, soit un extrait de la scène n°158/074. La première image a été prise en Octobre
2000, La deuxième en 2006 et la troisième en 2011, par le capteur Enhanced Thematic
Mapper Plus (ETM+) de Landsat 7. L’image est caractérisée par ses bandes multi spectrales
(TM1, TM2, TM3, TM4, TM5, TM7) ayant une résolution spatiale de 30 m.
Tableau n° 3 : Caractéristiques des images utilisées
Images Date Résolution Source

d’acquisition
Année 1 28 Oct. 2000 30m IOGA
Année 2 23 Juin 2006 30m IOGA
Année 3 Novembre 2011 30m WWF
Les tableaux suivants résument les caractéristiques du capteur ETM+ de Landsat et les
différentes bandes de ses capteurs:
Tableau n° 4 : Caractéristiques techniques du capteur ETM+ du satellite Landsat
Paramètres ETM+
Résolution spatiale 15/30/60 m

Couverture spectrale 0,45-12,5 µm
Nombre de bandes 8
Résolution temporelle 16 jours
Taille de l'image 183 x 170 km
Fauchée 183 km
10
Tableau n° 5: Les différentes bandes du capteur ETM+ de Landsat
Bandes Domaine spectrale Résolution Couleur
TM1 0.45-0.5 µm 30 m bleu
TM2 0.52-0.6 µm 30 m vert
TM3 0.63-0.69 µm 30 m rouge

µmTapez une équation ici.m
TM4 0.75-0.9 µm 30 m IR proche
TM5 1.5-1.7 µm 30 m IR moyen
TM6 10.4-12.5 µm 60 m IR
TM7 2.08-2.35 µm 30 m IR moyen
TM8 520-900 nm 15 m panchromatique

(vert-rouge-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.
1.2. Données de végétation:
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:
Ce sont les données vecteurs issues du système d’information géographique. La

projection de ces données est la projection Laborde Madagascar.
La BD 500 du FTM : ensemble de données vecteurs couvrant les localités de

Madagascar. Elle sert pour la localisation du site d’étude.
La carte forestière de l’IEFN : carte présentant la couverture forestière de
Madagascar en 2000. Elle est donnée sous forme vectorielle (format Shape) et provenait du
Ministère de Forêt. Elle sert pour le contrôle de l’exactitude de notre carte. (Figure 1). Les
classes d’occupations sont délimitées selon ses caractéristiques générales.
Le fond de carte issu de la BD 100 de la FTM : il est utilisé pour avoir les données
topographiques du site d’étude y compris les côtes ; l’hydrographie et les fleuves. Le fond de
carte utilisé est le Q49 dans la partie d’Ambohimilanja où notre zone d’étude se trouve.
(Figure 2)
L’orthophoto: utilisé pour le contrôle de l’exactitude de la carte ainsi effectuée.
L’orthophoto couvre notre zone d’étude et ayant une échelle 1/50.( Figure 3)
Figure n° 1 : Données vectorielles de la couverture forestière de l’IEFN en 2000
12
Figure n° 2 : Fond de carte au 1/100000
Figure n° 3: Orthophoto 2007
13
Tableau n° 6 : Tableau récapitulatif des données utilisées
Données Date N° scène ou Echelle ou Projection Source

d’acquisi couverture résolution utilisée
tion spatiale
Image Landsat 2000 158/074 30m UTM IOGA
2006 158/074 30m UTM IOGA
2011 158/074 30m UTM WWF
BD500 2008 Madagascar 1/500 000 Laborde FTM
Fond de carte 2008 Q49 1/100 000 Laborde Min. Forêt

topographique
Carte forestière 2000 Extrait du 1/500 000 Laborde Min. Forêt
Vakinankaratra
Orthophoto 2007 50 cm Laborde PNF
2. Les logiciels:
Pour le traitement d’image en télédétection, nous avons utilisé à la fois les logiciels
ENVI et Idrisi.
Ce sont des logiciels idéals pour la visualisation, l’analyse et la présentation de tous

types d’images en télédétection.
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
Les méthodologies que nous avons adoptées sont principalement l’analyse et le

traitement numérique d’image en télédétection et le système d’information géographique.
1. Notion de base sur la télédétection:
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:
La télédétection est le fruit de l’interaction entre trois éléments fondamentaux : une

source d’énergie, une cible et un vecteur.
Figure n° 4 : Schéma du principe de base

de la télédétection
Source : http : //www.ccrs.nrcan.gc.ca/ccrs
La cible est la portion de la surface terrestre observée par le satellite. La source

d’énergie est l’élément qui éclaire la cible en émettant une onde électromagnétique (flux de
photons). Le vecteur ou plate-forme de télédétection mesure l’énergie solaire (rayonnement
électromagnétique) réfléchie par la cible.
15
1.2. Processus de la télédétection:
De manière plus détaillée, on peut schématiser la télédétection comme un ensemble de

sept clés :
Figure n° 5 : Les sept étapes de la télédétection
Source d'énergie ou d'illumination (A)

À l'origine de tout processus de télédétection se trouve nécessairement une source
d'énergie pour illuminer la cible.
Rayonnement et atmosphère (B)

Durant son parcours entre la source d'énergie et la cible, le rayonnement interagit avec
l'atmosphère. Une seconde interaction se produit lors du trajet entre la cible et le capteur.
Interaction avec la cible (C)

Une fois parvenue à la cible, l'énergie interagit avec la surface de celle-ci.
La nature de cette interaction dépend des caractéristiques du rayonnement et des propriétés de
la surface.
Enregistrement de l'énergie par le capteur (D)

Une fois l'énergie diffusée ou émise par la cible, elle doit être captée à distance (par un
capteur qui n'est pas en contact avec la cible) pour être enfin enregistrée.
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).
Interprétation et analyse (F)

Une interprétation visuelle et/ou numérique de l'image traitée est ensuite nécessaire pour
extraire l'information que l'on désire obtenir sur la cible.
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.
1.3. Le spectre électromagnétique
C’est le résultat de la décomposition du rayonnement électromagnétique en ses

fréquences constituantes. Il s'étend des courtes longueurs d'onde (dont font partie les rayons
gamma et les rayons X). La télédétection utilise dans plusieurs régions du spectre
électromagnétique.
Figure n° 6 : Spectre électromagnétique et longueurs d’onde.

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 :
Figure n° 7 : Longueurs d’onde de la couleur visible

2. Analyse et traitement numérique d’image:
Le traitement numérique d’image désigne une discipline de l'informatique et des

mathématiques appliquées ayant pour objectif le traitement des images numériques et leurs
transformations, dans le but d'améliorer leur qualité ou d'en extraire de l’information (Caloz et
Collet, 2001). L’analyse et traitement numérique d’image en télédétection s’effectue en
différentes étapes : le prétraitement, l’amélioration, la classification.
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:
L’amélioration comprend : le rehaussement des contrastes, le filtrage, la création des

compositions colorés et la création des néocannaux.
a. Le rehaussement des contrastes :
Les fonctions « rehaussement » ont pour but d’améliorer la qualité de visualisation de

l’image à fin de faciliter son interprétation.
b. Le filtrage :
Cette opération consiste à éliminer les bruits indésirables dans l’image.
c. La création des compositions colorées :
Il est intéressant de pouvoir combiner l'information qu’apportent les trois canaux. La

composition colorée permet d'afficher chacun des trois canaux en nuance de chacune des trois
couleurs primaires (Rouge, Vert et Bleu).
d. La création des néocannaux :
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 :
La classification désigne une action consistant à repartir par classe ou catégorie

l’ensemble des éléments d’une scène. Elle peut être utilisée pour la production de cartes
thématiques ou dans une analyse plus détaillée de l’image. En traitement numérique d’image,
on distingue la classification supervisée et la classification non supervisée (automatique).
a. Classification non supervisée ou classification automatique :
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.
b. Classification supervisée ou assistée :
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.
Tableau n° 7: Intérêt des différentes méthodes de classification
Méthodes Avantages Inconvénients
Utiles pour réaliser une première Le regroupement des valeurs de

segmentation des images en grands comptes numériques crée des
thèmes d'occupation du sol. classes dont la signification
Classifications non
Cette segmentation pourra être thématique est parfois difficile à
assistées
utilisée pour réaliser un masquage identifier.
des thèmes non concernés par
l'étude.
Le temps de réalisation est long,

Les classes obtenues ont une en particulier pour le choix et la
Classifications
signification thématique précise. délimitation des zones
assistées
d'apprentissage.
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.
2.4. Evaluation des résultats:
L’exactitude d’une classification en traitement d’image de télédétection est évaluée à

l’aide d’une matrice de confusion.
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 :
Tableau n° 8: Tableau récapitulatif d’une matrice de confusion
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:
∑ − ∑( ∗ )

− ∑( ∗ )
r est le nombre des lignes de la matrice de confusion
est le nombre d’observation dans la ligne et la colonne
et sont les totaux marginaux de la ligne et la colonne , respectivement
N est le nombre total d’observation.
Formule n° 1: Indice Kappa
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.
3. Le Système d’Information Géographique SIG:
a. Définitions :
Un SIG ou Système d’Information Géographique est un système informatique de

matériel, de logiciels et de processus conçu pour permettre la collecte, la gestion, la
manipulation, l’analyse, la modélisation et l’affichage de données à référence spatiale afin de
résoudre des problèmes complexe d’aménagement et de gestion (Denègre, 1996).
Un ensemble de données géographiques, structuré de manière à pouvoir extraire des

informations ou synthèse d’informations utiles pour la prise de décision (SIG, 1990).
22
b. Les principales composantes du SIG :
On distingue quatre composants du SIG : le matériel, le logiciel, les données et les

utilisateurs.
SIG:
Gestion,
Manipulation,
Figure n°8 : Les principales composantes du SIG

Le matériel
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.
c. Les fonctionnalités techniques d’un SIG:
Les fonctionnalités techniques du SIG sont communément synthétisées selon le modèle

des 5A : l’abstraction, l’acquisition, l’archivage, l’analyse et l’affichage.
Abstraction
Modélisation de la base de données en définissant les objets, leurs attributs et leurs

relations. Les informations modélisées sont représentées en couches superposables et
indépendantes.
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 :
- Des couches raster : image satellites, photographies aériennes, etc.

- Des couches vecteurs : réseaux de communication, hydrographies, etc.
- Des statistiques : fréquence d’occurrence, population démographique, etc.
Archivage
L’archivage consiste à stocker les informations de l’espace de travail vers l’espace de

stockage. Elle permet aussi de rassembler et d’ordonner les informations par thème sur des
couches afin de faciliter leur recherche.
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
Il consiste à la production des cartes de façon automatique, au constat des relations

spatiales entre les objets et la visualisation des données sur l’écran de l’ordinateur.
En fait, les données doivent être mise à jour, bien ordonnées et affinées, afin de faciliter
l’archivage, l’analyse et l’affichage.
d. Les Avantages du SIG:
Il permet de:
- Réduire les coûts de production des cartes.

- Etablir des cartes et des plans qui ne pouvaient pas être réalisés à la main.
- Aider à la prise de décision.
- Multiplier les représentations visuelles facilitant ainsi la prise de décision tout en
diminuant les risques d’erreurs.
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
La detection de changement est le processus d’identification des différences d’état

d’une zone en l’observant à des dates différentes (INGLADA, 2001): on cherche à
quantifier( aspect spatial) et à qualifier (aspect sémantique) le changement détecté. Les
facteurs limitant cette détection des changements sont: les différences de condition
atmosphérique, de géométrie d’acquisition et de condition de sol (CHAVEZ et
MACKINNON, 1994). Les domaines d’application de la détection des changements sont
nombreux: déforestation, reboisements, changement d’occupation de sol, évolution des
franges urbaines, etc…
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).
Tableau n° 9 : Classification des méthodes de détection des changements
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
- Analyse en composantes principales (ACP)

Transformations - Transformation Tasseled Cap
- Gramm-Schmidt
- Khi-carré
- Comparaison de post-classification
- Analyse spectrale temporelle
Classifications - Détection du maximum de probabilité
- Détection de changements non dirigée
- Détection de changements hybride
- Réseaux de neurones
- Modèle de réflectance de Li-Strahler

Méthodes avancées - Modèles de mixage spectral
- Méthode de paramètres biophysiques
Approche de SIG - Méthode d’intégration de SIG et de données de télédétection
Analyse visuelle - Interprétation visuelle d’image
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
CATEGORIES AVANTAGES INCONVENIENTS

Ces méthodes sont simples (sauf celle de Elles ne donnent aucune information
vecteur de changements);elles sur la nature des changements (sauf
Algébrique permettent la réduction de certains effetsla méthode de vecteur de
atmosphériques et radiométriques ; changements) ; elles exigent un
seuillage ;
Ces méthodes sont plus complexes que Il est difficile d’identifier les
les méthodes algébriques mais encore changements détectés.
Transformations assez simples ; elles réduisent les
informations redondantes entre les
bandes ; possibilité d’utiliser plusieurs
bandes à la fois pour la détection de
changements ;
Ces méthodes réduisent les impacts de Elles exigent beaucoup de temps
l’environnement; elles fournissent des (sauf la méthode d’analyse spectrale
Classifications informations concernant la nature des temporelle) ; il est difficile
changements (sauf les méthodes d’identifier les changements ;
d’analyse spectrale temporelle de
détection non dirigée) ; elles produisent
une bonne détection ou méthode de
détection du maximum de probabilité
(expectation maximization) ;
Ces méthodes fournissent de Elles sont complexes et non

Méthodes l’information précise et détaillée sur la disponibles dans les logiciels ;
avancées nature des changements ; exigent des mesures in situ ;
Ces approches permettent d’insérer des Elles diminuent potentiellement

données auxiliaires pour l’analyse et l’exactitude des résultats finaux de la
l’interprétation des résultats ; elles détection de changements ; en effet,
Approche de SIG permettent la mise à jour directe dans un quand des données viennent de
SIG ; différentes sources, si un des
document est cartographiquement
moins précis ou s’ils sont à
différentes échelles, l’exactitude
globale de la détection des
changements diminue ;
Ces méthodes permettent d’incorporer la Elles ne fournissent pas

connaissance de l’analyste;elles d’informations détaillées sur les
permettent d’analyser deux ou trois changements ; elles dépendent du
Analyse visuelle images à la fois ; savoir-faire et du savoir de
l’analyste ; elles exigent beaucoup de
temps ; elles ne permettent pas une
mise à jour facilement ;
Sources : Lu et al, 2004
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:
La démarche méthodologique de detection qu’on a adapté comporte les étapes suivantes:

le prétraitement des images, la création des néocanaux, la classification des images, la
comparaison de post classification. Cette démarche est résumée dans le schéma ci-après:
29
Landsat ETM+ Années
Images
satellites
2000- 2006- 2011
- Correction géométrique
Prétraitement
des images - Correction radiométrique
Occupation du sol aux 3

Classifications
des images dates
- 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
Figure n° 9: Démarche méthodologique
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.
a. Correction géométrique de l’image:
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.
Tableau n° 11 : Coordonnées Laborde de l’image initiale
Images UL (Upper Left) (m) LR (Lower Right) (m)

X : 783103.18 X : 803743.18
2000 Y : 7822784.71 Y : 7804874.71
X : 783218.16 X : 804518.11
2006 Y : 7823007.62 Y : 7804347.62
X : 783203.11 X : 804503.10
2011 Y : 7823022.62 Y : 7804362.62
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.
Pour l’effectuer, nous avons utilisé le module de Quick Atmospheric Correction

d’ENVI. Les données d’entrées sont les longueurs d’onde de chaque bande. Le résultat de la
correction s’explique par la modification des valeurs radiométriques des bandes données dans
le tableau ci-après :
32
Tableau n° 12 : Plage des valeurs radiométriques avant et après la correction atmosphérique-
image 2000
Avant correction Après correction

atmosphérique
Basic Stats Min Max Min Max
Band 1 0 255 0 224
Band 2 0 255 0 250
Band 3 0 255 0 240
Band 4 26 119 0 249
Band 5 0 255 0 255
Band 7 0 255 0 246
Tableau n° 13: Plage des valeurs radiométriques avant et après la correction atmosphérique-
image 2006

atmosphérique
Band 1 0 254 0 247
Band 2 0 255 0 242
Band 3 0 255 0 253
Band 4 0 246 0 242
Band 5 0 255 0 254
Band 7 0 255 0 249
33
Tableau n° 14 : Plage des valeurs radiométriques avant et après la correction atmosphérique-
image 2011

atmosphérique
Band 1 0 255 0 251
Band 2 0 241 0 253
Band 3 0 255 0 253
Band 4 0 255 0 248
Band 5 0 255 0 242
Band 7 0 255 0 232
Cette correction est indispensable surtout dans l’étude multitemporelle. Ces

modifications ont une portée opérationnelle significative tant pour l’interprétation visuelle de
l’image que pour l’extraction des informations (Caloz et Collet, 2001)
5.2. Création des néo-canaux:
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:
Figure n° 11 : Transformée NDVI et composition colorée de Tasseled Cap de l’image 2011
Combinaison des bandes:
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).
5.3. Zones de vérité terrain:
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
Figure n° 13 : Ensemble des sites d’entrainement et sites test

Le tableau ci-dessous indique le nombre de pixels prélevé pendant le traçage des zones
d’entraînement et des zones test. Le principe de traçage est tel que les sites d’entraînement
doivent être suffisamment grands pour constituer une bonne représentation statistique de
chaque classe considérée.
36
Tableau n° 15 : Nombre de pixels des vérités-terrain prélevé sur l’image 2011
CLASSES Nombre de pixels des Nombre de pixels

zones d’entraînement des zones test
Forêt naturelle 838 401
Forêt dégradée 232 100
Plan d’eau 193 79
Culture 85 41
Savane arborée 244 151
Savane herbeuse 126 110
Rizière 35 35
Total 1753 917
5.4. Etude de la signature spectrale du site d’entrainement:
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.
Figure n° 14 : Signature spectrale des sites d’entrainement
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.
5.5. Classification supervisée:
La méthode de détection choisie dépend essentiellement de la qualité de la classification.

Pour avoir une bonne précision à cette méthode, on a effectué deux méthodes différentes de
classification supervisée qui sont la méthode paramétrique et celle de non paramétrique.
L’objectif est de comparer la précision et la qualité de la classification.
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:
Le classificateur paramétrique associe à la signature spectrale, une distribution

statistique connue, comme la loi normale, le plus fréquemment rencontrée pour le traitement
d’image, la loi normale. Cette association offre la possibilité d’affecter à chaque pixel une
probabilité d’appartenance à une classe donnée. L’algorithme le plus utilisé dans cette
méthode est le maximum de vraisemblance (MDV).
Ainsi, on a procédé pour chaque image la classification par la méthode MDV.
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
CLASSES Nombre de pixels du site Nombre de pixels du

d’entrainement site test
Année 2000 Année 2006
Forêt naturelle 1343 1470 151
Forêt dégradée 425 231 113
Plan d’eau 193 158 79
Culture 227 75 53
Savane arborée 296 96 77
Savane herbeuse 126 126 115
Rizière 36 58 45
Total 2646 2714 633
Après cette rectification, on effectue la classification en suivant le même principe.
b. Méthode non paramétrique: le kNN
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.
5.6. Post classification
Cette procédure consiste à effectuer les opérations destinées à ameliorer la lisibilité de

l’ image classifiée et/ou d'en extraire certaines informations, telle que le regroupement des
pixels et le filtrage.
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:
Le principe des filtrages est de modifier la valeur numérique de chaque pixel en

fonction des valeurs des pixels voisins. Pour avoir une meilleure présentation de la carte finale,
l’image classifiée a été filtrée avec un filtre modal de dimension 3x3 (3 colonnes x 3 lignes)
afin d’éliminer les pixels isolés et obtenir des classes plus homogènes. Cette méthode se lance
automatiquement grâce à l’outil d’analyse Majority/Minority d’ENVI.
42
Partie 3 : RESULTATS – DISCUSSIONS
I- RESULTATS:
1. Les images classifiées:
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)
2. Evaluation des résultats:
Il est important de vérifier l’efficacité avec laquelle l’algorithme a fait la classification.

Cela permet de vérifier la validité des résultats de la classification. Les tableaux suivants
donnent les résultats en pourcentage des matrices de confusion issues des classificateurs
MDV et kNN. Les détails de ces matrices sont fixés dans l’annexe 1.
Tableau n° 17 : Comparaison des précisions individuelles (en pourcentage), de la précision

globale et de l’indice kappa entre les méthodes MDV et kNN pour l’image
2000
Classes Méthode Méthode
MDV (%) kNN (%)
Forêt naturelle 95.36 90.07
Forêt dégradée 87.61 92.92
Culture 71.70 71.70
Savane arborée 88.31 94.81
Savane herbeuse 95.65 100
Rizière 77.78 77.78
Plan d’eau 93.67 88.61
Précision globale 89.73 90.36
Indice Kappa 0.87 0.88
44
Tableau n° 18: Comparaison des précisions individuelles (en pourcentage), de la précision
2006
Classes Méthode MDV Méthode kNN

(%) (%)
Forêt dégradée 64.15 73.58
Culture 81.97 81.97
Savane herbeuse 99.07 96.26
Rizière 86.67 93.33
Plan d’eau 91.49 81.56
Tableau n° 19 : Comparaison des précisions individuelles (en pourcentage), de la précision

2011
Classes Méthode MDV Méthode kNN

(%) (%)
Forêt dégradée 85 87
Culture 72.68 77.56
Savane herbeuse 94.55 97.27
Rizière 91.43 91.43
Plan d’eau 100 98.73
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:
Nous donnons ci-après le résumé de la distribution des différentes catégories

d’occupation du sol dans l’image classifiée
Tableau n° 20 : Distribution des classes
Catégories Nb de pixels Pourcentage Surfaces occupées (ha)

d’occupation
du sol
2000 2006 2011 2000 2006 2011 2000 2006 2011
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
Savane 12 2 703 1 074 0.013 2.906 1.155 1.0800 243.27 96.66

herbeuse
Rizière 1 119 1 453 1 068 1.203 1.562 1.148 100.7100 130.77 96.12
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:
4.1 Création de masque forêt:
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:
Tableau n° 21 : Statistique des classes
Catégories Nb de pixels Pourcentage Surfaces occupées (ha)
2000 2006 2011 2000 2006 2011 2000 2006 2011

Forêt 59 224 56 979 54 016 63.682 61.268 58.082 5 330.160 5 128.11 4 861.44
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
4.3 Evolution entre 2000 et 2006 :
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 :
Tableau n° 22 : Nombre de pixels
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 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%
Tableau n° 24 : Surfaces occupées (en ha)
Etat initial
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
4.4 Evolution entre 2006 et 2011:
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:
Tableau n° 25 : Nombre de pixels
Etat initial
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 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%
Tableau n° 27: Surfaces occupées (en ha)
Etat initial
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 :
Projection Name: Laborde Madagascar

Projection type: Oblique Mercator Hotine
Spheroid name: International 1909
Datum name: Tananarive observatory 1925
Scale factor at center: 0.9995
Latitude of point of origin: 18.54.00.000000 S
False easting: 1113136.314600 meters
False northing: 2882900.000000 meters
Azimuth east for central line: 18.54.00.000000
Longitude of point of origin: 46.26.14.025012E
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.
Carte n° 2 : Occupation du sol- Année 2000
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:
∑ +,-./ 0/1 2+341 50,1

) (%) = ∗ 100
∑ +,-./ 4+456 0/1 2+341
Formule n°3. Précision individuelle
Et la précision globale pour chaque carte est:
∑ )
)9 (%) =
∑ +,-./ 0/1 :6511/1
Formule n°4. Précision globale
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%
Tableau n° 28 : Surfaces occupées en ha pour chaque catégorie d’occupation sur la zone

d’étude
Aires (ha)
Occupation du sol Année 2000 Année 2006 Année 2011
Forêt naturelle 371.955 315.343 263.548
Forêt dégradée 451.683 473.446 389.512
Mosaïque de culture 129.896 138.736 273.833
Formation secondaire 715.677 728.46 709.663
Rizière 49.297 62.523 81.952
Total 1718.508 1718.508 1718.508
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%
Figure n° 8 : Répartition de l’occupation du sol année 2000
ANNEE 2006
3.64%
18.35%
42.39% Forêt naturelle
Forêt dégradée
27.55% Rizière
8.07%
Figure n° 9 Répartition de l’occupation du sol année 2006
ANNÉE 2011
4.77% 15.34%
22.67%
Forêt naturelle
Forêt dégradée
41.30%
15.93% Rizière
Figure n° 10 : Répartition de l’occupation du sol année 2011
57
58
59
II- DISCUSSION
1. Au niveau de la méthodologie:
Le processus de traitement d’image pour détecter les changements de la couverture

forestière dans cette étude permet d’obtenir l’évolution de la classe forêts. On estime que,
dans l’ensemble, les images étaient bien classifiées. Les résultats des classifications sont assez
satisfaisants si on regarde les précisions globales de chaque image. On peut dire que
l’utilisation des néo-canaux a amélioré ces résultats, en effet, le Tasseled Cap est une
technique qui a fait ses preuves et qui a procuré de bons résultats dans la classification du
couvert forestier (Sachs et al. 1998). De même, l’utilisation des méthodes de classification,
MDV et kNN nous a permis de choisir le meilleur résultat. En général, quand la distribution
des classes ne suit pas la loi gaussienne, la méthode kNN offre une meilleure précision de
classification que celle MDV (Rakotoniaina et Collet). Mais on a constaté ici qu’il n’y a pas
de grande différence entre les précisions de ces deux méthodes car la différence est environ
de 1%.
Quant à la méthode de détection de changement de la couverture forestière qui est la

comparaison de classification, elle est simple et fournit des informations sur la nature des
changements. Pourtant, cette méthode est critiquée parce qu’elle crée des erreurs de
commission et d’omission (Béland et al. 2006 ; Petit et al. 2001), et l’inconsistance dans la
classification peut mener à une détection du changement erronée. En effet, si l’on regarde la
matrice de confusion dans le rapport de la classification (Annexe 1), on peut voir qu’il y a un
peu de confusion entre certaines classes. Pour la classe forêt qui est notre classe d’intérêt, on
remarque que la confusion est minime car les précisions individuelles de cette classe pour
chaque image atteignent plus de 91% et on croyait que c’est tolérable pour la détection de
changement car en terme de précision, on n‘atteint jamais le maximum ou le 100%. Une des
sources d’erreur dans la présente étude est l’absence de réalité terrain pour les dates 2000 et
2006 mais on a essayé de combler cette erreur en effectuant un échantillon d’entrainement
suffisant.
2. Au niveau des résultats:
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
Figure n° 11 : Représentation des différents

. types d’occupations avec les
surfaces occupées pour les trois dates
On peut tirer à partir de ce graphe que les superficies des forêts sont en baisse tandis que
les cultures et les rizières augmentent en fonction du temps.
En ce qui concerne la couverture forestière, la superficie s’élève à 823.628 ha en 2000;

environ 48% de la superficie totale. En 2006, elle a été évaluée à 788.789 ha, soit 45.9% de la
surface totale, et elle a diminué de 653.06 ha en 2011, soit le 38% de la superficie totale. La
dégradation des ressources forestières a été de 2.02% entre 2000 et 2006 et 7.09% entre 2006
et 2011. Le taux de dégradation par an a été évalué à 0.33% entre 2000 et 2006 et 1.41% entre
2006 et 2011. Cette dégradation est due non seulement aux aléas climatiques comme le
cyclone qui ne se produit que rarement mais dans la majorité des cas, elle est due à diverses
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
Figure n° 12 : Relation de cause à effet de la dégradation de la forêt naturelle d’Antenina

Source : ANDRIAMPARANONY ,2012
À part les perturbations, il y a aussi d’autres types de changements. Certaines

superficies ont, au lieu de régresser, avancé dans la succession naturelle. De plus, d’après
l’analyse effectuée par les forestiers, la régénération de la forêt secondaire possède la plus
62
importante richesse floristique. Ainsi, la densité de la régénération naturelle dans la forêt
dégradée et la formation secondaire peuvent être justifiée.
3. Analyse de tendance simplifiée:
En exploitant les données issues du résultat de la couverture forestière, on peut

déterminer simplement à l’aide d’une droite de régression l’évolution de la dégradation de la
forêt pour les années à venir.
Les superficies forestières se répartissent comme suit : 823.638 ha en 2000 ; 788.789 ha

en 2006 et 653.06 ha en 2011.
Ainsi, on a tiré à partir de ces données la droite de régression d’équation : y = mx + b

avec b est une constante et m un coefficient correspondant à chaque valeur de x.
4
A partir des valeurs sus citées, l’équation devient : y= -15x + 3.1*10
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
Cette étude nous a permis, par l’intermédiaire de la télédétection, d’identifier les

différentes catégories d’occupation du sol dans la forêt d’Antenina en estimant d’abord ses
potentialités forestières, et de détecter ensuite le changement de la couverture forestière. Sur
cette dernière, on a choisi la méthode de comparaison de post classification qui était une
méthode simple mais qui fournit des informations sur la nature des changements. Même si on
a rencontré des difficultés sur les méthodes et sur les données, on estime que le résultat est
satisfaisant.
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.
L’existence du projet Antenina va mettre en valeur les richesses forestières du site. La

mise en place d’un site d’application pour la filière écotourisme de l’ESSVA apportera une
opportunité dans le développement économique local. Partant de la carte d’occupation du sol
et les résultats de l’analyse de changement, avec les résultats des différents inventaires déjà
effectués, les aménageurs peuvent étudier et établir le plan de zonage du site qui est la tâche
primordiale pour tout aménagement.
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.
Le travail accompli était très enrichissant et a permis d’apprendre énormément sur le

traitement des images (classification, interprétation) et le SIG. Il y a encore beaucoup d’autres
choses à apprendre dans ce domaine.
64
BIBLIOGRAPHIE
1. ANDRIAMPARANONY I. (2012)., Etude des potentialités floristiques de la forêt

naturelle d’Antenina en vue de l’élaboration d’un plan d'aménagement, Mémoire de fin
d’études en vue de l’obtention du Diplôme d’Etudes Approfondies en Foresterie-
Développement-Environnement, Département ESSA Forêt, Université d’Antananarivo,56 p.
2. BELAND, M., GOÏTA K., BONN, F. and PHAM, T.T.H. (2006) Assessment of land-
cover changes related to shrimp aquaculture using remote sensing data: a case study in the
Giao Thuy District, Vietnam. International Journal of Remote Sensing, vol. 27, no 8, p.
1491-1510.
3. CALOZ, R. et COLLET, C. (2001) Précis de Télédétection, vol. 3: Traitements
numériques d’images de télédétection. Presses de l’Université du Québec et Agence
universitaire de la Francophonie, Sainte-Foy, 386 p.
4. Centre Canadien de Télédétection (CCT). Glossaire de télédétection du CCT,
5. CHAVEZ P.; MACKJNNON D.J. (1994) Automatic detection of vegetation change;
Photogrammetric engineering and remote sensing; 1994, Vol.60, N°5, Page 571-583
6. DENEGRE J, SALGE F., (1996) Les Systèmes d’Information Géographique. Collection :

Que sais-je ? Ed Presses Universitaires de France, N°3122, 128p.
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
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.
Keywords: Antenina, remote sensing, Landsat, classification, forest cover, deforestation,

change detection

AndrianirinaNorohasina ESPA ING 12

Transféré par

Informations du document

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

AndrianirinaNorohasina ESPA ING 12

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE D’ANTANANARIVO

ECOLE SUPERIEURE POLYTECHNIQUE

DEPARTEMENT : INFORMATION GEOGRAPHIQUE ET FONCIERE(IGF)

Mémoire de fin d’étude en vue de l’obtention du diplôme d’Ingénieur en

Présenté par : ANDRIANIRINA Norohasina

ECOLE SUPERIEURE POLYTECHNIQUE

DEPARTEMENT : INFORMATION GEOGRAPHIQUE ET FONCIERE(IGF)

Mémoire de fin d’étude en vue de l’obtention du diplôme d’Ingénieur en

DÉTECTION DE CHANGEMENT DE LA COUVERTURE

FORESTIÈRE DU SITE ANTENINA VAKINANKARATRA A

Présenté par : ANDRIANIRINA Norohasina

Monsieur ANDRIANARY Philippe, Directeur de l’Ecole Supérieure Polytechnique

La fondation Avenir Madagascar, un organisme fondé en 2002 soutenue par

Les retombées de ce projet vont :

- à la filière Ecotourisme et les autres filières de l’ESSVA: application des connaissances

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

LISTE DES ABREVIATIONS .................................................................................................................V

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

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

LISTE DES FORMULES ....................................................................................................................... IX

LISTE DES CARTES ................................................................................................................................X

PARTIE 1 : CADRE ET DESCRIPTION DE LA ZONE D’ETUDE ................................................... 2

I.1 CADRE DE L’ETUDE ...................................................................................................................... 2

PARTIE 2 : MATERIELS ET METHODES ........................................................................................ 10

PARTIE 3 : RESULTATS – DISCUSSIONS ........................................................................................ 43

CONCLUSION ET PERSPECTIVES ................................................................................................... 64

ACP : Analyse en Composantes Principales

Annexe 1 : Résultats des matrices de confusion

Tableau n° 1 : Richesse faunistique globale du site ................................................................................................ 7

Figure n° 1 : Données vectorielles de la couverture forestière de l’IEFN ........................................... 12

Formule n° 1: Indice Kappa..................................................................................................... 22

Carte n° 1:Localisation de la Zone d'Etude ............................................................................................................ 5

Actuellement, ces biodiversités, notamment les ressources forestières subissent des

Ce projet Antenina a fait appel à la collaboration de différentes disciplines. Des

I.1 CADRE DE L’ETUDE

Les écosystèmes forestiers malgache en général, et ceux de la partie orientale en

La déforestation est le phénomène de régression des surfaces couvertes de forêt. Elle

Les causes principales de la déforestation actuelle sont humaines. L’agriculture restant

3. Actions menées par le projet pour reduire la déforestation:

- Le développement de l’écotourisme qui est aussi une meilleure assurance pour le

Comme il s’agit d’une étude multidisciplinaire, des équipes se trouvant dans de

En ce qui concerne la composition de l’ouvrage, des études bibliographiques ont été

- Située dans la région du Vakinankaratra, district d’Antanifotsy, et dans la commune

Carte n° 1:Localisation de la Zone d'Etude

La forêt d’Antenina présente des variétés d’espèces animales et végétales. La forêt

4.1. Composition faunistique:

L’inventaire a permis de trouver non seulement des espèces endémiques de Madagascar

Groupes taxonomiques Espèces trouvées (inventoriées) Espèces endémiques

Arthropodes terrestres - 5 familles regroupant 11 sous Aucun

4.2. Composition floristique:

Nom scientifique Nom vernaculaire Utilisation

Source : ANDRIAMPARANONY, 2012

Antenina accueille actuellement 1300 habitants avec un nombre de ménage environ de

La population est essentiellement composée d’agriculteurs et d’éleveurs. La principale

L’agriculture est l’activité principale pour la population. Le mode de production est de

En outre, on constate qu’Antenina a aussi des potentialités en termes d’élevage. Cette

Grâce aux ressources hydrographiques, l’activité de la pêche demeure une activité

1.1. Données images:

Pour déterminer l’évolution de la couverture du site, on a utilisé trois images de

Tableau n° 3 : Caractéristiques des images utilisées

Images Date Résolution Source

Tableau n° 4 : Caractéristiques techniques du capteur ETM+ du satellite Landsat

Résolution spatiale 15/30/60 m

Bandes Domaine spectrale Résolution Couleur

∑ − ∑( ∗ )