Soutenance mémoire
L’intégration de la bande NDVI dans la classification augmente la précision de la classification
Le premier niveau d’analyse s’appuie sur les approches de classification en télédétection à travers lesquelles les dénominations des différentes classes sont orientées vers les besoins de l’utilisateur s’agissant, dans le cadre de cette étude, la discrimination des classes « peu dégradée » et « dégradée ». Les approches de classification sont multiples en télédétection (Cf. Chapitre 3) mais la question aussi pertinente que soit-elle demeure: Comment améliorer la classification des mangroves considérant les facteurs temporels et les caractéristiques des images utilisés (endogènes et exogènes)? L’objectif étant d’identifier le système de classification approprié aux mangroves du littoral de Maintirano, l’étude escompte procéder à une démarche expérimentale des différentes classifications en postulant que les classes de mangroves peuvent être discriminées au moyen des approches de la télédétection. Plus particulièrement, les deux catégories de classification les plus courantes qui sont la classification baséepixel et la classification basée objet seront expérimentées dont la performance sera évaluée au moyen de la précision globale et l’indice de précision de classification. La première associe à chaque pixel une classe particulière et la seconde, reposant sur la théorie des graphes, quant à elle s’appuie sur la subdivision des images en objets, partageant des caractéristiques spectrales, spatiales et texturales similaires, avant la classification. De la sorte, le recours à ce type de classification pourrait améliorer la précision de la classification vu son approche contextuelle.
REDD : MRV et scénario de référence
La Réduction des Emissions dues à la Déforestation et la Dégradation des forêts, très connues de par leur coût-efficience dans un laps de temps limité parmi les stratégies de mitigation (Stern, 2007 ; Lubowski, 2008), a été très promue comme alternatives en se voulant d’inclure les écosystèmes forestiers dans les stratégies de lutte contre le changement climatique (Angelsen, 2008 ; Verbist et al., 2011). Elle est caractérisée par ses multiples objectifs en l’occurrence la mise en application de la gestion de l’écosystème forestier pour sa protection ou empêchant la déforestation en satisfaisant le stock et de maintenir les stocks de carbone forestière existants (Benndorf et al., 2007) et parallèlement, supportant le développement de la communauté locale. Aussi, de nombreux aspects de la REDD font encore partie d’ordre du jour des différents ateliers et conférences qui ne cessent de se multiplier aux diverses instances et dans les pays où la REDD est expérimentée. L’élaboration d’un système de suivi robuste basé sur le système de suivi MRV (Jha et Paudel, 2010), adaptée à l’échelle nationale (Herold et Skutsch, 2011) est nécessaire pour un éventuel agrément. En fait, en dépit de ces qualités au cœur de l’approche de performance de la REDD (Daviet et al., 2010), aucune conclusion n’a débouché à son encontre comme d’ailleurs le cas du scénario de référence de l’émission de GES (Acharya et al., 2009) dans nombreux pays dont Madagascar. D’ailleurs, l’élaboration d’un MRV fiable reste encore un challenge (Acharya et al., 2009) en raison de l’absence d’une approche standard et de sa complexité que la plupart des facteurs devraient être pris en compte. Afin d’élaborer une approche MRV à l’échelle nationale et de déterminer le scenario de référence le plus approprié parmi les scenarios de référence possibles c’est-à-dire déforestation passée ou future, une meilleure compréhension de la tendance de chaque type d’écosystème est nécessaire comme le cas de Madagascar qui présente une variabilité très élevée dans les types d’écosystèmes. L’élaboration du scenario de référence comprend deux composantes : la projection du changement d’occupation du sol et les stocks de carbone correspondants dans les pools applicables de la végétation et du sol (Brown et al., 2007) et ce, à la fois en présence et en absence du projet. Certain auteur affirme que cette élaboration de scenario de référence est complexe et incertaine (Brown et al., 2007). Comme il a été itérativement dit, la difficulté d’élaborer un scenario de référence est complexe et incertaine lié à l’absence de méthode standard agrée, la référence régionale difficile à mettre en œuvre, la présente étude s’appuie sur le scenario de référence des littératures de manière à ce que ce soit plus facile de procéder au suivi durant la durée de vie du projet.
Importance des caractéristiques spectrales et spatiales des images
L’avancée de l’application de la télédétection dans la classification des mangroves est aussi marquante que pour les autres écosystèmes forestiers. Le perfectionnement et la multiplication des différentes sources d’observation de la terre ont amené certains auteurs à émettre des hypothèses de l’importance de la résolution spatiale et spectrale de l’image dans l’amélioration de la précision de la classification des mangroves. Les images en provenance des capteurs passifs en sont communément les plus utilisées du fait de leur praticité: Photographies aériennes (Kairo et al., 2002), Landsat (Laba et al., 1997, Kovacs et al., 2001, Simard et al., 2006), Spot (Rasolofoharino et al., 1998 ; Tong et al., 2004 ; Gao, 1998), Ikonos (Dahdouh-Guebas et al., 2004 ; Huang et al., 2009). Toutefois, ces dernières années, le recours à l’utilisation des capteurs actifs devient de plus en plus observé : Capteur aéroportée CASI (Green et al., 1998a, Airborne hyperspectral imaging (Jusoff, 2006) voire même cherchant à combiner à la fois l’utilisation des deux types de capteurs : CASI Airborne Scanner et radar polarimétrique AIRSAR (Held et al., 2003). En effet, les résolutions spectrales et spatiales des imageries conventionnelles sont limitées pour mieux spatialiser la distribution des espèces des mangroves (Wang et al., 2004a). L’auteur a également mis en relief que la résolution spatiale est beaucoup plus déterminant que la résolution spectrale dans la différenciation des espèces des mangroves (Wang et al., 2004b) alors que les études réalisées par Gao (1998) partant de la comparaison des images Landsat et Spot, démontre qu’une résolution spectrale, en se référant au Landsat TM, donne une classification plus précise qu’une résolution plus fine (cité dans Huang et al., 2009).
Emergence de l’approche de segmentation
Dans la perspective d’une meilleure discrimination des différentes classes au sein des mangroves, les limites de classification basée-pixel précédemment citée ont été manifestement constatées à cause de la similarité des réponses spectrales entre les différentes espèces de mangroves (Huang et al., 2009) ou de la grande variabilité existant entre chaque type de classes de mangroves et de nombreuses publications s’évertuent de l’application de nouvelles méthodes en élargissant l’horizon de la classification vers les autres aspects que la signature spectrale notamment l’environnement comme les informations texturales et spatiales. En effet, la classification basée-pixel ignore le contexte des valeurs numériques des pixels environnants (Fisher, 1997 ; Townshend et al., 2000 ; Brandtberg et Warner, 2006) et les classifications données par cette méthode sont dites satisfaisantes parfois largement meilleures comparées à la classification basée-pixel (Blaschke , 2010). La fusion des informations spectrales et texturales ont permis à Huang et al. (2009) de distinguer les différentes espèces des mangroves le long du littoral caribéen à Panama avec une précision élevée approximant les 90%. Aussi, l’approche par segmentation se veut être prometteuse pour dépasser la classification classique. Sachant la limite de procéder à édifier des frontières entre les sous-classes dans les mangroves notamment à l’échelle des espèces, nombreux sont les auteurs ayant recours à l’utilisation de l’approche basée objet indépendamment de la nature de l’image. « What’s wrong with pixel ? » est l’expression emprunté par Blaschke (2010) dans Blaschke and Trobl (2001) pour introduire sa revue bibliographique sur cette approche. Cette question se trouve justifiée pour décrier la classification basée-pixel et louer la classification basée objet dont l’exemple typique et qui d’ailleurs a fait l’objet de cette dernière est l’effort de surmonter les problèmes liés aux effets de pointillisme (salt and pepper noise) (Blaschke et al., 2000). Le développement de cette approche qui tend à hisser au rang d’une discipline à part, a multiplié les discussions scientifiques à son encontre. Le terme en soi y prend part et a de multiples appellation : Object-Based Approach (OBA), Object-Oriented Approach (OOA), Object-Based Image Approach (OBIA), Geographic Object-Based Image Analysis (GEOBIA), MultiScale Segmentation/Object Relationship Modelling (MSS/ORM) (Burnett et Blaschke, 2003). Elle utilise des segments d’objets5 à différents niveaux d’échelle comme l’unité fondamentale de l’analyse des images (Navalur, 2007 ; Desclée et al., 2006). En effet, l’approche basée-objet se fait en deux étapes (Maxwell et Zhang 2006, Kim et al., 2009) : a) la segmentation de l’image en des objets ou segments constitués par un groupe de pixels assez homogènes (spatial) et sémantiquement significatifs (écologique) et b) la classification de l’image basée en ces objets. La première étape est la plus critique par le fait que la qualité de segmentation détermine la précision de la classification produite (Dorren et al., 2003). Aussi, les algorithmes de segmentation sont jusqu’en ce moment très nombreux en télédétection (Blaschke et al., 2010 ; Neubert et al., 2008). Ils peuvent pourtant être classés en quatre catégories : a) basée sur le point, b) basée sur le contour, c) basée sur la région et d) combiné (Schiewe, 2002). Chacune de ces techniques sont décrites dans les détails par Pal et Pal (1993) et Wuest et Zhang (2009). La segmentation basée sur le point se base sur l’application d’un seuil aux pixels individuels de l’image. Ce seuil catégorise le pixel en deux ou plusieurs clusters suivant la fonction de seuil donnée. La segmentation basée sur le contour tend à utiliser des filtres de détection de contour pour obtenir les limites ou contours des segments d’une image donnée. La segmentation basée sur la région se fait soit par la construction des régions à partir des pixels individuels ou par la dislocation de l’image en des séries de pixels et de leur fusion. Le processus de dislocation/fusion implique à disloquer l’image en des segments et de les grouper par la suite. Dans cette étude, la segmentation basée sur le contour de l’ENVI Zoom Features extraction a été appliquée et dont les détails sont décrits ultérieurement.
DETECTION DU CHANGEMENT
Comme il a été auparavant dit, la définition du scenario de référence est très cruciale pour l’implémentation de la REDD : les émissions passées, actuelles et futures sont susceptibles d’être considérées. Toutefois, en se référant à la décision 2/3 statuant que “Reductions in emissions on increases resulting from the demonstration activity should be based on historical emissions, taking into account national circumstances”, l’étude a été menée de manière à comprendre l’évolution historique de la biomasse. Dans cette étude, la détection du changement a été faite suivant la méthode de comparaison postclassification (Sunar, 1998) requérant comme input des cartes d’occupation du sol préalablement faites. A la différence de l’autre méthode qui consiste à comparer la valeur de pixel (change détection), elle consiste dans le cadre de la REDD+ à détecter la déforestation et la dégradation des forêts. La déforestation est définie comme la conversion d’une classe d’utilisation du sol en une autre classe d’utilisation du sol (changement d’occupation du sol) tandis que la dégradation des forêts se définit par la réduction de la densité des arbres mesuré par la diminution du couvert de canopée ou du stock dans la forêt (Schoene et al., 2007). La dynamique des mangroves est quantitativement appréciée au moyen de la réalisation de la matrice de transition qui décrit de manière condensée les changements d’état des pixels pendant une période donnée (Schlaepfer, 2002). Elle est formée d’un tableau à double entrée dont dans les colonnes sont enregistrées les superficies de chaque classe de l’année récente alors que dans les lignes sont enregistrées celles de l’année antérieure. Le module CROSSTAB de l’Idrisi Selva 17.0 (Clark Labs, Worcester, MA) a été utilisé pour produire la matrice de transition.
|
Table des matières
INTRODUCTION
1. PROBLEMATIQUE ET HYPOTHESES
1.1. Contexte et Problématique
1.2. Hypothèses
2. THEORIE D’APPROCHE POUR L’ANALYSE DE LA DYNAMIQUE DES MANGROVES
2.1. Approche spatiale de la dynamique des mangroves et Réduction des Emissions dues à la Déforestation et la Dégradation des Forêts
2.1.1. REDD : MRV et scénario de référence
2.1.2. Approches de l’estimation du stock de carbone
2.1.3. Appréciation de la déforestation et de la dégradation des mangroves via la télédétection
2.1.3.1. Importance des caractéristiques spectrales et spatiales des images
2.1.3.2. Classification et classes des mangroves
2.1.3.3. Emergence de l’approche de segmentation
2.2. Modélisation de la dynamique des mangroves
3. MATERIELS ET METHODES
3.1. Description sommaire du milieu d’étude
3.2. Description des données de base
3.3. Travaux de terrain
3.3.1. Enquêtes sociales de reconnaissance et synthèse de leurs analyses
3.3.2. Relevé des points GPS
3.3.3. Relevé des biomasses
3.4. Traitement des images satellites
3.4.1. Définition des niveaux de classification
3.4.2. Interprétation visuelle
3.4.3. Prétraitement
3.4.4. Classification versus segmentation
3.4.4.1. Classification basée-pixel
3.4.4.2. Classification indiciaire
3.4.4.3. Classification basée-objet
3.5. Evaluation de la précision de la classification
3.6. Détection du changement .
3.7. Analyse de la dynamique
4. RESULTATS
4.1. Caractéristiques et typologie des communautés de mangroves de maintirano
4.1.1. Caractéristiques bioécologiques des mangroves de Maintirano
4.1.2. Classes de mangroves de Maintirano
4.1.3. Détermination et de différenciation des groupes de mangroves sur les images
4.2. Classification monodate et niveaux de classification
4.2.1. Niveau de classification NC0 : Isolement des zones de mangroves
4.2.2. Niveau de classification NC1 : Mise en relief des zones des mangroves
4.2.3. Niveau de classification NC2 et NC3 : Différenciation des communautés végétales
4.3. Dynamique des mangroves
4.3.1. Classification retenue pour l’analyse de la dynamique
4.3.2. Dynamique des côtes
4.4. Analyse des facteurs de la dynamique des mangroves
4.4.1. Valorisation locale des mangroves
4.4.1. Influence de la distance
5. DISCUSSIONS
5.1. Discussion sur la méthodologie
5.1.1. Incertitude liée à l’utilisation de l’image
5.1.2. Incertitude liée à l’interprétation des images
5.1.3. Influence des différents facteurs sur la réponse spectrale des mangroves
5.1.4. Récurrence du type de classification sur la répétition dans le temps
5.2. Discussions sur les résultats
5.2.1. Entre dénomination classes et spatialisation des mangroves
5.2.2. Estimation du couvert des mangroves à Maintirano
5.2.1. Scenario de référence et Système de Monitorage, Reportage et Vérification (MRV)
5.3. Discussions sur les hypothèses
5.4. Recommandations
5.4.1. Classification et modélisation des mangroves
5.4.2. Contribution à l’analyse du changement climatique
5.4.3. Approche de gestion de la mangrove
CONCLUSION
REFERENCES
ANNEXES
Télécharger le rapport complet
