Soutenance mémoire
Télécharger le fichier pdf d’un mémoire de fin d’études
Les données utilisées, matériels et logiciels :
L’information satellitaire et la désagrégation des pixels
Sur le terrain, nous avons utilisé un appareil photographique pour illustre les unités de végétation, les zones d’érosion, les rizières flottantes sur les lacs. Avec un GPS (Global Positioning System) pour localiser la position des différents points d’échantillonnage et des points marquants. La mission sur le terrain a exigé l’utilisation de documents cartographiques. Pour cela nous avons utilisés la carte extraite de la BD 500 produit par FTM en 2004.
L’utilisation de données satellitaires dans le domaine solaire permet d’estimer des variables caractéristiques de la végétation, en s’appuyant sur des indices de végétation qui exploitent la différence de comportement de la végétation dans les divers domaines spectraux. Le principe de ces indices est basé sur la réflectance différentielle des tissus végétaux verts dans le domaine solaire. En effet, les feuilles vertes réfléchissent une faible proportion du rayonnement incident dans la bande rouge et une forte proportion dans la bande proche infrarouge (Guyot 1990). Différents indices, basés sur des rapports entre réflectance dans différents canaux, ont été proposés. Parmi eux, le NDVI (Normalized Difference Vegetation Index) a été l’un des plus utilisés pour estimer diverses propriétés biophysiques liées directement à la productivité primaire et à la biomasse (Tucker et al, 1985)
Où R = réflectance dans la bande Rouge et IR = réflectance dans la bande du proche Infrarouge. NDVI = (IR-R)/ (IR+R)
Ce type d’information peut permettre le suivi spatial et temporel de la biomasse d’une manière non destructive, et donc constituer un moyen simple et économique de collecte de données au niveau régional. Les indices spectraux sont généralement corrélés à des caractéristiques biophysiques et agronomiques des couverts végétaux.
Le capteur : caractéristique et produits :
Les images utilisées sont celles de Landsat ETM+ pour l’année 2000 correspondent la bibliothèque d’images qui ont été déjà utilisée pour l’exercice 1990 – 2000 de la conservation internationale. Pour les images 2005, a cause du problème du senseur du Landsat 7, nous avons du utilisé les images Landsat 5 TM qui sont disponible à la station de réception de la Satellite Application Center (CSIR) en Afrique du Sud.
Ce capteur est consacré à trois objectifs spécifiques de notre étude : la cartographie de certaines variables biophysiques à la surface de la terre, le suivi de la production, suivi et la modélisation du fonctionnement de la biosphère continentale. Les caractéristiques techniques les plus importants sont décrites dans le (tableau 1)
La principale contrainte pour le choix de l’image a été la couverture nuageuse sur les scènes. Les données issues de ces imageries satellitaires ont été complétées par des mesures GPS et des observations sur le terrain.
A part la zone d’étude et ces données satellitaires, nous avons utilisé les logiciels de traitements d’images satellitaires et de système d’information géographique. Ces logiciels sont : IDRISI ANDES 15, ENVI 4, MAP INFO 8 et ARCVIEWS 3.2.
METHODOLOGIE :
Méthodologie de vérification de l’hypothèse 1 :
Principes méthodologiques :
L’hypothèse de départ est : la formation des marécages aménageables en rizières est liée aux paramètres bios- physiques du milieu c’est à dire les paramètres du milieu (sol, végétation, pluviométrie, pratique anti- érosive : figure 5) provoque des pertes en terres qui se dépose sur les lacs en aval du bassin.
L’intégration de ces facteurs biophysiques sur le système d’information géographique permet de vérifiée l’hypothèse par utilisation du principe de régression multiple.
• Sols ;
• Végétation ;
• Pluviométrie ;
• Pratique anti-érosive
Intégration des facteurs biophysiques sur SIG :
Calcul d’érosion nette
L’hétérogénéité est une caractéristique inhérente au monde dans lequel on vit et elle s’observe à tous les niveaux d’organisation depuis l’échelle moléculaire jusqu’à l’échelle du globe. Son existence même conditionne le fonctionnement des systèmes vivants. Elle peut être spatiale ou temporelle. Ce qui limite la détermination classique sur site expérimental de la perte en terre. Dans ce travail, l’hétérogénéité spatiale est étudiée. Elle constitue un sujet d’étude dans diverses disciplines telles que : l’écologie (distribution spatiale d’une population végétale), l’hydrologie (structure spatiale d’un bassin versant), les sciences environnementales (distribution d’un polluant dans l’eau), la géologie (propagation d’une onde sismique). Le but de la vérification de l’hypothèse 1 est d’appréhender ce concept dans son ensemble, pour le définir dans le cadre de notre étude. Après le traitement numérique des images de télédétection pour chaque date de prise de vue, les pertes de sol ont été estimées par le module RUSLE d’IDRISI ANDES (Figure 6). Ce module calcule non seulement les pertes en sol pour chaque pixel de la grille mais groupe également les pixels dans des polygones homogènes basés sur les critères de pente et d’orientation et longueur de pente qui peuvent être réglés par l’utilisateur.
Ces évaluations statiques des pertes de sol ont été ensuite utilisées dans un algorithme de déposition (Sédimentation) qui modélise le mouvement de ces pertes en sol vers l’exutoire. L’équation universelle de pertes en sol de Wischmeier et Smith permet de démontrer la relation entre les facteurs bio- physiques du milieu et l’érosion. C’est une fonction multiplicative des cinq facteurs qui contrôlent l’érosion hydrique :
• agressivité climatique,
• érodibilité des sols,
• inclinaison et longueur de pente,
• occupation des sols,
• pratiques anti- érosives.
Le modèle empirique RUSLE réunit les facteurs ayant une incidence sur l’importance de l’érosion et se présente comme suit : A=R.K.LS.C.P
Où :
A = taux de perte en sol (t/ha/an),
R = érosivité de pluie,
K = érodabilité du sol,
LS = facteur topographique intégrant la pente et la longueur de pente,
C = facteur de protection du sol par la couverture végétale et
P = facteur exprimant la protection du sol par les pratiques agricoles.
A. Agressivité des précipitations (R) :
L’estimation du facteur R selon la formule de Wischmeier nécessite la connaissance des énergies cinétiques et de l’intensité moyenne sur 30 minutes des gouttes de pluie de chaque averse. Or les seules donner disponibles concernant les précipitations qui se trouvent dans la zone d’étude ou à sa proximité concrètement sont des moyennes mensuelles et annuelles. Pour cela nous avons recours sur la formule des certains auteurs (Kalman 1967, Arnoldus 1980) dont les alternatives qui n’implique que les précipitations mensuelles et annuelles pour déterminer le facteur R. log R = 1,74. log ∑ (pi /p) + 1,29
Erodibilité des sols (K) :
Le facteur d’érodibilité des sols est le taux d’érosion déterminé expérimentalement sous de condition standard. La répétition des expérimentations sur différents types de sols a permis à Wischmeier de développer une équation pour le calcul de l’érodibilité des sols : 100 K = 2,1 M1,14. 10-4 . (12 – a) + 3,25 (b – 2) + 2,5 (c – 3)
Où M est calculé par la formule :
M = (% sable fin + limon). (100 – % Argile)
a : est le pourcentage de matière organique,
b : est le code de la perméabilité
c : est le code de la structure.
Pour la détermination de K sur la zone d’étude, les bases de données de l’analyse du sol du programme Bassin Versant Périmètre Irrigué sont utilisées.
Facteur topographique (LS) :
Le facteur topographique (LS) est calculé à partir d’inclinaison de pentes et de leur longueur par la formule deWischmeier : LS= (L/ 22,13)m. (0,065 + 0,045. S + 0,065. S2)
Où
L : est la longueur de pente en m et
S est l’inclinaison de la pente en %
m est un paramètre tel que m = 0, 5, si la pente est inférieur à 5 %, m = 0,4 sil a pente est de 3,5à4%.
Les données topographiques ont été intégrées sur le SIG par digitalisation des courbes de niveau. Le SIG permet la transformation de ces données en modèle numérique d’altitude (MNA). L’utilisation de la fonction SLOP d’IDRISI ANDES permet de calculer et de sortir la carte de facteur topographique.
Occupation des sols :
L’utilisation des images traitées par la méthode ci- dessous facilite la cartographie de la végétation. Cette méthode permet de caractériser les différentes plages de niveau de gris ou de couleur des images, dont la qualité visuelle est améliorée par étalement linéaire. Les six images sont utilisées. Dans ces images la bande d’absorption des pigments chlorophylliens et rehaussé en niveaux de gris présente la végétation dense en sombre. Celle- ci est combiné avec l’image de NDVI traduit l’activité photosynthétique du couvert végétal à l’instant de la mesure. Ce NDVI se calcule de la façon suivante : NDVI = (PIR – R)/ (PIR+R)
PIR : est la réflectance dans le proche infrarouge et R celle dans le rouge. Cette fonction est sous IDRISI ANDES, est il suffit de sortir l’image et la valeur de NDVI entre (1990 -2005). La démarche d’introduction de cette équation sur IDRISI est schématisée par le schéma ci-dessous.
Caractérisation des formations végétales et mission sur terrain :
La caractérisation des formations végétales est basée sur un travail bibliographique et sur un relevé par GPS sur terrain (fiche annexe). Nous admettons qu’un an et quatre mois après enregistrement des images, les transformations de la couverture et des paysages sont peu importantes. Les relevés ont été réalisés le mois d’octobre, novembre. C’est une période intermédiaire de saison sèche et humide qui est très proche de la phénologie de la végétation présente sur les images LANDSAT ; La méthode utilisée comprend les étapes suivantes :
• L’identification des parcelles homogènes sur les compositions colorées de l’image et leur localisation sur le terrain ;
• La description des différentes strates, c’est-à-dire leur continuité ou leur discontinuité, leur hauteur relative ;
• Identification des espèces végétales (nom vernaculaire).
Traitement numérique des images de télédétection :
Création de la base de données de la zone d’étude :
La base de données a été crée sous ACESS dont l’objectif est de gérer les informations collectées sur le terrain en vue de constituer l’échantillonnage de référence. Ces informations concernent les classes de végétation ; les autres classes présentes dans le référentiel telles le Bâti, l’eau, …L’information collectée sur terrain concerne :
• la localisation du point ou de la surface échantillonnée à l’aide d’un GPS qui délivre les coordonnées géographiques (longitude et latitude) du point ou du centre de la parcelle, identifié par le numéro GPS,
• le numéro de la mesure GPS qui nous permet de retrouver rapidement toutes les caractéristiques de ce point,
• la nature de l’occupation du sol, le numéro de classe associé, catégorie de la parcelle, stades de développement végétatifs, structure de la végétation (verticale et horizontale), hauteur,
• et autres détails susceptibles d’améliorer leur description pour un meilleur lien avec les données de la télédétection.
L’utilisation de la base de données consiste en :
• saisie des données sur le terrain par renseignement de la base à l’aide d’une fenêtre de saisie unique, le formulaire de relevé lié aux différentes tables et leur localisation grâce au GPS,
• cartographie des relevés de terrain grâce au lien (base de données ACESS-Information géographique Arc-views).
Le logiciel convertit les coordonnées géographiques (longitude, latitude) en coordonnées cartographiques (Lambert II, système de projection choisi pour le géoréférencement des scènes LAND SAT) et en coordonnées pixels (colonne, ligne). Il positionne alors les points GPS sur l’image segmentée de la zone d’étude qui contient les contours de régions (segments). Il leur affecte un numéro de classe approprié. La segmentation de l’image a été effectuée sur toutes les bandes.
Préparation des données :
Les images brutes 2005 reçues de CSIR ont fait l’objet d’une importation vers le logiciel IDRISI ANDES 15. L’extension Imagine a été transformé sous extension manipulable sous IDRISI. Les images Landsat 5 TM comporte 7 bandes pour la région d’Itasy. Nous n’avons utilisé que les bandes 1,2, 3, 4, 5, 7. La bande TM 6 n’a pas été prise en compte car la résolution est différente des autres bandes, et l’apport à la distinction de la végétation est minime. Toutes les images 2005 ont été co-registrées avec les images 2000 avec des erreurs inférieures à un pixel (28,5 m x 28,5 m). Les images 2000 et 2005 ont été ensuite combinées pour former une composite multidate de 12 bandes.
Dans ce cadre de préparation des données, on vise l’amélioration de l’image. La couverture végétale, les sols nus, les cours d’eau sont les informations qui nous intéressent en particulier. Les travaux ont été effectués toujours avec le logiciel IDRISI ANDES 15. La préparation des images satellitaires inclut la démarche de géoréférence. On a crée de nouveaux canaux par le calcul des indices de brillance, de végétation et de rougeur et la transformation en composantes principales des images TM. Pour combiner la richesse spectrale et spatiale de ce deux types d’images, on a procédé à une fusion de chacun des canaux multibandes ayant une résolution de 30 m x30 m avec le canal panchromatique offrant une résolution de 15 m x15 m. La fusion a été effectuée par la méthode IHS (Intensité, teinte et saturation) à l’aide de la fonction COLSPASE d’IDRISI ANDES. Il s’agit du réechantillonnage des bandes originales de l’image multispectrale pour qu’elles possèdent la même taille que la bande panchromatique par duplication de pixels en ligne et en colonne a été choisie pour ne pas modifier l’information spectrale des images originales. On a procédé ensuite à la transformation de l’espace des couleurs RGB (Red, Green, Blue) dans l’espace IHS des images TM rééchantillonnées précédemment. Puis, on a procédé à la spécification de l’histogramme de l’image panchromatique à celui de l’image composante Intensité. Ensuite, on a remplacé le canal Intensité par l’image panchromatique spécifiée obtenue et appliquée la transformation inverse : IHS vers RGB (RVB).
Réalisation de compositions colorées :
Les compositions colorées ont été produites à l’aide de la fonction COMPOSIT d’IDRISI ANDES 15. Elles ont été rehaussées avec la technique d’égalisation de l’histogramme.
Interprétation visuelle des images :
L’identification des zones d’érosion sur les images satellitaires a été basée sur la carte d’occupation des sols crée avec la BD 500 de FTM en 2004. Elle a servi ainsi de réalité de terrain dans l’interprétation visuelle des images. Cette identification s’est aussi fondée sur les valeurs radiométriques des données de l’image et sur différents paramètres propres à la technique de photo-interprétation à savoir : la texture et la structure de l’image, la localisation et l’environnement des zones d’assèchement.
Apprentissage :
L’apprentissage a pour but de fournier les échantillons et la taxonomie pour initialiser la classification. Les parcelles d’entraînement ont été délimitées suivant leur homogénéité locale apparente. Leur taille et petite, de l’ordre de 30 pixels en moyenne car les images présentent des unités peu étendues et hétérogènes. Le choix des zones d’entraînement a été effectué en fonction des plages de couleurs homogènes des observations effectuées sur le terrain et de l’interprétation visuelle de la composition colorée. On a sélectionné au moins quatre parcelles par classe. L’apprentissage est réalisé par la fonction MAKESIG d’IDRISI ANDES 15. Cette dernière a permis de créer en outre les fichiers des signatures spectrales de chaque classe thématique définie. Ainsi on a pu connaître les valeurs radiométriques des parcelles d’érosion.
Classification :
La classification consiste à affecter à une classe thématique les pixels qui appartiennent à une classe spectrale définie par les parcelles d’entraînement. C’est une étape qui nécessite le choix d’un algorithme de classification le mieux adapté aux données traitées. La classification est dirigée. Elle a été lancée à l’aide de la fonction MAXLIKE de l’IDRISI ANDES. Elle utilise l’algorithme du maximum de vraisemblance basé sur des fichiers de signatures spectrales. On considère que toutes les classes ont une probabilité a priori identique. Les pixels sont attribués à la classe à laquelle ils ont la plus grande probabilité d’appartenir. MAXLIKE a aussi la possibilité de rejeter un certain nombre de pixels dont la possibilité d’appartenance à une classe est très faible. Cette proportion de pixels peut être définie à l’aide de la loi de Pearson ki 2. Ainsi, afin de différencier les deux classes d’érosion dans le cadre de bassin versant
Randrianarison (2001) a choisi les valeurs de seuil :
• Ki 2 = 3% correspondant à une probabilité P = 0,9 et
• Ki 2 = 4 % correspondant à une probabilité P = 0,85
De ce fait, tous les pixels dont la probabilité d’appartenance à une classe est inférieure à 0,9 et 0,85 respectivement ont été rejetés.
Evaluation de la classification :
L’évaluation de la classification a été réalisée par l’analyse de la matrice de confusion. Celle-ci montre des confusions légères entre les classes d’objet : culture et pseudo- steppe, forêt et culture. Parmi les 234 pixels classés dans la classe pseudo-steppe par exemple, 36 inclus dans la classe forêt, 27 dans celle de sol nu. Des parcelles d’érosion sont incluses dans la classe végétation parce qu’elles n’apparaissent plus comme des sols nus à partir du moment où elles colonisées par la végétation.
Intégration des données dans un SIG :
Un SIG (Système d’Information Géographique) est défini comme un système informatisé d’acquisition de gestion, d’analyse et de représentation de données à référence spatiale. Un tel système est formé de plusieurs sous- systèmes liés à une base de données géographiques (BDG) dont la méthode d’élaboration est expliquée ci- dessus et leur caractère spatial et thématique. La génération et la gestion de la BDG se sont fondées sur deux méthodes d’approche :
• Construction d’une base de données au format ARCVIEW des couches numérisées, en mode objet dans une structure vectorielle, il s’agit des couches constitués et numérisées à partir de la carte topographique ainsi que les éléments de photo-interprétation ; ce sont les couches des limites du bassin versant de la zone, de la végétation, des villages et des routes, la couche des éléments géologiques.
• Construction d’une base de données en mode image au format IDRISI par importation des couches ARCVIEW et conversion en mode image.
Production du modèle numérique d’altitude :
Cette étude est divisée en deux sous- étapes :
• le modèle numérique d’altitude (MNA) a été produit à l’aide du logiciel IDRISI ANDES 15 ; les courbes de niveau de la carte topographique ont été ainsi numérisées sur écran avec une résolution de 80 pixels/cm ; la régionalisation a été réalisée par la méthode d’interpolation basée sur un réseau de triangle, suivie d’un lissage ;
• on a ensuite généré diverses couches dérivées du MNA, telles que les pentes et leur orientation évaluées en degré ; elles ont permis de produire des indices topographiques qui seront utilisés pour caractériser les zones érodées du point de vue géomorphologique.
Méthodologie de vérification de l’hypothèse 2 :
La compréhension en termes monétaires des valeurs des ressources environnementales et naturelles pour l’utilisation des ressources étant très importante, le renforcement des capacités et des expériences en matière d’évaluation monétaire s’avère indispensable. Ce renforcement va aider les décideurs à formuler des décisions judicieuses sur l’utilisation de la ressource naturelle en tenant compte des desiderata paysannes pour avoir une stratégie durable de gestion de ressource naturelle.
Pour cela nous avons avancé l’hypothèse 2 ci- dessous : l’aménagement des dépôts sur lacs en rizières est lié à la forte productivité de travail d’aménager le marécage en champ de culture par rapport à d’autres terroirs et la pêche.
|
Table des matières
INTRODUCTION
I. MATERIELS:
1.1. LES ZONES D’ETUDE
1.1.1. Les régions lacustres
1.1.2. Critères de choix des zones d’étude
1.1.3. Les fenêtres d’extraction des données satellitaires
1.2. LES DONNEES UTILISEES, MATERIELS ET LOGICIELS
1.2.1. L’information satellitaire et la désagrégation des pixels
1.2.2. Le capteur
II. METHODOLOGIE
2.1. METHODOLOGIE DE VERIFICATION DE L’HYPOTHESE 1
2.1.1. Principes méthodologiques
2.1.2. Intégration des facteurs biophysiques sur SIG
2.1.3. Caractérisation des formations végétales et mission sur terrain
2.1.4. Traitement numérique des images de télédétection
2.2. METHODOLOGIE DE VERIFICATION DE L’HYPOTHESE 2
2.2.1. Principe méthodologique
2.2.2. L’approche par changement de productivité
2.2.3. Spécification des variables
2.2.4. Estimation du modèle
2.2.5. Evaluation monétaire de la perte et de gain d’érosion
2.2.6. Collecte des données socio-économiques
2.2.7. Limites de travail
III. RESULTATS
3.1. TRAITEMENT NUMERIQUE DES IMAGES
3.1.1. LES COORDONNEES GEOGRAPHIQUES DE GRAND LAC ITASY
3.1.2. Description des unités thématiques utilisées dans la cartographie de paysage
3.1.3. Cartographie des paysages:
3.2. CARACTERISTIQUE BIO- PHYSIQUES DU MILIEU
3.2.1. Carte pluviosité, la fraction végétation, coefficient d’efficacité pluviale
3.2.2. Granulométrique
3.3. EVALUATION DE LA PERTE EN TERRE ET SEDIMENTATION
3.3.1. Répartition dans l’espace des zones d’érosion
3.3.2. Variabilité de la valeur de la perte en terre et de la sédimentation
3.3.3. VALIDATION MODELE
3.4. RESULTATS D’ANALYSE ECONOMIQUE D’EROSION
3.4.1. Caractéristique socio- démographiques des ménages
3.4.2. Questions qualitatives sur l’érosion
3.4.3. La riziculture de submersion et la riziculture flottante sur lacs
3.4.4. Caractérisation des variables
3.4.5. Régression de la production agricole
3.4.6. Evaluation monétaire de la perte et du gain
IV. DISCUSSIONS ET RECOMMANDATIONS
4.1. APPORT DE LA TELEDETECTION ET DU SIG SUR L’ETUDE D’EROSION
4.1.1. Comment peut- on définir le nombre de classes d’érosion ?
4.1.2. Comment estimer la robustesse du modèle ?
4.1.3. Comment passer de connaissances locales à une connaissance globale nécessaire
4.1.3. Relation avec les travaux antérieurs
4.1.4. Vérification de l’hypothèse 1
4.2. APPORT DE MODELE ECONOMIQUE
4.2.1. La nécessité de couplage avec le modèle économique
4.2.2. Vérification de l’hypothèse 2
4.3. RECOMMANDATIONS D’ACTION
4.3.1. Options pour une Agriculture Durable et Rentable sur Tanety
4.3.2. Options de Mis en Valeur Durable des Terres Communautaires et protection des lacs
CONCLUSION
BIBLIOGRAPHIE
Télécharger le rapport complet
