L’usage des images satellites pour la végétation

Télécharger le fichier pdf d’un mémoire de fin d’études

L’usage des images satellites pour la végétation

La signature spectrale de la végétation

En ce qui concerne la végétation saine, la chlorophylle absorbe l’énergie d’une longueur d’onde d’environ 0,45µm (bleu) et à 0,67µm (rouge) et a une réflexion plus importante à environ 0,55µm (vert) dans la gamme spectrale visible. C’est pourquoi nous percevons la végétation saine comme étant de couleur verte. Généralement, les bandes spectrales du rouge (0,6-0,7µm) et du proche infrarouge (0,7-1.5µm) sont les plus couramment utilisées pour étudier l’activité photosynthétique et chlorophyllienne de la végétation, leur densité, le rendement des cultures et la répartition spatiale des espèces (Xie et al., 2008).
La réponse spectrale de la végétation est caractérisée par une faible réflectance dans la bande rouge (pic d’absorption de la chlorophylle), et une réflectance beaucoup plus élevée dans le proche infrarouge. Le domaine du moyen infrarouge (1,5-3µm) permet, quant à lui, d’estimer les teneurs en eau des milieux. Ainsi, il est très utilisé pour cartographier les couverts végétaux en état de stress hydrique. Toutefois, le stade phénologique, la densité et l’état hydrique de la végétation et le mode de gestion, ainsi que le sol sous–jacent influencent la réponse spectrale des couverts végétaux (Girard & Girard, 1999). Si la plante est sensible à un risque de maladie ou est menacée par un insecte, la concentration en chlorophylle de la feuille diminuera et conduira à moins d’absorption dans les bandes bleue et rouge. La feuille devient alors jaune en raison de l’augmentation de la réflectance rouge et bleue. Ainsi, plus la couverture végétale est dense, plus les valeurs de réflectance sont élevées dans le proche infrarouge et faible dans le rouge. L’évolution de la couverture végétale durant la saison végétative peut donc être étudiée en utilisant ces bandes spectrales (Figure 6).

Les données fournies par les images

Les données utilisées varient selon le ou les objectif(s) à atteindre mais aussi selon les caractéristiques du site d’étude (étendue du site et taille des parcelles).
Des études proposent des produits pour étudier la dynamique de la végétation et caractériser les propriétés phénologiques des plantes en utilisant des images de télédétection à haute et très haute résolution spatiale telles que les images Landsat (Madonsela et al., 2007), SPOT5 (Zammit, 2008) ou Ikonos (Anchang, 2016). La taille du pixel se situe entre 30 m et 4 m. L’intérêt de l’utilisation de la haute et très haute résolution spatiale se trouve dans la précision de la délimitation des surfaces oasiennes. Mais les résultats dépendent étroitement de la disponibilité et de la date d’acquisition des images.
L’exploitation d’une image acquise au cours d’une même année permet d’identifier les oasis sur des surfaces de quelques centaines de km2. Le traitement de séries temporelles composées d’une à trois images par an sur quelques années permet quant à elles, de déterminer l’évolution inter–annuelle des oasis en précisant leur durée et leur place dans les successions culturales et leur taux de recouvrement. Cependant, les informations dérivées de ces images ne sont pas très précises en raison du trop faible nombre d’image utilisé pour étudier correctement la caractérisation et l’évolution de la végétation d’une année à l’autre. La répétitivité limitée des capteurs enregistrant des images à haute résolution spatiale couplée à la fréquence de la couverture nuageuse constitue une limite forte non seulement pour identifier les oasis, mais aussi a fortiori pour détecter les pratiques agricoles qui y sont effectuées (Rapinel et al., 2014).
Plusieurs études menées avec des séries temporelles d’images provenant de capteurs à moyenne résolution, tels que MODIS, SPOT–Vegetation ou AVHRR ont montré l’intérêt et les limites de ce type de données pour l’étude de la végétation (Fan et al., 2018 ; Testa et al., 2018 ; Shao et al., 2016 ; Peng et al., 2017). D’une part, de telles images couvrent de larges superficies ce qui permet de réaliser des inventaires à l’échelle d’un pays, voire d’un continent (De Beurs & Henebry, 2010), les images de télédétection à moyenne et basse résolution spatiale (la taille du pixel varie entre 50 m et 8 km) peuvent fournir une information satisfaisante sur les surfaces oasiennes. Elles sont disponibles sur d’assez longues séries temporelles. Elles sont acquises à une fréquence journalière mais sont généralement utilisées sous la forme de synthèses hebdomadaires (Chuvieco et al., 2008)
Plus rarement, les images hyperspectrales et les images multispectrales à très haute résolution spatiale sont utilisées pour étudier la végétation sur de longues périodes temporelles. Ainsi, des études ont montré l’intérêt des données LiDAR (Light Detection And Ranging) pour étudier et caractériser la structure de la végétation (Rapinel, 2012), ces données permettant, grâce à leur très forte résolution spectrale souvent combinée à une très bonne résolution spatiale, de discriminer des espèces végétales et de décrire finement l’état des couverts végétaux (Lausch et al., 2013). Les données acquises plus récemment par des capteurs à très haute résolution spatiale tels que GEOEYE ou World View devraient permettre d’identifier et de caractériser finement l’état du couvert végétal (Rapinel et al., 2014). Cependant, qu’il s’agisse des données hyperspectrales et/ou à très haute résolution spatiale, ces données présentent deux inconvénients : elles couvrent des surfaces réduites (quelques dizaines de km2) et leur coût est très élevé, ce qui limite leur fréquence d’acquisition. Ainsi, il n’est pas envisageable d’exploiter ces données pour inventorier les oasis et les pratiques qui leurs sont associées sur des étendues dont la taille est compatible avec la gestion des territoires agricoles à une échelle d’un pays tout entier.
Plusieurs critères sont à prendre en compte pour choisir le type d’images satellitaires adapté à la caractérisation de la dynamique de végétation dans les oasis. Si on admet que la moyenne résolution spatiale correspond à une résolution intermédiaire entre la haute résolution (définie par un pixel de taille inférieure ou égale à 30 m et supérieure à 5 m) et la basse résolution (définie par un pixel de taille supérieure ou égale à 1 km), le capteur MODIS est l’un des deux seuls capteurs avec MERIS permettant de disposer de données dans cette classe de résolution spatiale (Lecerf, 2008).
A l’échelle globale, la littérature montre que le suivi de la croissance végétale se fait à partir de capteurs tels que MODIS, embarqué à bord du satellite Terra, grâce à la haute fréquence temporelle de ces images à moyenne résolution spatiale (Doraiswamy et al., 2004 ; Hountondji et al., 2006 ; Carrão et al., 2008). A l’échelle régionale, avec des images à haute résolution spatiale comme Landsat (30 m), on peut également suivre des zones de culture en utilisant des séries temporelles durant la saison de croissance des plantes (Ippoliti-Ramilo et al., 2003 ; Lowry et al., 2007). Enfin, avec des images comme celles acquises par des satellites tels que SPOT5 (Figure 7), il est possible d’élaborer un suivi très fin, à l’échelle de la parcelle (El Hajj et al., 2009) avec une répétitivité décadaire à mensuelle mais les coûts engendrés sont rarement compatibles avec les budgets civils.

Le suivi de la végétation par télédétection

Les changements dans la végétation ont été surveillés à l’aide de diverses données (Fan et al., 2018). Les images satellitaires donnent la possibilité de mesurer et de surveiller de manière systématique à différentes échelles spatiale et temporelle l’état de couverts végétaux (Beuchle et al., 2015). Parmi les différentes informations que l’on peut extraire des images satellitaires, les indices de végétation, construits par combinaison des valeurs de réflectance dans les longueurs d’ondes liées aux caractéristiques spectrales de la végétation, sont les plus utilisés (Jacquin, 2010). L’analyse des variations spatiales et temporelles de différents indices de végétation permet de caractériser les dynamiques des couverts végétaux (Anyamba & Tucker, 2005). L’imagerie satellite à moyenne et basse résolutions spatiales est utilisée de manière régulière depuis bientôt une trentaine d’années pour étudier la biosphère terrestre sur de vastes étendues. A l’échelle de la planète, les satellites « grand champ » permettent de suivre les variations saisonnières et annuelles des couverts végétaux. L’arrivée des nouvelles images de télédétection à haute résolution et très haute résolution spatiale permettent la perception d’une nouvelle gamme d’objets au sol non observables jusqu’à maintenant.
La dynamique de la végétation
Les successions dynamiques de la végétation constituent un des mécanismes naturels majeurs de l’évolution de la couverture végétale. L’étude du dynamisme de la végétation est particulièrement importante pour comprendre les possibles évolutions. La végétation, perturbée par l’action de l’homme, les incendies, ou par les catastrophes telles que : éboulements, volcanisme, etc., se transforme pour chercher un état d’équilibre avec les conditions de l’environnement. Elle passe alors par des étapes successives qui constituent une série de végétation (Saïdi, 1984).
Les changements significatifs traduisant une modification de l’activité d’un couvert végétal et/ou une modification de sa structure ont permis de définir des classes de changement auxquelles des dynamiques de végétation peuvent être associées quelle que soit l’intensité des perturbations. Lorsque l’on s’intéresse à la caractérisation des dynamiques de végétation pour suivre l’état actuel des oasis, les changements recherchés peuvent être de deux natures différentes :
1) des changements lents dans l’activité végétale du type de végétation étudiée (modification dans le niveau de biomasse verte produite) ;
2) des changements lents dans la structure du couvert végétal (modification du taux de recouvrement d’une strate de végétation, modification dans la composition des espèces) (Jacquin, 2010).
Parmi les techniques d’analyse de changement, deux approches se distinguent (Kennedy et al., 2009) : La comparaison de deux ou plusieurs images basée sur deux phases, une dite de « modélisation » (algorithmes permettant d’exploiter la dimension spectrale des images) et une dite de « soustraction » (algorithmes pour comparer des dates), et l’autre d’exploitation d’une série temporelle d’images basée sur l’identification de signatures temporelles.
Les principales limites qu’ils mentionnent sont la nature des changements mis en évidence qui concernent uniquement des conversions de type de végétation et l’écart entre les pas de temps considérés pour caractériser l’état et la dynamique de la végétation dans les oasis. D’après la synthèse proposée par Kennedy et al. (2009), les méthodes basées sur l’analyse de série d’images satellitaires à haute répétitivité temporelle (NOAAAVHRR, SPOT-VEGETATION, TERRA-MODIS, ENVISAT-MERIS) constituent une meilleure source d’information pour la dynamique de la végétation. Le principe repose sur le suivi des variations intra- et interannuelles d’indices de végétation (Bai et al., 2005 ; Zhang et al., 2003).

Les variables dérivées des images optiques pour le suivi des oasis

Les oasis peuvent être étudiées à travers l’utilisation de paramètres dérivés des images de télédétection, le plus souvent par le calcul des indices de végétation à partir des mesures directes de réflectance (Figure 8).

Les indices de végétation

Au cours des dernières décennies, de nombreux indices de végétation ont été développés. Les indices de végétation sont principalement basés sur le comportement spectral de la végétation dans les canaux du Rouge (R) et du Proche InfraRouge (PIR) (Viña et al., 2011). Ils prennent la forme soit d’expressions mathématiques très basiques (simple différence ou simple ratio), soit de formules beaucoup plus complexes. Ainsi, certains de ces indices de végétations permettent d’évaluer certains paramètres physiques du couvert comme la biomasse, la capacité de photosynthèse des végétaux, la teneur en eau, et à travers eux des processus plus globaux comme la désertification et le suivi de la dynamique de la végétation. D’autres indices, eux, ont été développés pour étudier la structure de la canopée. Il peut s’agir d’indices de végétation bruts ou normalisés.
L’un des plus utilisés est le Normalized Difference Vegetation Index (NDVI). Il a été créé par Rouse (1973), puis repris à de nombreuses reprises. Il s’agit de l’indice le plus couramment utilisé dans la recherche environnementale (Ren et al., 2018). L’indice NDVI permet de suivre l’activité chlorophyllienne des végétaux, par le biais de la réflectance dans le rouge et dans le proche infrarouge. Concrètement, il est calculé de la manière suivante : NDVI = (PIR – R) / (PIR + R)
Où PIR est la réflectance dans le proche infrarouge, et R celle dans le rouge.
De manière générale, l’évolution temporelle du NDVI est très liée aux variations atmosphériques comme la variation en aérosols et en nuages. Puisque, l’influence des aérosols, dont la présence est en partie due à la combustion de biomasse, et des nuages limitent fortement l’interprétation des observations réalisées par les satellites. Par ailleurs, cet indice souffre de limitations dues à la saturation aux hauts niveaux de biomasse.
Le NDVI, prenant des valeurs entre -1 et 1, (Martín-Sotoca et al., 2018) a tendance à saturer pour des valeurs supérieures à 0,80. En fait, lorsque le milieu forestier devient de plus en plus dense, les valeurs de réflectance dans le rouge ne peuvent plus s’abaisser au-dessous d’une certaine limite, rapidement approchée, pendant que celles du proche infrarouge continuent à s’élever plus longtemps. Il en résulte donc une saturation aux environs de la valeur 0,80. A partir de cette valeur, on considère que le NDVI n’est plus en mesure de discriminer de façon convenable l’activité chlorophyllienne.

L’analyse d’une image

Le but de l’analyse d’une image est de fournir une description quantitative de celle-ci ou une reconnaissance de forme, utile si les caractéristiques morphologiques de l’image sont liées aux propriétés de l’objet. L’étude de la dynamique du couvert végétal est axée sur la bonne représentation des principales unités de végétation sur une image. Cette représentation dite « classification » est utilisée pour la production de cartes thématiques où elle offre une analyse plus détaillée de l’image : l’information télédétectée, désignée par « carte thématique » est obtenue et sera évaluée à partir d’un espace multidimensionnel représentatif de l’image par rapport à la réalité de terrain. La classification peut être effectuée sur un ou plusieurs canaux d’une image pour séparer les divers éléments d’une image en fonction de leurs caractéristiques de rétrodiffusion ou de signature spectrale (Abdelbaki, 2012). Il y a deux approches de classification en télédétection : l’une est supervisée en se basant sur des méthodes thématiques, et l’autre est non supervisée, basée sur des logiciels incluant des algorithmes spécifiques pour la classification (Abbassi, 2009).

La classification non supervisée

C’est classer des données d’image numérique, où les individus sont les pixels, par traitement informatique basé uniquement sur les statistiques d’image sans recours à des échantillons d’entrainement. Cette classification produit un regroupement naturel des pixels de l’image que l’on nomme « regroupement spectral » ou « classe », les régions de l’image ayant une même signature spectrale ont un type d’utilisation du sol similaire. L’analyse doit ensuite déterminer l’identité de ces regroupements spectraux. Les principaux algorithmes de classification non dirigée sont : le regroupement par moyennes-K (K-means), le regroupement par ISODATA (Girard & Girard, 1999).

La classification supervisée

L’analyse du changement est une comparaison spatiale, spectrale, thématique et temporelle de deux ou plusieurs images satellites prises à des dates différentes, ou d’une image satellite et une carte numérique, ou de deux ou plus couvertures des terres de la même zone géographique produites à partir des données de télédétection qui sont prises à des moments différents (Li et al., 2002). D’après Singh (1989), la définition de la détection des changements est le processus d’identification et quantification des différences temporelles dans l’état d’un objet ou d’un phénomène existant sur la surface de la Terre en l’observant à des dates différentes ayant pour but de repérer, de mettre en évidence et enfin, de comprendre son évolution temporelle.
Il y avait des points communs entre les méthodes de détection des changements étudiées dans plusieurs travaux (Hall & Hay, 2003 ; Feranec et al., 2007 ; Nussbaum & Niemeyer , 2007 ; Niemeyer et al., 2008 ; Jianya et al., 2008), une grande variété de méthodes numériques et de techniques de détection des changements a été développée au cours de ces trois dernières décennies. Fondamentalement les méthodes de détection de changement sont regroupées au niveau de la notion appliquée à l’analyse d’image en trois catégories principales:
(1) Au niveau des pixels, elle se réfère à des valeurs numériques de chaque bande spectrale ou à des calculs entre deux bandes spectrales d’images, par exemple la différence d’images, le rapport d’images, l’Analyse Vectorielle des Changements (CVA), etc. ;
(2) Au niveau des primitives (forme, texture, etc.), elle consiste à transformer les propriétés spectrales ou spatiales d’images, par exemple la différence d’indices de végétation NDVI, la ACP, etc. ;
(3) Au niveau des objets, le niveau le plus haut pour le traitement d’image est par exemple la comparaison de post-classification, la classification multi-temporelle, la classification orientée objet, etc. (Matikainen et al., 2004 ; Blaschke, 2005 ; Niemeyer et al., 2008 ; Wang et al., 2009). Ce troisième niveau (niveau des objets) est le plus important et intéressant à développer parce qu’il regroupe les trois points de vue (géométrique, topologique, attributaire ou sémantique) d’un objet géographique dans les SIG.

L’analyse d’une série temporelle d’images

La classification de séries temporelles de données de télédétection

Des séries temporelles de variables issues de données de télédétection acquises par des capteurs à haute répétitivité temporelle comme MODIS ou Sentinel2 peuvent être utilisées pour identifier et caractériser les systèmes oasiens. Cela nécessite, d’une part, de sélectionner les variables les plus pertinentes parmi l’ensemble de celles qu’il est possible de dériver des images de télédétection (indices de végétation, humidité de sol, etc.) et d’autre part, d’effectuer une classification des profils temporels de ces variables.
Les profils temporels
Les profils temporels varient selon la localisation du site d’étude (hémisphère nord vs hémisphère sud) et les conditions climatiques (altitude, proximité à la mer…).
L’étude de la dynamique du cycle végétatif des oasis est basée sur l’analyse des variations des profils temporels intra et interannuelles de NDVI, mesurées à partir d’une série temporelle d’images MODIS ou Sentinel2. Nous faisons l’hypothèse qu’à partir des profils temporels du NDVI des parcelles étudiées, on peut élaborer une typologie des oasis en fonction de leurs caractéristiques propres (diversité des espèces cultivées, organisation spatiale des plantations et des parcelles, âge, systèmes et tours d’irrigations…).
Les oasis sont caractérisées par une grande diversité de profils temporels selon la localisation et le type de l’oasis et selon l’état de la végétation et le mode d’irrigation réalisés.
Analyse de la séparabilité entre les classes
Dans le domaine de la télédétection, la distance euclidienne, la distance de Mahalanobis, la distance M-statistic, la divergence, la divergence transformée, la distance de Jeffries-Matusita et la distance de Bhattacharyya sont les plus couramment utilisées pour mesurer la séparabilité entre classes (Richards, 2012).
Dans le cadre des séries temporelles, la distance euclidienne qui est une distance géométrique, calcule la séparabilité entre deux classes en comparant les différences date par date des valeurs des variables (valeurs moyennes des classes) alors que les autres mesures s’appuient aussi sur les distributions des valeurs, permettant par exemple de prendre en compte la variance.
Certaines de ces méthodes calculent la séparabilité entre deux classes en utilisant plusieurs variables à la fois, tandis que d’autres méthodes (la distance euclidienne, la distance de Mahalanobis, la distance M-statistic) calculent la séparabilité entre deux classes d’une seule variable.
Certaines de ces mesures (la distance euclidienne, la distance de Mahalanobis, la distance M-statistic, la divergence et la distance de Bhattacharyya) ne possèdent pas de bornes minimum et maximum : l’indice de séparabilité augmente tant que la distance entre la moyenne des classes progresse même quand le seuil de 100% de séparabilité est atteint. Au contraire, la divergence transformée et la distance de Jeffries-Matusita possèdent des bornes minimum et maximum. Par contre, il a été montré que ces deux dernières mesures ont tendance à maximiser les valeurs de distance quand la séparabilité est faible et à les minimiser quand la séparabilité est forte (Thomas et al., 1987). Ainsi, le choix de la méthode est en fonction du jeu de données considéré.
La distance euclidienne sera utilisée pour comparer des données univariées (un seul paramètre à comparer) alors que la divergence transformée, plus simple à calculer que la distance de Jeffries–Matusita, sera utilisée pour comparer des données multivariées (plusieurs paramètres à comparer).

Le suivi de la végétation dans les systèmes oasiens par télédétection

L’observation de la Terre par télédétection produit des données, qui souvent prennent la forme d’images, à partir desquelles il est possible d’extraire des informations décrivant l’état des surfaces terrestres. Les paramètres et les variables dérivés de ces images sont utilisés pour identifier et caractériser les oasis. Elles proviennent essentiellement d’un seul type de capteur encore appelé radiomètre qui fonctionne dans le domaine optique : visible, proche et moyen-infrarouge (Li et al., 2017).

Le site d’étude : La région du Djérid

La région de Djérid ou encore le Bled Djérid (pays des palmes) est une région du Bas Sahara, au Sud-Ouest de la Tunisie, comprenant un ensemble d’oasis situées sur la bordure nord-ouest du Chott du même nom, la plus grande des sebkhas du Maghreb. Au Moyen Age, la région est appelée “pays de Qastîliya” dont la richesse a été vantée par de nombreux géographes arabes. Selon les auteurs, le terme de Qastîliya se réduit à la seule oasis de Tozeur qui en est le chef-lieu ou le plus souvent à l’ensemble des oasis du Djérid (Nefta, Tozeur, El Oudiane, El Hamma), mais elle peut aussi englober, comme le “Bled el Djérid” lui-même — le Nefzaoua et Gafsa ou quelquefois même la région de Gabès (CNEA, 1976b).

Le cadre géographique

Couvrant une superficie totale de 6911 km², soit 3,6 % de la superficie de la Tunisie, la région d’étude est située dans le Sud-Ouest de la Tunisie, entre les latitudes 33°30′-34°30’N et les longitudes 7°30′-8°30’E (Figure 9). Cette région est limitée par la frontière algérienne jusqu’au la chaine montagneuse du Nord de chott dans la partie Ouest et rejoint au nord — Est la chaine Metlaoui-Gafsa et au Sud la plaine de Nefzaoua (Kébili) qui est une partie du grand Erg oriental saharien.
Le Djérid est caractérisé par deux vastes dépressions dites Chott el Gharsa et Chott Djérid. De plus cette région est bénéficiée par des oasis continentales occupant les deux flancs nord et sud de l’anticlinal de Draa Djérid (CNEA, 1976).
Administrativement, le Djérid correspond au territoire du gouvernorat de Tozeur et entouré au Nord-Est par le gouvernorat de Gafsa, à l’Ouest par la frontière algérienne, au Sud Est par les gouvernorats de Tataouine et de Médenine et à l’Est par le gouvernorat de Kébili (Tarki et al, 2012).

La série temporelle d’images SPOT5 (Take5)

Les données et les outils

L’intérêt de l’utilisation de séries temporelles d’images d’observation de la terre réside dans le suivi de l’évolution des surfaces terrestres à différentes échelles temporelles et spatiales. L’objectif des méthodes d’analyse du changement applicable aux séries temporelles d’images satellitaires est principalement d’étudier les variations saisonnières de la couverture végétale à un pas de temps donné (Zhang et al., 2016). Dans cet objectif, les méthodes de détection de changements sont fréquemment appliquées à des séries temporelles d’indicateurs biophysiques plutôt que de simples réflectances, à la fois parce que les séries temporelles sont largement répandues sous cette forme mais également afin de simplifier l’information spectrale à une seule dimension. Les indicateurs biophysiques utilisés sur les surfaces terrestres sont fréquemment des indices de végétation. L’objectif de ces méthodes consiste pour l’essentiel à identifier et quantifier les changements des couverts végétaux, et de mieux caractériser les types de couvertures végétales (Adami et al., 2018).

Les images satellites de l’expérience SPOT5 (Take5)

Une série d’images optiques acquises en 2015 a été utilisée pour identifier et caractériser les oasis (Annexe 1). Ces images, qui ont des résolutions spatiales de 10 m, apparaissent bien adaptées aux paysages agricoles dont la superficie moyenne des parcelles est inférieure à 2 ha.
Take5 est une expérimentation réalisée sur le satellite d’observation de la Terre SPOT5 en fin de vie avant son arrêt d’activité. Cette mission avec la plateforme SPOT5, à savoir SPOT5 (Take5), a été réalisée par le Centre national d’études spatiales (CNES) avec le soutien financier de l’Agence spatiale européenne (ESA). SPOT5 (Take5) a produit des données tous les cinq jours à une résolution spatiale de 10 m et sur une période appropriée pour la surveillance des cultures d’été dans les zones tempérées pendant la période d’étude (avril à septembre 2015) pour l’hémisphère nord ; ces données comprenaient quatre bandes spectrales (XS1 : Vert, XS2 : Rouge, XS3 : Proche infrarouge (PIR) et XS4 : Moyen infrarouge (MIR)) converties en réflectance « Top of canopy », c’est-à-dire corrigée des effets atmosphériques sur les radiations. SPOT5 (Take5) a été une expérience internationale dont les objectifs étaient entre autres de reconnaître les différents types de végétation, d’évaluer l’état des forêts, d’estimer la consommation d’eau pour les cultures, ou encore d’observer la fonte des glaciers.
Dans sa phase de désorbitation réalisée dans le but d’augmenter sa répétitivité, SPOT5 a atteint sa nouvelle orbite le 2 avril 2015, et le CNES a mis en route la mission SPOT5 (Take5) à partir du 8 avril pour six mois. Pendant cette période, l’expérience Take5 a fourni des images tous les cinq jours, 31 images d’avril à septembre 2015, sur 150 sites sélectionnés à travers le monde après un appel international pour des sites expérimentaux. Les sites d’intérêt sélectionnés par le CNES incluaient différentes cibles (océan, surfaces continentales, atmosphère, glace, végétation), et la région du Djérid a donc été sélectionnée parmi ces sites. Les jeux de données SPOT5 (Take5) sur les 150 sites sont disponibles en ligne en libre accès (https://www.spot-take5.org/client/#/products/SPOT5 ).
Cette expérience a été menée en prévision des lancements des futurs satellites Sentinel2, A et B, respectivement lancé en juin 2015 et mars 2017, dont les capteurs ont des caractéristiques proches de celles de SPOT5, surtout cette répétitivité de 5 jours.
Les données ont été corrigées des effets atmosphériques, des effets d’environnement et avec une correction supplémentaire qui prend en compte les effets des pentes.
La sélection de la région du Djérid, centrée sur les villes de Nefta et de Tozeur, comme site pilote pour l’expérience SPOT5 (Take5) nous permet d’analyser les signatures spatio-temporelles des oasis à partir d’images de réflectances de surface avec une bonne résolution spatiale (10m), et une bonne répétitivité (5 jours), mais seulement sur une période de l’année (avril-septembre), soient 31 images au total. Les valeurs de NDVI moyen ont été calculées pour chaque date et extraites pour les 38 périmètres irrigués couverts par l’image SPOT5. Des statistiques descriptives (histogramme, boîte à moustache) ont été calculées pour chacun des périmètres irrigués. Cinq images de la série ne sont pas utilisées à cause de la présence trop importante des nuages sur ces images.
Dans notre étude, nous nous sommes essentiellement concentrés sur des images SPOT5 (Take5) pour plusieurs raisons :
• Gratuité et libre accès aux données SPOT5 qui sont normalement payantes ;
• Une image tous les 5 jours) ;
• La résolution de ces images (10 m) était particulièrement adaptée à l’étude de la dynamique de la végétation dans les oasis et du parcellaire agricole (un pixel couvre 100 m² de surface) ;
• Une seule image permet de couvrir quasiment la totalité de l’espace oasien de Djérid. En effet, les scènes SPOT5 (Take5) couvrent des surfaces de 60 km de côté entre le parc national Dghoumes-Tozeur et la région Nefta.
La première étape a donc été de créer un compte sur le site ‘’spot-take5.org/client/#/products/SPOT5?site=NeftaTozeurTunisia’’ qui permet ensuite de rechercher et de télécharger les images voulues. Une fois ce compte créé, il est nécessaire comme on le voit ci-dessous (Figure 14) de trouver la zone souhaitée (Nefta-Tozeur). Une fois la liste des images de la zone d’étude trouvées, il faut les mettre dans le panier puis les valider afin de pouvoir les télécharger (Annexe 2).

Les observations de terrain propres à ce travail

Parallèlement à l’acquisition des images satellites, des campagnes de terrain ont été réalisées sur le terrain afin de valider les résultats obtenus. Cinquante enquêtes de terrain ont été effectuées entre 2016 et 2018 auprès des agriculteurs exploitants afin de compléter les connaissances acquises sur le site d’étude (Annexe 4). Pour chaque parcelle enquêtée, plusieurs informations sont systématiquement collectées : coordonnées géographiques du point central de la parcelle par GPS, identifiant des photos prises, caractéristiques topographiques de la parcelle (valeur de pente, altitude, exposition), caractéristiques du sol (couleur, texture, signe de dégradation), qualité de l’eau y compris la salinité, nombre de puits, mode d’irrigation et type d’utilisation du sol. Ensuite, des données spécifiques sont récoltées selon qu’il s’agisse de relevés sur la végétation (estimation du recouvrement et de la hauteur moyenne des strates végétales et du sol nu, espèces dominantes en recouvrement dans chaque strate, état moyen de sénescence du végétal). Ainsi, ces enquêtes permettent d’évaluer la diversité des pratiques agricoles réalisées dans les oasis du Djérid. La figure Figure 15 montre la localisation des relevés utilisés dans ce travail pendant les campagnes de terrain.
Les relevés d’occupation et d’utilisation des sols regroupent aussi plusieurs types d’information recueillis mensuellement sur des parcelles sélectionnées:
– La hauteur moyenne de la végétation ;
– Le type de l’oasis ;
– Le type d’occupation du sol ;
– Le stade phénologique ;
– La pratique agricole ;
– L’état de surface ;
– La période de production des feuilles ;
– L’irrigation ;
– La période pendant laquelle le palmier consomme le plus d’eau.

La méthodologie : indice de végétation, statistiques descriptives et classification

Le calcul du NDVI

Dans notre démarche, la première étape est de caractériser l’état de la végétation de chaque parcelle par un indice unique qui combine, en tout point de l’image, les valeurs de réflectance de différentes longueurs d’onde. Il existe un grand nombre d’indices construits pour diverses applications : la plupart combinent les valeurs de réflectance mesurées dans le proche infrarouge (PIR) et dans le rouge (R). Le plus largement utilisé pour suivre la végétation est le Normalized Difference Vegetation Index (NDVI), ou indice de végétation normalisé, (Rouse et al., 1974 ; Tucker 1979).
Le NDVI illustre la différence entre ces deux bandes : NDVI = (PIR-R) / (PIR+R).
Ainsi, il est sensible à la densité et à l’état de la végétation, et en théorie il est compris entre -1 et +1 : plus la végétation sera dense, plus les valeurs de NDVI seront élevées et proches de 1.
Cet indice, dont la robustesse est démontrée, est fortement corrélé à des paramètres biophysiques de la végétation. Il peut être considéré comme étant un bon indicateur de l’activité chlorophyllienne et donc de la vigueur de la végétation. Sensible aux variations spatiales et temporelles il est adapté pour le suivi de la dynamique de la végétation (Huete et al., 2002).
Pour un végétal subissant un stress hydrique ou sénescent, la mesure du NDVI est plus faible que pour un végétal en pleine activité photosynthétique. Des variations anormales de NDVI peuvent être liées à une perturbation environnementale ayant entraîné un déficit foliaire ou un dessèchement du feuillage (Cheret et al., 2011).
Des applications ont montré son intérêt pour la caractérisation de l’état de la végétation, la détection des dommages dus à la sécheresse ou encore la cartographie de la défoliation des arbres, l’évaluation du dépérissement forestier, dans le cas où ces phénomènes entraînent une modification brutale et importante de l’activité photosynthétique (Deshayes et al., 2006 ; Solberg et al., 2007).

La classification hiérarchique ascendante des courbes de NDVI moyen par périmètre irrigué

Le résultat d’une classification hiérarchique n’est pas une partition de l’ensemble des individus. C’est une hiérarchie de classes telle que :
– Toute classe est non vide ;
– Tout individu appartient à une (et même plusieurs) classes ;
– Deux classes distinctes sont disjointes, ou vérifient une relation d’inclusion (l’une d’elle est incluse dans l’autre) ;
– Toute classe est la réunion des classes qui sont incluses dans elle.
Pour un niveau de précision donné, deux individus peuvent être confondus dans un même groupe, alors qu’à un niveau de précision plus élevé, ils seront distingués et appartiendront à deux sous-groupes différents. L’avantage de cette méthode est qu’elle n’est soumise à aucune initialisation particulière de paramètre(s) ce qui la rend déterministe, et en outre, que le nombre de classe n’a pas à être fixé a priori. Cependant, ce type de méthode impose le calcul de la matrice des distances de tous les points d’observation avec tous les autres, et cette masse de calcul est beaucoup trop importante compte tenu du temps que nous voulons consacrer à cette étape. Parmi les méthodes non-supervisées les plus utilisées, citons la classification ascendante hiérarchique (CAH) (Wu et al., 2013).
La classification ascendante hiérarchique
La CAH permet de construire une hiérarchie entière des objets sous la forme d’un « arbre » dans un ordre ascendant. On commence en considérant chaque individu comme une classe et on essaye de fusionner deux ou plusieurs classes appropriées, selon une similarité, pour former une nouvelle classe (Martelet et al., 2006). Cette technique regroupe un ensemble d’objets en classes ou en grappes, de sorte que les objets d’une même grappe présentent une grande similarité par rapport aux autres grappes, mais sont différents des objets des autres grappes (Abdellaoui, 2014).
Une CAH a été appliquée à l’aide du logiciel R project aux valeurs moyennes de NDVI calculées pour chaque date pour les 38 périmètres irrigués. Les différents groupes retenus au final ont été cartographiés et interprétés en fonction des connaissances des experts. Les pixels les plus similaires ont été regroupés progressivement en classes formant un arbre hiérarchique appelé «dendrogramme» ; ce processus a été répété jusqu’à ce que tous les individus soient regroupés en une seule classe. Le dendrogramme est une expression utile des résultats de classification, car les critères de forme de l’arbre peuvent être appliqués pour expliquer la carte classée résultante, l’arbre que l’on peut couper à différents niveaux pour obtenir un nombre des classes plus ou moins grand, les nœuds de l’arbre issus d’un même parent formant un groupe homogène. Les relations entre classes sont caractérisées par la longueur des branches (distance intra-classe) et la distance entre elles (distance interclasse).
Différentes mesures de la distance interclasses peuvent être utilisées : la distance euclidienne, la distance inférieure qui favorise la création de classes de faible inertie, ou la distance supérieure qui favorise la création de classes d’inertie plus importante, etc.
Le cas de la classification ascendante hiérarchique : à partir des éléments qui composent la population, on forme des petites classes ne comprenant que des individus très semblables, puis à partir de celle-ci, on construit des classes de moins en moins homogènes, jusqu’à obtenir la classe tout entière.
La méthode laisse à l’utilisateur le choix du critère : le critère d’agrégation retenu pour notre travail est basé sur le Ward, qui ne s’applique que si on est muni d’un espace euclidien. Ce critère aisé à mettre en œuvre lorsque la classification est effectuée après une analyse factorielle, constitue une excellente méthode de classification ascendante hiérarchique. En effet, il est basé sur la réunion des 2 classes qui minimise l’augmentation de l’inertie intra-classes (Boubou, 2007 ; Ward, 1963). Dans cette étude, nous avons suivi plusieurs règles lors du choix des algorithmes de clustering. Premièrement, il devrait produire des objets ordonnés pour un affichage plus informatif des données. Deuxièmement, il devrait permettre que les grappes plus grandes contiennent des grappes plus petites, ce qui est utile pour l’analyse. Troisièmement, il devrait déterminer la similarité entre les différentes grappes. Pour ces raisons, nous avons utilisé la méthode CAH. Cela nous a permis de regrouper des échantillons individuels (pixels) en fonction de leur ressemblance. Il est également facile à mettre en œuvre et donne des meilleurs résultats dans de nombreux cas et affiche clairement le processus de regroupement. Ainsi, nous avons choisi des nombres de grappes basés sur notre connaissance du terrain.
L’analyse exploratoire de la classification CAH et le dendrogramme résultant ont permis d’identifier sept groupes (Figure 22 et Figure 23). Le regroupement était basé sur la tendance de l’activité chlorophyllienne moyenne de la série temporelle de NDVI. Ces groupes ont ensuite été cartographiés pour montrer la distribution spatiale des différents groupements des séries temporelles de NDVI.

Table des matières

Chapitre 1 : Contexte et état de l’art
1. Éléments de contexte
1.1. Les problématiques et les enjeux de l’étude des oasis
1.2. L’oasis et le système oasien
1.3. Les composantes principales des oasis
1.3.1. Les oasis dans le monde
1.3.2. Les oasis en Tunisie
1.3.2.1. Le palmier dattier
1.3.2.2. La typologie des oasis en Tunisie
1.3.2.3. Les rôles et les fonctions des oasis
1.3.2.4. Les menaces qui pèsent sur la durabilité des oasis
1.3.2.5. La stratégie de développement durable suivie pour les oasis tunisiennes
2. Etat de l’art : télédétection et végétation
2.1.1. La télédétection
2.1.1.1. La télédétection passive et la télédétection active
2.1.1.2. Les données acquises dans le domaine optique
2.2. L’usage des images satellites pour la végétation
2.2.1. La signature spectrale de la végétation
2.2.1.1. Les données fournies par les images
2.2.2. Le suivi de la végétation par télédétection
2.2.3. Les variables dérivées des images optiques pour le suivi des oasis
2.2.3.1. Les indices de végétation
2.2.4. L’analyse d’une image
2.2.4.1. La classification non supervisée
2.2.4.2. La classification supervisée
2.2.5. L’analyse d’une série temporelle d’images
2.2.5.1. La classification de séries temporelles de données de télédétection
2.2.5.2. Les méthodes de détection des changements
2.3. Le suivi de la végétation dans les systèmes oasiens par télédétection
3.1. Le cadre géographique
3.2. Le cadre géologique
3.3. Les caractéristiques climatiques
3.3.1. La température
3.3.2. Les précipitations
3.3.4. L’insolation
3.3.5. Les vents
3.4. Les ressources en eaux souterraines
3.5. La végétation
3.6. Les caractéristiques pédologiques
4. Synthèse et conclusion du premier chapitre
Chapitre 2 : Exploitation de séries temporelles d’images satellite à haute résolution spatiale pour la caractérisation des oasis sur une courte période
1. Introduction
2. La série temporelle d’images SPOT5 (Take5)
2.1. Les données et les outils
2.1.1. Les images satellites de l’expérience SPOT5 (Take5)
2.1.2. Les données SIG
2.1.3. Les observations de terrain propres à ce travail
2.1.4. Les logiciels utilisés
3. Le suivi mensuel de la végétation par périmètre irrigué
3.1. La méthodologie : indice de végétation, statistiques descriptives et classification
3.1.1. Le calcul du NDVI
3.1.2. Les boîtes à moustaches
3.1.3. La classification hiérarchique ascendante des courbes de NDVI moyen par périmètre irrigué
4. Résultats et discussion
4.1. Les profils temporels de NDVI des périmètres irrigués
4.1.1. Les groupes de périmètres obtenus par CAH
4.1.2. Les profils temporels des 7 groupes
4.2. La cartographie des dynamiques de végétation des oasis
Chapitre 3 : Exploitation de séries temporelles d’images satellites à moyenne résolution spatiale pour la caractérisation des oasis sur une longue période
1. Introduction
1.1. Détermination des paramètres traduisant la dynamique de végétation des oasis
2. La série temporelle des produits MOD13Q1-NDVI
2.1. Le produit MOD13Q1-NDVI
2.2. Les données de référence
3. Le suivi pluriannuel de la végétation à partir de sites individuels
3.1. La méthodologie : décomposition temporelle des séries MOD13Q1-NDVI
3.1.1. Repérer les stades phénologiques clés
3.1.2. La courbe de tendance du NDVI issue d’une décomposition temporelle
3.1.3. Les apports du produit MOD13Q1-NDVI pour le suivi pluriannuel des oasis
3.2. Résultats et discussion
3.2.1. La classification ascendante hiérarchique des courbes de tendances
3.2.2. Une proposition de graphiques de référence pour un suivi pluriannuel
3.2.3. Discussion
4. Le suivi pluriannuel de la végétation par des cartes de synthèse
4.1. La méthodologie : cartographie de synthèse pluriannuelle des NDVI des oasis
4.1.1. La cartographie comparative classique de la végétation des oasis
4.1.2. La cartographie de synthèse testée pour une série temporelle d’images
4.1.2.1. La mise en forme des données MODIS
4.1.2.2. Le calcul des moyennes annuelles et de la moyenne pluriannuelle sur la période 2000 2016
4.1.2.3. La carte de synthèse obtenue par classification non supervisée Kmeans de la série des moyennes annuelles de NDVI
4.1.2.4. La cartographie des anomalies annuelles de NDVI pour la période 2000-2016 1504.2. Résultats et discussion
4.2.1. Les tendances du couvert végétal à partir des séries de moyennes annuelles
4.2.2. Les dynamiques du couvert végétal à partir des anomalies annuelles
5. Synthèse et conclusion du troisième chapitre
Conclusion Générale
Bibliographie

Télécharger le rapport complet