Soutenance mémoire
Importance des réserves forestières pour les villageois périphériques
Une enquête réalisée en 1995 auprès des populations entourant les deux réserves, indique que les villageois reconnaissent l’importance des forêts. Cependant, la plupart semblent valoriser les avantages directs des ressources forestières (utilisations de consommation) que les avantages indirects (utilisations non consommatrices). Le classement par ordre d’importance des forêts par les villageois de Pugu et Kazimzumbwi montrent que le « facteur d’extraction » semble être plus important que le « facteur conservation ». En effet, les forêts sont des sources de bois de chauffage, du bois pour la construction et le charbon de bois et sont classés parmi les trois valeurs les plus importantes des forêts. En revanche, des aspects tels que « bassin versants » et « valeur de l’environnement » sont classés en dernières position respectivement. Les activités économiques dominantes menées dans et autour des deux réserves comprennent la fabrication de briques, la production de charbon de bois, l’exploitation forestière et l’agriculture. La production de charbon de bois est le facteur de pression le plus important des forêts réserves. Le charbon de bois est produit à des fins commerciales, en lien à la demande croissante des habitants urbains de la ville de Dar Es Salaam. Avant sa fermeture, l’usine de briques et de tuiles (située dans la Réserve de Pugu) dépendait de la forêt comme source de bois de chauffage, qui est utilisée dans le processus de gravure de briques pour les rendre plus solides. Il existait également des mines à ciel ouvert de kaolin dont les vestiges sont visibles au nord de la réserve forestière de Pugu (Photographie 4).
Rappel des principes fondamentaux de la télédétection
Grâce aux progrès technologiques liés à la télédétection au cours des dernières décennies, les données d’observation de la Terre par des capteurs embarqués à bord d’avions ou d’engins spatiaux sont de plus en plus diverses (suivi des ressources végétales, des précipitations, de l’atmosphère…) et disponibles rapidement (Toukiloglou, 2007 ; Dubreuil, 2010 ; Diwakar et al., 2013). Ces données issues de la télédétection sont le plus souvent d’abord accessibles sous forme d’images. L’interprétation d’une image satellite est principalement fondée sur l’hypothèse qu’il est possible de reconnaître un certain nombre d’éléments présents à la surface de la Terre à partir des valeurs de luminance de ces objets dans les différentes fenêtres du spectre électromagnétique (i.e. leur signature spectrale). Les données fournies par les satellites d’observation de la Terre sont surtout définies par trois principales caractéristiques (Caloz et Collet, 2001) :
• La résolution spatiale : c’est l’aptitude du capteur à distinguer deux objets rapprochés. Elle s’exprime en termes de taille du pixel. L’image possédant une résolution spatiale fine fournit une bonne fonctionnalité d’identification des objets de base. L’image possédant une résolution spatiale grossière apporte moins de fonctionnalité d’identification. Dans le domaine civil, quatre catégories de résolution se distinguent (Source : Centre canadien de télédétection) :
la basse résolution (> 100 m) ; capteur de MODIS
la moyenne résolution MR (80 m) ; capteur LANDSAT TM
la haute résolution HR (5 à 30 m) ; capteur SPOT
la très haute résolution spatiale THR (inférieure à 5 m) ; capteur Pléiades HR
• La résolution temporelle : correspond à la période entre deux acquisitions de la même scène.
En effet, le temps que prend un satellite pour effectuer un cycle orbital complet est généralement de quelques jours. Il faut donc quelques jours à un tel satellite pour qu’il puisse observer de nouveau exactement la même scène à partir du même point dans l’espace. La résolution temporelle absolue du système de télédétection est égale à cette période. Cette résolution ne dépend pas du capteur mais de l’orbite et du mode de manœuvre du satellite.
• La résolution spectrale : c’est la plus petite largeur de la bande spectrale enregistrée par le capteur. Strictement parlant, la « résolution » spectrale se réfère à la « largeur » d’une bande de fréquence spectrale utilisée pour générer une bande d’image. Il est plus utile de considérer le « nombre », la « position » et la « largeur » de toutes les bandes de fréquences spectrales comprises dans une image. Quatre régions spectrales se distinguent généralement
le visible (V) : 0,4 μm à 0,7 μm
le proche infrarouge (PIR) : 0,7 μm à 1,5 μm
le moyen infrarouge (MIR) : 1,5 μm à 3 μm
l’infrarouge lointain (FAR-IR) : 3 μm à 15 μm
Données d’estimation des pluies tropicales par satellite (TRMM)
La Tropical Rainfall Monitoring Mission (TRMM), est un projet entre la NASA et l’agence spatiale japonaise JAXA (Japan Aerospace Exploration Agency) dont l’objectif était de fournir des estimations de précipitations et d’émissions de chaleur latente à l’échelle tropicale, données particulièrement importantes pour la compréhension du climat terrestre. En effet, les tropiques sont couverts à 75% par les océans, les précipitations dans cette région ne peuvent être mesurées indirectement que par satellite (Simpson et al, 1996). L’imageur hyperfréquence (TMI) du satellite TRMM, qui mesure les pluies tropicales, est un capteur hyper spectral passif conçu pour fournir des données quantitatives sur la pluviosité recueillie dans un large couloir de fauchée. En mesurant soigneusement les quantités minimes d’énergie hyperfréquence émises par la Terre et son atmosphère, le TMI peut quantifier la vapeur d’eau, l’eau nuageuse et l’intensité des précipitations dans l’atmosphère. L’algorithme de traitement TRMM fourni les estimations de précipitations à une résolution de 0.25°*0.25° depuis l’espace (Huffman et al., 2007 ; Arvor et al., 2006). Les précipitations mondiales sont mesurées toutes les trois heures, et les accumulations totales et moyennes sont présentées sur une base quotidienne, hebdomadaire ou mensuelle (Huffman et al., 2007).
Création de séries temporelles de NDVI et de TRMM
Dans un premier temps les données (NDVI, TRMM), ont été téléchargées afin de constituer des séries temporelles. Les étapes sont décrites ci-dessous :
Les produits NDVI -MODIS sont téléchargés par dalle (Figure 16). Trois dalles par mois ont été nécessaires pour couvrir l’ensemble du pays. Pour accélérer le prétraitement, nous avons eu recours au logiciel R. Dans R, nous avons utilisé un package afin de mettre en place un script. Ainsi, dans un premier temps les données ont été archivées en utilisant la fonction « ModisDownload », ensuite la fonction « Reproject Tool » (MRT) a permis de faire des mosaïque des images téléchargées et reprojecter l’ensemble des images au système de coordonnées correspondant à la Tanzanie. Comme le format des images source en LP DAAC est HDF, cet outil permet également de les convertir en d’autres formats (Geotif dans notre cas). L’ensemble des images téléchargées constitue une base de données de 276 images NDVI MODIS (soit 23 images par an en raison de 2 images par mois). La compilation des images pour créer la série temporelle, puis l’extraction des contours de Tanzanie a été réalisé avec le logiciels Envi (avec outil layer stacking) et le logiciel Arcgis (avec l’outil découper).
Les images d’estimation de précipitation par satellites (TRMM) par contre, ont été directement téléchargées à partir de l’outil disponible sur le site de la NASA pour la même période (2001-2013). Les images sont téléchargées au format HDF, mensuellement sur toute la bande subtropicale en raison d’une image par mois, soit 144 images sur la période d’observation. L’extraction de la zone d’étude (Tanzanie), puis la création de la série temporelle ont été faites sur le logiciel Envi avec l’outil layer stacking. Les images ont ensuite été reprojetées dans le système de coordonnées adapté à la Tanzanie, c’est-à-dire WGS84, UTM 37 S.
Correction radiométrique
Les images sont acquises par différents capteurs et sous des conditions atmosphériques et géométriques différentes. Il apparaît donc important d’apporter des corrections atmosphériques avant toute utilisation afin d’enlever les effets perturbateurs de l’atmosphère qui résultent de deux processus : absorption et diffusion (exercées conjointement par les deux constituants majeurs de l’atmosphère, les gaz et les aérosols). Plusieurs scientifiques ont développé différents modèles qui permettent de corriger ces perturbations du signal reçu par le satellite, allant des méthodes simples basées sur des informations contenues dans l’image à l’exemple du Dark Object Soustraction (DOS) proposée par Song et al.,2001, a des méthodes plus complexes de transfert radiatifs comme SMAC (Rahman et Dedieu, 1994), 6S (Vermote et al., 1997a), MODTRAN (Berk et al., 1999), et ATCOR (Richter, 1996). Dans notre cas, nous avons utilisé la méthode 6S qui simule la réflectance au sol, Top Of Canopy (TOC), à partir de la réflectance au sommet de l’atmosphère Top Of Atmosphere (TOA), cette dernière étant dérivée du rayonnement mesuré par le capteur.
Facteurs et contraintes
L’approche EMC fait partie des techniques d’aide à la décision se basant sur l’hypothèse que plusieurs critères influencent l’objectif à atteindre (Paegelow, 2004) . Dans l’EMC les critères (variables environnement considérées potentiellement explicatives de l’état de la variable modélisée) se scindent en deux catégories :
Contrainte : un critère binaire. L’objectif, l’état de notre variable occupation du sol, est possible ou ne l’est pas. Rentrent dans la catégorie des contraintes toute décision booléenne du genre limites altitudinales ou des exclusivités du type : forêt impossible sur bâti. L’effet d’une contrainte est qu’elle masque une portion de l’espace. Celle-ci est exclue du traitement ultérieur.
Facteurs : il indique un degré d’aptitude pour l’objectif, c’est un degré de probabilité que l’état se réalise. Les critères se matérialisent sous forme d’images où chaque pixel exprime son degré de probabilité pour l’état considéré de la variable modélisée. Si cette dernière possède n états finis et discrets, nous aurons n images de probabilité pour le facteur considéré. Ces facteurs, en l’occurrence l’altitude, la pente, l’exposition, l’accessibilité , la proximité au même état, la probabilité de leur transition etc. sont exprimés dans les unités différentes (degré, indices,…) qu’il convient d’ajuster selon les diverses techniques : recodage manuel se basant sur les tests statistiques ou encore selon les fonctions d’appartenance par logique floue (Paegelow, 2004). Les facteurs ajustés sont ensuite pondérés selon leur degré d’influence par la technique de Saaty (1977). Une fois les facteurs ajustés, il faut les combiner. Cette étape est basée sur le choix d’un niveau de prise de risque et d’un niveau de compensation entre facteurs. Le niveau de prise de risque est approché par un continuum de logique floue (andness) dont les extrémités sont les opérateurs booléens classiques ET (intersection = minimum de risque) et OU (union = maximum de risque). Les possibilités de combinaison décrivent un espace de décision dans le sens de Eastman (1996, 2003)
|
Table des matières
INTRODUCTION
1.1 – Contexte, problématiques et objectifs
1.2 – Contexte environnemental en Tanzanie
1.2.1 – Situation géographique
1.2.2 – La topographie
1.2.3 – Cadre climatique
1.2.4 – Région agro-écologique de Tanzanie
1.2.5 – La végétation
1.3 – Contexte environnemental des réserves forestières au sud-est de Tanzanie : les réserves forestières de Pugu et Kazimzumbwi
1.3.1 – Pressions anthropiques à la périphérie des réserves forestières
1.3.2 – Evolution de la population
1.3.3 – Pression foncière
1.3.4 – Surexploitation du bois
1.3.5 – Pression sur les limites des réserves
1.3.6 – Importance des réserves forestières pour les villageois périphériques
CHAPITRE 1 – DONNEES ET METHODES ADOPTEES DANS L’ETUDE
1.1 – Les données satellites disponibles
1.1.1 – Rappel des principes fondamentaux de la télédétection
1.1.2 – Les données de végétation
1.1.2.1 – Indices de végétation
1.1.2.2 – Les données NDVI MODIS
1.1.3 – Les données climatiques
1.1.3.1 – Données d’estimation des pluies tropicales par satellite (TRMM)
1.1.4 – Les images hautes résolutions spatiales
1.1.4.1 – Données LANDSAT
1.1.4.2 – Données SPOT
1.2 – Autres données
1.2.1 – Données d’occupation du sol 2005 de Tanzanie (GLOBCOVER)
1.2.2 – Données pluviométriques issues des stations au sol
1.2.3 – Les données sur la localisation des villages autour des réserves forestières
1.2.4 – Les données de terrain GPS
1.3 – Méthodologie générale de l’étude
1.3.1 – Prétraitements des données NDVI MODIS et TRMM
1.3.1.1 – Création de séries temporelles de NDVI et de TRMM
1.3.2 – Traitements des images NDVI MODIS et TRMM
1.3.2.1 – L’analyse statistique de la dynamique spatio-temporelle (NDVI, Pluie) : somme, moyenne, coefficient de variation, classification ascendante hiérarchique (CAH)
1.3.2.2 – L’analyse statistique de la dynamique spatio-temporelle (NDVI, Pluie)
1.3.2.3 – Classification végétale par la méthode de la classification hiérarchique ascendante du NDVI MODIS (CAH)
1.3.2.4 – Caractéristique de la végétation : date de début, fin et longueur de saison végétative
1.3.2.5 – Les tests de corrélation et de significativité statistiques
1.3.2.6 – Analyses en Composante Principale des précipitations TRMM (ACP)
1.3.2.7 – Détermination des années sèches et humides : Indice de Nicholson
1.3.2.8 – Le coefficient de corrélation (r)
1.3.3 – Prétraitements des images LANDSAT et SPOT de l’étude
1.3.3.1 – Correction radiométrique
1.3.3.2 – Correction géométrique
1.3.4 – Traitements des images à haute et très haute résolution spatiale LANDSAT et SPOT
1.3.4.1 – La méthode de classification
1.3.5 – Modélisation des zones de pression anthropique par l’Evaluation Multicritères (EMC)
1.3.5.1 – Facteurs et contraintes
1.3.5.2 – La logique floue
1.3.6 – Modélisation prospective LCM
1.3.6.1 – Justification du choix du modèle LCM
1.3.6.2 – Réseau neuronal
1.3.6.3 – Chaîne de Markov
CHAPITRE 2 – ETUDE DES RELATIONS PLUIE ET COUVERT VEGETAL DE 2001 A 2013 A L’ECHELLE DES GRANDES ZONES BIOCLIMATIQUES DE LA TANZANIE A PARTIR DES IMAGES BASSE RESOLUTION SPATIALE NDVIMODIS ET TRMM
Introduction
2.1 – Analyse spatio-temporelle des précipitations à l’échelle de la Tanzanie à partir des images basse résolution spatiale NDVI MODIS et TRMM sur la période 2001-2013
2.1.1 – Validation des données d’estimation de pluie par satellite (TRMM)
2.1.2 – Spatialisation des précipitations à l’échelle de la Tanzanie sur la période 2001-2013
2.1.3 – Variabilité saisonnière des précipitations en Tanzanie
2.1.4 – Variation annuelle des précipitations en Tanzanie entre 2001 et 2013
2.1.5 – Evolution de l’indice de sécheresse entre 2001 et 2013 en Tanzanie
2.1.6 – Analyse de la variabilité des régimes pluviométriques en Tanzanie
2.2 – Variabilité de l’activité végétale en Tanzanie
2.2.1 – Analyse spatio-temporelle de la végétation en Tanzanie
2.2.1.1 – Spatialisation de l’activité végétale sur la période 2001-2013 à partir des données NDVI MODIS
2.2.1.2 – Variabilité interannuelle du NDVI sur la période d’étude
2.2.1.3 – Variation saisonnière de l’activité végétale
2.2.1.4 – Suivi du contraste saisonnier végétal
2.2.2 – Cartographie des classes de NDVI et détermination des profils saisonniers
2.2.3 – Détection des ruptures dans les profils des classes de végétation et caractérisation des saisons végétatives
2.2.3.1 – Tendance des classes de NDVI
2.2.3.2 – Caractéristiques de la saison végétative : date de début, date de fin et longueur de la saison végétative
2.2.3.3 – Analyse des cycles saisonniers de NDVI
2.3 – Relation pluie-NDVI
2.3.1.1 – Corrélation entre classes de NDVI et précipitation
2.3.1.2 – Corrélation pluie-NDVI par pixel
2.4 – Conclusion du chapitre 2
CHAPITRE 3 – MODIFICATION DE LA COUVERTURE VEGETALE EN RELATION AVEC LES ACTIVITES HUMAINES A L’ECHELLE LOCALE : RESERVES FORESTIERES DE PUGU ET KAZIMZUMBWI
Introduction
3.1 – Données et méthodes d’analyse des modifications dans la couverture forestières des réserves de Pugu et Kazimzumbwi
3.1.1 – Les données utilisées
3.1.2 – Typologie des principales formations végétales dans les réserves forestières Pugu et Kazimzumbwi et dans leur périphérie
3.1.3 – Démarche générale du traitement des images satellitaires utilisées dans l’étude
3.1.3.1 – Prétraitements des images LANDSAT
3.1.3.2 – Traitement des images SPOT et LANDSAT
3.2 – Résultat du traitement des images SPOT 6 et LANDSAT
3.2.1 – Analyses des résultats des traitements des images satellitaires SPOT et LANDSAT
3.2.1.1 – Etat de l’occupation du sol dans les réserves forestières de Pugu et Kazimzumbwi et de leurs périphéries à partir de l’image SPOT 6 de juillet 2015
3.2.1.2 – Evolution de l’occupation du sol entre 1995 et 2014
3.3 – Localisation spatiale des zones à pressions anthropiques à la périphérie des réserves forestières de Pugu et Kazimzumbwi par une analyse multicritères
3.3.1.1 – Analyses multicritères (AMC) et modélisation des pressions humaines autour des réserves forestières
3.3.1.2 – Identification des facteurs et contraintes
3.3.1.3 – Évaluation multicritère et pondération
3.3.2 – Résultat de l’analyse multicritères
3.4 – Conclusion du chapitre 3
CHAPITRE 4 – MODELISATION PROSPECTIVE DE L’OCCUPATION DU SOL A L’ECHEANCE 2050
Introduction
4.1 – Land Change Modeler (LCM)
4.1.1 – Méthodologie
4.1.2 – Facteurs explicatifs des changements observés
4.1.3 – Validation
4.2 – Résultat de la modélisation prospective
4.2.1 – Analyse de la relation entre les variables explicatives et la carte des changements 1995-2014
4.2.1.1 – Transition potentielle
4.2.1.2 – Validation du modèle
4.2.2 – Carte d’occupation du sol prédite en 2016
4.2.2.1 – Analyse de l’indice Kappa entre l’occupation du sol simulée et observée en 2016
4.2.2.2 – Analyse de la matrice prédiction du modèle
4.2.3 – Evolution future de l’occupation du sol en 2050
4.2.3.1 – Présentation du scénario 2050
4.2.4 – Discussion
4.3 – Conclusion du chapitre 4
CONCLUSION GENERALE ET PERSPECTIVES
Synthèse des analyses menées
Perspectives de recherche
BIBLIOGRAPHIE
Télécharger le rapport complet
