Utilisation des outils de la géomatique sur l'étude de la dynamique des terres salées dans la commune de Gandon des années 1970 à 2024

? La classification

La classification des images est faite selon la classification supervisée, c'est-à-dire celle basée sur la reconnaissance des différents pixels qui se trouvent dans l'image et classer selon les unités. Elles s'agissent l'eau, les terres salées, la végétation et les terres cultivables. La classification consiste tout simplement à assigner un de ces 4 unités à chacun des pixels de l'image. Apres avoir ajouter des `ROI' et d'échantillons pour chacune des 4 thèmes, l'extension Maximum Likelihood Classification est utilisée pour classifier les échantillons de pixels numérisés. La sélection de ces informations est fondée sur une connaissance du milieu grâce à un déplacement sur le terrain octobre 2024, le grilles d'identification des unité (Tabl.9) et les données d'occupation du sol du CSE sur la site https://www.geosenegal.gouv.sn/-base-de-donnees-geographiques-.html(Carte3).

Echantillon Eau

Figure 16 : Méthode de la classification supervisée

? Validation de la classification

La validation des résultats obtenus par la classification supervisée s'est faite par détermination des matrices de confusion et du calcul des coefficients Kappa.

La matrice de confusion doit présenter un tableau croisé des classes réalisées (y compris des pixels non classés) et le pourcentage effectif des pixels bien, mal classés ou non classés. Chaque colonne de la matrice représente le nombre d'occurrences d'une classe estimée, tandis que chaque ligne représente le nombre d'occurrences d'une classe réelle (ou de référence). Dans l'idéal nous devons trouver une diagonale de 100%, c'est-à-dire que tous les pixels doivent être effectivement classés dans leur thème d'origineet uniquement. En dessous de 95 %, nous estimons que la classification n'est pas bonne.

- L'indice de Kappa évalue dans la matrice de confusion l'accord entre les résultats obtenus et la vérité surterrain. Il s'étend de 0 à 1 et se divise en cinq catégories : Excellent quand sa valeur = 0,81 ; bon compris entre 0,80 = Kappa = 0,61 ; modéré entre 0,60 et 0,21 ; mauvais comprise entre 0,20 et 0,0 et très mauvais <à 0,0 (Tchibozo E. A. et Toundoh O. P., 2014 in Faye B., 2017).

Figure 17 : Valeurs del'Indice de Kappa et Matrice de confusion de Landsat 8

La figure 17 révèle une excellente classification car l'Indice de kappa est supérieur 81, tous les pixels sont classés et la précision globale est de 88,45%.

? La cartographie et la statistique des unités d'occupation du sol

Après la classification, nous avons importé les images classifiées dans le logiciel ArcGis 10.8 pour faire le traitement et dans Qgis 3.2 pour l'habillage des cartes. Pour ce faire, les données sont reclassifiées et converties en format Shape à l'aide de `Raster to polygon' de l'extension Spatial Analyst qui se trouve dans le logiciel ArcGis puis les polygones regroupées en classe à l'aide de `Dissolve'. Le calcul des statistiques consiste à déterminer les valeurs des unités en hectares selon la formule garce à Geometry Calculator.

Le taux de croissance de chaque unité est déterminé selon la formule :

SAa= Superficie de l'année d'arrivée

SAd= Superficie de l'année de départ

Apres ces calculs, les images sont ajoutées dans Qgis pour afin procéder à l'habillage des différentes cartes.