Activités agricoles et perceptions des populations de Nassian face aux changements et variabilités climatiques.

2.2. Méthodes de traitement et analyse des données

Il s'agit des techniques d'étude, de l'analyse des différentes données utilisées dans cette recherche. Elles concernent aussi les traitements et l'analyse des données du travail pour aboutir aux différents résultats.

2.2.1. Traitement et l'analyse des images satellitaires

Le traitement et l'analyse des satellitaires, après leurs acquisitions s'est faite selon les étapes suivantes :

Le prétraitement des images satellitaires

Le prétraitement consiste à faire une calibration de l'image avant l'analyse principale et l'extraction de l'information. Il s'agit essentiellement de faire une correction atmosphérique (nettoyer les effets atmosphériques) et d'une correction radiométrique (appliquer une équation de normalisation afin de ramener le compte numérique entre 0 et 1 pour une interprétation de

40

l'image). C'est en effet la conversion des luminances en réflectance. Ces opérations améliorent la qualité des images brutes, respectivement par l'étirement des contrastes pour augmenter les distinctions des tons entre les différents éléments d'une scène, par la correction des images à cause des bruits et des effets atmosphériques.

Le traitement des images satellitaires

Le traitement et analyse des images satellitaires ont porté essentiellement sur le traitement des images dans le logiciel Envi 5.1, et leur intégration dans un environnement SIG pour leur exploitation. De ce fait, une composition colorée « images fausses couleurs » (O'Neill et al, 1996), pour mieux discriminer les différents types d'occupation du sol et un choix des parcelles d'entrainement basé sur les indices collectés par le GPS ont été faites dans un premier temps.

Ensuite, une classification supervisée à travers l'algorithme de « maximum de vraisemblance » (Bonn et al., 1992), a été utilisé pour classifier les images dans cette recherche. A travers cet algorithme, la distribution des pixels au sein de chaque classe suit une loi normale (Konan et al., 2016). En effet, les pixels sont affectés aux échantillons les plus proches selon la distance bayésienne, qui calcule la probabilité qu'a un pixel d'appartenir à une classe donnée. Le pixel est affecté à la classe pour laquelle la probabilité est la plus forte. Cette méthode classe tous les pixels sauf si on pratique un seuil de probabilité en dessous duquel les pixels n'ont pas d'affectation. Enfin, une élimination des pixels isolés par applications des filtres 3x3 a été faite afin d'homogénéiser les différentes classes.

A la suite de ces traitements, deux grands thèmes sont identifiés dans l'analyse de l'occupation du sol. Il s'agit des espaces naturels et des espaces humanisés suivie de l'identification des objets au sein de chaque grand thème. Au niveau des espaces naturels, six niveaux de discrimination (forêt dense sèche, forêt galerie, savane arbustive, savane herbeuse, plan d'eau et bas-fonds) ont été obtenus. S'agissant des espaces occupés par l'homme, deux niveaux ont été ressortis (culture / jachère et habitat / sol nu). Au total, ce sont huit thèmes qui sont retenus dans l'analyse et la cartographie de l'occupation du sol. La combinaison de ces huit thèmes a permis de réaliser les cartes d'occupation du sol de 1998, et 2016.

D'autres analyses sont appliquées aux images issues de la classification. Il s'agit de l'estimation de la qualité de la classification. Ces analyses portent sur la matrice de confusion pour estimer la qualité de la classification mais, surtout pour vérifier la fiabilité de la méthode utilisée (Konan et al., 2016).

41

L'analyse de la matrice de confusion consiste à déterminer la précision globale (pourcentages des pixels correctement classés) et le coefficient de Kappa (réduction proportionnelle de l'erreur obtenue par une classification comparée à l'erreur obtenue avec une classification pseudo-aléatoire et donne une estimation plus précise de la qualité de la classification). Ils désignent le rapport entre le nombre de pixels bien classés et le nombre total de pixels de référence.

Sur l'image de 1998, la précision globale de classification est de 93, 42 % et le coefficient Kappa de cette image est de 0,92 soit 92 % (Tableau 3).

Concernant l'image de 2016, la précision globale de classification est de 92, 88 % et le coefficient Kappa de cette image est de 0,9147 soit 91, 47 % (Tableau 4).

Tableau 3: Matrice de confusion de l'image de 1998 (classification de l'image Landsat TM, 1998)

Types d'occupation du sol	Forêt Dense sèche	Forêt galerie	Savane arbustive	Savane herbeuse	Plan d'eau	Bas- fonds	Habitat/ Sol nu	Culture /jachère
Forêt dense sèche	82.39	14.77	0.23	0.00	0.00	0.00	0.00	2.61
Forêt galerie	2.58	96.74	0.00	0.00	0.00	0.00	0.00	0.68
Savane arbustive	0.00	0.00	94.60	4.94	0.00	0.00	0.00	0.45
Savane herbeuse	0.00	0.00	2.53	94.96	0.00	0.00	2.79	2.51
Plan d'eau	0.66	0.48	0.00	0.00	97.53	1.99	0.00	0.00
Bas-fonds	0.00	0.22	0.00	0.00	0.94	98.50	0.00	0.34
Habitat/ Sol nu	0.00	0.00	0.00	2.11	0.00	0.00	97.49	0.40
Culture/jachère	4.58	0.00	0.96	3.57	0.00	0.00	0.00	90.89

42

Tableau 4: Matrice de confusion de l'image de 2016 (classification de l'image Landsat ETM+, 2016)

Types d'occupation du sol	Forêt Dense sèche	Forêt galerie	Savane arbustive	Savane herbeuse	Plan d'eau	Bas-fonds	Habitat/ Sol nu	Culture /jachère
Forêt	93.98	3.56	0.96	0.00	0.00	0.00	0.00	1.10
Dense sèche
Forêt galerie	1.73	98.21	0.00	0.00	0.00	0.00	0.00	0.00
Savane arbustive	2.54	0.00	93.06	3.90	0.00	0.00	0.00	0.46
Savane herbeuse	0.00	0.00	3.47	93.37	0.00	0.00	2.79	0.33
Plan d'eau	0.66	1.20	0.00	0.00	96.34	1.80	0.00	0.00
Bas-fonds	0.00	8.92	0.00	0.00	18.04	70.00	0.00	3.01
Habitat/ Sol nu	0.00	0.00	0.00	4.26	0.00	0.00	95.58	0.00
Culture/jachère	0.97	0.00	0.00	2.01	0.00	0.00	0.00	97.10

L'examen des tableaux 3 et 4 montrent que les pixels issus des classes de référence ont entièrement été affectés à plus de 90 %. Cependant, on constate que ce sont les pixels des classes des secteurs de forêt dense sèche (Tableau 3) et de bas-fonds (Tableau 4) qui enregistrent les faibles taux (82.39 et 70).

Les résultats statistiques obtenus par le calcul de la précision globale, du coefficient de Kappa et de la matrice de confusion, montrent qu'il existe des erreurs, voire des imperfections dans les produits cartographiques obtenus. L'opération finale consiste à exploiter les données issues du traitement des images satellitaires dans un environnement SIG pour corrigés ces erreurs dans la table attributaire afin d'être conforme à la réalité. Tous les traitements effectués et les informations recueillies ont permis de mettre en place une base de données fiable pour l'élaboration d'un SIG. A la fin donc du processus de classification, on a obtenu deux cartes d'occupation du sol des années 1998 et 2016 de la sous-préfecture de Nassian.

43

Ainsi, le croisement des données d'occupation du sol de 1998 et de 2016 a permis d'analyser les facteurs de la dégradation de la diversité végétale.