CHAPITRE III :
APPROCHE METHODOLOGIQUE
I. Matériels et logiciels
Dans le cadre de notre étude, nous utiliserons les
images Landsat Sentinelle 2 de 2016 et 2025. À ces données
s'ajoute un fichier au format shapefile du Burkina Faso, qui servira à
l'extraction de la commune de Bobo-Dioulasso.
Tableau 1: Caractéristique et
utilité des données
|
Données
|
Format
|
Résolution
|
Source
|
Utilité
|
|
Données vectorielles
|
Shapefile
|
-
|
IGB
|
Extraire la zone d'étude
|
|
Démographie
|
Excel
|
-
|
INSD
|
Courbe de la population
|
|
Sentinelle 2
|
Tiff
|
20m
|
Copernicus
|
Extension du bâti
|
La réalisation de cette étude a
nécessité l'utilisation de plusieurs logiciels :
v ArcGIS 10.8 a été employé pour la
réalisation de la zone d'étude
v Envi 5.3 a servi au traitement des images satellitaires.
v Terrest2020 a été utilisé pour les
prédictions.
II. Méthode de
traitement des données
Cette étude repose sur l'analyse des images Sentinelle
2, choisies pour leur haute résolution spatiale (20 m). Les
étapes clés comprennent la préparation des données
(empilement des bandes et composition colorée), la classification
supervisée basée sur des aires d'apprentissage, ainsi que
l'exportation et la vectorisation des résultats. L'objectif est de
produire une cartographie précise des unités paysagères
pour évaluer les dynamiques environnementales locales.
Ø Layer stacking : Les bandes ont
été regroupées en un seul fichier multidimensionnel
grâce à l'outil Layer Stacking, permettant ainsi une
intégration cohérente des données. Les bandes Sentinel-2
sélectionnées sont:B8 (infrarouge proche) ;B4 (rouge) et B3 (vert - 560).
Cette opération constitue une étape fondamentale,
facilitant notamment la composition colorée et la classification
thématique, essentielles pour l'interprétation des images
satellitaires.
Ø Composition colorée (fausses
couleurs) : facilite l'interprétation visuelle des structures
paysagères en combinant différentes bandes spectrales dans les
canaux Rouge, Vert et Bleu (RGB). Dans cette
étude, la combinaison 8-4-3 (NIR, rouge,
vert) a été privilégiée :B8 (infrarouge proche) en rouge ;B4 (rouge) en vert et B3
(vert) en canal bleu.
Ø Définition des classes et
sélection des aires d'apprentissage : Une classification
supervisée a été adoptée, reposant sur la
définition préalable de classes thématiques,
établies par une analyse visuelle de l'image et une connaissance du
terrain.
Tableau 2: Les classes et couleurs
|
Classes thématiques
|
Couleur d'interprétation
|
|
Bâti
|
Cyan
|
|
Sol nu
|
Brunâtre
|
|
Végétation
|
Rouge
|
Ø Classification supervisée :
L'algorithme de Maximum de vraisemblance via a été
utiliser pour calculer la probabilité d'appartenance de chaque pixel
à l'une des trois classes, sur la base des statistiques extraites des
aires d'apprentissage.
Ø Application d'un masque spatial :
Le masque vectoriel délimitant précisément la
ville de Bobo-Dioulasso a été appliqué afin de
circonscrire l'analyse à l'espace géographique.
Ø Vectorisation et export des
résultats : Après classification, l'image raster
classifiée a été convertie en format vectoriel à
l'aide des outils de traitement d'image d'ENVI. Le fichier vectorisé a
ensuite été exporté au format Shapefile.
Ø Calcul d'indice IBI
L'Indice IBI permet d'extraire et cartographier les zones
bâties via l'analyse d'images satellitaires. Il combine plusieurs indices
spectraux pour distinguer les surfaces urbanisées des zones
naturelles.
v NDBI: Calculé à partir des bandes SWIR et NIR,
il permet d'identifier les zones bâties grâce à la forte
réflectance des surfaces artificielles dans le SWIR.
v NDVI: Basé sur les bandes NIR et Rouge, il sert
à détecter les zones végétalisées.
v IBI : Obtenu par soustraction du NDVI au NDBI, il permet
d'isoler plus précisément les surfaces urbaines, en minimisant
l'impact des zones végétales.
Ø Détection de changement et analyse
spatio-temporelle
La détection des changements analyse l'évolution
des territoires en comparant des images classifiées à
différentes dates. Les pixels modifiés sont identifiés via
un logiciel SIG, et une matrice de transition permet de quantifier ces
transformations(Lu et al., 2004). Dans ENVI, l'outil Change
DétectionStatistiques aide à visualiser l'expansion urbaine et
les conversions entre classes. Les cartes de changement illustrent
l'évolution spatiale et les statistiques facilitent la planification
territoriale. Ces analyses sont essentielles pour anticiper les tendances et
optimiser la gestion des ressources.
Ø Projection de l'évolution de la ville
à l'horizon 2035
Les images Sentinelle 2 de 2016 et 2025 sont corrigées
pour éliminer les effets radiométriques et atmosphériques.
Une classification supervisée permet ensuite de cartographier
précisément l'évolution du tissu urbain.Le modèle
CA-Markov analyse les transitions d'occupation du sol entre 2016 et 2025 et
simule l'état futur du bâti en 2035.
Figure 2: Diagramme méthodologique
| 
