WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

 > 

Cartographie et estimation de la capacité de charge du pàturage à  partir des images satellitaires. Cas de la commune rurale de Diabaly dans la région de Ségou au Mali.


par Moctar TRAORE
Université Félix Houphouet-Boigny de Cocody  - Master en Télédétection et Système d’Information Géographique. Spécialité : Climat, Environneme 2019
  

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

5.1. Résultat d'enquête

Le tableau III présente le nombre des éleveurs, des bovins et la quantité moyenne de biomasse consommée annuellement par un bovin. La commune rurale de Diabaly contient un nombre total de vingt-deux (22) éleveurs pour deux mille six cent quarante-cinq (2645) de bovins. Ainsi, un bovin de 250 kg de poids peut consommer, en moyenne entre 2,3 à 2,7 tonnes de biomasse par an.

Tableau III: Données générales sur l'élevage

Localités des éleveurs

Nombre de bovins

Biomasse estimé (tonnes/an)

Diabaly

852

1 957 - 2 300

Diabaly-Coura

157

361 - 423

Fèto

400

920 - 1 080

Kogoni-Peulh

110

253 - 297

Kourouma

85

196 - 230

Kourouma-Coura

407

936 - 1 099

Ségou-Coro

421

968 - 1 137

Ségou-Coura

213

490 - 575

Total

2645

6 084 - 7 142

 

5.2. Composition colorée de l'image MSI de sentinel-2B

Cette composition colorée fait appel aux bandes de l'infrarouge et du rouge (figure 13). Car c'est dans cette intervalle de longueur d'onde que la végétation réfléchie le mieux. Ainsi, les parties en rouges sur l'image relatent la forte activité chlorophyllienne (concentration de biomasse aérienne).

36

Figure 13 : Composition colorée de l'image satellitaire MSI de sentinel-2B d'octobre 2019
dans les Bandes spectral 4-5-7.

5.2. Validation de la classification supervisée

La matrice de confusion issue de la classification de l'image satellitaire MSI de Sentinel-2B donne une précision globale (86,90) et un coefficient Kappa excellent (0,91). Cependant, les classes d'eau (95,46), de sol nu Habitats (88,85), de culture (94,18) et celle de sol faiblement végétalisé (94,50) ont une omission très forte de pixel (Tableau IV).

Tableau IV: Matrice de confusion de la classification de l'image Sentinel-2B de 2019

Classes Eau Sol nu/Hbts Cultures SFV

Eau 95,46 2,70 0,40 0,18

Sol nu/Hbts 3,00 88,85 1,65 1,92

Cultures 1,23 3,18 94,18 3,39

SFV 0,31 5,27 3,77 94,50

Total 100 100 100 100

Précision globale : 86,90% ; Coefficient Kappa : 0,91%.

Sol nu/Hbts : Sol nus_Habitats ; SFV : Sol faiblement végétalisé.

37

La matrice de confusion issue de la classification nous donne une précision globale et un coefficient Kappa excellent :

? la Précision globale : 86,90% est le pourcentage de pixels correctement classifiés pondéré par le nombre de pixels de la classe par rapport au nombre total de pixels d'entrainement ; ce qui dénote de précision générale de notre classification et un rapprochement plus possible de la réalité.

? le Coefficient Kappa : 0,91%. L'accord est Excellent car supérieur à 0,81.

Ici également la matrice de confusion montre une bonne classification de l'image (Tableau III). Les confusions varient autour de 0 à 5%. Les plus importantes sont entre sol faiblement végétalisé et sol nu habitats et entre sol faiblement végétalisé et la classe culture. Il s'agit : ? 5,27 % sol faiblement végétalisé sont confondues aux zones sol nus habitats,

? 3,77 % sol faiblement végétalisé sont également confondues aux zones de cultures.

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Il y a des temps ou l'on doit dispenser son mépris qu'avec économie à cause du grand nombre de nécessiteux"   Chateaubriand