I.4. Généralités sur les
méthodes appliquées
I.4.1. Récoltes des données des moteurs de
déforestation : L'approche DPSIR
L'approche DPSIR (Drivers : forces motrices, Pressions, (State
: état), Impact et Réactions) est un modèle de l'Union
Européenne (UE), développé pour mieux apprécier
l'état de l'environnement à l'usage des décideurs
(UICN-PC.,2014). Il s'articule en cinq éléments tous
reliés par des liens de causalité : Une force motrice (une
activité humaine) ; Une pression sur l'environnement provoquée
par la force motrice ; Une modification de l'état général
de l'environnement, expression de la pression ; Un impact sur le patrimoine
naturel et sur l'homme conséquence de la pression ; en fonction de la
gravité, l'homme va réagir et faire répondre la
société ce qui conduit au 5e élément de l'approche,
les réactions ou réponse.
Ces mesures sont : les mesures préventives
dirigées vers les forces motrices, les mesures curatives dirigées
vers les pressions et l'état, enfin, les mesures palliatives
dirigées vers l'état et l'Impact. La figure 11 ci-après
donne une illustration schématique de la méthode DPSIR.
Figure 7 : illustration schématique de la
méthode DPSIR (UICN-PC.,2014).
Ce modèle nécessite en effet, un recensement des
principaux facteurs de déforestation du milieu et leurs indicateurs.
Pour y arriver, le modèle s'appuie sur l'enquête.
I.4.1. Traitement des images satellitaires
Après avoir téléchargé des images
satellitaires, plusieurs opérations successives peuvent être
effectuées préparant les images brutes aux analyses beaucoup plus
affinées. Parmi ces opérations, les principales sont : la
visualisation et composition colorée, la superposition des points GPX
sur l'image de référence, la mosaïque des images et enfin
l'extraction de la zone d'étude. Ces opérations constituent des
préalables pour la classification.
18
I.4.1.1. La classification supervisée
La classification supervisée est en effet la
procédure la plus souvent utilisée pour l'analyse quantitative
des données de télédétection. Une
compréhension de l'occupation du sol s'avère nécessaire
pour y arriver.
? Définition des échantillons pour la
classification supervisée
Les échantillons sont définis par les RDIs
(Régions D'Intérêts). Les RDIs sont des portions d'images
qui sont sélectionnés par l'utilisateur dans chaque classe.
L'évaluation de la qualité des
échantillons pour chaque image satellite est basée sur le calcul
des indices séparables entre leurs spectres (ITT Inc,. 2008). Les deux
indices proposés par Richards, (1999) sont applicables. Il s'agit de la
Divergence Transformée (DT) et le Jeffries-Matusita (J-M). Les valeurs
de ces deux indices varient de 0.0 à 2.0. Une valeur supérieure
1.9 indique une très bonne séparabilité tandis que celle
inférieure 1.0 démontre une séparabilité faible.
Les critères de ces valeurs pour les échantillons sont
présentés dans le tableau 1 ci-dessous.
Tableau 1 : Critères des valeurs de Divergence
Transformé et de Jeffries-Matusita
|
Valeurs
|
Séparabilités spectrales
|
Qualités des échantillons
|
|
> 1.9
|
Très bonne
|
Très bonne
|
|
1.7-1.9
|
Bonne
|
Bonne
|
|
1.0-1.7
|
Faible
|
Acceptable
|
|
< 1.0
|
Très faible
|
Très faible
|
? Validation des résultats de la classification
de l'occupation du sol
Pour valider les résultats de la classification, les
images classifiées sont comparées aux données de
références. Dans cette étape, les données de
référence utilisées pour évaluer la classification
de 2018 sont créées à partir de données
d'observations sur le terrain du janvier au mars 2019. La validation des
années antérieures a par ailleurs connu une démarche
rétrospective. Celle-ci a consisté à sélectionner
les pixels ayant demeuré invariant sur l'image de 2018.
Le résultat de la classification est
considéré comme acceptable si le nombre total de pixels
correctement classifiés est supérieure à 85%, les
précisions individuelles des catégories (classes) sont du
même ordre (Anderson et al., 1971).
19
Le coefficient Kappa doit cependant être
supérieur à 0.80. Le tableau 2 ci-dessous, illustre les niveaux
de la précision du coefficient Kappa et leurs interprétations.
Tableau 2 : Estimation de la précision de la
classification selon le coefficient Kappa
Valeurs de l'indice Kappa Précision de la
classification
|
?0.00 0.00-0.20 0.21-0.40 0.41-0.60 0.61-0.80
0.81-100
|
Faible
Légère
Acceptable
Modérée
Bonne
Très
bonne
|
Source : (Landis et Koch 1977)
| 
