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

 > 

Identification des zones à  risque de déficit de production fourragère par l'usage des images satellites dans la zone pastorale de la région de Tahoua

( Télécharger le fichier original )
par Saddi Ibrahim
Université Abdou Moumouni de Niamey - Master géographie 0000
  

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

2.2.6.2 La Productivité de matière sèche (DMP)

La DMP, ou Productivité de matière sèche, est une indication de l'augmentation de la biomasse de matière sèche (taux de croissance) et est en relation directe avec la fameuse NPP (Productivité primaire nette), mais personnalisée pour les agro statistiques et exprimée en kg de matière sèche (kgMS) par hectare par jour. Elle peut être calculée en combinant la fAPAR, estimée à partir de l'imagerie satellitaire, avec le rayonnement solaire et l'information relative à la température, tels que décrits par Monteith (1972).

NB : PAR (radiation active par photosynthèse ; la fAPAR est la fraction de PAR absorbée par la végétation verte.

Alors que les données météorologiques sont attribuées sur une base journalière, l'information satellite n'est disponible que sur une base de 10 jours, de même pour les images DMP calculées. L'équation finale de Monteith devient donc : DMP10= fAPAR10*DMP10, max.

Ici la fAPAR10 est directement dérivée des images composites de NDVI-S10 (résolution 1 km), tandis que la DMP10, max est d'abord calculée comme la moyenne de toutes les images DMP1, max au cours de la décade concernée (n=10, sauf pour la troisième décade de chaque mois). Les produits DMP sont fournis dans un format image et sont communément visualisés via un logiciel spécialisé (VGT4AFRICA). Les valeurs sont classifiées dans une série de catégories et identifiées par couleur pour une interprétation aisée. Ces représentations visuelles du produit productivité de matière sèche peuvent alors être examinées pour identifier les zones de haute ou faible productivité. Alternativement les images de productivité de matière sèche peuvent être cumulées sur la durée à partir du début du cycle afin d'estimer la matière sèche finale qui a été produite par la végétation dans le temps. On peut ainsi comparer les statistiques générées avec les statistiques communément disponibles. Mais pour évaluer l'état global de la végétation on peut utiliser l'Indicateur de Productivité de Végétation (VPI).

2.2.6.3 L'Indicateur de production de la végétation (VPI)

L'Indicateur de Productivité de Végétation (« Végétation Productivity Indicator » ou « VPI » en anglais) est utilisé pour évaluer l'état global de la végétation et est un type catégorique d'indice différentiel de végétation, le NDVI réel étant référencé par rapport aux centiles de NDVI de l'année historique. La méthode VPI a été initialement développée par (Sannier et al. ,1998) sur base des données NOAA/ AVHRR pour une zone d'étude en Zambie, et mise en oeuvre plus tard par Herman Eerens pour l'Europe (pour MARS-STAT) et l'Afrique (MARS-FOOD/GMFS) (Boogaard et al. 2004) sur base des données de SPOT-VEGETATION. Elle applique des techniques communément utilisées en hydrologie pour la prédiction d'événements extrêmes. Le VPI fourni dans le cadre de VGT4AFRICA est produit sur la base des valeurs de NDVI SPOT-VGT. Le VPI est utilisé pour identifier qualitativement les zones avec un développement de végétation inférieure à la situation normale, probablement lié à une faible productivité par comparaison avec ce qu'on peut attendre au vu du parcours historique. Le VPI peut être utilisé pour identifier les zones affectées par la sécheresse (Sannier et al. (2), 1998). Il peut être intégré dans le temps, par exemple tout au long d'un cycle végétatif ou utilisé dans le calcul des statistiques de ségrégation régionale. L'utilisation de ces multitudes de produits amène à concevoir les techniques et outils de collecte des données sur le terrain.

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








"Qui vit sans folie n'est pas si sage qu'il croit."   La Rochefoucault