Cartographie et estimation de la capacité de charge du pà¢turage à partir des images satellitaires : cas de la commune rurale de Diabaly dans la région de Ségou au Mali

République de Côte d'Ivoire ~~~~~~~~~~~~~ Ministère de l'Enseignement Supérieur et de la Recherche Scientifique
		ANNÉE UNIVERSITAIRE : 2019-2020
Université Félix Houphouët Boigny de Centre Universitaire de Recherche UFR des Sciences de la Terre Cocody et d'Application en Télédétection et des Ressources Minières N° d'ordre :150/2019
MÉMOIRE Pour l'obtention du diplôme de Master en Télédétection et Système d'Information Géographique Spécialité : Climat, Environnement et Développement Durable (CE2D) Sujet :
Cartographie et estimation de la capacité de charge du pâturage à partir des images satellitaires : cas de la commune rurale de Diabaly dans la région de Ségou au Mali
Présenté par : TRAORE Moctar Date de soutenance : 27/02/2020 Directeur : Dr. SALEY Mahaman Bachir Co-Directeur : Dr. OUATTARA Adama	Composition du jury Dr. YAO N'GORAN J.P., Président Dr. OUATTARA Adama, Co-Directeur Dr. ASSOMA Vincent, Examinateur Dr. YAO Noellie, Examinatrice

i

DEDICACE
À ma famille
Pour ses efforts consentis à mon enrichissement intellectuel.
Seul le Tout Puissant vous récompensera à votre juste valeur.
Je m'efforcerai de vous rendre fiers de moi.

ii

REMERCIEMENTS

Ce mémoire est le fruit des efforts consentis par plusieurs personnes. Nos remerciements vont tout d'abord à l'endroit des responsables de la coopérative « Niéta » qui nous a exhortés à entreprendre cette étude avec beaucoup d'encouragement. Dans la même veine, nos remerciements vont à l'endroit des responsables du Centre Universitaire de Recherche et d'Application en Télédétection (CURAT) pour nous avoir acceptés dans cette Institution. Nous voudrions citer en premier le Professeur AFFIAN Kouadio, Vice-Président de l'Université Félix Houphouët-Boigny de Cocody et Doyen Honoraire de l'UFR-STRM.

Le Professeur SORO Nagnin, Doyen de l'UFR-STRM et de l'ensemble du décanat.

Nos remerciements singuliers s'adressent au Docteur KOUAME Kan Jean, Directeur du CURAT et de l'Ecole Doctorale Africaine de Télédétection (EDAT) pour avoir cru en nous. Toute ma reconnaissance va à l'endroit du Professeur KOUAME Koffi Fernand, ex-directeur du CURAT, pour ses observations, ses suggestions et ses encouragements.

Le Docteur MOBIO Brice Abaka, Directeur du Laboratoire des Télédétection et SIG, pour m'avoir accueilli au sein de son Laboratoire.

Le Docteur SALEY Mahaman Bachir, Superviseur de ce mémoire, qui a bien voulu accepter mon encadrement.

Le Docteur OUATTARA Adama, Directeur de ce Master, pour m'avoir permis de faire mes premiers pas dans la recherche. Par son goût du travail, sa sympathie et sa simplicité, il a su me guider et m'a permis de prendre confiance en moi, merci Docteur.

Le Docteur ASSOMA Vincent, d'avoir bien voulu instruire ce mémoire avec la rigueur nécessaire pour améliorer mon apprentissage scientifique.

Les Docteurs DANUMAH Jean Homian et N'GUESSAN BI Vami Herman pour leurs conseils et encouragements.

Au corps enseignant du CURAT, Professeur DJAGOUA Eric Valère, Docteur BOYOSSORO Hélène, Docteur YOUAN TA Marc, Docteur DIBI N'DA Hyppolite, Docteur KOUAME Adonis pour leurs conseils et contributions à l'encadrement des étudiants. Merci également au Professeur YAO N'GORAN JP président du jury de ce mémoire et Docteur YAO Noellie l'examinateur. Je voudrais témoigner ma profonde gratitude à ma famille : mon père Amadou TRAORE et ma maman FEU Balakissa DOUMBIA, mes tantes FEU Nakou DOUMBIA et FEU Wassa DIARRA, mon oncle Boubacar Sidiki DOUMBIA, mes frères Gaoussou KONE, Mohamed TRAORE, Ousmane TRAORE et Nouhoum TRAORE, Sory Ibrahima TRAORE, Brahima TRAORE, mes soeurs Fatoumata

iii

TRAORE, et Djénèba TRAORE, pour leur amour, leur affection, leur encouragement, leur prière, leurs soutiens moral et financier tout au long de mes études. Mes sincères remerciements vont à l'endroit de Docteur KOUASSI KAN Désiré, pour ses conseils.

Merci également à tous mes amis, en particulier, YEO Nahoua, KAMENAN Jean Ernest Djemin, DIARRA Adama, Moussa SANGARE, Zoumana DIALLO, OUATTARA Kassoum, AKA Kadio Saint Rodrigue, Oura AFFOUE MARTINE, Fahimat YUSSUF pour leur sympathie, leur disponibilité et encouragements.

iv

TABLE DES MATIERES

LISTE DES ABRÉVIATIONS viii

LISTE DES FIGURES ix

LISTE DES TABLEAUX x

RÉSUMÉ xi

ABSTRACT xii

INTRODUCTION 1

PREMIÈRE PARTIE : GÉNÉRALITÉS 3

CHAPITRE 1 : PRÉSENTATION DE LA ZONE D'ÉTUDE 4

1.1. Cadre géographique 4

1.2. Relief 4

1.3. Sol 5

1.4. Géologie 6

1.5. Pente 7

1.6. Climat 8

1.7. Végétation 9

1.8. Population 9

1.9. Activités socio-économiques et culturelles 10

CHAPITRE 2 : NOTIONS ET CONCEPTS DE L'ÉTUDE 11

2.1. Biomasse 11

2.2. Valorisation de la biomasse 12

2.3. Avantages et Inconvénients de la biomasse 13

2.3.1. Avantages de biomasse 13

2.3.2. Inconvénients de la production de biomasse 13

2.4. Composition de la Biomasse 14

2.4.1. Cellulose 14

2.4.2. Hémicelluloses 14

V

2.4.3. Lignine 15

2.5. Propriétés de la biomasse 15

2.6. Stratégie de mobilisation de biomasse 16

2.6.1. Cultures dédiées à la production d'énergie 16

2.6.1.1. Plantes agricoles 16

2.6.1.2. Bois et les forêts 16

2.6.1.3. Plantes aquatiques et les algues 17

2.6.2. Résidus de la biomasse 17

2.6.2.1. Agriculture 17

2.6.2.2. Forêts 18

2.6.3. Biomasse des déchets 18

2.6.3.1. Déchets fermentescibles des ordures ménagères 18

2.6.3.2. Déchets verts 18

2.7. Méthodes d'estimation de la biomasse par Télédétection 18

2.7.1. Télédétection 18

2.7.2. Imagerie multi-spectrale pour l'estimation de biomasse 20

2.8. Capacité de charge animale 21

DEUXIÈME PARTIE : MATÉRIEL ET MÉTHODES 23

CHAPITRE 3 : DONNÉES ET MATÉRIEL 24

3.1. Données 24

3.1.1. Images satellitaires 24

3.1.2. Couches numériques et photographies 26

3.1.3. Données générales sur l'élevage 26

3.2. Matériel 26

CHAPITRE 4 : MÉTHODOLOGIE 27

4.1. Collecte des données d'enquête 27

4.2. Cartographie d'occupation du sol à partir d'image MSI de sentinel-2B 27

vi

4.2.1. Prétraitement l'image MSI de Sentinel-2B 27

4.2.1.1. Correction radiométrique et atmosphérique 27

4.2.1.2. Mosaïque d'image et extraction de la zone d'étude 27

4.2.3. Traitement de l'image satellitaire Sentinel-2B 28

4.2.3.1. Choix d'une composition colorée et identification d'une nomenclature des

classes d'occupation du sol 28

4.2.3.2. Choix des sites d'entraînement 28

4.2.3.3. Extraction des classes d'occupation du sol à partir des signatures spectrales 28

4.2.3.4. Discrimination des unités d'occupation du sol 29

4.2.3.5. Classification supervisée (orientée Pixel) 30

4.2.3.6. Evaluation et validation de la classification 31

4.3. Déterminer la capacité de charge du pâturage de la commune rurale de Diabaly 31

4.3.1. Estimation de la quantité de biomasse à partir des images MSI de sentinel-2B 31

4.3.2. Détermination de la capacité de charge du pâturage 32

TROISIÈME PARTIE : RÉSULTATS ET DISCUSSION 34

CHAPITRE 5 : OCCUPATION DU SOL 35

5.1. Résultat d'enquête 35

5.2. Composition colorée de l'image MSI de sentinel-2B 35

5.2. Validation de la classification supervisée 36

5.3. Carte de l'occupation du sol de la commune de Diabaly 37

CHAPITRE 6 : CAPACITÉ DE CHARGE DU PÂTURAGE 40

6.1. Indice de Végétation Ajusté du Sol Optimisé (OSAVI) 40

6.2. Biomasse produite 40

6.3. Répartitions de la biomasse 41

6.4. Quantité de biomasse consommable 42

6.5. Capacité de la charge du pâturage de la commune rurale de Diabaly 42

DISCUSSION 43

vii

CONCLUSION 44

RÉFÉRENCES BIBLIOGRAPHIQUES 46

ANNEXE xii

viii

LISTE DES ABRÉVIATIONS

ALOS : Advanced Land Observing Satellite

CURAT : Centre Universitaire de Recherche et d'Application en Télédétection

CPS : Cellule de planification et de la statistique

DNPIA : Direction Nationale des Productions et des Industries Animales

ESA : Agence Spatiale Européenne

FAO : Organisation des Nations Unies pour l'Agriculture et Alimentation

GPS : Global Positioning System (Système mondiale de Positionnement par Satellites)

ha : hectare

MNT : Model Numérique du Terrain

ms : Matière sèche

MSI : MultiSpectral Instrument

ON : Office du Niger

OSAVI : Indice de Végétation Ajusté du Sol Optimisé

PPN : Production Primaire Nette

PIR : la réflectance dans le Proche Infra Rouge

R : la réflectance dans le Rouge

UBT : Unité Bétail Tropical

t : tonne

ix

LISTE DES FIGURES

Figure 1: Localisation de la commune de Diabaly dans la région de Ségou. 4

Figure 2: Model Numérique de Terrain issu des données MNA (ALOS PALSAR). 5

Figure 3: Carte pédologique de la commune Diabaly issue des données de FAO, 1974. 6

Figure 4: Carte géologique de la commune Diabaly issue des données de DNGM, 1981. 7

Figure 5: Carte de pente issue des données MNA (ALOS PALSAR). 8

Figure 6: Diagramme ombrothermique de 2019 issue des données 9

Figure 7: Différentes ressources de la biomasse (source : Ademe, 2007). 12

Figure 8: Spectre du rayonnement solaire. 19

Figure 9: Courbe de réflectance d'une feuille dans le visible et l'infrarouge 20

Figure 10: Couverture des données N0208/R008 (A) ; N0208/R051 (B) de Sentinel-2B de

2019. 24
Figure 11: Mosaïque des scènes N0208/R008 ; N0208/R051 MSI de Sentinel-2B de 2019. 28

Figure 12: Organigramme méthodologique de cartographie et estimation de la biomasse. 33
Figure 13 : Composition colorée de l'image satellitaire MSI de sentinel-2B d'octobre 2019

dans les Bandes spectral 4-5-7. 36

Figure 14 : Carte d'occupation du sol de la zone d'étude 2019. 38

Figure 15 : Répartition des classes d'occupation du sol issue de la classification de l'image

MSI de Sentinel-2B de la commune rurale de Diabaly 2019. 39
Figure 16 : Occupation du sol à partir de l'Indice de Végétation Ajusté du Sol Optimisé

(OSAVI) image Sentinel-2B. 40

Figure 17 : Carte de la biomasse (t/ha) issue de l'image MSI de sentinel-2B. 41

Figure 18: Rendement de biomasse par unité de superficie (t/ha). 42

x

LISTE DES TABLEAUX

Tableau I: Caractéristiques des bandes de Sentinel-2B 25

Tableau II: Types d'occupation du sol et Correspondances en pixel. 30

Tableau III: Données générales sur l'élevage 35

Tableau IV: Matrice de confusion de la classification de l'image Sentinel-2B de 2019 36

xi

RÉSUMÉ

Les systèmes d'élevage des pays sahéliens sont fortement exposés au changement climatique et la plupart d'entre eux subissent déjà des épisodes de sécheresse depuis le début des années 1970. Par ailleurs, les ressources pastorales disponibles dans le secteur d'étude reposent sur les réserves fourragères, les résidus de cultures et les points d'eau. Elles sont soumises à une forte pression d'exploitation (surpâturage, désertification, l'ensablement des points d'eau et les feux de brousse) ayant comme corollaire la dégradation de l'environnement. L'objectif de cette étude est de fournir une estimation de la biomasse consommable et la capacité de charge du pâturage de la commune de Diabaly (Mali) en utilisant une méthode non destructive. Les données utilisées se composent, essentiellement, d'images satellitaires (MSI de sentinel-2B d'octobre 2019, image MNT de ALOS PALSAR de 2007), la base de données numérique géo-référencée de l'IMG 2009 du Mali et les données générales sur l'élevage (le nombre d'éleveurs, le nombre de bétail et leurs localités). La méthodologie utilisée, en plus du traitement numérique des images satellitaires se base sur la cartographie du couvert végétal. Cette cartographie a été appuyée par un inventaire de biomasse pour estimer la capacité de charge du pâturage. Les résultats obtenus confirment une faible capacité de charge du pâturage de 0,94 UBT/ha/an et une production de biomasse moyenne utilisable de 19 617 t dans la commune de Diabaly. Les périodes de pâturage, des déplacements généralement internes sont sources de conflits entre exploitants agricoles et éleveurs. Ainsi, la faible capacité de charge, l'extension des cultures au détriment des pâturages et l'accroissement du cheptel vont accentuer la dégradation des écosystèmes de la zone d'étude déjà fragilisés ce qui aura une conséquence néfaste sur les performances zootechniques du cheptel et l'économie de la commune de Diabaly.

Mots clés : cartographie, biomasse, capacité de charge, pâturage, images satellitaires, commune de Diabaly, Mali.

Xii

ABSTRACT

Pasture management in Sahelian countries is highly prone to climate change and most of there countries are already hit by drought episodes since the early 1970s. Moreover, the pastoral resources available in the study area are based on fodder reserves, crop residues and water points. They are subject to strong exploitation pressure (overgrazing, desertification, silting up of water points and bush fires) with the corollary of environmental degradation. The objective of this study is to provide an estimate of the consumable biomass and the carrying capacity of the grazing land in the district of Diabaly (Mali) using a non-destructive method. The data used are essentially composed of satellite images (MSI of Sentinel-2B of October 2019, MNT image of ALOS PALSAR of 2007), the geo-referenced digital database of the IMG 2009 of Mali and general data on pasture (number of herders, number of pasture lands their geolocations). The methodology used, in addition to the digital processing of satellite images, is based on vegetation cover mapping, a biomass inventory to estimate the carrying capacity of the pasture. The results obtained confirm a low grazing carrying capacity of 0.94 TLU/ha/year and an average usable dry The periods of grazing and generally internal movements are sources of conflict between farmers and breeders. Thus, the low carrying capacity, the extension of crops to the detriment of pastures and the increase in livestock numbers will accentuate the degradation of the already fragile ecosystems of the study area, which will have a negative impact on the zootechnical performance of the pasture and the economy of the district of Diabaly.

Keywords: cartography, biomass, carrying capacity, pasture, satellite images, district of Diabaly, Mali.

1

INTRODUCTION

Durant les trente dernières années du 20^e siècle (1970 à 2000), les espaces sahéliens ont connu un déficit annuel presque constant des précipitations (Mulumba et al., 2008). Cette période sèche a engendré une modification profonde du milieu que certains auteurs ont qualifié de « désertification » (Loireau et al., 2007). Dans ce contexte de déficit prolongé des précipitations, la couverture végétale a subi une dégradation importante qui a atteint sa composition floristique et son extension spatiale. Sa régression a laissé place aux processus éoliens qui ont favorisé le développement de la surface sableuse dénudée (Godard, 1991). L'érosion éolienne et la régression des ressources (fourragères et eau) ont entraîné une réduction des cheptels, un appauvrissement des populations pastorales, des modifications de leurs trajectoires de migration, une émigration vers les villes (Adeline et al., 2011).

L'élevage joue un rôle primordial dans l'économie des Etats sahéliens et subit depuis trente années les conséquences d'une sécheresse caractérisée par l'extrême variabilité de la pluviométrie : ces variations s'expriment non seulement en terme de quantités d'abats pluviométriques au cours de la saison des pluies mais aussi en terme de distribution spatiale et temporelle (Mulumba et al., 2008). La répartition et la productivité des pâturages naturels dépendent en effet autant de la distribution temporelle des pluies que de leur abondance. Les pâturages sahéliens sont constitués par une steppe arbustive, le tapis herbacé étant composé en majeure partie par des graminées annuelles.

L'élevage bovin est une ressource importante pour le Mali, avec 9 721 327 de têtes dont 1 096 567 dans la région de Ségou située au coeur de la zone rizicole (DNPIA, 2010). Mulumba et al., (2008) estiment que le Mali est le premier pays exportateur de la sous-région ouest-africaine, avec 30 % des flux d'exportations de bovins au sein du circuit commercial entre les pays du « bassin central » (Mali, Burkina Faso, Niger, Côte d'Ivoire, Ghana et Togo).

Selon le Recensement Général de l'Agriculture (RGA) en 2004-2005 (CPS, 2007), 85 % des exploitations agricoles possèdent du bétail (bovins, petits ruminants ou camelins), même si les tailles et les types de cheptel sont très contrastés (Samaké et al., 2007). Il participe pour 80 % au revenu des populations rurales vivant dans les systèmes pastoraux et pour 18 % dans les systèmes agropastoraux (Alary et Dieye, 2006). Cette activité joue ainsi un rôle essentiel dans la lutte contre la pauvreté en zone rurale (Boutonnet et al., 2000) et contribue à réduire la malnutrition (Primature, 2003).

La raréfaction de l'espace où faire paître les animaux et la dégradation des dernières aires de pâturages diminuent largement la quantité et la qualité des fourrages encore disponibles (FAO,

2

2012). De nos jours, cette situation est exacerbée par les effets néfastes des changements climatiques, la croissance démographique et l'expansion des cultures dans la zone contribuant ainsi non seulement à la diminution des aires de pâture, mais aussi à la baisse de leur productivité et aux difficultés d'accès aux points d'eau pour l'abreuvement du bétail (Grouzis, 1988).

Par ailleurs, les ressources pastorales disponibles dans le secteur d'étude reposent sur les réserves fourragères, les résidus de cultures et les points d'eau. Elles sont soumises à une forte pression d'exploitation (surpâturages, désertification, l'ensablement des points d'eau et les feux de brousse) ayant comme corollaire la dégradation de l'environnement.

C'est dans ce contexte que s'inscrit notre étude portant sur « Cartographie et estimation de la capacité de charge du pâturage à partir des images satellitaires : cas de la commune rurale de Diabaly dans la région de Ségou au Mali ». Elle a pour objectif principal de déterminer la disponibilité spatiotemporelle de la biomasse pour l'élevage, afin de faire des propositions adéquates pour une meilleure organisions de ce secteur.

Plus spécifiquement il s'agira de :

- cartographier l'occupation du sol à partir des images sentinel-2B,

- déterminer la capacité de charge du pâturage à la fin saison pluviale.

Ce travail débute par une première partie consacrée aux généralités, suivie de la deuxième partie qui décrit le matériel utilisé et les méthodes employées. Enfin, une troisième partie présente les résultats obtenus qui seront discutés.

Une conclusion assortie de perspectives avant la liste exhaustive de la littérature citée et d'annexe achève la rédaction de ce document.

PREMIÈRE PARTIE : GÉNÉRALITÉS

4

CHAPITRE 1 : PRÉSENTATION DE LA ZONE D'ÉTUDE 1.1. Cadre géographique

La présente recherche est menée dans la commune rurale de Diabaly située au centre du cercle de Niono (région de Ségou). La commune rurale de Diabaly est située à 60 km de la ville de Niono (chef-lieu du cercle) et constituée de 32 villages sur une superficie de 1 538 km² (Florence, 2004). Elle est limitée par les longitudes 14°30'6»et 14°56'6»Ouest et les latitudes 5°60'49» et 5°29'49» Nord (Figure 1). Elle est limitée : au Nord par les communes rurales de Dogofry et Nampalari, au Sud par les communes rurales de Sirifila-Boundy, et de Toridaga-Ko, à l'Est par la commune rurale de Kareri (région de Mopti), à l'Ouest par la commune rurale de Sokolo.

Figure 1: Localisation de la commune de Diabaly dans la région de Ségou.

1.2. Relief

Le relief de la commune est plat dans l'ensemble, variant entre 279 et 321 m d'altitude (Figure 2). Les ressources en eau de surface sont constituées principalement par les retenues et le canal du Sahel qui desservent une large surface rizicole tout autour de la commune grâce à l'irrigation.

5

Figure 2: Model Numérique de Terrain issu des données MNA (ALOS PALSAR).

1.3. Sol

Deux types de sols existent : vertisols et vuvisols (Figure 3). Les vertisols sont des solums argileux majoritairement smectitiques qui gonflent ou se rétractent fortement, suivant les saisons alternativement sèches et humides (Denis et al., 2008). Il en résulte une dynamique hydrique et structurale particulière et très contrastée, de laquelle découlent des propriétés agronomiques et géotechniques spécifiques. Les différences de structure entre les différents horizons des vertisols résultent de la dynamique de dessèchement (lequel est d'autant plus intense que l'horizon est situé près de la surface) et du poids des horizons sus-jacents (d'autant plus important que l'horizon est profond).Tandis que les luvisols sont caractérisés par l'importance des processus d'argilluviation au sein d'un matériau originel unique (sans discontinuité lithologique importante), avec accumulation au sein du solum des particules déplacées (Denis et al., 2008).

6

Figure 3: Carte pédologique de la commune Diabaly issue des données de FAO, 1974.

1.4. Géologie

Les principales formations rencontrées (Figure 4) sont : (Alpha et al., 1991 ; Jerzy, 2011)

? La formation du Terminal Continental comprend des grès et des sables non consolidés. Elle recouvre les méta-sédiments précambriens de Gouma ; Les formations intercalaires continentales du Bassin d'Iullemeden et les sédiments marins du détroit soudanais.

? Dépôts sédimentaires non consolidés : les dépôts quaternaires au Mali sont principalement des alluvions (déposées par des rivières) et des dunes de sable. Des dépôts alluviaux se retrouvent le long du fleuve de Niger, en particulier dans la région intérieure du delta du fleuve de Niger. Les dunes de sable sont bien développées dans le désert du Sahara. Il existe également de petits affleurements de dépôts lacustres dans certaines zones creuses inter-dunes.

7

Figure 4: Carte géologique de la commune Diabaly issue des données de DNGM, 1981. 1.5. Pente

La topographie ne reflète que fort mal la structure (Figure 5). À l'Est de la zone d'étude, s'étend un glacis en pente supérieure à (30%) qui s'élève progressivement (Blanck et Tricart, 1989). Il est par endroits entaillé par une petite vallée sèche.

Ce horst ancien, constitué de roches peu perméables, certaines fortement redressées, bloque les circulations d'eau vers le Nord.

8

Figure 5: Carte de pente issue des données MNA (ALOS PALSAR).

1.6. Climat

Le climat est sahélien (pluviométrie annuelle comprise entre 200 mm et 600 mm). Ce climat est caractérisé par l'alternance de deux saisons : une longue saison sèche s'étalant de novembre à mai (7 mois) et une saison pluvieuse, de juin à octobre (5 mois). La température (22,4°C à 31,9°C) varie au cours de l'année. La pluviométrie de Diabaly est élevée de juin à septembre, puis on constate une baisse ou absence de celle-ci de novembre à mai (Figure 6).

Température (°C)

40

30

20

10

0

40

80

60

0

220

200

20

180

160

Précipitation (mm)

140

120

100

9

jan fev mar avr mai juin juil août sept oct nov dec

Mois

Précipitation (mm) Température (°C)

Figure 6: Diagramme ombrothermique de 2019 issue des données
CLIMATE-DATA.ORG.

1.7. Végétation

Le type de végétation qu'on y rencontre est un mélange de savane arborée, savane arbustive et zones de culture sèche (Florence, 2004). Les baobabs et d'autres grands arbres qui la caractérisaient, laissent de plus en plus la place aux épineux. Avec son climat sahélien, la commune n'a guère une bonne pluviométrie. La désertification y gagne du terrain.

1.8. Population

La population de la commune est estimée à 25 271 habitants (RGPH, 2009). On y retrouve essentiellement 11 groupes ethniques venant d'horizons divers qui sont : Bambara, Peuhls, Sonrhaï, Soninké, Touareg (Bellah), Minianka, Mossi, Samogo, Bozo, Bobo et les Maures. Les langues dominantes sont : le Bamanakan, le Foulfouldé et le sonhrai. La commune constitue un pôle d'attraction à cause de l'importance des activités agricoles. Ainsi chaque année des centaines de travailleurs saisonniers y viennent chercher du travail. Mais, généralement les jeunes de la commune n'émigrent pas et parmi eux de jeunes diplômés sans emploi.

10

1.9. Activités socio-économiques et culturelles

La moitié des 32 villages se trouve en zone exondée et l'autre moitié en zone inondée. Les principales activités économiques sont l'agriculture et l'élevage. L'impact des activités socioéconomiques est pour ainsi dire, la raison d'être de la commune.

Ces activités concernent (USAID, 2007) :

? l'agriculture : elle occupe plus de la moitié de la population. Grâce au système d'irrigation gravitaire de l'eau du fleuve Niger par l'Office du Niger, la riziculture se pratique sur des centaines d'hectares aménagés et hors casiers. La culture maraîchère est aussi importante et permet la production de nombreux légumes dont l'échalote. Cette activité intéresse beaucoup plus de femmes. Les cultures sèches sont surtout pratiquées dans la zone exondée. Elles portent sur le mil et le sorgho. La récolte reste largement tributaire de la pluviométrie.

? l'élevage : il est extensif et est surtout mené en zone exondée en raison de la disponibilité du pâturage. Il porte essentiellement sur les bovins. Dans la zone exondée, le manque d'eau pour l'abreuvement en une certaine période de l'année, de même que la rareté de l'aliment bétail amène les bergers à conduire leurs troupeaux vers les canaux d'irrigation et drainage et les rizières (zone inondée) après les récoltes. Cet état de fait peut entraîner des dégâts d'animaux, sources de conflits entre exploitants agricoles et éleveurs.

? la pêche : cette activité occupe une place importante dans l'alimentation de la population. Elle est principalement menée par les bozos qui sont installés dans des campements qui prennent souvent des allures de villages. Les pêcheurs sont organisés en coopératives. La pêche se fait dans des canaux, drains et des mares.

? le commerce : c'est un domaine très diversifié en développement. Il concerne essentiellement les produits de première nécessité et spécifiquement les produits agricoles comme le riz, le mil, l'échalote. L'illustration des transactions se fait à travers deux (02) foires hebdomadaires dans la commune (Diabaly et Kourouma).

11

CHAPITRE 2 : NOTIONS ET CONCEPTS DE L'ÉTUDE 2.1. Biomasse

La biomasse comprend toute matière organique aérienne ou souterraine, qu'elle soit vivante ou morte. Le terme biomasse correspond à une définition commune de la biomasse au-dessus du sol et de la biomasse souterraine (Hanane, 2012) :

? la biomasse au-dessus du sol comprend toute la biomasse vivante au-dessus du sol, y compris les tiges, les souches, les branches, l'écorce, les graines et le feuillage.

? la biomasse souterraine correspond à toute la biomasse de racines vivantes; les radicelles de moins de 2 mm de diamètre sont exclues, car il est souvent difficile de les distinguer empiriquement de la matière organique du sol.

La biomasse sèche diffère de la verte du fait qu'elle est anhydre. La biomasse est une propriété de base qui est associée à de nombreux processus puisqu'elle décrit la quantification de la respiration des plantes sur la surface observée (Fallon, 2003).

Selon une autre définition, la biomasse est toute matière provenant du vivant (Ademe, 2007). Elle a la propriété d'être une source soit d'énergie soit de matière première (Figure 7).

12

Figure 7: Différentes ressources de la biomasse (source : Ademe, 2007). 2.2. Valorisation de la biomasse

Il existe trois principaux groupes de technologies de conversion énergétique de la biomasse (Caputo et al., 2005 ; Ademe, 2007 ; Broust et al., 2013) :

? des procédés de conversion thermochimique (combustion, gazéification, pyrolyse) pour la biomasse sèche ;

? des procédés de conversion biochimique (digestion, fermentation) généralement pour les biomasses humides ;

de l'extraction qui est un procédé mécanique permettant de produire les huiles, par exemple, du bio diesel à partir du colza.

13

2.3. Avantages et Inconvénients de la biomasse 2.3.1. Avantages de biomasse

L'utilisation et la transformation de la biomasse pour produire de l'énergie, cette dernière offre de nombreux avantages :

· la biomasse participe au traitement et à la destruction des déchets organiques.

· à l'heure où le prix des carburants ne cesse d'augmenter, cette énergie serait une bonne alternative au pétrole.

· les ressources de la biomasse sont disponibles à grande échelle.

· la biomasse est une ressource renouvelable lorsqu'utilisée et gérée de façon durable (Pellecuer, 2007).

· la biomasse peut être convertie en différentes formes d'énergie. Par exemple, le bois peut être traité et converti en gaz (Ademe, 2007).

· l'utilisation du bois-énergie maitrise le coût de l'énergie sur le long terme puisque, à la différence des énergies fossiles, le combustible bois n'est que très peu influencé par les variations conjoncturelles du prix du baril de pétrole (Technique de l'ingénieur, 2013).

· la biomasse n'est pas inerte : après une période plus au moins longue, elle se dégrade et retourne à l'état gazeux (CO2, CH4, NH3, etc.). Sa valorisation énergétique correspond à la maitrise technologique de ces processus. Elle procure des énergies renouvelables (chauffage à la paille ou biogaz, etc.) et des amendements/engrais organiques ou minéraux qui se substituent aux énergies fossiles et aux fertilisants du commerce. Cette utilisation raisonnée participe au maintien des équilibres biogéochimiques : ainsi les émissions de CO2 renouvelable émanant de la combustion de biogaz sont neutres vis-à-vis de l'effet de serre (Technique de l'ingénieur, 2013).

2.3.2. Inconvénients de la production de biomasse

La production de biomasse peut avoir des influences sur l'économie et l'environnement, parmi ses inconvénients, on peut citer :

· la production de biocarburants à un prix conséquent n'est pas encore totalement développée.

· pour produire de la biomasse, il faut des terres agricoles, sauf qu'il y en a peu de disponible. Les cultures vivrières devront donc être rachetées ou abandonnées au profit de la production de biocarburants.

14

? la biomasse peut être polluante si elle est mal utilisée (par exemple ; un hectare de sol absorbe normalement 4 tonnes de dioxyde de carbone par an alors qu'un hectare mal-labouré rejette 1 tonne de dioxyde de carbone par an).

? l'inconvénient majeur de la mise en pratique de la biomasse est que le bois, qui devient source d'énergie après combustion, est souvent surexploité par les industriels. Ce qui provoque une déforestation. Cela peut avoir des effets nocifs sur la biodiversité. De plus, la combustion du bois rejette des éléments néfastes dans l'atmosphère (Ademe, 2007).

2.4. Composition de la Biomasse

La biomasse est constituée majoritairement de carbone, d'hydrogène et d'oxygène (Kirubakaran et al., 2009). Comparativement aux principaux combustibles d'origine fossile, les teneurs importantes en oxygène des biomasses ont la particularité d'avoir un faible pouvoir calorifique (Demirbas, 2010).

Les composants de la biomasse incluent aussi la cellulose, l'hémicellulose, la lignine, les lipides, les protéines, les sucres simples, l'amidon, l'eau, les hydrocarbures, les cendres et d'autres composés. Dans la biomasse, la cellulose constitue la fraction la plus large, suivie de l'hémicellulose, la lignine, les cendres, (Caballero et al., 1996 ; Shebani et al., 2008 ; Demirbas, 2010).

2.4.1. Cellulose

Bien que la structure chimique de la cellulose soit bien connue, sa structure à l'échelle tertiaire, incluant sa structure cristalline et fibreuse, n'est pas complètement résolue. Dans son état naturel, la cellulose est fibrillaire et partiellement cristalline. Elle est constamment associée aux hémicelluloses (Chang et al., 2007).

2.4.2. Hémicelluloses

Les hémicelluloses sont des polymères de polysaccharides ramifiés à basse masse molaire (masse moléculaire moyenne < 30000) (Goyal et al., 2008). La nature et la proportion des hémicelluloses varient sensiblement entre les espèces, et les paramètres qui auront un rôle déterminant dans le comportement du bois lors du traitement thermique.

15

2.4.3. Lignine

La lignine est la deuxième matière organique la plus abondante sur Terre après la cellulose et l'hémicellulose (Demirbas ,2010). Elle rigidifie la paroi cellulaire et c'est grâce à elle que les records de taille du monde vivant sont atteints par des végétaux terrestres.

2.5. Propriétés de la biomasse

Les combustibles biomasses possèdent des propriétés physico-chimiques relativement

différentes selon leur origine ou leur provenance (Caillat et al., 2010).

On peut les caractériser par :

? un taux de matière volatile élevé, typiquement entre 65 à 70% et 80% ;

? une humidité variable selon les types de produits :

· faible (15-30%) pour des combustibles comme la paille de céréales, des cultures énergétiques se récoltant en sec (miscanthus, panic érigé (Panicum virgatum)) et le bois de recyclage (broyat de palettes),

· élevé (40 à 60%) pour du bois issu de l'expiation forestière (plaquettes), de l'industrie de transformation (écorces, coproduits de scieries).

- un taux de cendres également variables selon les types de biomasses :

· faible pour des plaquettes ou copeaux (1 à 2%) et certaines cultures énergétiques comme le miscanthus (2 à 3%),

· un peu plus élevé (6 à 8%) pour des écorces (qui concentrent une bonne partie des minéraux du bois) et des coproduits agricoles type paille de céréales (5 à 8%),

- un PCI sur sec autour de 500KWh/t, à 5% près (le PCI : est le pouvoir calorifique inférieur qui est la quantité de chaleur maximale fournie par une unité de masse de combustible sec lorsque l'eau formée par la combustion demeure à l'état de vapeur) ;

- une densité relativement faible (0,1 à 0,3) pour les combustibles les plus répandus. La densité est plus élevée si la biomasse se trouve sous forme de pellets ou de granulés ;

- une teneur massique en carbone comprise entre 36 et 51% ;

- une teneur massique en azote généralement faible pour du bois (0,1 à 0,4%) mais qui peut augmenter pour de la biomasse agricole (jusqu'à 1 à 1,5% d'azote avec de la paille) ;

- une teneur en soufre très faible (bois) à faible (paille de céréales) en vue de limiter les émissions de SO2 et la corrosion de l'installation ;

- une faible teneur massique en chlore pour du bois non souillé (<0,05%) ; en faisant attention à la paille de céréales qui peut contenir jusqu'à 1% de chlore (émission de HCl et corrosion).

16

2.6. Stratégie de mobilisation de biomasse

Dans le cadre d'une stratégie visant à une mobilisation croissante de la biomasse (sous condition de durabilité), notamment à des fins énergétiques, pour accroître significativement la part d'énergies renouvelables. Il est nécessaire de distinguer les différents types de biomasse destinée à des usages non alimentaires et les grandes logiques techniques, sociales et économiques qui conduisent à les produire.

On distingue ainsi (Alain, 2011 ; Pellecuer, 2007) :

2.6.1. Cultures dédiées à la production d'énergie 2.6.1.1. Plantes agricoles

L'emploi de grains des cultures traditionnelles (avoine, blé) n'est pas rentable au niveau de l'exploitation agricole pour produire un combustible pour chaudière.

En ce qui concerne la production de biocarburants, on observe que ce sont les plantes habituellement utilisées pour produire soit de l'éthanol, soit des huiles, qui sont cultivées afin de le mélanger avec les carburants fossiles en faibles proportion : ce sont des carburants de première génération. Les plantes concernées par la production d'éthanol sont la betterave, le blé, le maïs et la canne à sucre. Pour la production d'huile se sont le colza, le tournesol, le soja, le palmier et l'arachide qui sont utilisés (Alain, 2011).

La seconde génération de biocarburants vise plutôt des plantes permettant de maximiser la production de la biomasse afin de générer le maximum de gaz de synthèse au niveau de gazéifieur.

2.6.1.2. Bois et les forêts

Le bois subit différentes transformations dont la première concerne l'évaporation de l'eau, suivie de la pyrolyse et l'oxydation.

Ces différentes étapes font intervenir des phénomènes de transferts de chaleur au sein du solide qui sont directement fonction de la conductivité thermique du matériau (exprimé en W.m^-1C^-1). Le bois est connu pour être un mauvais conducteur de chaleur du fait de la forte porosité du matériau et du nombre peu élevé d'électrons libres susceptibles d'être délocalisés.

De nombreux facteurs influencent la conductivité thermique du bois, les plus importants sont la direction du flux par rapport à l'orientation des fibres, l'humidité, la densité et la structure du bois.

17

Et enfin les transferts de chaleur au sein du bois sont fonction de la taille des morceaux présents dans le foyer. Plus les échantillons sont volumineux et plus lents vont être les transferts de chaleur dans le matériau.

Le pouvoir calorifique (PC) d'un matériau est l'expression du contenu énergétique du matériau ou encore la quantité de chaleur libérée lors de la combustion dans l'air de ce matériau.

Le PC est habituellement mesuré en termes d'énergie par unité de masse ou de volume, soit MJ/kg pour des solides, MJ/l pour des liquides ou MJ/Nm³ pour des gaz. Le PC d'un combustible peut être exprimé de deux manières : le PC brut ou pouvoir calorifique supérieur (PCS) et le pouvoir calorifique inférieur (PCI).

2.6.1.3. Plantes aquatiques et les algues

Les plantes aquatiques construisent un gisement potentiel de biomasse intéressant. Leur forte humidité implique un séchage préalable pour atteindre un PCI suffisant ou un traitement biologique anaérobique pour produire du biogaz.

Les plantes aquatiques peuvent convenir à une production de biomasse énergétique.

Ce ne sont naturellement pas les seules et ce type d'applications nécessiterait de multiplier les études complémentaires car ce domaine demeure moins investigué que celui des végétaux terrestres.

2.6.2. Résidus de la biomasse

2.6.2.1. Agriculture

Les déchets de culture constituent un gisement de biomasse particulièrement intéressant. Alors que l'on peut considérer que la culture principale nécessite eau, engrais, insecticides, fongicides pour son développement, ces résidus profitent de ces apports et constituent ainsi une source renouvelable ne nécessitant pas un apport spécifique de ces ingrédients contrairement à une culture dédiée.

Par contre, ces résidus abandonnés sur leur site de production contribuent au maintien des teneurs en matière organique et en minéraux du sol qui finirait avec les prélèvements racinaires par s'épuiser.

18

2.6.2.2. Forêts

Les rémanents désignent les petits arbres, les branches, les houppiers et les bois non commercialisables laissés sur place et parfois employée comme combustible. Ils sont produits lors d'éclaircissement ou d'amincissements.

2.6.3. Biomasse des déchets

La biomasse des déchets s'étend à toutes les formes de déchets issus de l'industrie, des collectivités locales, voire de l'agriculture comme les feuillages de pommes de terre ou de betteraves.

2.6.3.1. Déchets fermentescibles des ordures ménagères

La production d'ordures ménagères est évaluée à plusieurs millions de tonnes. Les matériaux à prendre en compte potentiellement sont les déchets putrescibles, les papiers-carton, combustibles et textiles soit un peu moins de 74%. Comme certains matériaux ne sont pas naturels, on ne retiendra que 60-70% de la totalité des ordures ménagères.

2.6.3.2. Déchets verts Ils comprennent :

- les déchets de la voirie et des marchés avec une production de plusieurs millions de tonnes par an pour ce type de déchet.

- les déchets des emballages en bois : les palettes, cageots, cagettes se retrouvent comme déchets dans les marchés d'intérêt national comme les déchets des marchés.

- les bois de construction et de démolition : Les déchets non dangereux du secteur BTP atteignent plusieurs dizaines de millions de tonnes.

2.7. Méthodes d'estimation de la biomasse par Télédétection 2.7.1. Télédétection

La télédétection désigne un ensemble de techniques permettant d'étudier à distance des phénomènes ou objets. La télédétection spatiale, qui nous intéresse plus particulièrement, permet l'acquisition d'un signal (rayonnement électromagnétique réfléchi ou émis), transformé en images afin de l'étudier. C'est seulement un siècle après la première photographie aérienne (Gao, 1996) que les premières applications spatiales voient le jour avec l'observation

19

météorologique. Dans les années 1970, le satellite Landsat1 permet d'observer la surface terrestre et ouvre la voie vers une évolution continue de la télédétection. Depuis, les résolutions se sont affinées, les plages de fréquences ont augmentées et les capteurs se sont diversifiés (optique, radar, laser).

Les deux principaux outils de télédétection spatiale pour observer la végétation sont le radar et le capteur optique.

Les capteurs radar sont des capteurs actifs. Ils envoient un rayonnement électromagnétique et en réceptionnent une partie, une fois réfléchie sur la surface terrestre. Ils ont l'avantage de pouvoir fonctionner de nuit car la source d'énergie reçue n'est pas lumineuse. Cela augmente les possibilités de prise de vue. Ces techniques sont jusqu'à maintenant utilisées majoritairement sur la détection de biomasse forestière (Hussin et al., 1991 ; Luckman et al., 1998 ; Rignot et al., 1995). Elles viennent aussi en appui à l'imagerie optique dans le cas de suivi de cultures (Dusseux et al., 2014 ; Joshi et al., 2016). Si cette technique est fiable pour les végétations arborées, elle l'est encore trop peu pour le suivi de biomasse herbacée dont les variations durant la croissance sont trop faibles pour être détectées.

Les capteurs optiques sont dits passifs. Le capteur réceptionne les ondes électromagnétiques du soleil réfléchies par la surface de la terre (Gao, 1996). C'est en analysant la quantité d'énergie absorbée ou réfléchie dans certaines longueurs d'ondes que nous pouvons étudier certains phénomènes terrestres. Le spectre du visible (observable à l'oeil nu) n'est qu'une partie du spectre du rayonnement solaire (Figure 8). Pour l'étude de la végétation se sont les spectres du visible et l'infrarouge qui sont utilisés.

Figure 8: Spectre du rayonnement solaire.

Dans le spectre du visible (400-700 nm), c'est essentiellement la pigmentation des végétaux qui conditionne les propriétés optiques des végétaux (Joshi et al., 2016). Ils réfléchissent dans le vert et absorbent dans les longueurs d'ondes correspondant au bleu et au rouge (Figure 9). De 700 à 1 300 nm, les végétaux émettent fortement dans le spectre du proche infrarouge. Dans

20

le moyen infrarouge, on observe trois pics d'absorption de l'eau qui renseignent sur le stress hydrique.

Figure 9: Courbe de réflectance d'une feuille dans le visible et l'infrarouge 2.7.2. Imagerie multi-spectrale pour l'estimation de biomasse

L'imagerie multi-spectrale est sans doute l'offre la plus développée en ce qui concerne l'emprise des images, la capacité de revisite ou encore le rapport coût-efficacité (Kumar et al., 2015). Les nombreux capteurs offrent pléthore de possibilités, tant en termes de résolution spatiale que temporelle mais aussi en termes de longueurs d'ondes couvertes. Depuis les années 2000, l'ESA (Agence Spatiale Européenne) et le CNES (Centre National d'Études Spatiales) ont à eux seul lancé dix satellites avec capteur optique pour le suivi de la surface terrestre. Nous trouvons les SPOT5, 6 et 7, Pléiades 1 et 2 et Venus gérés par le CNES ; Sentinel2A, B et 3 et Proba-V gérés par l'ESA. Les images issues de ces satellites peuvent être gratuites ou payantes suivant les capteurs. La résolution offerte peut aller de 100 à 0,5 m et la capacité de revisite peut-être journalière à tri-mensuelle.

En combinant les différentes bandes spectrales qui réagissent différemment suivant l'état de la plante, il est possible de calculer des indices de végétation (IV) permettant d'analyser l'état d'un couvert. Ce sont en général le rouge et l'infrarouge qui sont utilisés dans ces indices. Une plante réfléchie très peu du rayonnement solaire dans les longueurs d'ondes correspondant au rouge. Cette bande sert en quelque sorte d'étalon dans le calcul d'indices. A l'inverse l'activité chlorophyllienne d'une plante aura pour conséquence une forte réflectance dans le proche infrarouge. Sa présence dans un indice de végétation renseignera donc sur l'état de production chlorophyllienne de la plante. Nous pourrons ainsi avoir des renseignements sur l'état de santé

21

de la plante, mais nous pourrons également disposer d'une information quantitative très utile relative à la biomasse.

Les premiers indices utilisés, étaient simples, sous forme de différences ou de ratios entre les bandes spectrales (RVI, DVI). Le NDVI (Indice de végétation par différence normalisée) (Rousse et al., 1974 ; Tucker, 1979) est à ce titre l'indice le plus largement utilisé pour l'étude de cultures (Collet, 2001 ; Pettorelli et al., 2005). Il représente un bon indicateur de la productivité primaire de la végétation terrestre.

Plus récemment, Gao (1996) combine le NDVI et la DVI afin d'obtenir le RDVI (Indice de végétation de différence renormalisée) qui peut réagir en présence d'un faible ou d'un fort couvert végétal, héritant ainsi des avantages respectifs du DVI et du NDVI. D'autres indices (SAVI, TSAVI, OSAVI, MSAVI) font partie d'une famille d'indices permettant de limiter l'impact de la réflectance du sol. Ils peuvent être utiles pour des cultures présentent sur des sols très réfléchissants comme du sable mais aussi en début de repousse lorsque la végétation est peu couvrante.

Enfin le NDWI (Différence normalisée de l'indice de l'eau) (Gao, 1996) réagit à la concentration en eau du couvert étudié.

2.8. Capacité de charge animale

Les herbivores sauvages ou domestiques, du fait de leur aptitude à se déplacer à la recherche de pâturage sur un territoire délimité, sont des prédateurs directs de la végétation qui s'y trouve. La capacité de charge est un ratio, défini par le nombre maximum d'herbivores qui peuvent pâturer une surface donnée, sans détérioration de la végétation (Hervé, 1998). D'autres définitions font référence au temps : nombre d'animaux d'une même espèce que peut supporter une prairie durant un temps déterminé.

Selon Akpo (1990) la capacité de charge d'un parcours est la quantité de bétail que peut supporter ce pâturage et pouvoir se régénérer ; le bétail devant rester en bon état d'entretien voire prendre du poids ou produire du lait ou de la viande. Elle s'exprime en nombre d'Unités Bétail Tropical (UBT) qu'on peut faire vivre de manière durable sur le parcours et calculée à partir de la production de fourrage qualifié.

La perception de la capacité de charge animale varie selon les utilisateurs : écologues et chargés de la conservation, zootechniciens et éleveurs, protecteur de faune sauvage ou chasseurs. Selon les points de vue, le seuil est un maximum à ne pas dépasser ou un optimum à atteindre.

La capacité de charge animale donne l'illusion à certains de traduire les propriétés de l'environnement. Elle peut indiquer, par comparaison, l'état relatif d'une prairie ou, par

22

extension, de toute surface pâturée et c'est en cela qu'elle est utile au développement. Par exemple Choisis et al., (1990) comparent, en unités d'élevage par hectare, la productivité fourragère de parcours et prairies (0,1 à 1 UBT/ha), de cultures pluviales (0,5 à 0,6 UBT/ha), de cultures irriguées (0,5 à 1,7 UBT/ha). Dans un cadre normatif, il s'agit de réglementer l'activité de pâturage en fixant une quantité d'animaux à ne pas dépasser, de manière à assurer les conditions de renouvellement des espèces végétales. La pratique démontre qu'une réduction volontaire du nombre d'animaux est un leurre (Bartels et al., 1993).

DEUXIÈME PARTIE : MATÉRIEL ET MÉTHODES

24

CHAPITRE 3 : DONNÉES ET MATÉRIEL 3.1. Données

Les données utilisées se composent, essentiellement, d'images satellitaires, de données cartographiques et de données sur le nombre d'éleveurs, le nombre de bétail et leurs localités.

3.1.1. Images satellitaires

? Images multispectrales de Sentinel-2B

Dispose d'un ensemble de capteurs MSI (MultiSepectral Instrument) ont été mise en place par l'Agence Spatiale Européenne (ESA) dans le cadre du programme Copernicus pour la surveillance et l'étude des surfaces continentales. Ce capteur a l'avantage d'avoir une haute résolution temporelle de 5 jours et spatiale de 10 m. De plus, il possède des bandes radiométriques dans les longueurs d'onde du bord rouge pour l'étude de la végétation (bandes 5, 6, 7, 8a).

Le capteur a une fauchée de 290 km et sur une Orbite héliosynchrone à 786 km. Pour cette étude, deux scènes prises pendant la fin de saison pluviale pour rendre compte de l'état de la végétation et permet de mieux observer la biomasse sèche (Figure 10).

Elles sont téléchargées sur la plateforme de copernicus (site https://scihub.copernicus.eu/dhus). Pour les traitements de données satellites, les caractéristiques des bandes sont illustrées ci-dessous (Tableau I).

A

B

Figure 10: Couverture des données N0208/R008 (A) ; N0208/R051 (B) de Sentinel-2B de

2019.

25

Les bandes du multispectrale (bleue, verte, rouge, proche infrarouge, infrarouge moyen et lointain) ont servi à la réalisation de ce travail. Ces images ont été choisies du fait de leurs caractéristiques spectrales (images prises sur différentes longueurs d'ondes), spatiales (haute résolution) et temporelle (bonne répétitivité) permettant une bonne cartographie de l'occupation du sol et un diagnostic de l'état hydrique à grande échelle.

Tableau I: Caractéristiques des bandes de Sentinel-2B

Path/ Row	Date d'acquisition	Capteur	Bande	Centre ë (nm)	Intervalle spectral (nm)		Résolution spatiale (m)	N0208/R008
2019/10/25	S2MSI1C	1 : Bleu profond	443	20	60
			490	65	10
			560	35	10
			665	30	10
				15	20
			740	15	20
			783	20	20		N0208/R051
2019/10/28
			842	115	10
			865	20	20
			945	20	60
			1375	30	60
			1610	90	20
			2190	180	20

? Image MNT de ALOS PALSAR

ALOS PALSAR 12, 5×12,5 m de 2007 est un Modèle Numérique d'Élévation, provenant du satellite ALOS PALSAR et téléchargeable gratuitement sur le site : https://search.asf.alaska.edu/. Il appartient au programme ALOS ("Advanced Land Observing Satellite") coproduit du MITI et de la NASA. Il est exploité pour extraire la carte de relief et la carte de pente de la zone d'étude.

26

3.1.2. Couches numériques et photographies

Outre les données satellitaires, la base de données numérique du Mali, réalisée en 2009 par IGM a été utilisée. Elle comporte le découpage administratif (régions ; cercle et commune, localité...), la géologie, et la pédologie du Mali. Les photographies sont constituées d'images des différentes unités d'occupation du sol, prises sur le terrain et les descriptions qui leurs sont associées.

3.1.3. Données générales sur l'élevage

Les données générales sur l'élevage utilisées sont constituées des données sur le nombre d'éleveurs, le nombre de bétail et leurs localités. Ces données couvrent la commune de Diabaly sur la période 2019. Elles sont exploitées pour identifier les éleveurs et calculer la quantité de biomasse consommé par an dans la zone d'étude.

Le traitement de ces données a nécessité l'utilisation de plusieurs outils.

3.2. Matériel

Pour l'étape du terrain, nous avons utilisé des matériels suivants :

? Un appareil photo numérique pour les prises de vue des différents sites visités ;

? Une fiche de relevé pour la notation des informations utiles (le nombre des éleveurs, le nombre de bétail et leurs localités).

Les logiciels utilisés dans ce travail sont :

? SNAP 5.4 : Logiciel pour le traitement des images Sentinelles. Il a servi dans : les transformations d'images et les calculs des indices (OSAVI et Biomasse) ;

? Envi 5.3: développé par Exelis, est un logiciel de traitement numérique des images. Il a servi dans : la classification par arbre de décision ;

? Arcgis Desktop version 10.5: logiciel SIG de ESRI, développé pour faciliter la gestion et l'analyse des données spatiales afin de répondre à une problématique donnée. Il a été utilisé pour habiller et éditer les différentes cartes.

27

CHAPITRE 4 : MÉTHODOLOGIE 4.1. Collecte des données d'enquête

La méthode de collecte des données est essentiellement basée sur les enquêtes du terrain. Le but est d'estimer (le nombre d'éleveurs, le nombre de bétail et leurs localités) pour identifier les éleveurs et calculer la quantité de biomasse consommé par an dans la commune de diabaly. Nous avons élaboré une fiche technique pour les enquêtes de terrain. Les informations recueillies ont été puisées auprès de coopérative « Niéta » de la commune de Diabaly.

4.2. Cartographie d'occupation du sol à partir d'image MSI de sentinel-2B

La méthode de cartographie de l'occupation du sol est essentiellement basée sur la Télédétection et les SIG (Figure 12). Le but est de réaliser la carte d'occupation du sol pour mieux comprendre l'évolution du couvert végétal, dans la commune rurale de Diabaly. Des images satellitaires prises par le capteur MSI de Sentinel-2B ont été utilisée. Les prétraitements nécessaires et indispensables sont : la correction radiométrique, atmosphérique et le mosaïque d'image.

4.2.1. Prétraitement l'image MSI de Sentinel-2B

4.2.1.1. Correction radiométrique et atmosphérique

L'amélioration radiométrique consiste à corriger les effets des différents artefacts qui perturbent la mesure radiométrique, notamment les défauts du capteur et le voile atmosphérique. Traversant l'atmosphère, le rayonnement subit une atténuation due aux interactions d'absorption et de diffusion. La correction atmosphérique débarrasse le rayonnement de tous ces effets atmosphériques, et convertit les radiances en réflectances. Les images subissent la correction des effets atmosphériques afin d'harmoniser les luminances au sol et rendre comparables les images acquises sous périodes et conditions climatiques variées.

4.2.1.2. Mosaïque d'image et extraction de la zone d'étude

La zone d'étude couvre deux (02) scènes qui ont été nécessaires pour du découpage Sentinel-2B (Figure 11). La mosaïque des scènes a été possible grâce à l'outil Mosaicing, suivi de l'extraction de la zone d'étude à partir de l'outil Image clip.

28

Figure 11: Mosaïque des scènes N0208/R008 ; N0208/R051 MSI de Sentinel-2B de 2019.

4.2.3. Traitement de l'image satellitaire Sentinel-2B

4.2.3.1. Choix d'une composition colorée et identification d'une nomenclature des classes d'occupation du sol

La composition colorée fait appel à trois bandes spectrales. Elle permet une meilleure discrimination entre les objets géographiques. La bande du Proche Infrarouge (PIR) réfléchit plus la végétation et distingue les cultures des sols nus ; la bande du Moyen Infrarouge (MIR 1) sépare les forêts des cultures et la bande de l'Infrarouge Lointain (MIR 2) a une forte réflectance pour les sols nus et les zones d'habitats. Pour cette étude, la composition retenue est celle de bandes (4-5-7), ou bien la composition colorée (PIR-MIR1-MIR2).

4.2.3.2. Choix des sites d'entraînement

Il a consisté à identifier des sites sur l'image, à partir du logiciel ENVI, nous accédions à la réalité terrain offerte par le module de GOOGLE EARTH qui y est intégré.

4.2.3.3. Extraction des classes d'occupation du sol à partir des signatures spectrales

L'unité paysage ou faciès image est défini comme un ensemble de surfaces ayant des caractéristiques (spectrale, morphologique et textural) communes sur une image. Les

29

rayonnements réfléchis en fonction de la longueur d'onde sont appelés signature spectrale de la surface (Tableau II).

? Extraction de la classe sol nus habitats

Les rayons réfléchis par les sols nus habitats augmentent légèrement de la plage visible à la plage infrarouge du spectre. La segmentation est effectuée sur la bande MIR 2 car les sols nus réfléchissent fortement dans ce canal alors que la végétation et l'eau absorbent le rayonnement, ce qui permet de distinguer les sols nus habitats.

? Extraction de la classe eau

En règle générale, l'eau ne réfléchit que dans la plage de lumière visible. Dans la mesure où l'eau ne réfléchit quasiment pas dans la plage du proche infrarouge, elle est très différente des autres surfaces. Ainsi, les surfaces d'eau seront clairement délimitées en tant que zones sombres (faibles compte numériques) sur les images enregistrées dans le PIR.

? Extraction de la classe culture et végétation

La signature spectrale des plantes vertes est très caractéristique. La chlorophylle d'une plante en développement absorbe la lumière visible, surtout la rouge, pour l'utiliser en photosynthèse tandis que le proche infrarouge se réfléchit très efficacement car la plante évite tout réchauffement inutile ou perte de sève par évaporation. Par conséquent, le réfléchissement de la végétation dans le proche infrarouge et dans les plages visuelles du spectre, varie considérablement. Les zones de cultures, sont segmentées sur la bande du PIR. Le niveau de différence révèle l'ampleur de la zone couverte par des feuilles vertes en croissance.

4.2.3.4. Discrimination des unités d'occupation du sol

La mission terrain s'est déroulée du 19 au 25 Août 2019 a permis de parcourir la commune rurale de Diabaly et pour la validation des différentes classes d'occupation du sol (Tableau II). Les coordonnées des points relevées ont été insérées dans le récepteur GPS, puis à partir de la fonction `'GO TO» ou `'ALLER À» nous avons pu retrouver les points sur le terrain. Par ailleurs nous avons marqué d'autres points avec le récepteur GPS sur le terrain pour faciliter le travail post terrain. La description et la caractérisation des points visités ont été les principales taches sur le terrain.

En somme, cette mission a permis de visiter et décrire les sites pour la classification d'image d'une part et d'autre part pour la validation de celle-ci.

30

Tableau II: Types d'occupation du sol et Correspondances en pixel.

Description Pixel correspondant Vérité terrain

Eau : Zones composées d'eau de surfaces (fleuve, rivière, retenues d'eau) et de zones inondables (marécage, bas-fonds)				Végétation (Savane herbeuse) : Un recouvrement de 80-95%. Avec présence d'arbustes. Zones de cultures : Parcelles souvent préparées pour l'agriculture et utilisées pour les pâturages. Sols nus et zone de bâtis : Parcelle qui abritent les surfaces mises en valeur (habitations, routes, pistes,..)

4.2.3.5. Classification supervisée (orientée Pixel)

La classification supervisée a été choisie dans le cadre de notre étude. Avec l'algorithme de maximum de vraisemblance (Maximum Likelihood), un algorithme qui repose sur la règle de Bayes. Elle est basée sur des méthodes probabilistes permettant de calculer pour chaque pixel de l'image sa probabilité d'être rattachée à telle classe plus tôt qu'à telle autre (Girard et Girard, 1999). Le pixel est affecté à la classe dont la probabilité d'appartenance est la plus élevée.

31

4.2.3.6. Evaluation et validation de la classification

Une évaluation par la matrice de confusion de la qualité statistique des noyaux. Le résultat est donné sous forme d'une matrice dite matrice de confusion qui contient deux indices utilisés pour la validation finale :

? La précision globale :

Elle est égale au nombre total de pixels correctement classifiés (diagonale de la matrice de confusion) divisé par le nombre total de pixels de vérification (Congalton, 1991). Elle est comprise entre 0 et 100%.

???? = ? (D????*k??)

n ??=1 ?? (%) (Congalton, 1991) (1)

? k??

Avec : i : identifiant de la classe, D : diagonale en i, k : nombre de pixels de la classe i.

? L'indice de Kappa :

Permet d'évaluer globalement la fiabilité des résultats de la classification par rapport aux données de référence. Il est compris entre 0 et 1 et est calculé à partir de l'Équation 3 :

r r

N ?xii?? ? i?1 i?1		?xi? *x?i ?		(Congalton, 1991) (2)	K ?

?

r

N 2 ? ??xi? *x?i i

Avec : xi+ : nombre total en colonne de la classe i, x+i : le nombre total en ligne de la classe i, xii : la somme des diagonales et N= 100 (nombre total de pixel de l'image).

L'accord est bon pour les valeurs du kappa comprises entre 0,61 et 0,81 et l'accord est très bon pour les valeurs du kappa supérieures à 0,81.

4.3. Déterminer la capacité de charge du pâturage de la commune rurale de Diabaly 4.3.1. Estimation de la quantité de biomasse à partir des images MSI de sentinel-2B

La méthode d'estimation de la quantité de biomasse est essentiellement basée sur les relations empiriques entre la biomasse et les indices végétation (Figure 12). Le but est de réaliser la carte montrant la production de biomasse en t/ha à la fin de saison de pluie pour calculer la capacité du pâturage de la zone d'étude. L'image satellitaire prise par le capteur S2MSI1C (MultiSepectral Instrument) de Sentinel-2B en 2019 a été utilisée.

32

La méthode d'estimation de la quantité de biomasses est basée sur des calculs d'indices qui sont :

? l'indice de végétation ajusté du sol optimisé (OSAVI, Rondeaux et al., 1996) est l'un des indices développés pour réduire l'impact du sol. Rondeaux et al., (1996) l'ont développé en utilisant la réflectance bidirectionnelle dans les bandes infrarouge et rouge et en calculant un coefficient d'ajustement des effets des sols (0,16). Le OSAVI est plus adapté aux régions agricoles présentant un développement homogène de la végétation. Ce coefficient a été choisi comme la valeur optimale pour réduire au minimum l'effet des sols en milieu agricole et sol faiblement végétalisée.

PIR-R

OSAVI = (3)

PIR+R+0,16

? La biomasse sèche a été calculée à partir de l'équation (4). L'équation de prédiction de la biomasse a été appliquée sur les images OSAVI, et de nouvelles valeurs sont générées de la même façon que celle suivie pour OSAVI (Rondeaux et al.,1996).

Biomasse = 0,2775 X exp (5,9168 X OSAVI) (4)

4.3.2. Détermination de la capacité de charge du pâturage

Le calcul de la capacité de charge est accompagné d'un coefficient d'utilisation. Les estimations relatives à ce coefficient sont variables selon les types de parcours et selon les auteurs. En région sahélienne, la norme généralement retenue est de 33%, mais peut osciller entre 25% et 40% (Fouad, 2015). Boudet (1987) estime que seul le tiers du stock fourrager de début de saison sèche est consommable par le bétail. La capacité de charge est :

ki x biomasse consommable (kg MS/ha)

CC(UBT/ha) = (6)

6,25 kgMS/UBT/ jx365

Où : ki est la fraction consommable sans dénudation complète du pâturage, avec ki = {k1, k2} et k1 = 1/3 pour les savanes et k2 = 1/2 pour les jachères, UBT= Unité de Bovin Tropical.

	MSI-S2B					Prétraitement : - Correction radiométrique - Correction atmosphérique
			Calcul d'indices : OSAVI, Biomasse

Cartes d'occupation du sol de 2019

Extraction de la zone d'étude

Analyse post
classification

Visite de terrain

Biomasse consommable
(BC) = 1/3*biomasse

Capacité de charge du pâturage (UBT/ha)

OSAVI

PIR - R

PIR + R + 0,16

Biomasse = 0,2775 X exp (5,9168 X
OSAVI)

Classification supervisée :
Orienté Pixel (maximum de
vraisemblance)

Validation

33

Figure 12: Organigramme méthodologique de cartographie et estimation de la biomasse.

TROISIÈME PARTIE : RÉSULTATS ET DISCUSSION

35

CHAPITRE 5 : OCCUPATION DU SOL 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.

5.3. Carte de l'occupation du sol de la commune de Diabaly

La carte d'occupation du sol de 2019, issue de la classification de l'image Sentinel-2B est présentée par la figure 14. Ce sont quatre (4) classes d'occupation du sol qui ont été identifiées dans la commune rurale de Diabaly : l'eau, les cultures, les sols nus Habitats, les sols faiblement végétalisés. La classe d'eau est constituée principalement par les canaux d'irrigation, les plans d'eau (de Molodo, Boh, Méma). La classe cultures sont constituées de riz, mil, sorgho et culture maraîchers. La classe sol nu Habitats sont constituées des routes, espace publique et maisons. La classe sol faiblement végétalisée est un mélange de savane arborée et savane arbustive.

38

Figure 14 : Carte d'occupation du sol de la zone d'étude 2019.

Les superficies des différentes unités d'occupation du sol 2019 sont représentées (figure 15). Plusieurs constats peuvent être faits :

? les sols faiblement végétalisés occupent la plus grande portion en termes de superficie 49% soit 7532,32 ha,

? quant aux cultures, ils ont une superficie inférieure aux sols faiblement végétalisés 43% soit 6709 ha,

? sol nus/habitats occupe une superficie inférieure aux cultures 5% soit 734,81 ha,

? on observe une faible superficie d'eau de 3% soit 466,37 ha.

Superficies en (%)

43%

5%

3%

49%

Eau

Sol faiblement végétalisé

Cultures

Sols nus/Habitats

39

Figure 15 : Répartition des classes d'occupation du sol issue de la classification de l'image
MSI de Sentinel-2B de la commune rurale de Diabaly 2019.

40

CHAPITRE 6 : CAPACITÉ DE CHARGE DU PÂTURAGE 6.1. Indice de Végétation Ajusté du Sol Optimisé (OSAVI)

Le résultat de l'Indice de Végétation Ajusté du Sol optimisé est une image mono canal sur laquelle a été appliquée une palette de couleur dégradée. Cet indice permet de mieux isoler la valeur optimale pour réduire au minimum l'effet des sols. L'image (Figure 16) présente l'indice OSAVI, les plus fortes (couleur verte) valeurs comprises entre 0,51 et 1 et valeurs les plus faibles sont comprises entre -0,83 et 0,32. Cependant, les valeurs comprises entre 0,51 à 1 sont situées dans les zones de cultures (zone inondée) et celle comprise entre -0,83 à 0,32 est située dans les zones faiblement végétalisées (zone exondé).

Figure 16 : Occupation du sol à partir de l'Indice de Végétation Ajusté du Sol Optimisé
(OSAVI) image Sentinel-2B.

6.2. Biomasse produite

Le résultat de l'Indice de biomasse est une image mono canal sur laquelle a été appliquée une palette de couleur dégradée. Cet indice permet de mieux isoler la biomasse dense de la commune de Diabaly. L'image (figure 17) présente une biomasse dense (couleur verte) de valeur 6 tonne/ha. Elle est faible (couleur jaune) de valeur 1,5 tonne/ha et très faible (couleur

41

rouge) de valeur 0,5 tonne/ha. La production de biomasse sèche issue de cette étude est faible. Elle varie en fonction de l'unité d'occupation du sol. Elle est plus forte dans les zones de riziculture (zone inondée) de 6 tonne/ha, moyenne pour les cultures sèches (mil, sorgho) de 1,5 tonne/ha dans la zone exondée (Figure 17). On observe une faible production de biomasse de 0,5 tonne/ha dans la zone faiblement végétalisée (zone exondée).

Figure 17 : Carte de la biomasse (t/ha) issue de l'image MSI de sentinel-2B.

6.3. Répartitions de la biomasse

La figure 18 présente le rendement de biomasse par unité de superficie (voir annexe). La commune rurale de Diabaly produit environ 19 618 tonnes de biomasses (ms) sur une superficie de 15 443 ha (Figure 18). Elle est plus élevée 10357 tonnes (classe 6 t/ha) sur une superficie de 1726 ha pour les rizicultures (zone inondée), contre une valeur de 5657 tonnes (classe 1,5 t/ha) sur une superficie de 2403 ha pour les cultures sèches (zone exondée) et une valeur de 3604 tonnes (classe 0,5 t/ha) sur une superficie de 11314 ha pour les sols faiblement végétalisés (zone exondée).

12000

11314

tonnes (t)/hectare (ha)

10000

4000

8000

6000

2000

0

2403

3604

1726

10357

5657

42

0,5 1,5 6

classes de biomasse

Superficies (ha) Biomasse (t)

Figure 18: Rendement de biomasse par unité de superficie (t/ha). 6.4. Quantité de biomasse consommable

La quantité de biomasses produite est de 19 618 tonnes (figure 18). Elle n'est pas entièrement disponible à la consommation des bétails. La biomasse consommable est de 6539 tonnes. Cette quantité de biomasses consommable est utilisée pour calculer la capacité de charge du pâturage à l'aide de l'équation 6. La production de matière sèche est très variable d'un type d'occupation du sol à l'autre et la disponibilité en eau du sol, directement liée à la position topographique qui joué un rôle important. Ainsi, la zone irriguée (zone de riziculture par inondation) située dans les bas-fonds et donc relativement humide, a une production de biomasse la plus élevée, soit 6 t ms/ha. Celle des zones exondées (zone qui reçoivent la précipitation) ont une faible production de biomasse, soit 0,5 t ms/ha. De plus, le sol a une forte teneur en éléments fins.

6.5. Capacité de la charge du pâturage de la commune rurale de Diabaly

La capacité de charge enregistrée est très faible. Elle est de l'ordre de 0,94 UBT/ha/an. Au regard de résultat obtenu, le terroir de Daibaly connaît une exploitation très intensive des ressources végétales naturelles. Ce pendant la faible valeur de capacité de la charge du pâturage de la commune de Diabaly, soit 0,94 UBT/ha/an est dû à une faible précipitation annuelle, soit 499 mm de pluie en l'année 2019.

43

DISCUSSION

La carte d'occupation du sol de la commune rurale de Diabaly en 2019 a été obtenue par la méthode de classification supervisée avec l'algorithme maximum de vraisemblance. En effet, cet algorithme, par sa capacité de discrimination des classes thématiques, a permis d'identifier quatre (4) types d'occupation du sol. La carte a été utilisée pour analyser l'évolution du couvert végétal de la zone d'étude. Par ailleurs, l'analyse de la matrice de confusion révèle quelques irrégularités (sol faiblement végétalisé et sol nus habitats, zones de cultures). Cette difficulté de discrimination est due à la similarité des signatures spectrales de ces types d'occupation du sol. En effet l'image MSI de Sentinel-2B, utilisée dans ce travail, a été prise à un moment où les activités chlorophylliennes des plantes étaient moins importantes, ce qui a rendu souvent difficile la distinction de la classe sol faiblement végétalisé et les cultures, les sols nus habitats. Cette tendance confirme les conclusions tirées par Yossi et al., (1996) et Sogodogo (2015), dans une étude sur la dynamique de la végétation post-culturale au Mali. Malgré cette limite de la méthode utilisée, les résultats des différentes classifications restent fiables. Ainsi la précision globale de la classification d'image obtenue est respectivement de 86,90%. Ces précisions corroborent avec d'autres auteurs tels que :

? Yossi et al., (2008) ont trouvé des précisions globales de 83 % et 88 % dans une étude de la dynamique de l'occupation du sol et de la végétation en zone guinéenne nord et soudanienne du Mali.

? Sogodogo (2015), dans une étude menée sur l'apport de la Télédétection et des Systèmes d'Information Géographique à l'étude de la dynamique des superficies agricoles au Sud du Mali avec des précisions globales de 87,29 % pour l'image de 2013.

La production de biomasse sèche issue de notre étude varie de 0,5 à 6 tonnes/ha. Elle est plus élevée pour les cultures dans les zones inondées que celles des sols faiblement végétalisés dans les zones exondées. Au regard des résultats obtenus, le terroir de Diabaly connaît une exploitation très intensive des ressources végétales naturelles. Les capacités de charge enregistrées sont très faibles. Elles sont de l'ordre de 0,94 UBT/ha/an. Cette variabilité des capacités de charge est fonction des biomasses herbacées moyennes, qui varient elles aussi en fonction de l'écologie, de la nature du sol, et aussi de la pression anthropique (Experco International/ID Sahel, 2014). Dans les unités pastorales à végétation sur cuirasse ou sur gravillon, donc sur sols peu profonds, les valeurs de biomasse de même que celles de capacité de charge sont très faibles (Sawadogo, 2011). Selon le même auteur, la phytomasse et la capacité de charge (en UBT à l'hectare ou en nombre jours pour une UBT) apparaissent d'autant plus faibles que le sol est plus mince et plus sec.

44

CONCLUSION

Au terme de cette étude, notons que la Télédétection et les SIG sont des outils qui permettent d'évaluer la production de biomasse sèche et la capacité de charge du pâturage de la zone d'étude. L'indice de la Télédétection (OSAVI) a permis de déterminer les différentes la biomasse consommable 6539 tonnes et une capacité de charge de 0,94 UBT/ha/an. La production de biomasse sèche est faible sur l'ensemble des zones pastorales. Elle est plus élevée pour les cultures dans les zones inondées que celles des sols faiblement végétalisés dans les zones exondées.

L'occupation du sol issu d'images Sentinel-2B 2019 a permis de distinguer 4 classes ; l'eau, les cultures, les sols nus Habitats, les sols faiblement végétalisés. Les sols faiblement végétalisés font l'objet d'intense exploitation pastorale par les troupeaux des éleveurs. Toutefois, ces pâturages sont abandonnés en octobre à cause de la réduction de l'herbage disponible. En fin de saison des pluies (octobre), au cours de la saison sèche (octobre à mai), la pâture se déroule dans les zones de cultures. Les résidus de récolte et les pailles non brûlées sont pâturés par les bovins. Le feu de végétation précoce est allumé de décembre à janvier et l'on assiste à une réduction de l'herbage disponible. Les ligneux jouent un rôle important dans l'alimentation. Le problème d'alimentation est aggravé en mois de février, mais à cause du feu dans les zones de cultures qui réduit les résidus de récolte.

Sur la base des résultats et des limites de cette étude, quelques recommandations méritent d'être faites. Ces recommandations se résument en des points essentiels que sont :

· créer une base de données cartographique intégrée pour la gestion de l'élevage au Mali,

· aménager les zones de végétation afin de restaurer le couvert végétal durant toutes les saisons de l'année,

· valoriser les pratiques d'embouche qui réduisent le défrichement de la couverture végétale,

· faire d'autres études sur la qualité de cette biomasse fourragère.

PERSPECTIVES

En se référant à notre objectif principal qui est de déterminer la disponibilité spatiotemporelle de la biomasse pour l'élevage, il serait nécessaire et indispensable de :

· étendre cette étude à l'ensemble du territoire,

· utiliser les images satellitaires de très haute résolution Radar, Lidar, QuickBird, Spot...etc., afin d'avoir plus d'informations désagrégées ;

45

? évaluer les effets du changement climatique sur la production primaire au sahel et la qualité du fourrage.

46

RÉFÉRENCES BIBLIOGRAPHIQUES

Adeline C., Marie-Josée P., Isabelle G., (2011). Approches par télédétection et cartographie des espaces sahéliens mauritaniens, p. 20, 32 pp.

Ademe (2007). La valorisation de la biomasse, Guide d'information à l'attention des administrations et des établissements publics. pp. 1-39.

Alain (2011). La biomasse énergie, définition, ressources, usages. Pp. 25-30.

Akpo LE., (1990). Dynamique des systèmes écologiques sahéliens : structure spécifique, productivité et qualité des herbages : le forage de Widdu Thiengoly. Mémoire de DEA, Université Cheiq Anta Diop de Dakar, Dakar, 65 p.

Alary V., et Dieye P.N., (2006). Etude du commerce régional de bétail entre le Mali et l'Algérie, Field review STDF 13, FAO/OIE, Rapport CIRAD, Montpellier, 31 p.

Alpha A., Traoré A.Z., Mariko A., Banton O., Villeneuve J.P., Ait-Ssi L., (1991). Hydrogéologie et contamination de la nappe phréatique alimentant la ville de Bamako. Rapport des travaux réalisés dans le cadre d'une subvention du Centre de recherches pour le développement international du Canada (CRDI), Ottawa, Canada. pp. 54-63.

Anderson, G.L., Hanson, J.D. and Haas, R.H., (1993). Evaluating Landsat Thematic Mapper derived vegetation indices for estimating above-ground biomass on semiarid rangelands. Remote Sensing of Environment. 45, pp. 165-175.

Bartels G.B., Nortok B.E., Perrier G.K., (1993). An examination of the carrying capacity concept, in R.H. Behnke, 1. Scoones and C. Kerven eds: Range ecology at disequilibrium, Overseas Development Institute, London: pp. 89-103.

Blanck J.P., et Tricart J., (1989). L'office du Niger, mirage du développement au Mali. Annales de géographie, n°549, pp. 567-587.

Boudet G., (1987). Connaissance et gestion de l'espace pastoral sahélien, Terroirs pastoraux et agro-pastoraux en zone tropicale, Maisons-Alfort IEMVT, étude et synthèse de l'IEMVT, 24 : pp. 5-59.

Boutonnet J.P., Griffon M., Viallet D., (2000). Compétitivité des productions animales en Afrique subsaharienne et à Madagascar. Synthèse générale. Ministère des Affaires Etrangères, DGCID, Paris, 100 p.

Broust F.,Van P., Steene., (2013). Biocarburants de seconde génération et bioraffinerie. p.78. Caballero J. A., Font R., Marcilla A., (1996). Comparative study of the pyrolysis of almond

shells and their fractions, holocellulose and lignin. Product yields and kinetics,

Thermochimica Acta. 276 p: pp. 57- 77.

47

Caillat S., Perdrix E., Tabet K., Taupin B., (2010). Cocombustion de charbon et de biomasse - Cas des chaudières industrielles, Techniques de l'Ingénieur. pp. 47-52.

Caputo A.C., Palumbo M., Pacifico, Pelagagge M., Scacchia F., (2005). Economics of biomass energy utilization in combustion and gasification plants: effects of logistic variables, Biomass and Bioenergy. pp. 35-51.

Chang M.CY., Harnessing, (2007). from plant biomass, Current Opinion in Chemical Biology. pp. 677- 684.

Choisls, J.P., Cervakes, N., Lhoste, P., (1990). Effets saisonniers sur certains paramètres de la production bovine dans les élevages mixtes de I'Etat de Colima au Mexique. Rewe Éh Méd ht. Pays trop., 43 (1) : pp. 97-104.

Collet, C., Calloz, R., (2001). Précis de Télédétection : Traitements Numériques d'Images de Télédétection. Presses de l'Université du Québec, Universités francophones, Sillery, 403 p.

Congalton R. G. (1991). A review of assessing the accuracy of classification of remotely sensed data. Remote sensing of environnement, vol.37, n°1, pp. 37- 46.

CPS (2007). Recensement Général de l'Agriculture (RGA), Campagne Agricole 2004-2005, Principaux résultats définitifs, Volume 1 : Rapport de synthèse, Cellule de planification et de la statistique du Ministère de l'agriculture, Bamako, Mali, 141 p.

Demirbas, A., (2010). Biorefineries, Springer. pp. 25-30.

Denis B., Michel C.G., (2008). Réferentiel pédologique. pp. 221-317.

Dusseux, P., Corpetti, T., Hubert-Moy, L. et Corgne, S. (2014). Combined Use of MultiTemporal Optical and Radar Satellite Images for Grassland Monitoring. Remote Sensing, vol. 6, n°7, pp. 6163-6182.

DNPIA (2010). Rapport annuel. Ministère de l'élevage et de la pêche, Bamako, Mali, 113 p. DNGM, BRGM. (1981). Notice explicative au 1 :1 500 000 de la République du Mali.57p. Experco International/ID Sahel, (2014). Rapport Mise en place d'une base de données pour

suivi pastoral. DRPIA/MDR. 52 p.

Fallon, É., (2003). Évolution du rendement, de la proportion des calibres et du taux d'humidité des pois (Pisum sativum L.) destinées à la transformation. Mémoire de maîtrise en sciences de l'agriculture et de l'alimentation, Université Laval, Québec. pp. 31-33.

FAO, (1974). La légende de la carte des sols du monde. Volume 1, UNESCO, Paris.147p. FAO, (2012). La transhumance transfrontalière en Afrique de l'Ouest, Proposition de plan d'action. 146 p.

48

Florence B., (2004). Article « Les désajustements environnementaux dans la région de l'Office du Niger : évaluation et perspectives » 71 p.

Fouad R., (2015). Contribution à l'évaluation des ressources fourragères des parcours steppiques de l'Est Algérien « Cas de la région de Tébessa ». Doctorat d'Etat, Université El hadj Lakhdar, Batna, 120 p.

Franklin, J., (1986). Thematic Mapper analysis of coniferous forest structure and composition, International Journal of Remote Sensing, vol. 7(10): pp. 1287-1301.

GAO, B., (1996). NDWI- A normalized difference water index for remote sensing of vegetation liquid water from space. Remote Sensing of Environment. 58. pp. 257-266.

Girard M.C. et Girard C.M. (1999). Traitement des données de télédétection. Dunod ed. Paris, 529 p.

Godard V., (1991) : « Utilisation conjointe de la télédétection et de l'enquête terrain lors d'inventaires d'occupation du sol. Recherche méthodologique appliquée au Sahel Sud Mauritanien », Thèse de doctorat en Géographie, EHESS. pp. 535-537.

Goyal H.B., Seal D., Saxena R.C., (2008). Bio-fuels from thermochemical conversion of renewable resources: A review, Renewable and Sustainable Energy Reviews. pp. 504 - 517.

Grouzis (M)., (1988). Structure, productivité et dynamique des systèmes écologiques sahéliens (Mare d'Oursi, Burkina Faso). Etudes et thèses, ORSTOM, Paris. 336 p.

Hanane, A., (2012). Estimation des variables biophysiques des cultures et étude de l'effet du changement d'échelle sur leur variabilité spatiale. Mémoire de maîtrise en ressources renouvelables, Université Chicoutimi, Québec. pp. 26-28.

Hervé D., (1988). Zonas de pastoreo, recursos forrajeros y tipos de ganaderia. In: Polkas agrarias y estrategias campesinas, Lima, UNALM-IFEA-ORSTOM, anexo 4: pp. 71-120.

Hussin, Y. A., Reich, R. M. et Hoffer, R. M. (1991). Estimating splash pine biomass using radar backscatter. IEEE Transactions on Geoscience and Remote Sensing, vol. 29, pp. 427-431.

Jerzykiewicz T., (2011). Geology of the southern margin of the Taoudeni basin (Bamako area Progress Report (Mali), (Geoclastica Consulting Ltd).142 p.

JOHNSON, I.R., THORNLEY, J.H.M., (2006). Vegetative crop growth model incorporating leaf area expansion and senescence, and applied to grass. Plant, Cell & Environment. 6. pp. 721-729.

49

Kaur, R., Singh, B., Singh, M., Thind, S.K., (2015). Hyperspectral Indices, Correlation and Regression Models for Estimating Growth Parameters of Wheat Genotypes. Journal of the Indian Society of Remote Sensing. 43. pp. 551-558.

Kirubakaran V., Sivaramakrishnan V., Nalini R., Sekar T., Premalatha M., Subramanian P., (2009). A review on gasification of biomass, Renewable and Sustainable Energy Reviews. pp. 179-186.

Loireau M., Sghaier M., Fetoui M., Ba M., Abdelrazik M., d'Herbes J.-M., Desconnets J.-C., Leibovici D., Debard S. et Delaître E., (2007). « Système d'Information sur l'Environnement à l'échelle locale (Siel) pour évaluer le risque de désertification : situations comparées circumsahariennes (réseau Roselt) », Sécheresse, 18, p. 4, pp. 328335.

Luckman, A., Baker, J., Honzák, M. et Lucas, R. (1998). Tropical Forest Biomass Density Estimation Using JERS-1 SAR: Seasonal Variation, Confidence Limits, and Application to Image Mosaics. Remote Sensing of Environment, vol. 63, n°2, pp. 126- 139.

Mulumba J.B.K, Somda J, Sanon Y, Kagoné H, (2008). Élevage et marché régional au Sahel et en Afrique de l'Ouest. Potentialités et défis. CSAO-OCDE/CEDEAO, 182 p.

Pellecuer. B., (2007). Energy renouvelable, Agriculture, 48 p.

Pettorelli, N., Vik, J. O., Mysterud, A., Gaillard, J.-M., Tucker, C. J. et Stenseth, N. C. (2005). Using the satellite-derived NDVI to assess ecological responses to environmental change. Trends in Ecology & Evolution, vol. 20, n°9, pp. 503-510.

Primature (2003). Enquête Malienne sur l'évaluation de la pauvreté (EMEP). Résultats définitifs. Ministère Délégué Chargé du Plan, Primature, Mali, 6 p.

RGPH (2009). 4ème recensement général de la population et de l'habitat du Mali (RGPH). Tome 1 : Série démographique. Rapports définitifs. 739 p.

Rignot, E. J., Zimmermann, R. et van Zyl, J. J. (1995). Spaceborne applications of P band imaging radars for measuring forest biomass. IEEE Transactions on Geoscience and Remote Sensing, vol. 33, n°5, pp. 1162-1169.

Rondeaux, G., Steven, M. and Baret, F., (1996). Optimization of soil-adjusted vegetation indices. Remote Sensing of Environment, 55, pp. 95- 107.

Samaké A., Bélières J.F., Bosc P. M., et Sanogo O., (2007). Les implications structurelles de la libéralisation sur l'agriculture et le développement rural au Mali. Première phase du programme Rural Struc - Synthèse nationale - MALI. CEPIA/Banque Mondiale & Coopération française. 227 p.

50

Shebani A.N., Reenen A.J.van, Meincken M., (2008). The effect of wood extractives on the thermal stability of different wood species, ThermochimicaActa. 471 p : pp. 43-50.

Sogodogo A., (2015). Apport de la télédétection et des systèmes d'information géographique a l'étude de la dynamique des superficies agricoles dans la commune rurale de loulouni (Sud du MALI). 49 p.

Techniques de l'Ingénieur (2013). La biomasse pour le chauffage. pp. 1-18.

USAID, (2007). Plan de sécurité alimentaire commune rurale de diabaly. Rapport de synthèse, United states states Agency International Developement. 13p.

Yossi H. (1996). Dynamique de la végétation post-culturale en zone soudanienne/Mali. 201 p. Yossi H; Diakite C.H. (2008). Dynamique de l'occupation du sol et de la végétation en zone

guinéenne nord et soudanienne du Mali : Etude de cas dans les régions de Sikasso et de

Mopti. Etude Sahel, Bamako (Mali), 101 p.

Stock de ms

Pâturage Pâturage

Pâturage Pâturage

Stock de ms

xii

ANNEXE

Zones de pâturage et stockage de la biomasse consommable