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.
| 
