Memoire Online - Potentiel et dynamique des stocks de carbone des savanes soudaniennes et soudano- guinéennes du Sénégal

L'approche ici mise en ~uvre s'appuie sur les connaissances tirées des applications de la télédétection à l'étude de la végétation. Sur cette base et à partir des traitements des données LANDSAT et du contrôle de terrain, nous proposons une procédure de cartographie de la végétation à l'échelle locale dans les écosystèmes de savane.

Le choix des données LANDSAT dans le cadre de ce travail s'explique alors et dépend des quatre exigences ci-dessous :

- l'exigence d'avoir des supports images permettant une cartographie détaillée ;

- et, la possibilité de répéter les prises de vue dans une perspective de suivi de la dynamique spatiale de la végétation.

Les données images de niveau 1G ont été reçues sous un format GeoTIFF (Geographic Tagged Image File Format). Ce format est caractérisé par l'association d'informations géodésiques et cartographiques qui ont fait qu'aucune rectification géométrique n'a été nécessaire. Chacune des bandes est délivrée en niveaux de gris non compressés avec une dynamique de 8 bits. Le tableau 22 donne des indications sur les données acquises.

Les conditions d'acquisition n'ont pas toujours permis d'avoir des intervalles chronologiques de dix ans avec des images de qualité. Ainsi la cartographie de l'occupation des sols pour les deux acquisitions souhaitées n'a pas pu se faire pour Wélor et Kantora. Les images ont été acquises entre novembre et décembre de chaque année. La considération de la zone de terroir est basée sur l'hypothèse selon laquelle, les tendances de l'occupation du sol en zones non protégées est plus sévère que celles des zones classée. En outre la dynamique de la

végétation en zone de terroir est un facteur important dans l'évaluation de la vulnérabilité des populations aux modifications de l'environnement.

Nous avons procédé à l'extraction des fenêtres spatiales correspondant aux Forêts Classées étudiées. Une composition colorée 7-4-2 rehaussée a permis par analyse visuelle de décider du nombre de classes représentatives sur chaque image. Pour harmoniser la procédure, une classification non supervisée (ISODATA) a été faite sur chaque fenêtre d'image.

La définition de critères de classifications permet d'éviter des divergences liées à la subjectivité (arbitrage) et au mode de traitement automatique. La classification réalisée part d'un certain nombre de principes que sont :

- L'exhaustivité qui renvoie à la nécessité d'individualiser toutes les classes qui apparaissent sur les images ;

- L'exclusivité mutuelle qui permet d'éviter qu'un type de végétation ne soit représenté dans différentes classes de la zone d'étude ;

- La flexibilité qui permet de pouvoir modifier la nomenclature ou faire des fusions de

classe si les données annexes et le terrain présentent des réalités différentes ;

- L'objectivité qui permet de se concentrer sur les caractéristiques de la végétation et éviter

- La représentativité, pour que les classes identifiées soient des entités spatiales

La classification non supervisée par ISODATA a été utilisée pour éviter les divergences liées aux besoins de cohérence (conformité) dans le choix de zones d'entraînement pour deux dates successives. ISODATA utilise un algorithme qui effectue d'abord un calcul des moyennes de classes et ensuite de façon itérative, les pixels de l'image sont rangés dans les classes en utilisant le critère de la distance (spectrale) minimale. Toutes les bandes du visible, moyen infrarouge et proche infrarouge ont été utilisées pour la classification. Le nombre d'itérations est de `n' bandes + 1, ce qui fait 7 itérations. Ce nombre d'itérations (fixé de façon empirique) permet une bonne convergence du résultat de traitement. Les itérations permettent de recalculer les moyennes et d'affiner la classification des pixels en fonction des nouvelles moyennes calculées. Des seuillages sur la valeur des pixels ont permis de mieux séparer les classes et d'en éliminer ceux ne correspondant pas à une réalité thématique

précise. Ainsi, les pixels sont tous rangés dans les classes qui ont les moyennes spectrales les plus proches. Le processus est répété jusqu'à ce que tous les pixels soient rangés dans des classes et ceci au bout des 7 itérations.

Les résultats de la classification sont soumis à un filtre majoritaire pour simplifier la cartographie. Le filtre majoritaire permet de supprimer les pixels isolés dans les grandes classes. La fenêtre mobile (kernel) utilisée est 7x7 pixels et la classe dominante dans cette fenêtre est appliquée à tous les pixels qui s'y trouvent. Ainsi, la classe dominante est `nettoyée' des pixels isolés qui altèrent l'homogénéité de la classe.

L'étape suivante est une superposition du résultat de la classification avec la composition colorée et une interprétation visuelle interactive permet de donner une signification thématique à chaque classe. L'outil de vectorisation automatique a permis de convertir la classification en format vectoriel.

Le résultat est transféré dans un SIG qui a permis de regrouper les classes qui ont la même signification thématique et de calculer les surfaces de chaque classe.

L'interprétation des images est basée sur une connaissance du terrain et des caractéristiques spectrales des objets dans les différentes bandes de longueur d'onde. Les données de terrain constituent une référence importante dans l'interprétation et la classification des images. Les observations de terrain ont permis de vérifier le lien entre les classes de végétation au sol et les classes spectrales sur les images. La vérification sur le terrain a été faite en fin de saison des pluies, ce qui correspond aux dates d'acquisition des scènes.

Article XIV. Dans l'intervalle d'une décennie, l'analyse des cartes d'occupation du sol des Forêts Classées étudiées indique plusieurs cas de figure. Les figures 83-87 fournissent le détail des thèmes classifiés, avec une bonne acquisition pour Mampaye, Ouli, Bala et Patako et des perturbations liées aux feux de brousse pour Kantora et Wélor sur les données de 1988. Ceci explique la médiocre qualité de ces dernières images pour cette application et par conséquent l'impasse sur leur classification et interprétation.

Figure 87. Carte de végétation de la Forêt classées de Kantora et Wélor (Une acquisition)

Les cartes produites à intervalle de dix ans indiquent une absence de dynamique linéaire des changements d'occupation du sol. Cependant, il existe des modifications persistantes des formations denses comme les formations de vallées qui se transforment de plus en plus en des formations ouvertes (cas de la Forêt Classée de Mampaye et de Patako). Des savanes arborées ou boisées semblent se reconstituer par endroits dans la Forêt classée de Bala. Une forte fragmentation de la végétation est notée sur le site de Ouli et dans une moindre mesure à Bala. Ces différents cas de figures remettent en question des théories de dégradation absolues, et parfois confortent les thèses selon lesquelles, la dégradation de la végétation est un mythe qu'il faut prendre parfois de façon relative (Bassett et Zuéli, 2000; Rasmussen et al., 2001 ; Rasmussen et al., 2006). Des études récentes basées sur des séries temporelles de données NOAA-GIMMS/PATHFINDER ou même les composites NDVI de MODIS soutiennent que le Sahel est entrain de reverdir. Il faut considérer à ce niveau que les analyses sont à petite échelle et les intervalles d'acquisition de données partent le plus souvent de périodes sèches vers des périodes humides. Ces facteurs peuvent influencer le résultat, notamment la pente de la tendance observée. Il est difficile à l'état actuel des connaissances de trancher cette question. Il faut par conséquent prendre chaque situation à part et analyser les tendances en fonction du milieu et des interventions en cours.

Au chapitre 3, les données in situ des parcelles de suivi de la végétation ligneuse introduisent
l'importance du facteur pluviométrique qui peut radicalement modifier un couvert végétal au
bout de quelques années. La nature du substrat et les facteurs humains affectent aussi l'état

et la dynamique du couvert végétal. Sur les sites étudiés, il est très difficile de discriminer les facteurs naturels des facteurs humains (résultats des simulations). Il faut rappeler qu'on a plusieurs agressions sur les formations forestières que sont : les feux de brousse, les coupes, les défrichements agricoles, etc.

Toutefois, l'implication des changements d'occupation du sol sur le bilan du carbone dépendra à la fois des modifications de la densité des peuplements mais aussi de la conservation des jeunes plantes en croissance qui ont un grand potentiel de fixation de CO2. Si par exemple des formations végétales matures sont exploitées, il faudra mettre en place des mécanismes de reconstitution des milieux dégradés pour compenser et même inverser le bilan de carbone. Certaines dynamiques positives observées à Bala par exemple peuvent êtres liées à une réduction de l'exploitation forestière en un moment donnée. Inversement, la persistance de la dégradation à Ouli s'explique en grande partie par une forte pression sur les ressources forestières, du fait des activités de carbonisation. Les variations de superficies de la figure 88, montrent que pour Mampaye et Ouli, on a en générale une tendance vers des formations plus ouvertes, alors que pour Patako et Bala, les variations sont plus erratiques. Ces observations peuvent largement contrastées avec la réalité des zones de terroirs qui montrent une forte dynamique de dégradation des formations végétales naturelles.

Figure 88. Changement d'occupation du sol et dynamique du carbone dans les Forêts Classées de Mampaye, Ouli, Balla et Patako.

Mampaye

^Ouli

Bala

Patako

Pour avoir une meilleure perception des changements d'occupation du sol dans la zone d'étude, nous avons choisi la zone de Kaffrine (Saloum Oriental) où on a une superposition de plusieurs activités humaines : agriculture, élevage, activités sylvicoles, etc. le fait que la zone soit considérée pendant longtemps comme un creuset de la production arachidière et un espace privilégié d'exploitation agricole, permet d'entrevoir et de mieux comprendre ce que

cette activités peut générer comme modifications au plan de la dynamique spatiale, (figure

Figure 89. Carte d'occupation des sols dans le Saloum Oriental (Kaffrine : a) localisation ; b) carte de végétation).

Les terres agricoles ou dénudées de cette zone ont augmenté de 58 % en 13 ans (de 281 ha, elles sont passées à 486 ha), au moment où les formations de savane ont été réduites de 56% (passant de 473 ha à 264 ha pour la même période). Les estimations de biomasse du chapitre 3 montrent que les savanes arbustives/arborées ont des charges de biomasse de 35 t C/ha (#177; 5 t) en moyenne. La réduction des savanes de 209 ha entraîne une perte totale de carbone estimée à 7315 tC soit 562 tC par an sur l'ensemble de la zone cartographiée.

De tels résultats ont sous-tendu la forte conviction d'une dégradation des terres des écosystèmes semi-arides et constituent un facteur important de libération du carbone dans l'atmosphère (IPCC, 2000). Ainsi, les projets MDP visent à reconstituer ces milieux dégradées qui sont le plus souvent d'anciennes terres de culture ou des zones de surpâturages.

Dans le Saloum Oriental, la monoculture de l'arachide et les techniques agricoles utilisées
expliquent en bonne partie le recul de formations forestières. Des études sur le carbone du

sol montrent déjà de fortes réductions (Feller, 1977; Elberling et al., 2002; Touré, 2002 ), ^quisont une conséquence directe de la dégradation de la végétation ligneuse et d'un épuisement

progressif des terres. Le chapitre 7 expose les implications de cette forte dégradation de l'environnement sur la vulnérabilité des populations de plus en plus exposées aux fortes variations du climat.

Les études de cas, à des échelles locales montrent des résultats variables selon les milieux, les conditions climatiques et humaines. Pour mieux caractériser la dynamique de l'espace, nous proposons une analyse à l'échelle nationale des dynamiques d'indices de végétation.

Les indices de végétation (IV)¹⁵ sont les premières sources d'information pour un suivi opérationnel de la couverture du sol. Ils correspondent à des mesures radiométriques sur la variabilité spatiale et temporelle de l'activité photosynthétique de la végétation, laquelle est reliée à des variables biophysiques de la couverture du sol et plus particulièrement de la couverture végétale. De nombreux indices de végétation ont été proposés depuis une vingtaine d'années et sont basés, presque tous, sur les propriétés spectrales de la végétation verte dans le PIR et le Rouge. Ils reposent généralement sur la grande différence radiométrique entre le PIR (760-900 nm), où la réflectance est liée à la structure cellulaire des feuilles, et le Rouge (630-690 nm) où la chlorophylle entraîne une forte absorption du rayonnement incident.

Ces indices permettent de mesurer la vigueur de la végétation et sont plus sensibles à la détection de la biomasse que les bandes spectrales prises individuellement. Chaque indice spectral possède un potentiel discriminatoire qui permet de l'utiliser dans des situations variées, mais il n'existe pas encore d'indice universel pouvant s'adapter à tous les types de végétation et à toutes les conditions écologiques.

Il existe un grand nombre d'indices de végétation (PVI, SAVI, TSAVI, MSAVI, GEMI, NDVI, etc.), et chacun essaie d'optimiser la caractérisation des états de surface en évitant le maximum de biais, comme l'effet du sol, de l'atmosphère, etc. Les IV ne sont pas des mesures directes de la biomasse ou de la production primaire, mais sont corrélées à la couverture foliaire et à la quantité de biomasse. Pour l'estimation de l'état de la végétation, ils doivent être capables de différencier les caractéristiques de la végétation de celles du sol. Ceci n'est possible que si les réflectances des deux objets de surface sont uniques et si l'indice de végétation choisi est sensible à ces différences de réflectance. L'indice de végétation le plus utilisé à l'heure actuelle est le NDVI, différence normalisé entre le PIR et R (PIRR/PIR+R).

15 De nouvelles recherches préfèrent la radiation photosynthétiquement active (PAR) à la place du NDVI

Pour analyser la dynamique de la végétation à l'échelle nationale, nous avons utilisé les données MODIS-250m (NDVI). Ce produit a pu être téléchargé sur le site du Global Land Cover Facility ( http://www.landcover.org/data/ndvi). Les bandes 1 et 2 du capteur MODIS (Moderate Resolution Imaging Spectroradiometer) du satellite Terra de la NASA ont été utilisées pour produire ces données. Celles-ci sont obtenues sous forme de composites de 16 jours en format Geotiff. Les 20 composites de 16 jours (entre les jours juliens 49-353) ont été intégrées pour générer 8 composites annuelles, de 2000 à 2007 (figure 90).

Les variations de la production végétale semblent à cette échelle très liée aux variations de la pluviométrie. Les années très pluvieuses de 2005 montrent une importante productivité dans la partie sud du pays. Il apparaît donc que la variation du NDVI varie de façon zonale en relation avec l'importance des pluies. Une telle situation montrée par la figure 91, ne permet pas de mesurer la dynamique temporelle et spatiale de la végétation en termes de direction et d'ampleur de changements.

Nous avons ainsi procéder à une analyse simple, consistant à considérer les droites de tendance des NDVI des images composites pendant les 8 années d'acquisition de données. La logique suivie est de segmenter l'image en fonction de l'importance des modifications de valeurs de NDVI. Chaque pixel a une valeur de NDVI sur les 8 ans de suivi. Si les valeurs de NDVI diminuent de façon générale on a une courbe de tendance descendante, et si elles augmentent on a une courbe de tendance ascendante. Chaque courbe de tendance est caractérisée par sa pente et son coefficient de détermination (R²). L'approche développée est de créer un produit cartographique qui montre les valeurs de coefficients de détermination (R²) sur l'image. La figure 91 décrit la logique de l'approche.

La figure 92 est une spatialisation de ce concept d'évaluation des changements d'état de surface.

L'interprétation d'un tel produit permet de voir que la dynamique de la végétation n'est pas aussi linéaire que ne le montrent les cartes annuelles prises individuellement. On observe en effet plusieurs zones de fortes réductions de l'activité chlorophyllienne (zone de Bignona, Ferlo, Bassin arachidier) ; mais on observe une augmentation significative de la verdure dans la partie nord du Sénégal Oriental. Ces variations du NDVI sont relatives. Un regain de l'activité chlorophyllienne peut se traduire par une forte production de biomasse ou par une modification de la composition spécifique des formations végétales. Pour les Forêts Classées étudiées, le cas de Patako montre une réduction significative des valeurs de NDVI, alors que les autres Forêts Classées semblent maintenir une bonne activité de production. La Forêt Classée de Bala laisse apparaître une forte augmentation sans doute liée à la réduction des activités d'exploitation forestière dans cette zone.

L'analyse du NDVI montre une perspective plus globale de la dynamique de la végétation et permet de mieux apprécier de façon qualitative le potentiel de séquestration de carbone et les tendances observées pendant une période de temps donnée. Ce type de produit pourrait constituer une base relativement utile pour la détermination des sites d'intervention en termes de reconstitution des milieux dégradés.

Potentiel et dynamique des stocks de carbone des savanes soudaniennes et soudano- guinéennes du Sénégal

Section 12.01 VI.2. Les données et la méthode utilisées