IV.2.1. Indice de végétation
Avec les deux images de Landsat 5 et Sentinel 2, nous avons
calculé l'indice de végétation (NDVI) pour pouvoir
observer les changements qui se sont opérés pendant 30 ans
à partir de 1986 jusqu'en 2016. Les résultats ont montré
que les valeurs de NDVI faibles ont été observées sur des
zones défrichées et des clairières. Pour ces classes, les
valeurs de NDVI sont inférieures à 0.4 alors que pour la
forêt dense on a des valeurs de l'indice de végétation
supérieures à 0.4 avec une valeur maximale dépassant un
peu 0.7.
En observant les deux images de la figure 10, on identifie des
zones qui ont eu une diminution de la NDVI en 2016 alors qu'en 1986 elles
avaient un indice de végétation qui était
élevé. Cette diminution de la NDVI s'observe
particulièrement dans des zones qu'on trouve défrichées en
2016 ou sont transformées en clairières ou en zones
défrichées alors qu'en 1986 elles constituaient la classe
forestière. L'observation du changement de la NDVI a été
prouvée par l'analyse de détection de changement de la NDVI.
IV.2.2. Classification
Pour étudier l'évolution des différentes
classes d'occupation du sol, nous avons utilisé deux images l'un de 1986
qui a été produite par le satellite Landsat 5 et l'autre de 2016
de Sentinel 2. Même si ces deux satellites produisent des images de
résolution spatiale différente, leurs traitements nous ont permis
d'étudier la dynamique du parc national de la Kibira.
Ces images ont été traitées pour
détecter les changements. Deux types de classification ont
été effectuées ; la classification non supervisée
avec la méthode Isodata et la classification supervisée. La
classification non supervisée a été faite pour voir les
variations spectrales des différentes classes d'occupation du sol qui se
réalisent automatiquement avec le logiciel de traitement Envi 5.0. Sept
classes ont été sorties parmi lesquelles la classe
forestière était reconnue par la couleur rouge qui est la plus
dominante.
Pour la classification supervisée, quatre classes ont
été analysées dont la forêt dense, les
clairières, les zones défrichées et le lac de retenue. Le
choix des classes a été fait sur base de nos connaissances de
terrain, des besoins du Ministère en charge de l'Environnement ainsi que
de l'observation sur des images les classes qui sont facilement identifiables
pour bien faire la classification. La comparaison des résultats des deux
images de 1986 et 2016 a montré que la classe forestière a
régressé alors que les autres classes notamment les
clairières et les zones défrichées ont augmenté.
Après la classification, nous avons
évalué la qualité de notre traitement des images en
cherchant la matrice de confusion.
A titre de rappel, la matrice de confusion permet
d'évaluer la qualité statistique des noyaux (ROIS)
élaboré par le photo-interprète (Lacombe, 2008).
Comme les normes le stipulent, la
40
Communauté française de Belgique
classification est bonne quand le coefficient kappa est
supérieur ou égal à 0.75 et une précision globale
supérieure à 80 % (A. Denis, 2017). Les calculs de la matrice de
confusion nous montrent que notre classification a été bonne.
Pour améliorer la qualité de notre travail, nous avons repris
notre travail à mainte reprise en essayant de majorer le nombre des
pixels et les résultats donnent toujours pour les deux images une
précision globale supérieure à 95 % et un coefficient de
Kappa avoisinant à 0.95. Ces résultats sont justifiés du
fait que on a une zone qui est très homogène avec un nombre de
classes qui est très réduit.
| 
