Memoire Online - Risque d'inondation dans la ville de N'djamena, Tchad

(Placé sous les auspices de la Commission Economique des Nations Unies pour l'Afrique)

Diplôme d'Etudes Supérieures Spécialisées (DESS) en production et gestion de l'information géographique

Projet soumis au département de Photogrammétrie et de Télédétection pour l'obtention du Diplôme d'Etudes Supérieures Spécialisées en production et gestion de l'information géographique, de l'Institut Régional Africain des Sciences et Technologies de l'Information Géospatiale.

Attestation

Je soussigné, RAÏKNAN Tamdjim , Etudiant en Diplôme d'Etudes Supérieures Spécialisées (DESS) en Production et Gestion de l'Information Géographique au Département de Photogrammétrie et Télédétection de l'Institut Régional Africain des Sciences et Technologies de l'Information Géospatiale (AFRIGIST) sous le numéro d'enregistrement PRS/PGD/318019, atteste que ce mémoire intitulé :« Extension urbaine et risques d'inondation dans la ville de N'Djaména, Tchad », est un travail original et n'a pas été présenté ailleurs pour l'obtention d'un diplôme ou dans un but quelconque.

Nom de l'Etudiant : RAÏKNAN Tamdjim Signature: .................. Date : ......................

Je soussigné, JOHNSON Dodé Bendu atteste que ce mémoire intitulé : « Extension urbaine et risques d'inondation dans la ville de N'Djaména, Tchad », présenté par RAÏKNAN Tamdjim, étudiant à l'Institut Régional Africain des Sciences et Technologies de l'Information Géospatiale (AFRIGIST) sous le numéro matricule : PRS/PGD/318019, a satisfait les conditions requises pour l'obtention du Diplôme d'Etudes Supérieures Spécialisées (DESS) en Production et Gestion de l'Information Géographique.

Nom : JOHNSON Dodé BenduSignature: .................. Date : ...........................

Nom : Momodou SOUMAHSignature: .................. Date : .............................

Nom : Dr Joseph OLOUKOI Signature: .................. Date: .............................

Sommaire

Sigles et Abréviations

3D	:	Tridimensionnel
ACP	:	Analyse Composante Principale
AHP	:	Processus d'Analyse Hiérarchique
CGES	:	Cadre de Gestion Environnementale et Sociale
DREM	:	Direction des Ressources en Eau et de la Météorologie
FAO	:	Food and Agriculture of the United Nations
INSEED	:	Institut National de la Statistique, des Etudes Economiques et Démographiques
IRD	:	Institut de Recherche et Développement
LACBO	:	Observatoire du Bassin du Lac du Tchad
LCM	:	Land Change Modeler
MATHU	:	Ministère de l'Aménagement du Territoire de l'Urbanisme et de l'Habitat
MISP	:	Ministère de l'Intérieur et de la Sécurité Publique
MNT	:	Modèle Numérique du Terrain
OCHA	:	Coordination des affaires humanitaires des Nations Unies
ONU	:	Organisation des Nations Unies
PS-Eau	:	Plan de la Solidarité Eau
RECTAS	:	Regional Centre For Training In Aerospace Surveys
RGPH	:	Recensement Général de la Population et de l'Habitation
RRC	:	Réduction des Risques de Catastrophes
SHP	:	Shape file
SIG	:	Systèmes d'Information Géographique
SOGEFI	:	Société de Géomatique et d'Expertise Foncière International
SRTM	:	Shuttle Radar Topography Mission
Tiff	:	Tagged Image File Format
TWI	:	Topographic Witness Index
UNITAR	:	United Nations Institute for Training and Research
UNOSAT	:	United Nations Operational Satellite Applications Programme
USGS	:	United States Geological Survey
OID	:	Observatoire des Inondations de Dartmouth

Dédicace

Remerciement

- Particulièrement à Monsieur Dodé Bendu JOHNSON pour avoir accepté de superviser ce travail. Aussi, nous voudrions le remercier pour la qualité de son encadrement et l'encouragement qu'il nous a apporté tout au long de ce travail.

- Ala communauté Burkinabè pour l'esprit de partage, solidarité et fraternité.

- A mes camarades de classe pour les moments agréables que nous avons passés ensemble tout au long de la formation.

- Aux autres collègues stagiaires Nigérians, Nigérien, Béninois, Camerounais, Maliens etSénégalais de la promotion 2018-2019 pour l'esprit de collaboration et de solidarité qui a régné entre nous tout au long de la formation à AFRIGIST.

- A tous ceux qui, de près ou de loin, ont contribué à la réalisation de ce mémoire

Résumé

Les inondations constituent une menace cruciale dans la ville de N'Djaména. Elles sont accentuées par de très forte pluie enregistrée ces dernières années et une urbanisation incontrôlée. Le but de ce travail estd'utiliser les possibilités qu'offrent la télédétection et les SIG pour analyser le risque d'inondation.La méthodologie est basée sur l'utilisation de la Télédétection, des SIG et de l'Analyse Multicritère. Les images satellitaires TM (1988), ETM+ (2003) et OLI -TIRS (2019) de Landsat ont été utilisées et traitées pour une classification supervisée avec l'algorithme de Maximum de vraisemblance. Pour la détermination du risque d'inondation l'analyse multicritère a été utilisée à l'aide du modèle SAATY. Le modèle Land Change Modeler (LCM) du logiciel IDRISI Selva a permis une projection à l'horizon 2035 de l'occupation du sol.

Les résultats ont révélé que le bâti a connu une progression, qui est passé de 3546,50 ha en 1988 à 17266,19ha en 2019. La cartographie des zones à risques révèle que 47,69 % du territoire sont exposés à un risque fort d'inondation et environ 27,88 % et 24,44 % respectivement à un risque moyen et faible. La modélisation prédictive des éléments l'extension urbaine en 2035 confirme une hausse du bâti dans les zones inondables. De ce fait, il faudrait intégrer la gestion des zones à risque d'inondation dans le plan d'aménagement de la ville.

Abstract

Floods are a crucial threat in the city of N'Djamena. They are accentuated by very heavy rain recorded in recent years and uncontrolled urbanization.The aim of this work is to use the capabilities of remote sensing and GIS for flood risk analysis. The methodology is based on the use of Remote Sensing, GIS and Multicriteria Analysis.Landsat TM (1988), ETM+ (2003) and OLI -TIRS (2019) satellite images were used and processed for supervised classification using the Maximum Likelihood algorithm.For the determination of the flood risk the multi-criteria analysis was used using the SAATY model. The Land Change Modeler (LCM) of the IDRISI Selva software has made it possible to project land use to 2035.

The results revealed that building construction increased from 3,546.50 ha in 1988 to 17,266.19 ha in 2019. The mapping of risk areas reveals that 47.69% of the territory is exposed to a high risk of flooding and about 27.88% and 24.44% respectively to a medium and low risk. Predictive modelling of the elements of the urban extension in 2035 confirms an increase in buildings in flood-prone areas.As a result, the management of flood risk areas should be integrated into the city's development plan.

Introduction

La gestion des inondations en zone urbaine comme en milieu rural est devenue un enjeu capital pour les autorités étatiques et communales. Le phénomène tend à prendre de l'ampleur en raison de la pression démographique, de l'imperméabilisation des surfaces et des changements climatiques (Association Almaduis-Antea;Raïknan, 2014).

Les inondations constituent un risque majeur dans le monde entier (Olduvaï, 2013 ; Egentz,2018). Elles peuvent avoir lieu presque n'importe où dans le monde avec des conséquences importantes pour l'environnement, économie et société. Certains analystes les placent au premier rang des catastrophes naturelles dans le monde compte tenu de la quantité des victimes qu'elles font chaque année (MEDD, 2004).

De 1985 à 2019, 4777 centres géographiques des inondations ont été enregistrés, via des données satellitaires dans le monde (OID, 2019). Le même l'observatoire faisait l'état de 651 684 489 personnes déplacées dont 673427 personnes ont perdu leur vie au cours de cette période.

En Afrique centrale et de l'Ouest, les inondations sont de plus en plus intenses ces dernières années. En 2012, plus de 1,5 million de personnes sont victimes des inondations (OCHA, 2012). Cette situation résulte de l'action de facteurs naturels, qui n'exclut pas la responsabilité de l'homme, parfois dans leur occurrence, souvent dans le niveau de dommages produits dont les conséquences sont territorialisées et souvent aggravées par les développements urbains (GIEC, 2007).Ainsi, le changement climatique renforce ces risques en augmentant la fréquence et l'intensité des aléas climatiques (Ps-Eau, 2013).

Au Tchad, les inondations ont affecté plus de 542000 personnes en 2012 dont 255 719 hectares des cultures inondés et des maisons des écoles, des routes, des ponts et des digues sont détruits (LACBO, 2012).Ces inondations sont d'origines pluviales et sont liées à quatre principaux facteurs à savoir l'intensité des pluies, la fréquence des pluies, le relief et l'absence des canalisations (MISP, 2012).

La ville de N'Djaména, traversée par la rivière Chari et située dans la plaine inondable du bassin du lac Tchad, ne reste pas en marge de ce phénomène. Elle est régulièrement victime desinondations catastrophiques, malgré des aménagements nouveaux entrepris, des épisodes pluvieux ont des impacts négatifs sur les populations (Saïnbe, 2011). Ces inondations sont dues aux ruissellements pluviaux aux débordements des rivières Chari et Logone, à la morphologie du terrain, à l'occupation des sols et à l'absence des réseaux de drainage pluvial. Ainsi, le bâti occupe, de plus en plus, des espaces réservés à l'eau : les anciens chenaux, les berges et lits des fleuves.

C'est dans cette optique que ce travail est engagé en partant du constat des nombreux problèmes préoccupants et complexes liés à la question de l'assainissement pluvial et sa gestion auxquels la ville est confrontée.

Trois chapitres constituent l'ossature de ce travail. Un premier chapitre traite des généralités liées au sujet de recherche. Le deuxième chapitre est consacré à la méthodologie. Enfin, c'est dans le troisième et dernier chapitre qu'apparaissent les résultats de la recherche.

CHAPITRE 1 : CADRE THEORIQUE, CONCEPTUEL ET GEOGRAPHIQUE

Ce chapitre est structuré en deux parties. La première partie aborde le cadre théorique et enfin la seconde partie présente la zone d'étude.

1.1. Cadre théorique

1.1.1. Problématique

Aujourd'hui, plus de 50 % de la population mondiale vit en ville, et la croissance urbaine ne cesse d'augmenter (ONU-HABITAT, 2014). Elle estime que 2,5 milliard de personnes supplémentaires vivraient en zones urbaines d'ici 2050. Cette croissance urbaine est plus marquée en Afrique et Asie, surtout en ce qui concerne les villes de moyenne importance et comptant moins d'un million d'habitants. Cette concentration rapide de la population en milieu urbain accentue le phénomène d'urbanisation. Cette dernière, engendre toute une série d'avantages et de possibilités économiques, sociales et écologiques et les villes jouent un rôle central dans le développement et la réduction de la pauvreté. Mais cette croissance rapide, lorsqu'elle n'est pas planifiée, représente aussi des risques non négligeables pour la population.

N'Djaména, la capitale du Tchad, n'est pas épargnée de cette croissance urbaine. Sa population est passée de 132 500 habitants en 1968 à 530 965 habitants en 1993(RGPH1). Cette population est actuellement de plus de 993 492 habitants (RGPH2). Ainsi, cette croissance démographique s'est accompagnée d'une extension spatiale considérable qui fait qu'aujourd'hui la ville de N'Djamena s'étale sur plus de 20 000 ha (Ahmat, 2018).

Cette croissance urbaine que connait la ville est causée par l'absence d'une véritable politique d'urbanisation et un manque de connaissance en matière d'aménagement urbain, largement alimentéepar l'exode rural qui provoquent l'insécurité, l'appauvrissement du milieu rural et les inondations (Wyss, 2000 cité par Hemchi, 2015). Aussi, est due à une absence de planification urbaine à moyen et à court terme et un manque de personnels qualifiés (Tobro, 2015). Cela a entrainé l'occupation anarchique au sein de la ville qui ne cesse de provoquer les inondations dont les plus marquantes sont celles des années 1988, 1998 et 2012 où plus de la moitié de la population était touchée (Abakar, 2015).

Face à situation, le gouvernement a mis en place un premier plan de contingence pour les inondations dans la ville en 2013. Toutefois, malgré ces efforts, le risque demeure omniprésent et les inondations plus récurrentes que jamais mettant à nu les faiblesses des autorités étatiques et communales en matière de gestion des risques d'inondations. Le rapport d'évaluation des capacités nationales pour la réduction des risques en 2014 fait ressortir quelques faiblesses : manque des personnels compétents pour évaluer les risques, identifier et cartographier les aléas et les zones à risques, absence d'un cadre institutionnel pour la gestion de l'évaluation des risques et gestion des systèmes d'alerte précoce liés aux aléas naturels et enfin l'absence d'une plateforme de gestion des risques et catastrophes afin de permettre au pays de répondre à toute la complexité de la RRC. A cela sont associés d'autres problèmes tels que l'absence d'un document d'orientation et un schéma directeur d'aménagement et d'urbanisme capable d'anticiper et prévoir la croissance urbaine (Ahmat, 2018).

Fort de ces constats, il est nécessaire de mener une réflexion à l'aide de la technologie géospatiale pouvant aider les leaders politiques, les aménagistes, les planificateurs et autres acteurs locaux dans la prise de décision. La télédétection et les SIG se présentent comme un outil efficace pour aider et éclairer les décideurs. En effet, ils offrent une solution énorme et décisive dans les diverses problématiques en matière de gestion de l'environnement et aménagement du territoire. Ces atouts incontestés de ces outils mènent donc à la question principale de cette étude. Quel est l'apport de la télédétection et des SIG dans l'étude des risques d'inondations dans la ville de N'Djaména ?

Quels serontles éléments de l'extension urbaine pouvant être affectés par le risque d'inondation ?

C'est autour de ces questions de recherche que les objectifs de l'étude sont développés.

1.1.2. Objectifs

L'objectif général de cette étude est d'analyser le risque d'inondation dans la ville de N'Djaména en vue d'une gestion optimale des inondations.

· Prédire les éléments de l'extension urbaine pouvant être affectés par les risques d'inondation.

1.1.3. Clarification des concepts

Pour faciliter la lecture de ce mémoire, les concepts clés utilisés ont été définis en rapport avec le contexte de notre étude afin d'éviter certaines confusions. La clarification des concepts est l'une des exigences les plus cruciales dans les sciences sociales.

Le risque étant une probabilité, la catastrophe est sa traduction concrète, caractérisée par la perte en vies humaines, en blessures physiques, en destruction de biens matériels (Soma, 2015 ; Sacha, 2018). Le risque se détermine par le croisement de l'aléa et de la vulnérabilité.Pour mieux comprendre cette notion, il est important de définir les deux termes qui le composent. Il s'agit de l'aléa et vulnérabilité.

Leumbe et al., (2015), Aléa estcomposé des éléments naturels du milieu qui lorsqu'ils sont réunispeuvent concourir au danger, et lavulnérabilité constitue l'ensemble des dégâts que peut subir l'homme aussi bien dans son intégritéphysique que par rapport à ses biens.

L'inondation est définie comme l'envahissement passager des lieux habituellement émergés par l'eau de pluie (Ousséni, 2016).

La télédétection est une discipline scientifique qui regroupe l'ensemble des connaissances et des techniques utilisées pour l'observation, l'analyse, l'interprétation et la gestion de l'environnement à partir des mesures et d'images obtenues à l'aide de plateformes aéroportées, spatiales, terrestres ou maritimes (Bonn et Rochon, cité par Oloukoi, 2012).

Les S.I.G sont définis comme l'ensemble des structures, des méthodes, des outils et des données constitué pour rendre compte de phénomènes localisés dans un espace spécifique et faciliter les décisions à prendre sur cet espace. Un S.I.G comprend quatre grandes composantes en interdépendance : une composante technologique, une composante organisationnelle, une composante informationnelle et une composante méthodologique qui permet la mise en cohérence des outils, des hommes et de l'information pour répondre aux objectifs donnés (Joliveau, 1996).

Selon Ticana (2013), l'étalement urbain est un processus d'urbanisation quis'étend en dehors de toute limite et au détriment des terres agricoles et de l'environnement naturel.

1.1.4. Revue de littérature

La problématique liée aux risques d'inondation a été abordée par différents chercheurs partout dans le monde. Quelques résultats de ces études sont abordés dans cette rubrique suivante.

Extension urbaine, ce que l'on appelait « L'étalement urbain », ce que les Américains appellent urban sprawl, existe dans tous les pays du monde (Ticana, 2013).

Kieffer et Serradj (2013) ont quantifié l'étalement urbain de Pondichiery en Inde à travers différents capteurs (Landsat MSS, TM, ETM + et IRS LISS-III). La classification supervisée « Spectrale Angle Mapper » a été utilisée pour le traitement de ces images. Cette méthode leur a permis d'extraire le bâti en 1988 et 2009. Guechi et Alkama (2017) ont analysé l'extension urbaine et la morphologie de Guelma en Algérie grâce aux images (Landsat TM pour les dates 1987 et 2009 et des images Landsat ETM+ datées de 2000 et 2015) et à l'analyse multivariée avec ACP. La méthode de traitement utilisée repose sur la classification supervisée par Maximum de vraisemblance. Quant à Lankouandé (2016), il a combiné des algorithmes Maximum de Vraisemblance, Distance Minimum et Subpixel, pour analyser la croissance urbaine de Ouagadougou au Burkina.

L'utilisation de la télédétection pour l'étude desrisques d'inondation esttrès répandue dans les Pays développés. En 2006, Hostache et al ont utilisé l'image Radar, photographies aériennes et un MNT à haute résolution spatiale qui leur a permis de caractériser la crue du 28 février 1997 sur la Moselle. Au Canada, les images RADARSAT-2 du 17 mai 2007 et du 26 avril 2019 ont permis à l'Agence Spatiale Canadienne de produire les cartes qui ont facilité l'aide humanitaire offerte par la sécurité publique. Ces images de RADARSAT-2 ont été fournies aux équipes de secours pour les aider dans leurs interventions au Zimbabwe et au Mozambique lors du cycle d'Idai. Au Tchad, les images satellitaires KOMPSAT du 14 octobre 2012 et SPOT-5 du 16 octobre 2012 ont permis à l'UNITAR/UNOSAT d'analyser et suivre les inondations dans la ville de N'Djaména en 2012.

Dans la majorité des pays en développement et en particulier en Afrique, l'utilisation de la télédétection et des SIG dans l'étude des risques d'inondation est à une étape embryonnaire. La cause en est notamment l'instabilité économique et le manque d'accès à la technologie (Zogning, 2017). Néanmoins des études de suivi et d'évaluation ont été réalisées dans certains pays. Cheick et al, (2007) ont analysé la relation entre les risques d'inondation et la croissance urbaine de la ville de Nouakchott entre 1987 à 2006. Ils ont fait recours à plusieurs données multidates à savoir : les images RADAR ERS, Spot, CORONA et carte topographique. Toutes ces données ont été intégrées dans le même SIG et mises dans le même système de projection cartographique avant de procéder à une série de traitements, entre autres. Zogning (2017) a mené une étude de recherche sur la contribution des SIG dans la cartographie des zones inondables dans le bassin versant du MFoundi a adopté plusieurs approches. Il a fait recours aux mesures de paramètres hydrologiques notamment les mesures des hauteurs d'eau, des vitesses et débits et pluies pour connaitre le comportement des cours d'eau. Les techniques de télédétection et des SIG, couplée avec le modèle multicritère, basée sur l'utilisation des images QuickBird, Photographies aériennes, MNT et les enquêtes socioéconomiques, lui ont permis de cartographie la vulnérabilité ainsi que l'aléa. La superposition de ces cartes a permis de cartographier les zones à risque d'inondation. Des études similaires ont été réalisées par, Ouséni (2016) dans la ville de Malanville au Bénin et Thiam (2017) dans la ville de Kayes au Mali.

Sur la ville de Porto-Novo, la chaine markovienne a été utilisée par Tohozin (2016) pour prédire la croissance spatiale. Oloukoi (2013) a utilisé le modèle SPACELLE basé sur les automates cellulaires pour analyser l'évolution de la dynamique de l'occupation des terres et son devenir à un horizon moyen et lointain en mettant en place deux scénarios possibles aux horizons 2025 et 2034. Twar (2016) a utilisé le modèle des automates cellulaires CA basé sur les systèmes d'information géographique pour prédire l'étalement urbain à Suleja au Nigeria. Le modèle prédictif LCM d'Idrisi a été utilisé par Veerbeck (2017) pour estimerles impactsde la croissance urbaine sur risque d'inondation futur à Beijing. Ce modèle sera utilisé dans cette étude. Il fait appel aux divers facteurs du milieu notammentles routes, pentes et le MNT, localités afin d'anticiper sur le comportement du bâti à long terme.

1.2. Présentation de la zone d'étude

1.2.1. Situation géographique

La ville de N'Djaména est la capitale politique du Tchad, située entre le 12° et le 13° de latitude Nord et le 15° et le 16° de longitude Est. Elle est limitée au Nord par la région de Hadjer-lamis, au Sud et à l'Est par la région de Chari Baguirmi et à l'Ouest par le Cameroun. Depuis 2002, elle est devenue une région à statut particulier et divisée en dix arrondissements, dont 64 quartiers (décret n° 419/PR/MAT/02). La figure 1 présente la situation de la zone d'étude.

1.2.2. Milieu physique

Le milieu physique de cette étude concerne en général les éléments naturels à savoir : le relief, l'hydrographie, la pédologie et le climat.

1.2.2.1. Relief et hydrographie

Le site de N'Djaména est plat. Cependant, il existe une très faible pente orientée le long du fleuve Chari (Sud-Est, Nord-Ouest) avec comme point haut le bourrelet des berges et plusieurs points bas ou cuvettes qui font dire de son site qu'il est marécageux (CGES, 2014). Sa cote moyenne la plus haute est de 303 m et la plus basse est de 287 m (figure 2).L'altitude moyenne est de 295 m.

Le réseau hydrographique est composé essentiellement des rivières Logone et Chari. Ce dernier prend sa source à Bamingui en République Centrafricaine et le Logone dans l'Adamaoua au Cameroun (Kadjangaba, 2014).

1.2.2.2. Pédologie

Hamit et al. (2017), la ville est principalement recouverte d'un dépôt quaternaire récent, composée de sols argileux limoneux (45,59%) et de sols argileux (37,85%). En parallèle, il y a des sols sablo-argileux (9,1%) et des sols sableux (9,33%) le long de la rive du Chari. Ainsi, la zone d'étude est constituée de formations semi-imperméables, à l'exception des anciens grands lits de Chari, composés de formations sableuses.

1.2.2.3. Climat

La ville de N'Djaména est située dans une zone sahélo-soudanienne caractérisée par l'alternance de deux saisons : une saison humide qui s'étend de juin à septembre et une saison sèche d'octobre à mai. L'amplitude thermique est très forte et peut atteindre plus de 40°C.la figure 3 présente le diagramme ombrothermique de la ville de N'Djaména.

L'analyse de la figure 3 montre l'évolution des moyennes mensuelles de précipitations et de températures qui varient entre 31 à 40° C. La pluie atteint son maximum en Aout. Entre octobre et mai, le secteur reste sec, sans pluie significative selon les tendances pluviométriques observées au cours de la période 1989 à 2018.La période sèche commence vers fin d'octobre pour finir en Avril. Pendant cette période, les hauteurs de pluie sont inférieures à 24mm. Les hauteurs de pluies maximales sont atteintes en juillet et Août.

1.2.3. Milieu humain

Le milieu humain de cette étude concerne en général les activités anthropiques il s'agit : de la population et des activités économiques.

1.2.3.1. Population

Depuis sa création, la ville s'est considérablement étendue. En 1964, elle abritait 100 000 personnes ; puis, sous l'effet de l'accroissement naturel et des migrations amplifiées par les sécheresses et les conflits, la population s'est rapidement accrue (Bouda et al,2014). La figure 4 montre l'évolution de la population de la ville de 1960 à 2012 et la projection de cette dernière en 2030.

Figure 4: Évolution de la population de la ville de N'Djaména de 1960 à 2012 et les projections

La figure 4 présente l'évolution de la population de la ville depuis l'indépendance. En 1960, la ville était de 60000, elle est passée de 208000 habitants en 1974 à 530000 en 1993, et atteint 788557 habitants en 2000 à 951418 en 2009. Cette population actuelle dépasse désormais un million d'habitants et pourrait atteindre 1507000 habitants en 2020 à 2541000 en 2030 (INSEED, 2014).

1.2.3.2. Activités socio-économiques

N'Djaména, la capitale, est le principal centre d'affaires du pays. Presque toutes les entreprises y ont leur siège. La Chambre de commerce, de mines, de l'industrie, de l'artisanat, le Conseil national du patronat, ainsi que plusieurs organisations corporatistes s'y trouvent également. Le secteur tertiaire, qui représente 40 pour cent du PIB au Tchad, est présent à N'Djaména.Le commerce informel, très actif, source importante d'emplois, surtout pour les jeunes et les femmes.

CHAPITRE III : APPROCHE METHODOLOGIQUE

La méthodologie adoptée dans cette étude fait appel aux types de données, différents matériels, ainsi que les méthodes de traitement.

3.1. Données utilisées

Les données utilisées dans ce cadre d'étude sont les données spatiales et non spatiales.

3.1.1. Données spatiales

- Les limites administratives, les localités, les voies de communicationet l'hydrologie ont été obtenues auprès de la Mairie de N'Djaména. Ces fichiers de forme ont permis de faire l'extraction de la zone d'étude.

- La carte pédologique de Fort Lamy de 1963 à l'échelle de 1/200.000 a été obtenue dans la cartothèque de l'IRD ( http://sphaera.cartographie.ird.fr/) pour extraire les types de sols de la zone d'étude.

- La carte topographique de Fort Lamy de 1958 à l'échelle de 1/200.000. Elle a été utilisée pour faire une comparaison de vérité terrain pendant la classification des images satellitaires. Elle a été obtenue auprès des agents techniques de la Mairie de N'Djaména.

- Les images Landsat5 TM de 1988, Landsat7 ETM+ de 2003 et Landsat8 OLI-TIRS de 2019 obtenues sur le site de USGS ( https://earthexplorer.usgs.gov/). La résolution spatiale de ces images est de 30 mètres pour les bandes spectrales et 15 mètres pour la panchromatique. Une image ALOS PALSAR 2007 de 12,5m de résolution, prise du site Alaska Satellite Facility ( https://search.asf.alaska.edu/) pour l'extraction des réseaux hydrographiques, les pentes, l'indice d'humidité topographique et l'altimétrie de la zone d'étude.

3.1.2. Données non spatiales

Les données démographiques : ce sont les données de la population de N'Djaména de 1960 à 2030 et ont été traitées pour montrer l'évolution de la population de la ville. Elles proviennent de l'Institut national de la statistique, des études économiques et démographiques.

Les données météorologiques : Ce sont les données relatives aux totaux pluviométriques mensuels et les moyennes mensuelles de température de 6 stations pluviométriques sur une période de 30ans (1989 à 2000) extraite à partir des archives de FAO et complétée à l'aide des données fournies parles sites proposant des données météorologiques de localités du monde entier : « https://www.infoclimat.fr » et « https://bj.freemeteo.com ».

Types	Format	Echelle/ Résolution	Date	Sources	utilité
Données administratives	Shp			OCHA et SOGEFI	Présentation de la zone d'étude
Images Landsat TM, ETM + et OLI-TIRS	GeoTiff	30 m	1988 2003 2019	USGS	Évolution de l'extension urbaine
Carte topographique	Tiff	1/200.000	1958	Mairie de N'Djaména	Identification des unités d'occupation du sol
Carte pédologique	Tiff	1/200.000	1963	IRD	Identification de type des sols
ALOS PALSAR	GeoTiff	12,5 m	2007	Alaska	Extraction des facteurs topographiques
Données pluviométriques et démographiques	Excel			DREM/infoclimat/FAOClim/Freemeteo/INSD	Vulnérabilité climatique et densité de la population

3.2. Matériel informatique

Le matériel nécessaire à cette étude est avant tout un kit informatique : un ordinateur et un ensemble de logiciels. Les logiciels utilisés sont : Excel et R pour les opérations statistiques, ArcMap et SAGA GIS comme logiciels SIG pour les traitements cartographiques, Golden Surfer pour le modèle numérique en 2D. Les logiciels de Télédétection tels qu'Envi et Idrisi pour le traitement des images satellitaires et la simulation.

3.3. Méthode

Pour une meilleure compréhension de l'approche utilisée, les méthodes de traitements sont présentées en fonction des objectifs spécifiques pour ce travail.

3.3.1. Analyse de l'extension urbaine de la ville de N'Djaména de 1988 à 2019

L'opération utilisée dans cette méthode est regroupée en trois parties à savoir : Prétraitement des images, le traitement proprement dit et les traitements post-classification.

3.3.1.1. Prétraitement des images satellitaires

Les images de Landsat TM (1988), ETM+ (2003) et OLI-TIRS (2019) ont été soumis d'abord à la phase de prétraitement constituée par les deux étapes ci-après.

Cette opération est cruciale, car elle permet de regrouper les bandes ayant la même résolution afin de mieux faciliter les opérations qui suivent.

Cette opération permet d'extraire la zone d'étude. Il existe plusieurs techniques d'extraction de la zone d'étude. La technique utilisée dans cette étude est celle de masque. Elle se fait en trois étapes à savoir : Importation du fichier de forme c'est-à-dire format vecteur communément appelé shapile, construction du masque et enfin application du masque.

3.3.1.2. Traitement numérique d'image

La composition colorée consiste à combiner les bandes d'une image multi-spectrale en utilisant les couleurs primaires (Rouge, Vert et Bleu). Cette opération permet de faciliter une meilleure interprétation.

Il faut souligner que cette combinaison du numéro des bandes diffère selon les capteurs. Dans cette étude la combinaison colorée combinant 4, 3 et 2 pour Landsat TM et ETM+ et 5, 4 et 3 pour OLI-TIRS ont été choisie, car elle est bien adaptée dans l'étude de l'occupation du sol.

L'identification des détails des éléments contenant sur les images satellitaires, à l'oeil nu. Cette identification est faite sur la base de Google Earth, carte topographique et une connaissance du terrain. Six classes thématiques ont été dégagées dans cette étude : le bâti (routes et les constructions), Plan d'eau (rivières du Chari et Logone), Marécage (marigot), végétation, champs et jachères et Sols nus.

Dans cette présente étude, nousavons utiliséla classification supervisée avec l'algorithme « Maximum de vraisemblance » qui est une méthode basée sur l'affiliation des pixels à des classes thématiques définies et reconnues par l'opérateur à partir de la connaissance du terrain. Elle repose sur un système de classification où on définit l'ensemble des classes avant que la classification ne soit effectuée.

La classification dans ENVI 5.1 se déroule en quatre phases essentielles qui sont :

3.3.1.3. Traitement post-classification

L'évaluation de la validation de la classification s'est faite à travers la visualisation de la matrice de confusion. Elle montre le degré de précision de la classification et permet donc de dégager le pourcentage d'un thème bien classé dans sa classe, les erreurs d'omission, les erreurs de commission, le coefficient de Kappa est la précision globale de notre classification est appréciée à travers les différents éléments qui composent la matrice de confusion.

L'Indice de Pureté des Classes (IPC) est le rapport du nombre total des pixels d'un thème bien classes dans une classe Ci par le nombre total des pixels de la classe Ci. Il est aussi appelé exactitude du producteur.

IPC = Nombre de pixels bien classes dans une classe Ci / (divisé) Nombre total de pixels de la classe Ci Il permet de calculer les erreurs d'omission dont les pixels de référence terrain sont attribués à une autre classe.

L'Indice Cartographique de Validation (ICV) est le rapport du nombre total des pixels d'un thème bien classé dans sa classe Ci par le nombre total des pixels du même thème Ti sur le terrain. Il est appelé aussi précision cartographique des usagers.

ICV= Nombre total des pixels d'un thème bien classés dans sa classe Ci / (divisé) Nombre total des pixels du thème Ti sur le terrain.

Il permet de calculer les erreurs de commission dont les pixels d'une classe lui sont attribués par erreur.

IPT = Somme des pixels correctement classés / (divisé) Total des pixels de la matrice

Les images classifiées présentent souvent un manque de cohérence spatiale (tâches ou trous dans les parcelles). Un filtre permet de lisser ces images. Pour améliorer le rendu de la classification Envi propose trois fonctions à savoir : Analyse majoritaire et minoritaire, homogénéiser les classes et éliminer les pixels isolés.

Dans cette étude, l'analyse majoritaire et minoritaire a été choisie, car ce filtre se déplace ligne par ligne pour éliminer les pixels isolés sur les images classifiées.

La vectorisation est la dernière opération dans le traitement des images numériques. Elle permet de convertir les images classifiées du mode raster en vecteur afin de faciliter une bonne visualisation et manipulation dans l'environnement du logiciel SIG.

Dans le cadre de cette étude, la comparaison post-classification a été utilisée, elle produit un bon résultat de détection des changements. L'avantage majeur de cette méthodeest la capacité defournir une matrice de changement. Pour détecter les changements, les classifications serontcomparées deux à deux. De cette comparaison sera dérivée la carte des changements quipermettra de les localiser, ainsi que la matrice de transition, qui identifiera les régions ayant changé ou non entre les deux dates. Cela permettra de quantifier les changements en utilisant les superficies. Les taux d'expansion annuelle entre 1988-2003 et 2003-2019 ont été calculés à partir de la formule proposée par FAO (1996) et utilisée par Nana (2019)

S2 la superficie de la même classe d'unité d'occupation du sol à la date t2 ;

Si Tg = 0, on conclut qu'il y a stabilité de cette catégorie d'occupation du sol ;

Cette étape consiste essentiellement à fournir, à partir des fichiers images, texte créé, desinformations sur certains paramètres de la zone d'étude. Ces informations sont présentées sous forme cartographique dansle chapitre suivant.

3.3.2. Détermination du risque d'inondation

Plusieurs méthodes existent pour la détermination du risque d'inondation. La méthodologie adoptée dans cette étude est basée sur les travaux antérieurs de Saley (2004) et Koumassi et al., (2004).L'approche multicritère AHP de Saaty (1980) a été choisie pour l'agrégation, pondération et superposition. Cette approche se résume autour des points suivants :

3.3.2.1. Standardisation des critères

Avant la mise en place des cartes critères, il est important de reclassifier les différents critères en tenant compte de l'échelle choisie, ce qui permet de les quantifier en fonction de leurs aptitudes.Il s'agit de la standardisation binaire qui permet d'obtenir une carte caractérisée par les valeurs binaires 0 et 1.

3.3.2.2. Pondération des critères

L'approche dite de comparaisons par paire développée par SAATY (1977) dans le contexte du processus décisionnel appelé procédé de hiérarchisation analytique AHP a été utilisée pour pondérer les critères. Cette technique est programmée dans le logiciel IDRISI Selva 17 sous la macro WEIGHT. Cette macro permet d'établir les poids relatifs pour groupe de facteurs dans le cadre d'une évaluation multicritère (Bensaïd, 2017). Les poids sont déterminés à partir d'une série de comparaisons par paires de facteurs quant à leur importance dans la détermination de l'aptitude pour produire des coefficients de pondération standardisés dont la somme est égale à 1 (figure 5).

Figure 5: Matrice de pondération et les valeurs de poids pour les différents facteurs

SAATY, (1977) si l'indice global de cohérence est supérieur à 0.10, la matrice des évaluations devrait être réévaluée. Dans notre application, cet indice global de cohérence représente une valeur de 0,06 (figure 5) exprimant une cohérence satisfaisante des jugements.

3.3.2.3. Agrégation

Après l'étape de pondération des critères suit le processus d'agrégation par combinaison linéaire basé sur la formule suivante

Où : C est l'indice composite, Xi est la valeur du facteur i, Wi est le poids de chaque facteur et C j est la valeur de la contrainte j.

Le module Analyse spatiale du logiciel ArcGis a permis l'application de cette opération.

3.3.2.4. Cartographie de l'aléa

L'aléa fait appel aux facteurs physiques de la zone d'étude. Les différentes cartes de facteursélaborées (carte des sols, cartedes pentes, carte de la densité de drainage, carte de la zone d'influence des cours d'eau, carte d'humidité topographique et carte de pluviométrie) ont permis de réaliser la carte d'aléa à l'inondation.

Plus le relief de la ville est bas plus il est susceptible d'être inondé, car les zones basses constituent les points de convergence des différents cours d'eau. Cette zone des dépressions a été obtenue en procédant à une reclassification de MNT de la zone d'étude.

Les types de sol constituent un élément très important pour la détermination des facteursfavorisant l'inondation. Cette carte a été obtenue par numérisation d'une cartepédologique (IRD, 1963) de Fort Lamy. Après numérisation il a été nécessaire d'extraire la zoned'étude. La carte obtenue permet de visualiser les types de sol en fonction de leurscaractéristiques. Elle a été convertie en raster, puis reclassifiée pour qu'elle soit superposableaux autres couches.

Le TWI (Topographic Wetness Index) est un indice classique qui sert à quantifier l'effet de la topographie sur les processus hydrologiques (entre autresl'engorgement des sols). Il fait ressortir les zones relativement plates et naturellement humides de par leur position dans le bassin versant. Plus il est élevé plus la zone est inondable. Il est défini comme ln(A/tan(B)), où tan(B) [m/m] est la pente locale et A [m2/m] est, pour chaque pixel et par unité de largeur, l'aire contributive (c'est-à-dire la surface située à l'amont du pixel et drainée par ce pixel). Cet indice a été généré grâce au logiciel SAGA GIS.

La densité de drainage est un des indicateurs morpho métrique d'analyse d'un réseau hydrographique. En effet, elle permet de catégoriser l'aptitude d'un drain à laisser écoulerplus ou moins facilement et rapidement l'eau gravitaire qu'il contient et cela de façon naturelle (Konaté, 2011). Cette densité de drainage a été générée par l'outil « Spatial Analyst Tools » de ArcGis et reclassée en cinq classes.

La vitesse de circulation de l'eau dépend des pentes. Ces pentes ont été générées automatiquement dans ArcGis 10.4.1 à l'aide de l'opération « Slope » avec SRTM comme donnée d'entrée. Ces pentes s'organisent en cinq classes.

La zone d'influence des cours d'eau a été obtenue à partir du réseau hydrographique en utilisantl'outil de distance euclidienne dans le logiciel ArcGis. Elle se réfère aux zones de propagation des crues. Les zones situées dans le lit mineur et majeur sont considérées comme plus vulnérables.

La carte de pluviométrie a été réalisée à partir des données pluviométriques provenant des différentes stations de la zone d'étude. L'opération pour l'obtenir est l'interpolation par méthode de Kriging.

L'indice de Lamb a été utilisé en vue de caractériser les excédents de précipitation (McKee et al, 1993). Il a été calculé aux pas de temps annuel et saisonnier. La formule mathématique utilisée est :

Dans cette formule, Xi désigne la valeur de la précipitation annuelle ou saisonnière, Xmoy est la moyenne de la série utilisée (1989-2018), ó est l'écart type de la série.

Les valeurs de Ip permettent de déterminer l'état pluvieux ou non des années. Ainsi, une année est considérée comme normale si son indice est compris entre - 0,1 et + 0,1. Elle sera dite humide si son indice est supérieur à 0,1 et sèche en deçà de - 0,1 (Lawin et al, 2011).

Cet intervalle reste critiquable puisqu'il est relativement faible de sorte que les années normales sont très peu nombreuses (Lawin et al, 2011). Mais il permet de bien distinguer les années sèches et les années humides.

Compte tenu du fait que l'étude porte sur les inondations, seules les années ou saisons humides ont été considérées.

3.3.2.5. Cartographie de la vulnérabilité des enjeux

La vulnérabilité des enjeux est des personnes, biens et environnements pouvant être affectés par l'aléa. Elle transcrit la sensibilité des enjeux (l'occupation du sol et humaine) au phénomène (Pottier, 1988 ; Maurel et al, 2003). Elle a été obtenue par le croisement de l'occupation du sol et la densité de la population.

Les éléments d'occupation du sol ont été obtenus par le traitement de l'image Landsat OLI-TIRS 2019. Ils ont été reclassifiés en quatre classes dans ArcGis.

La densité de population est réalisée à partir des données démographiques de différents arrondissements de la zone d'étude. L'opération nécessaire pour l'obtenir est la génération.A la suite de cette opération, elle a été reclassifiée en quatre classes.

3.3.2.6. Cartographie des zones à risque d'inondation

Cette carte est obtenue par la combinaison des cartes de l'aléa et la Vulnérabilité des enjeux. La formule suivante a été utilisée :

3.3.3. Prédiction des éléments de l'extension urbaine pouvant être affectéspar le risque d'inondation

Pour effectuer la simulation d'extension urbaine, il a été utilisé le module LCM du logiciel IDRISI qui permet de spécifier les fichiers essentiels associés à l'analyse de la modification de la couverture terrestre d'une zone d'étude spécifique, ainsi qu'un nom de projet. Pour les analyses de changement et de prévision, une spécification minimale est la spécification de deux cartes d'occupation du sol pouvant servir de base pour comprendre la nature du changement dans la région d'étude et les moyens d'établir des échantillons de transitions à modéliser. Les deux cartes d'occupation du sol doivent avoir des fonds, des légendes et des caractéristiques spatiales correspondants c'est-à-dire même système de projection et nombre de pixels.

Ici, il est question de créer le projet, d'insérer les deux images de base pour la simulation notamment l'image ancienne (1988) et l'image nouvelle (2019) et d'analyser le changement. L'analyse de changement fournit une estimation quantitative rapide du changement en représentant soit graphiquement le gain et la perte entre les classes, soit le changement net par classe (figure 6).

Ce paramètre permet de créer des cartes probabilistes qui présenteront les zones où des changements pourraient avoir lieu et pour cela, il faut :

Répertorier toutes les transitions existantes entre les deux cartes de couverture du sol et spécifier les transitions à utiliser pour calculer les potentiels de transition ;

Modéliser le potentiel de transition qui fournit une sélection de transformations couramment utilisées. Les transformations disponibles incluent : log naturel, exponentiel, logit, racine carrée, puissance et vraisemblance.

- Modéliser les sous-modèles de transition mis en oeuvre en utilisation par la méthode des réseaux de neurone multicouche.

Ici il est question d'obtenir au final une carte de prédiction des changements qui pourront avoir lieu à une période prédéfinie. Et pour effectuer cela, il faudra tour à tour :

- Déterminer l'ampleur des changements qui surviendront dans l'avenir à l'aide du processus de prévision de la chaîne de Markov ;

CHAPITRE III : RESULTATS

Ce chapitre présente les résultats de cette étude en fonction des objectifs spécifiques.

3.1. Analyse de l'extension spatiale dans la ville de N'Djaména

3.1.1. Evaluation de la classification

Les différentes classifications ont été évaluées par la matrice de confusion via le calcul de précision globale de la classification et coefficient de Kappa. Les tableaux ci-après présentent respectivement les matrices de transition de 1988, 2003 et 2019. Les cases diagonales en gras dans ces tableaux représentent, le pourcentage de pixels bien classés et hors diagonale, le pourcentage de pixels mal classés.

Classes	Bâti	sol nu	Marécage	CJ	Végétation	Plan d'eau	Total	IPC	EC
Bâti	95,3	1,45	2,34	0	0	0.17	99,22	0,96	0,04
Sol nu	2,11	97,96	0,35	0,37	0	0	100,79	0,97	0,03
Marécage	2,63	0,27	97,18	0	0	0	100,08	0,97	0,03
CJ	0	0,29	0,13	98,14	0,68	0	99,24	0,99	0,01
Végétation	0	0.01	0	1,49	99,32	0	100,82	0,99	0,01
Plan d'eau	0	0.02	0	0	0	99,8	99,85	1,00	0,00
Total	100	100	100	100	100	100
ICV	0,95	0,98	0,97	0,98	0,99	1,00	PG= 97,75%
EO	0,05	0,02	0,03	0,02	0,01	0,00	IC= 0,95

Tableau 2 :Matrice de confusion de la classification de l'image Landsat TM de 1988 (en %)

CJ : Champs et Jachères, ICV : Indice de de Validité Cartographique,IPC: Indice de Pureté des Classes, EC : Erreur de Commission, EO: Erreur d'Omission, PG: Précision Générale, CK: Coefficient Kappa

Il ressort de ce tableau 2 que la matrice de confusion donne une précision globale de la classification de 97, 75 % et un coefficient de Kappa de 0, 95. Ces valeurs montrent qu'il y a eu une bonne classification entre les éléments de terrains et la cartographie.

Tableau 3 : Matrice de confusion de la classification de l'image Landsat ETM+ de 2003 (en %)

Classes	CJ	Bâti	Végétation	Sol nu	Marécage	Plan d'eau	Total	IPC	EC
CJ	96,63	0,08	3,01	0,78	0	0	100,5	0,96	0,04
Bâti	0,36	99,22	0	0,08	1,96	0,2	101,82	0,97	0,03
Végétation	0,96	0,23	96,99	0	0	0	98,18	0,99	0,01
Sol nu	0,9	0,47	0	99,14	0	0	100,51	0,99	0,01
Marécage	1,14	0	0	0	98,04	1,21	100,39	0,98	0,02
Plan d'eau	0	0	0	0	0	98,59	98,59	1	0,00
Total	100	100	100	100	100	100
ICV	0,97	0,99	0,97	0,99	0,98	0,99	PG= 98, 41%
EO	0,03	0,01	0,03	0,01	0,02	0,01	IC= 0,97

Le tableau 3 stipule que la matrice de confusion donne une précision globale de la classification de 98, 41 % et un coefficient de 0,97.

Tableau 4 : Matrice de confusion de la classification de l'image OLI-TIRS de 2019 (en %)

Classes	Végétation	CJ	Bâti	Plan d'eau	Marécage	Sol nu	Total	IPC	EC
Végétation	463	0	0	0	0	0	463	1	0
CJ	0	240	0	0	0	0	240	1	0
Bâti	1	0	731	5	0	1	738	0.99	0,01
Plan d'eau	0	0	1	700	1	0	702	1.00	0,00
Marécage	0	0	0	3	38	0	41	0.93	0,07
Sol nu	0	0	7	0	0	114	121	0.94	0,06
Total	464	240	739	708	39	115	2305
ICV	1,00	1,00	0,99	0,99	0,97	0,99		PG=99,1%
EO	0,00	0,00	0,01	0,01	0,03	0,01		IC=0,98

Le tableau 4 stipule que la matrice de confusion donne une précision globale de la classification de 99,18 % et un coefficient de Kappa de 0,98.

3.1.2. Etats d'occupation du sol en 1988, 2003 et 2019

La vectorisation des images classifiées a permis d'élaborer les cartes d'occupation du sol en 1988, 2003 et 2019 ci-après.

3.1.2.1. Occupation du sol 1998 de la ville de N'Djaména

Les unités d'occupation du sol de la commune en 1988 montrent une dominance du sol nu; une concentration du bâti dans le centre-ville. Les champs et jachères sontlocalisés surtout dans les partiesSud, Est et Ouest du secteur d'étude. Les marécages sont éparpillés partout dans la partie Nord de la ville. La figure 8 montre la carte d'occupation du sol en 1988 dans la ville de N'Djaména. Elle a été obtenue à partir de la classification de l'image Landsat TM.

L'analyse de cette figure9 montre qu'en 1988, le paysage N'djaménois était dominé par le sol nu (45, 11%), les champs et Jachères (22, 80%) et le marécage (19,71%). Par contre les autres unités sont moins représentatives avec 8, 21 % du bâti, 1,64 % de végétation et 1,54 % du plan d'eau.

3.1.2.2. Occupation du sol en 2003 de la ville de N'Djaména

Le carte d'occupation du sol de 2003de la zone obtenue à partir de la classification de l'image Landsat ETM+ est présentée la figure 10.L'analyse de la figure 10 permet de constater qu'en 2003, le milieu d'étude est dominé par les champs et jachères. Les marécages sont très peu représentés sur toute la ville. Les sols nus sont aussi assez présents sur l'ensemble du milieu. L'espace bâti se densifie dans le centre et orienté vers la partie Est.

La figure11 montre l'occupation du sol en 2003. Il ressort que les champs et jachères (45, 84 %), la végétation (6,32%), le bâti (11,44%), et le plan d'eau (2,43%) sont en progression. Par contre le sol nu (33, 03) et le marécage ont diminué.

3.1.2.3. Occupation du sol en 2019 de la ville de N'Djaména

Le carte d'occupation du sol de 2019 de la zone obtenue à partir de la classification de l'image Landsat OLI-TIRS est présentée la figure 12.

L'analyse de la figure 12 ci-dessus présente les proportions de l'occupation du sol pendant l'année 2019 dans la ville de N'Djaména. On remarque également la présence intense du bâti dans la partie Nord et Sud-Est de la ville. La partie Sud-Ouest de la zone d'étude est largement occupée par des sols nus. La végétation est trop accentuée tout au long des cours d'eau, surement à cause de la présence des jardiniers.Les champs et jachères sont autour de l'agglomération. Les marécages sont très faiblement représentés dans la ville.

La figure13montre l'occupation du sol en 2019. Il ressort de cela qu'il y a une emprise du bâti (39,99%) au profit des autres unités d'occupation ; le marécage (0,17 %), le plan d'eau (2,49%), la végétation (16,74%), Champs et Jachères (9,92%) et le sol nu (30,68%).

3.1.3. Dynamique spatiale de l'occupation du sol de la ville de N'Djaména

3.1.3.1. Analyse des états de l'occupation du sol de 1988-2003

Le résultat de matrice de transition donne une bonne interprétation sur la dynamique d'occupation du sol opéré entre 1988 et 2003 dans le tableau 5.

2003	1988
		Ch et Jach	Bâti	Végétation	Sol nu	Marécage	Plan d'eau	Total
	Ch et Jach	56,63	10,03	0,74	66,24	59,27	0,02	192,92
	Bâti	6,59	19,16	0,41	12,49	12,87	0,28	51,79
	Végétation	13,83	2.31	6.33	5.32	1.46	0.06	29.3
	Sol nu	20.37	8.61	0,15	468,81	9,37	0,37	507,68
	Marécage	1,2	0,82	0,08	1,29	1,41	0,51	5,31
	Plan d'eau	0,12	0,55	0,03	3,71	0,42	4,98	9,81
	Total	98,74	41,49	7,73	557,86	84,79	6,21	796,82

Le tableau 5 dispose en ligne les unités d'occupation du sol de l'année initiale (1988) et en colonne les mêmes unités d'occupation du sol de l'année finale (2003). Il permet de voir les différents changements ou transformations opérés entre 1988 et 2003. Les changements sont observés à trois niveaux : la stabilité ou non-changement, la modification et la conversion. Les cases de la diagonale en gras sont des unités d'occupation de terrain qui n'ont pas connu de changement entre 1988 et 2003.Le marécage en 1988 s'est converti en 66, 24 km² du sol nu, 0,74 km² de la végétation, 10,03 km² du Bâti et 56,63 km² des champs et Jachères. Le marécage a subi une très forte modification. Il est passé de 84,79 km² en 1988 à 5,31 km² en 2003.La figure 14 présente le bilan de la dynamique spatiale d'occupation du sol entre 1988 et 2003 dans la ville de N'Djaména.

Figure 14:Bilan de la dynamique spatiale d'occupation du sol entre 1988 et 2003

La figure 14 présentant le bilan de la dynamique spatiale d'occupation des terres entre 1989 et 2001 montre une augmentation des superficies du bâti, la végétation, le plan d'eau et champs et jachères ont connu une évolution significative. Par ailleurs, le sol nu a connu une légère régression. Il est constaté d'importants changements d'occupation du sol dans les zones marécageuses.

3.1.3.2. Analyse des états de l'occupation du sol de 2003-2019

Les états d'occupation du sol des années 2003 et 2019 sont synthétisés dans le tableau 6.

2003
2019		Végétation	Ch et Jach	Bâti	Plan d'eau	Marécage	Sol nu	Total
	Végétation	16.13	40.59	5.9	0.47	1.56	9.04	73.69
	Ch et Jach	1.28	33.5	3.74	0	0.46	5.48	44.46
	Bâti	8.79	54.19	38.14	1.3	1.76	431.5	535.7
	Plan d'eau	0.15	0.44	0.69	7.28	0.59	1.29	10.44
	Marécage	0.07	0.19	0.24	0.57	0.31	0.29	1.67
	Sol nu	2.89	64.01	3.07	0.19	0.62	60.08	130.87
	Total	29.3	192.92	51.79	9.81	5.31	507.68	796.83

L'observation du tableau 6montre que les lignes contiennent les unités d'occupation du sol de l'année 2003 et les colonnes ont les unités d'occupation de 2019. Les croisements entre les mêmesthèmes de 2003 et 2019 sont des cases en gras contenant des unités de terrain qui n'ont pas connu de changement entre 2000 et 2019. Par contre, les autres données sont les résultats d'une modification ou de conversion entre ces deux dates. Les champs et Jachères de 2003 se sont convertis en 54,14 km² de bâtis, 40,59 km² de végétation et 0,44 km² de plan d'eau en 2019. De façon globalebâtie a connu une augmentation remarquable. La figure 15 présente le bilan de la dynamique spatiale d'occupation du sol entre 2003 et 2019 dans la ville de N'Djaména.

Figure 15: Bilan de la dynamique spatiale d'occupation du sol entre 2003 et 2019

Ce bilan montre une augmentation des superficies du bâti et de la végétation. Par contre, les champs et jachères, les sols nus et le marécage ont connu une régression. Par ailleurs, le plan d'eau est resté pratiquement stable.

3.1.4. Évolution spatiale du bâti dans la ville de N'djaména

La ville de N'djaména connait une croissance spatiale grandissante de 1988 à 2019. La figure illustre l6 l'évolution de l'agglomération en fonction des trois dates 1988, 2003 et 2019.

La figure 16 montre l'évolution spatiale de la ville de N'Djaména de 1988 à 2019. Il ressort de cela que la ville a évolué de façon croissante et continue. De même, elle est très orientée vers l'Est de la ville. La figure 16 montre la répartition du bâti par superficie.

Il ressort de la figure 17 qu'en 1988 la superficie du bâti était de 3546,50 ha et 4937,85 ha en 2003. Sur une période de 15 ans, la superficie a été multiplié par 1,39. Entre 2003et 2019 l'aire bâtie s'est étendue en passant de4937,85 ha en 2003à 17266,19 haen 2019. L'aire a étémultipliée par plus de cinq en 16 ans.Cette croissance spatiale de la ville s'explique par son statut de ville capitale politique et par son statut pôle d'attraction de population des autres régions du pays.

Effet, l'évolution drastique du bâti réduit le temps hydrologique et augmente le phénomène de ruissellement d'eau dans la ville.

3.2. Détermination du risque d'inondation dans la ville de N'Djaména

L'élaboration de la carte du risque constitue un outil efficace pour aider les autorités à réduire le phénomène d'inondation dans la ville. Le risque d'inondation est le produit de l'aléa et vulnérabilité.

3.2.1. Cartographie de l'aléa du risque d'inondation dans la ville de N'Djaména

Avant la mise en place de cette carte, il est nécessaire d'élaborer au préalable celle des critères qui concernent les pentes, la densité du drainage, l'indice d'humidité topographique, les zones de dépression, les types de sols, les zones d'influence de cours d'eau et la précipitation.

Hangnon (2009) ; Raïknan (2017), la connaissance de la pente est souvent nécessaire pour comprendre la dynamique des écoulements. Figure 18 montre la carte des pentes de la ville de N'Djaména.

L'analyse de la figure18 permet de constater qu'une grande partie de la ville représente les pentes très faibles (0-1,29%), qui occupe 26, 39% de la superficie de la ville. Les pentes de la ville sont comprises entre 0 à 44,47%. Cinq classes ont été générées pour les pentes : les pentes très faibles (0-1,29%), les pentes faibles (1,29-2,59%), les pentes modérées (2,59-4,78%), les pentes fortes (4,78-9,1%) et les pentes très fortes (9,1-44,47%).Les zones où les pentes sont élevées correspondent au centre-ville et tout au long des rivières Chari et Logone. D'une manière générale la ville à une pente faible. Cette faiblesse rend difficile le drainage des eaux pluviales vers les exutoires et ne permet pas le ruissellement des eaux.

La figure 19 présente la carte de densité de drainage des eaux pluviales dans la ville de N'Djaména.

L'analyse de la figure 19indique que les zones de forte densité de drainage se localisent au Nord-Est et les fleuves Chari et Logone de la ville. La partie l'Est et Sud indique une faible densité de drainage. Pourtant une faible densité de drainage présente une sensibilité au risque d'inondation.

La figure 20 présente la carte de zone des dépressions de la ville de N'Djaména. L'analyse de cette figure 20 montre que les zones de faible dénivellement se situent au Nord et tout au long des rivières Chari et Logone. Leur altitude varie entre 288 à 305 mètres. Du fait de leur proximité et de leurs faibles dénivelés par rapport aux fleuves Chari et Logone, elles sont sujettes à inondation chaque année. Les zones les plus élevées se localisent dans le Centre et à l'Est de la ville.

La figure 21 présente la carte d'indice d'humidité topographique de la ville de N'Djaména.Cette figure 21 montre que l'indice d'humidité topographique est très élevé dans les parties Nord-Est, Nord-Ouest et tout au long de la rivière Chari et représente 11,57% de la superficie de la ville. L'indice d'humidité moyenne représente 37,15. Par ailleurs, le centre de la ville présente un indice d'humidité très faible. En effet, plus l'indice est élevé plus la zone présente une sensibilité au risque inondation.

L'analyse de la figure 22 ci-dessous indique les sols à forte sensibilité à l'inondation couvre 5 % de la superficie et sont repartis dans le 9 arrondissement de la ville. Les sols à très forte sensibilité occupé 19 % de la superficie et se situent tout au long des rivières. Enfin, les sols à sensibilité modérée et faible sont dispersés dans les parties Nord et Est et occupent respectivement 41 et 34 % de la superficie de la ville.

L'analyse des précipitations constitue un facteur clé pour comprendre la dynamique des écoulements en rivière et la fréquence des inondations assujetties aux conditions du régime hydrologique (Hangnon, 2009 ; Raïknan, 2018). Elle permet également d'apprécier l'ampleur des déficits et des excédents. La variabilité interannuelle de la précipitation de 1988 à 2018 est étudiée à travers la comparaison des valeurs pluviométriques réduites. La figure 23 présente l'évolution interannuelle des hauteurs de pluies dans le milieu d'étude sur la période 1988 à 2018.

Figure 23:Évolution interannuelle des hauteurs de pluies de la commune de Ouagadougou sur la période 1988 à 2018

Sur les 30 années d'analyses de la pluviométrie, 14 sont inférieures à la moyenne interannuelle (soit 46,7 %) et 16 lui sont supérieures (soit 53,3%). Cette moyenne interannuelle s'élève à 573 ,16 mm. Le minimum pluviométrique est intervenu en 1990 (296,2mm) et en cette période-là, le déficit était de -296,96 mm. Le maximum pour sa part est survenu en 1998 avec un excédent de 202.74mm par rapport à la moyenne interannuelle.

Une période 1988 à 1992 est marquée par une saison alternance d'années pluvieuses et d'années sèches ;

Période de saison sèche de 1993 à 1997, qui représente un déficit moyen de 82.64 mm (soit 8, 36 %).

Une période pluvieuse de 1998 à 2008 excepté les années sèches de 2002, 2004 et 2005 qui furent sèches. C'est dans cette séquence, où l'on retrouve le maximum pluviométrique de ces 30 dernières années : 1998 avec un excédent de 202.74 mm.

Enfin, une période pluvieuse de 2015 à 2018, qui représente un excédent moyen de 33.71mm. Tout en suivant les cycles ci-dessus indiqués, de 1988 à 2016, l'évolution de la pluviométrie est restée marquée par une succession de périodes déficitaires, normales et excédentaires. Cela est parfaitement illustré par les seuils. Les années, 1990, 1993, 1995, 1996, furent marquées par une sécheresse extrême ; tandis que celles de 1998, 2006 et 2015furent marquées par une humidité extrême. La figure 24 montre la distribution spatiale de précipitation sur une période de 30 ans dans la ville de N'Djaména.

L'analyse de la figure 24 montre que la pluviométrie annuelle de la ville de N'Djaménaaugmenteau fur et mesure que l'on se déplace vers le sud de laville. Il ressort de cette analyse qu'au moins 16 % de la superficie de la ville subit une précipitation élevée, soit 71.42,8km². La partie Sud très élevée occupe19% soit 81,74 km² de la superficie de la ville. La sensibilité du risque d'inondation est très élevée dans cette partie de la ville.

La distance des rivières est un autre facteur de conditionnement important puisque les rivières et leurs les terres sont les principales voies d'inondation. La figure 25 montre les aires d'influence des cours d'eau.

L'analyse de la figure 25 indique qu'au fur et à mesure qu'on se rapproche des cours d'eau la sensibilité à l'inondation est très élevée.

3.2.1.1. Aléa d'inondation

L'analyse de la figure 26 permet d'identifier trois zones dont l'aléa à l'inondation varie du faible au fort. Les zones de faible aléa occupent 3% et sont reparties surtout dans le noyau central de la ville notamment les arrondissements 2, 3, 4, 5 et 6. Les zones de l'aléa moyen à l'inondation correspondent aux zones à pente moyenne. Ces zones occupent 69 % de la superficie de la ville. Il s'agit notamment des parties l'Est et centrale de la ville. Les zones de fort aléa à l'inondation occupent 28 % de la superficie de la ville. Ces zones concernent les arrondissements 9 et 1. La figure 26 montre la carte de la vulnérabilité du risque d'inondation dans la ville de N'Djaména.

3.2.2. Cartographie de la vulnérabilité des enjeux au risque d'inondation

La vulnérabilité est la capacité de la population à faire face aux effets délitèrent du risque d'inondation. Avant la détermination de la vulnérabilité des enjeux au risque d'inondation, les cartes des critères ont été élaborées.

Les caractéristiques démographiques de la zone d'étude sont aussi des paramètres pertinents dans la détermination des risques d'inondation, car la croissance démographique à une influence sur le risque d'inondation (Thiam, 2018). La figure 27 montre la densité de la population.

L'analyse de la figure 27 indique que les zones à très forts enjeux humains se localisent dans les zones où la densité de la population est très forte. La partie centrale de la ville est plus concernée.Les zones modérées aux enjeux humains couvrent une grande partie de la ville.

Si l'inondation est tout d'abord un aléa naturel, l'homme a contribué à son aggravation à travers les modes d'occupation et d'aménagement de l'espace (Baggio et Rouquette, 2006). La figure 28 montre la sensibilité des unités occupation au risque d'inondation. Il ressort de cela que la sensibilité faible couvre 16 % de la superficie et se situe principalement dans le secteur, à couvert végétal et à pente forte. Les zones à sensibilité modérée occupent 41 % de la superficie de la ville. La vulnérabilité forte couvre le reste de la ville, soit 43 % de la superficie de la ville et correspond aux marécages, aux plans d'eau et au bâti. La figure 28 montre la carte de vulnérabilité liée à l'occupation du sol de la ville de N'Djaména.

3.2.3.1. Vulnérabilité à l'inondation

La figure29 montre la carte de la vulnérabilité des enjeux face au risque d'inondation dans la ville. L'analyse de la figure 29montre que la vulnérabilitédes enjeux face au risque d'inondation dans est classée en trois niveaux : Faible, modéré et fort. Il ressort que l'analyse faible couvre 22 % de la superficie de la ville et se situe principalement dans le secteur, à couvert végétal. Les zones de vulnérabilité modérée occupent 46 % de la superficie de la ville. La vulnérabilité forte couvre une grande partie de la ville, soit 30 % de la superficie et correspond aux zones où les activités économiques, les infrastructures, les équipements sont plus développés.

3.2.3. Risque d'inondation dans la ville de N'Djaména

La figure 30 montre la répartition spatiale des zones à risque d'inondation dans la ville de N'Djaména. Elle a été obtenue par la superposition des cartes de l'aléa qui est le facteur déclencheur de l'inondation et celle de vulnérabilité.

Figure 31:Répartition du niveau du risque d'inondation par superficie de la ville de N'Djaména

L'analyse de figure 31montre que les zones à risque d'inondation varient de faible au très fort. Les zones à risque faible occupent104.26 km² soit24, 44 % de la surface et sont dispersées dans les parties Nord et Centrales de la ville.Les zones à risque modéré couvrent 118.93 km² soit 27, 88 % et sont éparpillées sur l'ensemble de la ville. Elles se concentrent dans les secteurs à pente moyenne. Les zones à risque fort sont situées tout au long des rivières de la ville. Elles occupent203.46 km² soit47,69 % de la superficie et s'étendent principalement dans les arrondissements 1, 7 et 9 de la ville. Ces zones présentent un danger évident lors des crues. Les localités de Walia Ngouma, Kaliwa, Kabé, Dingali, Ambata, Ngounba, Karkandjeri, Zaraf, Boultalbagar, Gassi sont les plus concernées.

3.3. Prédire les éléments de l'extension urbaine en 2035 pouvant être affectés par le risque d'inondation.

Le modèle LCM de Terreset du logiciel Idrisi a été utilisé pour prédire l'extension urbaine en 2035. Ce modèle s'est basé sur les années passées et actuelles et les facteurs.

3.3.1.Variables utilisées

Le nombre de variables explicativesintégrées aux modèles est contraint par leur disponibilité, leur spatialisation ainsi que par leur influence sur la localisation et les changements des types d'occupation du sol. Leur choix a été fait sur la base des études antérieures de (Maestripieri, 2013) et (Roy, 2016).

Paramètre	Donnée source	Description
Altimétrie	Alos Palsar (SRTM)	L'altimétrie de la zone est également à prendre en compte dans la distribution spatiale despopulations. En effet, les populations auront tendance à s'installer dans les zones basses, pour se protéger des mauvaises conditions météorologiques.
Pente	Alos Palsar (SRTM)	La pente du terrain est un paramètre important à prendre en compte pour la modélisation de la répartition spatiale de la population. Les zones accidentées sont moins propices à la construction des maisons. La variable pente est une donnée endogène qui est dérivée directement à partir du modèle numérique d'altitude (MNA).
Distance des cours d'eau	Réseau hydrographique	La présence de l'eau présente une substance fondamentale pour le maintien de la population.Elle est aussi une composante de grande importance pour toute action dela régularisation des mouvements de la population et sa répartition dansl'espace.
La proximité des localités	Localité (shp)	La modélisation des aires d'influence de chaque agglomération est complexe. En fait, il existe plusieurs types d'aires d'influences que peut exercer une agglomération sur ses habitants et sur d'autres populations. En effet, chaque service, chaque type de commerce détermine autour de lui sa propre zone d'influence.
Distance des axes de communication	Réseau routier	La proximité par rapport aux réseaux routiers est un facteur de grande importance. Elle joue un rôle clé sur l'ensemble des interactions spatiales de même que sur la localisation des entités géographiques (Maestripieri et Paegelow, 2013).

Le modèle a mobilisé 5 critères spatialement explicites en deux catégories dont facteurs socio-économiques et environnementaux. Les facteurs relevant de la socio-économique sont : Distance des axes de communication (figure 31.c) et localités (figure 31.b).

Quatre facteurs relèvent de l'environnement : l'occupation du sol de 1988-2019, la pente (figure 32.e), l'altimétrie (figure 32. d) et les cours d'eau (figure 32.a). La figure 32 présente les variables qui ont été utilisées pour la prédiction de ce modèle.

Figure 32: Variable de Modèle LCM ; Distance des cours d'eau(a), Distance des localités (b), Distance des routes (d), Altimétrie (d) et Pente (e)

Ces variables ont été validées par les coefficients de régression logistique comme présente le tableau 8.

L'analyse de tableau 8 montre les coefficients de régression logistique du modèle. Il ressort que les variables à savoir : Distance par rapport au routes, Altimétrie et Distance autour des localités sont significatives et positives à la prédiction tandis que les variables comme la pente et la distance par rapport à la rivière affichent un coefficient négatif.

3.3.2. Matrice de probabilité de transition

La matrice de probabilité de transition dans le tableau 9 illustre laprobabilité que chaque classe d'occupation du sol changera à l'autre d'ici 2035. Cette matrice est produite par la multiplication de chaque colonne dans la matrice de transition par le nombre de pixels correspondant à l'occupation du sol de l'année 2019.

Pour un tableau de matrice 6*6 les lignes représentent l'occupation du sol de l'année initiale et les colonnes, les nouvelles classes d'occupation du sol.

Tableau 9: Matrice de probabilité de transition entre occupations du sol de 1988-2019 pour 2035

	Bâti	Ch et Jach	Plan d'eau	Marécage	Sol nu	Végétation	Total
Bâti	0,6538	0,1116	0,0042	0,0021	0,2046	0,0238	1,0001
Ch et Jach	0,4067	0.202	0	0	0,3497	0,0416	1
plan d'eau	0,193	0	0,757	0,0284	0	0,0215	0,9999
Marécage	0,0697	0,825	0	0,0068	0,095	0,0036	1,0001
sol nu	0,4761	0,0347	0,0347	0,0264	0,003	0,4476	1,0225
Végétation	0,4225	0.097	0	0,0032	0,1523	0,325	1
Total	2,2218	1,2703	0,7959	0,0669	0,8046	0,8631	6,0226

La matrice de transition ci-dessus permet l'analyse de probabilités de transition. Six classes d'occupation du sol sont considérées pour le calcul des probabilités entre 2019 et 2035. Il ressort quela probabilité de conversion des marécages est la plus élevée (0.8250) alors que celle du bâti (0.0021) reste la plus faible. Il est aussi noté que la végétation a une probabilité importante de conversion (0.4225) en bâti (0.1523) en sol nu (0.0970) en champs et jachères et (0.0032) en marécage.

Le bâti et plan d'eau ont affiché une stabilité la plus importante respectivement (0.6538) et (0.7570). On peut dire qu'en 2035, une forte demande des terres entrainera une transformation des marécages et la végétation.

3.3.3. Occupation du sol en 2035

La prédiction de l'occupation du sol en 2035 a été faite sur la base de la matrice de transition entre les occupations des terres de 1988 et 2019 et les variables (figure 33). Le résultat de la prévision de l'occupation du solpour l'année 2035 est illustré par la figure 33.

Figure 32: Occupation du sol en 2035 dans la ville de N'Djaména (prévision)

Il ressort de cette figure 33que la ville est dominée par le bâti et ce dernier est très orienté vers la partie Sud et Sud-Est. Les sols nus et Champs et Jachères sont particulièrement autour du bâti. La figure 34 montre la répartition des superficies des unités d'occupation du sol en 2035 dans la ville de N'Djaména.

L'analyse de cette projection montre que le bâti aurait un taux de croissance élevé. Les sols nus, la végétation et les champs et jachères connaitront et une décroissance. Ainsi la classe bâtie augmentera et passera de40, 07 % à 64,74 % entre 2019 et 2035. L'autre changement sera une baisse des surfaces pour les classes champs et jachères et sol nu allant de 9,9 % à 4 % pour les champs et jachères, et de 30 à 26 % pour le sol nu. Les classes de l'eau, de la végétation et du marécage présenteront par contre une évolution presque constante entre 2015 et 2035.

Discussion

Pour analyser l'extension urbaine de la ville de N'Djaména, la méthode de télédétection a été utilisée. Les images Landsatayant une résolution spatiale de 30 mètres sont très utilisées pour les études de multidates afin d'apprécier l'évolution de la couverture du sol dans un espace donné.Dans le cadre de cette étude, les images TM 1988, ETM+ 2003 et OLI-TIRS 2019 de Landsat ont été utilisées. La méthode de classification utilisée est celle de superviser avec l'algorithme de vraisemblance. Ainsi, six (6) classes d'occupation du sol ont été notées pour les différentes dates à savoir : bâti, plan d'eau, sol nu, marécage, végétation et champs et jachères. Ceci a permis d'analyser l'occupation du sol et l'évolution du bâti dans la zone d'étude. En effet, l'analyse de la dynamique urbaine de la ville fait ressortir une progression soutenue de la zone bâtie. Cette dynamique urbaine n'a pu être encadrée par les pouvoirs publics parce qu'ils n'ont pas pu mobiliser les moyens et les ressources nécessaires à cela. Il en découle l'expansion spontanée des espaces s'effectuant le plus souvent sur des zones nonaedificandi notamment le lit des fleuves Chari et Logone ainsi que des zones bases submersibles (Tobro, 2016).

Les études du risque d'inondation basées sur les SIG et l'analyse multicritère sont encore à un stade embryonnaire dans la zone d'étude. Toutes fois quelques travaux dans la ville confirment nos résultats. D'après nos résultats 203.46 km² soit47,69 % des terres de la superficie de la ville sont fortement exposés au risque d'inondation et s'étendent principalement dans les arrondissements 1, 4, 5, 6, 8 et 9. Ainsi que les abords des cours d'eau. UNOSAT (2012) indique le terrain au confluent du Chari et du Logone et les quartiers du Sud restent le terrain le plus inondable de la ville. Les travaux similaires ont été réalisés hors du Tchad.

Au Bénin, Koumassi et al. (2014)ont utilisé les images TM de Landsat, des données hydroclimatiques et des produits dérivés d'un modèle numérique de terrain (MNT) pour évaluer le risque d'inondation dans le bassin de Sota. Ils obtiennent 16 % des zones fortement exposées au risque d'inondation et se situent aux abords immédiats des cours d'eau. Au Cameroun, Zogning montre l'importance des MNT et de l'imagerie satellitaire pour cartographier les zones à risque d'inondation dans le bassin versant de Mfoundi à Yaoundé. Ils abordent une approche cartographique par combinaison multicritère et obtiennent 9,23 km² soit 26% de la superficie du bassin versant du Mfoundi est potentiellement inondable.

Prédire les éléments de l'extension urbaine en 2030 pouvant être affectés par les risques d'inondation.

L'analyse du risque d'inondation a conduit à cette étude de faire une prédiction des éléments l'extension urbaine en 2035 pouvant être affectée par les risques d'inondation. Les modèles de simulation dynamique sont utilisés dans l'optique d'une démarche exploratoire du futur.Ils sont utilisés pour leur apport à la compréhension et à la formalisation des processus expliquant les changements d'un territoire (Moreno et al., 2012), pour l'évaluation de zones potentiellement dynamiques dont la plausibilité d'évolution est estimée par un ou plusieurs modèles à travers le degré de probabilité d'un changement sur une portion du territoire (Aguejdad, et al., 2016). Parmi eux on peut citer le modèle SLEUTH et NEDUM-2D utilisé par Aguejdad et al. (2016), dans la ville de Toulouse pour prédire l'étalement urbain. Le modèle Automate Cellulaire de Hjirt (ACH) a été utilisé par Chafik (2018), dansmassif d'Aghbalou-larbi au Maroc pour modéliser la forêt. Agbanou et al., (2018) ont utilisé le modèle LCM dans la région soudanienne au Nord-Ouest du Bénin. Dans cette étude, la prédiction de l'extension a été spatialisée à l'aide du modèle LCM à partir des données d'occupation du sol de 1988 et 2019 et s'appuie sur les facteurs comme l'altitude, la pente, la distance par rapport aux routes, la proximité des localités et des cours d'eau. Ainsi, à partir des cartes de transitions, observées et des variables explicatives et la carte de prédiction ont été élaborées par le réseau neurone. Cette carte de prédiction à l'horizon 2035 a permis d'avoir une idée sur l'aspect qualitatif et quantitatif des éléments de l'extension urbaine. Le résultat révèle que d'ici 2035 la ville sera probablement dominée par la zone bâtie soit 64,74 %de la superficie de la ville. Cette augmentation se fera au dépens de la formation végétale et les zones marécageuses ce qui provoquera davantage les risques d'inondation dans la ville de N'Djaména. Car l'extension des surfaces imperméabilisées non seulement inhibe l'infiltration, accentue le ruissellement et canalise l'écoulement, mais crée une chaîne d'effets induits.Partant de ce constat, les inondations ne devraient plus être considérées comme des risques naturels dans la ville, mais plutôt comme des risques inhérents à la croissance de la ville.

Conclusion et perspectives

Dans ce travail intitulé « Analyse du risque d'inondation dans la ville de N'Djaména, Tchad », l'objectif général était d'analyser le risque d'inondation. Des objectifs spécifiques constituant les démembrements des résultats obtenus notamment, analyser l'extension urbaine, déterminer les zones à risque d'inondation et enfin prédire les éléments de l'extension urbaine pouvant être affectés par le risque d'inondation à l'horizon 2035. Pour atteindre ces objectifs, une démarche axée sur la collecte de données, le traitement des images satellitales, SIG et cartographique a été utilisée.

L'utilisation des images multidates a permis d'analyser l'extension urbaine. Le résultat de cette analyse révèle que le milieu a connu une dynamique spatiale importante de 1988 et 2019. Les changements observés s'opèrent de façon différente au cours des périodes 1988-2003 et 2003-2019. De façon globale, ce milieu a vu sa formation marécageuse se réduire au profit des formations anthropiques notamment les sols nus, champs et jachères et le bâti. La superficie de ce dernier a quintuplet de 1988 à 2019.

Afin de mettre en évidence les zones potentiellement inondables, une approche méthodologique par combinaison multicritères a été opérée grâce à la méthode de SAATY. Il ressort que 203.46 km² soit 47,69 % de la superficie se retrouvent dans les zones à fort risque d'inondation.

La simulation de l'occupation du sol par LCM a permis de prédire les éléments de l'extension urbaine en 2035 en combinant plusieurs facteurs (socio-économiques et environnementaux) et montre qu'il existe des relations spatiales entre ces facteurs et les changements d'occupation des terres. Cette modélisation a favorisé la localisation et la quantification des trajectoires d'évolution du bâti dans les zones inondables à l'horizon 2035.

Ce travail s'est heurté à un certain nombre de limites tant sur le plan de la disponibilité des données, que sur leurs modèles de traitements.Le champ d'investigation de cette recherche n'a pas été totalement exploré notamment, le fait que tous les facteurs n'ont été pas pris en compte dans la détermination du risque d'inondation et la simulation des éléments de l'extension urbaine. Cependant, il serait intéressant pour les prochaines recherches de modéliser etd'analyse les facteurs de la croissance urbaine de la ville de N'Djaména.

Références bibliographiques

Abakar R, 2015. Problématique des inondations dans la ville de N'Djamena. Master Hydro-SIG, Université de N'Djaména, 61p.

Aguejdad R., Doukari O., Houet T., Avner P., Viguié V., 2016. Etalement urbain et géoprospective : apports et limites des modèles de spatialisation. European Journal of Geography. URL:http//cybergeo.revues.org/ 27668; DOI: 10.4000/cybergeo.27668 1-25p.

Ahmat A. 2018. N'Djaména face aux défis et enjeux majeurs de l'heure : comment positionner la capitale au rang des villes les plus compétitives ? https://www.alwihdainfo.com/N-Djamena-face-aux-defis-et-enjeux-majeurs-de-l-heure-comment-positionner-la-capitale-au-rang-des-villes-les-plus_a65584.html. 08/112019 à 23H20.

Baggio S. et Rouquette M., 2006. La représentation sociale de l'inondation : influence croisée de la proximité au risque et de l'importance de l'enjeu. Revue Bulletin de psychologie, Numéro 481, pp.103-117.

Bensaïd A., 2007 : Sig et télédétection pour l'étude de l'ensablement dans une zone aride : le cas de la wilaya de naâma (Algérie). Thèse de doctorat de géographie, Université Joseph Fourier Grenoble 1, 319p.

Bouba D, Ngaressem G, Madjigoto R, Raimond C., 2014. Les influences de l'urbanisation sur la répartition régionale des plantes cultivées au Tchad et au Nord-Cameroun. Revue de géographie de Bordeaux, Les Cahiers d'Outre-Mer, n° 266, pp.169-194.

CGES, 2014. Projet d'appui à la réforme du secteur de l'éducation au Tchad. Rapport final, 79p.

Chafik H., 2018. Du SIG et télédétection aux automates cellulaires : cartographie et modélisation de l'évolution spatio-temporelle du domaine forestier. Exemple du foret de hjirt (massif d'aghbalou-larbi, moyen atlas, maroc). Master sig et télédétection appliqués auxgéosciences et à l'environnement, Université Hassan II de Casablanca, 90p.

Cheikh M., Ozer P. et Ozer A. 2007. Risques d'inondations dans la ville de Nouakchott (Mauritanie). Revue scientifique Geo-Eco-Trop, 31: 19-42p.

Eastman J.R., 2009. «The Land Change Modeler for Ecological Sustainability», IDRISI Andes. Guide to GIS and Image Processing, Worcester, 234-256p.

Egentz J., 2018. Cap-Haïtien (Haïti) sous eau : chronique d'une ville non préparée au risque d'inondation. Master de spécialisation en gestion des risques et des catastrophes, Campus Arlon environnement, Université de Liège, 76p.

Guechi I. et Alkama D. 2017. Apport de la télédétection pour la cartographie diachronique de l'étalement urbain et l'analyse morphologique de l'agglomération de Guelma. Revue scientifique et technique le courrier du Savoir, N°24, pp.73-80.

Hamit A., Kengni L., Iddo E., Njueya K., 2017. Assessment of the vulnerability of groundwater to pollution in N'Djamena (Chad) using the drastic index method. International Journal of Current Research Vol. 9, Issue, 10, pp.58911-58919.

Hemchi M.A., 2015. Mobilités urbaines et planification dans la ville N'Djamena. Thèse doctorant d'aménagement de l'espace et d'urbanisme, Université de Bordeaux Montaigne, 476p.

Hostache, R. 2006. Satellite image analysis for three-dimensional flood hazard characterization and hydraulic modelling support... Sciences of the Universe [physics]. ENGREF (AgroParis-Tech), 2006. English. <Pastel-00002016> http://www.mementodumaire.net/wp-content/uploads/2012/07/Risque-inondations-2004.pdf, consulté le 06 décembre 2020 à 03h03min.

https://reliefweb.int/map/chad/situational-update-1-satellite-assessment-floods-over-city-ndjamena-chad-17-oct-2012

Joliveau T., 1996. Gérer l'environnement avec des S.I.G. Mais qu'est-ce qu'un S.I.G ?. Revue de Géographie, Lyon, vol 71.21/76, pp.101-110.

Kadjangaba E., 2014. Etude hydrochimique et isotopique du système zone non saturée - nappe dans la zone urbaine de N'Djamena : impact de la pollution. Thèse de doctorat d'Hydrogéologie, Université d'Avignon et des Pays de Vaucluse, 206p.

Kieffer E. et Serradj A. 2013. La télédétection au service des études urbaines : expansion de la ville de Pondichéry entre 1973 et 2009. Géomatique Expert, N° 95, pp.68-75.

Konaté A.A., 2011. Contribution de la télédétection et des sig dans la prévention des risques d'inondation dans l'arrondissement de Bogodogo (ville de Ouagadougou / Burkina Faso). Mémoire de DESS en production et gestion de l'information géographique, RECTAS, 85p.

Koumassi H., Tchibozo A.E., Vissin E. et Houssou S., 2014. Sig et télédétection pour l'optimisation de la cartographie des risques d'inondation dans le bassin de la sota au Bénin. Rev. Ivoir. Sci. Technol., 23 (2014) 137 - 152 ISSN 1813-3290

LACBO, 2012. Les inondations dans le bassin du lac Tchad. Hydrometéo, Bulletin du 3ème trimestre 2012, 4p.

Lankouandé F., 2016. Analyse géospatiale de la croissance urbaine de Ouagadougou, Burkina Faso. Mémoire de DESS en production et gestion de l'information géographique, RECTAS, 58p.

Lawin A. E. Afouda A. et Lebel T., 2011. Analyse de la Variabilité du Régime Pluviométrique dans la Région Agricole d'Ina au Bénin. European Journal of Scientific Research, ISSN 1450-216X Vol.50 No.3 (2011), pp.425-439. http://www.eurojournals.com/ejsr.htm

Leumbe O., Bitom D., Mamdem L., Tiki D., Ibrahim A., 2015 : Cartographie des zones à risques d'inondation en zone soudano-sahélienne : cas de Maga et ses environs dans la région de l'extrême-nord Cameroun. Journal Afrique SCIENCE, N°11(3), 47-48pp.

Maestripieri N et Paegelow M, 2013. Validation spatiale de deux modèles de simulation : l'exemple des plantations industrielles au Chili. Consulté le 19 septembre 2019. URL : http://cybergeo.revues.org/26042 ; DOI : 10.4000/cybergeo.26042

Maurel P., Raclot, D. et Puech, C., 2003. Apports de la télédétection à très haute résolution spatiale à l'étude du risque d'inondation. https://www.researchgate.net/publication/228984202

Mckee T., Doesken J. et Kleist J. 1993. The relationship of drought frequency and duration to time scales. In Proceedings of the 8th Conference of Applied Climatology, 17-22 January 1993, Anaheim, CA. American Meterological Society, 179-184p.

MEDD, 2004. Ministère de l'Ecologie et du Développement Durable : Les Inondations, 24p

Moreno D. et Badariotti A.B., 2012. Un automate cellulaire pour expérimenter les effets de la proximité dans le processus d'étalement urbain : le modèle Raumulus. 2012. Consulté le 13/01/2020 à 22h 45 min https://journals.openedition.org/cybergeo/25353

Nana O., 2019: Analyse géospatiale des effets de l'accaparement des terres par l'agrobusiness dans le département de l'océan (sud cameroun). Mémoire de Master en Science de la Géo-information, (AFRIGIST et UAC), 123 p.

OCHA, 2012. Impact des inondations - Afrique de l'Ouest et du Centre, 15 septembre 2012.

OID, 2019: Global Active Archive of Large Flood Events. Consulté le 15 octobre 2019 à 15h 13min. https://floodobservatory.colorado.edu/Archives/index.html

Oloukoi J., 2012. Utilité de la télédétection et des systèmes d'information géographique dans l'etude de la dynamique spatiale de l'occupation des terres au centre du Bénin, thèse de doctorat unique de géographie, l'université d'Abomey Calavi, 304p.

ONU-HABITAT, 2014. Plus de la moitié de la population mondiale vit désormais dans des villes. https://www.un.org/development/desa/fr/news/population/world-urbanization-prospects.html Consulté le 23/10/2019 à 15h 32 min

Ousséni I.A., 2016. Contribution de la Télédétection et du Sig dans la gestion des risques d'inondation dans la commune de Malanville, Benin. Master en sciences de l'Information géographique, RECTAS, 116pp

Raïknan T. 2017. Diagnostic et alternatives pour une gestion optimale des inondations dans la ville de Ouagadougou. Master en management de l'environnement et développement durable, l'université Aube Nouvelle de Ouagadougou, 105p.

Sacha B., 2018. Les stratégies d'adaptation face au risque d'inondation dans les zones d'habitat spontanés de Ouagadougou, Burkina Faso. Master en Sciences et Gestion de l'Environnement, à finalité Pays en Développement, Université de Liège, 88p.

Tanguy M., 2012. Cartographie du risque d'inondation en milieu urbain adaptée à la gestion de crise. Thèse de doctorat en science de l'eau, Institut national de la recherche scientifique, Centre Eau Terre Environnement de Québec, 103p.

Thiam A. L., 2017. Extension urbaine et risque d'inondation dans la ville de Kayes, Mali. Mémoire de Master en Science de la Géo-information, (AFRIGIST et UAC). 100 p

Ticana N., 2013. L'extension périurbaine de Bucarest depuis 1989. Thèse de doctorat de géographique, Université d'Angers, 431p.

Tobro N., 2015. Gouvernance urbaine et aménagement au Tchad : production et attribution des terrains à bâtir à N'Djaména. Thèse de doctorat de géographie, l'université de N'Djaména,

Tohozin B. A. C., 2016. Etalement urbain et restructuration de la ville de Porto-Novo, Bénin. Thèse de Doctorat de Géographie, Université d'Abomey Calavi, Bénin, 309 p.

Twar M., 2016. A Gis based assessment of urban sprawl in suleja lga, niger state, Nigeria. Master of Technology in Géoinformation Technology, RECTAS, 90p.

UNOSAT, 2012. Situation Update 1: Satellite assessment of floods over the city of N'Djamena, Chad. Consulté le 22/10/2019 à 16h 05 min.

Veerbeck W., 2017. Estimating the Impacts of Urban Growth on Future Flood Risk a Comparative Study. Master of Science in Architecture, Urbanism and Building Sciences, TU Delft born in Doetinchem, the Netherland, 344p.

Zogning M., 2017. Contribution des systèmes d'information géographique pour la cartographie des zones à risques d'inondation à Yaoundé : application au bassin versant du Mfoundi. Master de spécialisation en gestion des risques et des catastrophes, Campus Arlon environnement, Université de Liège, 71p.

Risque d'inondation dans la ville de N'djamena, Tchad