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.
Figure 29:
Vulnérabilité à l'inondation dans la ville de
N'Djaména
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
30:Risque d'inondation dans la ville de N'Djaména
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).
Tableau
7:Paramètres intégrés dans le
modèle
|
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).
     sss
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.
Tableau 8:
Coefficients estimés pour le modèle de régression
logistique
|
Variable
|
Coefficient
|
|
Distance par rapport aux routes
|
0.000226
|
|
Altimétrie
|
0.000346
|
|
Pente
|
-0.000075
|
|
Distance autour des localités
|
0.000075
|
|
Distance par rapport à la rivière
|
-0.000255
|
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.
| 
