Memoire Online - Cartographie de l'évolution spatio-temporelle de la ville de Niamey (Niger) et évaluation de l'état de sécheresse moyennant les outils SIG et télédétection.

Le rehaussement (global) de contraste consiste à effectuer une dilatation d'histogramme, en sélectionnant deux valeurs de seuil Smin et Smax, qui seront respectivement affectées aux valeurs 0 et 255 lors de l'affichage des images sur écran. Une image est constituée de tons de gris et de son histogramme. Elle est d'autant plus riche en information quand son histogramme est réparti en classes de fréquences de manière uniforme sur toute la gamme des tons de gris (Caloz et Collet, 2001).

Ainsi dans le souci d'améliorer la qualité visuelle de nos images sur l'écran, surtout dans une étude de détection de changement pour mieux discerner à l'oeil nu les objets et plus tard pour mieux choisir les parcelles d'entrainements, nous avons étiré pour chaque bande de nos images (Landsat TM_1985, Landsat TM_1994, Landsat 7 ETM+_2003 et Landsat 8 OLI_2016) leurs histogrammes de sorte à épouser toute la gamme, du minimum de réponse radiométrique 1 au maximum 255.

Le géoréférencement consiste à projeter les images dans un système de projection. Ceci permettra de superposer des couches d'informations géographiques de diverses natures (cartes d'occupation du sol, carte géologique, shapefile de la zone d'étude...etc.). C'est une étape indispensable pour pouvoir comparer les cartes d'occupation du sol de différentes dates, et ainsi mettre en évidence les évolutions qu'elles ont connues et identifier les zones de changements et les quantifier. Les images Landsat sont géoréférencées préalablement mais ne disposent pas de la même résolution spatiale.

Les images Landsat (7_ETM+ et 8_OLI) possèdent la bande panchromatique (15m de résolution spatiale) ce qui nous a permis de faire la fusion et d'obtenir des images de résolution assez amélioré de 15m. Par contre celles du capteur Landsat 5_TM ne possède pas de panchromatique, il nous a fallu faire une correction image to image pour ramener sa résolution spatiale à 15 m et pouvoir faire les comparaisons par la suite.

B. Classification des images Landsat - Validation

La classification est le passage du raster aux classes thématiques. Cette technique consiste à assigner à chaque pixel de l'image une classe thématique.

Projet de fin d'étude CRASTE-LF 2016 : Cartographie de l'évolution spatio-temporelle de la ville de Niamey (Niger) et évaluation de l'état de sécheresse moyennant les outils SIG et Télédétection

Les différentes classes d'occupation du sol retenues pour la réalisation des cartes d'occupation du sol sont aux nombres de huit (8). Le choix de ces classes a été fait sur la base de l'interprétation visuelle des images en composition fausse couleur rouge infra-rouge mais aussi en se basant sur des documents cartographiques (carte topographique de la ville de Niamey à l'échelle 1/20 000).

Tableau 3 : Classes d'occupation du sol retenues pour les cartes d'occupation du sol

Classes d'occupation du sol		Descriptions
Espace urbanisé		C'est l'ensemble des surfaces artificialisées regroupant les bâtiments à usage d'habitation, les infrastructures et les équipements.
Végétation		Elle regroupe toutes les formations confondues de la région : la savane arborée ou arbustive, la steppe herbacée, les plantations forestières, les formations arbustives de vallées, etc.
Zone de Culture	Culture irriguée	Elles concernent les cultures maraîchères, pluviales, les vergers, les jachères, etc.
	Culture pluviale
Hydrographie	Fleuve Niger	Ce sont des surfaces partiellement ou totalement recouvertes par l'eau. Ils peuvent être des résurgences de nappes ou des mares salées ou douces (Diop, 2006).
	Mare
Sol nu		Cette classe concerne le sol nu peu ou non couvert, la plage et les dunes vives, à cause des difficultés notées quant à leur discrimination spectrale, spatiale et morphologique.
Cône de déjection

Selon (Esatman R., 2001), la réalisation des classifications d'images dépend de deux points fondamentaux : (1) la présence des signatures distinctes pour les catégories d'occupation du sol recherchées et ceux-ci dans l'ensemble des bandes utilisées et (2) la possibilité de distinguer de manière fiable ces signatures parmi d'autres informations spectrales présentes dans l'image.

Parmi la multitude d'approches de classification d'images qui existe (classification non supervisée, classification supervisée, classification orienté objet, etc.), nous avons opté pour la méthode de classification supervisée par l'algorithme du « maximum de vraisemblance ». Car elle a donné de bons résultats au cours des travaux de plusieurs auteurs parmi lesquels (N'guessan, 1990 ; Bigot et al. 2005 ; Kouamé et al. 2007 ; Koné et al. 2007 ; Hoang et al.

2008, Tapboda et Fotsing, 2010), mais aussi parce que c'est la méthode la plus efficace et aussi la plus sensible à la qualité des sites d'entrainement.

Cette technique de classification d'image est basée sur le calcul de probabilité d'appartenance de chaque pixel à chacune des catégories d'occupation du sol. De manière plus explicite, elle consiste à classer les pixels en fonction de leur ressemblance avec les comptes numériques d'objets géographiques de référence préalablement déterminés sur l'image (parcelles d'entraînement). Ainsi, le profil numérique des parcelles d'entraînement est alors supposé représentatif du profil numérique de l'ensemble de la classe de l'image (vertigo revue électronique).

De nos jours, plusieurs logiciels permettent de faire cette classification. Dans notre cas nous avons utilisé le logiciel ERDAS IMAGINE 2014 car il est très pratique et donne des résultats satisfaisant. Pour réaliser la classification, on commence par choisir des échantillons, dont on vérifie la qualité en s'appuyant sur l'analyse statistique de séparabilité des différentes classes. Parmi ces classes identifiées (tableau 3), nous avons procédé par une collecte d'échantillons d'apprentissage représentatifs sur chacune des classes d'objets géographiques. ERDAS utilisera alors cette information pour identifier les segments similaires et les associer à la classe correspondante.

Pour tester l'efficacité de la classification, nous avons déterminé la matrice de confusion qui permet de confronter la vérité terrain aux résultats de la classification et d'évaluer la précision de la classification par rapport à la référence sur le terrain (Tristan, 2007).

A défaut de points pris sur le terrain (images de 1985, 1994, 2003), nous avons fait recours aux mêmes images Landsat et à la carte topographique (1/20 000) pour collecter des sites de vérité-terrain sur chacune des classes pour la validation. Par contre pour l'image Landsat de 2016, nous avons utilisé Google Earth pour la collecte de sites de vérité-terrain. Ces points seront intersectés avec les couches d'occupation des sols issues du traitement des images Landsat. Ce qui nous a permis de valider nos différentes classifications avec des bons résultats de kappa dont : 0,74 pour la classification de 1985, 0,70 pour 1994, 0,75 pour 2003 et enfin 0,80 pour 2016. Les matrices de confusion peuvent être consultées en partie « Annexes ».

Une grande variété de méthodes et de techniques d'analyse d'images satellitaires multi-dates a été développée afin de détecter les changements de la surface terrestre (Mas J. F., 2000). Parmi ces méthodes nous pouvons citer : les méthodes assistées et les méthodes automatiques,

les méthodes orientées pixels et les méthodes orientées objets, et les méthodes basées sur les caractéristiques spectrales de base (Bouziani et al., 2010).

Ainsi dans le cadre de notre étude, la méthode de comparaison des classifications supervisées a été choisie pour détecter les changements de l'occupation du sol. Le principe de cette méthode consiste à comparer les résultats des classifications supervisées classe par classe, afin de détecter, d'évaluer, d'analyser et de cartographier les changements. L'évaluation de ces changements est faite sur les résultats des classifications supervisées (1985, 1994, 2003 et 2014) à l'aide des tableaux statistiques faisant appel à une matrice de changement. Sur les colonnes de matrice sont représentées les superficies des différentes classes de l'année antérieure (t0) et sur les lignes l'année la plus récente (tn+1). L'analyse des matrices de changement nous donne l'évolution spatio-temporelle des changements d'occupation du sol de la ville de Niamey entre 1985-1994,1994-2003, 2003-2016 et 1985-2016. Les matrices de transition permettent de mettre en relation les différents types d'occupation du sol, et d'analyser l'intensité de leurs transferts : l'observation d'une telle matrice permet aussi de comparer ce qui n'a pas changé, (diagonale entre deux classes d'occupation identiques) avec ce qui a changé (autres classes) mais également le devenir d'un type d'occupation du sol et sa provenance.

Ainsi des cartes d'évolution ont été réalisées à l'aide de ces matrices de changements qui décrivent les différents types de changements ainsi que leur localisation ; des graphiques sont aussi réalisés pour la représentation de la superficie des types de changements et de leurs variations spatio-temporelles.

II.3.2.2 Méthode de détermination et de cartographie de l'indicateur de sécheresse
(indice de précipitation standardisé «spi»)

Le SPI a été développé par Mckee et al (1993). C'est un indicateur statistique utilisé pour la caractérisation des sécheresses météorologiques locales ou régionales. Basé sur un historique de précipitation de longue durée (20 à 30ans), le SPI permet de quantifier l'écart des précipitations d'une période, déficit ou surplus, par rapport aux précipitations moyennes historiques de la période Mohammed Layelmam., 2008. Le calcul de cet indice se fait de la manière la plus simple à condition d'en disposer d'une série de données de précipitations (20 à 30 ans) de la région à étudier. Il est donné par la formule ci-dessous :

La plupart des données portant sur la sécheresse sont des données géographiquement ponctuelles à l'origine (données pour une station ou un emplacement précis). Certes, elles peuvent être utiles ainsi, mais c'est souvent sous forme de cartes, c'est-à-dire placées dans un contexte géographique, que l'on peut en tirer l'information qui se révèlera utile à des décideurs qui voudraient connaître l'intensité d'une phase de sécheresse et son étendue spatiale (OMM-N°1090., 2012). Généralement le SPI est calculé sur la base des relevés pluviométriques issues des stations de mesure. Dans notre cas les données de précipitations (Chirps) en input pour le calcul du SPI sont en format raster (.tif) de même résolution spatiale et bien superposable. Chaque pixel du raster Chirps constitue une valeur de précipitation, soit au total 4 090 pixels. Pour ne pas altérer les valeurs de certains pixels, nous avons calculé le SPI pour chaque pixel de l'image pour toutes les dates (1981-2014). Ainsi la moyenne historique des précipitations est obtenue en faisant la somme du 1^er pixel de l'année 1981, du 1er pixel de 1982, etc. jusqu'au 1^er pixel de 2014, ensuite divisé par le nombre d'années (34). Une fois que l'opération est terminée avec le 1^er pixel, on entame avec le 2^ème pixel et ainsi de suite jusqu'à finir tous les pixels (4 090) de l'image (figure 6). Le résultat obtenu constitue la moyenne historique des précipitations de la période considérée (1981-2014). L'écart type historique quant à lui, il est aussi calculé pour tous les pixels de l'image à partir de la formule suivante :

Finalement pour calculer le SPI, il suffit d'appliquer la formule du SPI donnée par Mckee et al., 1993, en faisant la différence entre l'image de précipitation de 1981 et la moyenne historique obtenue, divisée par l'écart type historique. Le résultat obtenu représente l'indice de précipitation standardisé ou l'indice de sécheresse météorologique de l'année 1981. La même opération est appliquée aux autres dates (1982 -2014) afin d'obtenir aussi leur SPI.

Compte tenu de la résolution des images Chirps (5km/5km), nous avons calculé le SPI pour toute la partie ouest du Niger afin de mieux appréhender ce phénomène de sécheresse météorologique et par la suite faire un zoom sur notre zone d'étude (Niamey).

Cet indice définit la sévérité de la sècheresse en différentes classes. Les valeurs négatives indiquent une sècheresse par rapport à la période de référence choisie et les valeurs positives indiquent une situation humide (tableau 4).

Tableau 4 : Classification de la sécheresse en fonction des valeurs de l'indice de précipitation standardisé (SPI) selon Mckee (1993)

Selon Mckee (1993), une sécheresse sévit lorsque le SPI est consécutivement négatif et que sa valeur atteint une intensité de -1 ou moins et se termine lorsque le SPI devient positif. La magnitude de la sécheresse est obtenue en additionnant toutes les valeurs du SPI d'une période sèche Mohammed Layelmam., 2008.

Figure 6 : Méthode de calcul de la moyenne historique et de l'écart type historique des précipitations de la partie ouest du Niger de 1981 à 2014

Dans le souci de mieux représenter l'évolution spatio-temporelle de la ville de Niamey et d'archiver les résultats issus de ce projet de fin d'étude, nous avons mis en place une base de données spatiale (BDS) sous ArcGis.

Avant toute action il faut d'abord vectoriser les différents résultats d'occupation du sol (1985, 1994, 2003 et 2016) obtenus.

Une base de données spatiale est un ensemble d'objets organisés, structurés et référencés géographiquement. La géométrie de ces objets peut être soit : polygone, polyline ou point. La conception de notre base de données a été faite de la manière suivante :

Le modèle conceptuel de données (MCD) (figure 7) constitue la phase fondamentale de la conception de la base de données. Il permet de déterminer le contenu de la base de données et de définir la nature des relations entre les concepts principaux que sont les entités et les relations (Enonzan Bibiane., 2010). Une entité est définie comme un objet ou un élément pour lequel l'on souhaite conserver des informations. Elle est caractérisée par un nom et des attributs. Pour notre étude, les entités pris en compte sont : végétation, zone de culture, espace urbanisé, hydrographie et sol nu.

1, 1 et 1, N sont des cardinalités. La cardinalité 1,1 signifie que l'entité n'est contenue que dans une et une seule limite de la zone d'étude, et 1, N, signifie que la limite de la zone peut contenir une ou plusieurs entités.

Pour rappel, 8 classes (tableau 5) d'occupation du sol ont été retenues pour la réalisation des cartes d'évolution de la ville de Niamey. La conception de cette base de données a nécessité que certaines classes soient rassemblées (comme le montre le MCD) afin de faciliter non seulement leur insertion dans la BDS mais aussi leur visualisation.

	Classes d'occupation du sol
1.	Végétation		Classes d'occupation du sol
	Culture irriguée
2.
		1.	Végétation
3.	Culture pluviale
		2.	Zone de culture
4.	Espace urbanisé
		3.	Espace urbanisé

5.	Fleuve Niger

6.	Mare	4.	Hydrographie
7.		5.	Sol nu
	Cône de déjection
8.	Sol nu

Chacune de ces cinq (5) classes d'occupation du sol constitue une classe d'entités pour la base de données spatiale (BDS).

Au total, quatre (4) classifications d'occupation du sol (soient 4 couches d'informations) ont été réalisées (1985, 1994, 2003 et 2016). Dans la table attributaire de chaque couche nous avons une colonne pour l'identifiant des classes d'occupation du sol, une colonne pour les noms des différentes classes, une colonne pour la date de l'acquisition et une colonne pour la source de l'image (Landsat) (tableau 6).

Tableau 6 : Exemple de table attributaire des différentes couches (cas de l'année 1985)

ID	Géométrie	Nom	Source image	Date
6	Polygone	Sol nu	Landsat 5_TM	06/03/1985
5	Polygone	Culture pluviale	Landsat 5 TM	06/03/1985
7	Polygone	Végétation	Landsat 5 TM	06/03/1985
3	Polygone	Espace urbanisé	Landsat 5_TM	06/03/1985
4	Polygone	Cône de déjection	Landsat 5_TM	06/03/1985
1	Polygone	Culture irriguée	Landsat 5_TM	06/03/1985
2	Polygone	Fleuve Niger	Landsat 5 TM	06/03/1985

La fusion consiste à combiner ces 4 couches d'informations afin d'obtenir une seule couche contenant toutes les 4 couches de classifications et que la table attributaire de cette couche contienne toutes les colonnes citées ci-haut (tableau 7). Cela nous permettra non seulement de

pouvoir effectuer des requêtes spatiales, d'extraire l'information que l'on désir, à la date que l'on souhaite mais aussi de pouvoir étudier l'évolution de deux phénomènes différents (par exemple l'évolution de l'espace urbanisé avec celui du sol nu en une date donnée).

Cette fusion a été réalisé avec l'outil ArcToolbox »» Data Management Tools »» General »» Merge du logiciel ArcGis. Notre couche de fusion est nommée : merge_4_classif.

Tableau 7 : Table attributaires de la couche issue de la fusion des 4 couches d'occupation du sol

ID	Géométrie	Nom	Source image	Date
6	Polygone	Sol nu	Landsat 5_TM	06/03/1985
5	Polygone	Culture pluviale	Landsat 5_TM	06/03/1985
7	Polygone	Végétation	Landsat 5_TM	06/03/1985
3	Polygone	Espace urbanisé	Landsat 5 TM	06/03/1985
4	Polygone	Cône de déjection	Landsat 5 TM	06/03/1985
1	Polygone	Culture irriguée	Landsat 5_TM	06/03/1985
2	Polygone	Fleuve Niger	Landsat 5_TM	06/03/1985
5	Polygone	Culture pluviale	Landsat 5_TM	31/03/1994
7	Polygone	Végétation	Landsat 5 TM	31/03/1994
6	Polygone	Sol nu	Landsat 5_TM	31/03/1994
4	Polygone	Cône de déjection	Landsat 5_TM	31/03/1994
3	Polygone	Espace urbanisé	Landsat 5_TM	31/03/1994
1	Polygone	Culture irriguée	Landsat 5_TM	31/03/1994
2	Polygone	Fleuve Niger	Landsat 5 TM	31/03/1994
6	Polygone	Sol nu	Landsat 7_ETM+	16/03/2003
1	Polygone	Culture irriguée	Landsat 7_ETM+	16/03/2003
7	Polygone	Végétation	Landsat 7_ETM+	16/03/2003
4	Polygone	Cône de déjection	Landsat 7 ETM+	16/03/2003
5	Polygone	Culture pluviale	Landsat 7 ETM+	16/03/2003
3	Polygone	Espace urbanisé	Landsat 7_ETM+	16/03/2003
2	Polygone	Fleuve Niger	Landsat 7_ETM+	16/03/2003
1	Polygone	Culture irriguée	Landsat 8_OLI	24/02/2016
6	Polygone	Sol nu	Landsat 8 OLI	24/02/2016
7	Polygone	Végétation	Landsat 8 OLI	24/02/2016
8	Polygone	Mare	Landsat 8_OLI	24/02/2016
3	Polygone	Espace urbanisé	Landsat 8_OLI	24/02/2016
4	Polygone	Cône de déjection	Landsat 8_OLI	24/02/2016
5	Polygone	Culture pluviale	Landsat 8 OLI	24/02/2016
2	Polygone	Fleuve Niger	Landsat 8 OLI	24/02/2016

Une fois que cette couche de fusion est créée, nous avons effectué des requêtes avec l'onglet Definition Query »» Query Builder de ArcGis afin d'extraire les cinq (5) classes d'occupation du sol (tableau 5) pour pouvoir les importer dans la base de données. Les tables attributaires de ces cinq (5) couches sont données par le tableau 8.

ID		Géométrie		Nom	Source image		Date
3		Polygone		Espace urbanisé	Landsat 5 TM		06/03/1985
3		Polygone		Espace urbanisé	Landsat 5_TM		31/03/1994
3		Polygone		Espace urbanisé	Landsat 7_ETM+		16/03/2003
3		Polygone		Espace urbanisé	Landsat 8 OLI		24/02/2016
ID	Géométrie		Nom			Source image		Date
7	Polygone		Végétation			Landsat 5 TM		06/03/1985
7	Polygone		Végétation			Landsat 5_TM		31/03/1994
7	Polygone		Végétation			Landsat 7_ETM+		16/03/2003
7	Polygone		Végétation			Landsat 8 OLI		24/02/2016

ID		Géométrie		Nom	Source image		Date
1		Polygone		Culture irriguée	Landsat 5_TM		06/03/1985
5		Polygone		Culture pluviale	Landsat 5 TM		06/03/1985
1		Polygone		Culture irriguée	Landsat 5_TM		31/03/1994
5		Polygone		Culture pluviale	Landsat 5_TM		31/03/1994
1		Polygone		Culture irriguée	Landsat 7 ETM+		16/03/2003
5		Polygone		Culture pluviale	Landsat 7_ETM+		16/03/2003
1		Polygone		Culture irriguée	Landsat 8_OLI		24/02/2016
5		Polygone		Culture pluviale	Landsat 8 OLI		24/02/2016
ID	Géométrie		Nom			Source image		Date
4	Polygone		Cône de déjection			Landsat 5_TM		06/03/1985
6	Polygone		Sol nu			Landsat 5_TM		06/03/1985
4	Polygone		Cône de déjection			Landsat 5_TM		31/03/1994
6	Polygone		Sol nu			Landsat 5_TM		31/03/1994
4	Polygone		Cône de déjection			Landsat 7 ETM+		16/03/2003
6	Polygone		Sol nu			Landsat 7_ETM+		16/03/2003
4	Polygone		Cône de déjection			Landsat 8_OLI		24/02/2016
6	Polygone		Sol nu			Landsat 8 OLI		24/02/2016

Pour créer la base de données, il suffit d'aller dans l'onglet catalogue de ArcGis pour choisir le dossier dans lequel l'on souhaite créer la base de données et ensuite faire un clic droit sur le dossier »» New »» File Geodatabase. Le nom octroyé à notre base de données est : BD_Evolution de la ville de Niamey.

A présent il ne reste qu'à alimenter la base de données en important les classes d'entités que nous avons créées précédemment (tableau 5 et 8). Pour se faire, il suffit d'un clic droit sur la base de données créée »» Import »» Feature Class (single).

Plusieurs types de requêtes peuvent être formulés afin d'en tirer rapidement l'information que l'utilisateur souhaite connaitre. Pour se faire nous avons conçu un modèle avec l'outil «Model Builder» de ArcGis capable de répondre à nos requêtes spatiale (figure 8). Ce modèle permet de mettre en évidence à travers des requêtes les changements intervenus entre deux dates mais aussi, il permet de les quantifier et les localiser.

1 = Input Layer. Il faut indiquer la couche d'entrée, notamment celle qui est issue de la fusion des quatre (4) couches d'occupation du sol (1985, 1994, 2003 et 2016). Nous l'avons nommée «merge_4_classif».

2 = Select. Cette fonction permet d'extraire les caractéristiques (classe d'occupation du sol) d'une couche de classe d'entité en utilisant l'expression Structured Query Language (SQL). Dans notre cas la couche de classe d'entité est merge_4_classif. C'est cette fonction qui permet de sélectionner la classe d'occupation du sol que l'utilisateur souhaite visualiser et à la date qui lui convient.

Nous avons mis la fonction Select deux fois, parce que l'objectif est de voir les changements intervenus entre deux dates. Donc la 1^ere fonction Select permet de choisir la classe d'occupation du sol de départ (par exemple en 1985) avec comme output la classe sélectionnée et le deuxième Select permet de choisir la classe d'occupation du sol d'arriver (par exemple en 1994 ou 2003 ou 2016) avec son output aussi. Ces deux fichiers de sortie seront en mémoire temporaire.

3 = Identify. Cette fonction permet de calculer l'intersection géométrique entre la couche d'entité en entrée (feature class select_1) et la couche identifier (feature class select_2). Le résultat issu de ce traitement sera la réponse à la requête posée. Nous l'avons nommé «changement_inter_date»

4 et 5 = ce sont des fonctions de paramétrages du modèle. Si à chaque requête l'utilisateur doit insérer les différents inputs, appliquer les traitements cités ci-haut, ça serait une perte de temps. C'est pour cela que nous avons fixé des paramètres (2) pour le modèle. Le 1er paramètre consiste à demander à l'utilisateur de saisir son expression SQL pour la date de départ et le 2^eme paramètre demande à l'utilisateur de saisir son expression SQL pour la date d'arrivée.

A présent notre modèle est prêt, il suffit d'un double clic sur le Modèle pour saisir la requête que l'utilisateur souhaite.

Cartographie de l'évolution spatio-temporelle de la ville de Niamey (Niger) et évaluation de l'état de sécheresse moyennant les outils SIG et télédétection.

A.2 Rehaussement radiométrique (stretching)

B. Classification des images Landsat - Validation