Memoire Online - Impacts de l’anthropisation sur le paysage forestier et les variables climatiques dans la zone forestière de Yangambi. Recherche des scénarios à court, moyen et long terme.

0,007 0,13

0,8 TD (FP)

TD (FS)

TD (Total)

FACULTE DE GESTION DES RESSOURCES NATURELLES RENOUVELABLES SPECIALISATION : AMENAGEMENT DES ECOSYSTEMES

IMPACTS DE L'ANTHROPISATION SUR LE PAYSAGE FORESTIER ET LES
VARIABLES CLIMATIQUES DANS LA ZONE FORESTIERE DE YANGAMBI.
RECHERCHE DES SCENARIOS A COURT, MOYEN ET LONG TERME.

Professeur MENIKO (IFA/YANGAMBI) Professeur PYAME (FGRNR/UNIKIS) Professeur LISONGO (FS/UNIKIS) Professeur KUMBA (FS/UNIKIS) Président Professeur MUKANDAMA (FGRNR/UNIKIS)

Université de Kisangani, Commune de Makiso, - B.P. 2012 -Kisangani, République Démocratique du Congo

EPIGRAPHE

DEDICACE

A toute la famille BALANDI
A toi mon père Romain BALANDI
A toi ma mère Scholastique MANGBELE
A toi notre regretté frère-jumeau PATRICK que Dieu a rappelé avant ce jour.

REMERCIEMENTS

Mes premiers remerciements vont naturellement à l'éternel Dieu, maître de temps et de circonstances pour sa bonté envers nous. En dépit des péripéties traversées, le bon Dieu a permis que ce travail touche à sa fin.

Nous remercions de tout notre coeur nos parents, Papa Romain BALANDI et Maman Scholastique MANGBELE, qui nous ont toujours porté secours depuis notre venu au monde jusqu'aujourd'hui. Ils ont fait preuve de sacrifices énormes et ont toujours été présents dans les bons comme dans les mauvais moments. Qu'ils trouvent ici l'expression de notre reconnaissance.

Notre gratitude s'adresse cordialement à notre promoteur et notre co-promotteur de mémoire, Professeur Jean-Pierre MUKANDAMA NDOLANDOLA et Professeur Jean Pierre Pitchou MENIKO TO HULU.

Monsieur le Professeur MUKANDAMA a été le premier à nous accueillir dans le monde scientifique depuis la licence à la faculté de Gestion des Ressources Naturelles Renouvelables. Il a toujours fait preuve de bienveillance à notre égard. Nous lui sommes reconnaissant pour ses orientations intéressantes et pour son encadrement tout au long de notre mémoire.

Nous tenons à remercier chaleureusement Monsieur le Professeur MENIKO avec qui, un seul contact au cycle de licence, aurait suffi pour nuer des bonnes relations. Nous lui sommes reconnaissant pour la confiance qu'il nous a accordée en acceptant d'encadrer sans hésitation aucune, ce travail de maitrise et pour toutes les heures qu'il a consacrées à diriger cette recherche. Merci pour tout.

Dans les mêmes sentiments de reconnaissance, nous remercions très spécialement Messieurs Jean-fiston MIKWA, Félicien BOLA, Sylvain KUMBA pour leur participation très active dans cette recherche.

Nous remercions infiniment toute la famille BALANDI : Félicienne BALANDI, Lucie BALANDI, Corine BALANDI, Herveline BALANDI, Blaise BALANDI, Marina BALANDI, Domicienne BALANDI, Nathalie BALANDI, sans oublier tous nos neveux et toutes nos nièces. Nos sincères remerciements s'adressent également à Monsieur André MONGANGA pour son assistance, aux soeurs Catherine MITEMBE, Caroline ALEGBA, Liliane ASANGA et à Monsieur Jean-Marie MAIMOMO pour avoir contribué à notre formation.

Notre reconnaissance s'adresse également à tous nos collègues, qu'il s'agisse de ceux du département d'aménagement des écosystèmes que ceux de la conservation de la biodiversité.

Très particulièrement nous remercions Messieurs Merger TSHOMBA, Serge ALEBADWA, Pascal BARAKA, David PYAME, Lévi KINZONZOLI, Paul ALIMENGO, Jules ABANI, Joël MASIMO, Serge MAWAYI, Derrick GELENGI, Jean-Marie MAMIMOLO, Mesdames Bijoux M'VUGE, MOSEKA BENGWELA, PATIENCE AZIRO, Marie-Claire LISSASI, Guillumine YANGOYI, Nathalie LONGOYA, Gloire YAMBWA et BLANDINE MOKILI pour la franche collaboration.

Nous exprimons enfin, notre reconnaissance à tous nos amis de longue date et ceux de tous le temps : Héritier ALOKO, Jédidias MABELA, Shadrack LIMONO, Christian MANZELEA, Hélène NKATE, Francis BOPELE, Samson ALUNGA, Guy MBENGO, Moise KANDO, Gérardin MABIA, Jacques ELANGILANGI, Jacques LONZEKE, Moise MOSAU, Héritier KONGA, Préféré BISABO, Junior LOLA, Germain LOLA et Olivier EDUNZI pour leur assistance de près ou de loin.

RESUME

La présente étude réalisée dans la zone forestière de Yangambi a eu pour objectif general, prédire pour le court, le moyen et le long terme, la dynamique du paysage forestier ainsi que la fluctuation des variables climatiques. Cet objectif général a été décliné en 5 objectifs spécifiques.

La combinaison de la télédétection et le SIG à l'approche D-P-S-I-R ainsi qu'aux statistiques descriptives et inférentielles, a permis d'atteindre ces objectifs.

Les résultats relatifs à la dynamique historique du paysage ont attesté un accroissement du taux annuel de déforestation. Ce taux est estimé à 0,007% au courant de la première décennie (19861995). Il augmente de 0,13% au courant de la deuxième (2000-2009) pour atteindre le rythme amazonien (0,4%) à la dernière décennie (2009-2018).

Les transitions interclasses ont montré une forte tendance d'anthropisation. On observe entre 2000 et 2009 des pertes de 3,15% et de 21,06% respectivement de forêts primaires et forêts secondaires au profit de la classe agricole. De même, plus de 2% et 20%, respectivement des forêts primaires et des forêts secondaires transitent au profit de l'agriculture entre 2009 et 2018. Les résultats relatifs à la dynamique prospective attestent une tendance future d'anthropisation du paysage. Les taux de déforestation sont estimés à 0,011% pour le court terme (2018-2038) ; 0,032% pour le moyen terme (2018-2058) et 0,033% pour le long terme (2018-2078).

Concernant les variables climatiques, la fluctuation historique des précipitations atteste une diminution de la première à la deuxième décennie avec un écart de 46,33mm, et une augmentation entre la deuxième et la troisième décennie avec 51,36mm d'écart. On observe par ailleurs, une tendance d'augmentation de la température, avec 0,34°C et 0,28°C d'écart respectivement entre la première et la deuxième et entre la deuxième et la troisième décennie. Les scenarios climatiques attestent une tendance d'augmentation de la température d'au moins 0,2°C entre le court, moyen et le long terme. Alors que la tendance est celle de la diminution pour les précipitations. Elles pourraient atteindre des moyennes annuelles de 1795mm.

L'agriculture itinérante sur brûlis est décrite comme principal moteur de déforestation avec des pertes annuelles moyennes estimées à plus d'un ha pour un agriculteur. Il en suit l'exploitation artisanale des bois énergie et des bois d'oeuvre avec respectivement 0,019ha et 0,012ha comme pertes annuelles moyennes d'un exploitant pour chaque catégorie.

Au vu de la faible corrélation (1.3%) pour tous les modèles prédictifs des précipitations, il s'est avéré utile d'explorer d'autres variables explicatives afin d'améliorer la qualité des modèles.

Mots-clés : Anthropisation, paysage forestier, taux de deforestation, Yangambi, climat.

ABSTRACT

The main objective of this study in the Yangambi Forest Area was to predict for the short, medium and long term the dynamics of the forest landscape as well as the fluctuation of climatic variables. This general objective has been broken down into 5 specific objectives.

The combination of remote sensing and GIS with the D-P-S-I-R approach, as well as descriptive and inferential statistics, made it possible to achieve these objectives.

Results relating to the historical dynamics of the landscape have shown an increase in the annual rate of deforestation. This rate is estimated at 0.007% during the first decade (1986-1995). It increases by 0.13% during the second (2000-2009) to reach the Amazon rhythm (0.4%) in the last decade (2009-2018).

The transitions breaks showed a strong tendency of anthropisation. One observes respectively between 2000 and 2009 losses of 3,15% and 21,06% of primary forests and secondary forests to the profit of the agricultural class. In the same way, more of 2% and 20%, respectively the primary forests and the secondary forests pass in transit to the profit of agriculture between 2009 and 2018.

The relative results to the prospective dynamics attest a future tendency of anthropisation of the landscape. The rates of deforestation are estimated to 0,011% for the short term (2018-2038); 0,032% for the middle term (2018-2058) and 0,033% for the long term (2018-2078).

Regarding climatic variables, the historical fluctuation of precipitation shows a decrease from the first to the second decade with a difference of 46.33mm, and an increase between the second and third decade with 51.36mm difference. There is also a trend of temperature increase, with 0.34 ° C and 0.28 ° C difference respectively between the first and the second and between the second and third decade. The climate scenarios show a trend of temperature increase of at least 0.2 ° C between the short, medium and long term. While the trend is that of the decrease for precipitation. They could reach annual averages of 1795mm.

Slash and burn agriculture is described as the main driver of deforestation with average annual losses estimated at more than one ha for a farmer. It follows the artisanal exploitation of energy wood and timber with respectively 0,019ha and 0,012ha as average annual losses of an operator for each category.

Given the low correlation (1.3%) for all predictive precipitation models, it has been useful to explore other explanatory variables to improve model quality.

Keywords: Anthropization, forest landscape, deforestation rate, Yangambi, climate.

Table des matières

I.4.1. Récolte des données des moteurs de déforestation : Approche DPSIR 17

III.3.2. Variabilité des surfaces forestières perdues pour chaque moteur 65

Liste des figures

Fig.1. Variation des précipitations moyennes annuelles à l'échelle régionale 10

Fig.3. Les éléments clés qui caractérisent tous les systèmes écologiques 13

Fig.7. Illustration schématique de la méthode DPSIR.......................................... 17

Fig.22. Les scénarios prédictifs de l'occupation du sol à court, moyen et long terme. 52

Liste des tableaux

Tableau 1 : Critères des valeurs de Divergence Transformé et de Jeffries-Matusita Tableau 2 : Estimation de la précision de la classification selon le coefficient Kappa	18 19
Tableau 3 : Indicateurs des facteurs de déforestation	26
Tableau 4: la stratification de l'occupation du sol	28
Tableau 5 : Qualification des taux de déforestation	30
Tableau 6 : Facteurs explicatifs des changements	33
Tableau 7 : Coefficient de Cramer's V des variables explicatives	..34
Tableau 8 : Mesure des erreurs et des exactitudes	35
Tableau 9 : Matrice de transition 1986-1995	42
Tableau 10 : Matrice de transitions 2000-2009	43
Tableau 11 : Matrice de transition 2009-2018	43
Tableau 12 : Processus de transformations spatiales du paysage	47
Tableau 13. Statistiques des classes entre l'occupation du sol réelle et prédite en 2018	51
Tableau 14 : Variabilité des précipitations	56
Tableau 15 : Variabilité de la température.	59
Tableau 16 : surfaces forestières perdues par chaque moteur de déforestation	65
Tableau 17 : Autres variables liées à l'agriculture	66
Tableau 18 : Autres variables liées au bois énergie 67

ACRONYMES

D.P.S.I.R. : Drive (force motrice), Pressions, State (état), Impact et Réactions.

GIEC : Groupe Intergouvernemental d'Experts sur l'évolution du Climat (IPCC) en anglais

REDD + : Réduction des Émissions de GES liées à la Déforestation et la Dégradation des

0. INTRODUCTION GENERALE

0.1. Contexte de l'étude

L'anthropisation est de nos jours, un des thèmes d'actualité en écologie du paysage. Elle place l'homme comme partie intégrante de la dynamique des écosystèmes. Ce dernier, de par ses activités, induit des perturbations qui constituent le moteur de la dynamique du paysage et agissent à toutes les échelles spatiales et temporelles. En effet, la dynamique du paysage peut être décrite par des changements dans le temps des indices qui décrivent la structure et la composition du paysage (Schlaepfer, 2002). La suppression de la couverture végétale naturelle et son remplacement par une végétation artificielle, ou un autre type d'occupation du sol, constitue l'un des effets immédiats de l'anthropisation (Bogaert et al, 2008). A l'échelle du paysage, cet impact se lit à travers la fragmentation et la diminution de la surface forestière modifiant ainsi la structure spatiale et la composition du paysage initiale (Groves., 1998).

En outre, plusieurs travaux ont récemment montré que certains changements des états des paysages pouvaient influencer les facteurs météorologiques et le climat à des multiples échelles de temps, de la seconde jusqu'à plusieurs millions d'années (Avissar et al, 1990.)

Los et al. (2001) concluent même que les variations interannuelles enregistrées par les précipitations et les températures globales pourraient résulter des cycles liés à l'augmentation et à la diminution de la photosynthèse, forçage affectant le cycle hydrologique, le cycle de carbone et le bilan énergétique.

L'étude des états des paysages forestiers fournit alors potentiellement différentes sources de prévisibilité du climat. Etant donné que la dégradation et la déforestation s'avèrent croissantes en région tropicale, particulièrement en République Démocratique du Congo, il nous est apparu utile de simuler la dynamique du paysage forestier et la fluctuation des variables climatiques afin de permettre aux aménagistes des écosystèmes d'établir des plans d'adaptation et d'atténuation efficaces faces aux probables perturbations climatiques futures. C'est dans ce contexte général que s'inscrit la présente recherche entreprise dans le cadre des études supérieures en aménagement des écosystèmes.

0.2. Etat de la question

La contribution du système forestier à la régulation du climat local et régional conduit à une réflexion autour des impacts probables de la perte du couvert forestier sur les variables climatiques.

En effet, dans la majorité des travaux antérieurs, de nombreuses incertitudes persistent encore sur les relations végétation-climat sous les latitudes tropicales. La plupart des chercheurs s'évertuent généralement à étudier soit, les impacts des changements climatiques sur la phénologie des arbres, soit les variations spatio-temporelle des variables climatiques, un des aspects de notre étude.

Dans le cadre des études qui analysent les impacts des changements climatiques sur la phénologie des arbres, les différents chercheurs se penchent de plus en plus à cerner les variations que font subir les climats aux phénomènes périodiques de la végétation notamment la germination, la feuillaison, la floraison etc. Voici un des travaux de cette catégorie :

Chuine (2007) s'est intéressé à déterminer les variations au cours de dernières décennies, de débourrement, de la floraison, de la sénescence et de la date de maturation des fruits des ligneux tempérés (Européen et Nord-américain). Son étude a eu le mérite d'avoir expliqué que les variations constatées dans certains phénomènes périodiques de la végétation étaient dues aux perturbations climatiques. Il démontre de même que la phénologie de chaque espèce sera fortement affectée par le changement climatique dans le futur, mais avec des réponses contrastées entre espèces.

Dans le cadre des études qui analysent les fluctuations des variables climatiques, la plupart des chercheurs se concentrent à analyser la te température et les précipitations. Ainsi, à l'échelle planétaire, d'après le dernier rapport du Groupe d'experts Intergouvernemental sur l'Evolution du Climat (GIEC), la température moyenne mondiale a augmenté de 0,85°C entre 1880 et 2012. Chacune de trois dernières décennies a été plus chaude que la précédente et que toutes les autres décennies depuis 1850. La décennie 2001-2010 a été la plus chaude de toutes les décennies depuis 1850. Les différents modèles simulent une augmentation des températures (entre 2 et 6°C) à l'horizon 2050-2100 (IPCC, 2013). Cette augmentation simulée varie suivant les régions du globe et selon les scénarios.

A l'échelle régionale, Aguilar et al, (2009) observent une tendance à la baisse des précipitations totales de 31 mm/décennie entre 1955 et 2006. Mahé, (1993) précise que les plus fortes baisses des hauteurs de précipitation ont été observées pendant la décennie 1968-1980 et n'ont pas la même intensité à travers toute la région.

Dans le sud du Cameroun et au Congo, la baisse des précipitations a persisté jusqu'en 1990. Par ailleurs, au Gabon et en RCA, on a observé une hausse respectivement après 1980 et 1985. Les températures par contre, montrent une tendance générale à la hausse. Au Congo, sur la période allant de 1950 à 1998, les températures ont augmenté de 0,5 à 1°C pendant les décennies 1980 et 1990 (Samba-Kimbata M.J., 1991). En ce qui concerne les changements de température sur le long terme, les quelques données de stations disponibles dans la région semblent indiquer une augmentation du réchauffement (Aguilar et al, 2009).

Les rares études présentées ci-dessous, ayant porté sur les impacts de la modification des paysages forestiers sur les variables climatiques se penchent de plus en plus dans la même orientation que notre étude, celle de cerner les impacts que peut induire la suppression d'une couverture forestière sur les variables climatiques.

En effet, la conversion des forêts en terres agricoles et autres types d'utilisation du sol accroît la portion de sol nu exposée aux rayons du soleil et donc accroît l'albédo, ce qui diminue la radiation solaire absorbée par la surface.

Niyogi et al (2009) estiment que la déforestation peut significativement changer l'eau de surface et l'équilibre énergétique de multiples manières et donc affecter la température, l'humidité atmosphérique, aussi bien les processus météorologiques que climatiques.

Makarieva et al (2013) estiment que la déforestation diminue la pluviométrie en affaiblissant le couplage direct, le couplage local et le recyclage indirect.

Le couplage direct est en effet, le phénomène selon lequel la pluie est recyclée dans l'air par évaporation à partir du sol nu et par transpiration à partir des stomates des plantes (évapotranspiration) équivalent en masse de la chaleur latente.

Avec le couplage local, la déforestation diminue la rugosité de la surface, ce qui peut supprimer la turbulence de la couche de transition durant la journée ainsi que l'instabilité nécessaire pour la formation des nuages (radiation dans la frange basse des longueurs d'onde augmentée) et des pluies (Santanello et al 2007). Finalement, avec le recyclage indirect, de grandes masses d'air humide en provenance des océans, et qui autrement auraient été préservées du séchage par l'évapotranspiration des forêts, perdent de l'humidité nécessaire au développement des orages. Akkermans et al (2014) ; Nogherotto et al (2013) vont plus loin dans leurs recherches et décrivent des scénarios multiples sur le climat et les terres, indiquant que la déforestation dans la région pourrait conduire à un réchauffement compris entre 2 et 4°C dû à une diminution de l'évapotranspiration (chaleur latente) et de l'ombre, combinée à un forcing accru résultant d'une séquestration plus faible des gaz à effet de serre.

Comme les précédents chercheurs, ils attestent eux-aussi que le couplage direct et le couplage local sous les différents scénarios sont aussi censés s'affaiblir, ce qui conduit en conséquence à une diminution de la pluviométrie de 5 à 10 % sur la plus grande partie de la région du bassin du Congo.

Ces différentes études, en allant de celles qui analysent la fluctuation spatio-temporelle des températures et des précipitations à celles qui décrivent les impacts de la déforestation et de la dégradation des paysages forestiers sur ces paramètres climatiques, entrent de part et d'autre, dans la même perspective que notre étude. Elles sont d'une grande importance et ont le mérite d'avoir levé l'équivoque, autour de l'existence à l'heure actuelle des changements climatiques à l'échelle planétaire auquel s'opposent d'autres chercheurs, et autour des interactions forêt-climat.

En somme, le réchauffement récent de la planète fait donc objet de nombreuses recherches. Celles-ci comme vu précédemment, sont souvent effectuées à large échelle. L'Intergovernmental Panel on Climate Change(IPCC) a étudié en 2007, le changement de température planétaire entre 1970 et 2004. D'autres études sont effectuées à des échelles plus fines, avec une grille d'1° par 1° ou 100 km par 100 km, mais là encore, ce maillage est trop large comparé à celui de notre travail.

En effet, le réchauffement dépend, à l'échelle locale, de paramètres comme l'orographie, les conditions environnementales ou encore la proximité à une zone urbaine. Le changement climatique se décline différemment selon la région du globe et les propriétés de la surface. Pour cela, il est possible d'analyser plus finement ses déclinaisons par les modélisations ou grâce aux observations. Ainsi, dans le cadre de cette étude, les modélisations et les observations sont analysées à l'échelle de la zone forestière de Yangambi. Elles portent aussi bien, sur la fluctuation des températures et des précipitations que sur la dynamique du paysage forestier. Outre cet aspect d'échelle spatiale, le présent travail se distingue des autres travaux cités ci-haut par le fait qu'il s'insinue à identifier le principal moteur de déforestation dans la région d'étude. Ceci apporte en effet, les arguments nouveaux tant dans la compréhension de la déforestation accrue en région tropicale, que dans la compréhension de l'augmentation de la température et de la baisse des précipitations.

0.3. Problématique

Les forêts de la planète et celles du bassin du Congo en particulier, jouent un rôle important pour l'humanité. Les forêts du bassin du Congo offrent des moyens de subsistance à 60 millions de personnes qui y vivent ou résident à proximité. Elles remplissent également des fonctions sociales et culturelles essentielles aux populations locales et autochtones et contribuent plus indirectement, à alimenter les 40 millions de personnes qui vivent dans les centres urbains (Nasi R et al. 2011) ; (De Wasseige C. et al.2014). Au cours des dix dernières décennies, une attention particulière a été accordée aux services environnementaux fournis par ces forêts, plus particulièrement aux services liés à la régulation du climat à travers la séquestration du carbone. Selon de Wasseige et al. (2009), le carbone stocké dans le Bassin du Congo est estimé à 46 milliards de tonnes.

En République Démocratique du Congo (R.D.C), environ 60% de la population vit en milieu rural (FAO, 2001). Selon le rapport administratif du District de la Tshopo (actuelle province) de 2009, la population située dans la zone forestière de Yangambi dans le territoire d'Isangi, s'estimait à environ 67.794 habitants avec une densité de 17 habitants au km². Il s'y observe une intensification de la pression anthropique sur les ressources naturelles ainsi qu'une exploitation sans recul des forêts due à des mauvaises pratiques culturales et à un temps réduit de mise en jachère (S. Katembera Ciza et al.,2015).

De nombreuses études au niveau tant national que de la zone forestière de Yangambi ont montré un recul des forêts tropicales humides sans pour autant le corréler à la fluctuation des variables climatiques. En RDC, selon Mayaux et al (2003), le taux annuel moyen de déforestation est de 0,26 %. Sans rester constant, l'OSFAC montre des taux de déforestation de l'ordre de 1,09% entre 2000 et 2005 (FACET 2010). A l'échelle locale, les travaux de (S. Katembera Ciza et al.,2015) basés sur les moteurs de déforestation dans la région d'Isangi, montrent un taux annuel de déforestation de 0,13% entre 2002 et 2010.

Amplifiés par les modes et les systèmes inadéquats d'exploitation des ressources disponibles, ces changements ont des répercussions directes sur l'occupation du sol et sur la fluctuation locale des variables climatiques, les processus naturels de succession des végétations, d'évapotranspiration étant alors perturbés par l'activité anthropique (Vink, 1983).

De ce fait, cette problématique est convertie et résumée en différentes questions dont une générale et quatre autres spécifiques, présentées de la manière que voici :

I. Quels scénarios de couvert forestier et d'évolution du climat projeter à l'issue de la

l'anthropisation observée dans la zone forestière de Yangambi ? Cette question centrale se décline à des questions spécifiques ci-après :

Quel est le plus grand moteur de la déforestation dans la région de Yangambi ? 0.4. Hypothèses

L'étude soutient l'hypothèse centrale selon laquelle, les scénarios paysagers pour le court, le moyen et le long terme, montrent une accentuation de la déforestation et de la dégradation des terres. Les scénarios climatiques quant à eux, montrent une augmentation de la température et une diminution des précipitations.

L'hypothèse centrale émise ci-haut est enrichie et complétée par des réponses spécifiques formulées de la manière que voici :

0.5. 0bjectifs de la recherche

Afin d'éclairer l'implication des activités humaines sur les modifications du paysage et la variabilité climatique, ce travail se veut globalement prédire pour le court, le moyen et le long terme, la dynamique du paysage forestier et la fluctuation locale des variables climatiques en fonction du rythme de la déforestation.

0.6. Intérêt du travail

La présente étude aboutit à des propositions palliatives qui constituent pour la population, un moyen d'atténuation, d'adaptation aux changements climatiques et de sédentarisation dans leurs activités agricoles.

CHAPITRE I. CONSIDERATIONS PRELIMINAIRES

I.1. Généralités sur les forêts tropicales

I.1.1. De la grande diversité des forêts tropicales

La zone intertropicale contient le plus grand réservoir de diversité biologique de notre planète. Près des deux tiers des 250 000 espèces de plantes à fleurs, 80 % des insectes, 84 % des reptiles, 91 % des amphibiens, 90 % des primates. Ces forêts abritent aussi de nombreuses espèces encore inconnues et les inventaires sont loin d'y être terminés (Henry puig.,2001).

A l'échelle du Bassin du Congo¹, second plus grand écosystème forestier tropical après l'Amazonie (Tsayem et Fotsing 2004), ces forêts représentaient en 2010, un couvert forestier de plus de 268 million d'hectares (de Wasseige et al. 2012). Ce bassin dispose de plus de 186 millions d'hectares de forêt dense humide et plus de 81 millions d'hectares d'autres types de forêt.

I.1.2. Déforestation et dégradation tropicale

La déforestation affecte de façon différente les forêts tropicales humides. En Amazonie, les évaluations par imagerie satellitaire ont montré que près de 10 millions d'ha sont détruits par décennie (Repetto, 1990).

Les forêts d'Asie et du Pacifique ont perdu 3,9 millions d'ha/an entre 1980 et 1990, l'Amérique latine et les Caraïbes 7,4 millions d'ha/an. L'ensemble des forêts tropicales auraient diminué de plus de 15 millions d'ha/an durant cette même période (Singh. 1993).

Le Bassin du Congo présente des taux de déforestation et de dégradation faibles par rapport à certaines régions du monde. Globalement, le taux de déforestation net y est de 0,09 % entre 1990 et 2000, contre 0,17 % entre 2000 et 2005 ce qui est largement en deçà du rythme amazonien où ce taux atteint 0,4 % par an (Demaze 2007). Ce vaste domaine forestier a contribué seulement pour 5,4 % à la perte estimée de surface de forêt humide tropicale sur la période 2000-2005 (Hansen et al. 2008).

I.1.3. Les moteurs de déforestations en milieux tropicaux

Geist et Lambin (2001) ont identifié quatre grands groupes de facteurs qui peuvent être considérés comme les causes immédiates de la déforestation et la dégradation de la forêt. Il s'agit principalement de l'extension des infrastructures ; de l'expansion de l'agriculture ; de l'extraction du bois ; des autres facteurs.

¹ Le bassin du Congo est le plus grand bassin versant d'Afrique. A cheval sur l'équateur, cette gigantesque cuvette s'étend sur environ 3,7 millions de Km². Partagé par neuf pays, il couvre la majeure partie de certains, comme la République Démocratique du Congo (98%).

Kissinger et al. (2012) ont montré que l'agriculture paysanne est la principale cause de déforestation dans les zones tropicales. Elle contribue à 35 % à la destruction de la forêt en Afrique, 65 % en Amérique latine et un peu plus de 30 % en Asie du Sud-Est.

L'exploitation forestière contribue à plus de 80 % à la dégradation forestière en Asie du Sud-Est, à plus de 75 % en Amérique latine, contre environ 32 % en Afrique (Kissinger et al. 2012). Les autres facteurs concernent principalement : les prédispositions environnementales ; les facteurs biophysiques ; les événements sociaux tels que les guerres, révolutions, etc.

I.1.4. Des interactions naturelles : écosystèmes forestiers et climat

Le système forestier, de par l'absorption d'énergie solaire et l'évapotranspiration, joue le rôle d'un gigantesque convertisseur d'énergie. Les forêts convertissent l'eau en vapeur d'eau et fournissent davantage d'ombre qu'un autre couvert végétal, ce qui peut conduire à des températures de surface plus fraîches.

Les échanges d'énergie que la forêt entretient avec l'atmosphère, ont une influence sur les paramètres physiques de la masse d'air de la couche atmosphérique la plus proche de la terre (Monteny et al.,199 4). Ainsi, trois caractéristiques déterminent la sensibilité du climat aux phénomènes de surface (Polcher J., 1994) :

I.1.5. Les effets globaux de la déforestation

On attribue une part croissante depuis 1850 aux déboisements des forêts (dont les forêts tropicales) dans le phénomène de concentration du gaz carbonique et dans l'effet de serre. Les brûlis des forêts représentent aujourd'hui 35,7 % des émanations de gaz engendrant l'effet de serre, contre 64,3 % pour les productions industrielles (Newman. 1990).

² L'albédo : est le ratio entre la radiation incidente et réfléchie. Il varie entre 0 pour un objet parfaitement noir qui absorbe la totalité de la radiation incidente et 1 pour une surface qui la réfléchit totalement. Il dépend de la longueur d'onde, mais le terme général se rapporte habituellement à une moyenne appropriée à travers le spectre de lumière visible, ou à travers l'ensemble du spectre de la radiation solaire, (http : // www.elic.ucl.ac.be/textbook/glossary).

La déforestation dans les pays tropicaux contribuerait pour 10 à 25 % (certains auteurs avancent jusqu'à 50 %) des émissions annuelles en CO2, issues des combustibles fossiles en 1980, soit entre 0,4 et 2,5 milliards t. (Houghton, 1990). Les émissions de carbone (CO2) dans l'atmosphère par la déforestation tropicale représentent 1 à 3 milliards t/an et 35 à 50 % des émissions de combustibles sur la planète (7 milliards t/an).

I.2. Généralités sur les variations climatiques

I.2.1. Des variations passées du climat

La figure 1 ci-dessous, présente les variations des précipitations entre le début du vingtième siècle et le début du vingt et unième siècle (Djoufack V. et Tsalefac, 2014). Dans l'ensemble, on distingue deux foyers de fortes précipitations (P>2500 mm) : Le fond du golfe de Guinée et, d'une manière générale, l'Afrique centrale atlantique. La cuvette congolaise doit ses fortes précipitations moins à l'influence de l'océan qu'à la forte évapotranspiration émanant de son couvert forestier et marécageux (Bigot S., 1997).

Figure 1 : Variation des précipitations moyennes annuelles (mm) entre les années 1900 et 2000 à l'échelle régionale : a) moyenne 1901-1950 ; b) moyenne 1951-2002 ; c) moyenne 1951-1970, d) moyenne 1971-2002. Source (Djoufack V., 2011).

Au regard de la température, les études montrent une tendance générale à la hausse. Au Congo, sur la période allant de 1950 à 1998, les températures ont augmenté de 0,5 à 1°C pendant les décennies 1980 et 1990 (Samba-Kimbata M.J., 1991).

I.2.2. Des possibles variations climatiques dans le futur

L'évaluation des changements probables des précipitations et des températures de surface au cours du 21e siècle a été réalisée par plusieurs pays de la COMIFAC dans le cadre de leurs communications nationales à la convention cadre des Nations Unies sur les changements climatiques plus connue sous le sigle anglais UNFCCC³ (CSC.,2013).

L'étude sur les scénarios du changement climatique susmentionnée révéla, que tous les modèles, indépendamment de la saison et du scénario d'émission, indiquent un réchauffement de la température atmosphérique de surface d'au moins 1°C vers la fin du 21e siècle (CSC.,2013).

Concernant la température atmosphérique annuelle moyenne de surface, les changements probables vers la fin de ce siècle sont compris entre +3.5°C et +6°C pour un scénario de fortes émissions et entre +1.5°C et +3°C pour un scénario d'émissions contenues de gaz à effet de serre⁴ (Haensler A et al.,2013).

Selon (Haensler A et al.,2013), les résultats des différentes simulations relatives aux précipitations totales sont moins robustes que ceux concernant la température. Certains modèles prévoient un accroissement des précipitations annuelles dans la majeure partie du Bassin du Congo, tandis que d'autres modèles anticipent une diminution dans les mêmes zones. Les changements dans les précipitations annuelles seraient probablement compris dans une gamme allant de -10 à +10 % dans la zone la plus humide et de -15 et +30% dans la zone la plus aride.

I.3. Généralités sur l'écologie du paysage

I.3.1. Définitions et composition du paysage

L'écologie du paysage est l'une des disciplines les plus jeunes de l'écologie. Carl Troll est celui qui a introduit le terme d'écologie du paysage en 1930, suite à ses observations des photographies aériennes (Troll C., 1939).

³ UNFCCC: United Nations Framework Convention on climate Change. En français : Convention Cadre des Nations Unies sur le Changement Climatique (CCNUCC), est adoptée au cours du sommet de la terre de Rio de Janeiro en 1992 par 154 Etats.

⁴ Gaz à effet de serre : les Gaz à Effet de Serre (GES) sont des gaz qui absorbent une partie des rayons solaires en les redistribuant sous la forme de radiations au sein de l'atmosphère terrestre. Plus d'une quarantaine des GES ont été recensés par le Groupe Intergouvernemental d'Experts sur l'évolution du Climat (GIEC).

Ce biogéographe allemand avait pour objectif, combiner deux disciplines : la géographie et l'écologie. En ceci, il cherchait à relier les structures spatiales aux processus écologiques (Burel F. et Baudry J., 2003).

Plusieurs définitions gravitent autour du concept paysage. La définition la plus largement partagée est celle contenue dans la Convention Européenne du Paysage. Selon cette définition, « le paysage se définit comme une partie de territoire telle que perçue par les populations, dont le caractère résulte de l'action de facteurs naturels et/ ou humains et de leurs interrelations ». D'une manière générale, le paysage se réfère à une aire relativement large, de quelques hectares à quelques centaines de km² (Forman R.T.T. & Godron M., 1981).

Les taches : Ce sont des mosaïques d'unités fonctionnelles, des surfaces qui diffèrent, par leur apparence et leur composition, de ce qui les entourent (la matrice). Elles peuvent largement varier en taille, en forme, en type, en hétérogénéité et en caractéristiques des frontières ;

Le corridor : Les corridors sont des unités ayant une forme linéaire caractéristique et remplissant des fonctions écologiques de conduit (passage), de filtre et de barrière. Ils sont souvent présents dans un paysage sous forme d'un réseau.

La matrice : C'est l'élément englobant. La matrice constitue l'élément le plus extensif et le plus connecté du paysage. (Forman R.T.T. & Godron M., 1981). La figure 2 ci-dessous illustre les composantes du paysage.

I.3.2. La structure spatiale en écologie du paysage

La structure spatiale des écosystèmes paysagers est d'une importance capitale. En effet, elle permet d'éclairer les processus écologiques qui s'y déroulent (Fortin, 2002). Chaque système écologique est caractérisé par une interdépendance de trois éléments clés : sa configuration, sa composition et son fonctionnement comme le montre la figure 3 ci-dessous.

Un changement d'un des éléments entraine des répercussions sur les deux autres (Bogaert et Mahamane, 2005). Chaque composante est nécessaire, mais insuffisante étant prise individuellement, pour caractériser l'état d'un système écologique (Noon et Dale, 2002). Cette assertion est connue sous le terme de « pattern/process paradigm » et est une hypothèse centrale de l'écologie du paysage. En analysant les structures du paysage et leur dynamique, des déductions utiles au sujet des processus (écologiques) fondamentaux peuvent être faites, et vice versa (Bogaert et al., 2004).

Fig.3. Les éléments clés qui caractérisent tous les systèmes écologiques, sans tenir compte de l'échelle spatio-temporelle, sont représentés par un triangle équilatéral pour illustrer leur interdépendance. D'après Noon et Dale (2002).

Le concept de fragmentation, associé à l'hétérogénéité et la connectivité, constituent des concepts clé de l'écologie du paysage. Il s'applique aussi bien aux habitats qu'aux populations (populations fragmentées). En effet, la fragmentation se caractérise par une diminution de la surface totale d'un habitat et son éclatement en fragments, ou plus simplement par une rupture de continuité (Figure 4.) (Burel F. & Baudry J., 2003).

Fig.4. Illustration de la fragmentation : d'a à c, on observe une augmentation du degré de fragmentation par l'augmentation du nombre de taches, par la diminution de la taille des taches, par la rupture de continuité et l'augmentation de l'isolation. (Burel et Baudry, 2003 ; Bogaert et Mahamane, 2005).

Pour mieux étudier les rapports entre la configuration du paysage et les processus écologiques, il est utile de décrire ces structures en termes quantifiables. Ceci explique le développement d'une série d'indices « landscape metrics ». (Farina, 2000).

Il en effet, nécessaire d'utiliser plusieurs indices pour caractériser la structure spatiale d'un paysage. Pour cela, beaucoup d'indices sont à la disposition des écologues en raison du fait qu'aucune mesure ne peut résumer à elle seule toute la complexité de l'arrangement spatial des taches (Dale et al., 1994). Ces indices sont souvent des indicateurs de l'impact humain sur la morphologie du paysage (Krummel et al., 1987).

I.3.3. Outils d'analyse du paysage

a. La télédétection

L'utilisation de la télédétection pour l'analyse des caractéristiques environnementales et la gestion des ressources naturelles est bien connue (Jensen J.R., 1996). La télédétection est en effet, l'ensemble des techniques qui permettent, par l'acquisition d'images, d'obtenir de l'information sur la surface de la terre (y compris l'atmosphère et les océans), sans contact direct avec celle-ci.

Le principe de base de la télédétection est similaire à celui de la vision humaine. La télédétection est le fruit de l'interaction entre trois éléments : une source d'énergie, une cible et un vecteur. Les longueurs d'onde employées en télédétection comme le montre la figure 5 ci-dessous, sont essentiellement le visible de 400 à 700 nm, le proche infrarouge de 700 à 1300 nm, l'infrarouge moyen de 1300 à 3000 nm, l'infrarouge thermique de 3000 à 15000 nm et les hyperfréquences ou micro-ondes, passives et actives, de 1 millimètre au mètre.

s Fig.5. Illustration du spectre électromagnétique. Source : Lillesand et Kiefer (1994).

b. Le système d'information géographique (SIG)

Plusieurs acronymes et définitions se valident pour expliquer le concept SIG. Selon la Société Française de Photogrammétrie et Télédétection. Le SIG est un système informatique permettant, à partir de diverses sources, de rassembler et d'organiser, de gérer, d'analyser et de combiner, d'élaborer et de représenter des informations localisées géographiquement, contribuant à la gestion de l'espace (Girard M. -C. et Girard C. M., 2004).

Le système d'information géographique se compose d'une part de données géographiques et d'autre part, d'un ensemble d'outils permettant l'utilisation de celles-ci. La base de données géographique comprend des données spatiales (forme et position des objets géographiques), ainsi que des données thématiques (attributs associés à ces objets).

I.3.4. Occupation et utilisation du sol

Pour mieux cerner des faits dans les études des transformations et de l'organisation des paysages, il est nécessaire de distinguer l'occupation du sol de l'utilisation des terres (ou des sols). Ainsi, nous utiliserons les définitions de (Turner II B.L. et Meyer W.B., 1994) cités dans (Burel et Baudry, 2003).

L'occupation du sol (land cover) décrit l'état physique des terres, de la surface du sol (type de végétation, présence d'eau, de roches). L'utilisation des terres (land use) décrit par ailleurs, la façon dont les hommes utilisent la terre, les usages, les pratiques ; par exemple le type d'agriculture, de pâturage ou d'habitat (Burel et Baudry, 2003).

I.3.4.1. Simulation des changements d'occupation et d'utilisation des sols

Durant les dernières décennies, un grand nombre de modèles de simulation des changements d'occupation et d'utilisation des sols (LULCC)⁵ ont été développés pour répondre aux besoins relatifs à la gestion du territoire et d'aide à la décision (Houet et al., 2008).

L'analyse des relations spatiales entre les changements observés dans le passé et les variables explicatives identifiées de façon empirique, statistique, à dires d'experts ou participative (Mas et al (2011) permet de cartographier la probabilité des différentes transitions. Ces cartes de probabilité peuvent être considérées comme un premier produit de la modélisation.

⁵ Nous utilisons ici l'acronyme des termes anglophones « Land use and land cover changes » (LULCC) et « Land use and land Cover » (LULC) consacrés par la communauté scientifique tant dans la littérature (Lambin and Geist 2006) que dans les projets scientifiques internationaux (LUCC project - http://www.igbp.net/page.php?pid=250 ; LAND project - http://www.globallandproject.org/) qui n'ont pas d'équivalent en français.

I.3.4.2. Les outils de simulation

Parmi les outils qui existent, les plus utilisées et/ou diffusées sont : CA_MARKOV sur IDRISI (Eastman, 2009), CLUE-S (Verburg et Overmars, 2009), DINAMICA EGO (Soares-Filho et al., 2002) et Land Change Modeler (disponible sur IDRISI et comme extension d'ARC-GIS) (Eastman, 2009). Certains auteurs les appellent « modèles » alors que ceux-ci reposent sur différentes approches méthodologiques ou modèles (probabiliste, intelligence artificielle, mécaniste, etc.) (Coquillard et Hill, 1997). De plus, ces outils, appelés aussi parfois « logiciels » en terme d'usage informatique, peuvent être intégrés dans des logiciels de géomatique aux fonctionnalités beaucoup plus larges. La figure 6 ci-dessous présente la démarche générale de modélisation et de simulation des LULCC.

I.3.4.3. Modélisation et simulation

Il existe une forte confusion entre les termes « modélisation » et « simulation » dans la littérature scientifique (Berre Le et Brocard, 1997) tant francophone qu'anglophone (modeling and simulation). Si la modélisation peut se résumer à une description conceptuelle du fonctionnement d'un système, la simulation immerge le modèle dans le temps. Ainsi, des cartes prédictives ou prospectives sont souvent considérées comme le résultat d'une modélisation, alors que stricto sensu il s'agit de produits d'une simulation.

I.4. Généralités sur les méthodes appliquées

I.4.1. Récoltes des données des moteurs de déforestation : L'approche DPSIR

L'approche DPSIR (Drivers : forces motrices, Pressions, (State : état), Impact et Réactions) est un modèle de l'Union Européenne (UE), développé pour mieux apprécier l'état de l'environnement à l'usage des décideurs (UICN-PC.,2014). Il s'articule en cinq éléments tous reliés par des liens de causalité : Une force motrice (une activité humaine) ; Une pression sur l'environnement provoquée par la force motrice ; Une modification de l'état général de l'environnement, expression de la pression ; Un impact sur le patrimoine naturel et sur l'homme conséquence de la pression ; en fonction de la gravité, l'homme va réagir et faire répondre la société ce qui conduit au 5e élément de l'approche, les réactions ou réponse.

Ces mesures sont : les mesures préventives dirigées vers les forces motrices, les mesures curatives dirigées vers les pressions et l'état, enfin, les mesures palliatives dirigées vers l'état et l'Impact. La figure 11 ci-après donne une illustration schématique de la méthode DPSIR.

Ce modèle nécessite en effet, un recensement des principaux facteurs de déforestation du milieu et leurs indicateurs. Pour y arriver, le modèle s'appuie sur l'enquête.

I.4.1. Traitement des images satellitaires

Après avoir téléchargé des images satellitaires, plusieurs opérations successives peuvent être effectuées préparant les images brutes aux analyses beaucoup plus affinées. Parmi ces opérations, les principales sont : la visualisation et composition colorée, la superposition des points GPX sur l'image de référence, la mosaïque des images et enfin l'extraction de la zone d'étude. Ces opérations constituent des préalables pour la classification.

I.4.1.1. La classification supervisée

La classification supervisée est en effet la procédure la plus souvent utilisée pour l'analyse quantitative des données de télédétection. Une compréhension de l'occupation du sol s'avère nécessaire pour y arriver.

Les échantillons sont définis par les RDIs (Régions D'Intérêts). Les RDIs sont des portions d'images qui sont sélectionnés par l'utilisateur dans chaque classe.

L'évaluation de la qualité des échantillons pour chaque image satellite est basée sur le calcul des indices séparables entre leurs spectres (ITT Inc,. 2008). Les deux indices proposés par Richards, (1999) sont applicables. Il s'agit de la Divergence Transformée (DT) et le Jeffries-Matusita (J-M). Les valeurs de ces deux indices varient de 0.0 à 2.0. Une valeur supérieure 1.9 indique une très bonne séparabilité tandis que celle inférieure 1.0 démontre une séparabilité faible. Les critères de ces valeurs pour les échantillons sont présentés dans le tableau 1 ci-dessous.

Tableau 1 : Critères des valeurs de Divergence Transformé et de Jeffries-Matusita

Pour valider les résultats de la classification, les images classifiées sont comparées aux données de références. Dans cette étape, les données de référence utilisées pour évaluer la classification de 2018 sont créées à partir de données d'observations sur le terrain du janvier au mars 2019. La validation des années antérieures a par ailleurs connu une démarche rétrospective. Celle-ci a consisté à sélectionner les pixels ayant demeuré invariant sur l'image de 2018.

Le résultat de la classification est considéré comme acceptable si le nombre total de pixels correctement classifiés est supérieure à 85%, les précisions individuelles des catégories (classes) sont du même ordre (Anderson et al., 1971).

Le coefficient Kappa doit cependant être supérieur à 0.80. Le tableau 2 ci-dessous, illustre les niveaux de la précision du coefficient Kappa et leurs interprétations.

Tableau 2 : Estimation de la précision de la classification selon le coefficient Kappa

I.4.1.2. La matrice de transition

Le croisement des deux cartes d'occupation du sol donne une carte des changements et une matrice qui traduit l'évolution des différentes classes entre deux périodes. Les auteurs ci-après Schlaepfe (2002) et Bamba et al, (2010) décrivent la matrice de transition comme étant une matrice sous forme carrée qui permet de mettre en évidence les changements d'occupation du sol pendant une période donnée.

Elle ne contient aucune information sur la distribution spatiale des changements, ni sur les processus et causes ayant conduit aux changements. Néanmoins, elle informe sur la proportion d'affectation d'un type i d'utilisation du sol à un état j réalisés pendant la période concernée. I.4.1.3. Identification des processus de transformation spatiale

L'analyse de la dynamique peut être complétée à l'aide de la typologie proposée par Bogaert et al. (2004). Elle prend en compte le nombre de taches, la surface et le périmètre, et peut aboutir aux transformations paysagères multiples notamment : l'agrégation : fusion de nouvelles taches (a) ; la suppression : disparition de taches (b) ; la création : formation de nouvelles taches (c) ; la déformation : changement de forme des taches (d) ; la dissection : subdivision d'un secteur continu par des lignes de largeur uniforme et de petites dimensions(e) ; l'agrandissement : transformation par l'augmentation de taille des taches(f) ; la fragmentation : conversion de paysage par la rupture de la continuité en cinq taches disjointes de tailles et de formes inégales ; (g) ; la perforation : transformation par la formation de trous (h) ; le déplacement : translocation d'une des taches (i) ; le rétrécissement: diminution de la taille des taches (j).

Dans le cas où on a une augmentation du nombre de taches (n) et une diminution de l'aire totale (a), la conclusion fait intervenir le rapport a1/a0 = t observé.

Généralement, un seuil théorique prédéfini de t = 0,5 a été adopté (Barima et al., 2009) pour distinguer le processus de fragmentation de celui de dissection. Ainsi, lorsque t observé < 0,5, la fragmentation est mise en évidence tandis que lorsque t observé > 0,5, c'est la dissection qui est révélée. La figure 12 ci-dessous reprend le dendrogramme proposé par Bogaert.

CHAPITRE II : MILIEU D'ETUDE ET APPROCHES METHODOLOGIQUES

II.1. Milieu d'étude

a. Choix du site

Le choix porté sur la réserve de biosphère de Yangambi est principalement dicté par la présence de la station climatologique de l'Institut National d'Etudes et Recherches Agronomique (INERA).

b. Circonscription et localisation du milieu d'étude

Le milieu d'étude est circonscrit au sein d'une partie la réserve de biosphère de Yangambi. Cette dernière s'étend sur une superficie de 25.000 ha dans le bassin du fleuve Congo et se situe au Nord-Ouest de la ville de Kisangani dans l'actuelle Province de la Tshopo. Elle s'étale dans le territoire d'Isangi et dans le territoire de Banalia se trouvant entre 24°16'95" et 25°08'48" longitude Est, 0°38'77" et 1° 10'20" latitude Nord (Toirambe, 2011).

Figure 9. Milieu d'étude Les limites de ce milieu d'étude sont définies en fonction de la distance avec la station climatologique. Etant une région à relief contrasté, ne disposant que d'une seule station climatologique, un rayon de 30km a été retenu en fonction duquel, la zone d'étude est définie.

Ce rayon du cercle inscrit dans un carré, donne une de distance de 60 km par côté, et un périmètre (contour) de 240km avec une aire (A) de 3600km² qui correspondent à 360000ha. Prenant pour référence le rayon utilisé par Benichou P et Lebroton O, (1986), à cette distance, les données de la température et des précipitations issues d'une seule station peuvent être extrapolées tout en gardant leur validité.

c. Facteurs biophysiques de la RBY

La Réserve de biosphère de Yangambi se situe dans la zone climatique équatoriale influencée par le climat du type Af de Köppen. (Vandenput, 1981) cité par (Toirambé, 2011). Dans cette nomenclature, « A » désigne un climat chaud dont la température moyenne est supérieure à 18°C et « f » désigne un climat humide sans saison sèche absolue et dont la hauteur mensuelle des pluies du mois le plus sec est supérieure à 60mm. La pluviométrie annuelle moyenne variant entre 1837 et 1875 mm/an. La figure 8 ci-dessous présente le diagramme ombrothermique de la région de Yangambi.

Fig.10. Diagramme ombrothermique de la région (source des données : INERA/YANGAMBI, 2019).

La grande majorité de l'étendue de la réserve de biosphère de Yangambi est formée des sols anciens, ferralitiques développés sur des sédiments nivéo-éoliens forts altérés et remaniés (Van Wambeke et al., 1956) cité par (Sylvain A et al., 2013).

Ces sols sont caractérisés par de bonnes propriétés physiques (macro et microporosités importantes), une structure micro agrégée des constituants élémentaires (kaolinite, gibbsite, hématite, goethite, quartz) ; et une fertilité chimique en revanche très limitée (faible capacité d'échange cationique)

Le relief de la réserve de biosphère de Yangambi est constitué d'un plateau disséqué (plateau Lumumba, Likango, Yangambi et Isalowe) par des vallées à fonds plats et larges. Ces fonds sont occupés par des cours d'eau dont la rivière Lobilo forme le principal bassin avec ses multiples affluents qui, ensemble, se jettent dans le fleuve (Kombele, 2004).

Pour représenter ce relief (figure 9), le recours à la méthode du Modèle Numérique de Terrain (MNT) s'est avéré indispensable. Il s'agit en effet d'une représentation numérique du terrain en termes d'altitude.

Fig.11. Le relief de la zone d'étude Il découle de la figure 9 que la zone la plus haute se situe à une altitude de 547 m alors que la zone la plus basse se trouve à 359 m. cette topographie contrastée pourrait ainsi avoir de l'influence sur l'évolution de l'occupation du sol.

Il existe une diversité de formations végétales dans la région de Yangambi, s'expliquant à la fois par le milieu physique (présence de plusieurs rivières notamment) et par une influence de l'homme qui a remanié à différentes époques les habitats. Cette végétation fait partie du Centre régional d'endémisme guinéo-congolais (White, 1986) cité par (Toirambé, 2011).

Selon (Toirambé, 2011), la première grande formation forestière est constituée des forêts secondaires adultes issues de l'évolution progressive des forêts secondaires jeunes ; la deuxième formation forestière comprend des forêts denses semi-caducifoliées ; la troisième formation forestière est constituée des forêts secondaires jeunes ; les forêts denses sempervirentes constituent la quatrième formation forestière. La cinquième formation végétale est celle composée d'une mosaïque de cultures, des parcelles d'expérimentation agricoles et des habitations. La sixième formation forestière est constituée d'une mosaïque des jachères arbustives et herbacées représentant. Enfin, les forêts marécageuses qui constituent la septième formation végétale, envahissent constamment le long des cours d'eau et de bas-fonds mal drainés. Elles occupent 3,8% de superficie de l'ensemble des formations forestières.

d. Facteurs socio-économique

La population autour et dans la Réserve de biosphère de Yangambi est concentrée dans les secteurs de Turumbu et de Yalihila ainsi que l'axe routier Weko - Yambelo. Elle comprend également celle habitant les quartiers de la cité de Yangambi (Lusambila, Ekutsu, Okito, Lomboto, Likango, N'Gazi, Bangala, Moussa, Yaekema et Lumumba). Selon le rapport administratif du District de la Tshopo (actuelle province) de 2009, cette population s'estimait à environ 67.794 habitants avec une densité de 17 habitants au km².

En dix ans (de 1999 à 2009), cette population montre un accroissement absolu de l'ordre de 6hab/km², soit un taux de croissance annuel moyen (TCAM) de 4,1%. Plusieurs raisons expliquent cette croissance démographique parmi lesquelles les naissances annuelles et la migration des populations de grands centres urbains (par exemple Kisangani) vers les milieux ruraux à la quête des ressources naturelles.

Selon (Toirambé, 2011), la population habitant la réserve de biosphère de Yangambi exerce plusieurs activités, les principales étant l'agriculture, la chasse, l'élevage, la pêche, le prélèvent des produits forestiers non ligneux, le commerce et enfin l'exploitation artisanale.

II.2. Les approches méthodologiques

II.2.1. Acquisition des données

La cartographie de l'occupation du sol a recouru aux images du satellite Landsat. Elles sont téléchargées dans le site internet de United States Géologique Survey(USGS) http://earthexplorer.usgs.go. Ces images correspondent aux années 1986, 1995,2000, 2009 et 2018. La zone d'étude étant située à l'intersection de quatre scènes Landsat (la figure 10), il a ainsi fallu 20 images satellitaires en total en raison de quatre pour chaque date.

Fig.12. Les coordonnées Path et Row des scènes utilisées Au regard des variables climatiques, les données nécessaires sont essentiellement issues de la station climatologique de l'Institut National d'Etude et Recherches Agronomiques. Elles couvrent trois décennies : 1986-1995 ; 2000-2009 et enfin 2009-2018.

Pour ce qui est des moteurs de déforestation, l'approche DPSIR⁶ (figure 7) , a permis de générer les données nécessaires. Ainsi, sur base d'une pré-enquête et une connaissance approfondie de la région d'étude, 3 facteurs de déforestation et de dégradation ont été retenus. Il s'agit de :

Les indicateurs de chaque facteur de déforestation ont été également définis et sont consignés dans le tableau 3. Ils sont facilement mesurables.

⁶ DPSIR : (Drivers : forces motrices, Pressions, (State : état), Impact et Réactions), L'approche DPSIR est une méthode qui a été largement utilisée par les auteurs Tuner, 1989 ; Pierce, 1998 ; Agyemanget al., 2007 ; Camanhoet al., 2010 cités par UICN-PC,2014.

Une enquête a en effet été menée sur terrain et effectuée en deux séquences. La première séquence a concerné exclusivement les chefs des villages (Yakoko ; Yalungu ; Yaselia ; Obiloto et enfin Yapkonzi) dans l'objectif de collecter les données de bases telles que la démographie (composition et nombre des ménages) et les limites géographiques. La deuxième séquence a par contre, concerné les populations de différents villages. Dans le cadre de la dernière séquence, un échantillonnage aléatoire systématique est alors effectué comme méthode d'échantillonnage. On procède au tirage dans la base de sondage de manière systématique, en établissant un « pas de tirage » ou pas de sondage. Le rapport ci-après permet de terminer le pas de tirage :

Avant de déterminer le pas de tirage, la définition de la taille de l'échantillon a été nécessaire. Pour ce faire, nous avons estimé que la population dans la région de Yangambi est constituée d'au moins 85% des personnes ayant une activité pouvant générer des impacts négatifs sur la forêt (prévalence), et 15% constitués de personnes affectées à d'autres activités. Nous avons aussi accepté 5% de risque d'erreur ou 95% de confiance ceci avec une précision i = 7%. Ainsi, la taille de l'échantillon est déterminée par la formule ci-après :

z²1-á/2 = l'écart réduit pour le risque statistique á admis (de 1,96 pour le risque de 5%) p= prévalence attendue (85%)

Considérant ceci, il nous a fallu un minimum de 143 ménages à enquêter pour avoir des résultats crédibles. On y a ajouté 18% (soit 31 ménages) afin de préserver l'intégrité de la taille de l'échantillon susceptible d'être corrompue par les absences et/ou le refus de répondre. Ce qui donne un total de 174 ménages enquêtés. La contribution des villages dans la taille d'échantillon calculée pour cette enquête est pondérée par rapport à la taille de la population de chacun d'eux. Les personnes d'au moins 18ans d'âge ont été sélectionnées pour participer à cette enquête. Le tableau 3 (aux annexes) présente le nombre pondéré des ménages à enquêter par village y compris le pas de tirage. Ce dernier est de 10 pour chaque village. Constituer un échantillon systématique dans ce cas, a donc consisté à sélectionner aléatoirement, un élément (un enquêté) parmi les 10 premiers de la liste de la population pour chaque village. Le second élément a correspondu au 10ème élément qui a suivi le 1er élément sélectionné et ainsi de suite.

II.2.2. Prétraitement et organisation des données

Les données de température et des précipitations issues de la station climatologique sont prétraitées et organisées sous Excel. Trente colonnes correspondant à trente années regroupées en trois décennies ont été définies. Pour les précipitations, chaque colonne correspond à la somme annuelle des précipitations alors que pour la température, chaque colonne correspond à la moyenne annuelle.

Les données issues de l'enquête portant sur les moteurs de déforestation dans la zone d'étude sont saisies et organisées sous Excel. Les surfaces défrichées pour chaque moteur sont converties en hectare. Les données qualitatives sont quantifiées avec codification.

II.2.3. Traitement et analyse des données

a. Traitement des données de l'occupation du sol

Dans le cadre cette étude, la classification supervisée a été appliquée. Pour y arriver, 6 classes

d'occupation du sol ont été définies. Le tableau 4 ci-dessous décrit ces classes.

Classe agricole La classe agricole représente les surfaces du sol soumises aux activités d'agriculture. Il s'agit notamment des champs et des jachères.


Les bâtis et sols nus La classe des bâtis et sols nus représente les constructions humaines, les routes, et les sols nus.


Les plantations forestières La classe de plantations regroupe des grandes surfaces de terre occupées par de culture forestières plantées et/ou aménagées par l'homme. Elles occupent des grandes surfaces dans la région de Yangambi.


Les forêts secondaires La forêt secondaire représente l'ensemble des types forestiers qui succèdent à la régénération et qui constituent la phase transitoire à l'établissement de la forêt primaire.


Les forêts primaires Il s'agit précisément, des forêts denses humides de basse et moyenne altitude (forêt ombrophile sempervirente) caractérisée par une grande hétérogénéité en ce qui concerne les espèces végétales qui la composent.

Les cours d'eau Il s'agit de diverses voies fluviales (cours d'eau) traversant la zone. La plus vaste est le fleuve Congo.

La classe des plantations forestières est facilement identifiée grâce à son organisation spatiale ainsi que les points GPS pris sur terrain. Cependant, étant longtemps non aménagées, ces plantations sont envahies par des arbres non introduits par l'homme. En conséquence, elles prennent actuellement l'allure des forêts secondaires, certaines étant même confondues aux forêts primaires sur les images Landsat. Pour cela, cinq classes ont été enfin retenues, les plantations étant intégrées dans des classes à réflectance identique.

Pour chaque classe, un échantillonnage des RDIs (Régions d'intérêts) a été appliqué. L'évaluation de ces échantillons s'est faite à travers le coefficient de divergence transformée (DT) et de Jeffries-Matusita (J-M). Dans notre étude, les tableaux 1 (aux annexes), présente à titre illustratif les coefficients de DT et de J-M des échantillons définis pour l'images Landsat de 2018. Ce tableau montre que les valeurs de ces coefficients sont assez élevées ; elles indiquent une bonne séparabilité spectrale entre les classes de l'occupation du sol.

Le tableau 2 (aux annexes) présente à titre illustratif, la matrice de confusion ayant évalué la classification de l'occupation du sol de 2018. Les pixels bien classifiés correspondent aux nombres de pixels sur la diagonale. Les précisions individuelles fluctuent entre 98 et 100% pour 2018 et 2009. Elles vont de 97 à 100% pour 2000, de 99 à 100% pour 1995 et enfin de 88 à 100% pour 1986.

b. Analyses de l'occupation et l'utilisation du sol

Les analyses ci-dessous sont réalisées afin de caractériser et quantifier la dynamique spatio-temporelle du paysage.

Plusieurs formules existent à l'heure actuelle pour estimer le taux de déforestation. Dans le cadre de cette étude, nous avons recouru à l'équation de catalan (1991) présentée ci-dessous :

Pour distinguer les différentes valeurs des taux de déforestation, Catalan (1991) propose la

L'estimation des changements d'occupation du sol dans la zone d'étude a été faite sur base de la formule suivante :

Si+t = Superficie à l'année terminale (ha) ; Si= Superficie à l'année initiale

3. La matrice de transition

Comme décrit ci-haut, les matrices de transitions ont été appliquées afin de quantifier les différentes transitions observées au courant des années en étude.

4. Analyse de la structure spatiale du paysage

Dans la structure spatiale du paysage, l'étude se concentre à deux niveaux : le niveau global du paysage et le niveau spécifique. Au niveau global, les analyses portent sur le nombre de taches par type (classe). Au niveau spécifique (tache par tache) les analyses portent sur :

? Le périmètre de tâche : le périmètre total, le périmètre moyen et le périmètre maximal) ;

? La dominance Dj (a) : indique la proportion d'aire occupée par la tache dominante dans la classe j.

Il s'agit de la part occupée dans l'aire totale par la plus grande tache de la classe j notée amax .J. Plus la valeur de la dominance est grande, moins la classe est fragmentée. (McGarigal & Marks, 1995) :

? La forme des tâches : Celle-ci est calculée par l'indice de la forme de tâche.

La forme est un élément difficile à quantifier et qui peut donner libre cours à différentes interprétations (Krummel et al., 1987). Plus les taches ont des formes allongées ou irrégulières, plus la valeur de l'IFj sera élevée et cette valeur décroîtra à mesure que les formes deviennent circulaires (Bogaert et al., 2000).

Afin d'évaluer la dispersion des superficies et des périmètres autour de leurs moyennes, nous avions calculé la variance, l'écart-type et le coefficient de variation.

? La variance ó² j(a) : représente la moyenne des carrés des écarts à la moyenne. Elle permet de caractériser la dispersion des valeurs par rapport à la moyenne.

? Le Coefficient de variation (CVj) : il est un indicateur de dispersion. Il est égal au rapport de la racine carrée de la variance par la moyenne de la classe j

5. Identification des processus de transformation spatiale

Pour identifier les transformations spatiales, la typologie proposée par Bogaert et al. (2004) a été appliquée.

Pour cette étude, le Land Change Modeler (LCM) a été utilisé comme outil de Modélisation. Les étapes de la modélisation prédictive de l'occupation des sols à l'aide du module LCM sont donc structurées selon le cheminement présenté dans la figure 13.

Fig.13. Prédiction du changement de l'occupation du sol à l'aide LCM En effet, les changements historiques sont d'abord déterminés à partir d'une série multi-temporelle de cartes de l'occupation des sols. Puis, les facteurs les plus significatifs (variables explicatives) dans ces changements sont déterminés.

Le nombre de variables explicatives à intégrer aux modèles de simulation des changements des modes d'occupation et d'usage du sol est contraint par leur disponibilité ainsi que leur spatialisation. Le tableau 6 présente les variables explicatives retenues pour cette étude.


	Variables explicatives	Description
0.	Le réseau routier	Facilite l'accès aux ressources et leur évacuation
1.	Le réseau hydrographique	Influe sur la répartition des types d'occupation du sol	2.
Les pentes	Influe sur l'accessibilité à certaines ressources	3.
L'agriculture	Important facteur de déforestation	4.
Les agglomérations humaines	Accélèrent la déforestation	5.
L'aspect	Influe sur l'accessibilité et l'utilisation certaines ressources

Après avoir étudié les changements historiques, la première étape est ici consacrée à la construction du sous-modèle. Ceci permet ainsi l'introduction des variables sur lesquelles se produisent des transitions potentielles. Dans cette étude, nous avons déterminé 20 transitions possibles entre l'occupation des sols de 1995 et 2009.

Afin d'éviter les transitions impossibles dans le modèle, seules 6 transitions potentielles ont été retenues (tableau 7). Deux options pour la modélisation des transitions potentielles sont proposées : le Perceptron Multi-Couche (PMC) ou la Régression logistique (Reloger). Dans cette étude, le Perceptron Multi-couche a été appliqué.

La deuxième étape permet d'explorer la puissance potentielle des variables explicatives qui sont considérées comme importantes dans le processus de prédiction. Elle permet également de calculer l'indice de Cramer's V et la probabilité associée. La puissance potentielle des variables explicatives est évaluée à l'aide des outils de transformation variable. Ces outils lient les changements de l'occupation des sols observés aux variables explicatives. Celles-ci ont été sélectionnées en fonction de leur potentiel explicatif, et évaluées grâce au coefficient de Cramer's V, utilisé dans ce cas comme une valeur de probabilité associée à la variable explicative. Une valeur élevée de ce coefficient marque l'importance de cette variable explicative. Ainsi, une valeur supérieure ou égale à 0.15 est considérée comme acceptable. Au-delà de 0.4, les variables explicatives sont considérées comme très satisfaisantes.

Six variables explicatives ont été évaluées : la distance autour du réseau routier, la distance autour du réseau hydrographique, la distance autour des agglomérations, l'aspect du terrain, la pente ainsi que la distance aux champs. La figure 1 (aux annexes) présente les rendus visuels des variables explicatives retenues. La relation entre les variables explicatives et les principales transitions sont décrites dans le tableau 7 ci-dessous.

Légende : D.A.H : distances aux agglomérations humaines ; D.C : Distances aux champs ; P : la pente ; AT : Aspect du terrain ; RT : réseau routier ; RH : réseau hydrographique.

Variables	FP-TBN	FS-TBN	CL.A-TBN	FP-CL.A	FS-CL.A	FS-FP
D.A.H	0.25	0.25	0.24	0.25	0.25	0.26
D.C	0.25	0.25	0.25	0.25	0.24	0.25
P	0.23	0.23	0.24	0.26	0.23	0.24
AT	0.23	0.26	0.26	0.32	0.32	0.19
RT	0.18	0.18	0.18	0.18	0.18	0.18
RH	0.12	0.12	0.12	0.12	0.12	0.12

Le tableau 30 montre que les distances au réseau hydrographique constituent la variable explicative la moins importante pour les principales transitions retenues. Ses coefficients globaux de Cramer's V étant inférieurs à 0.15.

Dans l'ensemble, les distances aux agglomérations humaines, les distances aux champs, la pente et l'aspect du terrain, constituent des variables explicatives ayant de plus, influencé les transitions observées entre 1995 et 2009.

Les plus fortes corrélations avec les changements observés entre 1995 et 2009 se sont observées entre l'aspect du terrain et les transitions forêts primaires-classe agricole, forêts secondaires-classe agricole. L'aspect du terrain a en effet, enregistrés des coefficients globaux de Cramer's V les plus élevés (0.32). Ceci indique la forte contribution de l'aspect du terrain dans la répartition des champs dans la région de Yangambi.

Les évaluations vues dans le tableau 21 montrent que les variables explicatives étudiées et l'occupation du sol de la région de Yangambi, à l'exception du réseau hydrographique, sont relativement assez bien corrélées. Par conséquent, toutes ces variables, excepté le réseau hydrographique, ont utilisées dans le sous-modèle pour la modélisation prédictive de l'occupation du sol.

Afin de se passer de la subjectivité et du manque de précision d'une approche comparative purement visuelle entre une carte de référence (2018) et la simulation (2018), R. G. Pontius et al. (2004) montrent l'intérêt d'une comparaison statistique entre les cartes.

Les auteurs distinguent quatre catégories de pixels avec (i) les pixels corrects en raison d'une constance observée et prédite (null successes [N]), (ii) les erreurs en raison d'une constance observée mais prédite comme changée (false alarms [F]), (iii) les pixels corrects dus à un changement observé et prédit (hits [II]) et (iv) les erreurs dues à un changement observé mais prédit comme constant (misses [M]). Pour juger la précision de la prédiction globale des changements à travers l'ensemble du paysage, ils avancent une méthode permettant de mesurer les erreurs (en % du paysage) en raison de la quantité et de l'allocation en se basant sur les résultats de la budgétisation susmentionnée. Le tableau 8 ci-dessous montre les mesures des erreurs et des exactitudes.

L'erreur due à la quantité de changement prédite mesure le pourcentage d'imperfection de la correspondance entre la quantité de changement observée et prédite. L'erreur due à l'allocation mesure le degré d'approximation de la correspondance dans l'allocation spatiale des changements, compte tenu de la spécification de la quantité des changements dans les cartes de changements observés et prédits.

Les données climatiques (les données de température et celles des précipitations) prétraitées et organisées sous Excel, sont importées sous le logiciel Statistica dans le but de calculer les statistiques descriptives d'une part, et d'autres parts déterminer si la relation entre les variables dépendantes (température et précipitation) et indépendante (superficie forestière) est au moins approximativement linéaire afin de définir les équations de la prédiction climatique.

Pour chaque variable climatique, les courbes de fluctuation spatio-temporelle sont produites. Elles retracent les variations annuelles des précipitations et de la température. Les statistiques descriptives (la moyenne ; le maximum ; le minimum) et les statistiques de dispersion (la variance ; l'écart-type ; le coefficient de variation) viennent à l'appui des courbes d'évolution et décrivent la variabilité et les écarts autour des valeurs moyennes au courant de trois décennies en étude.

La prédiction climatique pour le court, le moyen et le long terme dans le cadre de ce travail s'est reposée sur la méthode de régression simple. En effet, trois modèles sont testés et comparés. Il s'agit du modèle linéaire, du modèle logarithmique et du modèle exponentiel.

De ce fait, les moyennes décennales des superficies forestières sont considérées dans le cadre de cette étude comme les seules variables indépendantes, desquelles dépendent la fluctuation de la température et les précipitations au.

Pour chaque modèle un diagramme de dispersion est produit. Ce diagramme permet de mesurer la corrélation « r » entre les variables et la dépendance (R²) de la variable Y à la variable X. Ces coefficients sont utiles dans la régression car ils permettent d'évaluer les modèles à travers leurs valeurs. Ils mesurent ainsi la force de la relation (association) entre les variables et la qualité du modèle.

L'impact de chaque facteur de déforestation est analysé sur une échelle annuelle. Ce qui a permis en définitive, de déduire le principal moteur de déforestation dans la zone d'étude. Chaque moteur de déforestation est pondéré au nombre d'enquêtés afin déduire l'activité autour de laquelle, la majorité de la population s'adhère.

Le recours aux statistiques descriptives a permis de décrire chaque moteur de déforestation. Pour cela, la moyenne, le maximal, le minimal et les paramètres de dispersion ont été appliqués.

CHAPITRE III : LES RESULTATS DE L'ETUDE

III.1. Dynamique de l'occupation du sol

III.1.1. Cartographie de la dynamique de l'occupation du sol

La figure 14 ci-dessous présente les cartes d'occupation du sol correspondantes aux années en étude.

L'occupation du sol en 1986 est nettement dominée par les classes forestières, avec des étendues importantes des forêts secondaires dans la partie Sud-ouest et une stabilité des forêts primaires dans la partie Nord-est. Les terres bâties et nues, la classe agricole (les champs et les jachères) occupent des étendues moins importantes.

L'occupation du sol en 1995 reste de même dominée par les classes forestières. Une forte succession peut s'identifier au Nord et dans la partie Sud-ouest. Les classes anthropiques, principalement les terres bâties et nues, occupent en cette année, des étendues un peu plus importantes. La forte activité anthropique est observée au centre et au Sud de la zone d'étude. Le reseau hydrographique, dominé par le fleuve Congo demeure visiblement stable dans le temps.

L'occupation du sol en 2000, marque visiblement le début des fortes activités anthropiques. En effet, sur la carte ci-dessus, on peut y observer une extension des terres bâties et nues. On observe par ailleurs, un recul assez important des classes forestières principalement les forêts secondaires. Demeurant dominante en cette année, les forêts primaires paraissent assez fragmentées.

Comme dans toutes les autres années précédentes, la stabilité du réseau hydrographique est aussi observable en 2009. Les classes anthropiques notamment les terres bâties et nues, les champs et les jachères (classe agricole) semblent occuper les mêmes étendues qu'en 2000.

On peut par ailleurs, observer un retour des forêts secondaires dans la partie Sud, en dépit du fait que l'occupation du sol demeure dominée par les classes forestières.

L'observation de la carte de l'année 2018 laisse entrevoir une forte activité anthropique dans la zone d'étude. L'extension des terres bâties et nues y est considérable. Elle domine nettement le centre de la zone d'étude. On peut également observer des champs et jachères dans tous les coins.

Si les classes forestières demeurent dominantes en cette année, un recul important de ces classes n'est donc pas inaperçu. Les forêts primaires sont visiblement fragmentées alors que les forêts secondaires disposent des étendues moins importantes en cette année d'étude.

La sous-section ci-dessous, présente l'occupation du sol en pourcentage des classes, au cours des années en étude.

III.1.2. Dynamique de l'occupation du sol en pourcentage des classes

La figure 15 ci-dessous présente le pourcentage d'occupation du sol pour chaque classe.

Légende : FP (Forêts primaires) ; FS (Forêts secondaires) ; CD (Cours d'eau) ; TBN (Terres bâties et nues) ; CL.A (Classe agricole).

La description de l'occupation du sol en pourcentage, telle que présentée dans la figure 16 ci-dessus, atteste la dominance des classes forestières, plus particulièrement les forêts primaires, occupant plus de 70% de la zone au courant de chaque année en analyse. Cependant, ladite domination n'est pas statique dans le temps et dans l'espace. On enregistre en effet, un recul important des forêts primaires en 2018.

L'extension croissante des terres bâties et nues est de même mise en évidence. Il s'agit de l'unique classe d'occupation du sol n'ayant pas connu des reculs et/ou perte dans son évolution spatio-temporelle.

La classe agricole (champs et jachère) connait également des fluctuations notables dans la zone d'étude. Les années 2009 et 2018 sont celles ayant connu des fortes activités agricoles dans la zone forestière de Yangambi.

La sous-section ci-dessous, présente les taux de déforestation et de changement. Les valeurs négatives issues de la formule de Catalan traduisent la reforestation dans la zone d'étude, alors que les valeurs positives y marquent la déforestation.

III.1.3. Taux de déforestation et de changement dans la zone d'étude

a. Taux de déforestation

La figure 16 présente les taux de déforestation au courant des années en étude.

Globalement, le paysage forestier de la zone d'étude n'a pas connu des taux de déforestation très alarmants. Seules les forêts secondaires ont pu atteindre un taux plus haut, de déforestation au courant de la première décennie. Avec une perte d'au moins 6,5ha dans chaque 100ha des forêts secondaires. Cette première décennie (1986-1995) est par ailleurs, marquée par une reforestation (succession) des forêts primaires estimée à plus de 0,8%.

La déforestation totale est moins significative au courant de cette décennie. La perte estimée est de 0,007ha des forêts dans chaque 100ha.

La déforestation prend une autre allure au courant de la deuxième et de la troisième décennie. Les forêts primaires enregistrent une perte de plus de 0,3%, alors que les forêts secondaires connaissent une importante restitution estimée à plus de 3,4% au courant de la deuxième décennie. La déforestation totale demeure assez basse, mais supérieure à celle de la première décennie. La perte totale est estimée à plus de 0,13ha dans chaque 100ha des forêts.

La troisième décennie est de loin, différente des autres. En effet, elle n'est marquée que par des pertes, aucun gain forestier n'étant enregistré. Les forêts primaires enregistrent une perte de 0,4%, alors que les forêts secondaires en enregistrent plus de 0,7%. Ces pertes spécifiques entrainent une déforestation totale de l'ordre de 0,4%.

La sous-section ci-dessous traite les différents changements survenus dans chaque classe d'occupation du sol à travers le taux des changements.

b. Taux de changement

Le tableau 4 (aux annexes) présente les taux de changement de la première décennie (19861995). Cette décennie est caractérisée par des pertes et des gains dans les classes d'occupation du sol.

Les terres bâties et nues ont enregistré une extension hautement supérieure estimée à plus de 4 fois que la superficie initiale de la classe (plus de 5298,93ha d'extension). On note par contre, une perte de plus de la moitié de la superficie initiale dans la classe des forêts secondaires. Les forêts primaires connaissent par ailleurs, une extension de la classe. Plus de 21856,32ha sont gagnés durant cet intervalle de temps.

Dans la classe agricole, seuls 79,2% de la classe, soit 16215,75ha sont restés inchangés dans l'espace. 4005,36ha sont perdus au profit d'autres classes d'occupation du sol. Finalement, la perte enregistrée dans la classe des cours d'eau est moins significative. 98,3% de la classe, soit 17157,6ha sont restés cours d'eau. Le tableau 5 (aux annexes) décrit les changements survenus au cours de la deuxième décennie (2000-2009).

La deuxième décennie comme la première, est aussi marquée par des pertes et gains considérables. En effet, le changement le plus important est enregistré dans la classe des forêts secondaires avec un gain de plus de 31% soit plus de 4655,97ha. Un autre changement notable s'observe dans la classe agricole qui qui gagne plus 3721,23 ha.

Comme dans la première décennie, les terres bâties et nues continuent à s'étendre dans la zone d'étude. De 2000 à 2009, la progression est estimée à plus de 2% soit plus 295ha gagnées.

Contrairement à la décennie précédente, marquée par un important gain des forêts primaires, la deuxième décennie enregistre une perte de plus de 8291,16ha. Seuls 284430,78ha sont restés stables. La tendance reste cependant la même pour les cours d'eau. La classe perd encore un peu plus ses superficies entre 2000 et 2009, perte estimée à plus de 352,53 ha.

Le tableau 6 (aux annexes) décrit les changements survenus au cours de la troisième décennie (2009-2018). En effet, la progression des terres bâties et nues constitue le changement le plus remarquable de la dernière décennie. La superficie en 2018 est estimée à plus de deux fois supérieure que celle de 2009 (un gain de plus de 15283,08ha). La régression des classes forestières est aussi notable en cette décennie. Les forêts primaires et secondaires ont respectivement perdu 11717,64ha et 1315,53ha.

Comparée à la décennie précédente, la classe agricole connait une perte des superficies estimée à plus de 4427,01ha. La sous-section ci-dessous traite les différentes transitions interclasses survenues au cours de chaque décennie, à travers les matrices de transitions.

III.1.4. Les transitions interclasses

Le tableau 9 ci-dessous décrit les transitions interclasses survenues de 1986 à 1995

CD	FP	FS	CL.A	TBN	Somme lignes
98.91	0.51	0.08	0.24	0.12	100
0.22	95.41	2.15	1.65	0.49	100
0.03	63.39	19.28	14.38	2.89	100
0.44	41.52	9.71	28.08	20.22	100
0.42	0.5	23.9	48.56	26.5	100

La décennie 1986-1995 est caractérisée par d'importantes transitions. Les forêts primaires ont effet, plus bénéficié de ces transitions.

Elles gagnent, 63% des superficies de forêts secondaires (une importante succession), 41,52% des zones agricoles. Elles constituent aussi avec les cours d'eau, les classes les plus stables dans le temps et dans l'espace. Seuls 4,5% sont soumis aux transitions et 95,4% étant restés stables. Les terres bâties et nues, ainsi que les forêts secondaires constituent les classes les plus instables dans le temps et dans l'espace. Plus de 73,5% des terres bâties et nues transitent en d'autres classes au cours de cet intervalle de temps. Le tableau 10 ci-dessous présente les transitons interclasses survenues entre 2000 et 2009.

CD	FP	FS	CL.A	TBN	Somme lignes
98.58	0.72	0.07	0.13	0.46	100
0.17	88.82	6.20	3.15	1.40	100
0.02	48.37	27.18	21.06	3.35	100
0.01	16.55	40.26	35.35	7.81	100
0.02	0.54	26.29	42.73	30.39	100

Au courant de cette décennie, les forêts secondaires ont plus bénéficié des transitions. Elles gagnent 26% des bâtis, et 40% de la classe agricole. Les cours d'eau demeurent la classe la plus stable dans le temps et dans l'espace. Seuls 1,4% des superficies des cours d'eau, sont soumis aux transitions.

Les forêts secondaires constituent également la classe la plus instable, alors que les terres bâties et nues deviennent de plus en plus stables. Ces dernières, maintiennent intactes plus de 30% des superficies, et enregistrent des gains important notamment, 3% des forêts secondaires et plus de 7% de la classe agricole. Le tableau 11 ci-dessous présente les transitons interclasses survenues entre 2009 et 2018.

CD	FP	FS	CL.A	TBN	Somme lignes
98.79	0.98	0.03	0.11	0.07	100
0.76	91.33	3.18	2.22	2.48	100
0.26	40.76	26.02	20.62	12.30	100
0.08	9.93	10.63	47.58	31.75	100
0.81	0.67	5.17	43.14	50.18	100

La dernière décennie en étude est caractérisée particulièrement d'une forte stabilité des terres bâties et nues comparée aux précédentes. La classe est restée intacte à 50,18% et seuls 31,8% des superficies transitent à d'autres classes d'occupation. Elle gagne 31% des zones agricoles, 12% des forêts secondaires et 2% des forêts primaires. Ceci marque une importante progression de la classe.

Les forêts primaires gagnent 40% des forêts secondaires, et 9% des jachères et champs (classe agricole). Les forêts secondaires par ailleurs, constituent la classe la moins stable dans le temps et dans l'espace. 26% des superficies de la classe sont restés stables, et plus de 73% de classe sont soumis aux transitions.

Cette dernière décennie est aussi marquée par la stabilité des cours d'eau. La classe a demeuré stable à plus de 98%. La sous-section ci-dessous analyse les indices de la structure spatiale du paysage (analyse complémentaire à la dynamique paysagère).

III.1.5. Analyse de la structure spatiale du paysage

Cette sous-section analyse les indices de la structure spatiale du paysage. Comme mentionné ci-haut, deux éléments de la structure spatiale sont abordés : la composition et la configuration. La composition étant abordée ci-haut (différentes classes d'occupation du sol et leurs superficies respectives), cette sous-section se concentre particulièrement à la configuration du paysage, abordée à deux niveau : le niveau global (nombre des tâches) et le niveau spécifique (tâche par tâches).

a. Nombre des tâches par classes d'occupation du sol

La figure 17 ci-dessous présente le nombre de taches pour chaque classe d'occupation du sol au courant des années en étude.

				49949				46902

		22928			36056		36056
	22595	22928


1986	1995 Décennie_1		2000	2009 Décennie_2		2009	2018 Décennie_3

La figure 18 renseigne sur l'évolution du nombre des taches dans le paysage au courant des différentes années en étude.

Considérant cet indice, les deux premières années constitutives de la première décennie, sont globalement caractérisées par une faible fragmentation du paysage, 1995 disposant d'une légère supériorité en nombre de taches que 1986.

On constate par ailleurs, que l'année 2000 est globalement l'année au courant de laquelle le paysage a été fortement fragmenté avec une légère supériorité que l'année 2018. En termes de décennie, la deuxième est caractérisée par une défragmentation, le paysage en 2009 étant moins fragmenté qu'en 2000.

La troisième décennie est par contre, caractérisée par une fragmentation, le paysage en 2018 disposant de plus des taches qu'en 2009.

Au courant de trois décennies en étude, les classes forestières notamment, les forêts primaires ainsi que les forêts secondaires, constituent les classes les plus fragmentées dans l'espace. Elles sont suivies de la classe agricole et les terres bâties et nues. Ces dernières ont été fortement fragmentées régulièrement au courant de chaque décennie, à l'exception de la deuxième, marquée par une défragmentation.

b. Les autres indices de la structure spatiale

Le tableau 7, 8, 9 , 10 et 11 (aux annexes) présentent les autres indices de la structure spatiale du paysage. Ces indices complémentaires au nombre des tâches renseignent globalement sur la fragmentation des classes. Considérant la classe des forêts primaires, l'aire moyenne des taches, la dominance de tache, l'indice de forme indiquent autant que le nombre des taches, une forte fragmentation de la classe en 2000 et 2018. La plus petite valeur de l'aire moyenne et de la dominance ainsi que la plus grande valeur de l'indice de forme étant trouvées en 2000. Cette fragmentation de la classe des forêts primaires est aussi confirmée par le coefficient de variation. En effet, ce paramètre de dispersion montre que la forte variabilité des aires de taches (hétérogénéité) dans l'ensemble est observée en 2000 et 2018.

On remarque cependant une stabilité des forêts primaires en 1986 et 1995 comme la démontre la valeur de la dominance et de l'aire moyenne.

Eu égard à la classe des forêts secondaires, l'aire moyenne, le périmètre moyen et l'indice de forme autant que le nombre des taches, attestent une forte fragmentation de la classe en 2000. La plus petite valeur de l'aire moyenne et du périmètre moyen ainsi que la plus grande valeur de l'indice de forme étant observées en 2000. Les paramètres de dispersion n'attestent pas par contre, la forte variabilité des aires de taches en 2000. En effet, le coefficient de variation atteste une forte variabilité des aires de la classe en 1986 alors que la forte variabilité autour de l'aire moyenne est observée en 2009.

La fragmentation de la classe agricole en 2000 telle que démontrée par le nombre de tache, est confirmée par l'aire moyenne, la dominance, ainsi que le périmètre moyen. La plus petite valeur de l'aire moyenne, de la dominance et du périmètre moyen étant observée en 2000.

Concernant les bâtis et les terres nues, l'indice de forme autant que le nombre de tache, renseignent sur la fragmentation de la classe en 2018. Cela est appuyé par le coefficient de variation qui atteste une forte hétérogénéité des aires des taches en 2018.

Cependant, la dominance quant à elle, atteste la fragmentation de la classe en 2000. La plus forte variabilité autour de l'aire moyenne est de même observée en 2000. Alors que l'aire moyenne la plus petite s'observe en 1986.

Concernant enfin la classe des cours d'eau, l'aire moyenne et le périmètre moyen de même que le nombre de tache, attestent une forte fragmentation en 2018. La valeur la petite de l'aire moyenne et du périmètre moyen étant observée en 2018. Cela est également appuyée par le coefficient de variation qui atteste une forte hétérogénéité des aires de taches en 2018. Cependant la dominance des taches, atteste quant à elle une fragmentation de la classe en 1986 alors que la forte variabilité autour de l'aire moyenne est observée en 2000.

La sous-section ci-dessous présente les processus de transformation spatiales survenus au cours de trois décennies en étude.

c. Les processus de transformation spatiale du paysage

Le tableau 12 présente les différents processus de transformation spatiale survenues dans les classes d'occupation du sol.

Processus Décennie_1 (1986-1995) Décennie_2 (2000-2009) Décennie_3 (2009-2018)

Le tableau 19 renseigne sur les différents processus de transformation spatiale survenus au courant de trois décennies en étude. En effet, la première décennie est marquée par trois processus majeurs notamment la suppression : processus survenu dans la classe des forêts secondaires et la classe agricole ; la création : processus survenu dans la classe des forêts primaires ainsi que celle de terres bâties et nues et enfin la dissection : processus survenu dans la classe des cours d'eau.

La deuxième décennie autant que la première est marquée par trois processus majeurs. A l'opposé de la première, la deuxième décennie enregistre l'agrégation : processus survenu dans la classe des forêts secondaires, la classe agricole ainsi que la classe des terres bâties et nues. En note également la suppression : processus survenu dans la classe des forêts primaires et enfin la dissection : processus survenu dans la classe des cours d'eau.

La troisième décennie par contre, n'est marquée que par deux processus. On enregistre la création : processus survenu dans la classe des terres bâties et nues ainsi que la classe des cours d'eau et enfin la dissection : processus survenu dans la classe des forêts primaires, la classe des forêts secondaires et la classe agricole. La sous-section ci-dessous présente les résultats relatifs à la prédiction de l'occupation du sol.

III.1.6. Prédiction de l'occupation du sol

Cette partie s'attache à présenter des résultats relatifs aux scénarios pour le court, le moyen et le long terme de l'occupation du sol selon le contexte de la zone d'étude. Pour prédire l'occupation du sol, deux images de référence (1995 et celle de 2009) ont été utilisées pour calibrer le modèle LCM. La première analyse porte sur les changements de l'occupation du sol.

La figure 18 ci-dessous présente les gains et les pertes enregistrés dans chaque classe d'occupation du sol entre 1995 et 2009.

Fig18. Les gains et les pertes dans les classes d'occupation du son (1995-2009)

Ces gains et pertes estimés en hectare, décrivent une importante extension des classes anthropiques, notamment les terres bâties et nues ainsi que les zones de cultures (classe agricole). Les terres bâties et nues enregistrent des gains estimés à plus de 9.000ha, avec des pertes moins considérables. La classe agricole a quant à elle progressé à plus de 27000ha. Alors que les gains et pertes dans la classe des forêts secondaires sont restés relativement équilibrés, les forêts primaires ont par ailleurs régressé considérablement, perdant plus de 35000ha. La classe de cours d'eau enregistre de même des pertes de superficies au cours de cette période.

La figure 19 ci-dessous présente le changement net (la différence enregistrée entre les gains et les pertes) dans chaque classe entre 1995 et 2009.

Fig19. Changement net dans les classes d'occupation du son (1995-2009) Les résultats relatifs au changement net attestent que les forêts primaires, les cours d'eau constituent les deux classes ayant dans l'ensemble régressé au cours de cette période. La classe agricole, les terres bâties et nues se sont par ailleurs plus étendues que les autres.

La figure 20 ci-dessous présente la contribution des autres classes dans l'évolution des classes anthropiques.

Fig20. Contribution dans le changement net dans les classes anthropiques (1995-2000)

Les contributions des classes dans l'extension des terres bâties et nues sont considérables. En effet, la contribution des forêts primaires est estimée à plus de 3000ha. La contribution de la classe agricole est aussi non négligeable. Elle est estimée à plus de 1300ha.

Les forêts secondaires et les forêts primaires sont les seules classes à avoir plus contribué dans l'extension de la classe agricole. Les forêts secondaires à elles seules, perdent plus de 4000ha au profit de la classe agricole alors que les forêts primaires concèdent plus de 13000ha à l'agriculture. Les terres bâties et nues ont par contre, contribué dans la régression de ladite classe.

La figure 22 ci-dessous montre la carte réelle et prédictive de l'occupation du sol en 2018.

Fig.21. Carte réelle prédictive de l'occupation du sol en 2018 LCM A l'image de la carte de 2018, la distribution de l'occupation du sol dans l'image prédite semble visiblement avoir été assez correctement simulée. En effet, les forêts primaires sont réparties sur l'ensemble de la zone d'étude, et les cours d'eau demeurent stables.

On note cependant, une augmentation des taches de la classe agricole dans la partie Nord de la zone d'étude ainsi que l'extension des taches des terres bâties et nues dans la partie est. Des taches qui sont moins visibles dans l'image réelle.

Années/Classes	CD	TBN	FP	FS	CL.A	Carte réelle 2018 (ha)
18205.43	27419.49	272713.14	18173.7	27536.31	LCM 2018 (ha)
16454.34	21346.11	281187.05	19252.89	27951.93	% réels
4.9	7.4	74.2	4.9	7.4	% prédits
4.5	5.8	76,7	5.2	7.6

Avec 80% de la persistance observée (sur un total de 91%) entre 2009 et 2018 correctement prédits, et 3% des changements observés aussi correctement, la stabilité du modèle Land Change Modeler est validée. Ceci permet ainsi de réaliser les scénarios à court, moyen et long terme.

La figure 23 ci-dessous présente les cartes prédictives de l'occupation du sol à court (2038),

Fig.22. Les scénarios prédictifs de l'occupation du sol à court, moyen et long terme dans la région de Yangambi.

La figure 23 nous permet d'observer les probables variations spatiales futures de l'occupation du sol dans cette partie de la république. Elle démontre que l'expansion des zones urbanisées est assez forte particulièrement autour du fleuve Congo.

Visiblement les terres agricoles ont tendance à s'étendre au fil du temps. On aperçoit également une forte fragmentation des classes forestières, principalement les forêts primaires dans la partie Sud. La figure 2 (aux annexes), quantifie les possibles futurs taux de changement dans les classes d'occupation du sol.

De cela, on note une légère extension des forêts primaires entre 2018 et 2038, alors que les forêts secondaires régresseraient considérablement à la même période. Les cours d'eau perdent 9% de leurs superficies, et les classes anthropiques s'étendent. Les pertes forestières s'intensifiaient dans le moyen terme (2018 et 2058). L'extension des classes anthropiques demeurerait continuelle, alors que les cours d'eau se stabiliseraient. Le long terme (2018-2078), serait marqué par une forte régression des forêts primaires et une régression assez faible des forêts secondaires. Les classes anthropiques (classe agricole, terres bâties et nues) s'étendraient considérablement. Les figures 25 et 26 ci-dessous présentent respectivement la tendance d'anthropisation et le niveau de corrélation entre la régression forestière et l'anthropisation.

290886,84	290239,37	287082,63	284975,91




54955,8	58498,56	62655,3	64762,02

Ces figures renseignent sur une tendance future d'anthropisation du paysage en étude. Elles montrent en effet, l'existence d'une relation linéaire entre les classes anthropiques et les classes forestières la P-value étant différente de 0. Cette relation est de même forte, le coefficient de corrélation étant de 96,5%. Elle est cependant négative : l'augmentation des classes anthropiques entraine en conséquence la régression des classes forestières. Cette régression forestière est dépendante de l'anthropisation à plus de 93% (comme l'atteste le coefficient de détermination). La tendance future de déforestation est présentée dans la figure 27 ci-dessous.

La tendance future de déforestation dans la zone d'étude atteste une régression continuelle des forêts. Vingt ans après (le court terme), le taux de déforestation prédit demeure assez bas (0,011%). Par ailleurs, ce taux augmente de 0,032% entre 2018-2058 (le moyen terme) pour augmenter de plus, entre 2018-2078 (le long terme) et atteindre 0,033%.

La section et les sous-sections ci-dessous, traitent des résultats relatifs à la fluctuation spatio-temporelle des variables climatiques, leurs corrélations avec la dynamique forestière et enfin leur prédiction pour le court, le moyen et le long terme.

III.2. : FLUCTUATION DES VARIABLES CLIMATIQUES

III.2.1. Fluctuation spatio-temporelle des précipitations

La figure 28 et le tableau 24 ci-dessous présentent respectivement les courbes d'évolution des précipitations et les statistiques descriptives.

La figure 28 présente la fluctuation des précipitations au courant de trois décennies en étude. Ces courbes montrent une tendance d'équilibre de cumuls annuels des précipitations au courant de la première et de la troisième décennie. On peut cependant constater des fortes fluctuations des cumuls annuels des précipitations au courant de la deuxième décennie.

Cette figure atteste également que 2003 est l'année la plus pluvieuse ; alors que 2017 est l'année la moins pluvieuse durant les trois décennies en étude. La figure 29 et le tableau 26 ci-dessous présentent les statistiques descriptives relatives à la variabilité des précipitations.

La figure 27 et le tableau 14 décrivent complémentairement la variabilité des précipitations dans la zone d'étude. On peut ainsi, remarquer que la quantité moyenne des précipitations décennales diminuent de la première à la deuxième décennie, avec un écart de 46,33mm, pour augmenter à la troisième décennie. L'écart observé entre la première et la troisième décennie est de 5,03mm, alors que la deuxième et la troisième décennie s'écartent de plus de 51,36mm. Le cumul maximal annuel le plus élevé est observé dans la deuxième décennie, alors que le cumul minimal le plus élevé est quant à lui observé dans la première décennie.

Considérant les paramètres de dispersion, la première décennie enregistre les plus faibles écarts entre les cumuls annuels comme le montre la déviation standard et le coefficient de variation. La deuxième décennie enregistre par ailleurs, les écarts les plus élevés entre les cumuls annuels des précipitations. La figure 30 ci-dessous présente la fluctuation spatio-temporelle de la température.

III.2.2. Fluctuation spatio-temporelle de la température

La figure 30 présente la fluctuation de la température au courant de trois décennies en étude. Ces courbes de fluctuation, montrent une tendance d'équilibre de température moyenne annuelle au courant de la deuxième décennie.

On peut cependant constater des fortes fluctuations de la température au courant de la première décennie en dépit du fait que les valeurs moyennes annuelles de température y sont faibles. Cette figure atteste également que la moyenne annuelle la plus élevée de la température est observée à la troisième décennie précisément en 2016, alors que la moyenne annuelle la plus faible de la température est observée au courant de la première décennie précisément en 1994. La figure 31 et le tableau 15 ci-dessous présentent les statistiques descriptives relatives à la variabilité de la température au courant de trois décennies en études.

Les deux illustrations ci-haut, démontrent l'augmentation de la température moyenne autant que la température minimale et maximale, d'une décennie à l'autre. De la première à la deuxième décennie, on enregistre une augmentation de 0,34°C, alors que de la deuxième à la troisième décennie, l'augmentation est de 0,28°C. La première décennie enregistre la plus forte variabilité et les écarts les plus importants dans la fluctuation de la température. La sous-section ci-dessous présente les résultats relatifs à la prédiction à court, moyen et long terme des variables climatiques.

III.2.3. Prédiction des variables climatiques

La figure 33 ci-dessus présente les modèles qui ajustent la fluctuation des précipitations dans la zone forestière de Yangambi. Trois modèles sont comparés. Il s'agit du modèle exponentiel, du modèle linéaire et du modèle logarithmique. Pour tous les modèles testés, on observe l'existence d'une relation entre les précipitations et la superficie forestière (P-value étant supérieur de 0). Cependant, la corrélation positive entre ces deux variables s'avère très faible et identique pour tous les modèles. Aucun modèle ne semble bien ajuster la relation que l'autre. Ainsi, pour simuler la fluctuation des précipitations pour le court, le moyen et long terme, la présente étude applique tous les trois modèles.

La superficie moyenne des forêts au courant de la dernière décennie étant de 297403,425ha, et la perte décennale moyenne étant estimée à 5633,99ha, la tendance future des précipitations est prédite en considérant ces variations forestières. La figure 34 ci-dessous présente les tendances pour le court, le moyen et long terme des précipitations.

La figure 34 ci-dessus présente la situation approximative des précipitations à court, moyen et

1795,96		1822,63	1832,75
1799,47		1824,14		1836,14
	1806,52		1827,07	1839,52

Fig.31. Tendances des précipitations à court, moyen et long terme Tous les trois modèles appliqués, attestent une diminution des précipitations. Le modèle exponentiel semble plus pessimiste que tous les autres. Il atteste des fortes diminutions pour le court, le moyen et le long terme. Le modèle linéaire et logarithmique par contre, montrent des diminutions un peu moins fortes. Globalement, la tendance future des précipitations serait d'une diminution. Pour le long terme, les précipitations annuelles moyennes fluctueraient entre 1795 à 1832mm.

La figure 35 ci-dessus présente les modèles qui ajustent la fluctuation de la température dans la zone forestière de Yangambi. Trois modèles sont comparés. Il s'agit du modèle exponentiel, du modèle linéaire et du modèle logarithmique. Pour tous les modèles testés, on observe l'existence d'une relation entre la température et la superficie forestière (P-value étant supérieur de 0). On observe également une forte corrélation bien que négative, entre ces deux variables de manière identique pour tous les trois modèles. Ainsi, pour simuler la fluctuation de la température pour le court, le moyen et long terme, l'étude applique tous les trois modèles. La figure 36 ci-dessous présente les tendances pour le court, le moyen et long terme de la température.

La figure 35 ci-dessus présente la situation approximative de la température à court, moyen et long terme dans la zone d'étude.

Fig.33. Tendances de la température à court, moyen et long terme Tous les trois modèles appliqués, attestent une tendance globale d'augmentation de la température. Alors que le modèle exponentiel et le modèle linéaire aboutissent au même résultat pour le court, le moyen et le long terme, le modèle logarithmique parait par ailleurs plus pessimiste pour le long terme. Il est le seul à prédire une température annuelle moyenne de plus de 25,3°C pour le long terme.

III.3. Les moteurs de déforestation dans la zone d'étude

III.3.1. Moteurs de déforestation pondérés aux enquêtés

La figure 34 présente la pondération de moteurs de déforestation aux enquêtés.

157

109


	48

		12	12
				0	5	5	0

Les résultats attestent une forte dominance des agriculteurs dans la zone d'étude. Plus de 90% des enquêtés sont des agriculteurs. Seuls 6,8% des enquêtés représentent les exploitants artisanaux des bois énergie, et 2,8% représentent les exploitants artisanaux des bois d'oeuvre. On note également une forte contribution des femmes dans l'agriculture itinérante sur brulis, contribution estimée à plus de 30,5%, contrairement à d'autres moteurs de déforestation. Aucune femme parmi les enquêtés, n'a pour activité principale la fabrication des braises et/ou l'exploitation artisanale des bois d'oeuvre.

III.3.2. Variabilité des surfaces forestières perdues pour chaque moteur

Le tableau 27 ci-dessous présente la variabilité ainsi que les mesures descriptives des surfaces forestières perdues pour chaque moteur de déforestation.

Tableau 16 : surfaces forestières perdues par chaque moteur de déforestation

Renseignant sur les surfaces perdues pour chaque moteur de déforestation dans la zone d'étude, le tableau 27 atteste qu'un agriculteur détruit en moyenne 1.09ha des forêts sur une année, alors qu'un exploitant artisanal des bois énergie et celui de bois d'oeuvre détruisent respectivement en moyenne, 0.019ha et 0.012ha par an.

Les mesures de dispersion attestent une variabilité assez élevée autour de la valeur moyenne ainsi que des écarts assez importants pour l'agriculture itinérante sur brûlis.

Les informations assorties du tableau 28 renseignent sur le temps de jachère, le nombre de champs par an et la distance au champs. En effet, le temps moyen de jachère dans la zone d'étude est estimé à 44 mois (trois ans et huit mois), alors que le maximal est estimé à plus de 12ans. Cependant, il existe des agriculteurs dans la zone d'étude, qui ne mettent pas en repos leur terrains. La variabilité des temps de jachère autour du temps moyen est très importante comme le démontre la valeur de la variance. Au regard du nombre des champs par année, les résultats attestent qu'en moyenne, un agriculteur peut couper 2 champs par an. Les extrêmes peuvent être 4 et 1. Cependant, la distance moyenne de la maison au champs est estimée 3km. Les distances extrêmes se situent entre 25 et 0.001km. La figure 37 ci-dessous présente les avis des enquêtés en rapport avec l'évolution spatio-temporelle des distances aux champs.

Une bonne partie des enquêtés, proche de la moitié, estime que les distances aux champs tendent à une augmentation d'une année à l'autre. La stabilité des distances aux champs est en effet, la deuxième tendance la plus soutenue par les enquêtés. Vient enfin, la tendance de diminution, soutenue par une frange des enquêtés.

Le tableau 29 et la figure 38 ci-dessous présentent les autres variables liées à l'exploitation artisanale des bois énergie.

La production des braises pour des besoins d'énergie dans la zone d'étude, nécessite en moyenne 2 fosses de carbonisation par producteur, 4 et 1 fosses étant des extrêmes. Par fosse de carbonisation, la moyenne d'arbres est estimée à 2. Cependant, le nombre d'arbres par fosse, reste très variables comparé au nombre de fosse par producteur.

Fig.36. Type forestier sollicité pour l'exploitation des bois énergie Les bois exploités pour la production des braises dans la zone d'étude sont majoritairement issus des forêts primaires comme le montre la figure ci-dessus. La contribution des forêts secondaires et des jachères est plutôt moins considérable.

CHAPITRE IV : DISCUSSION GENERALE ET PERSPECTIVE

IV.1. Approches méthodologiques

Cette première section discute sur les différentes approches méthodologiques utilisées pour atteindre les différents objectifs poursuivis tout au long de cette étude.

IV.1.1. De l'imagerie Landsat aux analyses du SIG

La télédétection offre une immense source de données pour étudier la variabilité spatiale et temporelle des paramètres environnementaux. Elle peut fournir des informations synoptiques en temps opportun pour l'identification et la surveillance des grandes zones géographiques qui sont difficilement accessibles par d'autres moyens (Smith, 2012). Dans le même sens, l'imagerie landsat constitue un appui de grande importance pour les études de la dynamique spatio-temporelle des paysages.

Cependant, le recourt à l'imagerie landsat est entaché d'un certain nombre d'avantages et de désavantages qui de fois, sont des facteurs limitants pour la génération des résultats meilleurs. Les déformations géométriques des images, les effets de lumière et des nuages, la faible résolution spatiale sont autant des facteurs limitant pour certaines études qui font recours aux images landsat. Ces problèmes souvent récurrents, entrainent des nombreux questionnements dans la sphère scientifique : les recherches à bases de l'imagerie landsat sont-elles fiables ? la résolution spatiale de 30m ne serait-elle pas limitant pour la stratification spatiale ?

Ces diverses questions trouvent cependant des réponses dans le processus d'analyse adopté pour les images landsat par chaque chercheur. Généralement, en termes d'utilisation de la télédétection, plus particulièrement l'utilisation des images Landsat, la définition des types de catégories de l'occupation du sol doit respecter certaines conditions :

Dans cette étude, un des objectifs de recherche est la quantification de la dynamique spatio-temporelle du paysage. Les données de l'occupation du sol sont utilisées comme une source principale qui alimente les analyses. Pour cela, les catégories d'occupations prioritairement étudiées, doivent distinctement être mises en évidence. Dans le cadre de cette étude, il s'agit entre autre de : forêts primaires, forêts secondaires, la classe agricole, les terres bâties et nues ainsi que les cours d'eau.

Elles représentent les caractéristiques de l'état actuel de l'occupation du sol pour la zone d'étude.

En effet, la zone d'étude (région de Yangambi) se distingue par son caractère très boisé (plus de 70% de l'occupation du sol en chaque date). En outre, le territoire d'étude est occupé également par des zones agricoles, des zones urbanisées, des plans d'eau et des zones humides. En ceci, chaque composante du territoire, dispose d'une réflectance particulière qu'il importe de pouvoir les distinguer, les unes aux autres préalablement sur les composites colorées.

Ces conditions sont présentes dans la littérature à travers les études d'Anderson et al, (1971). Elles comprennent :

? Le niveau minimum d'exactitude d'interprétation dans l'identification de l'utilisation des terres et des catégories d'occupation du sol à partir des données de télédétection. Celui-ci doit être supérieur à 85 % ;

? Un système de classification adapté pour l'analyse diachronique des données satellites multi-temporelles. Au vu de la bonne connaissance du milieu, d'un recours aux images Google earth ainsi que des points GPS, la présente étude a opté pour la classification supervisée.

? Il est également important d'utiliser les autres données obtenues à partir des levés au sol ou des cartes à plus grande échelle pour l'amélioration des résultats de la classification. Au-delà des conditions ci-haut, la présente recherche soutient une condition qui vient à l'appui de ces dernières : la recherche d'une meilleure composition colorée. En effet, le caractère meilleur d'une composition colorée doit être fonction d'objectif poursuivi. Certaines bandes sont plus aptes à rehausser la végétation alors que d'autres le sont moins.

Une étude à l'instar de celle-ci, qui capitalise l'intérêt de ces conditions, aboutirait à des résultats très satisfaisant, limitant certains faits dubitatifs liés à l'évolution spatio-temporelle des paysages, tels que certaines transitions écologiquement impossibles.

En dépit du respect scrupuleux des conditions évoquées ci-haut, il demeure nécessaire de procéder à l'évaluation des résultats de la classification. Cependant, un processus de classification bien préparé en amont (ayant bien observé les conditions prescrites ci-haut), aboutirait à des meilleurs résultats d'évaluation. Ainsi, les différentes classifications réalisées pour le compte de cette étude ont toutes été dans une marge jugée très bonne, la valeur de l'indice Kappa étant pour chaque date loin supérieure à 81% (Landis et Koch., 1997).

L'obtention de ces précisions satisfaisantes a été nécessaire pour la suite des analyses de la dynamique spatio-temporelle du paysage.

Une des analyses indispensables dans les études de la dynamique des paysages, particulièrement des paysages forestiers, est la quantification du taux de déforestation. Actuellement, plusieurs équations existent pour cette fin. L'équation proposée par catalan (1991) a en effet, été appliquée pour le compte de cette étude. Le choix porté sur cette équation est justifié par des motifs tels que : l'existence d'une table de qualification du taux de déforestation obtenu, la prise en compte dans l'équation, du temps compris entre les deux années d'observation, et enfin, l'interprétation plus pragmatique des résultats : les valeurs positives indiquant la perte, les valeurs négatives quant à elles, traduisant la reconstitution forestière.

La quantification spatio-temporelle de la déforestation a été appuyée par la matrice de transitions. Le choix porté sur la matrice de transition s'est au fil de la recherche avérée nécessaire non seulement pour la quantification des transitions entre les classes, mais aussi pour la description et justification des taux de déforestation enregistrés. Dans le même sens, la matrice de transition a aussi été utilisée dans cette étude, comme une mesure de la précision des classifications. En effet, une matrice de transition issue des images bien classifiées, aurait moins des transitions écologiquement impossibles. A titre illustratif, le passage en un pourcentage important des terres nues aux forêts primaires, dans une échelle temporelle de 10 ans, est écologiquement impossible, d'autant plus qu'il faut suffisamment du temps (plus de 70ans) pour qu'une terre mise à nus se reconstitue en forêt primaire. Plusieurs auteurs dont Schlaepfe., (2002), Bamba et al., (2010) ont recouru à la matrice de transition pour mettre en évidence les changements d'occupation du sol survenus pendant une période donnée.

L'analyse de la dynamique historique du paysage a été enrichie par les indices de la structure spatiale ainsi que par l'arbre à décision de Bogaert et al., (2004) qui identifie les processus de transformations spatiales du paysage. Il s'agit en effet, des indices capables de bien décrire la fragmentation et/ou la dégradation du paysage.

Le land change modeler (LCM) a enfin été utilisé comme outil de modélisation de la dynamique prospective de l'occupation du sol. Le choix porté sur le land change modeler parmi tant d'autres possibilités, s'appuie sur le fait que ce dernier permet de comprendre les gains, les pertes, et les zones de transition de différentes catégories de l'occupation du sol. Il permet également de quantifier les changements survenus du temps 1 au temps 2 (Tewolde et Cabral.,2011) cités par (Van-Tuan NGHIEM., 2014) et enfin, il peut simuler les changements de plusieurs catégories à la fois contrairement à GEOMOD par exemple, qui ne peut simuler que deux catégorie d'occupation du sol.

IV.1.2. Fluctuation climatique : question d'inférence ou de la description statistique ?

La méthode statistique est un des moyens essentiels de la connaissance. Pour qui quiconque veut analyser une situation en vue d'un jugement motivé ou prendre une décision en fonction d'éléments objectifs, il est difficile d'ignorer les statistiques.

Dans le contexte d'une variation d'éléments climatiques, l'apport des statistiques restent incontournable. Cependant, faut-il analyser la variation d'éléments climatiques exclusivement sur base des méthodes d'inférence statistique qui s'appliquent globalement sur les problèmes d'estimation, les problèmes de test d'hypothèse et les problèmes de modélisation et prédiction des variables ? ou doit-on par ailleurs orienter les analyses en se basant sur les paramètres descriptifs des échantillons ?

Les résultats trouvés par (Amani M et al.,2010), montrent l'intérêt d'appliquer les statistiques descriptives dans les analyses de la variabilité climatiques et les impacts sur les autres composantes environnementales. En ceci, la tendance évolutive d'une variable climatique peut s'avérer statistiquement la même, sans différence significative aucune, alors que les effets environnementaux demeurent nettement différents.

Dans le cadre de cette étude, les paramètres descriptifs ont été appliqués pour décrire la variabilité spatio-temporelle des éléments climatiques. Les méthodes d'inférence statistique ont cependant été nécessaires dans les questions de prédiction climatique.

IV.1.3. L'approche DPSIR : intérêt d'une approche participative

Pour décrire les facteurs de déforestation dans la zone d'étude, le modèle de l'Union Européenne (UE) D-P-S-I-R (forces motrices (drivers) - pressions - état (state) - impacts - réactions) a été adopté.

Comparée à d'autres techniques d'identification des facteurs de déforestation, exclusivement basées sur les informations recueillies auprès des enquêtés, l'approche DPSIR parait plus complète. Son intérêt réside d'une part, dans la prise en compte des indicateurs facilement mesurables sur terrain, pour chaque moteur de déforestation et d'autre part, dans la participation de la population intéressée dans le processus d'identification des moteurs de déforestation. L'approche DPSIR est une méthode qui a été largement utilisée par les auteurs Tuner, 1989 ; Pierce, 1998 ; Agyemang et al., 2007 ; Camanho et al., 2010, cités par UICN-PC (2014).

IV.2. Résultats d'étude

IV.2.1. Dynamique historique et prospective du paysage

Les classifications d'images satellitaires de 1986, 1995, 2000, 2009 et 2018 regroupées en trois décennies, ont permis d'identifier les changements historiques d'occupation du sol dans la zone d'étude. En dépit d'une régression forestière observée, la zone d'étude est nettement dominée par les classes forestières, les forêts primaires en particulier. Une dominance qui serait liée aux multiples efforts de conservation de la biodiversité fournis par plusieurs institutions en place principalement, l'Institut National d'Etudes et Recherches Agronomiques (INERA).

Les taux de déforestation observés d'une décennie à l'autre attestent une régression des surfaces forestières dans la zone d'étude. En première décennie (1986-1995), le taux est estimé à 0,007 % par an. Moins alarmant, cette situation serait probablement liée à une faible densité de la population, et à des multiples rébellions ayant survenu à cette époque. Ce taux augmente sérieusement à la deuxième décennie (2000-2009) pour atteindre un seuil de 0,13%. Un seuil identique à celui trouvé par (S. Katembera Ciza et al.,2015) dans la zone forestière d'Isangi entre 2002 et 2010. Il s'agit d'une circonscription spatiale qui partage un bon nombre de villages que notre zone d'étude. A l'image de la deuxième décennie, la déforestation augmente de plus en plus à la dernière décennie (2009-2018) et atteint un seuil de 0,4%. Une perte annuelle légèrement supérieure à la moyenne nationale qui oscille entre 0,2 et 0,3 % ces vingt dernières années (GTCR, 2012 ; OFAC,2012) et atteint par ailleurs le rythme amazonien (Demaze 2007). A l'échelle locale, cette perte forestière au rythme amazonien s'expliquerait par une augmentation de la densité de la population très attachée aux activités destructives de la forêt comme le montre la figure 36. Selon le rapport administratif du district de la Tshopo (actuelle province de la Tshopo) de 2009, cette population s'estimait à environ 67,794habitants avec une densité de 17habitants/Km². De 1999 à 2009, cette population autour de la réserve de biosphère de Yangambi montre un accroissement absolu de l'ordre de 6hab/Km² soit un taux de croissance annuelle moyen de 4,1%. De plus, l'agriculture traditionnelle, dans la plupart des régions d'Afrique, est la culture itinérante. Cependant, à partir du moment où la densité de population atteint et dépasse certaines limites critiques, la période de jachère se raccourcit (tableau 17), et la végétation se dégrade, souvent irréversiblement (Kio, 1984).

Au courant de deux dernières décennies, les transitions d'autres classes vers les classes anthropiques ont été considérables. Les variations des superficies gagnées au profit de l'agriculture ont été importantes.

On observe entre 2000 et 2009 des pertes de 3,15% et de 21,06% respectivement de forêts primaires et forêts secondaires au profit de la classe agricole. De même, plus de 2% et plus de 20% respectivement pour les forêts primaires et les forêts secondaires transitent au profit de l'agriculture entre 2009 et 2018.

Le plus grand danger observable sur le paysage dans cette dynamique historique est la réduction sensible des forêts secondaires. Il s'agit en effet du type forestier qui doit assurer la succession dans le paysage. Ce sont les forêts secondaires qui reconstitueront la forêt dense. Elles constituent le passage obligé vers l'état climacique dans un écosystème forestier (OIBT, 2002). La baisse de leur taux est un signe de perturbation pour la restauration de l'écosystème.

Au-delà de la succession, ce type forestier joue également un rôle très important dans la séquestration de CO2. Il s'avère ainsi, nécessaire de circonscrire dans le temps et dans l'espace, les activités anthropiques afin de limiter la régression alarmante des forêts secondaires. Pour cela, la conception et la mise en oeuvre d'un plan d'aménagement durable, constitue une condition sine qua non.

Les diverses analyses liées à la dynamique historique du paysage telles que discutées ci-haut ont été complétées par le calcul des indices de la structure spatiale du paysage. Ces indices ont permis de mettre en évidence la configuration spatiale des taches des classes dans le paysage. En effet, un total de 11 indices de la structure spatiale du paysage plus deux paramètres de dispersion (la variance et le coefficient de variation) ont été calculés.

Quatre principaux constats ont été enregistrés dans l'analyse de la structure spatiale du paysage. Le premier est celui d'une complémentarité dans l'interprétation des résultats des indices. Ceci étant, l'aire moyenne, la dominance des taches et l'indice de forme tous complémentaires au nombre des taches, ont approuvé la forte fragmentation des forêts primaires en 2000. Il s'agit également du début d'une période au courant de laquelle, plus de 3% des forêts primaires sont alloués à l'agriculture, un de principaux facteurs de fragmentation.

Cette fragmentation des forêts primaires est de même justifiée par le coefficient de variation. La classe étant fortement fragmentée, les agrégats isolés enregistrent des écarts importants en termes de surface occupée. En conséquence, l'hétérogénéité des aires de taches demeure élevée. Le deuxième constat se rapporte à l'opposition des résultats de certains indices pour certaines classes d'occupation du sol. Ce deuxième constat, traduit en effet, la complexité d'analyser la configuration de certaines classes afin de déduire leur tendance de fragmentation (dégradation) ou de défragmentation.

En effet, l'aire moyenne, le périmètre moyen, l'indice de forme autant de que le nombre de taches ont attesté la fragmentation de la classe des forêts secondaires en 2000. Un processus qui n'est pas par contre approuvé pour la même date et la même classe, par la dominance, et les paramètres de dispersion. En considérant la dominance, la classe des forêts secondaires serait fortement fragmentée en 2018.

Toutes ces complémentarités et oppositions de certains indices dans l'analyse de la structure spatiale du paysage, renseignent sur la nécessité d'utiliser plusieurs indices pour caractériser la structure spatiale d'un paysage puisqu'un seul indice ne peut résumer à lui seul, toute la complexité de l'arrangement spatial des taches (Dale et al.,1994).

Le troisième constat quant à lui, se rapporte à la valeur de l'aire minimale qui est identique pour toutes les classes, alors que le quatrième constat se réfère à la valeur du périmètre minimal, identique pour toutes classes.

En effet, la valeur identique pour toutes les classes de l'aire minimale serait l'équivalent de la résolution spatiale (30m) des images Landsat. La surface d'un pixel étant de 900m² rapportée en hectare, cette surface serait de 0,09ha. Il en est de même pour le périmètre minimal. En effet, 30m de côté pour un pixel, multipliés par 4 justifie en fait, le 120m pour tous les périmètres minimaux.

L'utilisation du dendrogramme de Bogaert et al., (2004) a été très nécessaire pour éclairer certains résultats de la dynamique historique du paysage. A la différence des indices structuraux, le dendrogramme analyse les processus de transformation spatiale en considérant deux dates distinctes.

En effet, les résultats de cette analyse attestent que la reforestation enregistrée entre 1986 et 1995 dans la classe des forêts primaires serait entre autre liée à la création des taches. Alors que la forte déforestation enregistrée dans la classe des forêts secondaires serait liée à la suppression des taches. Considérant l'instabilité politique du pays entre 1986-1995, limitant une activité agricole intensive, le processus de suppression des forêts secondaires ne serait pas probablement lié à l'action humaine. Il serait probablement lié à la succession (le passage des forêts secondaires aux forêts primaires).

On peut de même constater que la déforestation des forêts primaires dans la deuxième et la troisième décennie serait entre autre attachée au processus de suppression, et de dissection que connaitra la classe respectivement à la deuxième et troisième décennie. Des processus qui, considérant le contexte du pays en ces intervalles de temps, marqué par le début d'une stabilité politique, seraient liés aux activités anthropiques.

Au regard de la dynamique prospective du paysage, en dépit des quantités proches de la réalité, le modèle Land Change Modeler (LCM) présente dans l'ensemble, quelques difficultés à prédire les changements entre 2009 et 2018 comme on peut observer les écarts dans certaines classes. Toutefois il confirme les tendances d'évolution observées entre 2009 et 2018 : les terres bâties et nues (avec 5,2% dans la prédiction de 2018) sont largement plus étendues qu'en 2009 ; la classe agricole (avec 7,6% dans la prédiction) demeure moins étendue qu'en 2009 ; les forêts primaires (avec 76,7%) demeurent également moins étendues qu'en 2009 ; les forêts secondaires (avec 5,2%) conservent la même tendance de réduction que celle observée entre 2009 et 2018 dans le réel. L'analyse des changements, aussi bien à l'échelle des classes anthropiques qu'au niveau des classes forestières met donc, en exergue des résultats intéressants qu'il convient de nuancer. Ceci est imputable à la part importante de la constance observée et simulée (80 %).

Ainsi, considérant l'allure de la perte forestière telle que démontrée dans la dynamique historique, associée à la croissance démographique, à la forte activité agricole, la perte continuelle des forêts (figure 25) et l'extension continuelle des classes anthropiques (figure 23) telles que prédites pour le court, moyen et long terme demeurent logiques et acceptables.

Les limites du modèle peuvent ici se résumer principalement dans la disponibilité des données mobilisées. Certains auteurs ont montré que l'ajout de données supplémentaires pouvait être limité par leur nature non quantifiable et leur indisponibilité en format digital (Schneider, Pontius, 2001) cités par Mas et al., (2011).

La complexité du système forestier dans la zone forestière de Yangambi ne peut effectivement se résumer à un nombre restreint de facteurs. Nos entretiens ont permis d'identifier des facteurs politiques et institutionnels (pauvreté, chômage, conflits, coût de la terre, etc.), des facteurs démographiques (migration, distribution de la population), des facteurs culturels (consommation des ménages) ... La question qui se poserait pour les recherches futures est alors celle de savoir, la prise en compte de la totalité hypothétique des variables explicatives permettrait-elle une précision optimale de la prédiction ?

IV.2.2. Fluctuation historique et prédictive des variables climatiques

Cette sous-section discute particulièrement sur les résultats obtenus relatifs à la fluctuation historique et prédictive des variables climatiques notamment la température et les précipitations, dans la zone forestière de Yangambi.

En effet, les principaux résultats relatifs à la fluctuation historique des précipitations ont attesté une diminution des précipitations de la première à la deuxième décennie avec un écart de 46,6mm et, une augmentation de la deuxième à la troisième décennie avec un écart de 51,36mm. La fluctuation historique des précipitations n'est donc pas orientée vers un sens unique, même si la tendance globale, en considérant les deux extrémités (la première et la dernière décennie) serait celle d'une augmentation. A l'échelle régionale, le même constat, celui d'une tendance marquée soit par une hausse soit par une baisse des précipitations, est observée par plusieurs chercheurs.

En effet, Aguilar et al., (2009) observent une tendance à la hausse des précipitations totales de 31 mm/décennie entre 1955 et 2006 alors que Mahé, (1993) précise que les plus fortes baisses des hauteurs de précipitation ont été observées pendant la décennie 1968-1980 et n'ont pas la même intensité à travers toute la région. Dans le sud du Cameroun et au Congo, la baisse des précipitations a persisté jusqu'en 1990. Par ailleurs, au Gabon et en RCA, on a observé une hausse respectivement après 1980 et 1985. Au regard de ces observations historiques, la diminution et/ou l'augmentation des précipitations dépendrait d'une échelle temporelle à l'autre et d'une échelle spatiale à l'autre.

Les observations prédictives des précipitations issues des trois modèles, montrent une tendance générale à la baisse dans la zone forestière de Yangambi. Les modèles linéaire et logarithmique montrent des fluctuations un peu plus rapprochées aux fluctuations historiques analysées, alors que le modèle exponentiel prédit une forte diminution des précipitations.

Eu égard à ces résultats, il convient de mentionner qu'à l'échelle globale, les résultats de différentes simulations relatives aux précipitations, sont moins robustes que ceux concernant la

température (Haensler A et al.,2013). Certains modèles prévoient un accroissement des
précipitations dans la majeure partie du Bassin du Congo, tandis que d'autres modèles anticipent une diminution des précipitations dans les mêmes zones.

La fluctuation des précipitations corrélée à la dynamique forestière dans la zone de Yangambi, montre l'existence d'une relation (la P- value étant supérieure à 0).

Cette relation serait cependant, très faible au vu d'une faible corrélation (r = 1,3%) comme l'ont montré tous les modèles et d'une très faible dépendance des précipitations à la superficie forestière (r² = 0,02%) comme l'a attesté le modèle linéaire.

Ces mesures statistiques traduisent le fait que la superficie forestière prise seule, comme variable explicative, serait loin d'expliquer la variabilité des précipitations dans la zone forestière de Yangambi. Il s'avère donc nécessaire pour les recherches futures, de pouvoir ajuster le modèle prédictif des précipitations en ajoutant d'autres variables pour mieux expliquer la variabilité des précipitations.

Concernant la fluctuation historique de la température moyenne, la tendance est celle d'une augmentation d'une décennie à l'autre avec des écarts d'au moins 0,34°C entre la première et la deuxième décennie, 0,28°C entre la deuxième et la troisième décennie. Cette tendance à la hausse, tend à se confirmer pour la région d'Afrique centrale. En effet, au Congo, sur la période allant de 1950 à 1998, les températures ont augmenté de 0,5 à 1°C pendant les décennies 1980 et 1990 (Samba-Kimbata M.J., 1991). A l'échelle planétaire, d'après le dernier rapport du Groupe d'experts Intergouvernemental sur l'Evolution du Climat (GIEC), la température moyenne mondiale a augmenté de 0,85°C entre 1880 et 2012. Chacune de trois dernières décennies a été plus chaude que la précédente et que toutes les autres décennies depuis 1850. Ces augmentations de la température peuvent être liées à plusieurs causes. A l'échelle locale, dans le contexte de la zone forestière de Yangambi, l'hypothèse à soutenir serait la déforestation. En effet, la conversion des forêts en terres agricoles et autres types d'utilisation du sol accroît la portion de sol nu exposée aux rayons du soleil et donc accroît l'albédo, ce qui diminue la radiation solaire absorbée par la surface, mais par contre, entraine un réchauffement de la surface.

Les observations prédictives de la température pour la zone forestière de Yangambi sont plus robustes que celles de précipitations au vu d'une forte corrélation avec la couverture forestière (r = 82%) comme l'ont attesté tous les trois modèles.

En effet, tous les modèles approuvent une tendance globale d'augmentation. Cette tendance corrobore à celle soutenue par le GIEC. Les différents modèles simulent une augmentation des températures (entre 2 et 6°C) à l'horizon 2050-2100 (IPCC, 2013). Cette augmentation simulée varie suivant les régions du globe et selon les scénarios.

Cette tendance s'accompagne d'une augmentation des chaleurs extrêmes (par exemple, la température des journées les plus chaudes a semblé augmenter d'environ 0,25°C par décennie) et une diminution de la fréquence des vagues de froid (Aguilar E. et al, 2009).

Avec la déforestation accélérée à l'échelle de la zone forestière de Yangambi, la quantité de Gaz à effet de serre pourrait augmenter, et entrainer un réchauffement. Dans ce contexte, une des perspectives serait d'évaluer la quantité de GES dégagée par surface forestière perdue à l'échelle de la zone forestière de Yangambi.

IV.2.3. Les moteurs de déforestation

Cette sous-section discute sur les résultats obtenus relatifs aux facteurs de déforestation dans la zone forestière de Yangambi.

La déforestation a pour corollaire la disparition de la diversité animale et végétale. Les causes de cette déforestation ne font pas l'unanimité parmi les chercheurs. Selon UICN-PC (2014), certains chercheurs blâment la croissance démographique (Allen et Barnes, 1985 ; Amelung et Diehl, 1992 ; Cropper et Griffiths, 1994 ; Ehrhardt-Martinez, 1998 ; Mather et Needle, 2000) et l'agriculture itinérante sur brulis par les petits paysans (Amelung et Diehl, 1992 ; Myers, 1993 ; Ranjan et Upadhyay, 1999). D'autres, par contre, affirment que plusieurs causes interagissent et entraînent la disparition des forêts tropicales (Rudel et Roper, 1996 ; Bawa et Daynmandan, 1997 ; Mather et al., 1998 ; Angelsen et Kaimowitz, 1999). Enfin d'autres se concentrent sur les politiques mal inspirées des gouvernements et sur les activités des grandes sociétés ou des grands propriétaires terriens. Les forêts subissent différentes pressions qui aboutissent soit à leur disparition (déforestation) soit à une modification profonde de leur physionomie (dégradation).

La présente recherche, à travers une pré-enquête, a pu identifier 3 principaux facteurs de déforestation dans la zone forestière de Yangambi. Il s'agit de l'agriculture itinérante sur brûlis, de l'exploitation artisanale de bois énergie et enfin, de l'exploitation artisanale de bois d'oeuvre. La figure 36, présente la pondération des facteurs de déforestation aux enquêtés. On peut cependant observer une forte prédominance de l'agriculture itinérante sur brûlis. La grande partie de la population est dépendante des produits issus de l'agriculture. Dans la zone forestière de Yangambi, le Manioc, le Riz, le Haricots sont les principaux produits cultivés.

A l'échelle d'une année, un agriculteur dans la zone forestière de Yangambi transforme en moyenne 1ha des forêts à des espaces agricoles, et coupe en moyenne 2 champs (tableau 17). La durée moyenne de jachère en cette zone est très réduite. Elle estimée à 3 ans (tableau 17).

En effet, l'agriculture dans cette zone est caractérisée par l'usage de variétés non améliorées et une mauvaise gestion de la fertilité du sol (Mpoyi et al., 2013) cités par (S. Katembera Ciza et al.,2015).

Dans ce contexte de faible productivité, la conversion des terres forestières à l'agriculture s'accélère et la durée de jachère diminue, les distances aux champs ne font qu'augmenter (figure 35), ce qui entraine de plus en plus la régression des agrégats forestiers.

En plus des activités agricoles, c'est l'exploitation de bois énergie (bois de chauffage, charbon de bois) qui exerce la plus forte pression sur ces forêts (figure 34). En moyenne, cette activité entraine une perte annuelle de 0,019ha pour un exploitant artisanal (tableau 16). Elle plus réalisée dans les forêts primaires que n'importe quel autre type forestier (figure 36).

Dans les pays du bassin du Congo, plus de 90 % du volume total de bois récolté sert de bois de chauffage (Marien, 2009). Dans la zone forestière de Yangambi, la collecte de bois de chauffage est destinée à la consommation locale et non à l'exportation. Les principaux facteurs qui favorisent son utilisation sont sa capacité à cuire rapidement les aliments et sa disponibilité sur place. La population considère le bois de chauffage comme gratuit et, par conséquent, accessible par tous. Toutefois, l'impact de ce prélèvement reste faible et il est compensé par la régénération naturelle. Le charbon de bois produit dans la zone forestière de Yangambi est exporté vers Kisangani (90 km).

Enfin, on enregistre une pression assez faible de l'exploitation artisanale de bois d'oeuvre dans la zone forestière de Yangambi. Le tableau 26 atteste une perte moyenne annuelle estimée à 0,012ha pour un exploitant. Les produits issus de cette activité sont généralement consommés au niveau local. Il s'agit souvent des pirogues, des mortiers à bois, des chaises, des tables...

CONCLUSION GENERALE ET SUGGESTIONS

Dans ce mémoire de master un grand nombre de thématiques (foresterie, changement climatique, écologie du paysage) et disciplines techniques (télédétection, SIG, modélisation spatiale, statistique) ont été abordées. Cette pluridisciplinarité est indispensable pour toute évaluation de l'impact environnemental des activités humaines. La finalité de ce travail était de contribuer à la prédiction des scenarios paysagers et climatiques en fonction de la dynamique historique du paysage. Ceci en vue d'entreprendre les mesures de gestion efficaces capables de limiter tous les risques prévisibles.

Cette étude a été conduite dans la zone forestière de Yangambi en République démocratique du Congo. Cette région fait partie des vastes régions des forêts tropicales soumises au processus de déforestation et de dégradation forestière.

Grace à la télédétection et au SIG, à l'approche DPSIR, et aux statistiques descriptives et inférentielles, cette étude a pu mettre en évidence les changements historiques d'occupation du sol, la fluctuation historique des variables climatiques et les prédire pour le court, le moyen et le long terme. Ces approches combinées, ont aussi permis d'identifier le principal moteur de déforestation dans la zone forestière de Yangambi. Les indices descriptifs de la structure spatiale du paysage ainsi que le dendrogramme de Bogaert, ont complété l'analyse de la dynamique historique du paysage.

Les résultats attestent une augmentation de la déforestation d'une décennie à l'autre. Dans la première décennie, le taux annuel de déforestation est estimé à 0,007 %. Il augmente à la deuxième décennie et atteint 0,13% pour finalement atteindre le rythme amazonien de 0,4% à la dernière décennie. La dynamique historique du paysage a également été marquée par forte extension des classes anthropiques (les terres bâties et nues ainsi que la classe agricole).

Les différents indices de la structure spatiale du paysage ci-après : le nombre de tache, l'aire moyenne, la dominance des taches, l'indice de forme ont attesté une forte fragmentation des forêts primaires en 2000. A l'exception de la dominance, tous les autres indices cités précédemment, ont de même attesté la fragmentation des forêts secondaires en 2000. Globalement, le nombre de tache atteste une forte fragmentation du paysage en 2000 et 2018. Eu égard à l'évolution prospective du paysage, le modèle Land Change Modeler a attesté une régression des superficies forestière, avec des taux de déforestation croissant entre le court et le moyen terme. 0,011% entre (2018-2038) ; 0,032% (entre 2018-2058) et enfin, 0,033% (entre 2018-2078). Le modèle montre également une extension considérable des classes anthropiques dans le court, moyen et long terme.

Concernant les variables climatiques, les statistiques descriptives appliquées ont attesté une diminution des précipitations de la première à la deuxième décennie, avec un écart de 46,33mm, et une augmentation entre la deuxième et la troisième décennie avec un écart de 51,36mm. La deuxième décennie a dans l'ensemble enregistré plus de variabilité que n'importe quelle autre décennie comme l'ont attesté les statistiques de dispersion.

Les possibles scenarios futurs, établis à travers trois modèles, ont attesté une diminution des précipitations, avec des extrêmes diminutions telles que démontrées par le modèle exponentiel. Les statistiques descriptives appliquées dans l'analyse de la fluctuation historique de la température ont attesté une tendance à la hausse de la température d'une décennie à l'autre, avec des écarts d'au moins 0,34°C entre la première et la deuxième décennie, et de 0,28°C entre la deuxième et la troisième décennie.

Les possibles scénarios futurs de la température ont été plus robuste que ceux des précipitations au vu des fortes relations établies entre la superficie forestière et la température. Les résultats ont attesté une augmentation de la température d'au moins 0,2°C entre le court, le moyen et le long terme.

L'application de l'approche D-P-S-I-R (forces motrices (drivers) - pressions - état (state) - impacts - réactions) de l'Union européenne, à travers une enquête et une vérification sur terrain, a pu déniché trois principaux facteurs de déforestation dans la zone forestière de Yangambi. Il s'agit de l'agriculture itinérante sur brûlis, de l'exploitation artisanale de bois énergie et de l'exploitation artisanale de bois d'oeuvre.

Les différentes analyses statistiques ont approuvé la prédominance de l'agriculture itinérante sur brulis. En moyenne, un agriculteur transforme 1ha des forêts aux espaces agricoles chaque année. Le temps de jachère est très insuffisant pour que le sol s'enrichisse de nouveau. La moyenne est estimée à 3 ans.

En plus de l'agriculture itinérante sur brûlis, les analyses ont pu démontré un deuxième moteur de déforestation : l'exploitation artisanale des bois énergie. Cette activité entraine en moyenne une perte annuelle de 0,019ha par exploitant.

Enfin, l'étude démontre un troisième facteur de déforestation dans la zone forestière de Yangambi : l'exploitation artisanale des bois d'oeuvre. Cette activité moins destructive que les deux premières, entraine une perte moyenne annuelle estimée à 0,012ha par exploitant.

Dans le souci d'enrichir cette recherche, et de limiter les probables faits néfastes tels que décrits dans les scénarios tant climatiques que paysagers, la présente étude suggère les alternatives ci-après :

? Approfondir l'étude de la dynamique historique du paysage tout en quantifiant les émissions de gaz à effet de serre associée à la déforestation ;

? Approfondir l'étude de la dynamique prospective en intégrant plusieurs autres variables environnementales, socio-économique qui peuvent avoir une influence directe et/ou indirecte dans les transitions interclasses ;

? Ajuster le modèle prédictif des précipitations en ajoutant d'autres variables afin de mieux expliquer la variabilité spatio-temporelle des précipitations ;

? Mettre en oeuvre un plan d'aménagement durable, capable de sédentariser les activités anthropiques dans le temps et dans l'espace afin limiter les impacts prévisibles ;

REFERENCES BIBLIOGRAPHIQUES

35. Girard M. -C. & Girard C. 2004. Traitement des données de télédétection. Techniques et ingénierie, Série Environnement et sécurité ;

LES ANNEXES

Annexe 1. De la méthodologie

I. Evaluation de la classification de référence (2018) : coefficient DT et JM
Tableau 1 : Coefficient DT et JM

Légende : CD : Cours d'eau ; FP : forêts primaires ; FS : Forêts secondaires ; CL.A : Classe agricole ; TBN : Terres bâties et nues ; DT : Divergence transformée ; J-M : Jeffries-Matusita

	DT	J-M		DT	J-M		DT		J-M		DT		J-M	DT		J-M
CD FP FS CL.A TBN	- 2.00 2.00 2.00 2.00	- 1.98 2.00 2.00 2.00		- 2.00 2.00 2.00	- 1.91 1.97 1.95		- 1.99 2.00		- 1.89 1.99		- 2.00		- 1.98	-		-
Tableau 2 : Matrice de confusion 2018
										Données de référence
Classification			CD			FP		FS		CL.A		TBN			Précision (%)
Cours d'eau			15984			0		0		0		0			99.98
Forêts Primaires			3			2130		1		0		24			100
Forêts Secondaires			0			60		90		1		0			98.90
Classe Agricole			0			0		0		241		0			100
Terres bâties et nues			0			0		0		0		1092			100
Total Pixels			15987			2130		91		241		1092
Précision globale (%)								99.97
Indice Kappa								0.99

Tableau 3 : Villages enquêtés, pondération, nombre de ménages et pas de tirage

Villages	Nombre des ménages	Pondération	Ménages à enquêter	Pas de tirage
YAKAKO	136	7,5	13	10
YALUNGU	320	17,8	31	10
YASELIA	643	35,8	62	10
OBILOTO	315	17,5	30	10
YAPKONZI	380	21,1	38	10
Total	1794	100%	174

Annexes 2. Des résultats

Tableau 4 : Taux de changement au courant de la première décennie (1986-1995)

Classes	1986	1995	S2-S1	TC
	ha	ha	ha	%
FP	286563,4200	308419,7400	21856,32	7,6
FS	37516,3200	15432,39	-22083,93	-58,8
CD	17465,8500	17157,600	-308,25	-1,7
CL.A	20221,1100	16215,7500	-4005,36	-19,8
TBN	1554,1200	6853,0500	5298,93	340,9

Tableau 5 : Taux de changement au courant de la deuxième décennie (2000-2009)

Classes	2000 ha	2009 ha	S2-S1 ha	TC %
FP	292721,9400	284430,7800	-8291,16	-2,4
FS	14833,2600	19489,2300	4655,97	31,3
CD	16410,9600	16058,4300	-352,53	-2,1
CL.A	28242,0900	31963,3200	3721,23	13,1
TBN	11841,2100	12136,4100	295,2	2,4

Tableau 6 : Taux de changement au courant de la troisième décennie (2009-2018)

Classes	2009 ha	2018 ha	S2-S1 ha	TC %
FP	284430,7800	272713,1400	-11717,64	-4,1
FS	19489,2300	18173,7000	-1315,53	-6,7
CD	16058,4300	18205,0200	2146,59	13,3
CL.A	31963,3200	27536,3100	-4427,01	-13,8
TBN	12136,4100	27419,4900	15283,08	125,9

	atj âj		amax	amin	*dj(a) %*			IFj		ó² j(a)		Cvj (a)		Ptj (m)		Pj (m)		Pmax		Pmin
CD	98,67		15888,69	0,09	87,12			48698660,9		1,43E+14		1212,88		922260		5210,50		644460		120
FP	129,54		196142,67	0,09	68,44			162346241,3		1,97E+15		3430,24		6820740		3083,51		2672340		120
FS	6,57		5113,35	0,09	13,62			1054295355,7		1,25E+12		1708,33		6289140		1101,61		580380		120
CL.A	5,46		4188,33	0,09	20,71			659809040,2		7,28E+11		1561,28		3652680		988,21		258120		120
TBN	1,73		448,29	0,09	28,84			659809040,2		2,47E+10		905,36		527580		590,13		85620		120
Tableau 8 : Les		indices de la structure spatiale du paysage 1995
		atj âj	amax	amin		*dj(a) %*	IFj		ó² j(a)		Cvj (a)		Ptj (m)		Pj (m)		Pmax		Pmin
CD		110,69	15554,70	0,09		90,65	51790919,2		1,56E+14		1131,33		942660		6081,67		698460		120
FP		286,36	208871,28	0,09		67,72	177621270,9		4,60E+15		2369,24		7401480		6872,31		3090480		120
FS		2,65	1732,59	0,09		11,22	1132363509,6		1,11E+11		1260,63		4180320		718,14		281640		120
CL.A		5,85	952,29	0,09		5,87	628142386,9		1,74E+11		713,41		3191520		1153		108180		120
TBN		2,50	16547400	0,09		24,14	419945669,9		1,42E+11		1504,33		1696440		620,27		105240		120

Légende : atj : l'aire totale ; âj : l'aire moyenne ; amax : l'aire maximale ; amin : l'aire minimale ; dj(a) : la dominance ; IFj : l'indice de forme ; ó2 j(a) : la variance ; Cvj (a) : le coefficient de variation ; Ptj (m) : le périmètre total ; Pj (m) : le périmètre moyen ; Pmax : le périmètre maximal ;

Pmin : le périmètre	minimal.
Pmin : le périmètre	atj âj	amax	amin	*dj(a)*	IFj	ó² j(a)	Cvj (a)	Ptj (m)	Pj (m)	Pmax	Pmin
CD	75,85	16501,14	0,09	90,64	51762434,07	1,13E+14	1407,30	970740	4044,75	712980	120
FP	101,53	180959,94	0,09	66,35	449910057,1	1,39E+15	3677,03	11076840	4123,91	4132560	120
FS	13,39	160,56	0,09	0,88	2975040380,5	2,47E+09	371,42	7353060	541,78	34080	120
CL.A	3,47	2265,57	0,09	8,22	1973730392,9	1,60E+11	1151,59	7356540	929,09	397860	120
TBN	3,73	6317,82	0,09	23,04	1401262318,5	6,35E+11	2135,31	6198540	844,14	564180	120

Tableau 12 : Matrice des probabilités de transition de l'occupation du sol de 2018