{"id":855,"date":"2024-12-28T14:18:48","date_gmt":"2024-12-28T13:18:48","guid":{"rendered":"https:\/\/www.revues.scienceafrique.org\/naaj\/?post_type=chapter&p=855"},"modified":"2025-01-03T20:42:23","modified_gmt":"2025-01-03T19:42:23","slug":"faye_et_al2024","status":"publish","type":"chapter","link":"https:\/\/www.revues.scienceafrique.org\/naaj\/texte\/faye_et_al2024\/","title":{"rendered":"Cartographie du couvert v\u00e9g\u00e9tal et des zones humides de la r\u00e9gion de Dakar (S\u00e9n\u00e9gal) \u00e0 l\u2019aide des images Sentinel-2 et Landsat 8 OLI"},"content":{"raw":"

Introduction<\/h2>\r\n

L\u2019\u00e9tude des caract\u00e9ristiques des milieux urbains a connu une ascension spectaculaire gr\u00e2ce \u00e0 de nombreuses possibilit\u00e9s qu\u2019offre la t\u00e9l\u00e9d\u00e9tection spatiale. Les connaissances sur l'\u00e9tendue et les composantes de l\u2019occupation du sol sont importantes pour le suivi et la planification du d\u00e9veloppement urbain, l\u2019\u00e9valuation des risques, la gestion des catastrophes et la gestion des ressources naturelles.<\/p>\r\n

La t\u00e9l\u00e9d\u00e9tection urbaine a fait son apparition au d\u00e9but des ann\u00e9es 1970, avec des images fournies par le capteur Multi-Spectral Scanner (MSS), mont\u00e9 \u00e0 bord de Landsat 1, 2 et 3 (op\u00e9rationnels jusqu\u2019en 1983), m\u00eame si la r\u00e9solution spatiale (80 m) limite l\u2019analyse (Ballut et Nguyen, 1984; Forster, 1985; Welch, 1982) et ne permet pas d\u2019\u00e9tudier la ville dans son ensemble. \u00c0 partir des ann\u00e9es 1980, une deuxi\u00e8me g\u00e9n\u00e9ration de satellites est mise sur orbite avec des capteurs \u00e0 haute r\u00e9solution spatiale (30\u00a0m) comme Landsat TM, ETM+ et le plus r\u00e9cent capteur Landsat 8 OLI lanc\u00e9 en 2013. L\u2019avanc\u00e9e rapide de la t\u00e9l\u00e9d\u00e9tection est accompagn\u00e9e d\u2019une diversification des capteurs et d\u2019une finesse de la r\u00e9solution spatiale. Plusieurs satellites \u00e0 tr\u00e8s haute r\u00e9solution spatiale (THRS) comme SPOT, Quickbird, IKONOS, Pl\u00e9iades, etc. ont \u00e9t\u00e9 con\u00e7us ces derni\u00e8res ann\u00e9es et ont rendu les donn\u00e9es d'observation de la Terre disponibles \u00e0 des r\u00e9solutions de plus en plus fines (inf\u00e9rieures \u00e0 5\u00a0m). Ces satellites fournissent plus de d\u00e9tails sur les zones urbaines.<\/p>\r\n

Les espaces urbains sont caract\u00e9ris\u00e9s par une grande h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des \u00e9l\u00e9ments constitutifs. La r\u00e9solution spatiale utilis\u00e9e pour discriminer la structure urbaine doit \u00eatre adapt\u00e9e \u00e0 chaque type de ville (Welch, 1982; Forster, 1985). Les milieux urbains abritent des couvertures v\u00e9g\u00e9tales sous toutes ses formes remplissant des fonctions \u00e9cologiques de r\u00e9gulateur thermique, de biodiversit\u00e9, de qualit\u00e9 de l\u2019air, etc. La v\u00e9g\u00e9tation en milieu urbain est constitu\u00e9e d\u2019arbres isol\u00e9s, de plantations diverses et de v\u00e9g\u00e9tation aquatique.<\/p>\r\n

\u00c0 Dakar, avec une urbanisation acc\u00e9l\u00e9r\u00e9e, le couvert v\u00e9g\u00e9tal occupe rarement de vastes \u00e9tendues, except\u00e9 les zones prot\u00e9g\u00e9es (for\u00eat class\u00e9e) et les bordures des zones humides. Ces derni\u00e8res fournissent des services \u00e9cosyst\u00e9miques, dont l\u2019att\u00e9nuation du changement climatique. Malheureusement, ses fonctionnalit\u00e9s sont mal connues. Ces \u00e9cosyst\u00e8mes constituent d\u2019importantes niches de biodiversit\u00e9, ce qui fait d\u2019elles les \u00e9cosyst\u00e8mes les plus divers et les plus productifs de la Terre en plus de jouer le r\u00f4le de r\u00e9gulateur thermique. La protection de ces ressources naturelles est aujourd\u2019hui fondamentale dans un contexte de changement climatique. Une v\u00e9g\u00e9tation arbor\u00e9e peut baisser de 2\u00a0\u00b0C la temp\u00e9rature dans une rue, ce qui peut lutter contre les ilots de chaleur urbaine (Nabucet, 2020).<\/p>\r\n

L'int\u00e9gration de la t\u00e9l\u00e9d\u00e9tection en combinaison avec les syst\u00e8mes d'information g\u00e9ographique (SIG) a consid\u00e9rablement fait progresser l'\u00e9valuation des changements d'utilisation des terres et de la d\u00e9gradation des paysages \u00e0 diverses \u00e9chelles (Lambin et<\/em> al., 2003; Turner et<\/em> al., 1994). L'objectif de cette recherche est de cartographier et d\u2019analyser l\u2019\u00e9volution de la v\u00e9g\u00e9tation et des zones humides, en int\u00e9grant les informations de t\u00e9l\u00e9d\u00e9tection et les donn\u00e9es issues des campagnes de terrain.<\/p>\r\n\r\n

Pr\u00e9sentation de la r\u00e9gion<\/h2>\r\n

La r\u00e9gion de Dakar est situ\u00e9e entre 14\u00b0 33\u2019 et 14\u00b0 51\u2019 de latitude nord et 17\u00b0 28\u201930\u2019\u2019 et 17\u00b0 10\u201930\u2019\u2019 de longitude ouest (figure 1). Elle est situ\u00e9e \u00e0 l'extr\u00e9mit\u00e9 occidentale de l'Afrique, sur l'\u00e9troite presqu'\u00eele du Cap-Vert. Elle couvre une superficie de 550 km2<\/sup> soit 0,3\u00a0% du territoire national (GRDR, 2014) compos\u00e9e de cinq d\u00e9partements (Dakar, Gu\u00e9diawaye, Pikine, Keur Massar et Rufisque) et de 52 collectivit\u00e9s locales. Le climat est de type sah\u00e9lien c\u00f4tier. Les temp\u00e9ratures varient entre 17\u00a0\u00b0C et 30\u00a0\u00b0C en fonction des saisons. Du point de vue du relief, Dakar est une zone plate (\u00e0 l\u2019exception des Mamelles) marqu\u00e9e des d\u00e9pressions inter-dunaires o\u00f9 la nappe phr\u00e9atique est peu profonde.<\/p>\r\n

Le couvert v\u00e9g\u00e9tal de la r\u00e9gion de Dakar est azonal du fait de la large gamme de paysages morpho-p\u00e9dologiques et du climat maritime mod\u00e9r\u00e9. Deux grands ensembles se distinguent\u00a0: une v\u00e9g\u00e9tation anthropique r\u00e9sultante des activit\u00e9s humaines compos\u00e9e de jardin arboricole, de pelouse, d\u2019arbres isol\u00e9s, etc. et une v\u00e9g\u00e9tation hygrophile entourant les zones humides.<\/p>\r\n

Figure 1. Situation g\u00e9ographique de la r\u00e9gion de Dakar\"\"<\/p>\r\n\r\n

Mat\u00e9riels et m\u00e9thodes<\/h2>\r\n

Acquisition des donn\u00e9es<\/h3>\r\n

Les images Landsat et Sentinel-2 sont extraites de la plateforme Google Earth Engine (GEE) (tableau 1). Les images Landsat retenues pour cette \u00e9tude ont \u00e9t\u00e9 choisies sur la base de leur disponibilit\u00e9, de leur accessibilit\u00e9 libre et gratuite, mais aussi de leur anciennet\u00e9 qui couvre une p\u00e9riode allant de 1972 \u00e0 nos jours. Ces images ont \u00e9t\u00e9 prises en saison s\u00e8che (f\u00e9vrier et mars) permettent de discriminer le couvert v\u00e9g\u00e9tal du couvert herbac\u00e9. La r\u00e9flectance de ces deux types de v\u00e9g\u00e9tation se confond lorsque les images sont acquises en saison pluvieuse ou juste \u00e0 la fin de celle-ci.<\/p>\r\n

La plateforme GEE permet aux utilisateurs et utilisatrices de visualiser et d'analyser les images satellites de la Terre. Elle regroupe plus de 40 ans d'images satellites anciennes et actuelles, ainsi que les outils et la puissance de calcul n\u00e9cessaires pour analyser et exploiter cet immense entrep\u00f4t de donn\u00e9es. C\u2019est une plateforme en cloud pour l'analyse des donn\u00e9es g\u00e9ospatiales en donnant \u00e0 l\u2019utilisateur et \u00e0 l\u2019utilisatrice la possibilit\u00e9 de travailler dans une infrastructure du Geospatial Big Data\u00a0: donn\u00e9es d\u2019observation de la Terre et cloud computing.<\/p>\r\n

Tableau 1. Caract\u00e9ristiques spectrales et spatiales des images satellitaires utilis\u00e9es\"\"<\/p>\r\n\r\n

M\u00e9thode de d\u00e9tection et d\u2019extraction de la v\u00e9g\u00e9tation urbaine<\/h3>\r\n

Le milieu urbain est un m\u00e9lange de portions de routes, de b\u00e2timents, de zones herbac\u00e9es, bois\u00e9es et de sols nus. Leur r\u00e9flectance spectrale peut conna\u00eetre des variations importantes en fonction de leur couleur, leur brillance, leur orientation ou leur inclinaison (Iovan et<\/em> al<\/em>. 2011). Plusieurs facteurs influencent les signatures spectrales des objets en milieu urbain. La nature des constructions, les surfaces lisses, la pollution atmosph\u00e9rique, etc. peuvent modifier consid\u00e9rablement le signal r\u00e9fl\u00e9chi. Les techniques de t\u00e9l\u00e9d\u00e9tection \u00e0 haute r\u00e9solution permettent d\u2019\u00e9tablir de fa\u00e7on tr\u00e8s pr\u00e9cise, avec une marge d\u2019erreur insignifiante, la couverture v\u00e9g\u00e9tale en milieu urbain (Besse et Rouet, 2009). La d\u00e9tection et l\u2019extraction de l\u2019information \u00e0 partir d\u2019images satellitaires sont effectu\u00e9es, d\u2019une part, par classification orient\u00e9e pixel, et d\u2019autre part, par des indices spectraux.<\/p>\r\n

La premi\u00e8re approche adopt\u00e9e repose sur une m\u00e9thode de classification supervis\u00e9e. Le protocole repose sur les zones d\u2019entrainement fournies par l\u2019utilisateur et l\u2019utilisatrice qui permettent \u00e0 l\u2019algorithme d\u2019y effectuer un apprentissage sur la base des r\u00e9ponses spectrales des objets et de classifier l\u2019image.<\/p>\r\n

La deuxi\u00e8me approche consiste \u00e0 faire appel aux indices spectraux de v\u00e9g\u00e9tation efficaces dans la mise en \u00e9vidence du couvert v\u00e9g\u00e9tal. Ainsi, l\u2019indice de v\u00e9g\u00e9tation par diff\u00e9rence normalis\u00e9e (NDVI) et l\u2019indice de v\u00e9g\u00e9tation ajust\u00e9 pour le sol (SAVI) ont \u00e9t\u00e9 appliqu\u00e9s sur les deux images, suivi d\u2019un seuillage sur leurs valeurs minimales. Le seuillage est une op\u00e9ration directe appliqu\u00e9e sur les images satellitaires pour la prise de d\u00e9cision. Cette m\u00e9thode pr\u00e9sente une probl\u00e9matique li\u00e9e \u00e0 l\u2019estimation du seuil optimal qui peut \u00eatre variable selon les images utilis\u00e9es. Pour fixer la valeur seuil des indices de v\u00e9g\u00e9tation, un \u00e9chantillon de v\u00e9rit\u00e9 du terrain obtenu par positionnement par satellite a \u00e9t\u00e9 utilis\u00e9. Une superposition des coordonn\u00e9es de l\u2019\u00e9chantillon avec l\u2019image multispectrale a permis de retenir un seuil acceptable. Cette m\u00e9thode n\u00e9cessite une connaissance a priori de la r\u00e9alit\u00e9 du terrain.<\/p>\r\n

Figure 2. M\u00e9thodologie d\u2019extraction de la v\u00e9g\u00e9tation dans la r\u00e9gion de Dakar\"\"<\/p>\r\n\r\n

R\u00e9sultats<\/h2>\r\n

Fonctions \u00e9cosyst\u00e9miques de la v\u00e9g\u00e9tation urbaine<\/h3>\r\n

Selon le Groupe intergouvernemental sur le climat (GIEC), onze des douze ann\u00e9es les plus chaudes jamais observ\u00e9es ont \u00e9t\u00e9 enregistr\u00e9es depuis 1995 et seraient attribuables \u00e0 la pr\u00e9sence accrue des gaz \u00e0 effet de serre dans l\u2019atmosph\u00e8re. Les conclusions des rapports (GIEC, 2007 et 2014) indiquent une augmentation des temp\u00e9ratures moyennes dans les prochaines d\u00e9cennies. Ce changement climatique combin\u00e9 \u00e0 la perte progressive du couvert v\u00e9g\u00e9tal dans les milieux urbains va accentuer l\u2019effet d\u2019\u00eelot de chaleur en ville (Gigu\u00e8re, 2009). Cependant, la v\u00e9g\u00e9tation urbaine serait une solution alternative au vu de nombreux services \u00e9cosyst\u00e9miques qu\u2019elle offre. Sa pr\u00e9sence en milieu urbain entrainerait une r\u00e9duction des \u00e9missions de gaz \u00e0 effet de serre comme le CO2, le N2O, le CH4, etc. La v\u00e9g\u00e9tation, sous ses diff\u00e9rentes configurations, joue un r\u00f4le de rafraichisseur dans les p\u00e9riodes de fortes temp\u00e9ratures et de filtre de pollution. Les toitures v\u00e9g\u00e9talis\u00e9es favorisent le stockage temporaire de l\u2019eau de pluie et l\u2019\u00e9vapotranspiration (Pommier et al<\/em>. 2014).<\/p>\r\n

La s\u00e9questration de carbone par la v\u00e9g\u00e9tation et les sols contribue \u00e0 diminuer la teneur en CO2 de l\u2019atmosph\u00e8re (Anquetil, 2010). Les \u00e9tendues foliaires comme la for\u00eat class\u00e9e de Mbao et les alentours des points d\u2019eau dans la r\u00e9gion de Dakar, influencent la qualit\u00e9 de l\u2019air. Dans un contexte de pollution accrue au point que Dakar soit class\u00e9e deuxi\u00e8me ville la plus pollu\u00e9e au monde (OMS, 2018), la v\u00e9g\u00e9tation intercepte les particules polluantes et absorbe certaines sous forme gazeuse tout en produisant de l\u2019oxyg\u00e8ne. Sa rugosit\u00e9 a\u00e9rodynamique modifie les vents et impacte la dispersion et le d\u00e9p\u00f4t des particules polluantes. Du point de vue g\u00e9omorphologique, une forte couverture de la v\u00e9g\u00e9tation prot\u00e8ge le sol contre le ruissellement et la battance. Elle fixe le sol et r\u00e9duit l\u2019\u00e9rosion hydrique. La pr\u00e9sence du couvert v\u00e9g\u00e9tal sur les fa\u00e7ades des b\u00e2timents ou \u00e0 l\u2019int\u00e9rieur des maisons (cas le plus fr\u00e9quent \u00e0 Dakar) impacte sur la consommation \u00e9nerg\u00e9tique de ces derni\u00e8res. Elle intercepte le rayonnement solaire dont les grandes longueurs d\u2019onde proche de l\u2019infrarouge sont fortement r\u00e9fl\u00e9chies et cr\u00e9e une ombre qui adoucit les temp\u00e9ratures.<\/p>\r\n

Malgr\u00e9 le r\u00f4le important que joue la v\u00e9g\u00e9tation, on assiste aujourd\u2019hui \u00e0 une densification du b\u00e2ti (b\u00e2timents, routes, pav\u00e9s\u2026) \u00e0 Dakar au d\u00e9triment des espaces verts et humides. Cela se manifeste par la disparition de la bande des filaos des Niayes, la r\u00e9duction de la superficie du Lac Rose et le remblaiement des zones d\u00e9pressionnaires dans la p\u00e9riph\u00e9rie de Dakar destin\u00e9es \u00e0 l\u2019habitat. Le seul poumon vert \u00e0 Dakar est la for\u00eat class\u00e9e de Mbao d\u2019une superficie de 7200\u00a0ha. Ce qui rend les sols imperm\u00e9ables et augmente la vuln\u00e9rabilit\u00e9 de la r\u00e9gion aux inondations.<\/p>\r\n\r\n

Occupation du sol<\/h3>\r\n

Les diff\u00e9rentes unit\u00e9s d\u2019occupation du sol ont vari\u00e9 dans le temps et dans l\u2019espace. Entre 1986 et 2020 (figure 3), le b\u00e2ti a fortement augment\u00e9 dans l\u2019agglom\u00e9ration de Dakar (tableau 2). Il est pass\u00e9 de 13.7\u00a0% \u00e0 18.4\u00a0% de la superficie totale de la r\u00e9gion, soit une augmentation de 4.7\u00a0%. Cette augmentation s\u2019est faite au d\u00e9triment des espaces verts (v\u00e9g\u00e9tation) et des sols peu bois\u00e9s (sols nus). Les zones humides (eau) ont connu une l\u00e9g\u00e8re hausse d\u2019environ 0.2\u00a0%.<\/p>\r\n

Tableau 2. \u00c9volution de l'occupation du sol en\u00a0% en 1986, 2000 et 2020<\/p>\r\n\r\n

\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
Occupation du sol<\/strong><\/td>\r\n1986<\/strong><\/td>\r\n2000<\/strong><\/td>\r\n2020<\/strong><\/td>\r\n<\/tr>\r\n
B\u00e2ti<\/td>\r\n13.7<\/td>\r\n14.6<\/td>\r\n18.4<\/td>\r\n<\/tr>\r\n
V\u00e9g\u00e9tation<\/td>\r\n10.7<\/td>\r\n13.6<\/td>\r\n6.6<\/td>\r\n<\/tr>\r\n
Sols nus<\/td>\r\n74.8<\/td>\r\n71.0<\/td>\r\n74.0<\/td>\r\n<\/tr>\r\n
Eau<\/td>\r\n0.8<\/td>\r\n0.8<\/td>\r\n1<\/td>\r\n<\/tr>\r\n
TOTAL<\/strong><\/td>\r\n100<\/strong><\/td>\r\n100<\/strong><\/td>\r\n100<\/strong><\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n<\/div>\r\n

Figure 3\u00a0.<\/em> \u00c9volution de l'occupation du sol en 1986, 2000 et 2020<\/span>\"\"<\/p>\r\n\r\n

Extraction de la v\u00e9g\u00e9tation \u00e0 partir de Sentinel-2 et Landsat 8 OLI<\/h3>\r\n

L\u2019analyse qualitative des r\u00e9sultats issus des classifications (figure 4) montre que la m\u00e9thode de classification utilis\u00e9e donne des r\u00e9sultats beaucoup plus pr\u00e9cis avec l\u2019image Sentinel-2 qui estime la v\u00e9g\u00e9tation \u00e0 7\u00a0% de l\u2019occupation du sol tandis qu\u2019avec Landsat-8 OLI, la v\u00e9g\u00e9tation occupe 6.6\u00a0%. Cet \u00e9tat de fait s\u2019explique par la finesse de la r\u00e9solution spatiale de Sentinel-2 qui permet de d\u00e9tecter de petites surfaces foliaires en milieu urbain tandis que Landsat-8 OLI ne d\u00e9tecte que de grandes \u00e9tendues foliaires en raison de la grande r\u00e9solution spatiale. Les pixels de v\u00e9g\u00e9tation en b\u00e2ti dense de Sentinel-2 se retrouvent dans des pixels mixtes avec Landsat-8 OLI, ce qui entraine une sous-estimation de la v\u00e9g\u00e9tation urbaine. Cependant, il faut noter que le capteur OLI est tr\u00e8s sensible \u00e0 la r\u00e9flectance du b\u00e2ti en milieu urbain en fournissant des r\u00e9sultats pr\u00e9cis.<\/p>\r\n

Figure 4. Occupation du sol par Sentinel-2\/MSI et Landsat 8\/OLI entre mars et avril 2020 dans la r\u00e9gion de Dakar\"\"<\/p>\r\n\r\n

Extraction par indices de v\u00e9g\u00e9tation<\/h3>\r\n

La valeur seuil optimale est fix\u00e9e \u00e0 partir des recherches manuelles sur les indices calcul\u00e9s. Elle n\u2019est pas d\u00e9termin\u00e9e a priori. Le seuillage est bas\u00e9 sur la valeur minimale de l\u2019indice de v\u00e9g\u00e9tation. Les r\u00e9sultats fournis par cette m\u00e9thode (figure 5) montrent que l\u2019approche par indice est plus pr\u00e9cise que les classifications. Cependant, le NDVI pr\u00e9sente des limites dans les milieux complexes. En milieu urbain par exemple, les espaces verts sont caract\u00e9ris\u00e9s par un m\u00e9lange \u00e0 proportions variables de zones bois\u00e9es, de sols nus, d'espaces construits, de voies de communication, etc. (Tidjani, 2011). La signature spectrale de ces objets se m\u00e9lange avec celui du couvert v\u00e9g\u00e9tal, rendant ce dernier difficilement identifiable. Cette mixit\u00e9 des pixels n\u2019est pas prise en compte par l\u2019indice de v\u00e9g\u00e9tation par diff\u00e9rence normalis\u00e9e (NDVI) sensible aux propri\u00e9t\u00e9s optiques du sol sous-jacent, ce qui peut conduire \u00e0 des erreurs importantes si la v\u00e9g\u00e9tation que l\u2019on souhaite caract\u00e9riser n\u2019est pas assez dense (Be Api, 2016) comme en zone urbaine. Les r\u00e9sultats obtenus \u00e0 partir du seuillage du NDVI montrent que le capteur MSI est plus ad\u00e9quat \u00e0 l\u2019extraction de la v\u00e9g\u00e9tation urbaine. Toutefois, compte tenu des limites du NDVI, un deuxi\u00e8me indice, le SAVI (Soil Adjusted Vegetation Index), est utilis\u00e9 et prend en compte l'influence des sols. Le signal r\u00e9fl\u00e9chi par les sols est s\u00e9par\u00e9 de celui du couvert v\u00e9g\u00e9tal afin de mettre en \u00e9vidence avec plus de pr\u00e9cision les surfaces foliaires. Cet indice a \u00e9t\u00e9 appliqu\u00e9 sur les images utilis\u00e9es et a donn\u00e9 des r\u00e9sultats plus pr\u00e9cis en termes d\u2019analyses qualitative et quantitative. Le NDVI et le SAVI de Landsat-8 OLI estiment respectivement la v\u00e9g\u00e9tation urbaine \u00e0 6,69\u00a0% et 4,74\u00a0% tandis que les m\u00eames indices calcul\u00e9s sur l\u2019image Sentinel-2 MSI estiment le couvert v\u00e9g\u00e9tal \u00e0 4,42\u00a0%.<\/p>\r\n

Figure 5. Extraction de la v\u00e9g\u00e9tation urbaine par seuillage du NDVI et du SAVI dans la r\u00e9gion de Dakar<\/p>\r\n

\"\"<\/p>\r\n\r\n

Cartographie des zones humides<\/h3>\r\n

Selon la Convention de Ramsar (1971), les zones humides comprennent une grande diversit\u00e9 d\u2019habitats\u00a0: marais, tourbi\u00e8res, plaines d\u2019inondation, cours d\u2019eau et lacs, zones c\u00f4ti\u00e8res telles que les marais sal\u00e9s, les mangroves et les lits de zost\u00e8res. On y trouve aussi des r\u00e9cifs coralliens et autres zones marines dont la profondeur n\u2019exc\u00e8de pas six m\u00e8tres \u00e0 mar\u00e9e basse et zones humides artificielles telles que les bassins de traitement des eaux us\u00e9es et les lacs de retenue. Les zones humides sont des milieux qui contribuent fortement au maintien de la biodiversit\u00e9 et de la qualit\u00e9 de l\u2019eau (Rapinel et<\/em> al<\/em>., 2019). Elles forment des \u00e9tendues consid\u00e9rables et diversifi\u00e9es dont la plus importante se trouve dans la zone technopole (d\u00e9partement de Pikine). On les retrouve \u00e9galement au nord de la r\u00e9gion de Dakar et au sud \u00e0 Bargny. Elles ont connu une \u00e9volution entre 1986 et 2020 (figure 6) et sont constitu\u00e9es par des prairies inondables qu\u2019on retrouve \u00e0 la limite des zones humides, caract\u00e9ris\u00e9es par un engorgement p\u00e9riodique en eau, des tourbi\u00e8res form\u00e9es essentiellement par une accumulation de mati\u00e8re organique et des zones marines comme la lagune de Bargny. Les zones humides de Dakar sont de plus en plus menac\u00e9es par l\u2019urbanisation du fait d\u2019une forte pression d\u00e9mographique. Elles constituent d\u2019importantes zones de conservation de la biodiversit\u00e9 (Badiane et al<\/em>., 2018).<\/p>\r\n

Figure 6. \u00c9volution des zones humides en 1986, 2000 et 2020\"\"<\/p>\r\n\r\n

Extraction des zones humides \u00e0 partir de Sentinel-2 et Landsat 8 OLI<\/h3>\r\n

L\u2019estimation de la superficie des zones humides n\u2019est pas ais\u00e9e en raison de leurs caract\u00e9ristiques. Ce sont des \u00e9cosyst\u00e8mes constitu\u00e9s de formations herbac\u00e9es, arbustives et d\u2019eau. L\u2019\u00e9tude des zones humides par approche spatiale passe par les potentialit\u00e9s des donn\u00e9es acquises \u00e0 diff\u00e9rentes \u00e9chelles. \u00c0 chaque \u00e9chelle d'\u00e9tude, correspondent un niveau d'observation et un outil sp\u00e9cifique (Samaaly, 1999). C\u2019est dans cette optique que nous avons compar\u00e9 l\u2019apport des images haute r\u00e9solution spatiale de Sentinel-2 et de Landsat-8 OLI \u00e0 l\u2019\u00e9tude des zones humides en milieu urbain. Toutefois, la d\u00e9tection des zones humides reste difficile \u00e0 partir de donn\u00e9es HRS du fait des similitudes entre diff\u00e9rentes esp\u00e8ces v\u00e9g\u00e9tales, de la faible r\u00e9solution spatiale des images et de la faible r\u00e9p\u00e9titivit\u00e9 temporelle (Vacqui\u00e9, 2012). L\u2019analyse des classifications (figure 7) r\u00e9v\u00e8le la sensibilit\u00e9 des capteurs \u00e0 la d\u00e9tection des zones humides. Ces derni\u00e8res ont bien \u00e9t\u00e9 mises en \u00e9vidence sauf la lagune de Bargny qui montre par ailleurs les limites des r\u00e9solutions spatiales et radiom\u00e9triques des images fournies par Landsat et Sentinel-2. La mixit\u00e9 des pixels (eau et v\u00e9g\u00e9tation) justifie les erreurs d\u2019estimation et les probl\u00e8mes de d\u00e9tection observ\u00e9s sur les images. La couverture v\u00e9g\u00e9tale est par endroit tr\u00e8s dense rendant la d\u00e9tection des surfaces d\u2019eau difficile par le capteur. Ces cas de figure concernent les petites d\u00e9pressions (les bas-fonds et les petites surfaces d\u2019eau propices au d\u00e9veloppement de la v\u00e9g\u00e9tation). L\u2019estimation de leurs superficies est limit\u00e9e non seulement par la mixit\u00e9 des pixels, mais \u00e9galement par leur caract\u00e8re dynamique. La d\u00e9tection et l\u2019identification des zones humides \u00e0 partir des images satellitaires acquises en saison non pluvieuse, correspondent \u00e0 la p\u00e9riode o\u00f9 une forte \u00e9vaporation et un r\u00e9tr\u00e9cissement des eaux sont not\u00e9s. Les limites exactes sont difficilement cartographiables avec les images \u00e0 haute r\u00e9solution spatiale analys\u00e9es.<\/p>\r\n

Figure 7. Cartographie des zones humides de Technopole \u00e0 travers Landsat-8 OLI et Sentinel-2<\/p>\r\n

\"\"<\/p>\r\n\r\n

Discussion<\/h2>\r\n

Pour construire des indicateurs de la qualit\u00e9 de l\u2019environnement, l\u2019analyse de la morphologie de la v\u00e9g\u00e9tation urbaine para\u00eet indispensable. L\u2019apport de la r\u00e9solution est essentiel pour les th\u00e8mes de la v\u00e9g\u00e9tation urbaine (Puissant, 2003). La configuration de la v\u00e9g\u00e9tation urbaine rend difficiles son identification et son extraction \u00e0 partir des images satellitaires \u00e0 faible r\u00e9solution spatiale. La densit\u00e9 du b\u00e2ti entraine une mixit\u00e9 prononc\u00e9e de pixels et une ombre qui constituent une g\u00eane pour les traitements automatiques, car elles masquent certaines zones et ont une r\u00e9ponse spectrale proche de l\u2019eau stagnante (Puissant, 2003). Ce caract\u00e8re h\u00e9t\u00e9rog\u00e8ne des pixels au sol entraine une surestimation par endroit du b\u00e2ti. Un pixel Landsat OLI couvre 900 m\u00b2 au sol, une r\u00e9solution largement sup\u00e9rieure aux parcelles d\u2019habitation. Il est difficile de trouver un pixel pur compte tenu de ces caract\u00e9ristiques spatiales du capteur OLI. Quant au Sentinel-2 MSI, la finesse de la r\u00e9solution spatiale donne plus de d\u00e9tails au sol. Les images HRS Sentienl-2A renvoient, gr\u00e2ce \u00e0 leur r\u00e9solution spatiale, des informations homog\u00e8nes sur les entit\u00e9s d\u2019occupation du sol. Les m\u00eames constats ont \u00e9t\u00e9 faits sur les indices de v\u00e9g\u00e9tation (NDVI et SAVI) calcul\u00e9s. Une sous-estimation du couvert v\u00e9g\u00e9tal est observ\u00e9e sur les r\u00e9sultats du seuillage. La valeur minimale des indices de v\u00e9g\u00e9tation est obtenue \u00e0 proximit\u00e9 des zones humides o\u00f9 on note une forte croissance foliaire. Un seuillage bas\u00e9 sur cette derni\u00e8re peut ne pas prendre en compte les pixels mixtes dans lesquels la v\u00e9g\u00e9tation domine. Leur signature spectrale donne l\u2019allure de celle de la v\u00e9g\u00e9tation, mais diff\u00e8re de celles des pixels purs. En r\u00e9alit\u00e9, il est difficile de qualifier un capteur comme id\u00e9al \u00e0 la cartographie de la v\u00e9g\u00e9tation urbaine. Celui-ci peut avoir des caract\u00e9ristiques spatiales et spectrales adapt\u00e9es \u00e0 la d\u00e9tection des espaces foliaires en milieu urbain. La classification par SVM ainsi que le seuillage sur la valeur minimale des indices v\u00e9g\u00e9tation utilis\u00e9s ont donn\u00e9 des r\u00e9sultats satisfaisants malgr\u00e9 les confusions dues \u00e0 la mixit\u00e9 des pixels et aux caract\u00e9ristiques du milieu urbain \u00e0 Dakar. Les donn\u00e9es issues des capteurs Landsat-8 OLI et Sentinel-2 sont adapt\u00e9es \u00e0 l\u2019\u00e9tude des ph\u00e9nom\u00e8nes spatiaux \u00e0 vaste \u00e9tendue, mais \u00e9galement \u00e0 la cartographie des unit\u00e9s spatiales un peu particuli\u00e8re dans des milieux tr\u00e8s h\u00e9t\u00e9rog\u00e8nes. Les r\u00e9sultats obtenus r\u00e9v\u00e8lent que les images \u00e0 tr\u00e8s haute r\u00e9solution avec des m\u00e9thodes de traitement adapt\u00e9es peuvent mettre en \u00e9vidence avec plus de pr\u00e9cision, la v\u00e9g\u00e9tation urbaine.<\/p>\r\n\r\n

Conclusion<\/h2>\r\n

Les r\u00e9sultats issus des classifications sont satisfaisants avec des coefficients Kappa, respectivement de 95\u00a0% pour Sentinel-2 et de 84\u00a0% pour Landsat-8 OLI. Ces r\u00e9sultats, compar\u00e9s \u00e0 la r\u00e9alit\u00e9 du terrain, ont permis d\u2019appr\u00e9cier en premier lieu l\u2019apport de la r\u00e9solution spatiale dans l\u2019extraction de la v\u00e9g\u00e9tation urbaine. Cependant, ces r\u00e9sultats pr\u00e9sentent des imperfections qui se traduisent par des confusions entre certaines classes comme le b\u00e2ti et les sols nus. Toutefois, les r\u00e9sultats obtenus par seuillage d\u2019indice ont \u00e9t\u00e9 confront\u00e9s \u00e0 la r\u00e9alit\u00e9 du terrain et sont jug\u00e9s acceptables, mais les imperfections demeurent et peuvent s\u2019expliquer par la complexit\u00e9 du milieu \u00e9tudi\u00e9. En d\u00e9finitive, il serait difficile de d\u00e9signer un capteur optique id\u00e9al parmi les deux qui ont \u00e9t\u00e9 utilis\u00e9s pour l\u2019\u00e9tude de la v\u00e9g\u00e9tation urbaine. Mais, on peut miser sur les caract\u00e9ristiques radiom\u00e9triques et spatiales en fonction des objets \u00e0 identifier et des \u00e9chelles cartographiques.<\/p>\r\n\r\n

R\u00e9f\u00e9rences<\/h2>\r\n

Anquetil, Virginie. 2010. Typologie et fonctions \u00e9cosyst\u00e9miques de la v\u00e9g\u00e9tation urbaine\u00a0: Contributions m\u00e9thodologiques<\/em>. M\u00e9moire de fin d'\u00e9tudes, Centre d\u2019Angers, Institut National d\u2019Horticulture et du paysage, Angers, France.<\/p>\r\n

Badiane, Sidia Diouma et Mbaye, Edm\u00e9e. 2018. Zones humides urbaines \u00e0 double visage \u00e0 Dakar\u00a0: opportunit\u00e9 ou menace? Sciences Eaux & Territoires<\/em>, hors-s\u00e9rie, 1-5. https:\/\/doi.org\/10.14758\/SET<\/a>.<\/p>\r\n

Ballut, Andr\u00e9, Nguyen, Jean-Pierre. 1984. Les besoins d\u2019information pour l\u2019am\u00e9nagement urbain et r\u00e9gional\u00a0: apport de la t\u00e9l\u00e9d\u00e9tection spatiale \u00e0 la satisfaction de ces besoins. Soci\u00e9t\u00e9 fran\u00e7aise de Photogramm\u00e9trie et T\u00e9l\u00e9d\u00e9tection<\/em>, 93, 21-32.<\/p>\r\n

Be Api, 2016. Int\u00e9r\u00eats et limites de la t\u00e9l\u00e9d\u00e9tection pour diagnostiquer les cultures. https:\/\/beapi.coop<\/a><\/p>\r\n

Besse, Marie-Th\u00e9r\u00e8se et Rouet, Paul, 2009. La couverture v\u00e9g\u00e9tale du c\u0153ur de l\u2019agglom\u00e9ration de paris\u00a0: Une approche par la t\u00e9l\u00e9d\u00e9tection de pr\u00e9cision. CFC<\/em>, 199, 129-134.<\/p>\r\n

Forster, Bruce. 1985. An examination of some problems and solution in monitoring urban areas satellite platforms. International Journal of Remote Sensing<\/em>, 6 <\/em>(1), 139-151.<\/p>\r\n

GIEC, 2007. Bilan 2007 des changements climatiques<\/em>. Rapport de synth\u00e8se.<\/p>\r\n

GIEC, 2014. Changements climatiques 2014\u00a0: Incidences, adaptation et vuln\u00e9rabilit\u00e9<\/em>.<\/p>\r\n

Gigu\u00e8re, M\u00e9lissa. 2009. Mesures de lutte aux \u00eelots de chaleur urbains<\/em>. Direction des risques biologiques, environnementaux et occupationnels, Institut national de sant\u00e9 publique du Qu\u00e9bec, CANADA.<\/p>\r\n

Iovan, Corina, Boldo, Didier. et Cord, Matthieu. 2011. Mod\u00e9lisation de la v\u00e9g\u00e9tation en milieu urbain\u00a0: d\u00e9tection et caract\u00e9risation \u00e0 partir d'images a\u00e9riennes haute r\u00e9solution couleur et infrarouge. Revue Fran\u00e7aise de Photogramm\u00e9trie et de T\u00e9l\u00e9d\u00e9tection<\/em>, 10\u00a0p. En ligne\u00a0: https:\/\/corinaiovan.com\/publications\/09_SFPT.pdf<\/a><\/p>\r\n

Michel, Pierre et Sall, Moustapha. 1984. Dynamique des paysages et am\u00e9nagement de la vall\u00e9e alluviale du S\u00e9n\u00e9gal<\/em>. Dans Blanc-Pamard Chantal,\u00a0Bonnemaison Jo\u00ebl,\u00a0Boutrais Jean, Lassailly-Jacob V\u00e9ronique et\u00a0Lericollais Andr\u00e9 (\u00e9ds), Le d\u00e9veloppement rural en questions : paysages, espaces ruraux, syst\u00e8mes agraires : Maghreb-Afrique noire-M\u00e9lan\u00e9sie<\/em> (p.\u00a089-109).\u00a0Paris\u00a0: ORSTOM.<\/p>\r\n

Nabucet, Jean. 2020. Apport des donn\u00e9es de t\u00e9l\u00e9d\u00e9tection \u00e0 tr\u00e8s haute r\u00e9solution spatiale pour la cartographie de la v\u00e9g\u00e9tation en milieu urbain<\/em>. Th\u00e8se de doctorat, Universit\u00e9 de Bretagne.<\/p>\r\n

Ndiaye, Mamadou Lamine. 2014. D\u00e9tection des changements d\u2019occupation du sol et mod\u00e9lisation g\u00e9omantique par \u00e9valuation multicrit\u00e8re pour la cartographie des zones vuln\u00e9rables aux inondations dans la r\u00e9gion de Dakar\/S\u00e9n\u00e9gal<\/em>. M\u00e9moire de projet de fin d\u2019\u00e9tudes, UM5 \/CRASTE-LF.<\/p>\r\n

Pommier, Guillaume, Provendier, Damien, Gutleben, Caroline et Musy, Marjorie. 2014. Impact du v\u00e9g\u00e9tal en ville. Programme de recherche VegDUD<\/em>.<\/p>\r\n

Puissant, Anne. 2003. Information g\u00e9ographique et images tr\u00e8s haute r\u00e9solution\u00a0: utilit\u00e9 et application en milieu urbain<\/em>. Th\u00e8se de doctorat, Universit\u00e9 Luis Pasteur Strasbourg I, France.<\/p>\r\n

Rapinel, S\u00e9bastien, Cl\u00e9ment, Bernard et Hubert-Moy, Laurence. 2019. Cartographie des zones humides par t\u00e9l\u00e9d\u00e9tection\u00a0: approche multi-scalaire pour une planification environnementale, Cybergeo: European Journal of Geography<\/em>. En ligne http:\/\/journals.openedition.org\/cybergeo\/31606<\/a>; DOI\u00a0: https:\/\/doi.org\/10.4000\/cybergeo.31606<\/a>, \u00a021\u00a0p.<\/p>\r\n

Samaaly, Mehrez. 1999. \u00c9tude de zones humides par approche spatiale\u00a0: application \u00e0 un marais anthropique (marais de Bourgneuf en Loire-Atlantique) et \u00e0 un marais naturel (Kaw en Guyane)<\/em>. M\u00e9moire de fin d\u2019\u00e9tudes, IRD, Laboratoire Commun de T\u00e9l\u00e9d\u00e9tection CEMAGREF\/ENGREF.<\/p>\r\n

Tidjani, Ahmed, Khorsi, Ali et Ziani. 2011. D\u00e9tection de la v\u00e9g\u00e9tation \u00e0 partir d'une image satellitaire<\/em>. M\u00e9moire de fin d\u2019\u00e9tudes, Universit\u00e9 Amar Thelidji Laghouat.<\/p>\r\n

Vacqui\u00e9, Laure et Houet, Thomas. 2012. Cartographie des zones humides de montagne par t\u00e9l\u00e9d\u00e9tection\u00a0: Potentialit\u00e9s des images \u00e0 Tr\u00e8s Haute R\u00e9solution Spatiale. Revue Internationale de G\u00e9omatique<\/em>, 4, 497-518.<\/p>\r\n

Welch, Richard. 1982. Spatial resolution requirement for urban studies. International Journal of Remote Sensing<\/em>, 3<\/em>(2), 138-146.<\/p>","rendered":"

\n

R\u00e9sum\u00e9 : <\/strong><\/p>\n

Les milieux urbains abritent des couvertures v\u00e9g\u00e9tales sous plusieurs formes qui remplissent des fonctions \u00e9cologiques de r\u00e9gulateur thermique, de biodiversit\u00e9, de qualit\u00e9 de l\u2019air, etc. L\u2019objectif de cette \u00e9tude est d\u2019analyser, \u00e0 travers la cartographie, l\u2019\u00e9volution des espaces verts et des zones humides en milieu urbain. Les images satellitaires Landsat TM de 1986, ETM+ de 2000, OLI de 2020 et MSI de Sentinel 2 sont utilis\u00e9es pour l\u2019analyse diachronique de l\u2019occupation du sol et l\u2019identification des espaces verts et des zones humides. La classification supervis\u00e9e et l\u2019algorithme maximum de vraisemblance ont \u00e9t\u00e9 utilis\u00e9s. Les r\u00e9sultats issus de la classification montrent que la v\u00e9g\u00e9tation urbaine est difficilement analysable sur les images \u00e0 haute r\u00e9solution spatiale (HRS). En effet, entre 1986 et 2020, la v\u00e9g\u00e9tation a diminu\u00e9 dans la r\u00e9gion de Dakar et est pass\u00e9e de 10,7\u00a0% \u00e0 6,6\u00a0% en faveur du b\u00e2ti. Les zones humides (eau) ont connu une l\u00e9g\u00e8re hausse, environ 0,2\u00a0%. Elles sont pass\u00e9es de 0,8\u00a0% en 1986 \u00e0 1\u00a0% en 2020. Les images Sentinel-2 de 10 m\u00e8tres de r\u00e9solution spatiale donnent un meilleur r\u00e9sultat sur la cartographie des espaces verts et des zones humides en milieu urbain qu\u2019\u00e0 celles de Landsat-8 qui sont de 30 m\u00e8tres de r\u00e9solution.<\/p>\n<\/div>\n

\n

Mots-cl\u00e9s : <\/strong>cartographie<\/a>, couvert v\u00e9g\u00e9tal<\/a>, Landsat<\/a>, S\u00e9n\u00e9gal<\/a>, Sentinel<\/a>, zones humides<\/a><\/p>\n<\/div>\n

\n

Abstract : <\/strong><\/p>\n

Urban environments are home to various types of plant cover that fulfil ecological functions such as thermal regulation, biodiversity and air quality. The aim of this study is to use cartography to analyse changes in green spaces and wetlands in urban areas. Landsat TM satellite images from 1986, ETM+ from 2000, OLI from 2020 and MSI from Sentinel 2 are used for the diachronic analysis of land cover and the identification of green spaces and wetlands. Supervised classification and the maximum likelihood algorithm were used. The results of the classification show that urban vegetation is difficult to analyse on High Spatial Resolution (HRS) images. Between 1986 and 2020, vegetation in the Dakar region declined from 10.7% to 6.6% in favour of built-up areas. Wetlands (water) increased slightly, by around 0.2%. They increased from 0.8% in 1986 to 1% in 2020. Sentinel-2 images with a spatial resolution of 10 metres give better results for mapping green spaces and wetlands in urban areas than Landsat-8 images with a resolution of 30 metres.<\/p>\n<\/div>\n

\n

Keywords : <\/strong>Dakar<\/a>, Landsat<\/a>, mapping<\/a>, Senegal<\/a>, Sentinel<\/a>, vegetation cover<\/a>, wetlands<\/a><\/p>\n<\/div>\n

\n

R\u00e9sum\u00e9 (wolof) : <\/strong><\/p>\n

\u00cbmbeef yi ci d\u00ebkki taax yi dekkuwaayu garab yu bari la\u00f1uy muur ci anam yu bari, lu ci melni yamale t\u00e0ngoor, biodiversite, kalite ngelaw, ak \u00f1oom seen. Li g\u00ebstu bi di y\u00f3otu mooy j\u00e0ngat j\u00ebm kanam gi ci barab yu wert yi ak tool yi ci d\u00ebkki taax yi jaaraleko ci k\u00e0rt. Nataali satelit Landsat TM ci 1986, ETM+ ci 2000, OLI ci 2020 ak MSI ci Sentinel 2 la\u00f1u j\u00ebfandikoo ngir j\u00e0ngat diachronic j\u00ebfandikoo suuf si ak r\u00e0\u00f1\u00f1ee barab yu wert yi ak tool yi. J\u00ebfandikoo na\u00f1u xaaj bu\u00f1 saytu ak algorithm bu g\u00ebna am w\u00ebrs\u00ebg. Resultaa yi bawoo ci xaaj bi da\u00f1u wane ni \u00f1axi d\u00ebkk yu mag yi da\u00f1u jafe j\u00e0ngat ci nataal yu am dayo spatial bu kawe (HRS). D\u00ebgg la, diggante 1986 ak 2020, \u00f1ax mi w\u00e0\u00f1\u00f1eeku na ci diwaanu Dakar, joge ci 10,7% dem ba 6,6% ci tabax yi. Wetlands (ndox) dafa yokk tuuti, luy tollu ci 0.2%. \u00d1u yokk joge ci 0.8% ci 1986 dem ba 1% ci 2020. Nataali Sentinel-2 yu am 10 meetar ci dayo spatial \u00f1oo g\u00ebna joxe njari\u00f1 ci k\u00e0rtu barab yu wert yi ak tool yi ci d\u00ebkki taax yi, moo g\u00ebn \u00f1oo\u00f1u ci Landsat -8 yu am dayo 30 meetar.<\/p>\n<\/div>\n

\n

Mots-cl\u00e9s (wolof) : <\/strong>Dakar<\/a>, kartografi<\/a>, Landsat<\/a>, muur \u00f1ax<\/a>, S\u00e9n\u00e9gal<\/a>, Sentinel<\/a>, tool<\/a><\/p>\n<\/div>\n

\n

Historique de l’article<\/strong>
Date de r\u00e9ception : <\/strong>26 mars 2024
Date d’acceptation : <\/strong>20 septembre 2024
Date de publication : <\/strong>31 d\u00e9cembre 2024<\/p>\n<\/div>\n

\n

Type de texte : <\/strong>Article<\/p>\n<\/div>\n

 <\/p>\n

Introduction<\/h2>\n

L\u2019\u00e9tude des caract\u00e9ristiques des milieux urbains a connu une ascension spectaculaire gr\u00e2ce \u00e0 de nombreuses possibilit\u00e9s qu\u2019offre la t\u00e9l\u00e9d\u00e9tection spatiale. Les connaissances sur l’\u00e9tendue et les composantes de l\u2019occupation du sol sont importantes pour le suivi et la planification du d\u00e9veloppement urbain, l\u2019\u00e9valuation des risques, la gestion des catastrophes et la gestion des ressources naturelles.<\/p>\n

La t\u00e9l\u00e9d\u00e9tection urbaine a fait son apparition au d\u00e9but des ann\u00e9es 1970, avec des images fournies par le capteur Multi-Spectral Scanner (MSS), mont\u00e9 \u00e0 bord de Landsat 1, 2 et 3 (op\u00e9rationnels jusqu\u2019en 1983), m\u00eame si la r\u00e9solution spatiale (80 m) limite l\u2019analyse (Ballut et Nguyen, 1984; Forster, 1985; Welch, 1982) et ne permet pas d\u2019\u00e9tudier la ville dans son ensemble. \u00c0 partir des ann\u00e9es 1980, une deuxi\u00e8me g\u00e9n\u00e9ration de satellites est mise sur orbite avec des capteurs \u00e0 haute r\u00e9solution spatiale (30\u00a0m) comme Landsat TM, ETM+ et le plus r\u00e9cent capteur Landsat 8 OLI lanc\u00e9 en 2013. L\u2019avanc\u00e9e rapide de la t\u00e9l\u00e9d\u00e9tection est accompagn\u00e9e d\u2019une diversification des capteurs et d\u2019une finesse de la r\u00e9solution spatiale. Plusieurs satellites \u00e0 tr\u00e8s haute r\u00e9solution spatiale (THRS) comme SPOT, Quickbird, IKONOS, Pl\u00e9iades, etc. ont \u00e9t\u00e9 con\u00e7us ces derni\u00e8res ann\u00e9es et ont rendu les donn\u00e9es d’observation de la Terre disponibles \u00e0 des r\u00e9solutions de plus en plus fines (inf\u00e9rieures \u00e0 5\u00a0m). Ces satellites fournissent plus de d\u00e9tails sur les zones urbaines.<\/p>\n

Les espaces urbains sont caract\u00e9ris\u00e9s par une grande h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 des \u00e9l\u00e9ments constitutifs. La r\u00e9solution spatiale utilis\u00e9e pour discriminer la structure urbaine doit \u00eatre adapt\u00e9e \u00e0 chaque type de ville (Welch, 1982; Forster, 1985). Les milieux urbains abritent des couvertures v\u00e9g\u00e9tales sous toutes ses formes remplissant des fonctions \u00e9cologiques de r\u00e9gulateur thermique, de biodiversit\u00e9, de qualit\u00e9 de l\u2019air, etc. La v\u00e9g\u00e9tation en milieu urbain est constitu\u00e9e d\u2019arbres isol\u00e9s, de plantations diverses et de v\u00e9g\u00e9tation aquatique.<\/p>\n

\u00c0 Dakar, avec une urbanisation acc\u00e9l\u00e9r\u00e9e, le couvert v\u00e9g\u00e9tal occupe rarement de vastes \u00e9tendues, except\u00e9 les zones prot\u00e9g\u00e9es (for\u00eat class\u00e9e) et les bordures des zones humides. Ces derni\u00e8res fournissent des services \u00e9cosyst\u00e9miques, dont l\u2019att\u00e9nuation du changement climatique. Malheureusement, ses fonctionnalit\u00e9s sont mal connues. Ces \u00e9cosyst\u00e8mes constituent d\u2019importantes niches de biodiversit\u00e9, ce qui fait d\u2019elles les \u00e9cosyst\u00e8mes les plus divers et les plus productifs de la Terre en plus de jouer le r\u00f4le de r\u00e9gulateur thermique. La protection de ces ressources naturelles est aujourd\u2019hui fondamentale dans un contexte de changement climatique. Une v\u00e9g\u00e9tation arbor\u00e9e peut baisser de 2\u00a0\u00b0C la temp\u00e9rature dans une rue, ce qui peut lutter contre les ilots de chaleur urbaine (Nabucet, 2020).<\/p>\n

L’int\u00e9gration de la t\u00e9l\u00e9d\u00e9tection en combinaison avec les syst\u00e8mes d’information g\u00e9ographique (SIG) a consid\u00e9rablement fait progresser l’\u00e9valuation des changements d’utilisation des terres et de la d\u00e9gradation des paysages \u00e0 diverses \u00e9chelles (Lambin et<\/em> al., 2003; Turner et<\/em> al., 1994). L’objectif de cette recherche est de cartographier et d\u2019analyser l\u2019\u00e9volution de la v\u00e9g\u00e9tation et des zones humides, en int\u00e9grant les informations de t\u00e9l\u00e9d\u00e9tection et les donn\u00e9es issues des campagnes de terrain.<\/p>\n

Pr\u00e9sentation de la r\u00e9gion<\/h2>\n

La r\u00e9gion de Dakar est situ\u00e9e entre 14\u00b0 33\u2019 et 14\u00b0 51\u2019 de latitude nord et 17\u00b0 28\u201930\u2019\u2019 et 17\u00b0 10\u201930\u2019\u2019 de longitude ouest (figure 1). Elle est situ\u00e9e \u00e0 l’extr\u00e9mit\u00e9 occidentale de l’Afrique, sur l’\u00e9troite presqu’\u00eele du Cap-Vert. Elle couvre une superficie de 550 km2<\/sup> soit 0,3\u00a0% du territoire national (GRDR, 2014) compos\u00e9e de cinq d\u00e9partements (Dakar, Gu\u00e9diawaye, Pikine, Keur Massar et Rufisque) et de 52 collectivit\u00e9s locales. Le climat est de type sah\u00e9lien c\u00f4tier. Les temp\u00e9ratures varient entre 17\u00a0\u00b0C et 30\u00a0\u00b0C en fonction des saisons. Du point de vue du relief, Dakar est une zone plate (\u00e0 l\u2019exception des Mamelles) marqu\u00e9e des d\u00e9pressions inter-dunaires o\u00f9 la nappe phr\u00e9atique est peu profonde.<\/p>\n

Le couvert v\u00e9g\u00e9tal de la r\u00e9gion de Dakar est azonal du fait de la large gamme de paysages morpho-p\u00e9dologiques et du climat maritime mod\u00e9r\u00e9. Deux grands ensembles se distinguent\u00a0: une v\u00e9g\u00e9tation anthropique r\u00e9sultante des activit\u00e9s humaines compos\u00e9e de jardin arboricole, de pelouse, d\u2019arbres isol\u00e9s, etc. et une v\u00e9g\u00e9tation hygrophile entourant les zones humides.<\/p>\n

Figure 1. Situation g\u00e9ographique de la r\u00e9gion de Dakar\"\"<\/p>\n

Mat\u00e9riels et m\u00e9thodes<\/h2>\n

Acquisition des donn\u00e9es<\/h3>\n

Les images Landsat et Sentinel-2 sont extraites de la plateforme Google Earth Engine (GEE) (tableau 1). Les images Landsat retenues pour cette \u00e9tude ont \u00e9t\u00e9 choisies sur la base de leur disponibilit\u00e9, de leur accessibilit\u00e9 libre et gratuite, mais aussi de leur anciennet\u00e9 qui couvre une p\u00e9riode allant de 1972 \u00e0 nos jours. Ces images ont \u00e9t\u00e9 prises en saison s\u00e8che (f\u00e9vrier et mars) permettent de discriminer le couvert v\u00e9g\u00e9tal du couvert herbac\u00e9. La r\u00e9flectance de ces deux types de v\u00e9g\u00e9tation se confond lorsque les images sont acquises en saison pluvieuse ou juste \u00e0 la fin de celle-ci.<\/p>\n

La plateforme GEE permet aux utilisateurs et utilisatrices de visualiser et d’analyser les images satellites de la Terre. Elle regroupe plus de 40 ans d’images satellites anciennes et actuelles, ainsi que les outils et la puissance de calcul n\u00e9cessaires pour analyser et exploiter cet immense entrep\u00f4t de donn\u00e9es. C\u2019est une plateforme en cloud pour l’analyse des donn\u00e9es g\u00e9ospatiales en donnant \u00e0 l\u2019utilisateur et \u00e0 l\u2019utilisatrice la possibilit\u00e9 de travailler dans une infrastructure du Geospatial Big Data\u00a0: donn\u00e9es d\u2019observation de la Terre et cloud computing.<\/p>\n

Tableau 1. Caract\u00e9ristiques spectrales et spatiales des images satellitaires utilis\u00e9es\"\"<\/p>\n

M\u00e9thode de d\u00e9tection et d\u2019extraction de la v\u00e9g\u00e9tation urbaine<\/h3>\n

Le milieu urbain est un m\u00e9lange de portions de routes, de b\u00e2timents, de zones herbac\u00e9es, bois\u00e9es et de sols nus. Leur r\u00e9flectance spectrale peut conna\u00eetre des variations importantes en fonction de leur couleur, leur brillance, leur orientation ou leur inclinaison (Iovan et<\/em> al<\/em>. 2011). Plusieurs facteurs influencent les signatures spectrales des objets en milieu urbain. La nature des constructions, les surfaces lisses, la pollution atmosph\u00e9rique, etc. peuvent modifier consid\u00e9rablement le signal r\u00e9fl\u00e9chi. Les techniques de t\u00e9l\u00e9d\u00e9tection \u00e0 haute r\u00e9solution permettent d\u2019\u00e9tablir de fa\u00e7on tr\u00e8s pr\u00e9cise, avec une marge d\u2019erreur insignifiante, la couverture v\u00e9g\u00e9tale en milieu urbain (Besse et Rouet, 2009). La d\u00e9tection et l\u2019extraction de l\u2019information \u00e0 partir d\u2019images satellitaires sont effectu\u00e9es, d\u2019une part, par classification orient\u00e9e pixel, et d\u2019autre part, par des indices spectraux.<\/p>\n

La premi\u00e8re approche adopt\u00e9e repose sur une m\u00e9thode de classification supervis\u00e9e. Le protocole repose sur les zones d\u2019entrainement fournies par l\u2019utilisateur et l\u2019utilisatrice qui permettent \u00e0 l\u2019algorithme d\u2019y effectuer un apprentissage sur la base des r\u00e9ponses spectrales des objets et de classifier l\u2019image.<\/p>\n

La deuxi\u00e8me approche consiste \u00e0 faire appel aux indices spectraux de v\u00e9g\u00e9tation efficaces dans la mise en \u00e9vidence du couvert v\u00e9g\u00e9tal. Ainsi, l\u2019indice de v\u00e9g\u00e9tation par diff\u00e9rence normalis\u00e9e (NDVI) et l\u2019indice de v\u00e9g\u00e9tation ajust\u00e9 pour le sol (SAVI) ont \u00e9t\u00e9 appliqu\u00e9s sur les deux images, suivi d\u2019un seuillage sur leurs valeurs minimales. Le seuillage est une op\u00e9ration directe appliqu\u00e9e sur les images satellitaires pour la prise de d\u00e9cision. Cette m\u00e9thode pr\u00e9sente une probl\u00e9matique li\u00e9e \u00e0 l\u2019estimation du seuil optimal qui peut \u00eatre variable selon les images utilis\u00e9es. Pour fixer la valeur seuil des indices de v\u00e9g\u00e9tation, un \u00e9chantillon de v\u00e9rit\u00e9 du terrain obtenu par positionnement par satellite a \u00e9t\u00e9 utilis\u00e9. Une superposition des coordonn\u00e9es de l\u2019\u00e9chantillon avec l\u2019image multispectrale a permis de retenir un seuil acceptable. Cette m\u00e9thode n\u00e9cessite une connaissance a priori de la r\u00e9alit\u00e9 du terrain.<\/p>\n

Figure 2. M\u00e9thodologie d\u2019extraction de la v\u00e9g\u00e9tation dans la r\u00e9gion de Dakar\"\"<\/p>\n

R\u00e9sultats<\/h2>\n

Fonctions \u00e9cosyst\u00e9miques de la v\u00e9g\u00e9tation urbaine<\/h3>\n

Selon le Groupe intergouvernemental sur le climat (GIEC), onze des douze ann\u00e9es les plus chaudes jamais observ\u00e9es ont \u00e9t\u00e9 enregistr\u00e9es depuis 1995 et seraient attribuables \u00e0 la pr\u00e9sence accrue des gaz \u00e0 effet de serre dans l\u2019atmosph\u00e8re. Les conclusions des rapports (GIEC, 2007 et 2014) indiquent une augmentation des temp\u00e9ratures moyennes dans les prochaines d\u00e9cennies. Ce changement climatique combin\u00e9 \u00e0 la perte progressive du couvert v\u00e9g\u00e9tal dans les milieux urbains va accentuer l\u2019effet d\u2019\u00eelot de chaleur en ville (Gigu\u00e8re, 2009). Cependant, la v\u00e9g\u00e9tation urbaine serait une solution alternative au vu de nombreux services \u00e9cosyst\u00e9miques qu\u2019elle offre. Sa pr\u00e9sence en milieu urbain entrainerait une r\u00e9duction des \u00e9missions de gaz \u00e0 effet de serre comme le CO2, le N2O, le CH4, etc. La v\u00e9g\u00e9tation, sous ses diff\u00e9rentes configurations, joue un r\u00f4le de rafraichisseur dans les p\u00e9riodes de fortes temp\u00e9ratures et de filtre de pollution. Les toitures v\u00e9g\u00e9talis\u00e9es favorisent le stockage temporaire de l\u2019eau de pluie et l\u2019\u00e9vapotranspiration (Pommier et al<\/em>. 2014).<\/p>\n

La s\u00e9questration de carbone par la v\u00e9g\u00e9tation et les sols contribue \u00e0 diminuer la teneur en CO2 de l\u2019atmosph\u00e8re (Anquetil, 2010). Les \u00e9tendues foliaires comme la for\u00eat class\u00e9e de Mbao et les alentours des points d\u2019eau dans la r\u00e9gion de Dakar, influencent la qualit\u00e9 de l\u2019air. Dans un contexte de pollution accrue au point que Dakar soit class\u00e9e deuxi\u00e8me ville la plus pollu\u00e9e au monde (OMS, 2018), la v\u00e9g\u00e9tation intercepte les particules polluantes et absorbe certaines sous forme gazeuse tout en produisant de l\u2019oxyg\u00e8ne. Sa rugosit\u00e9 a\u00e9rodynamique modifie les vents et impacte la dispersion et le d\u00e9p\u00f4t des particules polluantes. Du point de vue g\u00e9omorphologique, une forte couverture de la v\u00e9g\u00e9tation prot\u00e8ge le sol contre le ruissellement et la battance. Elle fixe le sol et r\u00e9duit l\u2019\u00e9rosion hydrique. La pr\u00e9sence du couvert v\u00e9g\u00e9tal sur les fa\u00e7ades des b\u00e2timents ou \u00e0 l\u2019int\u00e9rieur des maisons (cas le plus fr\u00e9quent \u00e0 Dakar) impacte sur la consommation \u00e9nerg\u00e9tique de ces derni\u00e8res. Elle intercepte le rayonnement solaire dont les grandes longueurs d\u2019onde proche de l\u2019infrarouge sont fortement r\u00e9fl\u00e9chies et cr\u00e9e une ombre qui adoucit les temp\u00e9ratures.<\/p>\n

Malgr\u00e9 le r\u00f4le important que joue la v\u00e9g\u00e9tation, on assiste aujourd\u2019hui \u00e0 une densification du b\u00e2ti (b\u00e2timents, routes, pav\u00e9s\u2026) \u00e0 Dakar au d\u00e9triment des espaces verts et humides. Cela se manifeste par la disparition de la bande des filaos des Niayes, la r\u00e9duction de la superficie du Lac Rose et le remblaiement des zones d\u00e9pressionnaires dans la p\u00e9riph\u00e9rie de Dakar destin\u00e9es \u00e0 l\u2019habitat. Le seul poumon vert \u00e0 Dakar est la for\u00eat class\u00e9e de Mbao d\u2019une superficie de 7200\u00a0ha. Ce qui rend les sols imperm\u00e9ables et augmente la vuln\u00e9rabilit\u00e9 de la r\u00e9gion aux inondations.<\/p>\n

Occupation du sol<\/h3>\n

Les diff\u00e9rentes unit\u00e9s d\u2019occupation du sol ont vari\u00e9 dans le temps et dans l\u2019espace. Entre 1986 et 2020 (figure 3), le b\u00e2ti a fortement augment\u00e9 dans l\u2019agglom\u00e9ration de Dakar (tableau 2). Il est pass\u00e9 de 13.7\u00a0% \u00e0 18.4\u00a0% de la superficie totale de la r\u00e9gion, soit une augmentation de 4.7\u00a0%. Cette augmentation s\u2019est faite au d\u00e9triment des espaces verts (v\u00e9g\u00e9tation) et des sols peu bois\u00e9s (sols nus). Les zones humides (eau) ont connu une l\u00e9g\u00e8re hausse d\u2019environ 0.2\u00a0%.<\/p>\n

Tableau 2. \u00c9volution de l’occupation du sol en\u00a0% en 1986, 2000 et 2020<\/p>\n

\n\n\n\n\n\n\n\n\n
Occupation du sol<\/strong><\/td>\n1986<\/strong><\/td>\n2000<\/strong><\/td>\n2020<\/strong><\/td>\n<\/tr>\n
B\u00e2ti<\/td>\n13.7<\/td>\n14.6<\/td>\n18.4<\/td>\n<\/tr>\n
V\u00e9g\u00e9tation<\/td>\n10.7<\/td>\n13.6<\/td>\n6.6<\/td>\n<\/tr>\n
Sols nus<\/td>\n74.8<\/td>\n71.0<\/td>\n74.0<\/td>\n<\/tr>\n
Eau<\/td>\n0.8<\/td>\n0.8<\/td>\n1<\/td>\n<\/tr>\n
TOTAL<\/strong><\/td>\n100<\/strong><\/td>\n100<\/strong><\/td>\n100<\/strong><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n

Figure 3\u00a0.<\/em> \u00c9volution de l’occupation du sol en 1986, 2000 et 2020<\/span>\"\"<\/p>\n

Extraction de la v\u00e9g\u00e9tation \u00e0 partir de Sentinel-2 et Landsat 8 OLI<\/h3>\n

L\u2019analyse qualitative des r\u00e9sultats issus des classifications (figure 4) montre que la m\u00e9thode de classification utilis\u00e9e donne des r\u00e9sultats beaucoup plus pr\u00e9cis avec l\u2019image Sentinel-2 qui estime la v\u00e9g\u00e9tation \u00e0 7\u00a0% de l\u2019occupation du sol tandis qu\u2019avec Landsat-8 OLI, la v\u00e9g\u00e9tation occupe 6.6\u00a0%. Cet \u00e9tat de fait s\u2019explique par la finesse de la r\u00e9solution spatiale de Sentinel-2 qui permet de d\u00e9tecter de petites surfaces foliaires en milieu urbain tandis que Landsat-8 OLI ne d\u00e9tecte que de grandes \u00e9tendues foliaires en raison de la grande r\u00e9solution spatiale. Les pixels de v\u00e9g\u00e9tation en b\u00e2ti dense de Sentinel-2 se retrouvent dans des pixels mixtes avec Landsat-8 OLI, ce qui entraine une sous-estimation de la v\u00e9g\u00e9tation urbaine. Cependant, il faut noter que le capteur OLI est tr\u00e8s sensible \u00e0 la r\u00e9flectance du b\u00e2ti en milieu urbain en fournissant des r\u00e9sultats pr\u00e9cis.<\/p>\n

Figure 4. Occupation du sol par Sentinel-2\/MSI et Landsat 8\/OLI entre mars et avril 2020 dans la r\u00e9gion de Dakar\"\"<\/p>\n

Extraction par indices de v\u00e9g\u00e9tation<\/h3>\n

La valeur seuil optimale est fix\u00e9e \u00e0 partir des recherches manuelles sur les indices calcul\u00e9s. Elle n\u2019est pas d\u00e9termin\u00e9e a priori. Le seuillage est bas\u00e9 sur la valeur minimale de l\u2019indice de v\u00e9g\u00e9tation. Les r\u00e9sultats fournis par cette m\u00e9thode (figure 5) montrent que l\u2019approche par indice est plus pr\u00e9cise que les classifications. Cependant, le NDVI pr\u00e9sente des limites dans les milieux complexes. En milieu urbain par exemple, les espaces verts sont caract\u00e9ris\u00e9s par un m\u00e9lange \u00e0 proportions variables de zones bois\u00e9es, de sols nus, d’espaces construits, de voies de communication, etc. (Tidjani, 2011). La signature spectrale de ces objets se m\u00e9lange avec celui du couvert v\u00e9g\u00e9tal, rendant ce dernier difficilement identifiable. Cette mixit\u00e9 des pixels n\u2019est pas prise en compte par l\u2019indice de v\u00e9g\u00e9tation par diff\u00e9rence normalis\u00e9e (NDVI) sensible aux propri\u00e9t\u00e9s optiques du sol sous-jacent, ce qui peut conduire \u00e0 des erreurs importantes si la v\u00e9g\u00e9tation que l\u2019on souhaite caract\u00e9riser n\u2019est pas assez dense (Be Api, 2016) comme en zone urbaine. Les r\u00e9sultats obtenus \u00e0 partir du seuillage du NDVI montrent que le capteur MSI est plus ad\u00e9quat \u00e0 l\u2019extraction de la v\u00e9g\u00e9tation urbaine. Toutefois, compte tenu des limites du NDVI, un deuxi\u00e8me indice, le SAVI (Soil Adjusted Vegetation Index), est utilis\u00e9 et prend en compte l’influence des sols. Le signal r\u00e9fl\u00e9chi par les sols est s\u00e9par\u00e9 de celui du couvert v\u00e9g\u00e9tal afin de mettre en \u00e9vidence avec plus de pr\u00e9cision les surfaces foliaires. Cet indice a \u00e9t\u00e9 appliqu\u00e9 sur les images utilis\u00e9es et a donn\u00e9 des r\u00e9sultats plus pr\u00e9cis en termes d\u2019analyses qualitative et quantitative. Le NDVI et le SAVI de Landsat-8 OLI estiment respectivement la v\u00e9g\u00e9tation urbaine \u00e0 6,69\u00a0% et 4,74\u00a0% tandis que les m\u00eames indices calcul\u00e9s sur l\u2019image Sentinel-2 MSI estiment le couvert v\u00e9g\u00e9tal \u00e0 4,42\u00a0%.<\/p>\n

Figure 5. Extraction de la v\u00e9g\u00e9tation urbaine par seuillage du NDVI et du SAVI dans la r\u00e9gion de Dakar<\/p>\n

\"\"<\/p>\n

Cartographie des zones humides<\/h3>\n

Selon la Convention de Ramsar (1971), les zones humides comprennent une grande diversit\u00e9 d\u2019habitats\u00a0: marais, tourbi\u00e8res, plaines d\u2019inondation, cours d\u2019eau et lacs, zones c\u00f4ti\u00e8res telles que les marais sal\u00e9s, les mangroves et les lits de zost\u00e8res. On y trouve aussi des r\u00e9cifs coralliens et autres zones marines dont la profondeur n\u2019exc\u00e8de pas six m\u00e8tres \u00e0 mar\u00e9e basse et zones humides artificielles telles que les bassins de traitement des eaux us\u00e9es et les lacs de retenue. Les zones humides sont des milieux qui contribuent fortement au maintien de la biodiversit\u00e9 et de la qualit\u00e9 de l\u2019eau (Rapinel et<\/em> al<\/em>., 2019). Elles forment des \u00e9tendues consid\u00e9rables et diversifi\u00e9es dont la plus importante se trouve dans la zone technopole (d\u00e9partement de Pikine). On les retrouve \u00e9galement au nord de la r\u00e9gion de Dakar et au sud \u00e0 Bargny. Elles ont connu une \u00e9volution entre 1986 et 2020 (figure 6) et sont constitu\u00e9es par des prairies inondables qu\u2019on retrouve \u00e0 la limite des zones humides, caract\u00e9ris\u00e9es par un engorgement p\u00e9riodique en eau, des tourbi\u00e8res form\u00e9es essentiellement par une accumulation de mati\u00e8re organique et des zones marines comme la lagune de Bargny. Les zones humides de Dakar sont de plus en plus menac\u00e9es par l\u2019urbanisation du fait d\u2019une forte pression d\u00e9mographique. Elles constituent d\u2019importantes zones de conservation de la biodiversit\u00e9 (Badiane et al<\/em>., 2018).<\/p>\n

Figure 6. \u00c9volution des zones humides en 1986, 2000 et 2020\"\"<\/p>\n

Extraction des zones humides \u00e0 partir de Sentinel-2 et Landsat 8 OLI<\/h3>\n

L\u2019estimation de la superficie des zones humides n\u2019est pas ais\u00e9e en raison de leurs caract\u00e9ristiques. Ce sont des \u00e9cosyst\u00e8mes constitu\u00e9s de formations herbac\u00e9es, arbustives et d\u2019eau. L\u2019\u00e9tude des zones humides par approche spatiale passe par les potentialit\u00e9s des donn\u00e9es acquises \u00e0 diff\u00e9rentes \u00e9chelles. \u00c0 chaque \u00e9chelle d’\u00e9tude, correspondent un niveau d’observation et un outil sp\u00e9cifique (Samaaly, 1999). C\u2019est dans cette optique que nous avons compar\u00e9 l\u2019apport des images haute r\u00e9solution spatiale de Sentinel-2 et de Landsat-8 OLI \u00e0 l\u2019\u00e9tude des zones humides en milieu urbain. Toutefois, la d\u00e9tection des zones humides reste difficile \u00e0 partir de donn\u00e9es HRS du fait des similitudes entre diff\u00e9rentes esp\u00e8ces v\u00e9g\u00e9tales, de la faible r\u00e9solution spatiale des images et de la faible r\u00e9p\u00e9titivit\u00e9 temporelle (Vacqui\u00e9, 2012). L\u2019analyse des classifications (figure 7) r\u00e9v\u00e8le la sensibilit\u00e9 des capteurs \u00e0 la d\u00e9tection des zones humides. Ces derni\u00e8res ont bien \u00e9t\u00e9 mises en \u00e9vidence sauf la lagune de Bargny qui montre par ailleurs les limites des r\u00e9solutions spatiales et radiom\u00e9triques des images fournies par Landsat et Sentinel-2. La mixit\u00e9 des pixels (eau et v\u00e9g\u00e9tation) justifie les erreurs d\u2019estimation et les probl\u00e8mes de d\u00e9tection observ\u00e9s sur les images. La couverture v\u00e9g\u00e9tale est par endroit tr\u00e8s dense rendant la d\u00e9tection des surfaces d\u2019eau difficile par le capteur. Ces cas de figure concernent les petites d\u00e9pressions (les bas-fonds et les petites surfaces d\u2019eau propices au d\u00e9veloppement de la v\u00e9g\u00e9tation). L\u2019estimation de leurs superficies est limit\u00e9e non seulement par la mixit\u00e9 des pixels, mais \u00e9galement par leur caract\u00e8re dynamique. La d\u00e9tection et l\u2019identification des zones humides \u00e0 partir des images satellitaires acquises en saison non pluvieuse, correspondent \u00e0 la p\u00e9riode o\u00f9 une forte \u00e9vaporation et un r\u00e9tr\u00e9cissement des eaux sont not\u00e9s. Les limites exactes sont difficilement cartographiables avec les images \u00e0 haute r\u00e9solution spatiale analys\u00e9es.<\/p>\n

Figure 7. Cartographie des zones humides de Technopole \u00e0 travers Landsat-8 OLI et Sentinel-2<\/p>\n

\"\"<\/p>\n

Discussion<\/h2>\n

Pour construire des indicateurs de la qualit\u00e9 de l\u2019environnement, l\u2019analyse de la morphologie de la v\u00e9g\u00e9tation urbaine para\u00eet indispensable. L\u2019apport de la r\u00e9solution est essentiel pour les th\u00e8mes de la v\u00e9g\u00e9tation urbaine (Puissant, 2003). La configuration de la v\u00e9g\u00e9tation urbaine rend difficiles son identification et son extraction \u00e0 partir des images satellitaires \u00e0 faible r\u00e9solution spatiale. La densit\u00e9 du b\u00e2ti entraine une mixit\u00e9 prononc\u00e9e de pixels et une ombre qui constituent une g\u00eane pour les traitements automatiques, car elles masquent certaines zones et ont une r\u00e9ponse spectrale proche de l\u2019eau stagnante (Puissant, 2003). Ce caract\u00e8re h\u00e9t\u00e9rog\u00e8ne des pixels au sol entraine une surestimation par endroit du b\u00e2ti. Un pixel Landsat OLI couvre 900 m\u00b2 au sol, une r\u00e9solution largement sup\u00e9rieure aux parcelles d\u2019habitation. Il est difficile de trouver un pixel pur compte tenu de ces caract\u00e9ristiques spatiales du capteur OLI. Quant au Sentinel-2 MSI, la finesse de la r\u00e9solution spatiale donne plus de d\u00e9tails au sol. Les images HRS Sentienl-2A renvoient, gr\u00e2ce \u00e0 leur r\u00e9solution spatiale, des informations homog\u00e8nes sur les entit\u00e9s d\u2019occupation du sol. Les m\u00eames constats ont \u00e9t\u00e9 faits sur les indices de v\u00e9g\u00e9tation (NDVI et SAVI) calcul\u00e9s. Une sous-estimation du couvert v\u00e9g\u00e9tal est observ\u00e9e sur les r\u00e9sultats du seuillage. La valeur minimale des indices de v\u00e9g\u00e9tation est obtenue \u00e0 proximit\u00e9 des zones humides o\u00f9 on note une forte croissance foliaire. Un seuillage bas\u00e9 sur cette derni\u00e8re peut ne pas prendre en compte les pixels mixtes dans lesquels la v\u00e9g\u00e9tation domine. Leur signature spectrale donne l\u2019allure de celle de la v\u00e9g\u00e9tation, mais diff\u00e8re de celles des pixels purs. En r\u00e9alit\u00e9, il est difficile de qualifier un capteur comme id\u00e9al \u00e0 la cartographie de la v\u00e9g\u00e9tation urbaine. Celui-ci peut avoir des caract\u00e9ristiques spatiales et spectrales adapt\u00e9es \u00e0 la d\u00e9tection des espaces foliaires en milieu urbain. La classification par SVM ainsi que le seuillage sur la valeur minimale des indices v\u00e9g\u00e9tation utilis\u00e9s ont donn\u00e9 des r\u00e9sultats satisfaisants malgr\u00e9 les confusions dues \u00e0 la mixit\u00e9 des pixels et aux caract\u00e9ristiques du milieu urbain \u00e0 Dakar. Les donn\u00e9es issues des capteurs Landsat-8 OLI et Sentinel-2 sont adapt\u00e9es \u00e0 l\u2019\u00e9tude des ph\u00e9nom\u00e8nes spatiaux \u00e0 vaste \u00e9tendue, mais \u00e9galement \u00e0 la cartographie des unit\u00e9s spatiales un peu particuli\u00e8re dans des milieux tr\u00e8s h\u00e9t\u00e9rog\u00e8nes. Les r\u00e9sultats obtenus r\u00e9v\u00e8lent que les images \u00e0 tr\u00e8s haute r\u00e9solution avec des m\u00e9thodes de traitement adapt\u00e9es peuvent mettre en \u00e9vidence avec plus de pr\u00e9cision, la v\u00e9g\u00e9tation urbaine.<\/p>\n

Conclusion<\/h2>\n

Les r\u00e9sultats issus des classifications sont satisfaisants avec des coefficients Kappa, respectivement de 95\u00a0% pour Sentinel-2 et de 84\u00a0% pour Landsat-8 OLI. Ces r\u00e9sultats, compar\u00e9s \u00e0 la r\u00e9alit\u00e9 du terrain, ont permis d\u2019appr\u00e9cier en premier lieu l\u2019apport de la r\u00e9solution spatiale dans l\u2019extraction de la v\u00e9g\u00e9tation urbaine. Cependant, ces r\u00e9sultats pr\u00e9sentent des imperfections qui se traduisent par des confusions entre certaines classes comme le b\u00e2ti et les sols nus. Toutefois, les r\u00e9sultats obtenus par seuillage d\u2019indice ont \u00e9t\u00e9 confront\u00e9s \u00e0 la r\u00e9alit\u00e9 du terrain et sont jug\u00e9s acceptables, mais les imperfections demeurent et peuvent s\u2019expliquer par la complexit\u00e9 du milieu \u00e9tudi\u00e9. En d\u00e9finitive, il serait difficile de d\u00e9signer un capteur optique id\u00e9al parmi les deux qui ont \u00e9t\u00e9 utilis\u00e9s pour l\u2019\u00e9tude de la v\u00e9g\u00e9tation urbaine. Mais, on peut miser sur les caract\u00e9ristiques radiom\u00e9triques et spatiales en fonction des objets \u00e0 identifier et des \u00e9chelles cartographiques.<\/p>\n

R\u00e9f\u00e9rences<\/h2>\n

Anquetil, Virginie. 2010. Typologie et fonctions \u00e9cosyst\u00e9miques de la v\u00e9g\u00e9tation urbaine\u00a0: Contributions m\u00e9thodologiques<\/em>. M\u00e9moire de fin d’\u00e9tudes, Centre d\u2019Angers, Institut National d\u2019Horticulture et du paysage, Angers, France.<\/p>\n

Badiane, Sidia Diouma et Mbaye, Edm\u00e9e. 2018. Zones humides urbaines \u00e0 double visage \u00e0 Dakar\u00a0: opportunit\u00e9 ou menace? Sciences Eaux & Territoires<\/em>, hors-s\u00e9rie, 1-5. https:\/\/doi.org\/10.14758\/SET<\/a>.<\/p>\n

Ballut, Andr\u00e9, Nguyen, Jean-Pierre. 1984. Les besoins d\u2019information pour l\u2019am\u00e9nagement urbain et r\u00e9gional\u00a0: apport de la t\u00e9l\u00e9d\u00e9tection spatiale \u00e0 la satisfaction de ces besoins. Soci\u00e9t\u00e9 fran\u00e7aise de Photogramm\u00e9trie et T\u00e9l\u00e9d\u00e9tection<\/em>, 93, 21-32.<\/p>\n

Be Api, 2016. Int\u00e9r\u00eats et limites de la t\u00e9l\u00e9d\u00e9tection pour diagnostiquer les cultures. https:\/\/beapi.coop<\/a><\/p>\n

Besse, Marie-Th\u00e9r\u00e8se et Rouet, Paul, 2009. La couverture v\u00e9g\u00e9tale du c\u0153ur de l\u2019agglom\u00e9ration de paris\u00a0: Une approche par la t\u00e9l\u00e9d\u00e9tection de pr\u00e9cision. CFC<\/em>, 199, 129-134.<\/p>\n

Forster, Bruce. 1985. An examination of some problems and solution in monitoring urban areas satellite platforms. International Journal of Remote Sensing<\/em>, 6 <\/em>(1), 139-151.<\/p>\n

GIEC, 2007. Bilan 2007 des changements climatiques<\/em>. Rapport de synth\u00e8se.<\/p>\n

GIEC, 2014. Changements climatiques 2014\u00a0: Incidences, adaptation et vuln\u00e9rabilit\u00e9<\/em>.<\/p>\n

Gigu\u00e8re, M\u00e9lissa. 2009. Mesures de lutte aux \u00eelots de chaleur urbains<\/em>. Direction des risques biologiques, environnementaux et occupationnels, Institut national de sant\u00e9 publique du Qu\u00e9bec, CANADA.<\/p>\n

Iovan, Corina, Boldo, Didier. et Cord, Matthieu. 2011. Mod\u00e9lisation de la v\u00e9g\u00e9tation en milieu urbain\u00a0: d\u00e9tection et caract\u00e9risation \u00e0 partir d’images a\u00e9riennes haute r\u00e9solution couleur et infrarouge. Revue Fran\u00e7aise de Photogramm\u00e9trie et de T\u00e9l\u00e9d\u00e9tection<\/em>, 10\u00a0p. En ligne\u00a0: https:\/\/corinaiovan.com\/publications\/09_SFPT.pdf<\/a><\/p>\n

Michel, Pierre et Sall, Moustapha. 1984. Dynamique des paysages et am\u00e9nagement de la vall\u00e9e alluviale du S\u00e9n\u00e9gal<\/em>. Dans Blanc-Pamard Chantal,\u00a0Bonnemaison Jo\u00ebl,\u00a0Boutrais Jean, Lassailly-Jacob V\u00e9ronique et\u00a0Lericollais Andr\u00e9 (\u00e9ds), Le d\u00e9veloppement rural en questions : paysages, espaces ruraux, syst\u00e8mes agraires : Maghreb-Afrique noire-M\u00e9lan\u00e9sie<\/em> (p.\u00a089-109).\u00a0Paris\u00a0: ORSTOM.<\/p>\n

Nabucet, Jean. 2020. Apport des donn\u00e9es de t\u00e9l\u00e9d\u00e9tection \u00e0 tr\u00e8s haute r\u00e9solution spatiale pour la cartographie de la v\u00e9g\u00e9tation en milieu urbain<\/em>. Th\u00e8se de doctorat, Universit\u00e9 de Bretagne.<\/p>\n

Ndiaye, Mamadou Lamine. 2014. D\u00e9tection des changements d\u2019occupation du sol et mod\u00e9lisation g\u00e9omantique par \u00e9valuation multicrit\u00e8re pour la cartographie des zones vuln\u00e9rables aux inondations dans la r\u00e9gion de Dakar\/S\u00e9n\u00e9gal<\/em>. M\u00e9moire de projet de fin d\u2019\u00e9tudes, UM5 \/CRASTE-LF.<\/p>\n

Pommier, Guillaume, Provendier, Damien, Gutleben, Caroline et Musy, Marjorie. 2014. Impact du v\u00e9g\u00e9tal en ville. Programme de recherche VegDUD<\/em>.<\/p>\n

Puissant, Anne. 2003. Information g\u00e9ographique et images tr\u00e8s haute r\u00e9solution\u00a0: utilit\u00e9 et application en milieu urbain<\/em>. Th\u00e8se de doctorat, Universit\u00e9 Luis Pasteur Strasbourg I, France.<\/p>\n

Rapinel, S\u00e9bastien, Cl\u00e9ment, Bernard et Hubert-Moy, Laurence. 2019. Cartographie des zones humides par t\u00e9l\u00e9d\u00e9tection\u00a0: approche multi-scalaire pour une planification environnementale, Cybergeo: European Journal of Geography<\/em>. En ligne http:\/\/journals.openedition.org\/cybergeo\/31606<\/a>; DOI\u00a0: https:\/\/doi.org\/10.4000\/cybergeo.31606<\/a>, \u00a021\u00a0p.<\/p>\n

Samaaly, Mehrez. 1999. \u00c9tude de zones humides par approche spatiale\u00a0: application \u00e0 un marais anthropique (marais de Bourgneuf en Loire-Atlantique) et \u00e0 un marais naturel (Kaw en Guyane)<\/em>. M\u00e9moire de fin d\u2019\u00e9tudes, IRD, Laboratoire Commun de T\u00e9l\u00e9d\u00e9tection CEMAGREF\/ENGREF.<\/p>\n

Tidjani, Ahmed, Khorsi, Ali et Ziani. 2011. D\u00e9tection de la v\u00e9g\u00e9tation \u00e0 partir d’une image satellitaire<\/em>. M\u00e9moire de fin d\u2019\u00e9tudes, Universit\u00e9 Amar Thelidji Laghouat.<\/p>\n

Vacqui\u00e9, Laure et Houet, Thomas. 2012. Cartographie des zones humides de montagne par t\u00e9l\u00e9d\u00e9tection\u00a0: Potentialit\u00e9s des images \u00e0 Tr\u00e8s Haute R\u00e9solution Spatiale. Revue Internationale de G\u00e9omatique<\/em>, 4, 497-518.<\/p>\n

Welch, Richard. 1982. Spatial resolution requirement for urban studies. International Journal of Remote Sensing<\/em>, 3<\/em>(2), 138-146.<\/p>\n

\n
\n

Mbagnick FAYE<\/a><\/strong>
Laboratoire de Climatologie et d\u2019Environnement (LCE), D\u00e9partement de G\u00e9ographie, Universit\u00e9 Cheikh Anta Diop de Dakar (UCAD), Email : fayedoudou85@yahoo.fr
 
Dome TINE<\/a><\/strong>
D\u00e9partement de G\u00e9ographie, Laboratoire de T\u00e9l\u00e9d\u00e9tection Appliqu\u00e9e (LTA) – Universit\u00e9 Cheikh Anta DIOP de Dakar- S\u00e9n\u00e9gal. E-mail : dometine85@gmail.com
 
Gallo NIANG<\/a><\/strong>
Laboratoire de Climatologie et d\u2019Environnement (LCE), D\u00e9partement de G\u00e9ographie, Universit\u00e9 Cheikh Anta Diop de Dakar (UCAD), Email : gallonhio@gmail.com
 
Guilgane FAYE<\/a><\/strong>
D\u00e9partement de G\u00e9ographie, Universit\u00e9 Cheikh Anta Diop de Dakar (UCAD), Email : guilganefaye@yahoo.fr
 <\/p>\n<\/div>\n","protected":false},"author":11,"menu_order":4,"template":"","meta":{"_acf_changed":false,"pb_show_title":"on","pb_short_title":"","pb_subtitle":"","pb_authors":["mbagnick-faye","dome-tine","gallo-niang","guilgane-faye"],"pb_section_license":""},"chapter-type":[],"contributor":[262,263,264,261],"license":[],"class_list":["post-855","chapter","type-chapter","status-publish","hentry","motscles-cartographie","motscles-couvert-vegetal","motscles-landsat","motscles-senegal","motscles-sentinel","motscles-zones-humides","keywords-dakar","keywords-landsat","keywords-mapping","keywords-senegal","keywords-sentinel","keywords-vegetation-cover","keywords-wetlands","motscles-autre-dakar","motscles-autre-kartografi","motscles-autre-landsat","motscles-autre-muur-nax","motscles-autre-senegal","motscles-autre-sentinel","motscles-autre-tool","contributor-dome-tine","contributor-gallo-niang","contributor-guilgane-faye","contributor-mbagnick-faye"],"part":852,"_links":{"self":[{"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/pressbooks\/v2\/chapters\/855","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/wp\/v2\/users\/11"}],"version-history":[{"count":17,"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/pressbooks\/v2\/chapters\/855\/revisions"}],"predecessor-version":[{"id":1062,"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/pressbooks\/v2\/chapters\/855\/revisions\/1062"}],"part":[{"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/pressbooks\/v2\/parts\/852"}],"metadata":[{"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/pressbooks\/v2\/chapters\/855\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/wp\/v2\/media?parent=855"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/pressbooks\/v2\/chapter-type?post=855"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/wp\/v2\/contributor?post=855"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/www.revues.scienceafrique.org\/naaj\/wp-json\/wp\/v2\/license?post=855"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}