Classification par arbre de décision à la cartographie des eaux de surface et des types de formation végétale du département de Beoumi, centre de la Côte d’Ivoire.

Résumé

Le but de ce traitement d’image Landsat 7 ETM+ est de cartographier l’occupation du sol du département de Beoumi par la méthode de classification par arbre de décision. C’est un algorithme d’aide à la décision ou d’exploitation des données qui permettent de représenter un ensemble de choix sous la forme graphique d’un arbre pour créer des classes d’occupation du sol sur une image NDVI. Les résultats montrent que dans ce département,  le lac de Kossou s’étend sur une superficie de 73,0548 Km2. Au niveau de la terre ferme, on distingue trois classes de formation végétale. La classe à très faible couverture végétale est caractérisée par des sols presque nus et habitats, avec une superficie de 357,63 Km2. Ensuite, la classe à faible couverture végétale, caractérisée par la savane arbustive, avec une superficie de 440,5128 Km2. Enfin, la classe à moyenne et forte couverture végétale, caractérisée par la jachère, les ilots de forêt, les plantations d’anacarde, de tchèque et de palmier, a une superficie  de 220,8024 Km2

Abstract

The goal of this Landsat 7 ETM+ image processing is to map the land cover of the Beoumi department using the decision tree classification method. It is a decision support or data exploitation algorithm that allows a set of choices to be represented graphically in the form of a tree to create land cover classes on an NDVI image. The results show that in this department, the lake of Kossou covers an area of 73.0548 Km2. At the land level, there are three class of plant formation. The class with very low vegetation cover is characterized by almost bare soil and habitat, with an area of 357.63 Km2. Next, the class with low vegetation cover, characterized by shrubby savannah, with an area of 440.5128 Km2. Finally, the class with medium and high vegetation cover, characterized by fallow land, forest islands, cashew, czech and palm plantations, has a surface area of 220.8024 Km2.

Introduction

Depuis le lancement des satellites civils, comme Landsat au début des années 1970, puis des satellites à basse résolution spatiale comme NOAA-AVHRR au début des années 1980, la télédétection est devenue incontournable dans de nombreux domaines comme la climatologie, l’océanographie, l’environnement ou l’agriculture. De façon générale, grâce à la vision synoptique, répétitive et objective qu’elle apporte sur les différents éléments de la surface terrestre, la télédétection est un outil privilégié pour l’étude et le suivi de la végétation sur l’ensemble du globe (D.M. BAH, 2016, p. 35). Cela passe par la compréhension  des différents types de formation végétale, de leurs propriétés spectacles et biophysiques. Les combinaisons de bandes spectrales, appelées indices de végétation, sont utilisées pour décrire l'évolution de différentes variables biophysiques de surface. De nombreux indices ont été développés, afin de rendre compte du développement d’un couvert végétal tout en prenant en considération les effets atmosphériques ou le type de sol. Parmi ces indices, le Normalized Difference Vegetation Index (NDVI) développé par J.W. ROUSE et al. (1974, p. 30) est largement utilisé dans l'estimation de la surface foliaire et de la densité de la biomasse. Cet indice présente l’avantage d’être sensible à la fois à la teneur en  pigments foliaires de la plante, donc à son activité photosynthétique, et à la structure du couvert, donc à sa capacité à intercepter le rayonnement (J Morel, 2014, p. 96). Pour l’étude de la végétation, des séries temporelles d’indice de végétation marqueurs de l’activité photosynthétique comme le NDVI  sont traditionnellement utilisées. Le NDVI, à travers ces caractéristiques, apporte des informations sur différentes variables biophysiques décrivant la variation de la croissance de la végétation et leur biomasse. Parmi tous les indices de végétation proposés pour l’étude de l’occupation du sol, depuis les origines de la télédétection, le NDVI est devenu le traitement performant de description du comportement spectral de la couverture végétale. Cet indice est calculé à partir de deux bandes spectrales : le rouge (R) et le proche infrarouge (PIR). Son utilité pour décrire les variabilités du couvert végétal se base sur le fait que d'une part, ce dernier absorbe préférentiellement (mais pas uniquement) l'énergie lumineuse dans les longueurs d'onde du rouge pour la photosynthèse, et réfléchit par contre fortement cette énergie dans le proche infrarouge, en fonction de la structure inter-cellulaire du matériel végétal photosynthétisant (H  GAUSM 1985, p. 41 ; A HUETE 1988, p. 231).  Le calcul du NDVI donne des valeurs comprises entre -1 et 1. Les valeurs très négatives caractérisent les eaux de surface et la neige, la valeur très proche de 0, caractérise les sols presque nus et les valeurs très positives représentent les formations végétales denses. Le NDVI est ainsi l’expression de l’activité chlorophyllienne, de la densité de feuillage et aussi l’expression indirecte du stress hydrique d’une couverture végétale. Ainsi, il est possible de réaliser une cartographie des types de formation végétale dans une région donnée en utilisant les valeurs radiométriques des pixels du NDVI uniquement. Pour y parvenir, on procède par une classification par arbre de décision. En effet, dans cette étude, le problème est que, dans les zones à fortes couvertures de biomasse, où le contraste de formations végétales est réduit, les compositions colorées des indices de télédétection, suivies de leurs classifications supervisées, entraineraient beaucoup de confusion dans les classes. Il serait donc difficile de discriminer dans les détails, les types de formation végétale dans les localités comme celle du département de Béoumi. Ainsi, pour avoir une meilleure classification d’occupation du sol, sans confusion des classes, il nous faut la classification par arbre de décision qui se base sur les valeurs des pixels du NDVI pour bien discriminer les types d’occupation du sol, dans une zone pré forestière fortement dégradée et homogène comme celle de Béoumi. Un arbre de décision est un outil d'aide à la décision représentant un ensemble de choix sous la forme graphique d'un arbre (K.V.S MURTHY 1998, p. 350). Les différentes décisions possibles sont situées aux extrémités des branches (les  feuilles  de l'arbre), et sont atteintes en fonction de décisions prises à chaque étape. L’apprentissage par arbre de décision désigne une méthode basée sur l'utilisation d'un arbre de décision comme modèle prédictif. On l'utilise notamment en fouille de données et en apprentissage automatique (WEB 1). C’est un outil utilisé dans des domaines variés tels que la sécurité, la fouille de données, la médecine, la classification en télédétection…etc. Il a l'avantage d'être lisible et rapide à exécuter. Il s'agit de plus d'une représentation calculable automatiquement par des algorithmes d'apprentissage supervisé. Cette approche permet d’obtenir un arbre qui combine logiquement une séquence de tests. Chaque test constitue une comparaison de la valeur d’un attribut numérique d’une donnée d’apprentissage avec un seuil. Géométriquement, construire un arbre de décision revient à partitionner l’espace des attributs des données en régions où chaque région représente une classe (P. LASSALLE, 2015, p. 82). Lors de la prédiction, lorsqu’une donnée se situe dans cette région, alors l’arbre de décision lui assigne la classe correspondante. Dans ces structures d'arbre, les feuilles ou les classes représentent les valeurs de la variable-cible et les embranchements correspondent à des combinaisons de variables d'entrée qui mènent à ces valeurs. En analyse de décision, un arbre de décision peut être utilisé pour représenter de manière explicite les décisions réalisées et les processus qui les amènent (L HAWARAH, 2008, p. 96). En apprentissage et en fouille de données, un arbre de décision décrit les données mais pas les décisions elles-mêmes, l'arbre serait utilisé comme point de départ au processus de décision. Le but de ce travail est d’utiliser une bande unique, le NDVI pour réaliser la carte d’occupation du sol du département de Beoumi par la méthode de classification par arbre de décision. C’est une zone de savane préforestière fortement dégradée par la pratique de l’agriculture en milieu tropical humide où l’extrême gauche est bordé par l’extension du lac artificiel de Kossou.

1-Présentation de la zone d’étude

Le département de Béoumi est situé au centre de la Côte d’Ivoire, précisément entre les longitudes : 5° 22’ 30’’ et 5° 44’ 35’’ ouest et les latitudes : 7° 26’ 2’’ et 7° 51’ 19’’ nord (figure 1). 

Fig8_1.png

Localisé  à l’ouest du pays Baoulé, en bordure du lac artificiel de Kossou, le département Béoumi appartient à un plateau disséqué d’altitude moyenne de 350 m, dont les  roches sont du paléoprotérozoïque. Le  sol est ferralitique sur les versants et les sommets. Les fonds des vallées sont le plus souvent caractérisés par des sols hydromorphes.

Cette région d’étude fait partie du milieu guinéen préforestier, caractérisé par le climat tropical humide à deux saisons des pluies et un paysage végétal varié, véritable mosaïque d’îlots forestiers et de savanes arborées ou arbustives  entrelacées de galeries forestières qui serpentent dans le fond des vallées. Les espèces végétales qu’on rencontre dans cette localité sont : les strates ligneuses comme Teclea verdoorniana, Mansonia altissima, Nesogordonia papavererifera, Phoenix reclinata, Cynometra megalophylla,Bombax buonopozense, Ceiba pentandra, Triplochiton scleroxylon, Cissus producta, Pleiocarpa mutica, Whitfieldia colorata, Cercestis afzelii, Holarrhena floribunda, Griffonia simplicifolia, Alchornea cordifolia, Antiaris toxicaria var africana, ficus exasperata et Cola lateritia. Par ailleurs, la strate  herbacée est dominée par Impperata cylindrica, Loudetia phragmitoides, Chromolaena odorata et Cissus producta. Le passage régulier des feux de brousse et la pratique des cultures répétitives des vivriers dans cette zone, ne permet pas à la végétation de se reconstituer. Cette région est densément peuplée par le groupe Kodé de l’ethnie Baoulé, société d’agriculteurs regroupés en villages disposant chacun d’un terroir d’exploitation. Habiles cultivateurs, ils savent tirer parti des multiples facettes que leur offre un milieu naturel riche et diversifié. Leur système agricole est fondé sur la technique annuelle de la défriche et du brulis de parcelles cultivées 2 à 3 années puis abandonnées 6 ans ou plus à la jachère avant d’être remises en valeur. L’igname est la culture qui vient en tête du cycle agricole, suivie la seconde année par deux périodes courtes de culture, généralement arachide et riz pluvial. A cette agriculture cyclique d’autosubsistance se sont ajoutées depuis le début de ce siècle des cultures commerciales : plantations caféières dans les massifs forestiers et cultures cotonnières introduites dans certains cas dans l’assolement traditionnel vivrier. Les cultures vivrières demeurent cependant prépondérantes, car le paysan Kodé recherche avant tout la sécurité alimentaire de sa famille, ne consacrant que les surplus de sa production à la commercialisation. Aujourd’hui, on observe de plus en plus des plantations d’anacarde,  et de palmier à huile dans cette localité.  Cette exploitation abusive de la végétation au profil de l’agriculture montre actuellement un paysage où la végétation a du mal à  se reconstituer. Les travaux de terrain montre que l’occupation du sol, est caractérisée par les eaux de surface particulièrement le lac de Kossou illustré par la photo 1.

Fig8_2.png

Les zones habitations (villes et villages) et les sols presque nus, caractérisés par une absence presque totale de la végétation arborée, arbustive et herbacée sont identifiées par la photo 2.

Fig8_3.png

Ces sols presque nus sont  les résultats de l’extension des villes et villages et la pratique répétitive des cultures vivrières, les feux de brousse pendant les saisons sèches. La végétation a du mal à se reconstituer formant ainsi, un paysage avec une absence presque total d’arbre, arbuste et d’herbes. Les sols sont visibles par endroits, les arbustes et les arbres sont éloignés les uns les autres; la végétation est donc très faible.

Dans cette zone d’étude, l’état de surface est aussi caractérisé par une végétation faible illustrée par la photo 3.  Ici, il s’agit d’une végétation à savane arbustive, avec une strate herbacée bien développée. Le milieu est aéré à cause de l’absence presque totale des arbres. La strate ligneuse a du mal à se reconstituer à cause de l’exploitation du bois, des feux de brousse et surtout des cultures répétitives. Cependant, par endroits, on observe des ilots de savanes arborées et de jachère jeune ou la végétation a du mal à se reconstituer.  On y cultive le plus souvent des vivriers telles que le riz, le maïs, l’igname et les légumes.

Fig8_4.png

Enfin, un troisième type de biomasse, caractérisé par une végétation moyenne et forte dont le NDVI est certainement positive, illustrée par la photo 4. Dans ce milieu, on a les ilots de forêt dense et claire, des jachères jeunes et anciennes, avec des strates ligneuses (arbres et des arbustes) bien développées et des strates herbacées bien reconstituées. Ici, la végétation est  dense, avec une biomasse semblable à une forêt dense dégradée, transformée en jachère. Dans cette classe, on observe aussi des plantations d’anacarde, de manguier, de tchèque et de palmier à huile, où la densité de la biomasse est semblable à une jachère anciennes et de forêt dense.

Fig8_5.png

Les principales unités d’occupation du sol du département de Béoumi sont illustrées par les photos ci-dessus. Chaque unité a une signature spectrale sur une image NDVI, dont il est important, de les identifier, les discriminer et les  cartographier par la méthode d’arbre de décision, enfin de déterminer leur superficie.

2-Materiels et méthodes

2.1. Données

Les données sont constituées de cartes topographiques et administratives du Centre de Cartographie et de Télédétection (échelle : 1/50.000) couvrant la zone d’étude, de données de terrain (photos des types de formation végétale prises dans les différentes localités de la  zone d’étude, et l’identification des espèces végétales et leur biomasse), et d’images optiques de type Landsat 7 ETM+ (Enhanced Thematic Mapper) : scène Path/Row : 197/55 du 5 novembre 2018, couvrant la zone d’étude, obtenue gratuitement sur le site de earth explorer. Il s’agit des images brutes extraites des canaux du visible (ETM+1, ETM+2, ETM+3), du proche infrarouge (ETM+4) et du moyen infrarouge (ETM+5). Ce choix est guidé par la résolution spatiale (30 m. x 30 m.) qui permet de discriminer les surfaces végétalisées, les sols nus, les routes et les eaux de surface. Les résolutions spectrales et spatiales de ces bandes sont consignées dans le tableau 1. Pour le traitement de ces images, nous avons utilisé le logiciel ENVI 4.7 et MapInfo11 pour la cartographie. Les deux bandes brutes, du rouge (ETM+3) et proche infrarouge (ETM+4) utilisé pour le calcul du NDVI sont illustrées par la figure 2.

Fig8_6.png

2.2. Méthodes

Les images étant déjà géoréférencées, nous avons d’abord procédé à l’extraction de la zone d’étude, puis à la correction radiométrique. Il s’agit d’un filtrage des bandes pour éliminer quelques petits bruits nuageux à l’aide du filtre passe-bas. Pour mettre en évidence la variabilité du couvert végétal et les eaux de surface, nous avons estimé l’indice de végétation normalisé de J.W ROUSE  et al (1974, p. 31). La formule de calcul du NDVI est la suivante :

  

avec PIR : bande du proche infrarouge (ETM+4) ; R : bande du rouge (ETM+3)

De manière générale, les valeurs du NDVI varient entre -1 et 1. L’indice présente des valeurs positives pour la végétation, des valeurs proches de 0 pour les sols nus et des valeurs très négative pour les eaux surface. Ce constat nous a permis de réaliser la carte d’occupation du sol  en exploitant uniquement les valeurs radiométriques des pixels du NDVI. Ainsi, les travaux de terrain et les analyses de ces valeurs radiométriques des pixels nous ont permis de mettre en évidence les classes d’occupation du sol. Ici, chaque classe du NDVI correspond à un type de formation végétale qui sera cartographiée par la méthode de classification par arbre de décision. Cette approche que nous avons appliquée permet d’obtenir un arbre qui combine logiquement une séquence de tests. Chaque test constitue une comparaison de la valeur d’un attribut numérique d’une donnée d’apprentissage avec un seuil. Géométriquement, construire un arbre de décision revient à partitionner l’espace des attributs des données en régions où chaque région représente une classe. Lors de la prédiction, lorsqu’une donnée se situe dans cette région, alors l’arbre de décision lui assigne la classe correspondante. Il existe différentes méthodes dans la littérature pour construire un ou plusieurs arbres de décision à partir d’un ensemble de données d’apprentissage. L’objectif commun de chaque méthode est de déterminer la séquence de tests optimale pour partitionner l’espace des attributs en régions homogènes. Dans (Q ROSS, 1993, p. 24 ; B LEO  et al 1984, p. 39), les auteurs proposent les algorithmes CART (Classification And Regression Trees). Ces deux méthodes construisent un arbre de décision qui est composé soit de nœuds contenant un test, nommés nœuds décisionnels, soit de nœuds indiquant la classe de la région dans l’espace des attributs, nommés nœuds feuille, car ils sont situés au niveau des feuilles de l’arbre. La structure de l’arbre de décision que nous avons appliquée pour réaliser la classification, est représentée par la figure 3.

Fig8_7.png

Le test dans chaque nœud décisionnel est effectué de la façon suivante. Les données en entrée sont triées suivant l’attribut A. La séquence des valeurs triées est notée (v1, v2, . . . , vm). Toutes les coupures possibles sont ensuite analysées, il y en a m − 1 pour m valeurs. Une coupure possible divise la séquence de départ en deux nouvelles séquences Sl = (v1, . . . , vi) et Sr = (vi+1, . . . , vm). Dans Q ROSS (1993, p. 25), les auteurs définissent une mesure d’impureté basée sur l’entropie d’une population P de données :

mk est le nombre de données appartenant à la classe Ck dans la population. La coupure sélectionnée pour un nœud décisionnel est celle maximisant le gain d’information, qui est la différence d’entropie entre la population initiale S et les deux nouvelles populations Sl et Sr :

gain(S, Sl, Sr) = I(S) – (I(Sl) + I(Sr))

Le seuil pour le test du nœud décisionnel résultant est alors (vi+vi+1)/2 . Le nœud devient une feuille lorsque les données en entrée appartiennent à la même classe. Dans B Leo et al (1984, p. 40), les auteurs proposent une mesure d’impureté basée sur le critère de Gini :

La coupure sélectionnée est celle maximisant la différence d’impureté entre S et les populations Sr et Sl :

ΔI(S, Sl, Sr) = Gini(S) – Gini(Sl) – Gini(Sr)

Les règles de décision sur des attributs catégoriques peuvent engendrer plusieurs coupures et ainsi la création de plusieurs nœuds fils. De plus, cela permet de traiter les données manquantes en se basant sur la probabilité d’apparition des données connues.

3. Résultat

Le calcul du NDVI  donne une image dont les valeurs radiométriques des pixels varient entre -0,5593 et 0,3289 (figure 4).

Fig8_8.png

La moyenne des valeurs des pixels est 0,0521, avec un écart-type égal à 0,0621 (tableau 2). Cette dernière est peu éloignée de la valeur moyenne, ce qui signifie que ce milieu physique est un peu homogène en couverture végétale.

Tableau 2. Analyse des valeurs radiométriques du NDVI

Paramètres statistiques

Minimum

Moyenne

Maximum

Ecart-type

NDVI

-0,5593

0,0521

0,3289

0,0621

Source logiciel ENVI4.7 et Excel

Les travaux de terrain et l’analyse de l’image NDVI montre que les valeurs du NDVI comprises entre – 0,5593 et -0,3000, correspond aux eaux de surface précisément l’extension du lac de Kossou. Par ailleurs, les valeurs comprises entre -0,3000 et -0,1152 correspondent aux habitats (villes et villages),  à la végétation très faible et aux sols presque nus, tel que décrites dans la présentation de la zone d’étude. Les valeurs comprises entre -0,1152 et 0,000 montre des zones à végétation faible. Ici, il s’agit d’une végétation à savane arbustive, avec une strate herbacée un peu développée. Le milieu est aéré à cause de l’absence presque totale des arbres. La strate ligneuse a du mal à se reconstituer à cause de l’exploitation du bois, des feux de brousse et surtout des cultures répétitives tel que décrite dans la présentation de la zone d’étude. Enfin, les valeurs comprises entre 0,000 et 0,3289 montre des zones à moyenne et à forte densité de couverture végétale. Ici, la végétation est plus ou moins dense, avec une biomasse semblable à une forêt dense dégradée, transformée en jachère. Dans cette classe, on observe aussi des plantations d’anacarde, de tchèque et de palmier à huile où la densité de la biomasse est semblable à une jachère anciennes et de forêt dense (Tableau 3).

Fig8_10.png

Les différentes classes d’occupation du sol étant défini par les classes des valeurs du NDVI et des travaux de terrain, nous avons procédé par classification par arbre de décision. Dans cette approche de classification, les eaux de surface qui ont les valeurs du NDVI comprises entre -0,5593 et -0,300, ont été affectées en couleur bleu. La végétation très faible caractérisée par les habitats (villes et villages) et les sols presque nus, qui ont les valeurs du NDVI comprises entre -0,300 et -0,1152, ont été colorées en jaune. Les faibles couvertures végétales, avec des valeurs du NDVI comprises entre -0,1152 et 0,000, ont été colorées  en vert claire. Enfin, la végétation moyenne et forte qui ont des valeurs du NDVI comprise entre 0,00 et 0,3289, ont été colorées en vert foncé (figure 5). Par cette méthode d’arbre de décision, on détermine aussi la matrice de confusion, la précision globale, le coefficient Kappa et les superficies des classes d’occupation du sol.

Fig8_11.png

 

La matrice de confusion montre qu’il n’y a pas eu de confusion entre les différentes classes (tableau 4). Les classes ont été bien discriminées, car la précision globale est 100% et le coefficient Kappa est 1.

Fig8_12.png

Les superficies des classes d’occupation du sol estimées par cette approche de classification par arbre de décision montrent que les étendues d’eau de surface (extension du lac de Kossou)  ont une superficie de 73,0548 Km2, soit une proportion de 6,69%. La végétation très faible occupe une superficie de 357,63 Km2, soit une proportion de 32,75 % (tableau 5).

Fig8_13.png

La végétation faible, caractérisée par la savane arbustive occupe une superficie de 440,5128 Km2, soit une proportion de 40,34%. Enfin, la végétation moyenne et forte densité de biomasse, caractérisée par des jachères, des plantations (d’anacarde, de palmier, thèque) et les ilots de forêt occupe une superficie de 220,8024 Km2, soit une proportion de 20,22% (figure 6).

Fig8_14.png

4. Discussion

La classification par arbre de décision est un outil d'aide à la décision représentant un ensemble de choix sous la forme graphique d'un arbre. Les différentes décisions possibles sont situées aux extrémités des branches  et sont atteintes en fonction des décisions prises à chaque étape. C’est une méthode utilisée dans des domaines variés tels que la sécurité, la fouille de données, la médecine, les traitements d’image satellitaire etc. Il a l'avantage d'être lisible et rapide à exécuter. Il s'agit de plus d'une représentation calculable automatiquement par des algorithmes d'apprentissage supervisé.  Cet outil d’aide à la décision ou d’exploration de données permet de représenter un ensemble de choix sous la forme graphique d’un arbre. C’est une des méthodes d’apprentissage supervisé les plus populaires pour les problèmes de classification de données. Concrètement, un arbre de décision modélise une hiérarchie de tests pour prédire un résultat. Il existe deux principaux types d’arbre de décision : les arbres de régression qui permettent de prédire une quantité réelle, une valeur numérique et les arbres de classification que nous avons appliqués, qui permettent de prédire à quelle classe la variable de sortie appartient selon la condition imposée (D TSAYEM et al 2002, p. 201 ; D YUAN et C ELVIDGE, 1998, p. 130). Les décisions possibles sont situées aux extrémités des branches (les feuilles  de l’arbre) et sont atteintes en fonction de décisions prises à chaque étape. Un arbre de décision fonctionne en appliquant de manière itérative des règles logiques très simples, chaque règle étant choisie en fonction du résultat de la règle précédente. Dans notre cas, en fonction de la variation des valeurs des pixels de l’image NDVI calculée, on a parvenu à classer les formations végétales et les étendues d’eau de surface du département de Béoumi. Ces classes sont calculées automatiquement par des algorithmes d’apprentissage supervisé capables de sélectionner les variables discriminantes au sein de la matrice d’image NDVI potentiellement volumineuse. Ces algorithmes permettent aussi d’extraire des règles logiques qui n’apparaissaient pas dans les données brutes.  Les arbres de décision sont une catégorie d’arbres utilisée dans l’exploration de données et en informatique décisionnelle. Ils emploient une représentation hiérarchique de la structure des données sous forme des séquences de décisions (tests) en vue de la prédiction d’un résultat ou d’une classe d’occupation du sol vérifiée sur le terrain (C TUCKER, 1979, p. 130). Ainsi, chaque individu (valeur de pixel du NDVI), qui doit être attribuée à une classe de formation végétale, est décrit par un ensemble de variables qui sont testées dans les nœuds de l’arbre. Les tests s’effectuent dans les nœuds internes et les décisions sont prises dans les nœuds feuilles (N. SAKO et al, 2013, p. 10). Ce qui nous permet de faire ici, une classification sans confusion de classes. C’est la raison pour laquelle, dans cette classification, la précision globale est 100 % et le coefficient Kappa est égal à 1.

Conclusion

La technologie informatique dont on dispose aujourd’hui, nous offre une possibilité de traitement des données accrue. Le but de ce traitement d’image Landsat 7 ETM+ consiste à cartographier l’occupation du sol du département de Beoumi par méthode de classification par arbre de décision. Les résultats montrent que dans ce département, l’extension du lac de Kossou a une superficie de 73,0548 Km2, soit 6,69 % de la superficie totale. Au niveau de la terre ferme, on a trois classes de formation végétale distinctes. La classe à très faible couverture végétale, caractérisée par des sols presque nus et les habitats, avec une superficie de 357,63Km2, soit 40,34 % de la surface totale du département. Ensuite, la classe à faible couverture végétale, caractérisé par la savane arbustive. Celle-ci occupe une superficie de 440,5128 Km2. Enfin, la classe à moyenne et à forte couverture végétale, caractérisée par la jachère, ilotes de forêt dense, les plantations d’anacarde, de palmiers et de tchèque. Cette classe occupe une superficie de 220,8024 Km2, soit une proportion de 20,22%.

Références bibliographiques

BAH Mamadou Diawo, 2016. Mise en place d’un outil de suivi de la végétation à partir de données de télédétection à basse resolution spatiale. Mémoire de Mater 2. Université de Toulouse p 70.

GAUSM Hitchcock, 1985. An Plant leaf optical properties in visible and near-infrared light. Texas Technical Press, Lubbock, Texas, (1985) 78 p.

HAWARAH Lamis, 2008. Une approche probabiliste pour la classification d’objets incomplètement connus dans un arbre de décision. Thèse de doctorat. Université de Joseph Fourier-Grenoble 1 p 166.

HUETE Alfredo, 1988. A soil adjusted vegetation index (SAVI). Remote sensing of environment, Vol. 25, (1988) 295 -309 p.

LASSALLE Pierre, 2015. Etude du passage à l’échelle des algorithmes de segmentation et de classification en télédétection pour le traitement de volumes massifs de données. Thèse de doctorat, université de Toulouse p 195.

LEO Breiman,  FRIEDMAN Jerome, OLSHEN Richard Andrew, and  STONE Charles , 1984. Classification and Regression Trees. Wadsworth Press p120.

MOREL Jacques, 2014. Estimation de la biomasse de canne par modélisation et télédétection. Thèse de doctorat. Université de la Réunion. Page 148.

MURTHY Kolluru.Venkata.Sreerama, 1998. Automatic construction of decision trees from data: A multi disciplinary survey. Data Mining and Knowledge Discovery, 2(4):345–389.

ROSS Quentin, 1993. Programs for Machine Learning. Morgan Kaufmann Publishers Inc., San Francisco, CA, USA, Press p 59.

ROUSE Jerry Wayne,  HAAS Richard. , SCHELL Jane, DEERING Donald Wayne,  HARLAN John Clifford, 1974. Monitoring the vernal advancement and rétrogradation (greenwave effect) of natural vegetation. NASA/ GSFC Type III Final Report, Grennbelt, Maryland, (1974) 50 p

 SAKO Nakouma., BELTRANDO Gérard., KOFFI Atta Lazare, N’DA Dibi Hyppolite., BROU  Télesphore, 2013. Dynamique forestière et pression urbaine dans le Parc national du Banco (Abidjan, Côte d’Ivoire) ». Vertigo, 13(2) : 24 p.

TSAVEM Demaze Moîse., FOTSING Jean.-Marie., HUYNH Frédéric, 2002. La déforestation dans la région de Saint-Georges de l’Oyapock (Guyane française). Les Cahiers d’Outre-Mer, 55 (218) : p. 197-222.

TUCKER Compton , 1979. Red and photographic infrared linear combinations for monitoring vegetation. Remote Sensing of Environment, 8 : p. 127-150.

YUAN Ding., ELVIDGE Chris, 1998. NALC Land Cover Change Detection Pilot Study: Washington D. C. Area Experiments. Remote Sensing of Environment, 66(2) : p. 166-178.

(WEB1)https://fr.wikipedia.org/wiki/Arbre_de_d%C3%A9cision_(apprentissage)#Construction_d'un_arbre_de_d%C3%A9cision

 

 

 

 

Auteurs

1Université Alassane Ouattara, Département de géographie, laboratoire de géographie, assmilea@gmail.com ou assmilea2@yahoo.com

2Université Alassane Ouattara, Département de géographie, laboratoire de géographie, behsamake@gmail.com

3Université Alassane Ouattara, Département de géographie, laboratoire de géographie, doutinserge92@gmail.com

Catégorie de publications

Date de parution
31 déc 2020