PFE - Oum Er-Rbia

Numéro d'ordre : ………… 393/22………………
Département des Sciences de la Terre

Licence Sciences et Techniques
Filière Géomatique et Aménagement du Territoire
MEMOIRE DE FIN D’ETUDES
Intitulé
Analyse géospatiale des changements de

l’occupation du sol dans le bassin de l’Oum
Er-Rbia entre 1984 et 2019 à l’aide de
Google Earth Engine
Préparé par :
MOHAMADOU Hadi Kami
DASSI FENGAING Alain Théophile
Soutenu le 02 juillet 2022 devant la commission d’examen :
Abdelghani BOUDHAR Professeur, Fac. Sc. et Techniques, Béni Mellal. Président

Morad KARROUM Professeur, Fac. Sc. et Techniques, Béni Mellal. Examinateur
Abdenbi ELALOUI Professeur, Fac. Sc. et Techniques, Béni Mellal. Encadrant Interne
Année Universitaire : 2021/2022

DEDICACE
Tout d’abord nous dédions ce travail à Dieu parce que

c’est lui qui donne la force et la persévérance.
Nous dédions également ce travail à nos familles
respectives pour tout le soutien qu’elles nous ont
données durant nos études.
i
REMERCIEMENTS
Nous tenons à exprimer nos sincères remerciements à notre encadrant le professeur

Abdenbi ELALOUI pour son attention et son bon encadrement porté à notre égard tout au
long de ce travail.
Nous remercions également madame Mouna CHERIF étudiante doctorante en géologie à

l’université de Tunis El Manar, qui n’a pas manqué de nous apporter son soutien dans ce
travail malgré la distance.
De plus, nos chaleureuses reconnaissances envers madame Sonia HAJJI étudiante doctorante
à la faculté des sciences et technique de Béni Mellal, pour sa disponibilité qui a contribué à
l’accomplissement de ce projet.
Aussi, nous remercions les membres du jury qui nous ont fait l’honneur d’examiner notre
modeste travail.
Finalement, nous remercions tous le staff pédagogique du département science de la terre et

particulièrement les enseignants de la licence Géomatique et Aménagement du Territoire
(GAT).
ii
RÉSUMÉ
Ce projet de fin d’étude est porté sur l’analyse géospatiale pour l’occupation du sol
dans le bassin versant Oum Er-Rbia. Par le biais de la télédétection spatiale nous avons pu
réaliser cette étude pour évaluer les changements spatio-temporels qui se sont effectués dans
ce bassin de 1984 à 2019. Celle-ci a été réalisée sur la plate-forme Google Earth Engine
(GEE) et à l’aide des d’un SIG pour les mises en page des différentes cartes à réaliser pour ce
projet.
L’objectif de ce travail est d’établir des cartes d’occupation du sol de quelques années
particulières qu’on a choisi (1984, 2000, 2013, et 2019) pour pouvoir bien observer les
changements, calculer les taux et prédire les causes de ces changements. Dans un premier
temps nous avons établi des cartes de distribution l’Indice de Végétation par Différence
Normalisé (NDVI) sur le bassin pour chacune de ces années. Ceci était en but d’observer
l’aspect de la végétation sur le bassin, et d’avoir une idée sur comment sera les résultats des
cartes de changements d’occupation du sol (par classification supervisée) que nous allons
réaliser par la suite.
Pour pouvoir réaliser ces cartes on a fait appel à l’approche de classification supervisée
précisément la méthode support vecteur machine (SVM) pour faire bien apparaitre les
différentes classes d’occupation du sol (sol, forêt, culture, eaux). On a utilisé l’indice de
kappa et la précision globale de la matrice de confusion pour déterminer à quel point les
classifications effectuées sont précises. Les précisions obtenues sont tous supérieur à 81%, ce
qui est jugées presque parfaites sur échelle de précision de l’indice de Kappa.
Finalement, Les cartes réalisées nous ont permis de faire ressortir l’évolution
d’occupation du sol au fil du temps dans le bassin Oum Er-Rbia entre 1984 et 2019. Ainsi, on
peut observer une augmentation des surfaces occupées par la classe eaux dans un premier
temps, puis une diminution. Les classes culture et forêt ont une augmentation de leur
superficie, et enfin la classe sol qui a une diminution de sa superficie au cours de ces quatre
périodes d’études.
Mots clés : Analyse géospatiale, Occupation du sol, Télédétection, GEE, Oum Er-
Rbia.
iii
ABSTRACT
This project focuses on geospatial analysis for land cover in the Oum Er-Rbia watershed.
Through spatial remote sensing we were able to carry out this study to assess the changes that
took place in this basin from 1984 to 2019. This was carried out on the Google Earth Engine
(GEE) platform by running JavaScript algorithms on its code editor and of course using the
data available in its data catalog. We also needed the QGIS software for the layouts of the
different maps to be produced for this project.
The objective of this work is to establish land cover maps for a few specific years that we
have chosen (1984, 2000, 2013, 2019) in order to be able to observe the changes, calculate the
rates of change and predict the causes of these changes. First, we established the Normalized
Vegetation Index (NDVI) distribution maps in the basin for each of these years. This was in
order to observe the aspect of vegetation on the basin, and to have an idea on how will be the
results of the land cover changes maps (by supervised classification) that we will carry out
later.
To be able to produce these maps, we used the supervised classification approach,
precisely the Support Vector Machin (SVM) method to clearly show the different classes of
land use (soil, forest, crop, water). The kappa index and the overall accuracy from the
confusion matrix were used to determine how accurate the classifications performed were.
The accuracies obtained are all greater than 81%, which is considered almost perfect on the
precision scale of the kappa index.
Finally, the maps produced allowed us to highlight the evolution of land use over time in
the Oum Er-Rbia basin between 1984 and 2019. Thus, we can observe an increase in the areas
occupied by water in a fist time, the, a decrease. The crop and forest classes have an increase
in their respective surface area, and finally the soil class which has a decrease in its area
during these four study periods.
Key words: Geospatial analysis, Land cover, Remote sensing, GEE, Oum Er-Rbia.
iv
TABLE DES MATIERES
DEDICACE ------------------------------------------------------------------------------------------------ i
REMERCIEMENTS ----------------------------------------------------------------------------------------- ii
RÉSUMÉ ---------------------------------------------------------------------------------------------- iii
ABSTRACT -----------------------------------------------------------------------------------------------iv
TABLE DES MATIERES ------------------------------------------------------------------------------- v
ACRONYMES ----------------------------------------------------------------------------------------------vii
LISTE DES FIGURES ------------------------------------------------------------------------------------- viii
LISTE DES TABLEAUX -------------------------------------------------------------------------------------ix
INTRODUCTION GENERALE ---------------------------------------------------------------------------- 1
Chapitre I : REVUE BIBLIOGRAPHIQUE ---------------------------------------------------------------- 2
Introduction --------------------------------------------------------------------------------------------- 2
I.1. Analyse spatiale --------------------------------------------------------------------------------- 2
I.2. Télédétection ------------------------------------------------------------------------------------ 2
I.3. Google Earth Engine --------------------------------------------------------------------------- 3
1.2.1. Définition -------------------------------------------------------------------------------- 3
1.2.2. Avantages de GEE --------------------------------------------------------------------- 3
1.2.3. Inconvénients --------------------------------------------------------------------------- 4
I.4. Cartographie de changement d’occupation du sol----------------------------------------- 4
1.3.1. Définition -------------------------------------------------------------------------------- 4
1.3.2. Techniques de cartographie des changements d’occupation du sol ------------- 5
1.3.2.1. Indices spectraux de végétation --------------------------------------------------- 5
1.3.2.2. Classification ------------------------------------------------------------------------- 6
1.3.2.3. Validation de la classification ----------------------------------------------------- 7
1.4. Reconnaissance des changements ------------------------------------------------------------ 9
Chapitre II : PRÉSENTATION DE LA ZONE D’ÉTUDE ------------------------------------------------ 10
Introduction -------------------------------------------------------------------------------------------- 10
II.1 Contexte géographique ---------------------------------------------------------------------- 10
II.2 Contexte géologique ------------------------------------------------------------------------- 11
II.3 Contexte climatique ------------------------------------------------------------------------- 11
II.4 Ressources en eau ---------------------------------------------------------------------------- 12
II.5 Végétation ------------------------------------------------------------------------------------- 13
Chapitre III : MATERIELS ET METHODES ------------------------------------------------------------ 14
Introduction -------------------------------------------------------------------------------------------- 14
III.1. Matériels -------------------------------------------------------------------------------------- 14
III.1.1. Données utilisées ------------------------------------------------------------------- 14
III.1.2. Logiciels de traitement ------------------------------------------------------------ 17
III.2. Méthodologie --------------------------------------------------------------------------------- 19
III.2.1. Acquisition des données ----------------------------------------------------------- 19
v
III.2.2. Période de suivi et zone d’intérêt ------------------------------------------------ 19
III.2.3. Calcul du NDVI -------------------------------------------------------------------- 19
III.2.4. Classification supervisée ---------------------------------------------------------- 20
Chapitre IV : RESULTATS ET DISCUSSION ------------------------------------------------------------ 24
Introduction -------------------------------------------------------------------------------------------- 24
IV.1. Cartographie de l’occupation du sol dans le bassin ------------------------------------ 24
4.1.1. Visualisation des cartes de distribution du NDVI -------------------------------- 24
4.1.2. Résultats des cartes d’occupation du sol ------------------------------------------- 27
IV.2. Validation de la précision de la classification -------------------------------------------- 32
IV.3. Evolution des changements d’occupation du sol -------------------------------------- 33
IV.4. Bilan finale du changement d’occupation du sol dans le bassin vessant d’Oum Er-
Rbia --------------------------------------------------------------------------------------------------------- 36
IV.5. Discussion ------------------------------------------------------------------------------------ 38
CONCLUSION GENERALE ET PERSPECTIVES ------------------------------------------------------ 40
REFERENCES BIBLIOGRAPHIQUES ------------------------------------------------------------------- 41
Annexes ---------------------------------------------------------------------------------------------- 42
vi
ACRONYMES
ABHOER Agence du Bassin Hydraulique de l’Oum Er-Rbia
API Application Programming Interface
FAO Food and Agriculture Organization
GEE Google Earth Engine
GPL General Public License
ISODATA Iterative Self-Organizing Data
MIR Moyen Infra-Rouge
NDVI Normalized Difference Vegetation Index
NASA National Aeronautics and Space Administration
NAIP National Agriculture Imagery Program
OLI Operational Land Imager
PIR Proche Infra-Rouge
RGB RED, GREEN, BLUE
SVM Support Vecteur Machine
SIG Système d’Information Géographique
SAR Synthetic Aperture Radar
TIRS Thermal InfraRed Sensor
vii
LISTE DES FIGURES
FIGURE 1 : PRESENTATION DE LA ZONE D’ETUDE .................................................................... 10

FIGURE 2 : CARTE DU RESEAU HYDROGRAPHIQUE DU BASSIN VERSANT D’OUM ER-RBIA ....... 12
FIGURE 3: PRESENTATION DE L’INTERFACE GRAPHIQUE DE LA PLATEFORME GEE ............... 18
FIGURE 4 : PRINCIPE DE LA CLASSIFICATION SVM ................................................................ 20
FIGURE 5 : SIGNATURE SPECTRALE DES CLASSES D’OCCUPATION DU SOL ............................... 22
FIGURE 6 : ORGANIGRAMME DE LA METHODOLOGIE ............................................................... 23
FIGURE 7 : REPARTITION DU NDVI SUR LE BASSIN VERSANT OUM ER-RBIA POUR L’ANNEE
1984 .................................................................................................................................. 25
2000 .................................................................................................................................. 25
FIGURE 9: REPARTITION DU NDVI SUR LE BASSIN VERSANT OUM ER-RBIA POUR L’ANNEE
2013 .................................................................................................................................. 26
2019 .................................................................................................................................. 26
FIGURE 11 : CARTE D’OCCUPATION DU SOL POUR L’ANNEE 1984 ............................................ 28
FIGURE 15: SUPERFICIES DES CLASSES OCCUPEES POUR CHAQUE ANNEE D’ETUDE ................ 36
FIGURE 16 : ILLUSTRATION GRAPHIQUE DES TAUX DE CHANGEMENTS D’OCCUPATION DU SOL
.......................................................................................................................................... 37
FIGURE 17 : CARTES D’OCCUPATION DU SOL POUR LES ANNEES 1984 ET 2019........................ 39
viii
LISTE DES TABLEAUX
TABLEAU 1: QUELQUES INDICES SPECTRAUX DE VEGETATION (RICHARDSON & EVERITT, 1992).

............................................................................................................................................ 5
TABLEAU 2: MATRICE DE CONFUSION EXEMPLAIRE .................................................................... 7
TABLEAU 3: INTERPRETATION DES INDICES DE KAPPA (LANDIS & KOCH, 1977) ......................... 8
TABLEAU 4: EXEMPLAIRE DE TABLEAU POUR LA REPRESENTATION DES CALCULS DE TAUX DE
CHANGEMENTS..................................................................................................................... 9
TABLEAU 5: HISTORIQUE DES SATELLITES DU PROGRAMME LANDSAT ...................................... 15

TABLEAU 6: CARACTERISTIQUE DES DONNEES LANDSAT UTILISEES ......................................... 16
TABLEAU 7: CLASSES D’OCCUPATION DU SOL DANS LA ZONE DU BASSIN OUM ER-RBIA .......... 21
TABLEAU 8: MATRICE DE CONFUSION DE LA CLASSIFICATION DE 1984 ..................................... 32
TABLEAU 9: MATRICE DE CONFUSION DE LA CLASSIFICATION DE 2000 ..................................... 32
TABLEAU 10: MATRICE DE CONFUSION DE LA CLASSIFICATION DE 2013 ................................... 32
TABLEAU 11: MATRICE DE CONFUSION DE LA CLASSIFICATION DE 2019 ................................... 33
TABLEAU 12: CHANGEMENT D’OCCUPATION DU SOL ENTRE 1984 ET 2000 ............................... 34
ix
INTRODUCTION GENERALE
Au fur à mesure que le temps passe, les surfaces terrestres changent et ces changements
sont principalement causés par des facteurs naturels et anthropiques, pouvant affecter en bien
ou en mal ses occupants. Les études sur le changement dans l’occupation et l’utilisation du sol
sont d’une grande importance car elles nous donnent de connaitre les tendances actuelles dans
le processus de déforestation, désertification, dégradation, sécheresse et la perte de la
biodiversité d’une zone déterminée (Lambin et al.2001).
La télédétection est aujourd’hui un outil primordial dans le suivi spatiotemporel des

changements d’occupation du sol dans le monde scientifique. L’analyse des images
satellitaires par le biais de la télédétection permet d’identifier à petite et à grande échelle les
principaux composants d’occupation du sol dans une zone donnée et permet d’observer les
changements survenus dans une période bien déterminée.
Ce présent travail consiste à faire une analyse géospatiale dans le bassin versant de l’Oum Er-
Rbia au Maroc pour évaluer les changements spatio-temporels d’occupation du sol à l’aide de
Google Earth Engine (GEE). GEE étant une plateforme d’analyse géospatiale basée sur le
cloud, nous permets à travers son catalogue de données de travailler sur notre zone d’intérêt
en utilisant des images satellitaires présentes dans ce catalogue. Pour notre cas nous allons
utiliser les scènes d’imageries Landsat de 1984, 2000, 2013 et 2019 pour pouvoir
cartographier les changements survenus dans le bassin sur une périodes de 35 ans.
Pour réaliser cette étude nous avons déterminé pour chacune de ces années d’études la
distribution de la végétation sur le bassin à l’aide de l’indice de végétation NDVI. Par la suite,
nous avons fait une classification supervisée par la méthode support vecteur machine (SVM)
pour chacune de ces quatre années. Finalement, nous sommes passé à la cartographie des
résultats, puis à l’interprétation pour pouvoir déterminer les différentes causes de ces
changements d’occupation du sol.
Pour bien effectuer ce travail de façon chronologique, nous l’avons divisé en quatre chapitres
à savoir ;
- Chapitre I : Revue bibliographique

- Chapitre II : Présentation de la zone d’étude
- Chapitre III : Matériels et méthodes
- Chapitre IV : Résultats et discussion
1
Chapitre I : REVUE BIBLIOGRAPHIQUE
Introduction
L’analyse spatiale est un outil très important dans la spatialisation, la cartographie et le
maitrise des phénomènes qui y sont dans un environnement. Par le biais de la télédétection
spatiale, un suivi des changements dans le temps et dans l’espace notamment celle liée avec
l’occupation du sol peut être effectuer.
I.1. Analyse spatiale

L’analyse spatiale est une approche géographique qui étudie les localisations et les
interactions spatiales en tant que composante active et fonctionnements sociétaux. Elle prend
en compte l’ensemble complexe de données physiques et humaines pour analyser les
distributions spatiales de divers phénomènes.
L’analyse spatiale est née à partir de la compréhension des processus qui justifie la maitrise de
l’espace. Son histoire est liée à la géographie et l’études des épidémies qui date de l’antiquité
(480 a. C.), quand Hippocrate a réalisé une étude qui impliquait les lieux et l’apparition des
maladies.
Au milieu du XIXe siècle, en Europe, et au XXe siècle dans les pays du tiers monde, l’homme
essaye toujours de comprendre et maîtriser l’espace, en cherchant à résoudre des problèmes
liés aux phénomènes de l’urbanisation, économiques et humains (Bailly A.S., Guesnier B.,
Paelinck J.H.P., Sallez. A., 1995).
Elle s’est développée dans les années 1970 en réaction contre une tradition idiographique de
la géographie, préoccupée d'illustrer et d'expliquer l'unicité de chaque lieu. L'analyse spatiale
se pose comme une approche nomothétique, orientée par la recherche de modèles et de lois
générales.
I.2. Télédétection
La télédétection est l’ensemble des techniques utilisées pour déterminer à distance les
propriétés d’objets naturels ou artificiels à partir des rayonnements qu’ils émettent ou
réfléchissent. La télédétection permet de nos jours d’observer l’ensemble de la planète dans
tout le spectre électromagnétique avec une résolution spatiale inférieur au mètre dans le
domaine optique.
2
Une des limites de la télédétection est qu’elle fournit des informations principalement sur la
surface des sols. On peut distinguer les usages en fonction du domaine auquel ils s’appliquent
à savoir ; maritime, terrestre ou atmosphérique etc…
L’évolution de la télédétection est liée en l’invention de la photographie, en 1860, La

Photographie de Paris réalisée depuis un ballon par le photographe Nadar marque ses débuts.
Durant le siège de Paris, cette photographie était en but d’obtenir des informations sur le
dispositif militaire de l’adversaire. Le terme télédétection a été inventé par Evelyn Pruitt, une
géographe, chercheuse à l’US Navy du terme anglais « Remote sensing » en 1960.
De nos jours, la télédétection n’est pas seulement utilisée à de fins militaires, mais
aussi principalement pour la cartographie à l’aide des caméras (capteurs) à bord d’un avion
(télédétection aérienne) ou dans des plateformes satellitaires (télédétection spatiale)
I.3. Google Earth Engine

1.2.1. Définition
Google Earth Engine est une plateforme basée sur le cloud qui permet le traitement à
grande échelle d’images satellitaires pour détecter les changements, cartographier les
tendances, et quantifier les différences à la surface de la Terre.
Google Earth Engine combine un catalogue de plusieurs pétaoctets d'images satellite et

d'ensembles de données géospatiales avec des capacités d'analyse à l'échelle planétaire. Les
scientifiques, les chercheurs et les développeurs utilisent Earth Engine pour analyser les
différents phénomènes naturels et artificiels qui s’engendrent à la surface de la terre. Earth
Engine est désormais disponible pour un usage commercial et reste gratuit pour des
utilisations universitaires et de recherches.
1.2.2. Avantages de GEE

La plateforme Google Earth Engine, qui est une puissante plate-forme web pour le traitement
des données présente quelques avantages très pertinents dont on peut citer :
-Automatisation du traitement et d’affichages des données
-Application d’algorithme d’apprentissage automatique (Machine Learning)
-Visualisation des données et images géospatiales, qui permet d’accéder à de nombreux

ensembles de données internationaux et régionaux disponibles dans catalogue de données
Earth Engine (Earth Engine Data Catalog).
-Implémentation d’interface utilisateur graphique.
3
-Elle nous permet d’effectuer une surveillance en temps quasi réel.
-Permet d’effectuer un suivi à long terme des changements d’occupation de sols et analyse
des séries chronologiques de paysages.
-GEE Machine Learning permet aussi de calculer les différents indices d’aménagement tel
que ; NDVI, l’eau, neige, sol, et milieu urbain.
-La plateforme GEE nous donne aussi la possibilité d’avoir des résumés de statistiques et
évaluer la précision et les valider par la suite.
-GEE présente une variété capteurs satellitaire comme ; les séries Landsat, Sentinel 2,
MODIS, Sentinel 1-SAR.
1.2.3. Inconvénients
Etant une plateforme très utile, GEE présente quelques limites dans son ensemble. Les
suivants sont quelques limites rencontrées lors de son utilisation :
-Les données disponible dans le catalogue des données sont limitées, c’est-à-dire, qu’il
peut ne pas avoir certaines données recherchées par un tiers selon son cadre d’étude.
-GEE impose un cadre restreint de programmation, et la programmation n’est pas bien

adapté à résoudre tous les problèmes.
-L’utilisation de Machine Learning aussi présente quelques complexités.
I.4. Cartographie de changement d’occupation du sol

1.3.1. Définition
L’occupation de sol désigne le type d’usage faite des terres par l’homme. Il existe cinq
grands types d’occupation de sol :
-Territoires urbanisées
-Territoires agricoles
-Forets et milieux semi-naturels
-Zones humides
-Espaces aquatiques.
La connaissance de l’occupation du sol est très importante dans plusieurs domaines de

recherches notamment dans les domaines de cartographie de surfaces et plusieurs
4
applications. Celle-ci nous permet essentiellement de suivre tous les changements qui
s’effectuent sur une surface.
Pour pouvoir élaborer ces cartes sur des vaste territoires, on fait appel aux techniques de
traitement des images satellitaires. En fonction de l’utilisation de la carte, l’on peut décider
d’avoir ou non des détails du plus petites objets de la grande étendue.
1.3.2. Techniques de cartographie des changements d’occupation du sol

Plusieurs méthodes d’analyse d’images satellitaire ont été développer afin de pouvoir
détecter et établir une carte d’occupation du sol. Ces méthodes se bases sur la variation de
radiance au fil du temp, toute en excluant celles causée par atmosphère etc.
1.3.2.1. Indices spectraux de végétation

Plusieurs indices de végétation ont été élaboré pour la suivie de la végétation. Les indices
de végétation les plus simples sont basés sur des opérations arithmétiques entre deux bandes
spectrales, généralement le rouge et le proche infrarouge, mais aussi les bandes du proche et
du moyen infrarouge. L’indice le plus connu et le plus utilisé est l’indice de végétation par
différence normalisé (NDVI en anglais) (Rouse et Hass, 1973 ; Tucker,1979).
Tableau 1: Quelques indices spectraux de végétation (Richardson & Everitt, 1992).
Indices de végétation Formule d’expression

Normalized Difference Vegetation Index NDVI = 𝑃𝐼𝑅 − 𝑅𝑂𝑈𝐺𝐸
𝑃𝐼𝑅 + 𝑅𝑂𝑈𝐺𝐸
(NDVI)
Difference Vegetation Index (DVI) DVI = PIR – ROUGE
Ratio Vegetation Index (RVI) 𝑃𝐼𝑅
RVI = 𝑅
Enhanced Vegetation Index (EVI) 2.5∗(𝑃𝐼𝑅−𝑅𝑜𝑢𝑔𝑒)

EVI =
(𝑃𝐼𝑅+6∗𝑅𝑜𝑢𝑔𝑒−7.5∗𝐵𝑙𝑒𝑢+1)
Perpendicular Vegetation Index 𝑃𝐼𝑅−𝑎∗𝑅𝑜𝑢𝑔𝑒−𝑏

PVI = √1+𝑎2
Soil Adjusted Ratio Vegetation Index SARVI = 𝑃𝐼𝑅

𝑏
(SARVI) 𝑅𝑜𝑢𝑔𝑒+
𝑎
Transformed Soil Adjusted Vegetation 𝑎∗(𝑃𝐼𝑅−𝑎∗𝑅−𝑏)

TSAVI =
Index (TSAVI) 𝑃𝐼𝑅+𝑎∗𝑅−𝑎∗𝑏
5
1.3.2.2. Classification
Une classification appliquée à une image satellitaire est le processus de tri de pixels en un
nombre finis de classes basé sur les valeurs radiométriques dans l’image multi-bande. Elle
forme des classes regroupant un des ensembles de pixels similaire, ce qui la rend essentielle
comme méthodologie pour évaluer les changements d’occupation du sol.
a. Classification non supervisée
Dans cette approche, l’ordinateur analyse l’ensemble des signatures spectrales de tous les
pixels de l’image, et de déterminer des groupements naturels, c’est-à-dire regrouper les pixels
sur la base des signatures spectrales similaires sans intervention de l’utilisateur. Le principale
avantage de cette classification est qu’elle est très rapide puisqu’elle ne requiert pas
l’intervention de l’utilisateur. Mais aussi, le principal défaut est de se baser uniquement sur
les différences de signatures spectrales, qui ne correspondent pas toujours à des catégories
naturelles d’occupation du sol.
Les différents types de classifications non supervisées sont ;
➢ ISODATA
➢ K-MEANS
b. Classification supervisée
Dans cette méthode, contrairement à la classification non supervisée, il y a intervention de

l’utilisateur qui a connaissance et désigne les classes d’occupation du sol à classifier et ce en
élaborant des échantillons pour regrouper les pixels ayant la même occupation du sol dans
l’image, ce qui correspondrait normalement aux observations sur le terrain (vérité-terrain).
Plusieurs méthodes de classification supervisée existent à savoir ;
- Maximum de vraisemblance
- Distance minimale
- Spectral Angle Mapper
- Distance de Mahalanobis
- Parallélépipède
- Support vecteur Machine
6
1.3.2.3. Validation de la classification
La validation des résultats de classification est une étape essentielle et très importante qui
nous permets d’évaluer la précision faite lors du processus de classification, ce qui nous
permettra d’élaborer des cartes d’occupation du sol crédibles et prête à l’interprétation. Ce
processus de validité se fait aux moyens de deux méthodes à savoir ; la matrice de confusion
et l’indice de Kappa.
a. Matrice de Confusion
En apprentissage automatique, spécialement en classification, la matrice de confusion est

une table spécifique qui permet de visualiser la performance et la qualité d’un algorithme
typiquement supervisée. Chaque ligne de la matrice représente les occurrences d’une classe
réelle (vérité-terrain) alors que chaque colonne représente le nombre d’occurrences d’une
classe prédite par la classification (Pelletier, 2017).
Tableau 2: Matrice de confusion exemplaire
Vérité terrain Classe 1 Classe 2 Classe 3 Classe M Totale

colonne
Classification
Classe 1 n11 n12 n13 n1M n1+
Classe M nM1 nM2 nM3 nMM nM+
Totale lignes n+1 n+2 n+3 n+M N
- Précision globale :
Permet de déterminer numériquement la précision du résultat de la classification. Elle

correspond au rapport du nombre totale des pixels qui sont correctement classifiés c’est-à-dire
la somme de la diagonale du tableau ci-dessus, sur le nombre total de la matrice. Elle est
généralement exprimée en pourcentage.
∑𝑀
𝑖=1 𝑛𝑖𝑖
Précision globale = 𝑛
Où ; nii = le nombre de pixel dans la ligne i et la colonne i (1>M)
n = le nombre totales des pixels de la matrice
7
b. Indice de Kappa
L’indice de Kappa est calculé de la matrice de confusion comme une recherche de

précision additionnel. Il ne produit généralement pas beaucoup d’informations sur la précision
plus que la précision globale de la matrice de confusion. Une grande valeur de l’indice de
kappa signifie une grande précision. Sa relation s’exprime comme suite ;
1 1
∑𝑀 𝑀
𝑖=1 𝑛𝑖𝑖 − 𝑛2 ∑𝑖=1(𝑛𝑖+ × 𝑛+𝑗 ) 𝑃𝑜−𝑃𝑐
𝑛
K= 1 =
1− 2 ∑𝑀
𝑖=1(𝑛𝑖+ × 𝑛+𝑗 )
1−𝑃𝑐
𝑛
Où : 𝑛𝑖𝑖 = le nombre de pixels dans la ligne i et colonne dans la ligne i ;
ni+ et n+j = les nombres totales marginales pour les lignes i et colonne j ;
n = le nombre totale des pixels dans la matrice ;
Po = précision observée ;
Pc = proportion d’accord aléatoire.
Tableau 3: Interprétation des indices de kappa (Landis & Koch, 1977)
Indice de kappa (K) Interprétation

<0 Pas d’accord
0.0 – 0.20 Accord très faible
0.21 – 0.40 Accord faible
0.41 – 0.60 Accord modéré
0.61 – 0.80 Accord fort
0.81 – 1.00 Accord presque parfait
8
1.4. Reconnaissance des changements
Pour pouvoir évaluer les changements d’occupations du sol, il est nécessaire d’évaluer les
taux de changements entre les surfaces qui sont survenus au cours d’une période donnée dans
le temps. Pour ce travail, nous allons calculer le taux de changements entre les surfaces
occupées par les différentes classes d’occupation du sol, dans le bassin Oum Er-Rbia pour les
périodes de 1984, 2000, 2013 et 2019. Pour cela, nous allons utiliser l’équation proposée par
la FAO en 1996 (FAO.1996) et dont l’utilisation est très habituelle notamment quand il s’agit
d’une étude sur le changement d’occupation du sol (Velazquez et al.2002 ; Noyola-Medrano,
2006).
Les valeurs positives représentent une augmentation de la classe pendant la période

d’analysée et les valeurs négatives représentent une perte de surface de la classe dans la
période d’analyse. Les valeurs proches de zéro indiquent que la classe reste relativement
stable entre les dates d’observation.
Tableau 4: Exemplaire de tableau pour la représentation des calculs de taux de changements
Classe S1 S2 S2 - S1 Tc
1 Sn1 Sm1 Sm1 - Sn1 +Tc1
2 Sn2 Sm2 Sm2 - Sn2 -Tc2
3 Sn3 Sm3 Sm3 - Sn3 -Tc3
4 Sn4 Sm4 Sm4 - Sn4 +Tc4
K SnK SmK SmK - SnK -TcK
ln(𝑆2)−ln (𝑆1)
Tc = × 100
(𝑡2 − 𝑡1 )(𝑙𝑛𝑒)
S2 = superficie de la classe en t2
S1 = superficie de la classe en t1
t2 = année supérieure
t1 = année inférieure
Tc = taux de changement (%)
Ln : le logarithme népérien ; e la base des logarithmes népériens (e ≈ 2,71828)
9
Chapitre II : PRÉSENTATION DE LA ZONE
D’ÉTUDE
Introduction
Le bassin de l'Oum-Er-Rbia est l’un des plus grands bassins versant présent au Maroc. Elle est
gérer par l’Agence du Bassin Hydraulique l'Oum-Er-Rbia (ABHOER). Elle est la clé de
réseau hydroélectrique et d’irrigation au Maroc.
II.1 Contexte géographique

Le bassin Oum Er-Rbia s’étend sur une superficie de 37867 km² avec son principal cours
d’eau étant le « Oued Oum Er Rbia », d’où son nom.
L’Oum Er-Rbia est caractérisée par une longueur de 550 km et prend sa source au
Moyen Atlas à 1800 m d'altitude, traverse la chaîne du Moyen Atlas, la plaine du Tadla et la
Meseta côtière et se jette dans l'Océan Atlantique à environ 16 km au Nord de la ville d'El
Jadida (Azemmour). Le basin Oum Er-Rbia s’étend du centre allant vers l’ouest du Maroc.
Elle couvre plusieurs régions et certaines villes importantes tel que : Béni Mellal, Azilal,
Khouribga, El Jadida, Khenifra, Azemmour. (Fig 1)
Figure 1 : Présentation de la zone d’étude
10
II.2 Contexte géologique
Le bassin Oum Er-Rbia fait partie intégrant du domaine Atlantique. Elle s’étend sur
quelques unités géographiques (ABHOER, 2010) :
• Le massif des Rhamna constitué par des formations sédimentaires paléozoïques fortement
plissées avec une couverture d’âge secondaire sur les bordures ;
• Le plateau des phosphates formé d’un ensemble de plates-formes emboîtées correspondant

chacune aux niveaux calcaires les plus résistants de la série sédimentaire. Il est caractérisé par
l’existence du gisement de phosphates d’Ouled Abdoun ;
• La zone côtière d’Azemmour qui présente une morphologie dunaire avec une succession
de crêtes séparées de dépressions remplies de limons très sableux ;
• La plaine de Tadla est constituée d’une vaste dépression asymétrique recouverte de dépôts
hétérogènes. Cette plaine est caractérisée par l’existence de deux importants périmètres
agricoles, situés de part et d’autre de l’Oued Oum Rbia (Béni Amir et Béni Moussa) ;
• Le plateau des Gantour, et les plaines de Bhira et Tassaout aval le socle primaire est
recouvert par des formations de couverture triasiques, crétacées et éocènes, antérieurs aux
premiers mouvements atlasiques. Ces formations affleurent au Nord et s’enfoncent sous la
plaine vers le Sud. Elles sont recouvertes par des formations continentales de remplissage
récent et par des dépôts quaternaires.
II.3 Contexte climatique

La zone d’étude peut être divisée en zones homogènes à savoir (ABHOER, 2010) :
- TS (Oued Tessaout). AB (Oued El Abid);
- HO (Haut Oum Er Rbia), CO (Oum Er Rbia central);
- MO (Moyen Oum Er Rbia),
- BO (Bas Oum Er Rbia) ;
- LT (Limitrophe Oum Er Rbia-Tensift).
Le bassin d’Oum Er Rbia (ABHOER, 2010) présente des zones à climats différents allant
du climat littoral modéré qui caractérise la zone côtière au climat aride caractérisant la plaine
de Rhamna en passant par le climat semi-aride dans la plaine de Tadla et des zones plus
arrosées en montagne.
11
Ce bassin a connu une diminution de la pluviométrie, la pluviométrie moyenne du bassin
est passée d’environ 400 mm/an au cours de la période 1935 – 1980, à 340 mm/an au cours
de la période 1980-2007. De nos jours la pluviométrie moyenne annuelle sur le bassin de
l’Oum Er Rbia est de 500mm, elle varie entre 1100mm sur le Moyen Atlas et 300mm dans la
zone aval du fleuve. Il neige en moyenne 20jours/an au-dessus de 800m.
II.4 Ressources en eau

Le bassin Oum Er-Rbia a plusieurs provenances de ses ressources en eau. Les eaux des
pluies, les eaux des surfaces tels que ; les rivières, les barrages, les lacs etc…, les eaux
souterraines (plusieurs nappes phréatiques) avec des apports importants. Globalement, 90%
des ressources en eau du bassin sont utilisées dans l’irrigation alors que 10% sont affectées à
l’alimentation en eau potable et industrielle.
Figure 2 : Carte du réseau hydrographique du bassin versant d’Oum Er-Rbia
12
II.5 Végétation
La zone du basin Oum Er-Rbia présente une végétation très diversifiée due aux différences
que présente le climat, le sol, le relief dans différente partie du bassin. Parmi les types de
végétations présent on y trouve ;
• Le foret ; caractérisé par une diversité des espèces présentes principalement dans les
provinces de l’aval et l’amont du bassin.
• La couverture agricole qui est l’un des principales activités de la zone du bassin, on
trouve les céréales, les légumes, cultures maraichères etc.
• Le matorral qui est une végétation qui se développe principalement à cause de la
déforestation, feux de forêt ou l’exploitation de foret.
13
Chapitre III : MATERIELS ET METHODES
Introduction
III.1. Matériels
III.1.1. Données utilisées
Les données utilisées en analyse géospatiale pour la télédétection doivent bien être choisi pour
répondre aux mieux à réalité du terrain, de ce fait, selon les objectifs d’une étude, nous
devrions avoir des données qui donnent le plus d’informations possible pour la réalisation
d'une étude donnée. Dans la présente étude, le choix des données a été faites selon la
disponibilité des dites données dans le catalogue de données de GEE.
a. Les produits Landsat
Le programme Landsat, est le premier programme satellitaire d’observation de terre destiné à

des fins civiles élaboré par la NASA. Ce programme comprend une série de 9 satellites dont
le premier est Landsat-& lancé en 1972 et le dernier Landsat-9 lancé récemment le 27
septembre 2021.
Dans ce travail, les produits Landsat utilisé sont ;
- Landsat 8 Collection 2 Tier 1 TOA (Top Of Atmosphère) Réflectance pour les

images des années 2013 et 2019 avec une couverture nuageuse inférieur à 1.
- Landsat 7 Collection 1 Tier 1 TOA (Top Of Atmosphère) Réflectance pour
l’image de l’année 2000 avec une couverture nuageuse inférieur à 1.
- Landsat 5 collection 1 Tier 1 TOA (Top Of Atmosphère) Réflectance pour l’image
de l’année 1984 avec une couverture nuageuse inférieur à 1.
- Landsat 8 Collection 1 Tier 1 8-Day NDVI Composite pour la distribution du
NDVI des années 2013 et 2019.
NDVI de l’année 2000.
NDVI de l’année 1984.
Notons que ces données sont disponibles gratuitement dans le catalogue de donnée de
Earth Engine et nous n’avons pas besoin de télécharger les images satellitaires.
14
Tableau 5: Historique des satellites du programme Landsat
Satellites Date du début Date de fin

Landsat 1 23/01/1972 06/01/1978
Landsat 2 22/01/1975 05/02/1982
Landsat 3 05/03/1978 31/03/1983
Landsat 4 16/07/1982 01/08/1983
Landsat 5 01/03/1985 05/06/2013
Landsat 6 05/10/1993 N’a jamais fonctionner
Landsat 7 15/04/1999 Encore en service
15
Tableau 6: Caractéristique des données Landsat utilisées
Satellite et Bandes spectrale / µm Résolution Résolution

Capteur spatiale temporelle
Landsat_5 ETM+ B1(Bleu) (0.45-0.515)
B2(Vert) (0.525-0.605)
B2(Rouge) (0.63-0.69)
B4(PIR) (0.750-0.900)
B5(MIR1) (1.55-1.75)
B6(TIR) (10.40-12.50) 30m
B7(MIR2) (2.09-2.35)
NDVI (Année ;1984)
Même bandes spectrales que Landsat_8 (1-
8)
Landsat_7 ETM
NDVI (Année ; 2000)
Landsat_8 OLI- B1(Bleu) (0.45-0.515)

TIRS 16 jours
B2(Vert) (0.525-0.605)
B2(Rouge) (0.63-0.69)
B4(PIR) (0.750-0.900)
B5(MIR1) (1.55-1.75)
B6(TIR) (10.40-12.50)
B7(MIR2) (2.09-2.35)
B8(Pan) (0.52-0.900)
B9(Cirrus) (1.36 - 1.38) 15m
B10(TIR1) (10.60 - 11.19)

B11(TIR2) (11.50 - 12.51) 30m
Landsat_8 NDVI (année ; 2013 & 2019)
16
III.1.2. Logiciels de traitement
- QGIS version 3.22
QGIS est un logiciel SIG libre et Open source publié sous licence GPL. Ce logiciel gère
l’extension spatiale de PostgreSQL et PostGIS, prend en charge un grand nombre de format
de données vectorielle et raster. Dans ce présent travail, il a été utilisé pour :
• La mise en page des cartes

• Le géoréférencement
• Mise en forme des différents symbologie sur une carte
- La Plateforme GEE
C’est une plate-forme à interface de programmation interactive d’analyse géospatiale basée

sur le cloud, qui permet aux utilisateurs de visualiser et d’analyser des images satellitaires de
notre planète. Elle est gratuite pour les organisations non lucratives qui l’utilisent pour la
recherche en télédétection, gestions de ressources naturelles, analyse de changement avec le
temps et plein d’autres activités.
La plate-forme GEE regroupe plus les images satellitaires de plus de 40ans et les images
actuelles ainsi que les outils, la puissance de calcul et de Machine Learning nécessaire pour et
exploiter cette immense banque de données.
Plus de 80% de notre travail a été effectuer sur la google plateforme Google Earth Engine
pour réaliser ce projet.
Pour pouvoir utiliser la plate-forme GEE il est nécessaire de créer un compte GEE tout
d’abord avec une adresse électronique Gmail valide. Ceci permet d’accéder aux services et
aux outils accessibles dans la plate-forme.
L’éditeur de code de GEE a été conçu principalement pour JavaScript, mais aussi, l’API
python peut aussi être utiliser dans Google Colab ou même Jupyter Notebook après
installation du python package.
Le catalogue de données de Earth Engine est l’un de ses composants les plus importants
parce que c’est là où sont stockées les différentes données y compris celle que nous avons
utilisés dans ce présent travail. Les données présentes dans ce catalogue sont ;
17
- Les données MODIS
- Tous les données Landsat entiers
- Les données NAIP
- Les données de précipitation
- Données de température de surface de la mer
- Données d’altitude
- Données climatiques
Figure 3: Présentation de l’interface graphique de la plateforme GEE
18
III.2. Méthodologie
III.2.1. Acquisition des données
Bien que les données d’imageries satellitaires soient déjà disponibles dans le
catalogue de données GEE, et que nous n’avons pas à télécharger des images, il est essentiel
de bien choisir nos images et principalement quand elles sont destinées pour une étude de
changement d’occupation du sol comme la nôtre. De ce fait, nous avons choisi les scènes
d’imageries dans les mois d’été où les couvertures nuageuses sont presque nulles.
Notons que sur GEE, les étapes de prétraitement (corrections radiométrique et géométrique)
généralement effectués sur les images brutes téléchargées en télédétection classique, ne sont
pas faites ici, car les données présentes dans le catalogue de données sont déjà toutes traitées.
III.2.2. Période de suivi et zone d’intérêt

Google Earth Engine permet aux utilisateurs de se focaliser sur une zone d’étude de
leur intérêt. Pour ce qui est de notre cas, nous avons importé le shapefile de notre zone
d’étude, le bassin Oum Er-Rbia. Ceci nous a permis de clipper chaque collection d’images et
de référer chaque étape de notre travail sur notre zone d’étude (voir l’annexe).
La présence des données anciennes et actuelles dans Earth Engine permet

d’effectuer une comparaison et d’établir des variabilités au cours du temps à travers des cartes
et des analyses statistiques. Pour cette étude nous avons utilisé des donnés des années 1984,
2000, 2013 et 2019 pour analyser les changements d’occupation du sol sur notre zone d’étude.
III.2.3. Calcul du NDVI

La végétation est une composante importante de l’occupation du sol et de ce fait, il est
important d’observer si un endroit contient de la végétation ou pas. Le but est d’avoir une idée
sur comment la végétation est distribuée sur le bassin versant. Pour ceci, nous avons fait
appels au NDVI, en utilisant les données Landsat pour l’indice de végétation NDVI (synthèse
de 8 jours) déjà présentes dans le catalogue de données de GEE que nous avons clippé sur
notre zone d’étude (shapefile du bassin versant). Par la suite nous avons observé le résultat,
puis télécharger l’image raster (voir les étapes dans l’annexe) et fait la mise en page de ce
résultat à l’aide du logiciel Qgis. Ces étapes ont été faites pour les quatre années d’études.
Rappelons-nous que le calcul du NDVI est donnée par la formule suivante ;
𝑃𝐼𝑅 − 𝑅𝑂𝑈𝐺𝐸
NDVI = 𝑃𝐼𝑅 + 𝑅𝑂𝑈𝐺𝐸
19
Les valeurs de cet indice varient entre -1 et 1. Les valeurs négatives représente l’eau et les
zones humides, quant aux valeurs positives qui représentent la biomasse végétale.
III.2.4. Classification supervisée

De tous les types de classification supervisée présent dans le catalogue de données Earth
Engine comme mentionné dans le chapitre I, pour ce travail, nous avons opté pour la
classification supervisée SVM. Ce choix a été fait parce qu’en matière de classification elle
est plus précise et elle est mieux adaptée pour notre étude, le changement d’occupation du sol.
Le principe de cette classification est très simple, ça consiste à chercher une frontière qui
sépare deux classes de données, tout en garantissant que la marge entre ces deux classes de
données et la frontière qui leur sépare soit maximale.
Nous avons échantillonné quatre classes d’occupation du sol ; eaux, culture, forêt et sol sous
visualisation RGB (images 1984 et 2000) et sous les bandes B5, B4, B3 (images 2013 et
2019). Les choix des données ont été fait dans les mois d’été avec une couverture
nuageuse inférieure à 1%. Puis, nous avons procédé à la classification SVM à l’aide de la
fonction «.libsvm() » dans GEE. Pour finir, nous avons exporter le résultat dans google drive,
puis dans Qgis pour les mises en pages des cartes.
Figure 4 : Principe de la classification SVM
20
- Classes d’occupation du sol
Pour la classification supervisée SVM, nous nous sommes limités et avons pris les
échantillons sur 4 classes d’occupation du sol qui sont ; l’Eau, Les cultures, La forêt et les
sols nus.
Tableau 7: Classes d’occupation du sol dans la zone du bassin Oum Er-Rbia
Classe Descriptives Example
Forêt Forêt dense, foret dégradé
Eau Lacs, barrage, cours d’eaux

etc…
Culture Aires cultivées
Sol Englobe les sites urbains,

terrains nus, les formations
géologiques etc.…
21
-Signature spectrale
Chaque surface possède une signature spectrale, c’est-à-dire la quantité d’énergie émis ou
réfléchie en fonction de la longueur d’onde ; qui lui est propre et permettra son identification
sur les images satellitaires. Nous avons effectué la signature spectrale de chacune de nos
classes choisies et de ce fait l’identification de nos différentes classes peut se faire en
observant leurs différentes signatures spectrales comme dans cette figure 5 ci-dessous ;
Figure 5 : Signature spectrale des classes d’occupation du sol
22
Acquisition des données ; data catalog
-Landsat 8 Collection 2 Tier 1 -Landsat 7 Collection 1 Tier -Landsat 5 collection 1 Tier 1

TOA ; 2013 et 2019 1 TOA ; 2000 TOA ; 1984
- Landsat 8 Collection 1 Tier 1 - Landsat 7 Collection 1 -Landsat 5 Collection 1 Tier 1
8-Day NDVI Composite Tier 1 8-Day NDVI 8-Day NDVI Composite
Composite
Période de suivi et zone d’intérêt
Importation du shapefile de la
1984 à 2019 zone d’étude, puis clippage des
différents images satellitaires sur la
zone d’étude
Exportation vers drive et

mise en page des résultats Calcul de NDVI
NDVI
Classification supervisée ;
SVM
Exportation sur drive et

cartographie de l’occupation
du sol de 1984, 2000,2013, et Validation des résultats
2019
Evaluation des taux de changements des

classes d’occupation du sol
Figure 6 : Organigramme de la méthodologie
23
Chapitre IV : RESULTATS ET DISCUSSION
Introduction
Dans ce chapitre, nous allons observer les différentes cartes d’occupation du sol allant de
1984 à 2019, plus précisément celles de 1984, 2000, 2013 et 2019. Ensuite, nous allons
évaluer leurs changements sur le bassin versant d’Oum Er-Rbia au cours de ces années.
IV.1. Cartographie de l’occupation du sol dans le bassin

4.1.1. Visualisation des cartes de distribution du NDVI
Dans les figures ci-dessous (Figures : 7, 8, 9, 10) nous pouvons interpréter les valeurs du
NDVI comme suite ;
- Les valeurs les plus négatives correspondent à l’eau et aux zones extrêmement
humides.
- Les valeurs proches de zéro correspondent aux sols (cites urbains, terrains nus etc…).
- Les valeurs positives, proches de +1, correspondent à la végétation (cultures, forêt)
L’objectif étant pour nous d’observer la distribution de la végétation sur le bassin, nous
remarquons qu’il y a une grande variation de la végétation entre les quatre années d’études, ce
qui nous permettra d’évaluer ces changements de plus près à partir des cartes d’occupation du
sol réalisées par la suite.
24
Figure 7 : Répartition du NDVI sur le bassin versant Oum Er-Rbia pour l’année 1984
25
Figure 9: Répartition du NDVI sur le bassin versant Oum Er-Rbia pour l’année 2013
26
4.1.2. Résultats des cartes d’occupation du sol
A l’aide du logiciel QGIS, nous avons cartographié les résultats de notre classification
issues des différentes classes d’occupation du sol désignées. Les figures 11, 12, 13, 14 ci-
dessous, montrent les résultats des cartes d’occupation du sol pour les années 1984, 2000,
2013, et 2019 respectivement, et à partir de ces cartes nous allons analyser de plus près
l’évolution des changements de ces classes d’occupation du sol au cours de nos périodes
d’études dans le bassin versant de l’Oum Er-Rbia.
L’interprétation visuelle de ces quatre cartes nous permets déjà de constater les principaux
changements, notamment sur l’augmentation des cultures et forêt, sans oublier la variation des
ressources en eau sur ce bassin versant.
27
Figure 11 : Carte d’occupation du sol pour l’année 1984
28
29
30
31
IV.2. Validation de la précision de la classification
Pour pouvoir évaluer la précision des résultats de la classification de nos différentes classes
d’occupation du sol, nous avons générer des algorithmes (voir dans l’annexe) pour calculer la
matrice de confusion, suivie par la précision globale et enfin l’indice de kappa. Les tableaux
suivants illustrent ces résultats de précisions.
Tableau 8: Matrice de confusion de la classification de 1984
Vérité terrain Eaux Culture Forêt Sol Totale

Classification
Eaux 187 0 0 0 187
Culture 0 177 24 0 201
Forêt 1 3 175 0 179
Sol 0 0 0 18212 18212
Totale 188 200 199 18212 18779
Précision globale = 99.85% Indice Kappa = 97.48%

Classification
Eaux 1322 0 0 0 1322
Culture 0 767 26 0 793
Forêt 0 14 932 1 946
Sol 0 0 0 22724 22724
Totale 1322 781 958 22725 25786
Précision globale = 99.84% Indice Kappa= 99.27%

Classification
Eaux 285 0 1 0 286
Culture 0 581 3 232 816
Forêt 0 98 885 3 986
Sol 0 14 8 6938 6960
Totale 285 693 897 7173 9048
32

Classification
Eaux 890 0 0 0 890
Culture 0 560 339 0 899
Forêt 0 59 2132 0 2191
Sol 0 0 0 5041 5041
Totale 890 619 2471 5041 9021
Pour les années 1984, 2000, 2013 et 2019 les matrices de confusion montrent une précision
globale de 99.85%, 99.84%, 96.03%, 95.67% et les indices de kappa 97.48%, 99.27%,
89.31%, 92.83% respectivement. Les valeurs sur la diagonale en vert représentent le nombre
de pixels de nos différents échantillons qui ont été bien classés.
Pour les scènes de 1984, 2000, et 2019 les classes eaux et sol ont été bien classées à 100%,
sauf les classes de culture et de forêt qui se confondent avec un très faible pourcentage. De
plus, pour la scène de 2013, il y a confusion entre les pixels de la classe culture et forêt, puis
une confusion entre les pixels des classes culture, forêt et sol.
Ces multiples confusions sont dues au fait que nous travaillons sur une grande zone. En
générale les résultats de la classification sont acceptables parce que on a une grande précision
(> 81%) au niveau de la précision globale et l’indice de kappa.
IV.3. Evolution des changements d’occupation du sol

-Evolution du changement d’occupation du sol entre 1984 et 2000
Pendant cette période, les classes culture et foret présentent une grande augmentation entre les
deux dates, ceci peut même être perçu visuellement en observant les figures 11et 12. De la
même façon, la classe eaux présente aussi une augmentation, en regardant une fois de plus les
figures 11 et 12, nous remarquons l’augmentation des surfaces des barrages Al Massira et Bin
El-Ouidane en 2000 comparé à ceux de l’année 1984. Aussi, on remarque l’apparition du
barrage Hassan 1er dans la province d’Azilal, mis en service en 1986.
Il est à noter que, le faible pourcentage de classes de culture, forêt et eaux en 1984 dans le
bassin, est dû au fait que cette année-là fait partie des années où le Maroc a été victime de
sécheresse, qui n’a pas favorisé la végétation ainsi que les ressources en eaux. Par contre, en
33
2000 les apports de précipitation de pluies et neiges ont favorisés la croissance de la
végétation et l’expansion des ressources en eau.
Tableau 12: Changement d’occupation du sol entre 1984 et 2000
1984 2000
Classes Superficie/Km²(S1) Superficie/Km²(S2) S2 – S1 Tc1 (%)
Eaux 111.07 165.86 54.79 +2.51

Culture 1125.18 2997.34 1872.16 +6.12
Forêt 2382.28 6274.58 3892.3 +6.05
Sol 34248.96 28429.71 -5819.25 -1.16
Totale 37867.49 37867.49

Ici, les classes eaux et culture montrent une croissance spectaculaire, par contre la classe
forêt montre une diminution. La classe sol est relativement stable entre ces deux années. En
observant comparativement les figure 12 et 13, nous pouvons voir une fois de plus
l’expansion des superficies au niveau des barrages en 2013 comparé à ceux de 2000. Sans
oublier, la présence du barrage El-Hasanli dans la figure 13 et absent dans la figure 12.
2000 2013
Eaux 165.86 213.00 47.14 +1.92

Culture 2997.34 4135.02 1137.68 +2.48
Forêt 6274.58 5724.46 -550.12 -0.71
Sol 28429.71 27795.01 -634.70 -0.17
Totale 37867.49 37867.49
Sur cette période, la classe eaux est en baisse comparée aux périodes que nous avons
analysées précédemment. Ceci peut s’observer en regardant la diminution de sa superficie
entre ces deux dates sur les deux cartes d’occupation du sol. Les classes culture, forêt et sol
restent légèrement stable dans cette période.
34
2013 2019
Eaux 213.00 127.66 -85.34 -8.55

Culture 4135.02 4631.27 496.29 +1.89
Forêt 5724.46 6145.41 420.95 +1.18
Sol 27795.01 26963.15 -831.86 -0.5
Totale 37867.49 37867.49
Sur cette période, il y a une grande augmentation des surfaces occupées par les classes culture
et forêt. Par ailleurs, on observe une réduction de la surface du sol. En même temps il y a une
légère augmentation de la surface en eau comparée à la période précédente (2013-2019) qui a
connu une baisse.
1984 2019
Eaux 111.07 127.66 -16.59 +0.40

Culture 1125.18 4631.27 3506.09 +4.04
Forêt 2382.28 6145.41 3763.13 +2.71
Sol 34248.96 26963.15 -7285.81 -0.68
Totale 37867.49 37867.49
35
- Superficie des classes
Figure 15: Superficies des classes occupées pour chaque année d’étude
IV.4. Bilan finale du changement d’occupation du sol dans le bassin

vessant d’Oum Er-Rbia
Ici, nous allons observer graphiquement l’ensemble des résultats obtenus à partir des taux de
changements d’occupation que nous avons calculé pour les périodes de 1984-2000 (16 ans),
2000-2013 (13 ans), 2013-2019 (6 ans) et 1984-2019 (35 ans). Sur la figure 16 ci-dessous,
nous observons qu’il y a un grand changement dans les périodes de 1984-2000, 2000-2013 et
1984-2019 notamment avec les classes eaux, culture et forêt. Sur l’ensemble de ces quatre
périodes d’études, les différentes classes d’occupation du sol varient comme suite ;
- Pour la classe eaux, on observe une augmentation dans les périodes de 1984-2000, et
2000-2013. Par contre la période 2013-2019 il y a une grande diminution certainement
dû aux facteurs naturels et anthropiques que nous allons en discuter par la suite. Mais
globalement dans ces quatre périodes d’études on constate une légère augmentation en
eaux dans le bassin.
36
- Pour la classe culture, on remarque un fort changement de croissance dans les quatre
périodes sauf dans la période 2013-2019 où le changement est minime, mais
globalement il y a une forte croissance en apport de culture dans le bassin.
- Pour la classe forêt, le changement est aussi remarquable dans les quatre périodes et
globalement il y a un changement croissant de cette classe au cours des périodes
d’études.
- Finalement, le taux de changement de la classe sol est faible comparé aux trois autres
classes. Cette classe montre une réduction de sa superficie.
Figure 16 : Illustration graphique des taux de changements d’occupation du sol
37
IV.5. Discussion
Dans cette partie, nous allons discuter des différents facteurs qui ont causés les changements
au niveau des différentes classes occupées dans le bassin. L’analyse géospatiale et la
cartographie du changement d’occupation du sol dans le bassin versant d’Oum Er-Rbia de
l’année 1984-2019 montre une importante variation (augmentation ou réduction) des classes
eaux, culture, forêt et sol.
- La classe Eaux :
Dans un premier temps on a observé une augmentation de la superficie en eaux. Ceci
est dû aux politiques de construction des barrages, en 1984 il y avait juste les barrages
à savoir le barrage Al Massira construit en 1979, le barrage Bin El-Ouidane construit
en 1954 et le barrage Moulay Youssef construit en 1970. L’ajout des barrages Ahmed
El-Hansali mis en service en 2002, le barrage Hassan 1er mis en service en 1986,
présent sur les scènes de 2013, 2019 et ce jusqu’aux jours d’aujourd’hui. De plus, la
croissance en surface d’eau peut aussi être due aux précipitations de pluie ou de neiges
en cas d’années favorables.
Par contre les années de sécheresses défavorisent la croissance des surfaces en eaux,
come sur la scène de 1984 qui compte parmi les années où le bassin a connu la
sécheresse.
- Les classes culture et forêt :
Vu l’augmentation des barrages, l’irrigation est encouragée et ceci cause une
croissance des surfaces de culture. Ceci est aussi lié au grand développement des
culture sur la plaine de Tadla et les provinces de Fquih Ben salah, Béni Mellal qui sont
des zones agricoles. L’action du gouvernement Marocain pour la lutte contre la
désertification a aussi permis un maintien de la forêt.
- La classe sol :
Durant la période d’étude on observe une diminution du sol, qui est dû aux nécessités
agricoles et la préservation de la végétation.
38
Figure 17 : Cartes d’ occupation du sol pour les années 1984 et 2019
39
CONCLUSION GENERALE ET PERSPECTIVES
L’apport de la télédétection spatiale pour l’analyses des changements d’occupation du sol

est une technique primordiale qui nous a permis de réaliser ce travail.
La plateforme GEE est un outil puissant d’analyse géospatiale qui nous a permis par la
télédétection de pouvoir effectuer ce travail de suivi d’occupation allant jusqu’à 35 ans sur les
scènes de 1984, 2000, 2013 et 2019. C’est d’ailleurs sur cette plateforme que nous avons
effectuée 81% de ce travail.
Le catalogue des données présent dans GEE nous a permis de bien choisir nos données
selon leur disponibilité dans ce catalogue. Rappelons-nous que pour ce travail nous avons
utilisé les images satellitaires landsat-5, landsat-7, et landsat-8. Si nous avons choisi les séries
d’images Landsat c’est parce qu’elles contiennent toutes les données dont nous avion besoin,
de plus sa résolution spatiale de 30m a été convenable pour nous pour pouvoir élaborer ce
travail. Pour pouvoir effectuer chaque étape de ce travail sur GEE, nous les avons faites à
partir de l’éditeur de code, en exécutant des algorithmes JavaScripts (voir l’annexe), sans
oublier que les algorithmes en langage python peuvent aussi être utiliser via Google colab ou
jupyter notebook.
Pour la cartographie des changements d’occupation du sol nous avons utilisé la méthode de
classification supervisée SVM pour classer les différentes classes d’occupation du sol à
savoir ; Eaux, Culture, Forêt, et Sol.
Par ailleurs, les résultats de la classification supervisée sont acceptables avec des précisions
globales de 99.85%, 99.84%, 96.03%, 95.67% et indices de kappa de 97.48%, 99.27%,
89.31%, 92.83% pour les quatre années d’études respectivement. Ces résultats nous ont
permis d’élaborer les cartes d’occupation du sol dans le bassin versant Oum Er-Rbia entre
1984-2019. Les statistiques et les cartes d’occupation du sol montrent qu’au cours de ces 35
années, la superficie de la classe Eaux est en baisse, celles des classes culture et forêt sont en
développement (augmentation) et on observe une faible baisse de la superficie de la classe sol.
Les résultats obtenus dans ce travail sont encourageants, et reflètent grandement les vérités
du terrain. Ce projet marque pour nous un début fondamental dans la recherche et nous
permettra d’effectuer d’avantage des études sur le changement d’occupation du sol et d’autres
thématiques avec beaucoup plus de précision.
Finalement, pour l’amélioration de ce type de cette étude, nous envisageons utiliser
d’autres méthodes d’évaluation des changements d’occupation du sol comme la classification
non supervisée dans le but d’une bonne comparaison qui nous permettra d’être plus objectif
en matière de méthode employée et de précision.
40
REFERENCES BIBLIOGRAPHIQUES
ABHOER, (2010). Etude d’actualisation de la zone d’action de l’agence du bassin

hydraulique de l’Oum Er- Rbia, Rapport d’étude définitif sur l’état des lieux et perspective
d’évolution, 43p.
BAILLY A.S., GUESNIER B., PAELINCK J.H.P., SALLEZ. A., 1995. Au milieu du XIXe
siècle, en Europe, et au XXe siècle dans les pays du Tiers monde, homme essaye toujours de
comprendre et maitriser l’espace, en cherchant de résoudre des problèmes liés aux
phénomènes de l’urbanisation, économiques et humains.
FAO. 1996. Forest resources assessment 1990. Survey of tropical forest cover and study of
change processes. Forestry Paper, 130, Roma, 152 p.
LANDIS, J. R., & KOCH, G. G. (1977). The Measurement of Observer Agreement for
Categorical Data. Biometrics, 33(1), 159. https://doi.org/10.2307/2529310.
LAMBIN, E.F. ET AL., 2001. The causes of land-use and land-cover change: moving beyond
the myths. Global Environmental Change, 11, pp. 261–269.
PELLETIER, C. (2017). Cartographie de l’occupation des sols à partir de séries temporelles
d’images satellitaires à hautes résolutions Identification et traitement des données mal
étiquetées [Theses, Université Toulouse 3 Paul Sabatier (UT3 Paul Sabatier)].
https://tel.archives-ouvertes.fr/tel-01665121
ROUSE ET HASS, 1973 ; TUCKER, 1979. Indice de végétation par différence normalisé ou
indice de Tucker.
RICHARDSON, A. J., & EVERITT, J. H. (1992). Using spectral vegetation indices to
estimate rangeland productivity. Geocarto International, 7(1), 63-69.
https://doi.org/10.1080/10106049209354353
VELAZQUEZ ET AL.2002 ; NOYOLA-MEDRANO, 2006. Les modèles et les taux de
changement d’utilisation des terres au Mexique. Gazette écologique.
41
Annexes
Les codes utilisés pour la réalisation des cartes avec Google Earth Engine
// importer la zone d’étude
varBassin=ee.FeatureCollection(projects/ee-
mouhamadouhadikami271/assets/BV_Oumerbia'');
Map.addLayer(Bassin);
// calcul du NDVI pour chacune des années 1984, 2000, 2013, 2019
// NDVI 1984
var dataset_1984 = ee.ImageCollection('LANDSAT/LT05/C01/T1_8DAY_NDVI')
.filterDate('1984-01-01', '1984-12-31')
.mean()
.clip(Bassin)
.select('NDVI');
var colorizedVis = {
min: 0.0,
max: 1.0,
palette: [
'FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901',
'66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01',
'012E01', '011D01', '011301'
],
};
Map.addLayer(dataset_1984, colorizedVis, 'Colorized');
// NDVI 2000
var dataset_2000 = ee.ImageCollection('LANDSAT/LE07/C01/T1_8DAY_NDVI’)
.filterDate('2000-01-01', '2000-12-31')
.mean()
.clip(Bassin)
42
.select('NDVI');
min: 0.0,
max: 1.0,
palette: [
'66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01',
'012E01', '011D01', '011301'
],
};
// NDVI 2013
var dataset_2013 = ee.ImageCollection('LANDSAT/LC08/C01/T1_8DAY_NDVI')
.filterDate('2013-01-01', '2013-12-31')
.mean()
.clip(Bassin)
.select('NDVI');
min: 0.0,
max: 1.0,
palette: [
'66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01',
'012E01', '011D01', '011301'
],
};
// NDVI 2019
var dataset_2019 = ee.ImageCollection('LANDSAT/LC08/C01/T1_8DAY_NDVI')
.filterDate('2019-01-01', '2019-12-31')
.mean()
43
.clip(Bassin)
.select('NDVI');
min: 0.0,
max: 1.0,
palette: [
'66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01',
'012E01', '011D01', '011301'
],
};
// exporter les résultats des images NDVI en remplaçant les variables des images de
chaque année
Export.image.toDrive({
image: dataset_1984,
description: 'NDVI',
scale:30,
region: Bassin,
maxPixels: 1e9
});
// importation des images satellitaires
//image1984 landsat 5
var Landsat_1984 = ee.ImageCollection("LANDSAT/LT05/C01/T1_TOA")
.filterDate("1984-03-16", "1984-12-16")
.filterMetadata('CLOUD_COVER', 'less_than',1)
.filterBounds(Bassin)
.mean()
.clip(Bassin);
var visParamsTrue = {bands: ['B4', 'B3', 'B2'], min: 0, max:0.3, gamma:[1.4 ]};
Map.addLayer(Landsat_1984, visParamsTrue, 'Landsat_1984');
44
//image2000 landsat 7
var Landsat_2000 = ee.ImageCollection("LANDSAT/LE07/C01/T1_TOA")
.filterDate("2000-04-16", "2000-12-16")
.filterMetadata('CLOUD_COVER', 'less_than',1)
.mean()
.clip(Bassin);
var visParamsTrue = {bands: ['B4', 'B3', 'B2'], min: 0, max:0.3, gamma: [1.4 ]};
//image 2013 landsat 8

var Landsat_2013 = ee.ImageCollection('LANDSAT/LC08/C02/T1_TOA')
.filterDate("2013-03-16", "2013-12-16")
.filterMetadata('CLOUD_COVER', 'less_than', 1)
.mean()
.clip(Bassin);
var visParamsTrue = {bands: ['B5', 'B4', 'B3'], min: 0, max:0.5, gamma: [1.4, 1.1, 1 ]};
//Image 2019 Landsat_8

var Landsat_2019 = ee.ImageCollection("LANDSAT/LC08/C02/T1_TOA")
.filterDate("2019-03-16", "2019-12-16")
.filterMetadata('CLOUD_COVER', 'less_than', 1)
.mean()
.clip(Bassin);
var vizParams = {bands: ['B5', 'B4', 'B3'], min: 0, max: 0.5, gamma: [0.95, 1.1, 1]};
Map.addLayer(Landsat_2019, vizParams, 'Landsat_2019');
45
// Classifications supervisée et matrices de confusion
// definition des bandes spectrales ^pour la classification

var bands = ["B2", "B3", "B4", "B5", "B6", "B7"];
var bands_1984 = ["B1","B2", "B3", "B4", "B5","B7"];
// classification_1984
var Roi_1984 = Eaux_1984.merge(Culture_1984).merge(Foret_1984);
var training_1984 = Landsat_1984.select(bands_1984).sampleRegions({collection:
Roi_1984,properties:['LC'],scale: 30});
var classifier_1984 = ee.Classifier.libsvm().train({
features: training_1984, classProperty: 'LC',
inputProperties:["B1","B2", "B3", "B4", "B5","B7"]});
var classified_1984 = Landsat_1984.classify(classifier_1984);
Map.addLayer(classified_1984,{min:0, max:2,
palette:['3314ff','00ff00', '0b5326',//'808080'
]},'LULC_1984');
// confusion matrix_1984
var confusionMatrix_1984 = classifier_1984.confusionMatrix();
print('confusion matrix_1985:', confusionMatrix_1984);
print('Traininr Overall Accuracy_1985:', confusionMatrix_1984.accuracy());
var Kappa_1984 = confusionMatrix_1984.kappa();
print('Training Kappa_1984', Kappa_1984);
var Roi_2000 = Eaux_2000.merge(Culture_2000).merge(Foret_2000);

vartraining_2000=Landsat_2000.select(bands_2000).sampleRegions({collection:Roi_2000,pr
operties:['LC'],scale: 30});
features: training_2000, classProperty: 'LC',
inputProperties:["B1","B2", "B3", "B4", "B5","B7"]});
Map.addLayer(classified_2000, {min:0, max:2,
46
palette:['3314ff','00ff00', '0b5326',//'808080'
]},'LULC_2000');

print('confusion matrix:2000', confusionMatrix_2000);
var Roi_2013 = Eaux_2013.merge(Culture_2013).merge(Sol_2013).merge(Foret_2013);

var training_2013 =
Landsat_2013.select(bands).sampleRegions({collection:Roi_2013,properties:['LC'],scale:
30});
features:training_2013,classProperty: 'LC',
inputProperties:["B2", "B3", "B4", "B5", "B6", "B7"]});
palette:['3314ff','00ff00', '0b5326',//'808080'
'c59a5a'
]},'LULC_2013');

print('confusion matrix_2013:', confusionMatrix_2013);
47
//Classification_2019
var Roi_2019 = Eaux_2019.merge(Culture_2019).merge(Sol_2019).merge(Foret_2019);

vartraining_data=Landsat_2019.select(bands).sampleRegions({collection:Roi,properties:['LC'
],scale: 30});
var classifier = ee.Classifier.libsvm().train({
features:training_data,classProperty: 'LC',
inputProperties:["B2", "B3", "B4", "B5", "B6", "B7"]});
var classified_2019 = Landsat_2019.classify(classifier);
palette:['3314ff','00ff00', '0b5326',//'808080'
'c59a5a'
]},'LULC_2019');
// CONFUSION MATRIX_2019
var confusionMatrix = classifier.confusionMatrix();

print('confusion matrix_2019:', confusionMatrix);
print('Training Overall Accuracy_2019:', confusionMatrix.accuracy());
var Kappa = confusionMatrix.kappa();
print('TrainingKappa_2019',Kappa) ;
// Calcul des superficies en km2 (ceci a été fait pour chacune des quatre scènes)
var classeArea= ee.Image.pixelArea().addBands(classified_1984).divide(1e6)
.reduceRegion({
reducer: ee.Reducer.sum().group({
groupField:1,
groupName: 'classified_image'}),
geometry:Bassin,
scale: 30,
maxPixels: 1e9});
Print(classeArea,'Allclassesarea’);
48
Faculté des Sciences et Techniques
BP 523-23000 Béni Mellal
Maroc
Licences Sciences et Techniques
Géomatique et Aménagement du Territoire
2021-2022
FICHE DE RENSEIGNEMENTS
Prénom
Hadi Kami
Nom Mohamadou
CIN 1022831
CNE FSTBM19015
Adresse Bloc 8 Appartement N° 23 TAKADOUM
Tél 0606646108
Email mouhamadouhadikami271@gmail.com
49
Faculté des Sciences et Techniques
BP 523-23000 Béni Mellal
Maroc
Licences Sciences et Techniques
Géomatique et Aménagement du Territoire
2021-2022
FICHE DE RENSEIGNEMENTS
Prénom Alain Théophile
Nom DASSI FENGAING
CIN 0995171
CNE FSTBM19014
Adresse
23 BLOC 8 QUARTIER TAKADOUM BENI MELLAL
Tél 0626435709
Email alaindassi3@gmail.
com
50

PFE - Oum Er-Rbia

Transféré par

Droits d'auteur :

Formats disponibles

PFE - Oum Er-Rbia

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

PFE - Oum Er-Rbia

Transféré par

Droits d'auteur :

Formats disponibles

Numéro d'ordre : ………… 393/22………………

Département des Sciences de la Terre

Analyse géospatiale des changements de

Soutenu le 02 juillet 2022 devant la commission d’examen :

Abdelghani BOUDHAR Professeur, Fac. Sc. et Techniques, Béni Mellal. Président

Année Universitaire : 2021/2022

Tout d’abord nous dédions ce travail à Dieu parce que

Nous tenons à exprimer nos sincères remerciements à notre encadrant le professeur

Nous remercions également madame Mouna CHERIF étudiante doctorante en géologie à

Finalement, nous remercions tous le staff pédagogique du département science de la terre et

ABHOER Agence du Bassin Hydraulique de l’Oum Er-Rbia

API Application Programming Interface

FAO Food and Agriculture Organization

GEE Google Earth Engine

GPL General Public License

ISODATA Iterative Self-Organizing Data

MIR Moyen Infra-Rouge

NDVI Normalized Difference Vegetation Index

NASA National Aeronautics and Space Administration

NAIP National Agriculture Imagery Program

OLI Operational Land Imager

PIR Proche Infra-Rouge

RGB RED, GREEN, BLUE

SVM Support Vecteur Machine

SIG Système d’Information Géographique

SAR Synthetic Aperture Radar

TIRS Thermal InfraRed Sensor

FIGURE 1 : PRESENTATION DE LA ZONE D’ETUDE .................................................................... 10

TABLEAU 1: QUELQUES INDICES SPECTRAUX DE VEGETATION (RICHARDSON & EVERITT, 1992).

TABLEAU 5: HISTORIQUE DES SATELLITES DU PROGRAMME LANDSAT ...................................... 15

La télédétection est aujourd’hui un outil primordial dans le suivi spatiotemporel des

- Chapitre I : Revue bibliographique

I.1. Analyse spatiale

L’évolution de la télédétection est liée en l’invention de la photographie, en 1860, La

I.3. Google Earth Engine

Google Earth Engine combine un catalogue de plusieurs pétaoctets d'images satellite et

1.2.2. Avantages de GEE

-Automatisation du traitement et d’affichages des données

-Application d’algorithme d’apprentissage automatique (Machine Learning)

-Visualisation des données et images géospatiales, qui permet d’accéder à de nombreux

-Implémentation d’interface utilisateur graphique.

-GEE impose un cadre restreint de programmation, et la programmation n’est pas bien

-L’utilisation de Machine Learning aussi présente quelques complexités.

I.4. Cartographie de changement d’occupation du sol

-Forets et milieux semi-naturels

La connaissance de l’occupation du sol est très importante dans plusieurs domaines de

1.3.2. Techniques de cartographie des changements d’occupation du sol

1.3.2.1. Indices spectraux de végétation

Tableau 1: Quelques indices spectraux de végétation (Richardson & Everitt, 1992).

Indices de végétation Formule d’expression

Enhanced Vegetation Index (EVI) 2.5∗(𝑃𝐼𝑅−𝑅𝑜𝑢𝑔𝑒)

Perpendicular Vegetation Index 𝑃𝐼𝑅−𝑎∗𝑅𝑜𝑢𝑔𝑒−𝑏

Soil Adjusted Ratio Vegetation Index SARVI = 𝑃𝐼𝑅

Transformed Soil Adjusted Vegetation 𝑎∗(𝑃𝐼𝑅−𝑎∗𝑅−𝑏)

a. Classification non supervisée

Les différents types de classifications non supervisées sont ;

Dans cette méthode, contrairement à la classification non supervisée, il y a intervention de

Plusieurs méthodes de classification supervisée existent à savoir ;

En apprentissage automatique, spécialement en classification, la matrice de confusion est