ANALYSE DES RESSOURCES ACTUELLES DES SOLS

L’étude des ressources territoriales actuelles est habituellement effectuée par la classification complète de l’occupation du sol à partir de l’imagerie spatiale. C’est une des applications les plus courantes de la télédétection. La procédure a été présentée dans la figure IV-2. Une description plus détaillée est montrée dans la section la suivante. L’inventaire des ressources des sols par la classification est une pratique courante en télédétection. Cependant, des difficultés apparaissent lors de la mise en place de ces techniques, notamment, quand elles sont appliquées aux régions dont les composantes sont complexes et les types d’occupation du sol continus. Les algorithmes traditionnels nécessitent encore des améliorations pour mieux distinguer les différents types d’occupation du sol.De nombreux travaux ont été menés pour améliorer la technique de la classification et son résultat à partir de différentes méthodes et algorithmes d’extraction de l’information ‘occupation du sol’, de cartographie et de suivi du changement (Haralick et al., 1973 ; Weismiller et al., 1977 ; Gordon, 1980 ; Thomas et al., 1987 ; Gong et al., 1989, 1990, 1992 ; Franklin et al., 1990 ; Chen et al., 1999, etc.). La classification conventionnelle à partir des données de télédétection est basée sur une technique de reconnaissance du modèle qui inclue les deux approches supervisées et non- supervisées, en supposant que la région étudiée se compose de plusieurs classes homogènes uniques mutuellement exclusives (Townshend, 1984). Cependant, cette supposition ne s’applique pas aux régions où les types d’occupation du sol existent en continu plutôt que comme une mosaïque de classes distinctes. Par conséquent, les classes s’enchevêtrent les unes avec les autres et ne peuvent être séparées par des limites nettes (Kent et al., 1997). Notre région d’étude, le Ningxia Nord, est un site qui présente une géomorphologie complexe et des types d’occupation du sol variés mais non discernables sur les classifications. Par exemple, les résidus de charbon et les marais ne peuvent pas être discriminés sur les images de façon automatique du fait de la similarité spectrale globale entre eux.

Afin d’éviter les limites des classifications traditionnelles et pour augmenter la capacité de distinction et la logique des classes dans l’espace, nous avons ajouté certains traitements de pré- et – post classification. Ainsi les caractères de textures (Haralick et al., 1973 ; Chen et al.,1989 ; Franklin et al., 1990 ; Gong et al., 1992 ; Sali et al., 1992) ont été préalablement identifiés puis incorporés dans la sélection des zones d’apprentissage de pré-classification. D’après Woodcook et al. (1987), la texture est une caractéristique fondamentale de l’image de télédétection, souvent essentielle pour distinguer les éléments de l’image. Les particularités de chaque classe sont dues à l’hétérogénéité des éléments de l’occupation du sol (Shaban et al., 2001). La majorité des classes a ses propres particularités spectrales et texturales, dans notre cas, on distingue les roches nues, les cônes d’épandage pluviaux, les étangs de pisciculture, les champs de riz, les prairies sablonneuses etc. Ces caractéristiques peuvent être combinées avec les zones d’apprentissage comme critères de regroupement. Après l’analyse du maximum de vraisemblance, un traitement de post-classification a été réalisé pour ré-allouer les classes spectralement mal-classées et spatialement mal-réparties. Nous avons ensuite appliqué une agrégation pour homogénéiser des classes similaires ou proches. Les résultats issus de ce traitement fournissent une classification très précise des différents modes d’occupation du sol et de leur répartition spatiale.

Une classification non-supervisée nous a donné une base nécessaire à la reconnaissance du terrain. Les anomalies constatées sur le site nous ont conduit aux traitements suivants afin de nous permettre de quantifier et valider les ressources du sol. cartes topographiques du 1/200 000 au 1/300 000 (datum WGS84 et projection UTM 48) en utilisant une fonction polynomiale (3ème ordre et ré-échantillonnage bilinéaire) avec 92 GCP (incluant 28 points de GPS). L’erreur de RMS a été calculée à 0,65 pixel (un pixel couvre 3030m2).bandes 1, 2 et 3 sont bien corrélées ou interdépendantes. Cela signifie que nombre d’informations sur l’occupation du sol sont répétitives. Les bandes 5 et 7 sont aussi corrélées (R2 = 0,850). La bande 4 est indépendante de toutes les autres (R2 < 0,430). La classification a donc été effectuée sur les bandes 7,l’occupation des sols. Le résultat de classification sera plus facile à vérifier et valider.Sélection des zones d’apprentissage de textureToutes les zones d’apprentissage sont sélectionnées avec soin à partir des points suivants : Données in-situUne mission de terrain s’est déroulée dans la région étudiée en août 2000. 7 trajets et 71 pointscaractéristiques texturales en fonction de la composition minérale, de l’altitude et de l’espèce végétale. Par exemple : les cônes d’épandage composés de sédiments pluviaux provenant de l’inondation des Montagnes Helan ont des lignes d’écoulement claires en forme de cônes ouverts au sud-est et à l’est. Ces cônes d’épandage constituent une bande continue de couleur magenta foncé du sud-ouest .