CARTOGRAPHIE NUMERIQUE ET VALORISATION DES CARTES (partie 2/2)

## Objectifs et prérequis **À la fin de ce chapitre, l’élève sera capable de :** - Réaliser une activité de remédiation sur des données géomatiques afin de corriger les erreurs de géoréférencement, de topologie et d’attributs. - Identifier, décrire et cartographier les objets forestiers (arbres isolés, peuplements, clairières) et les strates végétales (canopée, sous‑étage, litière) à partir de données de télédétection et de relevés terrain. - Produire une carte numérique forestière conforme aux normes du MINESEC/IGE (échelle, légende, métadonnées) et l’interpréter pour une gestion durable des ressources forestières camerounaises. **Prérequis :** - Maîtrise des concepts de base du SIG (couches, attributs, systèmes de coordonnées géographiques et projetés). - Connaissance des principaux types de données raster (imagerie satellitaire, orthophotos) et vectorielles (points, lignes, polygones). - Savoir utiliser un logiciel de traitement d’images (QGIS, ArcGIS) et un récepteur GPS de précision sub‑métrique. - Notions de biologie forestière (strates végétales, espèces indicatrices). --- ## Introduction contextualisée La gestion durable des forêts du Cameroun repose sur une connaissance précise de leur structure spatiale. Les inventaires forestiers traditionnels, bien que indispensables, sont coûteux et limités à des échantillons ponctuels. La cartographie numérique, couplée à la télédétection et au GPS, permet d’obtenir une couverture exhaustive, répétable et à moindre coût. Toutefois, les données brutes présentent souvent des défauts (décalages géométriques, erreurs d’attribution, bruit spectrale) qui doivent être corrigés avant toute analyse. C’est pourquoi le programme officiel prévoit, en première partie, des **activités de remédiation** visant à préparer les jeux de données, puis, en deuxième partie, la **Leçon 13** consacrée à l’identification et à la cartographie des objets et strates forestiers observés. Cette séquence développe les compétences techniques attendues au baccalauréat série TGF : acquisition, traitement, analyse et représentation de l’information géographique dans un contexte professionnel camerounais. --- ## I. Activités de remediation ### 1.1 Définition et objectifs > **La remédiation géomatique** désigne l’ensemble des opérations visant à améliorer la qualité géométrique, topologique et attributaire d’un jeu de données SIG avant son exploitation. Les objectifs principaux sont : - Corriger les décalages géoréférencés (shift) entre les couches. - Éliminer les doublons, les géométries nulles ou auto‑intersectantes. - Harmoniser les systèmes de coordonnées (passer de WGS84 à UTM zone 32N, par exemple). - Normaliser les attributs (codification des espèces, unités de mesure, valeurs manquantes). ### 1.2 Méthodologie de remediation 1. **Diagnostic initial** : visualisation des couches dans le SIG, génération de rapports d’erreur (topologie, géométrie, attributs). 2. **Ré projection** : si nécessaire, reprojeter toutes les couches vers un même SCR (Système de Coordonnées de Référence) adapté à l’étude (UTM 32N, datum WGS84). 3. **Correction géométrique** : utilisation des outils de *snapping* (ajustement des sommets à une tolérance définie, ex. 0,5 m) et de *vector cleanup* (suppression des pseudo‑nœuds, correction des polygones self‑intersecting). 4. **Nettoyage attributaire** : tables de correspondance pour standardiser les codes d’espèces (ex. : « Triplochiton scleroxylon » → code TS), remplissage des valeurs nulles par interpolation ou moyenne de voisinage, suppression des champs redondants. 5. **Validation** : création de contrôles qualité (checksum d’attributs, comparaison avec des points de contrôle GPS connus). > **Règle de sécurité numérique** : toujours travailler sur une copie du jeu de données original et conserver un journal des opérations (fichier de log) pour garantir la traçabilité. ### 1.3 Outils et logiciels - **QGIS 3.x** (open‑source) avec les plugins *Topology Checker*, *Vector Cleaner*, *RefFunctions*. - **ArcGIS Pro** (licence éducative) : outils *Repair Geometry*, *Project*, *Calculate Field*. - **GDAL/OGR** en ligne de commande pour des traitements batch (ex. : `ogr2ogr -t_srs EPSG:32632 input.shp output.shp`). - **Récepteur GPS** (ex. : Trimble R10) pour acquérir des points de contrôle de précision sub‑métrique. ### 1.4 Exemple d’atelier (situation professionnelle) **Contexte** : Un service forestier régional dispose d’une couche raster Landsat 8 (30 m) couvrant la réserve du Dja et d’un shapefile de limites administratives provenant d’un ancien projet (datum Clarke 1880). **Étapes réalisées en atelier** : 1. **Reprojection** du shapefile de limites de Clarke 1880 vers UTM 32N (EPSG:32632) avec QGIS → *Vecteur ► Outils de géotraitement ► Réprojeter couche*. 2. **Coregistration** raster‑vector : utilisation de 15 points de contrôle GPS (précision ±0,2 m) pour calculer un décalage moyen de (‑12,3 m, +4,7 m) ; application d’un *shift* via le raster calculator. 3. **Nettoyage vectoriel** : suppression de 8 polygones auto‑intersectants détectés par le *Topology Checker* (règle : « Must Not Have Self‑Overlaps »). 4. **Harmonisation attributaire** : création d’un champ *CODE_ESP* basé sur une table de correspondance fournie par le MINESEC ; remplissage des 5 % de valeurs manquantes par la moyenne du voisinage (méthode *Nearest Neighbor*). 5. **Validation** : comparaison avec 20 points de contrôle indépendants ; erreur moyenne résiduelle = 0,9 m (acceptable < 1,5 m). > **À retenir** : la remédiation doit toujours être documentée (date, opérateur, paramètres utilisés, résultats du contrôle qualité) afin de répondre aux exigences de traçabilité du MINESEC. --- ## II. Leçon 13 : Identification et cartographie des objets et strates forestiers observés ### 2.1 Notions de base > **Objet forestier** : entité discrète identifiable sur une image ou sur le terrain (arbre isolé, souche, clairière, ligne de coupe, piste). > **Strate forestière** : couche végétale horizontale caractérisée par sa hauteur moyenne et son couvert (canopée > 20 m, sous‑étage 5‑20 m, litière < 5 m). > **Couvert forestier** : proportion du sol masquée par la végétation, exprimée en pourcentage ou en indice de surface foliaire (LAI). Ces définitions sont essentielles pour choisir les indices de télédétection appropriés (NDVI, EVI, NBR) et les seuils de segmentation. ### 2.2 Acquisition des données | Source | Résolution spatiale | Résolution temporelle | Utilité principale | |--------|--------------------|-----------------------|--------------------| | Landsat 8/9 OLI | 30 m (multispectral) | 16 jours | Suivi saisonnier du couvert, calcul d’indices | | Sentinel‑2 MSI | 10 m (multispectral) | 5 jours | Détection fine des clairières, suivi de la régénération | | Orthophoto drone (RGB) | 2‑5 cm | Selon mission | Inventaire d’arbres isolés, mesure de hauteur via photogrammétrie | | GPS différentiel (RTK) | < 0,05 m | Ponctuel | Points de contrôle, levé de limites de peuplements | | Inventaire terrain (plots de 20 m × 20 m) | – | Ponctuel | Validation des classes, mesure du diamètre, hauteur, densité | > **Principe de fonctionnement** : la combinaison de données multi‑échelles (satellite + drone + GPS) permet de compenser les limites de chaque source (ex. : résolution spatiale faible de Landsat compensée par la précision du drone). ### 2.3 Traitement et classification 1. **Prétraitement radiométrique** : correction atmosphérique (méthode DOS ou 6S) pour obtenir des réflectances de surface. 2. **Calcul d’indices végétaux** : - NDVI = (NIR − RED) / (NIR + RED) - EVI = 2,5 × ((NIR − RED) / (NIR + 6 × RED − 7,5 × BLUE + 1)) - NBR = (NIR − SWIR2) / (NIR + SWIR2) (sensible aux brûlures et aux coupes). 3. **Segmentation** : algorithme de moyenne‑shift ou de région croissante (ex. : *Orfeo ToolBox* → *Segmentation*) avec un échelle spatiale adaptée (10 m pour Sentinel‑2, 30 m pour Landsat). 4. **Classification supervisée** : - Collecte d’échantillons d’entraînement via les points GPS et les plots terrain (classes : forêt dense, forêt dégradée, savane, sol nu, eau). - Algorithme : Random Forest (100 arbres) ou SVM (kernel RBF). - Évaluation : matrice de confusion, Kappa > 0,85 visé. 5. **Post‑traitement** : filtrage majoritaire (majority filter) pour éliminer le bruit sel‑et‑poivre, reclassement des petites parcelles (< 0,5 ha) en classe voisine majoritaire. > **À retenir** : l’étape de validation croisée (k‑fold, k=5) est indispensable pour éviter le surapprentissage, surtout lorsqu’on travaille avec un nombre limité de plots terrain. ### 2.4 Cartographie finale - **Échelle de travail** : 1 : 25 000 (appropriée pour la gestion forestière opérationnelle). - **Légende** : symboles conformes au *Guide de cartographie forestière du MINESEC* (vert foncé = canopée dense, vert clair = sous‑étage, marron = sol nu, bleu = eau). - **Métadonnées** : titre, date d’acquisition, SCR, résolution, sources des données, méthode de traitement, nom de l’opérateur, version du logiciel. - **Export** : GeoTIFF pour le raster classé, Shapefile ou GeoPackage pour les vecteurs de limites de peuplements, accompagné d’un fichier XML ISO 19115. > **Règle de sécurité cartographique** : toujours vérifier que la légende soit lisible en impression noir et blanc (utiliser des hachures ou des motifs en plus des couleurs) pour garantir l’accessibilité aux personnes daltoniennes. ### 2.5 Exemple chiffré : calcul de la surface d’une strate de sous‑étage **Données** : - Raster classé Sentinel‑2 (10 m) couvrant 5 000 ha. - Classe « Sous‑étage » représente 23 % des pixels valides (masque de nuage appliqué). **Calcul** : 1. Nombre total de pixels valides = (Surface totale) / (résolution²) = 5 000 ha × 10 000 m²/ha ÷ (10 m × 10 m) = 50 000 000 m² ÷ 100 m² = 500 000 pixels. 2. Pixels de sous‑étage = 0,23 × 500 000 = 115 000 pixels. 3. Surface du sous‑étage = 115 000 pixels × 100 m²/pixel = 11 500 000 m² = 115 ha. > **À retenir** : la conversion pixel → surface doit toujours tenir compte de la résolution effective après éventuel rééchantillonnage (ex. : si le raster a été resamplé à 20 m, utiliser 20 m × 20 m). --- ## Synthèse du chapitre - **Remédiation** : correction géométrique, topologique et attributaire ; travail sur copie ; journalisation ; validation par points de contrôle GPS. - **Données forestières** : combinaison satellite (Landsat, Sentinel‑2), drone (orthophoto) et GPS RTK pour obtenir une couverture multi‑échelle. - **Indices végétaux** : NDVI, EVI, NBR calculés à partir de réflectances de surface ; seuils adaptés aux strates (canopée, sous‑étage, litière). - **Traitement** : prétraitement radiométrique → segmentation → classification supervisée (Random Forest/SVM) → post‑traitement (filtrage majoritaire). - **Cartographie** : échelle 1 : 25 000, légende normalisée MINESEC, métadonnées ISO 19115, accessibilité (daltonisme). - **Exemple de calcul** : surface d’une strate = (% de pixels) × ( nombre total de pixels ) × ( résolution² ). - **Sécurité** : travailler sur des copies, conserver les logs, vérifier la lisibilité des légendes, utiliser des points de contrôle indépendants pour la validation. --- ## Glossaire | Terme | Définition | |-------|------------| | **Remédiation** | Ensemble d’opérations visant à améliorer la qualité géométrique, topologique et attributaire d’un jeu de données SIG. | | **SCR** | Système de Coordonnées de Référence (ex. : UTM 32N, EPSG:32632). | | **NDVI** | Normalized Difference Vegetation Index, indicateur de la vigueur végétale. | | **EVI** | Enhanced Vegetation Index, moins sensible à la saturation et aux effets de sol. | | **NBR** | Normalized Burn Ratio, utilisé pour détecter les zones brûlées ou les coupes. | | **Segmentation** | Partition d’une image en régions homogènes selon des critères spectraux et/ou spatiaux. | | **Classification supervisée** | Attribution de classes à des pixels à partir d’échantillons d’étiquetage connus. | | **Random Forest** | Algorithme d’apprentissage ensemblagé basé sur une multitude d’arbres de décision. | | **Métadonnées** | Données décrivant le contenu, la qualité, l’origine et les caractéristiques d’un jeu de données géospatiales. | | **ISO 19115** | Norme internationale définissant la structure des métadonnées géographiques. | | **Kappa** | Coefficient de statistique mesurant l’accord entre une classification et des données de référence, corrigé pour le hasard. | | **Orthophoto** | Image aérienne corrigée des déformations de perspective et du relief, présentant une échelle uniforme. | | **RTK** | Real‑Time Kinematic, technique de positionnement GPS fournissant une précision centimétrique en temps réel. | | **Plot de terrain** | Parcelle d’échantillonnage (souvent 20 m × 20 m) utilisée pour mesurer les variables forestières sur le terrain. | | **Litière** | Couche de matière organique morte (feuilles, branches) recouvrant le sol forestier, généralement < 5 cm d’épaisseur. | --- ## Exercices d'application corrigés ### Exercice 1 – Remédiation d’un shapefile de limites de parcelle **Consigne** : Vous disposez d’un shapefile *Parcelles.shp* en datum Clarke 1880, couvrant une zone de 2 000 ha autour de la réserve du Dja. Les points de contrôle GPS (5 points) montrent un décalage moyen de (‑15,2 m, +8,4 m) en coordonnées UTM 32N. 1. Reprojetez le shapefile en UTM 32N. 2. Appliquez le décalage moyen obtenu. 3. Vérifiez la topologie (suppression des pseudo‑nœuds et des polygones auto‑intersectants). 4. Calculez l’erreur résiduelle moyenne après correction en comparant avec les mêmes 5 points de contrôle. **Corrigé** : 1. Dans QGIS : *Vecteur ► Outils de géotraitement ► Réprojeter couche* → sélectionner *Parcelles.shp*, cible EPSG:32632 → obtenir *Parcelles_UTM.shp*. 2. Utiliser le *Vector ► Geoprocessing Tools ► Affine transformation* : paramètres de translation dx = ‑15,2 m, dy = +8,4 m, échelle = 1, rotation = 0°. 3. Activer le *Topology Checker* (règle : « Must Not Have Pseudo‑Nodes », « Must Not Have Self‑Overlaps ») → corriger les erreurs détectées (suppression ou fusion). 4. Après correction, ouvrir la table attributaire, ajouter deux champs *X_GPS* et *Y_GPS* (coordonnées des points de contrôle), puis calculer la distance euclidienne entre chaque point du shapefile (sommet le plus proche) et son GPS correspondant avec le champ virtuel : `sqrt( ($x - @x_gps)^2 + ($y - @y_gps)^2 )`. La moyenne des 5 distances vaut **0,7 m** (< 1,5 m), donc la correction est acceptable. ### Exercice 2 – Estimation de la surface de canopée dense à partir d’une image Sentinel‑2 **Consigne** : Une image Sentinel‑2 de 10 m de résolution couvre 3 500 ha. Après prétraitement et calcul du NDVI, vous appliquez un seuil de 0,6 pour définir la classe *Canopée dense*. Le raster résultant contient 1 200 000 pixels valides, dont 420 000 pixels ont un NDVI ≥ 0,6. 1. Calculer la surface de la canopée dense en hectares. 2. Si l’erreur absolue estimée sur le seuil NDVI est ±0,05, quelle est l’incertitude maximale sur la surface (en ha) ? **Corrigé** : 1. Surface = (420 000 pixels) × (10 m × 10 m) = 420 000 × 100 m² = 42 000 000 m² = 420 ha. 2. L’incertitude sur le nombre de pixels provient de la variation du seuil : on suppose que la proportion de pixels pouvant changer de classe est proportionnelle à la pente de l’histogramme autour du seuil. En l’absence d’histogramme, on utilise une approximation conservatrice : variation maximale de ±10 % du nombre de pixels classés (car un shift de 0,05 sur NDVI peut sensiblement modifier la classification dans les zones de transition). - 10 % de 420 000 = 42 000 pixels. - Surface d’incertitude = 42 000 × 100 m² = 4 200 000 m² = 42 ha. Ainsi, la surface de la canopée dense est **420 ha ± 42 ha**. --- ## Erreurs fréquentes et règles de sécurité | # | Erreur fréquente | Conséquence | Règle de prévention / bonne pratique | |---|------------------|-------------|--------------------------------------| | 1 | Oublier de travailler sur une copie du jeu de données avant la remédiation | Perte irréversible des données originales | Toujours créer un dossier *Backup* et y placer le fichier source ; travailler uniquement sur le fichier de travail. | | 2 | Appliquer une transformation affine sans vérifier la cohérence des unités (mètres vs degrés) | Décalages géométriques importants, rendu inutilisable | Vérifier que le SCR du jeu de données est projeté (unités en mètres) avant toute translation ou échelle ; utiliser la fonction *Set Layer CRS* si nécessaire. | | 3 | Utiliser un seuil NDVI fixe sans tenir compte des variations saisonnières | Sur‑ ou sous‑estimation du couvert forestier | Calculer le seuil à partir de l’histogramme NDVI de l’image ou d’une série temporelle ; ajuster selon la phénologie (saison sèche vs humide). | | 4 | Négliger le filtrage majoritaire après classification | Présence de bruit sel‑et‑poivre, interprétation erronée des petites parcelles | Appliquer un filtre majoritaire (taille de fenêtre 3×3 ou 5×5) avant de produire la carte finale ; contrôler visuellement les zones de transition. | | 5 | Ne pas consigner les paramètres de traitement dans les métadonnées | Impossibilité de reproduire ou de valider le travail | Remplir systématiquement les champs *Processing Step*, *Software*, *Parameters* dans le fichier XML ISO 19115 lors de l’export. | | 6 | Utiliser des couleurs uniquement pour distinguer les classes dans la légende | Lisibilité réduite pour les personnes daltoniennes ou en impression N&B | Compléter la légende par des motifs (hachures, points) ou des niveaux de gris ; tester la carte en mode simulation de daltonisme (ex. : Coblis). | --- *Fin du cours.*