CARTOGRAPHIE FORESTIERE PAR IMAGERIE ou Production d’une carte forestière. (partie 2/4)

## Objectifs et prérequis **Objectifs** - Installer et configurer un SIG libre (QGIS) adapté à la cartographie forestière. - Charger, pré‑traiter et visualiser des images satellitaires (Landsat 8, Sentinel‑2). - Réaliser une classification supervisée de la couverture forestière à l’aide du plugin *Semi‑automatic Classification Plugin* (SCP). - Évaluer la précision de la carte produite (matrice de confusion, indice Kappa, précision globale). - Exporter la carte forestière au format GeoTIFF avec légende et métadonnées conformes aux normes du MINESEC/IGE. **Prérequis** - Notions de télédétection : résolution spatiale, spectrale, radiométrique ; indices de végétation (NDVI). - Bases du SIG : systèmes de coordonnées de référence (SCR), projections, couches raster/vectoriel. - Connaissances générales sur les forêts camerounaises (types de végétation, législation forestière, enjeux REDD+). - Maîtrise de l’usage d’un ordinateur (Windows 10/11 ou Linux Ubuntu 22.04) et de la navigation dans l’explorateur de fichiers. --- ## Introduction contextualisée La gestion durable des forêts constitue un pilier du Plan Cameroun 2030 et des engagements internationaux (Accord de Paris, REDD+). La production de cartes forestières fiables permet de suivre la déforestation, d’estimer les stocks de carbone et d’orienter les interventions de reboisement. Dans les lycées techniques, les élèves de Terminale séries TGF doivent être capables de réaliser ces cartes à partir d’imageries satellitaires libres, en utilisant un SIG accessible et conforme aux référentiels du MINESEC/IGE. Cette séquence s’inscrit dans la logique du projet « Cartographie forestière d’une zone pilote » (exemple : forêt de Mbalmayo, Région du Centre) qui sera développé tout au long du chapitre. --- ## I. Activités d’intégration ### Analyse du besoin L’objectif du projet est de produire une carte de couverture forestière à l’échelle 1 : 50 000 couvrant une zone de 100 km² autour de la réserve de Mbalmayo. Le besoin exprimé par le service régional des forêts concerne : - La mise à jour du plan d’aménagement forestier (PAF). - L’évaluation de la superficie des classes « Forêt dense », « Forêt dégradée » et « Autres usages ». - La production d’un livrable GeoTIFF avec légende normalisée (CODES : FD, FG, AU). > **>** *Définir précisément le besoin permet de choisir la résolution spatiale adéquate (10 m pour Sentinel‑2, 30 m pour Landsat 8) et le nombre de classes à classifier.* ### Collecte des données 1. **Images satellitaires** : téléchargement gratuit depuis le portail USGS EarthExplorer (Landsat 8 OLI/TIRS, chemin/ligne 173/055, date 15 mai 2024) et Copernicus Open Access Hub (Sentinel‑2A, niveau‑2A, même date). 2. **Données de référence** : shapefile des limites administratives (IGN Cameroon), points GPS de relevés terrain (30 points de forêt dense, 20 de forêt dégradée, 10 d’autres usages) réalisés lors d’une sortie de terrain en février 2024. 3. **Métadonnées** : fichier MTL (Landsat) et XML (Sentinel) contenant les coefficients de calibration radiométrique. ### Préparation du poste de travail - Création d’un dossier projet `CartoForet_Mbalmayo` avec sous‑dossiers `/raw`, `/processed`, `/vector`, `/output`. - Vérification de l’espace disque disponible (≥ 5 Go). - Installation préalable de QGIS (voir Leçon 17). - Configuration du SCR du projet : **UTM zone 32N, WGS84** (EPSG:32632). --- ## II. Activités de remediation ### Rappel des notions de télédétection | Paramètre | Définition | Valeur typique (Landsat 8) | Valeur typique (Sentinel‑2) | |-----------|------------|---------------------------|----------------------------| | Résolution spatiale | Taille du pixel au sol | 30 m (multispectral) | 10 m (multispectral) | | Résolution spectrale | Nombre et largeur des bandes | 8 bandes (0,43‑12,5 µm) | 13 bandes (0,44‑2,20 µm) | | Résolution radiométrique | Niveau de quantification | 12 bits (0‑4095) | 12 bits (0‑4095) | | Passage répété | Fréquence de revisite | 16 jours | 5 jours (avec deux satellites) | ### Indice de végétation – NDVI \[ \text{NDVI} = \frac{\rho_{NIR} - \rho_{R}}{\rho_{NIR} + \rho_{R}} \] où \(\rho_{NIR}\) et \(\rho_{R}\) sont les réflectances dans le proche infrarouge et le rouge. - Valeurs > 0,6 → végétation dense (forêt). - 0,2 – 0,6 → végétation clairsemée ou cultures. - < 0,2 → sols nus, eau, urbains. > **>** *Le NDVI est un indice normalisé, sans unité, compris entre –1 et +1.* ### Classification supervisée vs non supervisée - **Non supervisée** : algorithme de regroupement (K‑means, ISODATA) basé uniquement sur la similarité spectrale ; nécessite une interprétation a posteriori. - **Supervisée** : l’opérateur définit des zones d’entraînement (polygones) pour chaque classe ; l’algorithme (Maximum Likelihood, Random Forest, SVM) apprend les statistiques de chaque classe puis classe tout l’image. ### Évaluation de la précision - **Matrice de confusion** : tableau croisant les classes de référence (ligne) et les classes prédites (colonne). - **Précision globale (Overall Accuracy, OA)** : \(\displaystyle OA = \frac{\sum_{i=1}^{n} \text{diag}_{i}}{N}\times 100\%\). - **Indice de Kappa (K)** : mesure l’accord au-delà du hasard. - **Erreur d’omission** (produit) = \(1 - \frac{\text{diag}_{i}}{\text{total ligne }i}\). - **Erreur de commission** (utilisateur) = \(1 - \frac{\text{diag}_{i}}{\text{total colonne }i}\). > **>** *Une OA ≥ 85 % et un K ≥ 0,7 sont généralement considérés comme acceptables pour une carte forestière à l’échelle 1 : 50 000.* --- ## III. Leçon 17 : Installation et découverte du logiciel de cartographie QGIS ### 1. Téléchargement et installation | Étape | Action | Détails | |------|--------|---------| | 1 | Accéder au site officiel | <https://qgis.org/fr/site/forusers/download.html> | | 2 | Choisir la version LTR | QGIS 3.28 LTR (Long Term Release) – stabilité garantie 1 an | | 3 | Télécharger l’installeur | `QGIS-OSGeo4W-3.28.0-1-Setup-x86_64.exe` (Windows) ou paquet `.deb` (Ubuntu) | | 4 | Lancer l’installeur | Accepter les composants par défaut (QGIS Desktop, GRASS, SAGA) | | 5 | Vérifier l’installation | Ouvrir QGIS → *Aide* → *À propos de QGIS* → version 3.28.0 | > **>** *Utiliser la version LTR évite les incompatibilités avec les extensions pédagogiques (SCP, OTB) recommandées par le MINESEC.* ### 2. Configuration initiale - **Paramètres → Options → Général** : définir le répertoire de projet par défaut (`CartoForet_Mbalmayo`). - **Paramètres → Options → SCR** : activer la transformation « On‑the‑fly » CRS, définir le SCR par défaut sur EPSG:32632. - **Gestion des extensions** : - *Semi‑automatic Classification Plugin* (SCP) → installer depuis *Extensions → Installer et gérer les extensions*. - *Orfeo Toolbox (OTB)* → fournir le chemin vers le répertoire OTB (installé séparément) pour accéder aux algorithmes de traitement d’images. ### 3. Création d’un nouveau projet 1. *Projet → Nouveau* → sauvegarder sous `CartoForet_Mbalmayo.qgz`. 2. *Couche → Ajouter une couche → Ajouter une couche raster* → sélectionner le fichier `LC08_L1TP_173055_20240515_20240529_01_T1_B4.TIF` (bande rouge) et répéter pour les bandes NIR (B5) et SWIR (B6, B7) selon les besoins. 3. *Couche → Ajouter une couche → Ajouter une couche vectorielle* → importer le shapefile des limites d’étude (`zone_etude.shp`). ### 4. Pré‑traitement des images - **Radiométrie** : utiliser *Raster → Outils → Calculatrice raster* pour appliquer les facteurs de gain et d’offset fournis dans le fichier MTL (ex: `("B4@1" * 0.0000275) + (-0.2)`). - **Réprojection** : si nécessaire, *Raster → Projections → Warp (reproject)* vers EPSG:32632. - **Mosaïquage** (si plusieurs scènes) : *Raster → Divers → Fusionner*. ### 5. Calcul du NDVI Dans la *Calculatrice raster* : ``` ("B5@1" - "B4@1") / ("B5@1" + "B4@1") ``` Résultat enregistré sous `ndvi.tif` (type Float32, valeurs –1 à +1). > **>** *Le NDVI sert de couche d’aide à la sélection des zones d’entraînement pour la classe « Forêt dense ».* ### 6. Définition des zones d’entraînement (ROI) - Ouvrir le dock *Semi‑automatic Classification Plugin* → *Classification* → *ROI creation*. - Créer trois classes : 1. **Forêt dense (FD)** – polygones sur zones NDVI > 0,6 confirmées par les points GPS terrain. 2. **Forêt dégradée (FG)** – polygones sur NDVI 0,3‑0,6, zones de coupe légère ou de feu de brousse. 3. **Autres usages (AU)** – sols nus, zones urbaines, eau (NDVI < 0,2). - Pour chaque classe, saisir un nom unique et une couleur (ex: FD = vert foncé, FG = vert clair, AU = gris). - Cliquer sur *Save ROI* → le plugin crée un fichier shapefile contenant les polygones d’entraînement. ### 7. Classification supervisée (Maximum Likelihood) - Dans le SCP, aller à l’onglet *Classification* → choisir l’algorithme **Maximum Likelihood**. - Sélectionner les bandes d’entrée (B2, B3, B4, B5, B6, B7) et le fichier ROI créé. - Définir le nom de la raster de sortie : `classification_ml.tif`. - Lancer le traitement. - À l’issue, ajouter la raster résultante au projet ; appliquer un rendu de type *Paletted/Unique values* selon les couleurs définies pour chaque classe. ### 8. Évaluation de la précision - Ouvrir le dock *Semi‑automatic Classification Plugin* → *Accuracy assessment*. - Charger le shapefile des points de validation (pré‑collectés sur le terrain, 50 points répartis équitablement entre les trois classes). - Le plugin calcule automatiquement la matrice de confusion, l’OA, le Kappa et les erreurs d’omission/commission. - Exporter le rapport sous format CSV ou PDF pour l’annexe du livrable. > **>** *Si l’OA est inférieure à 80 %, il convient de réviser les ROI (ajouter des points, exclure les zones ambiguës) et de relancer la classification.* ### 9. Export de la carte finale - *Raster → Conversion → Traduire (convertir le format)* → choisir GeoTIFF, cocher *No data value = 0*. - Ajouter une légende : *Propriétés de la couche → Symbologie → Légende* → entrer les libellés (FD, FG, AU) et les couleurs. - Insérer les éléments cartographiques nécessaires dans la mise en page : - Titre : « Carte de couverture forestière – Zone de Mbalmayo (2024) ». - Échelle graphique, nord, légende, sources des données (Landsat 8, Sentinel‑2, GPS terrain). - Crédits : « Réalisé par les élèves de Terminale TGF, Lycée Technique de Yaoundé, 2024 ». - Exporter la carte en PDF (`Carte_Foret_Mbalmayo.pdf`) et en GeoTIFF (`Carte_Foret_Mbalmayo.tif`). --- ## Synthèse du chapitre - **Objectif** : produire une carte forestière à partir d’imageries satellitaires libres en utilisant QGIS. - **Étapes clés** : acquisition des données, pré‑traitement radiométrique, calcul du NDVI, définition des ROI, classification supervisée (Maximum Likelihood), évaluation de la précision (matrice de confusion, OA, Kappa), export conforme aux normes. - **Outils** : QGIS 3.28 LTR, Semi‑automatic Classification Plugin, Orfeo Toolbox, calculatrice raster. - **Précision attendue** : OA ≥ 85 %, Kappa ≥ 0,7 pour une échelle 1 : 50 000. - **Normes de sécurité** : sauvegarde régulière du projet, utilisation de licences libres, respect de la propriété des données satellitaires (citations USGS, Copernicus). - **Application professionnelle** : suivi de la déforestation, soutien aux plans d’aménagement forestier, contribution aux rapports REDD+. --- ## Glossaire | Terme | Définition | |-------|------------| | **NDVI** | Indice de végétation normalisé, calculé comme (NIR‑R)/(NIR+R), sans unité, compris entre –1 et +1. | | **ROI** | Région d’intérêt, polygone utilisé comme zone d’entraînement pour la classification supervisée. | | **Maximum Likelihood** | Algorithme de classification statistique qui assigne chaque pixel à la classe dont la probabilité de vraisemblance est maximale, en supposant une distribution normale des valeurs spectrales. | | **Matrice de confusion** | Tableau croisant les classes de référence (lignes) et les classes prédites (colonnes) permettant de calculer les indicateurs de précision. | | **Overall Accuracy (OA)** | Pourcentage de pixels correctement classés, somme des diagonales de la matrice de confusion divisée par le nombre total de pixels. | | **Indice de Kappa (K)** | Mesure de l’accord entre la classification et la référence, corrigée pour le hasard ; varie de –1 à +1. | | **SCR** | Système de Coordonnées de Référence, définit la projection et le datum utilisés pour géoréférencer les données (ex: UTM zone 32N, WGS84). | | **GeoTIFF** | Format de fichier raster qui intègre des métadonnées géoréférencées directement dans le fichier TIFF. | | **Landsat 8** | Satellite d’observation terrestre de la NASA/USGS, résolution spatiale 30 m (multispectral), revisite 16 jours. | | **Sentinel‑2** | Constellation européenne d’observation terrestre, résolution spatiale 10 m (multispectral), revisite 5 jours. | | **OTB** | Orfeo Toolbox, bibliothèque d’algorithmes de traitement d’images satellitaires intégrée à QGIS. | | **LTR** | Long Term Release, version de QGIS maintenue avec des correctifs de sécurité pendant au moins un an. | --- ## Exercices d'application corrigés ### Exercice 1 – Calcul de la superficie forestière **Consigne** : Après classification, la classe « Forêt dense » (FD) contient 1 250 000 pixels. La résolution spatiale de l’image utilisée est de 10 m × 10 m. Calculer la superficie en hectares de la forêt dense détectée. **Corrigé** : - Surface d’un pixel = \(10 \text{ m} \times 10 \text{ m} = 100 \text{ m}^2\). - Surface totale = \(1 250 000 \text{ pixels} \times 100 \text{ m}^2 = 125 000 000 \text{ m}^2\). - Conversion en hectares : \(1 \text{ ha} = 10 000 \text{ m}^2\). - Donc, \(125 000 000 \text{ m}^2 / 10 000 = 12 500 \text{ ha}\). **Réponse** : La forêt dense couvre **12 500 ha**. ### Exercice 2 – Interprétation d’une matrice de confusion **Consigne** : La matrice de confusion suivante (en nombre de pixels) résulte de l’évaluation de la classification sur 2 000 points de validation : | | Prédit FD | Prédit FG | Prédit AU | Total ligne | |---------------|-----------|-----------|-----------|-------------| | Référence FD | 720 | 60 | 20 | 800 | | Référence FG | 40 | 560 | 0 | 600 | | Référence AU | 10 | 30 | 560 | 600 | | **Total colonne** | 770 | 650 | 580 | 2000 | Calculer : a) l’Overall Accuracy (OA) ; b) l’erreur d’omission pour la classe FD ; c) l’erreur de commission pour la classe AU ; d) l’indice de Kappa (K) (utiliser la formule simplifiée \(K = \frac{OA - Pe}{1 - Pe}\) où \(Pe\) est l’accord attendu par hasard). **Corrigé** : a) OA = \((720 + 560 + 560) / 2000 = 1840 / 2000 = 0,92 = 92 %\). b) Erreur d’omission FD = \(1 - \frac{720}{800} = 1 - 0,90 = 0,10 = 10 %\). c) Erreur de commission AU = \(1 - \frac{560}{580} = 1 - 0,9655 ≈ 0,0345 = 3,45 %\). d) Calcul de \(Pe\) : \[ Pe = \frac{(800×770) + (600×650) + (600×580)}{2000^2} = \frac{616 000 + 390 000 + 348 000}{4 000 000} = \frac{1 354 000}{4 000 000} = 0,3385. \] \[ K = \frac{0,92 - 0,3385}{1 - 0,3385} = \frac{0,5815}{0,6615} ≈ 0,879. \] **Interprétation** : OA = 92 % (excellent), Kappa ≈ 0,88 (accord presque parfait). Les erreurs d’omission et de commission sont faibles, la classification est jugée satisfaisante pour une carte forestière à l’échelle 1 : 50 000. --- ## Erreurs fréquentes et règles de sécurité | # | Erreur fréquente | Conséquence | Règle de bonne pratique / sécurité | |---|------------------|-------------|------------------------------------| | 1 | **Mauvaise projection** (utilisation d’un SCR géographique au lieu d’un SCR projeté) | Distorsion de superficie, erreurs de mesure, incohérences avec les couches de référence. | Toujours définir le SCR du projet avant d’ajouter toute couche ; vérifier l’alignement des frontières avec le fond de carte officiel (IGN Cameroon). | | 2 | **Oubli de la correction radiométrique** (utilisation des valeurs DN brutes) | Indices de végétation biaisés, classification erronée (ex: sur‑estimation de la végétation). | Appliquer systématiquement les facteurs de gain et d’offset fournis dans le fichier MTL (Landsat) ou XML (Sentinel) avant tout calcul d’indice. | | 3 | **ROI trop petits ou non représentatifs** | Surapprentissage, faible généralisation, hausse des erreurs d’omission/commission. | Prévoir au moins 30 polygones par classe, couvrant la variabilité spectrale (ombre, pente, différents stades de végétation). | | 4 | **Sauvegarde irrégulière du projet** | Perte de travail en cas de plantage ou de coupure d’électricité. | Activer l’enregistrement automatique toutes les 5 minutes (Paramètres → Options → Général) et sauvegarder manuellement après chaque étape majeure. | | 5 | **Utilisation de données non libres ou non citées** | Violation de droits d’auteur, risque de rejet du livrable lors de l’évaluation. | Toujours citer la source (USGS Landsat, Copernicus Sentinel) dans la légende et le rapport ; conserver les fichiers de métadonnées associés. | | 6 | **Négligence du contrôle qualité final** (absence de vérification visuelle de la carte) | Publication d’artefacts (lignes de couture, mauvais classement) pouvant induire en erreur les décideurs. | Avant export, effectuer un contrôle visuel à différentes échelles (1 : 10 000, 1 : 50 000) et comparer avec des images de référence récentes (Google Earth, Sentinel‑2 true‑color). | --- *Fin de la fiche de cours.*