1 UNIVERSITÉ D’ANTANANARIVO ----------------- ÉCOLE SUPÉRIEURE POLYTECHNIQUE D’ANTANANARIVO ----------------- DÉPARTEMENT INFORMATIONS GEOGRAPHIQUE ET FONCIERE Mémoire de fin d’études en vue de l’obtention du Diplôme d’Ingénieur Intitulé : APPORTS DE LA TELEDETECTION A L’ETUDE DE LA DYNAMIQUE URBAINE Cas de la Commune Urbaine d’Antananarivo Présenté par : Nathalie HERINIRINA le 11 novembre 2009 Promotion 2008
104
Embed
APPORTS DE LA TELEDETECTION A L’ETUDE DE LA DYNAMIQUE …
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Mémoire de fin d’études en vue de l’obtention du Diplôme d’Ingénieur
Intitulé :
APPORTS DE LA TELEDETECTION A L’ETUDE DE LA DYNAMIQUE URBAINE
Cas de la Commune Urbaine d’Antananarivo
Présenté par :
Nathalie HERINIRINA
le 11 novembre 2009
Devant la commission d’examen formée de
Président : Monsieur RABETSIAHINY, Chef de Département Informations Géographique
et Foncière Examinateur : Monsieur Narizo RAHAINGOALISON, Chargé de Mission Base de données et Informations Géographique, FTM
Rapporteurs : Professeur Pascal RAMANANTSIZEHENA, Directeur de l’Ecole Supérieure
Polytechnique d’Antananarivo Monsieur Solo LI HAN TING, Enseignant à l’Ecole Supérieure Polytechnique d’Antananarivo
1
« Quand l’homme n’aura plus de place pour la nature, peut-être la nature n’aura-t-elle plus de
place pour l’homme. »
Stefan Edberg
« Vivons simplement pour que d’autres puissent simplement vivre. »
Ghandhi
Remerciements
Je tiens à remercier au terme de cette étude, tous ceux qui ont, de près ou de loin, aidé à
concrétiser ce travail.
Mes plus sincères remerciements vont tout d’abord à Pascal RAMANANTSIZEHENA, Directeur de l’Ecole Supérieure Polytechnique d’Antananarivo et directeur de ce mémoire. Qu'il trouve dans ces quelques lignes l'expression de toute ma sympathie.
Merci à Monsieur Solo LI HAN TING, mon encadreur, pour ses orientations, son écoute,
le partage de son savoir et l’attention qu’il a porté à mon travail. Je lui suis très reconnaissant
pour m’avoir épaulé dans le maniement des logiciels.
Je tiens ainsi à remercier les membres de jury :
- Monsieur RABETSIAHINY, qui, malgré ses occupations, nous a fait un grand honneur de
présider le jury de ce mémoire.
- Monsieur Narizo RAHAINGOALISON, examinateur pour avoir accepté d’affecter un
temps à ce modeste travail et de l'attribuer des remarques et des corrections très
intéressantes.
Merci également à tous les enseignants du département ‘’Informations géographiques et
foncières’’ pour leurs compétences et leur disponibilité.
Je tiens aussi à remercier tout le personnel de la BDA de m’avoir fourni les données
nécessaires pour réaliser ce travail. Je les remercie aussi pour leurs accueils chaleureux et leur
gentillesse.
Enfin, je remercie ma famille et mes amis pour leur soutien et leurs encouragements.
ii
Table des matières Remerciements .................................................................................................................................. i
Table des matières ........................................................................................................................... ii
Liste des figures .............................................................................................................................. v
Liste des tableaux ............................................................................................................................ vi
Liste des abréviations .................................................................................................................... vii
2.1.2 La croissance urbaine .................................................................................................... 5
2.1.3 Le développement urbain durable [24] .......................................................................... 5
2.2 Généralités sur la télédétection ............................................................................................ 6
2.2.1 Principes de la télédétection .......................................................................................... 6
2.2.2 La correction des erreurs et le géoréférencement des images ..................................... 10
2.2.3 La notion de précision planimétrique et échelle d’utilisation des images satellitaires ................................................................................................................................................ 11
2.2.4 La notion d’Unité Minimale de Collecte ...................................................................... 11
2.2.5 Méthodes d’analyses d’images de télédétection .......................................................... 12
2.2.6 Les algorithmes de classification d’images ................................................................. 13
2.2.7 La classification ECHO [12] ........................................................................................ 15
2.2.8 Évaluation de la qualité de la classification des cartes obtenues par télédétection .... 16
2.3 Télédétection et limites urbaines ......................................................................................... 18
5.1.1 Proposition de données et méthodes pour mesurer et analyser des dynamiques urbaines .................................................................................................................................. 68
5.1.2 La croissance urbaine de la CUA : analyse sur l’hypothèse de travail ....................... 70
Principaux satellites de télédétection spatiale en activité ........................................................... 77
Divers programmes régionaux et globaux de cartographie et de surveillance dédiés au phénomène urbain ...................................................................................................................... 80
Formule pour calculer la distance de Bhattacharrya .................................................................. 84
Quelques histogrammes des zones d’entrainement .................................................................... 85
Dynamiques urbaines de la CUA pour les intervalles de temps 1994-2000 et 2000-2005 ........ 87
Création de masque .................................................................................................................... 89
Extraits des données de référence .............................................................................................. 92
Brève description du logiciel MultiSpec .................................................................................... 93
v
Liste des figures
Figure 1: Le rayonnement électromagnétique .................................................................................. 7 Figure 2: Processus de la télédétection ............................................................................................ 8
Figure 3: Interaction rayonnement-cible .......................................................................................... 9 Figure 4: Réponses spectrales typiques : sol nu, végétation et eau ................................................ 10 Figure 5: Échelle d’application pour différentes images (Moeller M., 2008) ............................ 11 Figure 6: Commune Urbaine d’Antananarivo (BDA) ................................................................... 23 Figure 7:Population résidente dans la Commune urbaine d’Antananarivo de 1985 à 2005 .......... 24
Figure 8:Sous-image de l'image Landsat 2005 correspondant à l’aire d’étude .............................. 31
Figure 9:Première segmentation de l’image de 2005 ..................................................................... 32 Figure 10: Les étapes de la classification supervisée ..................................................................... 33 Figure 11: Exemple de sites d’entraînement pour l’image 2005 sur la carte (ISODATA+ECHO) et sur la composition colorée TM 432 ............................................................................................ 34
Figure 12: Urbain1 et Non-Urbain2 dans la bande TM2 ............................................................... 37 Figure 13: Délimitation des aires urbaines en utilisant la classification ECHO ............................ 40 Figure 14: Indice de végétation et discrimination des formes de couverture du sol ...................... 42
Figure 15: La classification obtenue par l’image de 2005 en utilisant le NDVI ............................ 43 Figure 16: Classification obtenue pour l’image de 2005 en utilisant la méthode ISODATA ....... 45
Figure 17: Classification obtenue pour l’image de 2005 en utilisant la méthode du maximum de vraisemblance ................................................................................................................................. 47
Figure 18: Valeurs de Exactitude globale et Kappa obtenues pour chaque méthode testée : ECHO; NDVI ; ISODATA et MV (maximum de vraisemblance) ................................................ 48
Figure 19: Méthodologie utilisée pour décrire l’évolution de la forme urbaine de la commune urbaine d’Antananarivo (1994- 2000) ............................................................................................ 55 Figure 20: Erreur moyenne quadratique lors du géoréférencement de l’image de 1994 ............... 56
Figure 21: Limite de la commune urbaine d’Antananarivo en 1994 ............................................. 57 Figure 22: Limite de la commune urbaine d’Antananarivo en 2000 ............................................. 57 Figure 23: Les aires urbaines et non urbaines de la CUA en 1994 ................................................ 59 Figure 24: Les aires urbaines et non urbaines de la CUA en 2000 ................................................ 60 Figure 25: Les aires urbaines et non urbaines de la CUA en 2005 ................................................ 61 Figure 26: Dynamiques urbaines entre 1994 et 2005 ..................................................................... 65 Figure 27: Infrastructure de données et méthodes pour des études de croissance urbaine basées sur la télédétection et les SIG ......................................................................................................... 69
vi
Liste des tableaux
Tableau 1: Longueurs d’onde du visible et de l’infrarouge ............................................................. 7 Tableau 2: Logiciels de segmentation d’images avec support à la classification .......................... 16
Tableau 3: Exemple de matrice de confusion (Cabral, 2006) ........................................................ 17 Tableau 4: Evolution de la densité de la population dans la CUA (BDA) ..................................... 25 Tableau 5: Longueurs d’onde et résolution spatiale des canaux ETM+ ........................................ 28 Tableau 6: Distance de Bhattacharrya pour les différentes classes ............................................... 35 Tableau 7: Symboles utilisés pour la distance Bhattacharrya ........................................................ 35 Tableau 8: Combinaison optimum des canaux et distance de Bhattacharrya ................................ 36
Tableau 9: Paramètres utilisés dans la segmentation ..................................................................... 37 Tableau 10: Effet de l’application de la généralisation (5 pixels=0,45 ha) sur la classification de 2005 ................................................................................................................................................ 39
Tableau 11: Matrice de confusion obtenue en utilisant la classification ECHO sur l’image de 2005 ................................................................................................................................................ 41
Tableau 12: Matrice de confusion et indices obtenus par la classification de l’image 2005 en utilisant le NDVI ............................................................................................................................ 44
Tableau 13: Matrice de confusion et indices obtenus par la classification de l’image 2005 en utilisant la méthode ISODATA ...................................................................................................... 45
Tableau 14: Matrice de confusion et indices obtenus par la classification de l’image 2005 en utilisant la méthode du maximum de vraisemblance ..................................................................... 47 Tableau 15: Exemple d’une matrice de transition (Oloukoi J., 2006) ........................................... 53 Tableau 16: Longueurs d’onde et résolution spatiale des canaux TM ........................................... 54 Tableau 17: Matrice de confusion obtenue pour l’année 1994 ...................................................... 62 Tableau 18: Matrice de confusion obtenue pour l’année 2000 ...................................................... 62 Tableau 19: Matrice de transition entre les classifications des années 1994 et 2005 en ha dans la CUA ............................................................................................................................................... 63
Tableau 20: Matrice de transition entre les classifications des années 1994 et 2000 en ha dans la CUA ............................................................................................................................................... 63
Tableau 21: Matrice de transition entre les classifications des années 2000 et 2005 en ha dans la CUA ............................................................................................................................................... 64
Tableau 22: Croissance urbaine par rapport à la valeur de l’aire totale de la CUA ....................... 66
Tableau 23: Aires urbaines en 2004 selon le plan d’urbanisme directeur de la CUA (Rabariharivelo M., 2004) .............................................................................................................. 67
vii
Liste des abréviations
BDA : Bureau de Développement d’Antananarivo
CUA : Commune Urbaine d’Antananarivo
DAFE: Discriminant Analysis Feature Extraction
ECHO: Extraction and Classification of Homogeneous Objects
EQM : Erreur Quadratique Moyenne (RMSE)
EROS: Earth Resource Observation Systems Data Center
ETM+: Enhanced Thematic Mapper Plus (Landsat 7)
GLCF: Global Land Cover Facility
HRV: High Resolution Visible (SPOT)
INSTAT: Institut National de Statistique
ISODATA: Iterative Self-Organizing Data Analysis Technique
NASA: The US National Aeronautics and Space Administration
NDVI: Normalized Difference Vegetation Index
REM : Rayonnement électromagnétique
RGPH : Recensement Général de la Population et de l’Habitat
RSAC : Remote Sensing Applications Consultants
SIG : Systèmes d’Information Géographique
SPOT : Système Pour l'Observation de la Terre
THR : Très Haute Résolution
TM : Thematic Mapper (Landsat 5)
UMC : Unité Minimale de Collecte
UNFPA: United Nations Population Fund
USGS: United States Geological Survey
1
Chapitre 1
Introduction générale
1.1 Contexte générale et problématique
La croissance urbaine rapide, ou étalement urbain, transforme l’organisation des villes et,
par conséquent, leur fonctionnement. Ce phénomène, associé à la substitution, à la fragmentation
des habitats naturels et des zones agricoles par le développement des infrastructures, zones
résidentielles et commerciales, caractérise la majorité des aires métropolitaines mondiales.
La croissance rapide des villes et les concentrations démographiques inhérentes ont des
conséquences néfastes : la perturbation de l’équilibre écologique, les difficultés à traiter les
déchets, l’explosion des niveaux de pollution, la dégradation de la qualité de la vie, et, aussi,
l’augmentation des violences urbaines.
Les études du changement urbain sont des outils importants pour les aménageurs du
territoire. Cette importance augmente surtout en sachant que le processus actuel de changement
de l’utilisation et occupation du sol est un des facteurs majeurs pour l’augmentation du niveau de
dioxyde de carbone dans l’atmosphère et que, en 2015, plus de la moitié de la population
mondiale habitera dans les villes (UNFPA : http://www.unfpa.org). Ces études, grâce à la
télédétection, aux SIG, permettent de fournir aux décideurs des informations spatiales et
quantitatives sur l’évolution des aires urbaines et à surveiller l’efficacité des politiques
d’aménagement suivies ou à suivre dans le futur. Ainsi, l’obtention, le traitement et la
présentation des ces informations constituent un champ d’étude et de recherche pertinent et
important pour comprendre, améliorer et corriger la planification urbaine.
Madagascar est parmi les pays en développement qui connaissent actuellement une
urbanisation très intense. La mise en œuvre de politiques urbaines pour le suivi régulier de ce
phénomène d’urbanisation nécessite l’acquisition d’informations fiables et actualisées sur toutes
les formes d’évolution. L’exploitation des photographies aériennes, méthode traditionnelle pour
l’acquisition de l’information, a toujours été couteuse. C’est ainsi que les techniques numériques
comme la télédétection satellitaire ont connu des développements considérables et constituent
2
une alternative intéressante pour le suivi de l’étalement urbain des villes des pays en voie de
développement comme la commune urbaine d’Antananarivo.
1.2 Objectifs
L’objectif général du présent travail consiste à évaluer les apports de la télédétection et les
potentiels des images LANDSAT en tant que méthode et données d’étude pour l’évolution du
milieu urbain, et dans le but de fournir de plus amples informations pour la gestion de
l‘extension urbaine. En fait, les principaux objectifs sont d’ordres thématique et méthodologique
:
� Ordre thématique :
� délimiter les formes urbaines de la CUA à partir d’images satellitaires en utilisant une
méthode statistiquement validée,
� identifier et quantifier les changements sur la zone d’étude,
� Ordre méthodologique :
� proposer une chaîne de traitements (données et méthodes) susceptible d’optimiser les
résultats obtenus en traitement d’image pour la réalisation des études de croissance
urbaine basées sur la télédétection et les SIG.
1.3 Hypothèses de travail
La réalisation de cette étude est basée sur l’hypothèse suivante : on peut utiliser la
télédétection de façon fiable pour extraire les formes urbaines et étudier leur évolution spatio-
temporelle, c’est à dire :
• Sur une image issue d’un capteur à haute résolution comme LANDSAT, on peut délimiter
et identifier la zone urbanisée ;
• L’analyse multi-date des données de télédétection spatiale permet d’évaluer, de quantifier
les changements et les évolutions d’une zone urbanisée.
En effet, nous évaluons un ensemble de quatre méthodes de délimitation urbaine basée
sur:
• la segmentation d’image (ECHO),
• le NDVI,
3
• ISODATA
• le maximum de vraisemblance.
Nous cherchons à savoir laquelle des quatre méthodes donne le résultat le plus fiable. Les
images LANDSAT provenant de TM et ETM+ sont utilisées pour délimiter les zones urbanisées
pendant la période d’étude 1994-2005 en utilisant la méthode de classification qui donne la
meilleure précision. L’une des utilisations de la télédétection la plus intéressante est la détection
des changements temporels de l’étendue d’un territoire. Diverses techniques de détection du
changement ont été proposées et testées par différents chercheurs [16], [19], [21]. La
comparaison post classification qui compare deux images classées indépendamment, mise en
œuvre dans cette étude, est la méthode la plus utilisée. Cette capacité de la télédétection sera
évaluée pour mettre en évidence l’évolution de l’espace urbanisé dans la CUA et produire ainsi
une carte montrant l’expansion urbaine entre 1994 et 2005. Les images classifiées seront
comparées et les changements observés sont décrits qualitativement et quantitativement.
L’analyse des résultats à deux intervalles de temps 1994-2000 et 2000-2005 permet de cerner
l’ampleur du phénomène d’urbanisation et par conséquent d’ajuster les actions gouvernementales
et municipales afin d’encadrer les activités se déroulant sur le territoire.
1.4 Plan suivi pour la rédaction
Après une synthèse bibliographique sur la dynamique urbaine et l’état de l’art en matière
de télédétection spatiale, nous décrivons les apports de cette science à l’urbanisme. Nous
délimiterons ensuite les aires urbanisées de la zone d’étude : la commune urbaine d’Antananarivo
à partir d’une image satellitaire datant de 2005 en utilisant une méthode statistiquement validée.
La performance des résultats de la classification sera évaluée en les confrontant à des données de
référence. Nous vérifierons la pertinence de la méthode de classification retenue par comparaison
avec d’autres techniques existantes. Puis, nous nous intéressons aux évolutions de la forme
urbaine pendant la période d’étude 1994 à 2005 en introduisant une année intermédiaire (2000)
pour évaluer le rythme de changement. Nous proposons enfin une infrastructure de données et
méthodes pour réaliser des études urbaines basées sur la télédétection.
4
Chapitre 2
Synthèses bibliographiques
2.1 La croissance urbaine
Dans ce chapitre seront définis quelques concepts nécessaires à la compréhension de la
croissance urbaine tels que : urbain, croissance urbaine et développement urbain durable.
2.1.1 Urbain
Le mot urbain vient du latin urbanus (de la ville, citadin, poli, de bon ton). On trouve
aussi une autre définition dans un dictionnaire de poche courant: adj. de la ville (par opposition à
rural) (Larousse, 2000).
Cette définition comporte un double sens : substantive et géographique. Substantive car il
désigne les habitants de la ville et leur comportement raffiné. Géographique car il distingue
l’espace urbain par opposition à l’espace rural en lui attribuant une localisation, i.e., la ville.
C’est ce deuxième sens qui concerne cette étude. Si on cherche dans le même dictionnaire
la définition de ville on trouve: « agglomération d’une certaine importance où la majorité des
habitants est occupée par le commerce, l’industrie ou l’administration » (Larousse, 2000). Cette
définition est vide de toute signification géographique et présente la ville comme une abstraction
définie par des activités humaines.
Rester sur ces définitions est insuffisant pour les objectifs de cette étude où on veut
utiliser la télédétection pour distinguer l’espace urbain de l’espace non urbain car les
informations sur la population ou l’organisation économique et sociale de l’espace bâti ne font
pas partie des informations qu’on peut extraire d’une image satellitaire. Pour cette raison, on
considère, dans le domaine de la télédétection satellitaire, l’espace urbain comme l’espace
géographique fondé sur la continuité du bâti, qui est considéré comme la délimitation de l’espace
urbain. Cet espace existe par opposition à l’espace non urbain [2], [4]. Cette définition ne prend
5
pas en compte des critères de population, juridiques, économiques ou fonctionnels comme c’est
le cas de quelques définitions présentées antérieurement.
Ainsi dans cette étude, l’espace urbain sera mis en œuvre à partir de la classification d’une
image satellitaire.
2.1.2 La croissance urbaine
L’étalement urbain (Urban sprawl en anglais), ou la croissance urbaine rapide, est un
phénomène complexe résultant de divers facteurs géographiques, économiques et
démographiques. Le terme a souvent une connotation néfaste car il signifie, dans la majorité des
cas, l’aménagement irresponsable, mal planifié qui détruit les espaces verts, augmente la
circulation automobile donc la pollution de l’air [25].
Dans le domaine de la télédétection, la croissance urbaine est considérée comme la
conquête de l’espace urbain sur l’espace non urbain.
2.1.3 Le développement urbain durable [24]
Le terme développement durable (sustainable development en anglais, signifiant
développement durable et soutenable) est lié à la façon de répondre aux besoins actuels sans
limiter la capacité des générations futures à satisfaire leurs propres besoins. Il implique une vision
élargie du bien-être humain, une perspective à long terme des conséquences des activités
actuelles et une coopération globale pour parvenir à des solutions viables »
Le concept de développement durable dans un contexte d’urbanisation s’appuie sur la
menace que l’étalement urbain représente pour la nature et l’Homme. La façon dont on gère
aujourd’hui la croissance urbaine aura des conséquences sur la qualité de vie et l’équilibre naturel
des villes pour les prochaines générations.
Le développement urbain durable est alors une façon de penser de l’espace urbain sous
une forme équilibrée avec deux objectifs principaux. D’un côté, il doit assurer que les
écosystèmes locaux fournissent les biens et services nécessaires à la concentration humaine, par
exemple, l’eau, le renouvellement de l’air permettant de limiter la pollution, le traitement des
déchets, etc. De l’autre côté, il doit assurer que les aires de grande valeur pour la conservation de
6
la nature soient protégées contre les effets de l’étalement urbain comme, la pollution, la
ségrégation sociale et les violences urbaines, la destruction des espaces verts, etc.
Les cinq points suivants sont, selon un rapport de la Commission Européenne, essentiels
pour la réussite du développement durable des villes:
• le contrôle physique de l’expansion des villes;
• le mélange des fonctions et groupes sociaux (en particulier, dans les grandes villes où une
partie significative de la population est menacée par l’exclusion sociale);
• la gestion intelligente des ressources de l’écosystème urbain (eau, énergie et déchets) ;
• une meilleure accessibilité aux divers types de transport qui préservent l’environnement ;
• la conservation et développement de l’héritage naturel et culturel.
2.2 Généralités sur la télédétection
2.2.1 Principes de la télédétection
La télédétection est utilisée dans des domaines divers : géologie, archéologie,
environnement, surveillance maritime, surveillance militaire, études urbaines, etc. Chacun de ces
domaines a ses propres besoins en données, traitement et analyse de l’information. On désigne
par télédétection urbaine l’application de la télédétection à l’étude de la problématique urbaine.
Une des méthodes d’interprétation d’une image satellitaire est de faire une classification
thématique pour l’ensemble de pixels qui la constituent. Mais avant l’interprétation d’une image
satellitaire il faut corriger les erreurs radiométriques et géométriques. Ensuite, il est nécessaire de
définir l’élément d’analyse spatiale et les méthodes d’extraction d’information à utiliser selon une
nomenclature prédéfinie. La phase finale consiste à l’évaluation de la qualité des cartes produites
en utilisant des critères quantitatifs.
a) Le rayonnement électromagnétique et les différentes réponses spectrales
La télédétection spatiale est une mesure de l’énergie émise par la surface de la Terre sous
forme de rayonnement électromagnétique (REM) (Figure 1). La plupart des applications de la
télédétection utilisent les domaines du visible (0.4 à 0.7µm) et de l’infrarouge (0.7 à 100 µm)
(Tableau 1). La source d’énergie peut être passive (soleil) ou active (radar).
7
Figure 1: Le rayonnement électromagnétique
Source : http://www.solarproducts.com
Région Longueur d'onde (µm) Désignation
Visible
0,40-0,45 Violet
0,45-0,50 Bleu
0,50-0,55 Vert
0,55-0,60 Jaune
0,60-0,65 Orange
0,65-0,70 Rouge
Infrarouge
0,7-1,0 Proche infrarouge
1,0-2.5 Moyen infrarouge
2,5-1000 Infrarouge thermique
Tableau 1: Longueurs d’onde du visible et de l’infrarouge
Source : http://www.ccrs.nrcan.gc.ca/ccrs
8
b) Le processus de la télédétection
Le REM traverse l’atmosphère sous forme d’ondes électromagnétiques entre la source
d’énergie (A) et la surface de la Terre (C) (émission) et dans le sens inverse (réflexion) (Figure
2). Les éléments présents dans l’atmosphère comme les particules d’aérosols, les gouttelettes
d’eau et divers autres composantes de l’atmosphère provoquent deux effets : absorption et
dispersion du REM (B). Le REM qui n’est pas absorbé, ou dispersé, par l’atmosphère arrive à la
surface de la Terre où il est absorbé, transmis ou réfléchi selon les propriétés des matériaux
présents sur sa surface. L’énergie émise ou diffusée par la cible est enregistrée sous forme
numérique par le capteur embarqué à bord d’un satellite ou d’un avion (D) pour ensuite être
transmise à une station de réception située au sol où l’information est transformée en images
(numériques ou photographiques) (E). Une interprétation visuelle et/ ou numérique de l’image est
nécessaire pour extraire l’information que l’on désire obtenir de la cible (F). La dernière étape du
processus da la télédétection consiste à utiliser l'information extraite de l'image pour mieux
comprendre la cible (G).
Figure 2: Processus de la télédétection
Source : http://www.ccrs.nrcan.gc.ca/ccrs
Les caractéristiques de l’énergie incidente [3], selon le principe de conservation d’énergie
sont :
EI (λ)=ER (λ) +EA (λ) +ET (λ)
9
Où (λ) : longueur d’onde,
EI : énergie incidente;
ER : énergie réfléchie;
EA : énergie absorbée et
ET : énergie transmise.
L'absorption (A) se produit lorsque l'énergie du rayonnement est absorbée par la cible, la
transmission (T) lorsque cette énergie passe à travers la cible et la réflexion (R) lorsque la cible
redirige l'énergie rayonnante.
L'énergie incidente totale interagira avec la surface selon l'une ou l'autre de ces trois
modes d'interaction ou selon leur combinaison. La proportion de chaque interaction dépendra de
la longueur d'onde, ainsi que de la nature et des conditions de la surface (Figure 3).
Figure 3: Interaction rayonnement-cible
Source : http://www.ccrs.nrcan.gc.ca/ccrs
En télédétection spatiale, on s’intéresse à l’énergie réfléchie ER qui est la mesure
enregistrée par le capteur sous forme numérique représentant la réflectance spectrale ρ (λ) [3]
Ces nombres sont enregistrés en pixels organisés en matrices de lignes et colonnes qui
forment des images. La dimension de cette matrice combinée avec la dimension du pixel
correspond à la portion de la surface de la Terre vue par le capteur
Chaque pixel est composé de plusieurs mesures du REM ce qui constitue l’approche
multispectrale (par exemple, les images Landsat, SPOT ou Ikonos).
10
L’analyse visuelle ou statistique des réflectances nous permet de discriminer des objets
dont la réponse spectrale (combinaisons d’intensité d’énergie réfléchie par chaque cible à la
surface de la Terre dans des longueurs d’ondes variées) est différente (Figure 4).
Figure 4: Réponses spectrales typiques : sol nu, végétation et eau
Source : http://www.rsacl.co.uk (RSAC)
2.2.2 La correction des erreurs et le géoréférencement des images
Les images enregistrées par les capteurs des satellites contiennent des erreurs
géométriques et radiométriques qu’il faut corriger, ou minimiser le plus possible, avant de les
utiliser.
Les erreurs radiométriques sont provoquées par les instruments utilisés pour
l’enregistrement des données et par les effets atmosphériques (absorption et diffusion des gaz,
aérosols et poussières). Chacune de ces erreurs doit être corrigée en utilisant des techniques
spécifiques à sa nature.
Les erreurs géométriques peuvent être provoquées par divers facteurs au moment de
l’acquisition de l’image comme la variation de la vitesse, l’altitude et l’orientation du satellite, la
courbure et le mouvement de rotation de la Terre et au relief de la surface. Comme pour les
erreurs radiométriques, des techniques spécifiques à chaque facteur existent pour leur correction.
L’erreur quadratique moyenne (EQM) mesure la distorsion obtenue dans le processus de
correction géométrique d’images et représente la différence entre le résultat d’une coordonnée
11
pour un point de contrôle et sa valeur réelle. Une valeur acceptable doit être inférieure à 1 pixel
pour les études de changement [11].
2.2.3 La notion de précision planimétrique et échelle d’utilisation des images satellitaires
A un type d’image est associée une résolution spatiale qui fait référence à la taille des plus
petits objets pouvant être distingués dans une image : l’imagerie SPOT HRV en mode
panchromatique a une résolution de 10m, l’imagerie Landsat TM 30m, et seulement de 1m pour
l’imagerie IKONOS en mode panchromatique. La précision planimétrique est la résolution de
l’image satellite ou de la photo aérienne utilisée pour son interprétation. Ainsi, on peut associer à
cette précision planimétrique une «bonne» échelle d’utilisation. Par exemple, pour une précision
planimétrique de 12 à 50 mètres, la bonne échelle d’interprétation se situe entre 1:25.000 et
1:100.000 [26] (Figure 5).
Figure 5: Échelle d’application pour différentes images (Moeller M., 2008)
2.2.4 La notion d’Unité Minimale de Collecte
Les unités minimales de collecte représentent les seuils minimaux en deçà desquels les
surfaces ne sont pas prises en compte lors de l’interprétation ou de la digitalisation d’une image.
Suivant l’échelle de lecture (par conséquent, la précision planimétrique), il est possible de définir
12
une UMC idéale [4], [8]. A une précision planimétrique de 10 à 30 mètres par exemple, une
UMC de 0.3 à 0.5 ha est raisonnable [4].
2.2.5 Méthodes d’analyses d’images de télédétection
Les méthodes d’analyses d’images obtenues par télédétection les plus utilisées sont la
photo-interprétation et la segmentation.
La photo- interprétation
La photo-interprétation ou perception visuelle est une approche basée sur un examen
visuel d’images. Cette approche, basée sur la reconnaissance d'objets à partir de la couleur, la
forme, la texture et la structure, consiste à tracer des zones d’aspect homogène et, ensuite, à faire
sa correspondance thématique. Malgré la possibilité d’obtention de cartes avec un bon niveau de
qualité, la classification d’images basée sur l’interprétation visuelle est une méthode jugée lente,
couteuse, subjective et d’une reproductibilité trop limitée car deux analystes différents produiront
souvent des résultats différents.
Les images à photo-interpréter peuvent être analysées soit sur un tirage papier, soit
directement à l’écran (photographies aériennes scannées et images satellites numériques).
La segmentation d’images
L’alternative à la photo-interprétation est l’utilisation des méthodes automatiques de
segmentation d’images qui consiste à partitionner l'image numérique en zones ou régions
homogènes. Une région est un ensemble de points (pixels) ayant des propriétés communes
(intensité, texture,...) qui les différencient des pixels des régions voisines. La segmentation est
basée sur les propriétés spatiales et spectrales des pixels. L’homogénéité d’une région est
calculée à partir des critères spatiaux et spectraux. La segmentation est un pas important dans
l’analyse des données en télédétection. Elle permet d’obtenir de bons résultats quand à
l’identification des unités homogènes présentes dans l’image. Les cartes produites en utilisant
cette méthode ne présentent pas un aspect pixélisé mais une configuration naturelle plus
interprétable par l’homme.
Il existe de nombreuses méthodes de segmentation, classées en trois types basés sur les
pixels, sur les frontières ou sur les régions [20].
13
• Les méthodes basées sur les pixels :
Ces méthodes analysent l’homogénéité des pixels entourant un pixel de départ, si celle-ci est
forte, les pixels sont regroupés. Ces méthodes incluent des seuils des valeurs des niveaux de gris
et produit une image binaire avec deux valeurs possibles : 1, si les valeurs des pixels
appartiennent aux limites définis par le seuillage ; 0, si les valeurs des pixels sont en dehors de
ces valeurs. Les valeurs du seuillage peuvent êtres définies par analyse de l’histogramme de
l’image.
• Les méthodes basées sur les frontières :
Ces méthodes sont basées sur l’idée que l’on peut diviser l’image en régions en détectant les
frontières de celles-ci. Dans ce type de segmentation, les frontières des objets de l’image se
localisent là où existe un changement de valeur de niveau de gris.
• Les méthodes basées sur les régions :
Ces méthodes incluent la croissance, la fusion, la division de régions et leurs combinaisons. Dans
les approches de croissance de régions, la première étape est d’identifier les points de départ de la
segmentation, souvent appelés les pixels graines. Les régions sont construites autour de ces pixels
en les reliant aux pixels similaires voisins. Dans les méthodes de fusion, les régions adjacentes
sont fusionnées si elles sont suffisamment similaires. Dans les méthodes de division, une région
est divisée en sous-région si la région initiale n’est pas homogène.
Le type de segmentation le plus intéressant pour la classification des images de
télédétection est la méthode par croissance de régions car elle permet l’identification d’aires
homogènes présentes dans l’image pour ensuite faire une classification thématique.
Pour ce travail, le choix de la technique de segmentation se fera en fonction de la méthode
utilisée par le logiciel employé: Multispec qui utilise une méthode basée sur les régions.
2.2.6 Les algorithmes de classification d’images
Les images obtenues par télédétection permettent, après classification, la construction de
cartes d’occupation du sol qui peuvent être utilisées dans les études d’urbanisation et d’autres
applications. Quel que soit la méthode et l’élément d’analyse (pixel ou objet) utilisés, il est
toujours nécessaire d’ajouter à ces méthodes de classification deux phases obligatoires: le codage
des résultats de la classification obtenue selon une nomenclature prédéfinie et l’évaluation de la
qualité des cartes produites. Or dans cette étude, on s’intéresse uniquement à distinguer les aires
14
urbaines des aires non urbaines, donc on n’utilisera que ces deux classes thématiques sans faire
appel à des nomenclatures destinés à des classifications plus complexes. L’évaluation de la
qualité des cartes produites par télédétection sera décrite ultérieurement.
Il existe deux catégories de méthodes d’extraction d’information à partir d’images
satellite, indépendamment de l’unité spatiale d’analyse utilisée [5]:
• classification non-dirigée
• classification dirigée.
a) Classification non-dirigée
La classification non-dirigée consiste en l’agrégation des pixels d’une image en classes
spectrales sans connaître a priori la signification thématique de celles-ci. L’utilisation de ce type
de méthodes s’avère intéressante quand l’acquisition d’échantillons pour faire une classification
dirigée est impossible ou trop chère. Elle n’utilise pas d’aires d’apprentissage pour
l’identification des pixels et fait une agrégation en groupes naturels, non nécessairement contigus,
en nombre défini par l’utilisateur. Ces groupements (cluster en anglais) naturels doivent être
identifiés a posteriori par l’utilisateur pour assigner à chaque cluster une description cohérente, et
éventuellement, il faut regrouper manuellement les classes superflues.
L’algorithme le plus utilisé est le cluster ISODATA (Iterative Self-Organizing Data
Analysis Technique).
b) Classification dirigée
La classification dirigée est basée sur des aires d’apprentissage et comporte deux étapes:
• la sélection des aires d’apprentissage (les échantillons) pour chaque classe selon la
nomenclature adoptée ;
• la classification des pixels ou objets de l’image qui ont été choisis dans la première étape,
en utilisant des algorithmes spécifiques.
Parmi les algorithmes de classification dirigée les plus utilisés, on peut citer : la méthode
du maximum de vraisemblance, la méthode de la distance minimum aux moyennes, la méthode
du parallélépipède, les K-plus proches voisins.
15
L’algorithme « minimum distance » détermine simplement la distance d’un point à la
moyenne du cluster, alors que la méthode du parallélépipède définit un volume rectangulaire
autour de la signature pour affiner la classification.
Pour les K-plus proches voisins, les pixels ou objets doivent être classés dans la classe la
plus proche de celle de référence. Chaque pixel ou objet est classé en examinant les pixels ou
objets d’apprentissage dans l’espace multi-spectral et en sélectionnant la classe la plus
représentée selon un nombre prédéterminé de voisins plus proches.
L’algorithme maximum de vraisemblance affine la répartition de chaque classe en
formant une ellipse qui se rapproche le plus du cluster. Le maximum de vraisemblance est
l’algorithme le plus utilisé pour la classification des images de télédétection.
2.2.7 La classification ECHO [12]
Le classifieur ECHO (Extraction and Classification of Homogeneous Objects) du logiciel
MultiSpec, développé à l’Université Purdue et consolidé par la NASA est un classifieur spectral
spatial à plusieurs étapes qui combine les caractéristiques spectral, spatial et textural des pixels;
c'est un classifieur hybride. On la décrit dans ce travail parce que c’est le classifieur implémenté
dans le logiciel utilisé. La classification ECHO est une approche supervisée qui comporte une
première étape de segmentation type division/fusion de la scène en régions statistiquement
homogènes en utilisant l’information spatiale puis une étape de classification par maximum de
vraisemblance. La segmentation est réalisée en divisant l’image en blocs de N × N pixels (par
exemple 2 × 2) puis en effectuant une étape de sélection de chaque cellule ainsi déterminée en
comparant leurs statistiques à un seuil d’homogénéité. Les cellules ayant un test négatif (non
homogènes) sont repérées comme singulières et à cheval sur des bordures.
Chacun des pixels appartenant à ces cellules singulières est alors classifié. Une seconde
étape de segmentation consiste à tester la similarité statistique de cellules non-singulières
adjacentes en utilisant un test de vraisemblance. Les cellules considérées comme similaires sont
fusionnées et ainsi un objet peut croître jusqu’à ses frontières naturelles. La classification est
ensuite réalisée. La classification ECHO fournit un niveau d’exactitude plus élevé qu'un
classifieur basé sur le pixel et exige moins de temps de calcul.
Actuellement, il existe divers algorithmes de segmentation d’images implémentés en
logiciels gratuits et commerciaux de traitement d’images (Tableau 2). Parmi eux, seul un nombre
16
restreint fourni des outils de support à la classification des objets obtenus par le processus de
segmentation.
Tableau 2: Logiciels de segmentation d’images avec support à la classification
(Lemmens M., 2002)
2.2.8 Évaluation de la qualité de la classification des cartes obtenues par télédétection
Une classification n’est pas complète sans l’évaluation de son exactitude. En effet on ne
peut pas utiliser des données obtenues par télédétection avec certitude si on ne sait pas quel est,
statistiquement, le niveau de l’erreur qui lui est associé. L’évaluation de la qualité des cartes
obtenues par télédétection se fait par la comparaison entre la carte obtenue dans le processus de
classification et les données de référence qui peuvent être obtenues sur le terrain ou à partir de
photographies aériennes avec une résolution spatiale supérieure à celle des images utilisées dans
la production de la carte. La relation entre ces deux ensembles de données se fait à partir des
matrices de confusion.
Il faut définir une stratégie d’échantillonnage [10] pour construire les matrices de
confusion et extraire les indices: Exactitude globale, Kappa, Exactitude pour le producteur,
Exactitude pour l’utilisateur, Erreur par défaut et Erreur par excès
Logiciel eCognition Multispec Spring
Segmentatio
n
Croissance de régions
multi-résolution
Croissance de régions
(ECHO - Extraction
and Classification of
Homogeneous
Objects)
Croissance de régions
Classification K- plus proches
voisins
Maximum de
vraisemblance
Non-dirigée et
dirigée
Propriétaire Definiens AG Univ. Purdue, États-
Unies
INPE
Site http://definiensimaging.com/ http://dynamo.ecn.purdue.edu/~bieh
l/MuliSpec/
http://www.dpi.inpe.br/spri
ng/
Distribution Commerciale Libre Libre
17
a) La stratégie d’échantillonnage
Il existe plusieurs types de stratégie d’échantillonnage [10] (aléatoire simple, aléatoire
stratifié,…) mais la plus utilisée est l’échantillonnage aléatoire simple, jugé le plus fiable pour
l’utilisation correcte de l’indice Kappa. Néanmoins, un échantillonnage non stratifié a plus de
difficultés à garantir un nombre d’échantillons qui soit représentatif pour chaque classe.
Pour la taille de l’échantillon, elle doit être suffisamment grande pour permettre une
analyse statistiquement significative.
b) Les matrices de confusion et leurs indices
L’exactitude d’une classification est évaluée à l’aide d’une matrice de confusion en
comparant le nombre de pixels bien classés par rapport au nombre total de pixels. Les éléments
de la diagonale de la matrice représentent la fréquence de concordance entre la carte classifiée et
les données de référence.
Classes de la carte
classifiée
Classes de la carte de référence Total carte classifiée 1 2 … n
1 a11 a12 … a1n a1. 2 a21 a22 … a2n a2. … … … … … … n an1 an2 … ann an.
Total référence
a.1 a.2 … a.n Total
Tableau 3: Exemple de matrice de confusion (Cabral, 2006)
La matrice de confusion permet le calcul des indices qui sont utilisés pour évaluer la
qualité des cartes obtenues par télédétection : l’Exactitude globale, l’indice Kappa, l’Exactitude
pour le producteur et l’Exactitude pour l’utilisateur [9].
L’Exactitude globale évalue la proportion de pixels de l’échantillon correctement
classifiés par rapport à la totalité de l’échantillon utilisé dans la validation;
L’indice Kappa exprime le rapport entre l’erreur obtenue par une classification et celle
correspondant à une classification faite au hasard. Cet indice varie entre -1 (aucune concordance)
et 1 (concordance parfaite). Un Kappa égal à 0 indique une concordance équivalente à celle faite
au hasard.
18
L’Exactitude pour le producteur, ou erreur d’omission, est le rapport entre le nombre total de
pixels correctement attribués à une classe et le nombre total de pixels de cette classe selon les
données de référence. Cette statistique indique la probabilité d’un pixel des données de référence
à être bien classé.
L’ Exactitude pour l’utilisateur, ou erreur de commission, est le rapport entre le nombre total de
pixels correctement attribués à une classe et le nombre total de pixels de cette classe selon la
classification réalisée. Cette statistique représente la probabilité d’un pixel à représenter
correctement la classe qui lui a été attribué dans la classification.
2.3 Télédétection et limites urbaines
2.3.1 Introduction
Depuis l’apparition des premières photographies aériennes en 1844, des dizaines de
satellites parcourent les orbites terrestres et prennent des centaines d’images des différents
endroits du globe. Les techniques de traitement d’images utilisées ont aussi beaucoup évolué
pour s’adapter aux images récentes à très haute résolution.
Quelle que soit l’application de la télédétection, elle doit utiliser des méthodes de
traitement et d’analyse reproductibles pour produire de l’information fiable, utile et intégrable
dans les systèmes d’information géographique (SIG). Les SIG nous permettent la gestion,
l’enregistrement, l’analyse de cette information pour mieux comprendre les phénomènes qu’on
veut étudier. Par conséquent, la télédétection est une des bases d’extraction d’informations. Pour
cette raison, on doit y investir du temps et des connaissances techniques solides pour minimiser
les erreurs dans les analyses produites à partir des données de télédétection.
On commence dans cette section par la présentation des méthodes d’acquisition de
données utilisées dans les études urbaines. L’utilisation des images satellitaires pour les études
urbaines sera justifiée. Ensuite, les concepts de base de la télédétection nécessaires à la
compréhension d’un phénomène sont décrits. Les méthodes de segmentation et de classification
d’images les plus utilisées en télédétection et les techniques de validation des cartes thématiques
obtenues à partir des classifications d’images font aussi l’objet de cette section.
19
2.3.2 Données pour des études urbaines
La génération de données pour les études urbaines peut être réalisée de deux façons distinctes
[6], en utilisant soit:
• des données récoltées sur le terrain,
• des données obtenues par télédétection.
a) Récolte de données sur le terrain
Généralement, la récolte de données sur le terrain pour réaliser des études urbaines est
réalisée en exploitant des recensements exhaustifs, ou par sondage de la population.
L’adoption de cette méthode pour des études de délimitation urbaine comporte divers problèmes :
• le coût de la collecte, les moyens logistiques et humains ainsi que les durées d'exploitation
limitent la périodicité des recensements à un rythme d'environ décennal;
• quant aux enquêtes par sondage, l'absence de base de sondage complète et à jour (cartes,
fichiers administratifs, etc.) constitue un véritable handicap pour leur réalisation et leur
fiabilité ;
• la récolte de données est réalisée sur des unités administratives. Or, les aires
administratives changent dans le temps (par création ou par agrégation) ce qui implique
des problèmes de consistance temporelle des données.
Malgré ces contraintes, les données de recensement de population sont utiles pour
compléter des études urbaines basées sur la télédétection.
b) Télédétection
L’autre méthode disponible pour obtenir l’information sur des aires urbaines est la
télédétection satellitaire ou aéroportée. Selon le centre canadien de télédétection: «La
télédétection est la technique qui, par l'acquisition d'images, permet d'obtenir de l'information sur
la surface de la Terre sans contact direct avec celle-ci. La télédétection englobe tout le processus
qui consiste à capter et à enregistrer l'énergie d'un rayonnement électromagnétique émis ou
réfléchi, à traiter et à analyser l'information, pour ensuite la mettre en application».
20
Télédétection aéroportée
Avant l’apparition des satellites à haute résolution, la télédétection par photos aériennes
était la source principale de données dans les analyses urbaines et dans la production de cartes
d’occupation du sol à grande échelle.
Depuis l’apparition des satellites à haute résolution, la télédétection aéroportée est utilisée
dans les études urbaines, particulièrement, dans l’aide à la planification des opérations de
recensement de la population, dans les études sur l’urbanisation, et dans la plupart des études sur
l’aménagement urbain local à grande échelle.
Actuellement, avec la prolifération de l’utilisation d’images satellites très haute résolution
comme Quickbird ou Ikonos (voir en Annexe 1 la liste des satellites de télédétection spatiale en
activité), les photos aériennes constituent une alternative comparativement trop couteuse soit à
cause des ressources logistiques et humaines mises en œuvre, soit par le temps et les moyens
financiers nécessaires à sa réalisation. Malgré ces contraintes, les photos aériennes continuent à
être très utiles, en particulier pour les études diachroniques et pour la validation des produits
cartographiques obtenus par la classification d’images satellitaires de résolution inférieure.
Télédétection satellitaire
À partir des années 70 avec les premiers satellites d’observation de la Terre, l’utilisation
des photos aériennes a été progressivement remplacée par l’imagerie satellitaire, notamment celle
des systèmes Landsat et SPOT, pour la production de cartes d’occupation du sol à échelle
régionale.
Par rapport à la photographie aérienne, la télédétection présente les avantages suivants :
• les images obtenues par les satellites, grâce à leur grand champ de vision, permettent une
comparaison des couleurs ou niveaux de gris de toute une scène sur des milliers de km²,
contrairement aux photographies aériennes ordinaires qui ne permettent cette comparaison
que sur quelques dizaines de km2.
• la périodicité d’acquisition des images d’une même aire géographique à des conditions
d’observation équivalentes et en différentes périodes de temps a permis l’obtention de
séries temporelles particulièrement utiles pour les études de détection des changements
d’occupation du sol.
21
• la rapidité de traitement des images satellitaires.
2.3.3 Limites de la télédétection pour des études urbaines
Le choix de la source d’information à utiliser dans une étude de croissance urbaine
dépendra toujours du type de phénomène qu’on veut étudier (étalement global ou évolution intra
urbaine, par exemple) et de l’information disponible.
L’utilisation des images satellitaires pour des études urbaines à grande échelle n’a pas eu
des résultats aussi bons que pour les études urbaines à l’échelle régionale ou les études dans le
domaine des sciences naturelles pour la raison suivante : les limites des méthodes d’extraction
d’information des images [2].
L’augmentation de la résolution spatiale pour des études dans le milieu urbain peut aussi
causer des problèmes de classification dus à la grande hétérogénéité spatiale de l’environnement
urbain. Par exemple, des arbres à l’intérieur d’une ville seront classés comme non urbain si on
utilise des classificateurs purement spectraux qui ne prennent pas en compte l’information des
pixels voisins.
Comme les images satellitaires ne fournissent que les objets présents dans les territoires
urbanisés ; pour réaliser des analyses plus complètes, il faut introduire des informations
statistiques, socioculturelles et historiques pour mieux comprendre le phénomène urbain.
2.4 Méthodes de classification d’images utilisées en études urbaines
La classification de zones urbaines sur les images satellitaires s’avère une tâche complexe
du fait de sa grande hétérogénéité (elles n’ont pas une réponse spectrale unique et distinguable).
Diverses méthodes existent pour améliorer la classification des zones urbaines en utilisant des
données obtenues par télédétection. Ces méthodes varient selon les données utilisées et les aires
d’étude sur lesquelles elles sont appliquées. Diverses approches constituées par un mélange des
méthodes d’extraction d’information d’images décrites précédemment peuvent être utilisées. Ces
approches incluent, dans le processus de classification, l’incorporation d’informations auxiliaires
telles que [6]:
• des données spatiales (cartes, orthophotographies,…),
• des données de recensements de population,
22
Beaucoup d’études ont été entreprises dans le domaine de la télédétection urbaine. En effet,
divers programmes régionaux et globaux de cartographie et de surveillance dédiés au phénomène
urbain seront montrés en Annexe 2 [2].
23
Chapitre 3
La limite de la commune urbaine d’Antananarivo
3.1 Présentation de la zone d’étude
La zone d’étude est la commune urbaine d’Antananarivo (CUA) (Figure 6), capitale de
Madagascar, située sur 18°55’ de latitude Sud et 47°32’ de longitude Est et dans les Hautes-terres
Centrales de Madagascar avec une altitude moyenne de 1 340 m, elle s’étend sur environ 87 km².
Elle est limitée au sud et à l’ouest par le Fivondronampokontany ou ancienne sous-préfecture
d’Antananarivo Atsimondrano, au nord et à l’est par celui d’Antananarivo Avaradrano. La rivière
Ikopa longe la ville du sud à l’ouest et la rivière Mamba au nord. Du point de vue administratif, la
CUA comporte 6 arrondissements, eux-mêmes subdivisés en 192 Fokontany.
Figure 6: Commune Urbaine d’Antananarivo (BDA)
24
3.1.1 Population
Depuis l’indépendance, Antananarivo, la capitale de Madagascar a subi une forte pression
démographique, engendrant ainsi des problèmes d’urbanisation et d’environnement. Si seule la
partie haute a été habitée pendant le royaume d’Andrianampoinimerina, au XVIIIe siècle, la
partie basse constituée par la plaine alluviale de Betsimitatatra est actuellement le siège d’une
expansion démesurée de l’habitat.
La CUA a un taux de croissance de population de 4. 32% par an avec les taux plus élevés
trouvés dans les arrondissements 4 (4,96%), 5 (6,99%) et 6 (416%). Le minimum serait trouvé
dans le 3è arrondissement avec un taux de 1,53% par an de 1993 à 2003. Elle constitue une
grande concentration de population avec 710236 habitants en 1993 et 1 083 732 habitants en
2003 (BDA 2003) sur seulement une superficie de 87 km². Ces valeurs correspondent
respectivement à une densité de population de 8521 hab/km² et 13001 hab/km² (Tableau 3). En
1998, pour les services de tutelle des 6 arrondissements, la population totale de la commune
Urbaine d’Antananarivo était de 902 944 personnes selon des recensements effectués dans les
Fokontany (Figure 7). La densité moyenne de la population était de 10 832 hab/km². Le 1er
arrondissement était le plus peuplé (23,4% de la population totale) et le 6ème arrondissement le
moins peuplé. En cette même année, pour l’Institut National de Statistique (INSTAT), la
population totale a été évaluée, par projection des chiffres du recensement général en 1993, à 902
153 habitants.
Figure 7:Population résidente dans la Commune urbaine d’Antananarivo de 1985 à 2005
(BDA)
25
Année
Densité
(hab/km²)
1985 8482
1993 8521
1998 10832
2004 13571
2005 14170
Tableau 4: Evolution de la densité de la population dans la CUA (BDA)
Pour faire face à cette croissance de la population, l’occupation du sol de la Commune
Urbaine d’Antananarivo a subi d’énormes transformations. À la croissance démographique
s’accompagne une croissance du nombre de bâtiments et logements. Les seules informations
disponibles sont celles du RGPH 1993, où la CUA comptait 92 625 bâtiments et 145 590
logements.
3.1.2 Facteurs humains
La vocation rizicole de la zone basse tend à disparaître au détriment des remblais et des
constructions illicites. En effet, la promotion des zones franches industrielles et le besoin
croissant en matériaux de construction, en occurrence les briques de terre cuite, ont entraîné une
profonde déstructuration à l’intérieur des bas-fonds rizicoles [23].
L’urbanisation des sites normalement inconstructibles a fait apparaître des formes
d’érosion dans certains quartiers de la ville d’Antananarivo. En effet, la transformation des flancs
des collines à pentes raides en espace résidentiel a provoqué une rupture d’équilibre du milieu,
engendrant ainsi érosion et glissements de terrain.
26
3.1.3 Climat et végétation
Comme l’ensemble des Hautes-terres de Madagascar, la CUA connaît un climat
réglementé par les régimes de l’alizé et des moussons. Ainsi, deux saisons très contrastées,
séparées par une courte intersaison sont observées :
– une saison chaude et pluvieuse de mi-novembre à avril ;
– une saison fraîche et sèche de mi-mai à septembre ;
La moyenne annuelle des températures est de 18°C avec un maximum de 26°C
(novembre) et un minimum de 10°C (juillet). La pluviométrie annuelle varie de 1000 mm à 1600
mm, avec un minimum mensuel de 6 mm [15].
3.1.4 Géomorphologie
La CUA est constituée de collines à sommet arrondi ou à crête aiguë et d’une plaine
alluviale [15].
La zone de collines se situant au Nord-Ouest et à l’Est, est composée :
– de collines résiduelles constituées de massifs érodés de formes irrégulières ou arrondies telles
que les collines d’Ankatso, de l’Observatoire, d’Ampasampito et d’Ambohijanahary;
– des escarpements abrupts limitant la zone haute de la zone basse : tel est le cas de
l’escarpement d’Ampamarinana;
– des interfluves constitués de vallées peu profondes et comblées par des sédiments de talus sur
les flancs de collines à l’exemple de Manakambahiny.
La zone de plaine occupe la partie Ouest d’Antananarivo. Elle est constituée:
– d’une plaine d’inondation formée de sédiments lacustres et des apports fluviaux à la faveur des
crues successives de la rivière Ikopa;
– des îlots de collines plus ou moins arrondies telles que celles d’Anosipatrana et d’Anosizato.
3.2 Données et matériels d’étude
3.2.1 Choix des données
Le choix des données se fait en partant de l’hypothèse de travail : « La télédétection peut
être utilisée pour extraire la zone urbaine correspondant dans l’image satellitaire aux zones qui
ont suffisamment de structures construites par l’homme ». Le choix de travailler avec des images
27
satellitaires multi-spectrales haute résolution Landsat pour cette étude est surtout basé sur la
disponibilité, elles ont aussi des résolutions spatiales, radiométriques, spectrales et temporelles
suffisantes pour accomplir les objectifs de cette étude. Néanmoins la disponibilité gratuite des
images Landsat sur le site Global Land Cover Facility (GLCF) de l’Université de Maryland aux
Etats-Unis et sur le site de l’USGS nous a fait opter pour l’utilisation des images Landsat.
3.2.2 La sélection des images
Pour cette étude, les critères généraux de sélection des images satellitaires pour la
détection des changements (images Landsat 30 m) ont été les suivants [11]:
- le champ au sol de l’image (les images doivent couvrir la zone d’étude: la CUA),
- la nébulosité (minimale sur la zone d’étude),
- la saison d’acquisition (idéalement même saison afin de réduire les problèmes dus aux
différences des angles solaires, aux changements phénologiques de la végétation et aux
différences dans l’humidité des sols),
- l’année d’acquisition (l’écart temporel entre deux images retenues doit être assez grand pour
que des changements importants soient observés).
3.2.3 Données utilisées
Pour délimiter les zones urbaines de la CUA, on a utilisé une image du satellite Landsat 7
[8] Foley L., December 2000. Mapping Forest Cover in Madagascar. USAID/Madagascar.
[9] Girard M.C., Girard C., 1999. Traitement de données de télédétection. Dunod, Paris. [10] Hakdaoui. Traitement de la donnée Landsat Sous ERDAS. Faculté des Sciences Casa II,
Maroc. Centre Régional Africain des Sciences et Technologies de l’Espace
[11] Lagabrielle E., Metzger P., Martignac C., Durieux L., Grellet G., Novembre 2005. Guide
critique d’utilisation des informations produites dans le cadre du projet TEMOS à La
Réunion. CIRAD, Université de la Réunion, IRD.
[12] Landgrebe D., Biehl L., 2001. An introduction to Multispec. School of Electrical and
Computer Engineering Purdue University, West Lafayette.
74
[13] Landgrebe D., Biehl L., January 11, 2001. MultiSpec tutorial. School of Electrical and
Computer Engineering, Purdue University, West Lafayette.
http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/
[14] Lemmens M., Décembre 2002. Product Survey on Remote Sensing Image Processing
Software. GIM International.
[15] Mandimbiharison A. J., Raharison L. R., 11 décembre 2002. Utilisation des SIG et de la
télédétection pour la gestion de l'environnement urbain : cas de la ville d'Antananarivo
(Madagascar). École Supérieure Polytechnique d'Antananarivo, Département de
Géologie, Université d'Antananarivo.
[16] Mas J.F., 2000, Une revue des techniques et méthodes de télédétection du changement,
Canadian Journal of Remote Sensing / Journal Canadien de télédétection Vol. 26(4), pp.
349-369. 3 tables, 5 figures.
[17] Moeller M., 2005. Metropolitan Growth Mapped from Space Images. The International
Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol.
XXXVI - 8/W27
[18] Oloukoi J., Mama V.J., Agbo F. B., 2 octobre 2006. Modélisation de la dynamique de
l’occupation des terres dans le département des collines au Bénin. Télédétection, 2006,
vol. 6, n° 4, p. 305-323
[19] Onana V. P., Rudant J.P., J. Etouna et S. Wade, 16 août 2004. Dynamique urbaine à l’aide
d’images RSO de ERS et HRV de SPOT, et son impact dans les facteurs d'aggravation
des risques d'inondation en milieu urbain : cas de la ville de Douala (Cameroun).
[20] Pekkarinen A., 2002, Image segment-based spectral features in the estimation of timber
volume, Remote Sensing of Environment, n°82, pp349-359.
[21] Pham T.T. H., Bonn F. et Dubois J.M., 31 août 2007. Démarche méthodologique pour la
détection des changements d’un milieu morcelé en utilisant des images à moyenne
résolution spatiale : application à une région littorale au Viêt-Nam. Revue Télédétection,
2007, vol. 7, n° 1-2-3-4, p. 303-323.
22] Rabariharivelo M., 2004. Plan d’urbanisme directeur 2004 de la commune urbaine
d’Antananarivo. Horizon 2015. Cadre physique et équipements.
[23] Robinson P. M.A., 2004. Plan d’urbanisme directeur 2004 de la commune urbaine
d’Antananarivo. Horizon 2015. Population.
75
[24] SUDEN : Sustainable Urban Development European Network.
http://suden.org
[25] URF 08. Petit lexique de l’urbain.
http://www.univ-paris01.fr
76
ANNEXES
77
Annexe 1
Principaux satellites de télédétection spatiale en activité
Site: Cary and Associates, URL: http://www.ersc.wisc.edu/resources/EOSC.html # Nom du satellite Origine Lancem
Divers programmes régionaux et globaux de cartographie et de surveillance dédiés au phénomène urbain
Nom du
programme
Producteur Objectif Couverture
géographique
Date des
données
Données
utilisées
URL
Urban
Environmental
Monitoring (UEM)
Geological
Remote Sensing
Laboratory,
Arizona State
University,
Etats-Unis
Surveillance des
aires urbaines
de croissance
rapide.
Cartographier et
modéliser les
propriétés
biogéographiques et
climatiques des
aires urbaines.
Améliorer la
compréhension du
développement
urbain et son
futur.
100 villes
mondiales
Après 1999.
Projet en cours
ASTER,
MODIS, Landsat
et information
auxiliaire diverse
http://elwood.la.asu.edu/grsl
/UEM/
Defense
Meteorological
Satellite Program
(DMSP)
DoD,
département de
défense
nordaméricaine
Production d'une
base de
données sur les
villes, images
Mondiale 1994 et 1995 et
aussi
comparaison
entre 1992/93 et
DMSP http://dmsp.ngdc.noaa.gov/d
msp.html
81
prises la nuit, pour
cartographier
et surveiller le
phénomène
urbain
2000
Urban Areas
Research
Département de
géographie,
Boston
University,
Etats-Unis
Utilise des données
avec une
résolution 1 Km
pour
cartographier
l'extension urbaine
des villes
mondiales.
Mondiale et
quelques villes
en particulière
pour détection
de
changements,
aprox. 1990-
2000
La carte
mondiale des
aires urbaines
utilise des
sources avec des
diverses dates
MODIS, DMPS
Gridded
population of the
World et IGBP
http://duckwater.bu.edu/urb
an/research.html
Mégalopoles /
Eurocités
Agence Spatiale
Européenne
(ESA)
Démontrer
l’applicabilité des
données ERS-SAR
en
combinaison avec
d’autres
sources de données
pour étudier
3 mégalopoles.
Shanghai
(Chine),
Istanbul
(Turquie) et
Vienne
(Autriche)
Non spécifiée ERS-SAR,
NDVI obtenu
des satellites
Landsat TM et
ETM+ et autres
sources
auxiliaires
http://www.esa.int/esaCP/
Monitoring Urban
Dynamics (Moland
/
Murbandy)
Joint Research
Institute (JRC),
Commission
Européenne
Surveiller et prévoir
la
croissance urbaine
des diverses
villes et régions
21 villes et 3
régions
européennes
1950, 1960, 1980
et 1990. Les
données de
référence sont
1998-2000
Diverses http://moland.jrc.it/
82
européennes.
Développer
indicateurs urbains
et
environnementaux.
Global Urban Area
Mapping -
Globcover
2005
JRC, ESA,
FAO, UNEP,
IGBP et
GOFCGOLD
Produire une carte
des aires
urbaines
Sud et nordouest
d’Afrique,
nord de
l’Amérique
Latine et
Europe
2005 Envisat, Meris,
ASAR, SPOT,
Landsat TM,
DMSP et
MODIS
http://wwwtem.
jrc.it/Mapping_land_co
ver/activities/globalmapping_
urban-areas.htm
Gridded Population
of
the World (GPW),
version 3
Center for
International
Earth Science
Information
Network, et
diverses
partenaires,
États-Unis
Fournir des données
démographiques
pour tous les
pays du monde en
divers formats
(tabulaires et
géographiques) en
2 résolutions : une
grille de
2.5x2.5 arc-min et
30x30 arc -sec
Mondiale 2000 et présente
des estimatives
pour 2015
Diverses http://beta.sedac.ciesin.colu
mbia.edu/gpw/index.jsp
Landscan 2003 Oak Ridge
National
Laboratory,
Etats-Unis
Le même objectif
que GPW.
Fournir une base de
données de
la population
Mondiale 2003 Diverses http://www.ornl.gov/sci/gist
/landscan/landscan2003/ind
ex.html
83
mondiale en une
grille de 30x30 arc -
sec
Gigalopolis USGS et
l’Université de
California Santa
Barbara,
Etats-Unis
Utilisation d’un
modèle cellular
automata
(SLEUTH) pour
simuler la
croissance urbaine
22 villes en
États-Unis et
10 dans le
reste du monde
Variable Déclive,
utilisation du sol,
exclusions,
urbaine,
transports et
relief.
http://www.ncgia.ucsb.edu/
projects/gig/
Global Urban
Observatory
Database
(GUO)
UN-Habitat
(United Nations
Human
Settlements
Programme)
Améliorer la
connaissance
urbaine mondiale
pour aider les
gouvernements,
autorités locales
et organisations
civiles à
développer et
appliquer des
politiques basées
sur indicateurs
urbaines,
statistiques et autres
informations
urbaines
Mondiale (200
villes)
2003 (Habitat III
Conference)
Organismes
statistiques
nationaux,
ministères
responsables
pour les affaires
urbaines,
autorités locales
des villes ou
aires
métropolitaines,
communauté
scientifique
http://www.unhabitat.org/pr
ogrammes/guo/default.asp
84
Annexe 3
Formule pour calculer la distance de Bhattacharrya
La distance de Bhattacharrya est calculée en utilisant la formule suivante:
où
BD(i,j)= Distance de Bhattacharrya entre les classes i et j
où
M(i) = vecteur moyen de la classe i, où le vecteur à Ncanaux éléments (Ncanaux est le nombre de
canaux (Channels dans PCI) utilisés)
S(i) = matrice de covariance pour la classe i, qui a Ncanaux par Ncanaux éléments
Inv[ ] = matrice inverse
T[ ] = matrice transposée
A(i,j) = 0,5*[S(i)+S(j)]
det( ) = déterminant d’une matrice
85
Annexe 4
Quelques histogrammes des zones d’entrainement
Classe Urbain 1
86
Classe Non Urbain 2
87
Annexe 5
Dynamiques urbaines de la CUA pour les intervalles de temps 1994-2000 et 2000-2005
88
89
Annexe 6
Création de masque
Pour obtenir les aires urbaines à partir de l’image classifiée 2005, utiliser la fonction
Utilities/Mask de l’icône Interpreter d’ERDAS IMAGINE.
Masque à partir de la classification 2005
90
Masquer l’image classifiée de 2000 à l’aide du masque créé précédemment pour obtenir l’image
suivante qui représente l’aire urbaine de 2000 sans faux changements (décroissance urbaine qui
n’existent pas réellement mais sont dus aux erreurs de classification).
Classification 2000 masquée
La carte des changements pour les dates 2000 et 2005 est le résultat de la superposition de la
carte issue de la classification 2005 et celle de 2000 masquée.
91
Carte de croissance urbaine pour la période 2000- 2005
92
Annexe 7
Extraits des données de référence Orthophotographie 2003
Ikonos 2006
93
Annexe 8
Brève description du logiciel MultiSpec
MultiSpec (version 2.8)
David Landgrebe and Larry Biehl MultSpec
School of Electrical and Computer Engineering
Purdue University
Multispec est un logiciel libre d'analyse d’images multispectrales et hyperspectrales
(Landsat, AVIRIS,…) développé à Purdue University, disponible gratuitement sur:
http://dynamo.ecn.purdue.edu/~biehl/MultiSpec/. Au début, MultiSpec a été développé
uniquement par les chercheurs mais cela a changé avec le temps lorsque les suggestions des
utilisateurs ont pris en compte par les concepteurs. Cela l'a rendu plus performant et de plus en
plus convivial. Il fournit les outils d'analyse conventionnelle des données. Ceux-ci incluent :
(1) l’affichage des données,
(2) l’exécution des classifications supervisée et non supervisée,
(3) la création des néo-canaux (NDVI, ACP…),
(4) donner les valeurs radiométriques pour une région spécifique sous forme du graphique et
créer des échantillons d’entrainement.
(5) évaluer le résultat d’une classification, convertir des images au format GEO-TIFF, imprimer
l'image classifiée.
Les avantages de Multispec par rapport aux autres logiciels de traitement numériques
d’images est l’implémentation de l’algorithme de classification par objets ECHO et l’algorithme
d’extraction des meilleurs canaux pour effectuer une classification supervisée avec des
échantillons d’entrainement donnés. Avec Multispec, on peut aussi sauvegarder les échantillons
d’entrainement et les utiliser pour classifier une autre image.
MultiSpec ne peut pas convertir les fichiers de forme (shape file) en image raster. Les
classifications sont exécutées uniquement sur les données image.
94
Nom : HERINIRINA Prénom : Nathalie Titre : APPORTS DE LA TELEDETECTION A L’ETUDE DE LA DYNAMIQUE URBAINE.
Cas de la Commune Urbaine d’Antananarivo Nombre de pages: 100 Nombre de figures : 27 Nombre de tableaux: 23 Résumé La télédétection spatiale devient de plus en plus utile pour le suivi régulier de l’évolution rapide des grandes
agglomérations des pays en développement. Antananarivo, grande ville de Madagascar et aussi capital, connaît une
mutation continuelle et rapide de l’espace non urbanisé en espace urbanisé. Elle est ainsi un site adéquat pour étudier
l’apport de la télédétection et des images satellitaires dans l’étude des changements. Dans cette étude, nous
proposons une méthodologie visant à détecter les changements spatio-temporels, imputables à l’urbanisation, dans la
CUA entre 1994 et 2005. Pour cela, nous avons utilisé trois images multi bandes datant de 1994, 2000 et 2005.
L’introduction de l’année intermédiaire permet de décrire l’évolution pendant la période d’étude. La comparaison
post classification a été utilisée pour la détection des changements effectuée sur les images classifiées par la méthode
ECHO. Les résultats de cette opération ont montré une extension urbaine de 44.9 % pour la période 1994-2000 avec
une précision de 86.2 %. L’utilisation des masques temporels successifs ont amélioré considérablement la détection
Rapporteurs : Professeur Pascal RAMANANTSIZEHENA, Directeur de l’Ecole Supérieure Polytechnique d’Antananarivo Monsieur Solo LI HAN TING, Enseignant à l’Ecole Supérieure Polytechnique
d’Antananarivo
Adresse de l’auteur: Lot ITZ 17 ter Andranonahoatra Itaosy ; ANTANANARIVO 102