Occupation Du Sol IJIAS-23-188-20

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/372413317
Cartographie des unités d'occupation du sol du District d'Abidjan depuis le

cloud Google Earth Engine, sur la base des images optiques Sentinel-2 et des
algorithmes de Machine Lear...
Article in International Journal of Innovation and Applied Studies · July 2023
CITATION READS
1 1,828
6 authors, including:
Amandine Carine Njeugeut Mbiafeu Marc Youan Ta

Centre Universitaire de Recherche et d’Application en Télédétection (CURAT) University "Félix Houphouët-Boigny"
8 PUBLICATIONS 9 CITATIONS 35 PUBLICATIONS 153 CITATIONS
SEE PROFILE SEE PROFILE
Armel. K. Kouame Assoma Vincent

University "Félix Houphouët-Boigny" Centre Universitaire de Recherche et d’Application en Télédétection (CURAT)
8 PUBLICATIONS 5 CITATIONS 21 PUBLICATIONS 97 CITATIONS
SEE PROFILE SEE PROFILE
All content following this page was uploaded by Amandine Carine Njeugeut Mbiafeu on 17 July 2023.
The user has requested enhancement of the downloaded file.

International Journal of Innovation and Applied Studies
ISSN 2028-9324 Vol. 40 No. 1 Jul. 2023, pp. 310-332
© 2023 Innovative Space of Scientific Research Journals
http://www.ijias.issr-journals.org/
Cartographie des unités d’occupation du sol du District d’Abidjan depuis le cloud

Google Earth Engine, sur la base des images optiques Sentinel-2 et des algorithmes de
Machine Learning
[ Mapping of land use units in the District of Abidjan using Google Earth Engine cloud,
based on Sentinel-2 optical images and Machine Learning algorithms ]
NJEUGEUT MBIAFEU Amandine Carine2, YOUAN TA Marc1-2, KAMENAN Satti Jean-Robert3, KOUAME Kouadio Armel1,
ASSOMA Tchimou Vincent2, and JOURDA Jean Patrice1-2
1
Unité de Formation et de Recherche des Sciences de la Terre et des Ressources Minières (UFR-STRM), Université Félix
Houphouët-Boigny d’Abidjan-Cocody, Abidjan, Côte d’Ivoire
2
Centre Universitaire de Recherche Appliquée en Télédétection (CURAT), Université Félix Houphouët-Boigny d’Abidjan-
Cocody, Abidjan, Côte d’Ivoire
3
EDP-INPHB Institut National Polytechnique Houphouët Boigny, Yamoussoukro, Côte d’Ivoire
Copyright © 2023 ISSR Journals. This is an open access article distributed under the Creative Commons Attribution License,
which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
ABSTRACT: The objective of this study performed in the Abidjan District is to map land cover units using the Google Earth Engine
(GEE) platform and Machine Learning algorithms such as Random Forest (RF), Support Vector Machine (SVM), Classification
and Regression Tree (CART), Naive Bayes (NB), and Minimum Distance (MD). The data used include optical Multispectral
Sentinel 2A satellite images with a 10-meter resolution, a 12.5-meter Alos Polsar digital terrain model (DTM) resampled to a
10-meter resolution, as well as cartographic data. The implemented methodology starts with the preprocessing and
normalization of the composite image. The final composite image is created using eight spectral indices: NDVI, NDWI, MNDWI,
VARI, SBI, SAVI, GCI, RGR, along with the first three bands of Principal Component Analysis and slope information.
Subsequently, training and validation points are collected and coded based on image reflectance and ground truth data. The
different classifiers SVM, RF, CART, MD, and ND are then trained and evaluated using various metrics such as confusion matrix,
overall accuracy, producer’s accuracy, consumer’s accuracy (reliability), and Kappa coefficient. The classification performed
with the RF algorithm achieved the highest overall accuracy of 83.28%, with a Kappa coefficient of 0.78. The statistics reveal
that the Abidjan District is composed of 28.07% urban areas, 25.35% agricultural and other cultivated areas, 12.39% oil palm
plantations, 10.05% rubber plantations, 4.66% banana plantations, 2.53% forests, 3.96% mangroves, 3.80% forest plantations
(reforestation), and 9.2% water bodies in 2020. This study has led to an improved mapping of the distribution and proportions
of land cover classes in the Abidjan District.
KEYWORDS: (Machine learning, Land cover, Google Earth Engine, Sentinel 2, Alos Polsar, Abidjan, Ivory Coast.
RESUME: L’objectif de cette étude menée dans le District d’Abidjan est de cartographier les unités d’occupation du sol en
utilisant la plateforme Google Earth Engine (GEE) et des algorithmes de Machine Learning tels que la forêt aléatoire (RF), la
machine à vecteurs de support (SVM), l’arbre de classification et de régression (CART), le naïve Bayes (NB) et la distance
minimale (MD). Les données utilisées comprennent des images satellites optiques Multispectrale Sentinel 2A de 10 m de
resolution, le modèle numérique de terrain (MNT) Alos Polsar de 12.5m rééchantillonné à une résolution de 10 mètres, ainsi
que des données cartographiques. La méthodologie mise en œuvre débute par le prétraitement et la normalisation de l’image
composite. L’image composite finale est créée en utilisant huit indices spectraux: le NDVI, le NDWI, le MNDWI, le VARI, le SBI,
le SAVI, le GCI, le RGR, ainsi que les trois premières bandes de l’Analyse en Composantes Principales et des informations sur
Corresponding Author: NJEUGEUT MBIAFEU Amandine Carine 310

NJEUGEUT MBIAFEU Amandine Carine, YOUAN TA Marc, KAMENAN Satti Jean-Robert, KOUAME Kouadio Armel, ASSOMA
Tchimou Vincent, and JOURDA Jean Patrice
les pentes. Ensuite, des points d’entraînement et de validation sont collectés et codifiés selon les réflectances de l’image et les
vérités terrain. Les différents classifieurs SVM, RF, CART, MD et ND sont ensuite entraînés et évalués à l’aide de différentes
métriques telles que la matrice de confusion, la précision globale, la précision du producteur, la précision du consommateur
(fiabilité) et le coefficient de Kappa. La classification effectuée avec l’algorithme RF a obtenu la meilleure précision globale,
atteignant 83,28%, avec un coefficient de Kappa de 0,78. Les statistiques révèlent que le District d’Abidjan est composé de
28,07% d’espace urbain, 25,35% d’aménagements agricoles et autres cultures, 12,39% de plantations de palmiers à huile,
10,05% de plantations d’hévéa, 4,66% de plantations de bananes, 2,53% de forêts, 3,96% de zones marécageuses, 3,80% de
plantations forestières (reboisement) et 9,2% de plans d’eau en 2020. Cette étude a conduit à une meilleure cartographie de
la répartition et des proportions des classes d’occupation du sol du District d’Abidjan.
MOTS-CLEFS: Machine learning, Occupation du sol, Google earth engine, sentinel 2, Alos polsar, Abidjan, Côte d’Ivoire.
1 INTRODUCTION
La ville d’Abidjan a connu une évolution galopante et par endroit à la limite anarchique ces trois dernières decennies [1].
Elle se retrouve actuellement en train de faire face à de nombreux problèmes tels que les catastrophes naturelles (glissements
de terrain, inondations...) [2], [3], [4], [5], [6]. D’où l’intérêt d’avoir une carte détaillée des différents types d’occupation du sol
qui le composent en vue d’aider à la gestion de ces risques. Depuis l’avènement des capteurs à haute résolution spatiale (HRS)
et très haute résolution spatiale (THRS) dans les années 1990, les méthodes de traitement d’images, notamment la
classification, ont connu un développement croissant [7], [8], [9], [10], [11], [12], [13].
Les méthodes de classification supervisées couramment utilisées basées sur une utilisation de support bureautique local,
présentent de bons résultats mais restent limitées en termes d’exhaustivité des informations, d’automatisation et de
paramètres pour améliorer les résultats. Le prétraitement des données et l’exécution des algorithmes sur un ordinateur local
prennent beaucoup de temps en raison des limitations des ressources telles que la capacité de stockage, la vitesse de
traitement et le temps d’analyse visuelle des images. Ce constat souligne l’intérêt d’explorer d’autres techniques et plates-
formes de classification d’images. Google Earth Engine (GEE) est une plateforme de traitement d’images basée sur le cloud qui
offre un accès public à d’importantes collections de données satellitaires. Cette plateforme met à disposition des techniques
d’apprentissage automatique pour la classification supervisée et non supervisée. Elle propose également de nombreuses
fonctionnalités d’analyse d’images et permet un traitement rapide de vaste collection de données couvrant de vastes zones
[14], [15], [16], [17]. De plus, dans la zone d’étude spécifique du District d’Abidjan, les algorithmes d’apprentissage
automatique (MLA) ont été rarement utilisés pour différencier les unités d’occupation du sol à partir des données de
télédétection multispectrales via la plateforme GEE.
Cette étude vise à explorer le potentiel de Google Earth Engine dans la classification supervisée des unités d’occupation du
sol par les algorithmes de machine learning, en milieu urbain au niveau du District d’Abidjan, au Sud de la Côte d’ivoire. Elle se
fixe comme objectif général de comparer les cartes d’occupation du sol de 2020 du District d’Abidjan obtenues par
entrainement des algorithmes de machine learning SVM, CART, RF, MD et NB depuis le cloud GEE. De façon spécifique, il s’agit
d’exploiter les potentialités de la combinaison d’images optiques multispectrales Sentinel 2A et le MNT de haute résolution
ALOS pour cartographier les unités d’occupation du sol à partir des AML SVM, CART, RF, MD et NB en 2020 et de sélectionner
la meilleure classification en analysant les paramètres de validation et les statistiques des classes d’occupations du sols
obtenues.
2 PRESENTATION DE LA ZONE D’ETUDE
Le District d’Abidjan, qui est l’objet de cette étude, est situé dans la partie méridionale de la Côte d’Ivoire, entre les latitudes
5°13’ et 5°37’ Nord et les longitudes 3°43’ et 4°25’ Ouest (Figure 1). Il a une superficie de 2137.43km2 et est bordé au sud par
l’océan Atlantique, au sud-ouest par le département de Dabou, au sud-est par le département de Grand-Bassam, au nord par
le département d’Agboville, à l’ouest par le département de Grand-Lahou, et à l’est par le département d’Alépé.
Le District d’Abidjan est marqué par un climat chaud et humide. Il est caractérisé par un régime climatique de type
équatorial de transition, connu sous le nom de climat Attiéen, selon une classification basée sur la durée des saisons, le déficit
hydrique et des facteurs pédologiques à l’échelle de la Côte d’Ivoire [18].
En ce qui concerne la végétation du District d’Abidjan, elle se situe dans la région du domaine guinéen et se compose de
deux secteurs distincts, à savoir le secteur ombrophile et le secteur littoral. On y trouve différents types de végétations,
notamment les forêts sempervirentes denses et humides au nord, les forêts défrichées ombrophiles, les savanes littorales (pré-
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 311

Cartographie des unités d’occupation du sol du District d’Abidjan depuis le cloud Google Earth Engine, sur la base des images
optiques Sentinel-2 et des algorithmes de Machine Learning
lagunaires) ainsi que les forêts marécageuses et les mangroves [19]. La diversité végétale présente dans cette région est
illustrée dans la Figure 2.
Fig. 1. Localisation de la zone d’étude
Fig. 2. Végétation du District d’Abidjan, (MCLAU, 2015)
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 312

3 MATERIELS ET METHODES
3.1 DONNEES ET MATERIEL
La cartographie des unités d’occupation du sol à partir de Google Earth Engine exploite les données d’imagerie optique
provenant du capteur MSI de Sentinel-2. Les images de Sentinel-2 enregistrées pendant la période sèche et sans nuages ont
un niveau radiométrique acceptable, ce qui permet une bonne identification des unités d’occupation du sol. Dans cette étude,
GEE a été utilisé pour obtenir des données archivées de réflectance du sommet de l’atmosphère provenant de Sentinel-2
(ImageCollection ID: COPERNICUS/S2) offrant la meilleure qualité et un niveau de couverture nuageuse le plus bas possible (0
%). Pour une analyse optimale de la fenêtre temporelle, et la selection des images de bonne qualité, la période d’acquisition a
été fixé du 01 janvier au 31 Marc 2020. Quatre (04) scènes couvrant la zone ont été sélectionnées. Seules les sept bandes
multispectrales (bleu, vert, rouge, proche infrarouge [NIR1 et NIR2], moyen infrarouge [MIR1 et MIR2] rééchantillonnées à 10
mètres) ont été utilisées (Tableau 1).
Tableau 1. Caractéristiques des bandes Multi-Spectrales de (MSI) du satellites Sentinel-2 utilisées
Scènes de sentinel-2 Canal Résolution spatiale Bande spectrale

Bleu 10 m 0.46 − 0.52 µm
Vert 10 m 0.54 − 0.58 µm
T30NUL du 05/01/2020 Rouge 10 m 0.65 − 0.68 µm
T30NUM du 05/01/2020
Proche infra-rouge (PIR1) 10 m 0.78 − 0.90 µm
T30NVL du 05/01/2020
T30NVM du 05/01/2020 Proche infra-rouge (PIR2) 20 m 0.85 − 0.87 µm
Moyen infra-rouge 1 (MIR1) 20 m 1.57 − 1.66 µm
Moyen infra-rouge 2 (MIR2) 20 m 2.10 − 2.28 µm
Le modèle numérique de terrain (DEM) PALSAR du satellite ALOS-1, avec une résolution élevée de 12,5 mètres, a été
également utilisé pour extraire le relief et générer des produits dérivés tels que les pentes de la zone d’étude. Ces données
d’archive sont disponibles au format Geotiff sur le site de l’Alaska Satellite Facility (ASF).
Les données administratives provenant de la base de données numérique géospatiale de la Côte d’Ivoire, réalisée en 2019
par le BNETD/CIGN, ont également servi pour extraire les contours du District d’Abidjan sur l’ensemble des données.
La cartographie des unités d’occupation du sol a été réalisée à l’aide du langage de programmation JAVA en utilisant le
Code Editeur de Google Earth Engine et ses bibliothèques web cartographiques.
3.2 METHODES
La méthodologie utilisée pour cartographier les unités d’occupation du sol (OCS) se décline en cinq étapes essentielles. Tout
d’abord, les images Sentinel-2 de l’année 2022 ont été prétraitées. Ensuite, les données d’entrée ont été préparées,
notamment en effectuant une mission de collecte d’échantillons d’entraînement et de validation. Puis la classification
supervisée des images Sentinel-2 à l’aide d’algorithmes d’apprentissage automatique (machine learning). Après la
classification, une évaluation est réalisée pour déterminer la meilleure classification obtenue. Différents critères tels que la
précision et l’exactitude sont pris en compte pour sélectionner la classification la plus fiable et représentative. Enfin, une
analyse statistique de la carte d’occupation du sol est effectuée, permettant de tirer des conclusions et des informations
pertinentes sur les différentes catégories d’occupation du sol. La figure 3 correspondante illustre cette méthodologie.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 313

Fig. 3. Processus de classification des images multispectrales Sentine-2A par les algorithmes de Machine CART, RF, MD, NB et SVM
Learning depuis GEE
3.2.1 PRETRAITEMENT DES IMAGES
Les traitements préliminaires des images satellitaires, ont pour but de corriger certaines variations de la distribution des
données causées par le décalage temporel dans l’acquisition des images. Cette variation s’explique en grande partie par les
facteurs comme l’angle d’élévation du soleil, la distance terre-soleil, les conditions atmosphériques, la calibration des capteurs
et la géométrie de visée qui affectent les valeurs numériques des pixels.
Le traitement préliminaire appliqué sur les images sentinel-2 a été essentiellement composé de filtres. Pour réduire l’étape
de collecte d’images, un processus de filtrage est nécessaire. Dans ce travail, nous avons posé des conditions pour filtrer la
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 314

collection d’images à utiliser à l’aide de cinq variables: l’emplacement couvert, le type de produit, l’intervalle de temps, le
pourcentage de nuage et la longueur d’onde des bandes.
• La condition sur l’emplacement des images a été imposée par la limite administrative du District d’Abidjan, l’objet
de cette étude, que nous avons importée dans l’environnement GEE à partir de l’outil « Table Upload » du module
Asset. Ensuite l’extraction des portions couvertes par la limite de la zone, sur la collection obtenue a été réalisée
grâce à la commande clip ()
• La condition sur le type de produit s’est faite par la sélection des images Sentinel-2 de reflectance de surface (BOA).
Nous avons utilisé des images de niveau 2A, qui sont déjà corrigées atmosphériquement. Dans l’environnement
de l’éditeur de code GEE, les images Sentinel-2 de niveau 2A ont été importées en tant que collection d’images
(c’est-à-dire un ensemble d’images du moteur Google Earth) grâce à la commande ee.ImageCollection
(COPERNICUS/S2_SR)
• La condition sur la période a été fixée, allant du 01 janvier au 31 Mars 2020 dans GEE grâce à la commande
filterDate (start, end)
• La condition sur la couverture nuageuse a été faite en imposant une valeur seuil de couverture nuageuse égale à
zéro, pour s’assurer d’avoir des données disponibles sur l’ensemble de la zone. Nous avons utilisé la valeur du
pourcentage de pixels nuageux, stockée sous forme de métadonnées pour chaque image, pour sélectionner et
extraire uniquement les images avec une couverture nuageuse égale à 0% dans la zone d’étude, grâce à la
commande filterMetadata (‘CLOUD_COVERAGE_ASSESSMENT’)
• Enfin la condition sur les bandes à utiliser, s’est faite en tenant compte de la résolution spectrale (longueur d’onde)
et la résolution spatiale (valeur du plus petit pixel au sol) de nos différentes bandes. Nous avons appliqué un filtre
sur les bandes pour extraire uniquement les bandes du multispectral, rééchantillonnées à une résolution spatiale
de 10m (B2, B3, B4, B8, B11, B12], jugées largement suffisantes pour l’identification des unités d’occupation du
sol de la zone d’étude, grâce à la commande select (bande)
Ces images prétraitées depuis Google earth engine sont ensuite utilisées pour cartographier l’occupation du sol par les
algorithmes de machine Learning (AML)
3.2.2 PREPARATION DES DONNEES D’ENTREES POUR LA CLASSIFICATION PAR LES ALGORITHMES DE MACHINES LEARNING
3.2.2.1 EXTRACTION DES VARIABLES D’ENTREES
Différents paramètres qui mettent mieux en évidence certaines informations ont été extraits de nos images. Il s’agit de
l’analyse en composante principale (ACP), des indices spectraux, et des produits dérivés du MNT. Les compositions colorées
avec les bandes brutes (ETM4-5-3) et les néocanaux de l’analyse en composantes principales (ACP1-2-3) réalisées en
complément des indices ont permis de:
• caractériser les différents types de végétation par rapport à l’intensité de leur activité photosynthétique, leur
recouvrement au sol et leur humidité ou niveau de stress hydrique pendant la saison sèche. Il a été ainsi possible
de discriminer les forêts et les zones agricoles
• discriminer les différents types d’occupation du sol;
• sélectionner les sites à visiter et orienter sur le terrain;
• choisir des parcelles d’entraînement pour la classification dirigée;
• et choisir les parcelles de validation pour l’élaboration de la matrice de confusion
3.2.2.1.1 L’ANALYSE EN COMPOSANTES PRINCIPALES (ACP)
En appliquant l’analyse en composantes principales (ACP), l’information contenue dans les différentes bandes va être
réduite, en un nombre plus restreint de composantes. La composition colorée des trois premières composantes de l’ACP a
permis d’augmenter le contraste entre les différentes unités d’occupation sol.
Seule les trois premières bandes (pc1, pc2, pc3) qui regroupent le maximum d’informations ont été retenues.
3.2.2.1.2 INDICES SPECTRAUX
Pour différencier les différents types d’unités d’occupation du sol, les indices spectraux appropriés ont été calculés. Les
principaux indices utilisés dans la présente étude sont donnés ci-dessous:
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 315

• NDVI= (PIR-R) /PIR+R) Rouse et al. (1974);

• GCI = image1.expression (‘float (((NIR) / (GREEN)) - 1) ’);
• RGR = image.expression (‘float ((RED) / (GREEN)) ’;
• Indice normalisé de différence des eaux (NDWI): NDWI = (NIR - SWIR) / (NIR + SWIR);
• Indice de brillance du sol (SBI): SBI = 0.4328 (Green) + 0.6490 (Red) + 0.4607 (NIR);
• Indice de végétation ajusté au sol (SAVI): SAVI = ((NIR – Red) / (NIR + Red + L)) x (1 + L);
• Indice visible de résistance atmosphérique (VARI): VARI = (Green – Red) / (Green + Red – Blue);
• Indice d’eau de différence normalisée modifiée (MNDWI): MNDWI = (Green – SWIR) / (Green + SWIR);
• Indice de Brillance (IB): IB = A=√NIR2 +Red2;
• Indice d’humidité de différence normalisée (NBRI): NBRI = (NIR – SWIR1) / (NIR + SWIR1)
3.2.2.1.3 PRODUITS DERIVES DU MNT
La distribution des unités d’occupation du sol est fortement influencée par la topographie. Le relief est aussi un facteur
important puisque certaines cultures sont disposées en fonction de l’altitude. Afin de prendre en compte le relief, nous avons
ainsi utilisé le MNT du satellite PolsarPro de 12.5m de résolution spatiale rééchantillonnée à 10m, ainsi que les pentes dérivées
de ce MNT.
La figure 4 présente les images issues des différentes opérations de calcul d’indices et transformation d’images ayant servi
à l’identification des classes d’entité d’occupation du sol du District d’Abidjan.
Fig. 4. Aperçu des paramètres d’entrées du classsifieur, générés à partir des images multispectrales Sentinel-2 A depuis GEE,
caractérisant l’état de surface du District d’Abidjan
3.2.2.2 NORMALISATION DES BANDES
Pour l’apprentissage automatique, il est recommandé de normaliser ou de standardiser les caractéristiques des bandes. Ce
principe consiste à mettre à l’échelle les caractéristiques dans la même tranche de valeur. La normalisation des bandes fait
référence à un processus visant à harmoniser les valeurs des différentes bandes d’une image, généralement dans le domaine
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 316

de la télédétection ou de l’imagerie satellitaire. L’objectif est de réduire les variations de luminosité et de contraste entre les
bandes, afin de faciliter l’analyse et l’extraction d’informations. Cela permet d’obtenir une représentation plus cohérente et
équilibrée des informations contenues dans chaque bande, facilitant ainsi les analyses ultérieures telles que la classification, la
détection des changements, ou l’extraction de caractéristiques.
Une fonction de normalisation qui consiste à diviser toutes les bandes par la valeur de la bande max a été implémentée
dans GEE, et appliquée à l’image composite grâce à la syntaxe:
normalized = image.subtract (mins).divide (maxs.subtract (mins)).
3.2.3 DISCRIMINATION, VERIFICATION TERRAIN ET NOMENCLATURE DES CLASSES D’OCCUPATION DU SOL
La composition colorée (MIR1-PIR-MIR2) retenue, associée aux indices, aux photos de terrain et aux prises de vue aérienne
de 2020, qui ont fait l’objet d’une observation directe, nous ont permis de catégoriser et nommer les différentes classes
d’occupation du sol dans District d’Abidjan.
En superposant, dans l’interface de QGIS Desktop, les différentes couches MSI (11,8,12) et les prises de vues aériennes de
très haute résolution, 296 points de control ont été collectés manuellement au total et étiquetés par interprétation visuelle.
L’identité de ces différents points sera ensuite justifiée par une connaissance approfondie de la zone et les vérités terrains
(enquêtes in situ).
La collecte des données de terrain pour la validation s’est faite du 26 février au 02 Mars 2022 et a porté sur 4 sites principaux
présentant des échantillons représentatifs de l’ensemble de la zone d’étude (Figure 5).
Site1
Site4
Site2
Site3
Fig. 5. Sites d’échantillonnage pour les points de contrôle (vérité terrain)
La visite a consisté à:
• localiser et identifier les points à vérifier (unités d’occupation du sol) à l’aide d’une application de collecte de
données mobiles développées à partir de kobotoolbox;
• faire une description de l’unité d’occupation du sol (catégorie, type) visité, conformément aux questionnaires du
formulaire;
• densifier les échantillons par la collecte de nouveaux échantillons;
• relever de façon automatique la position géographique, et la description exacte de l’unité d’occupation du sol
vérifié, pour mieux consolider la validation
La nomenclature des unités d’occupation du sol du district d’Abidjan s’est appuyée sur la base de données du projet national
de surveillance spatiale des terres (SST) en Côte d’Ivoire, définie parfaitement compatible au Land Cover Classification System
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 317

(LCCS) et conforme au GIEC. Le LCCS est un système de classification des couvertures terrestres utilisé pour catégoriser et
cartographier les différents types de couverture des terres, tels que les forêts, les zones urbaines, les terres agricoles et les
zones humides. Neuf (09) classes d’occupation du sol parfaitement différentiables ont été retenues pour la cartographie des
unités d’occupation du sol du District d’Abidjan. Il s’agit (1) des Forêt; (2) des Forêts marécageuses; (3) des Plantations
forestières; (4) des Formations arbustives; (5) des Hévéas; (6) des Palmiers; (7) des Aménagements agricoles et autres cultures;
(8) des Cours d’eau; et (9) des Habitats/Sols nus (Tableau 2).
Tableau 2. Nomenclature des classes d’occupation du sol dans le District d’Abidjan, conformément projet national de
surveillance spatiale des terres (SST)
Catégorie Classe Description

Forêt Forêt dense Formation naturelle de type primaire, peuplement fermé avec des arbres
et des arbustes atteignant différentes hauteurs entre 5 et 50 m
Foret marécageuse Formations forestières (couverture supérieure à 30 %) établies sur des sols
hydromorphes à proximité de cours d’eau
Plantation forestière Parcelles boisées ou régénération environnementale; hauteur des arbres
supérieure à 5 m et taux de couverture supérieure à 30 %.
Formation arbustive Formation végétale constituée d’arbustes, de moins de 5 m de haut
Cultures Hévéa Plantations d’hévéas de 30 m de haut; à feuilles caduques
Palmier Plantations d’espèces de palmiers: famille des cocotiers de 5 à 25 m de
haut, surmontées d’une large couronne de conifères.
Aménagements agricoles Superficies des autres terres avec des cultures indifférenciées et des
et autres cultures vergers divers, y compris les cultures de plaine et les jeunes jachères âgées
de 3 à 7 ans.
Eau Cours/Plan d’eau Plan d’eau et cous d’eau: Groupes de zones de dépression contenant de
l’eau sous la forme d’un réservoir et d’un flux d’eau interconnecté (lagune,
réservoir) et Réseau hydrographique linéaire interconnecté, se dirigeant
vers un plan d’eau
Urbain Habitats/sols nus Zones résultant des activités humaines, autres qu’agricoles, pour
l’urbanisation et les constructions diverses.
Terrains dépourvus de couverture végétale naturelle (herbacée, arbustive,
boisée), ne constituant pas une zone cultivée.
Une mission de validation terrain nous a permis d’attribuer à chaque unité d’occupation du sol ayant une tâche homogène
au sol de 10m (résolution spatiale de l’image sentinel2), sa réflectance spectrale sur l’image.
La superposition de l’image sentinel2 prétraitée, aux prises de vues aériennes et aux photos de terrain, nous a permis de
différencier et de valider les classes d’OCS illustrées à la figure 6.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 318

Fig. 6. Identification et Nomenclature des classes d’occupation du sol dans le District d’Abidjan
3.2.4 CODIFICATION ET REPARTITION DES POINTS D’ENTRAINEMENT ET DE VALIDATION
Pour améliorer la qualité des résultats de la classification finale, le choix des points d’entrainement et de validation est
l’une des étapes les plus délicates de tout le processus [20]. La méthode de classification utilisée est basée sur les pixels; par
conséquent, les points de control (entrainement et validation) représentent les classes auxquelles ils appartiennent, évitant
ainsi les problèmes de pixels mélangés. Le nombre total d’échantillons implique la précision attendue et l’incertitude de
l’estimation. En raison de la possibilité de biais dans nos données d’échantillon, le nombre de points d’échantillonnage a été
constamment ajusté, afin de réduire autant que possible les erreurs de classification.
Afin d’implémenter nos points de contrôle dans l’environnement GEE, nous avons procédé ensuite à une codification des
étiquettes des différentes classes à 2 caractères (Tableau 3).
Tableau 3. Échantillon de données sélectionné dans cette étude
Occupation du sol Codification Échantillons

Forêt Fo 17
Foret marécageuse FM 29
Plantation forestière PF 40
Formation arbustive FA 29
Hévéa He 49
Palmier Pa 35
Aménagements agricoles et autres cultures AG 45
Eau Ea 23
Urbain Ur 29
Les pseudocodes sont créés en attribuant un code de type numérique à la classe correspondante qui prend la valeur texte.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 319

Avec les algorithmes d’apprentissage, les 296 échantillons collectés sont divisés en ensemble de données d’entrainement
et en ensemble de données de validation. Cela facilite l’utilisation des données d’échantillon aussi efficacement que possible
en l’absence de données de validation indépendantes.
Afin de diviser les données en deux ensembles, la fonction randomColumn de GEE a été utilisée pour générer un nombre
aléatoire dans tous les points d’échantillonnage, les valeurs aléatoires étant comprises entre (0~1). Par conséquent, toutes les
données de l’échantillon génèrent une valeur aléatoire supplémentaire:
• 70% des échantillons sont retenus comme l’ensemble d’entrainement grâce à la commande ee.Filter.lt (‘random’,
0.7)
• et le reste de valeurs des échantillons 30% sont pris comme l’ensemble de validation grâce à la commande
ee.Filter.gte (‘random’, 0.7)
Enfin, l’ensemble d’entraînement a été utilisé pour l’entraînement, et l’ensemble de validation a été utilisé pour valider la
performance des différents algorithmes.
3.2.5 CLASSIFICATION DES UNITES D’OCCUPATION DU SOL PAR LES ALGORITHMES MACHINE LEARNING
L’étape de classification proprement dite consiste à exécuter le scripts Java de classification des données d’entrée par les
algorithmes de ML dans l’éditeur de code de GEE et la validation de la classification. Le code java développé est organisé selon
une hiérarchie à respecter:
• le jeu de données à utiliser générer précédemment à l’étape du choix de la meilleure image d’entrée. L’image
composite (PC1, PC2, PC3, B2, B3, B4, B8, B11, B12, NDVI, NDWI, MNDWI, VARI, SBI, SAVI, GCI, RGR, Pente) est
implémentée dans le script comme données d’entrée classifieur;
• la collection de caractéristiques contenant toutes les données d’entraînement étiquetées avec des codes
correspondant aux classes d’occupation du sol. Les points de contrôle d’entrainement et de validation sont ensuite
introduits dans le script. Pour la formation du modèle, des échantillons au format «.shp » ont été créés pour les 9
classes. Les 70% de ces échantillons ont été utilisés pour entrainer les classifieurs et 30% ont servi pour la
validation. Lors du processus d’entrainement, la colonne contenant les codes numériques sont indiqués à
l’algorithme comme les classes référentielles d’arbres aléatoires;
• le paramétrage des différents algorithmes de classification;
• la légende implémentée avec les codes couleurs propre à chaque classe, pour une meilleure visualisation des
résultats;
• l’application de la légende du LCCS permet à tous ceux qui veulent utiliser la carte de comprendre les éléments de
la légende et leurs définitions en consultant le guide LCCS [21]. Google Earth engine a permis d’implémenter la
légende de toutes les classes à cartographier. Les critères de sémiologie sont définis de telle sorte que toutes les
classes soient clairement visible et interprétable
• les statistiques et graphes pour l’évaluation quantitative et qualitative des différentes classifications ont été
générées: matrice de confusion, PG, Kappa, PU, PP, superficie,
• le modèle est ensuite sauvegardé pour la deuxième phase du processus de l’algorithme
Après avoir exécuté le script de classification, l’image est rapidement classifiée par une définition préliminaire des différents
classificateurs (RF, SVM, CART, MD, NB). Un processus de validation est ensuite appliqué aux différentes cartes obtenues.
3.2.6 CHOIX DE LA MEILLEURE CLASSIFICATION
Le choix de la meilleure classification s’est fait en comparant les valeurs des paramètres d’estimation de la précision
obtenues pour chaque classification et par l’analyse de la séparabilité des classes.
3.2.6.1 ÉVALUATION DE LA CLASSIFICATION
Différentes métriques nous ont permis de mieux juger de la qualité de nos prédictions de classification: Matrice de
confusion, Précision globale, Précision du producteur, Précision du consommateur (fiabilité) et le Coefficient de Kappa).
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 320

• Matrice de confusion
La matrice de confusion de la classification offre une mesure quantitative de la qualité de l’échantillonnage et la séparabilité
des classes. Cette évaluation de la qualité du résultat est utile pour comprendre l’origine des confusions et ajuster les efforts
de photo-interprétation.
Pour chaque algorithme de classification effectué, la matrice de confusion a été réalisée depuis GEE grâce à l’algoritme
ee.Classifier.confusionMatrix ().
• Précision du producteur (PP)
La Précision du producteur (producer’s accuracy) est la probabilité pour un pixel de la classe Ck sur le terrain d’être bien
classé en Ck sur la carte, dans quelle mesure la classification a prédit chaque classe. La fonction confusionMatrix
().producersAccuracy (), nous a permis de déterminée la PP des différentes classifications;
• Précision de l’utilisateur (PU)
Précision de l’utilisateur (user’s accuracy) est la probabilité pour un pixel classé en Ck sur la carte d’appartenir à Ck sur le
terrain. L’algorithme confusionMatrix ().consumersAccuracy (), nous a permis de déterminée la PU des différentes
classifications;
• Précision globale (PG)
La PG est le pourcentage total de classification, donné par le rapport entre le nombre d’unités correctement classées et
leur nombre total [22]. La PG a été générée automatiquement depuis GEE grâce à l’algorithme confusionMatrix ().accuracy ();
• Coefficient Kappa
Le coefficient kappa, permet d’évaluer globalement:

• la fiabilité des résultats de la classification par rapport aux données de référence;
• et la performance de la classification par rapport à l’assignation aléatoire
L’algorithme confusion Matrix ().kappa (), nous a permis de déterminée le coéfficient Kappa des différentes classifications;
3.2.6.2 SEPARABILITE DES ALGORITHMES
La séparabilité des classes se caractérise soit par des confusions ou des différenciations des éléments de classes différentes.
Afin de montrer plus spécifiquement les différences de classification des algorithmes SVM, RF, CART, MD et NB, dans
différentes régions et classes, trois sous-régions de 5 × 5 km (a, b, et c) ont été sélectionnées au hasard à partir des résultats
de classification des trois meilleurs algorithmes afin d’examiner les erreurs de classification des pixels des différentes unités
d’occupation du sol obtenus.
Parallèlement, afin de valider l’exactitude des cinq algorithmes dans l’identification des pixels, les classes d’occupation du
sol obtenues sont comparées aux fonds de cartes libres de très haute résolution (Google Map).
Grâce à l’analyse visuelles des erreurs de classification des trois sous-régions différentes, nous pourrons déterminer quel
algorithme distingue au mieux les pixels des différentes classes.
4 RESULTATS ET DISCUSSION
4.1 RESULTATS
4.1.1 PRETRAITEMENT DE L’IMAGE COMPOSITE
La Figure 7 présente le résultat du prétraitement de l’image composite Sentinel-2A, pour la classification de l’OCS à partir
de GEE. Les intervalles de valeurs des bandes résultantes normalisés sont dans la même frange et la résolution de toutes les
bandes est de 10m.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 321

Fig. 7. Visualisation sur GEE du composite normalisé Mosaic Sentinel-2A (a) et le composite Mosaic Sentinel-2A (b) en composition
colorée fausse couleur (SWIR1, NIR, R)
4.2 IMPORTANCE DES BANDES
La Figure 8 présente l’apport de chaque bande dans la classification supervisée des unités d’occupation du sol par les
algorithmes de Machine Learning (Exemple du RF).
Cette figure met en évidence l’apport de chaque indice dans la cartographie des unités d’occupation du sol par les AML, en
particulier les bandes du multispectral, les produits dérivés du MNT et les indices spectraux: B + G + R +NIR + SWIR1 + SWIR2 +
NDVI + NDWI +SBI + SAVI, VARI + GCI + RGR + ACP1 + ACP2 + ACP3 + pente + relief.
Fig. 8. Importance des bandes dans la classification par l’AML SVM depuis GEE
4.2.1 CLASSIFICATION SUPERVISEE DE L’OCCUPATION DU SOL DU DISTRICT D’ABIDJAN PAR LES AML SVM RF, CART, MD ET NB
Les résultats cartographiques montrent que neuf (09) classes d’unités d’occupation du sol, Forêt (F), Plantations Forestières
ou reboisement (PF), Foret Marécageuse (FM), Bananeraie (B), Hévéa (H), Palmier à huile (PH), Aménagements Agricoles et
autres cultures (AA), Eau (E), et Milieu Urbain (MU) sont représentées dans des proportions différentes dans le District
d’Abidjan en fonction de l’algorithme choisie (Figure 9).
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 322

65000 MD SVM CART NB RF

60000
Superficie en (ha)
55000
50000
45000
40000
35000
30000
25000
20000
15000
10000
5000
Classes0
Fig. 9. Répartition des superficies de classe d’occupation du sol en 2020 dans le District d’Abidjan en fonction des algorithmes SVM,
RF, CART, MD et NB
L’analyse visuelle des cartes produites à partir des images Sentinel-2 et de la classification par les algorithmes de machine
learning RF, CART, SVM, MD et NB nous renseigne sur la répartition spatiale des catégories d’occupation du sol dans le District
d’Abidjan en 2020.
Les cartes ci-après (Figure 10), illustrent les résultats issus de la classification supervisée par les algorithmes SVM, RF, CART,
MD et NB des images Sentinel 2A en 2020, dans le District d’Abidjan.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 323

Fig. 10. Carte d’occupation du sol du District d’Abidjan de 2020, par les algorithmes de Machine Learning SVM, CART, RF MD
Les Aménagements Agricoles et autres cultures sont dominantes dans le District d’Abidjan en exploitant les AML RF et CART
avec des proportions respectivement égales 28.6% et 28.8%. Quant aux Milieu Urbain (MU), elles dominent dans la zone
d’étude en exploitant les algorithmes MD, SVM et NB avec des proportions respectivement égales 20.1%, 26.2%, 21.7%. Ses
proportions avoisines les proportions de la classe Milieu Urbain obtenues par les AML RF et CART respectivement égales à 24.8
% et 23.0% (Tableau 4).
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 324

Tableau 4. Statistiques des classes d’occupation du sol du District d’Abidjan en 2020, obtenus par les AML CART, RF, SVM, MD et
NB
Superficie en ha Proportion en %
Classe MD SVM CART NB RF MD SVM CART NB RF
FORET 9927.4 7213.4 4018.3 10228.9 5400.1 4.6 3.4 1.9 4.8 2.5
FORET MARECAGEUSE 4538.1 11958.8 8156.2 8039.7 8464.2 2.1 5.6 3.8 3.8 4.0
PLANTATIONS FORESTIERES 23614.7 20305.2 17412.0 15869.1 8130.5 11.0 9.5 8.1 7.4 3.8
HEVEA 19379.9 36708.1 13278.5 16776.3 21487.4 9.1 17.2 6.2 7.8 10.0
PALMIER À HUILE 33630.1 19045.3 27939.9 35102.9 26510.3 15.7 8.9 13.1 16.4 12.4
BANANERAIE 18609.4 12007.7 12620.0 23439.3 9947.6 8.7 5.6 5.9 11.0 4.7
AMENAGEMENTAGRICOLES 42288.5 31136.4 61670.2 39228.1 61207.2 19.8 14.6 28.8 18.3 28.6
EAU 18844.7 19385.3 19570.2 18718.7 19672.7 8.8 9.1 9.2 8.8 9.2
MILIEU URBAIN 43021.3 56093.9 49188.9 46451.1 53034.1 20.1 26.2 23.0 21.7 24.8
TOTAL 213854 213854 213854 213854 213854 100 100 100 100 100
• AML RF
Les estimations obtenues à partir de l’algorithme RF indiquent que le District d’Abidjan est dominé par la la classe
Aménagement agricole qui représente 28.6% (61207.2 ha) de sa superficie totale. Il renferme 2.5% (5400.1ha) de Foret, 3.8%
(8130.5 ha) de Plantations Forestières ou reboisement; 4% (8464.2 ha) de Foret Marécageuse, 4.7% (9947.6 ha) de Bananeraie,
10% (21487.4 ha) d’Hévéa, 12.4% (26510.3 ha) de Palmier à huile, 9.2% (19672.7 ha) d’Eau; et 24.8 (53034.1 ha) de Milieu
Urbain.
• AML CART
Les estimations obtenues à partir de l’algorithme CART indiquent que District d’Abidjan renferme plus de 28.8% soit
61670.2 ha d’Aménagement agricole. 1.9% (4018.3 ha) de Foret, 3.8% (17412.0 ha) de Plantations Forestières ou reboisement;
4.0% (8156.2 ha) de Foret Marécageuse, 5.9% (12620.0 ha) de Bananeraie, 6.2% (13278.5 ha) d’Hévéa, 13.1% (27939.9 ha) de
Palmier à huile, 9.2% (19570.2 ha) d’Eau; et 23.0 (49188.9ha) de Milieu Urbain. La classe dominante est la classe Aménagement
agricole.
• AML SVM
Les estimations obtenues à partir de l’algorithme SVM indiquent que District d’Abidjan est dominé par le Milieu Urbain soit
26.2% (56093.9 ha) de sa superficie totale. On observe également 3.4% (7213.4ha) de Foret, 9.5% (20305.2 ha) de Plantations
Forestières ou reboisement; 5.6% (11958.8 ha) de Foret Marécageuse, 5.6% (12007.7ha) de Bananeraie, 17.2% (36708.1ha)
d’Hévéa, 8.9% (19045.3 ha) de Palmier à huile, 9.1% (19385.3 ha) d’Eau; et 14.6% (31136.4 ha) d’Aménagement agricole.
• AML MD
Comme pour l’AML SVM, les estimations obtenues à partir de l’algorithme MD indiquent que District d’Abidjan est dominé
par le Milieu Urbain soit 20.1% (56093.9 ha) de sa superficie totale. Il de renferme 4.6% (9927.4 ha) de Foret, 11% (23614.7ha)
de Plantations Forestières ou reboisement; 2.1% (4538.1 ha) de Foret Marécageuse, 8.7% (18609.4 ha) de Bananeraie, 9.1%
(19379.9 ha) d’Hévéa, 15.7% (33630.1 ha) de Palmier à huile, 8.8% (18844.7 ha) d’Eau; et 19.8% (42288.5 ha) d’Aménagement
agricole.
• AML NB
Les estimations obtenues à partir de l’algorithme NB indiquent que District d’Abidjan renferme plus de 18.3% soit 39228.1
ha d’Aménagement agricole. 4.8% (10228.9 ha) de Foret, 7.4% (15869.1 ha) de Plantations Forestières ou reboisement; 3.8%
(8039.7ha) de Foret Marécageuse, 11% (23439.3 ha) de Bananeraie, 7.8% (16776.3 ha) d’Hévéa, 16.4% (35102.9 ha) de Palmier
à huile, 8.8% (18718.7 ha) d’Eau; et 21.7 (46451.1 ha) de Milieu Urbain qui est la classe dominante.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 325

4.2.2 CHOIX DE LA MEILLEURE CLASSIFICATION
Le choix de la meilleure classification s’est fait en comparant les valeurs des paramètres d’estimation de la précision
obtenues pour chaque classification et par l’analyse de la séparabilité des classes.
4.2.2.1 VALIDATION DES CLASSIFICATIONS
Les résultats de la classification ont été soumis à une évaluation par l’analyse de la précision du producteur, la précision de
l’utilisateur, la précision globale, le coefficient Kappa et la séparabilité des classes.
• Precision du producteur et de l’utilisateur
Les résultats de la classification ont été soumis à une évaluation de la précision après classification. La précision de
l’utilisateur et du producteur de la classification par les algorithmes SVM, RF, CART, MD et NB ont été générées (Tableau 5).
Tableau 5. Évaluation de la précision de classification des unités d’occupation du sol de 2020 par les algorithmes de machine
learning SVM RF, CART, MD et NB
MD NB RF SVM CART
Classes
PP PU PP PU PP PU PP PU PP PU
F 89% 44% 78% 50% 70% 78% 100% 80% 83% 63%
PF 20% 9% 20% 11% 63% 100% 88% 88% 71% 63%
FM 30% 100% 20% 40% 78% 64% 64% 88% 86% 100%
B 79% 69% 36% 71% 78% 90% 83% 83% 87% 100%
H 30% 100% 50% 83% 63% 83% 86% 75% 83% 63%
PH 14% 17% 50% 28% 86% 63% 100% 92% 50% 50%
AA 38% 27% 38% 33% 71% 71% 67% 71% 45% 63%
E 100% 100% 92% 100% 100% 100% 93% 100% 100% 100%
MU 90% 96% 90% 100% 100% 94% 97% 95% 97% 92%
Un examen attentif du tableau XXII a révélé quelques confusions entre certaines classes:
• Les classes Eau et Milieu urbain, sont parfaitement classifiées avec l’utilisation des 5 algorithmes SVM, RF, CART,
MD et NB (Précision >81%);
• Les classes correspondant à la végétation sont mieux classifiées par les classifieurs SVM, RF et CART. Par contre, il
existe des confusions entre les classes de végétation pour les algorithmes MD et NB. On observe des erreurs
d’omission les plus élevées allant respectivement de 31% à 91% et 50% à 72% pour MD et MB, soit une précision
de l’utilisateur qui va de 69% à 9% et 50% à 28%. Également des erreurs de commission les plus élevées allant
respectivement de 86% à 62% et 50% à 89% pour MD et MB, soit une précision du producteur qui va de 14% à
38% et 50% à 11%
Malgré une différence légère entre la précision du producteur et de l’utilisateur (Figure 11), les pixels ont été bien classifiés
pour chacune des classes définies par les algorithmes CART, SVM et RF (valeur >60%), et moyennement précises pour les
algorithmes MD et NB.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 326

Fig. 11. Precision des producteurs vs Precision de l’utilisateur de la classification supervisée des unités d’occupation du sol du District
d’Abidjan de 2020 à partir des images Sentinel 2A par les algorithmes de machine Learning SVM RF CART MD et NB
• Precision globale et Kappa
Le Tableau 6 présente la précision globale de la classification par les algorithmes de machine Learning RF, CART, SVM, MD,
NB, qui correspond au total de pixels bien classifiés par rapport au total de pixels dans la matrice d’erreur.
Tableau 6. Évaluation de la précision de classification des différents algorithmes par la Précision globale et le coefficient Kappa
Algorithme Kappa Précision globale %

RF 0.94 95.54
SVM 0.91 94.10
CART 0.88 86.25
MD 0.68 72.60
NB 0.66 71.00
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 327

4.2.2.2 SEPARABILITE DES ALGORITHMES
La superposition des cartes d’occupation du sol obtenues à partir des 3 meilleurs algorithmes SVM, CART, et RF avec
d’autres sources externes de spatio-carte de haute résolution reflétant la réalité terrain nous a permis de mieux apprécier nos
résultats de classification (Figure 12).
On observe une meilleure concordance d’informations avec les résultats du classifieur RF.
La carte d’occupation du sol qui reflète le mieux la réalité terrain est la carte d’occupation qui résulte de la classification à
partir de l’AML RF.
Fig. 12. Séparabilité des classes d’OCS obtenues à partir des algorithmes de AML SVM, RF, CART et Spatio-images
4.3 DISCUSSION
Les images générées par le capteur MSI de Sentinel-2, à différents niveaux de traitement, ont prouvé leur efficacité dans
plusieurs études de classification supervisée de l’occupation du sol [23], [24], [25], [26], [27], [28], [29], [30], [31], [32], [33],
[34], [35].
La méthode la plus adaptée pour classifier les unités d’occupation du sol de la zone d’étude consiste à utiliser une
classification supervisée basée sur des zones d’entraînement déterminées par la photo-interprétation et une mission de
terrain, car cela permet une proximité avec le terrain et la possibilité de travailler avec des personnes ayant une grande
connaissance de la zone étudiée [24], [36], [37], [38], [39], [40], [41], [42], [43], [44], [45], [46].
Bien que l’ensemble des classes reprenne la quasi-totalité des types d’occupation du sol de la zone, nous avons choisi
délibérément de limiter le nombre de classes à neuf (09) selon leur proximité spectrale, une approche qui a été prouvée efficace
par plusieurs auteurs, afin d’éviter une complexité excessive de la carte [28], [34], [36], [41], [44].
Au niveau de la méthodologie utilisée pour classifier les unités d’occupation du sol dans le District d’Abidjan, le choix s’est
porté sur l’utilisation des algorithmes de machine learning et du cloud computing grâce à la technologie de Google Earth
Engine. Cela permet de réaliser des traitements à petite et grande échelle d’étude, tout en économisant du temps et de l’espace
de stockage. Les différentes étapes de la méthodologie incluent l’acquisition des mosaïques de données, le prétraitement des
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 328

données, l’entraînement du modèle, le post-traitement des classifications et l’export sous différents formats (shapefile, raster
ou web. En utilisant les algorithmes de machine learning couplés à la plateforme de cloud computing Google Earth, [15] ont pu
caractériser les changements de la couverture terrestre et de la dynamique forestière au Togo sur une période allant de 1985
à 2020, en se basant sur des images Landsat. De même, à grande échelle, [47] ont réussi à classifier avec précision cinq grands
types de cultures mondiales et à définir leurs stades de croissance en utilisant les bandes étroites hyperspectrales optimales
de Earth Observing-1 Hyperion sur la plateforme Google Earth Engine. Ces exemples démontrent la pertinence de cette
technique dans le processus de cartographie des unités d’occupation du sol en milieu urbain, notamment dans le District
d’Abidjan qui présente un environnement complexe et hétérogène.
L’ajout des indices spectraux à l’image composite constituée des bandes multispectrales de Sentinel-2 en tant que données
d’entrée a considérablement réduit les erreurs de prédiction et amélioré les performances du modèle de Machine Learning.
En se limitant à l’utilisation des bandes du multispectral rééchantillonnées à 10m, la précision globale atteignait 84,85%.
Toutefois, l’ajout des indices spectraux et l’analyse en composantes principales (ACP) a permis une légère amélioration de la
précision, la faisant passer à 93,2%. Enfin, en incluant également la pente, la précision a encore augmenté pour atteindre
94,30%. Cette approche a permis de conclure que l’utilisation du MNT est approprié pour discriminer les classes de végétation
des autres classes d’occupation du sol ayant des caractéristiques spectrales similaires dans une classification. [48] ont utilisé
une approche similaire en utilisant une image composite constituée des indices NDVI, NDBI, NDWI ainsi que l’ACP pour mieux
cartographier les unités d’occupation du sol à partir d’images Sentinel-2 sur le site Ramsar d’Azagny dans le sud de la Côte
d’Ivoire. Cette méthode a également été employée par [49] pour cartographier le couvert végétal dans une zone de contact
entre forêt et savane dans le département de Toumodi, en utilisant les images Sentinel-2 ainsi que les indices de brillance (IB),
d’humidité (NDWI) et le NDVI. Cependant, l’utilisation du modèle numérique de terrain (MNT) pour différencier les unités
d’occupation du sol qui ont des signatures spectrales proches s’est avérée pertinente [50].
La précision cartographique globale de 95,54% et l’indice de Kappa de 0,94 obtenus grâce à l’algorithme RF ont permis de
discriminer avec succès les différents types d’occupation du sol lors de la validation. Ces résultats soulignent le potentiel de la
combinaison des données Sentinel-2 avec le MNT Alos Polsar pour une cartographie détaillée. En comparant les résultats
obtenus dans cette nouvelle étude avec ceux obtenus à partir de l’image LANDSAT-7 ETM+ dans d’autres études [1], qui ont
obtenu un indice kappa de 0,81 en 2017, on constate que cette nouvelle étude fournit une cartographie plus détaillée et plus
précise.
En examinant la matrice de confusion classe par classe, il ressort que les classes de végétation cultivée en général et la
classe "Végétation naturelle en régénération (jachère)”, qui ont été fusionnées avec la classe habitat/sol nu, présentent les
plus grandes augmentations d’erreurs. Ces erreurs sont attribuées à la difficulté de la photo-interprétation à séparer certains
objets. Par exemple, il n’est pas toujours facile de distinguer clairement la limite entre les classes "sol nu et jachère" et "forêt
galerie et cours d’eau". De même, les cultures mixtes peuvent poser des difficultés. Cela dénote de la complexité et de la forte
hétérogénéité des formations observées sur le territoire ivoirien soulevées par [7], [25], [28], [34], [36], [41], [44], [48], [51]
5 CONCLUSION
Cette étude visait à cartographier les unités d’occupation du sol par l’utilisation de la télédétection à très haute résolution,
la technologie Google Earth Engine et les algorithmes de machine learning à l’échelle du District d’Abidjan.
Les images multispectrales optiques Sentinel-2 de 2020 ont été utilisées pour cartographier de manière précise les unités
d’occupation du sol dans le District d’Abidjan en utilisant des algorithmes de machine learning, le cloud computing et des bases
de données de référence libres.
Dans l’ensemble les classes Eau et Milieu urbain ont été parfaitement classifiées avec l’utilisation des 5 algorithmes SVM,
RF, CART, MD et NB (Précision >81%). Les classes correspondant à la végétation ont été mieux classifiées par les classifieurs
SVM, RF et CART. Par contre, il existe des confusions entre les classes de végétation pour les algorithmes MD et NB. Les erreurs
d’omission les plus élevées ont été obtenues en utilisant les algorithmes MD et MB allant respectivement de 31% à 91% et 50%
à 72%, soit une précision de l’utilisateur qui va de 69% à 9% et 50% à 28%. Pareil pour les erreurs de commission les plus
élevées allant de 86% à 62% et 50% à 89%, soit une précision du producteur qui va de 14% à 38% et 50% à 11%. Malgré une
différence légère entre la précision du producteur et de l’utilisateur, les pixels ont été bien classifiés pour chacune des classes
définies par les algorithmes CART, SVM et RF (valeur >60%), et moyennement précises pour les algorithmes MD et NB. La
méthode de classification Random Forest a démontré son efficacité en permettant de cartographier neuf (09) catégories
d’occupation et d’usage des terres avec une précision globale de 95,54% et un indice kappa de 0,94.
L’analyse de la répartition des classes d’occupation du sol obtenues à partir de l’AML RF, permis de relever que les unités
d’occupation du sol sont reparties comme suit dans le District d’Abidjan: 28,07% de milieu urbain, 25,35% d’aménagements
agricoles et autres cultures, 12,39% de palmiers à huile, 10,05% d’hévéa, 4,66% de bananeraie, 2,53% de forêts, 3,96% de
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 329

forêts marécageuses, 3,80% de plantations forestières (reboisement) et 9,2% d’eau. Ces statistiques indiquent que les
aménagements agricoles dominent le milieu rural du District d’Abidjan.
La carte produite par cette étude s’avère être un outil très essentiel et utile à la gestion des catastrophes naturelles. En
effet elle constitue une pièce d’entre importance à la modélisation de ces phénomènes
REMERCIEMENTS
Nos remerciements aux institutions qui nous ont aidé dans l’accomplissement du travail présenté:
• Le Centre Universitaire de Recherche et d’Application en Télédétection (CURAT/UFHB);
• Le Programme GMES de l’union Africain sur la thématique des inondations (MIFMASS),
• Et le Bureau National d’Etude Technique et de Developpement (BNETD/CIGN)
REFERENCES
[1] G. Adon, J.-B. Kassi, et C. Yoboue, « Dynamics of Land Use in the City of Abidjan from 1986 to 2017: Contribution of
Remote Sensing and GIS », Journal of Environmental & Analytical Toxicology, vol. 08, janv. 2018, doi: 10.4172/2161-
0525.1000573.
[2] D. A. ALLA, « Cartographie des zones à risques d’inondation, d’érosion et de mouvement de terrain dans la ville d’Abidjan,
PNUD, MESUDD. », 2013.
[3] D. A. ALLA, « Risques naturels dans l’agglomération d’Abidjan (Côte d’Ivoire) », Thèse de Doctorat d’État ès - Sciences
Humaines, Université Félix Houphouët-Boigny, UFR des Sciences de l’Homme et de la Société, Institut de Géographie
Tropicale, Abidjan, Côte d’Ivoire, 2013.
[4] N. Aghui et J. Biemi, Géologie et hydrogéologie des nappes de la région d’Abidjan et risques de contamination. Ann. in
série C (sciences), 20: Univ Nat. de Côte d’Ivoire, 1984.
[5] C. Hauhouot, « Analyse du risque pluvial dans les quartiers précaires d’Abidjan. Etude de cas à Attécoubé », Geo-Eco-
Trop, no 32, p. 75‑82, 2008.
[6] S. DIALLO et al., « Dynamique de l’occupation du sol du bassin ivoirien de la lagune Aghien », 2019 ISSR Journals, vol. 26,
no 1, p. 203‑217, avr. 2019.
[7] Y. K. A. Bio et al., « Étude de la dynamique forestière du sud-ouest de la Côte d’Ivoire par télédétection optique (moyenne
et haute résolution spatiale) : contribution des images MODIS ET LANDSAT. 2ème Conférence Internationale
GEOFORAFRI, Abidjan, 26 – 28 Janvier 2016, Communication orale. », 2016.
[8] G. M. Foody, « Status of land cover classification accuracy assessment », Remote Sensing of Environment, vol. 80, no 1, p.
185‑201, avr. 2002, doi: 10.1016/S0034-4257 (01) 00295-4.
[9] L. S. Macarringue, É. L. Bolfe, et P. R. M. Pereira, « Developments in Land Use and Land Cover Classification Techniques in
Remote Sensing: A Review », JGIS, vol. 14, no 01, p. 1‑28, 2022, doi: 10.4236/jgis.2022.141001.
[10] D. Lu, « The potential and challenge of remote sensing‐based biomass estimation », International Journal of Remote
Sensing, vol. 27, no 7, p. 1297‑1328, avr. 2006, doi: 10.1080/01431160500486732.
[11] D. Lu, P. Mausel, M. Batistella, et E. Moran, « Land‐cover binary change detection methods for use in the moist tropical
region of the Amazon: a comparative study », International Journal of Remote Sensing, vol. 26, no 1, p. 101‑114, janv.
2005, doi: 10.1080/01431160410001720748.
[12] Z. Lv, T. Liu, P. Zhang, J. Atli Benediktsson, et Y. Chen, « Land Cover Change Detection Based on Adaptive Contextual
Information Using Bi-Temporal Remote Sensing Images », Remote Sensing, vol. 10, no 6, p. 901, juin 2018, doi:
10.3390/rs10060901.
[13] B. Liu, W. Song, Z. Meng, et X. Liu, « Review of Land Use Change Detection—A Method Combining Machine Learning and
Bibliometric Analysis », Land, vol. 12, no 5, p. 1050, mai 2023, doi: 10.3390/land12051050.
[14] N. Gorelick, M. Hancher, M. Dixon, S. Ilyushchenko, D. Thau, et R. Moore, « Google Earth Engine: Planetary-scale
geospatial analysis for everyone », Remote Sensing of Environment, vol. 202, p. 18‑27, déc. 2017, doi:
10.1016/j.rse.2017.06.031.
[15] A. Kombate, F. Folega, W. Atakpama, M. Dourma, K. Wala, et K. Goïta, « Characterization of Land-Cover Changes and
Forest-Cover Dynamics in Togo between 1985 and 2020 from Landsat Images Using Google Earth Engine », Land, vol. 11,
no 11, Art. no 11, nov. 2022, doi: 10.3390/land11111889.
[16] N. Sidhu, E. Pebesma, et G. Câmara, « Using Google Earth Engine to detect land cover change: Singapore as a use case »,
European Journal of Remote Sensing, vol. 51, no 1, p. 486‑500, janv. 2018, doi: 10.1080/22797254.2018.1451782.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 330

[17] B. DeVries, C. Huang, J. Armston, W. Huang, J. Jones, et M. Lang, « Rapid and robust monitoring of flood events using
Sentinel-1 and Landsat data on the Google Earth Engine », Remote Sensing of Environment, vol. 240, janv. 2020, doi:
10.1016/j.rse.2020.111664.
[18] M. Eldin, « Le climat de la CÔte d’Ivoire. In Le milieu naturel de CÔte d’Ivoire, Mémoire ORSTOM (pp. 73-108), Paris
ORSTOM. - References - Scientific Research Publishing », 1971. https://www.scirp.org/ (S (351jmbntvnsjt1aadkposzje))
/reference/ReferencesPapers.aspx?ReferenceID=1809522 (consulté le 25 août 2021).
[19] MCLAU, « LE PROJET DE DEVELOPPEMENT DU SCHEMA DIRECTEUR D’URBANISME DU GRAND ABIDJAN (SDUGA) »,
Abidjan, Côte d’Ivoire, SCHEMA DIRECTEUR D’URBANISME DU GRAND ABIDJAN ET AUTRES TRAVAUX DU PROJET VOLUME
II, mars 2015.
[20] L. Ma, L. Cheng, M. Li, Y. Liu, et X. Ma, « Training set size, scale, and features in Geographic Object-Based Image Analysis
of very high resolution unmanned aerial vehicle imagery », ISPRS Journal of Photogrammetry and Remote Sensing, vol.
102, p. 14‑27, avr. 2015, doi: 10.1016/j.isprsjprs.2014.12.026.
[21] L. Jansen et A. Di Gregorio, Land Cover Classification System (LCCS): Classification Concepts and User Manual. 2000.
[22] R. G. Congalton et K. Green, Assessing the accuracy of remotely sensed data: principles and practices, Third edition. Boca
Raton London New York: CRC Press, 2019.
[23] V. Thiérion, P. A. Herrault, A. Vincent, J. Inglada, et D. Sheeren, « Utilisation des séries temporelles d’images Sentinel-2
pour la cartographie de l’occupation du sol dans un contexte de modélisation de la biodiversité », présenté à Colloque
PAYOTTE 2017, oct. 2017, p. 31 p. Consulté le: 25 février 2023. [En ligne]. Disponible sur: https://hal.inrae.fr/hal-
02738272.
[24] K. D. KOUASSI, B. H. Kouadio, D. A. ALLA, et T. V. ASSOMA, « Cartographie de l’occupation du sol par une nouvelle
approche de classification orientée objet à partir de l’image sentinel-2a de la commune d’Abobo (Abidjan, Côte d’Ivoire).»,
International Journal of Engineering Science Invention (IJESI), vol. 7, no 1, p. 28‑38, 2018.
[25] O. G. K. KOUASSI, F. K. N’GUESSAN, et G. W. KOUKOUGNON, « Analyse cartographique et statistique de l’état de
l’occupation du sol dans la sous-préfecture de Bondoukou (nord-est, Côte d’Ivoire) », Regard sud, 4 mai 2022.
https://regardsuds.org/analyse-cartographique-et-statistique-de-letat-de-loccupation-du-sol-dans-la-sous-prefecture-
de-bondoukou-nord-est-cote-divoire/ (consulté le 27 décembre 2022).
[26] D. Lessire, « Cartographie de types de forêt et de l’occupation du sol en République Centrafricaine à l’aide de télédétection
optique (Sentinel-2) », 2019.
[27] F. N. Kabemba et al., « Couvert forestier et distribution de Pan paniscus dans la Réserve Naturelle de Sankuru, RD Congo»,
présenté à Conférence OSFACO : Des images satellites pour la gestion durable des territoires en Afrique, mars 2019.
Consulté le: 25 février 2023. [En ligne]. Disponible sur: https://hal.science/hal-02189507.
[28] V. J. Sokeng et al., « Suivi par télédétection des affectations des terres pour la promotion d’une agriculture intégrée au
développement forestier en Côte d’Ivoire », présenté à Conférence OSFACO : Des images satellites pour la gestion durable
des territoires en Afrique, mars 2019. Consulté le: 25 février 2023. [En ligne]. Disponible sur: https://hal.science/hal-
02189403.
[29] F. Bioresita, A. Puissant, A. Stumpf, et J.-P. Malet, « Fusion of Sentinel-1 and Sentinel-2 image time series for permanent
and temporary surface water mapping », International Journal of Remote Sensing, juin 2019, Consulté le: 2 octobre 2021.
[En ligne]. Disponible sur: https://www.tandfonline.com/doi/abs/10.1080/01431161.2019.1624869.
[30] K. A. Stéphane, A. Roland, et E. M. Jalal, « Utilisation d’une image satellite LANDSAT 8 pour la cartographie de l’occupation
des sols dans la ville de Bondoukou et ses environs en Côte d’Ivoire », vol. 30, no 1, p. 10, 2020.
[31] A. M. Abdi, « Land cover and land use classification performance of machine learning algorithms in a boreal landscape
using Sentinel-2 data », GIScience & Remote Sensing, vol. 57, no 1, p. 1‑20, janv. 2020
doi: 10.1080/15481603.2019.1650447.
[32] C. Qiu, L. Mou, M. Schmitt, et X. X. Zhu, « Fusing Multiseasonal Sentinel-2 Imagery for Urban Land Cover Classification
With Multibranch Residual Convolutional Neural Networks », IEEE Geosci. Remote Sensing Lett., vol. 17, no 10, p.
1787‑1791, oct. 2020, doi: 10.1109/LGRS.2019.2953497.
[33] Y. Konko, B. Afelu, et K. Kokou, « Potentialité des données satellitaires Sentinel-2 pour la cartographie de l’impact des
feux de végétation en Afrique tropicale : application au Togo », Bois et Forêts des Tropiques, vol. 347, p. 59, mars 2021,
doi: 10.19182/bft2021.347.a36349.
[34] T. Ouattara, F. Kouamé, C. Zo-Bi, R. Vaudry, et C. Grinand, « Changements d’occupation et d’usage des terres entre 2016
et 2019 dans le Sud-Est de la Côte d’Ivoire : impact des cultures de rente sur la forêt », BOIS & FORETS DES TROPIQUES,
vol. 347, p. 91‑106, mars 2021, doi: 10.19182/bft2021.347.a31868.
[35] B. Mertens et C. Pinet, « Accompagnement de pays d’Afrique Centrale et de l’Ouest dans l’utilisation de l’imagerie
satellitaire pour la conception, la mise en oeuvre et le suivi des politiques publiques d’aménagement durable du territoire,
de 2010 à 2020 », Revue Française de Photogrammétrie et de Télédétection, vol. 223, p. 81‑87, nov. 2021, doi:
10.52638/rfpt.2021.565.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 331

[36] H. D. N’Da, E. K. N’Guessan, M. E. Wajda, et K. Affian, « Apport de la télédétection au suivi de la déforestation dans le Parc
National de la Marahoué (Côte d´Ivoire) », Teledetection, vol. 8, no 1, p. 17, 2008.
[37] T. D. Soro et al., « Hydroclimatologie et dynamique de l’occupation du sol du bassin versant du Haut Bandama à Tortiya
(Nord de la Côte d’Ivoire) », VertigO - la revue électronique en sciences de l’environnement, no Volume 13 Numéro 3, Art.
no Volume 13 Numéro 3, déc. 2013, doi: 10.4000/vertigo.14468.
[38] G. Soro et al., « Apport de la télédétection à la cartographie de l’évolution spatio-temporelle de la dynamique de
l’occupation du sol dans la région des Lacs (Centre de la Côte d’Ivoire) », Afrique Science: Revue Internationale des Sciences
et Technologie, vol. 10, no 3, Art. no 3, nov. 2014, doi: 10.4314/afsci.v10i3.
[39] G. Ake, K. Kouame, A. Koffi, et J. Jourda, « Cartographie des zones potentielles de recharge de la nappe de Bonoua (sud-
est de la Côte d’Ivoire) », rseau, vol. 31, no 2, p. 129‑144, 2018, doi: 10.7202/1051696ar.
[40] G. E. Ake et B. H. Kouadio, « Apport des SIG a la délimitation des périmètres de protection autour de la prise d’eau de la
SODECI à Aboisso, sud - Est de la Côte d’Ivoire », 2019, no 15, Art. no 15, 2019.
[41] A. E. N’Guessan, Y. L. Akpa, N. O. Yao, et J. N. Kassi, « Cartographie de la dynamique du couvert vegetal de la foret Classee
d’Agbo 1 Cote d’Ivoire », Agronomie Africaine, vol. 31, no 1, Art. no 1, mai 2019, doi: 10.4314/aga.v31i1.
[42] M. Y. Ta et al., « Diagnostic of hydrous state of drain in the mid-dry season of kohodio watershed using multispectral
images of Landsat generation from 1986 to 2018 », International Journal of Innovation and Applied Studies, vol. 27, no 1,
Art. no 1, août 2019.
[43] V. T. Assoma, N. A. Yao, J. S. Dio, et J.-P. Jourda, « Apport de la télédétection et d’un SIG à la cartographie des changements
de l’occupation du sol dans le bassin versant de la Lobo en Côte d’Ivoire », Physio-Géo. Géographie physique et
environnement, no Volume 16, Art. no Volume 16, janv. 2021, doi: 10.4000/physio-geo.12654.
[44] M. A. C. NJEUGEUT, T. M. YOUAN, V. M. SOROKOBY, T. V. ASSOMA, M. G. ADJA, et J. P. JOURDA, « Dynamique d’occupation
du sol du bassin versant de la volta, par la méthode de l’arbre de décision, à partir des images multispectrales de la
génération Landsat de 1990 à 2020 », International Journal of Engineering Science Invention (IJESI), vol. 10, no 4, p. 34‑45,
avr. 2021.
[45] D. Akkari, « L’apport du système d’information géographique (SIG) dans la définition des zones de potentiel hydrique dans
le bassin versant Abou Ali (Liban Nord) », Journal of Alpine Research | Revue de géographie alpine, no 110‑4, Art. no 110‑4,
janv. 2022, doi: 10.4000/rga.10015.
[46] S. M. Bachir et al., « Télédétection et système d’information géographique pour la cartographie du parcellaire situé en
bordure de rivière de la région de Man (Ouest de la Côte d’Ivoire). », p. 2.
[47] I. Aneece et P. Thenkabail, « Accuracies Achieved in Classifying Five Leading World Crop Types and their Growth Stages
Using Optimal Earth Observing-1 Hyperion Hyperspectral Narrowbands on Google Earth Engine », Remote Sensing, vol.
10, no 12, Art. no 12, déc. 2018, doi: 10.3390/rs10122027.
[48] K. Aka, 1 R., H. N, D. Crystel, et N. Bohoussou, « Étude comparative de Sentinel-2 et Landsat-8 Oli à l’évaluation de
l’occupation du sol du site Ramsar d’Azagny, Sud de la Côte d’Ivoire », Afrique Science Revue Internationale des Sciences
et Technologie, vol. VOL.20, N*5 (2022), p. 48‑63, avr. 2022.
[49] H. N’da, C. Kaudjhis, et K. S. Dahan, « Dynamique spatio-temporelle des feux de 2001 à 2019 et dégradation du couvert
végétal en zone de contact foret-savane, Département de Toumodi, Centre de la Côte d’Ivoire », Afrique Science Revue
Internationale des Sciences et Technologie, vol. 19, p. 94‑113, sept. 2021.
[50] C. B. Tiesse, E. N. Wandan, et H. D. N’da, « Apport De La Teledetection Pour Le Suivi SpatioTemporel De L’occupation Du
Sol Dans La Region Montagneuse Du Tonkpi (Cote D’ivoire) », ESJ, vol. 13, no 15, p. 310, mai 2017
doi: 10.19044/esj.2017.v13n15p310.
[51] T. Ouattara et al., « Suivi des Terres et de la Déforestation par Télédétection Spatiale et Aérienne à l’Est et au Sud-Est de
la Côte d’Ivoire », 2022. doi: 10.13140/RG.2.2.33587.71200.
ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 332
View publication stats

Occupation Du Sol IJIAS-23-188-20

Transféré par

Droits d'auteur :

Formats disponibles

Occupation Du Sol IJIAS-23-188-20

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Occupation Du Sol IJIAS-23-188-20

Transféré par

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Cartographie des unités d'occupation du sol du District d'Abidjan depuis le

Article in International Journal of Innovation and Applied Studies · July 2023

Amandine Carine Njeugeut Mbiafeu Marc Youan Ta

SEE PROFILE SEE PROFILE

Armel. K. Kouame Assoma Vincent

SEE PROFILE SEE PROFILE

The user has requested enhancement of the downloaded file.

Cartographie des unités d’occupation du sol du District d’Abidjan depuis le cloud

Corresponding Author: NJEUGEUT MBIAFEU Amandine Carine 310

2 PRESENTATION DE LA ZONE D’ETUDE

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 311

Fig. 1. Localisation de la zone d’étude

Fig. 2. Végétation du District d’Abidjan, (MCLAU, 2015)

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 312

3.1 DONNEES ET MATERIEL

Tableau 1. Caractéristiques des bandes Multi-Spectrales de (MSI) du satellites Sentinel-2 utilisées

Scènes de sentinel-2 Canal Résolution spatiale Bande spectrale

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 313

3.2.1 PRETRAITEMENT DES IMAGES

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 314

3.2.2.1 EXTRACTION DES VARIABLES D’ENTREES

3.2.2.1.1 L’ANALYSE EN COMPOSANTES PRINCIPALES (ACP)

3.2.2.1.2 INDICES SPECTRAUX

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 315

• NDVI= (PIR-R) /PIR+R) Rouse et al. (1974);

3.2.2.1.3 PRODUITS DERIVES DU MNT

3.2.2.2 NORMALISATION DES BANDES

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 316

3.2.3 DISCRIMINATION, VERIFICATION TERRAIN ET NOMENCLATURE DES CLASSES D’OCCUPATION DU SOL

Fig. 5. Sites d’échantillonnage pour les points de contrôle (vérité terrain)

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 317

Catégorie Classe Description

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 318

3.2.4 CODIFICATION ET REPARTITION DES POINTS D’ENTRAINEMENT ET DE VALIDATION

Tableau 3. Échantillon de données sélectionné dans cette étude

Occupation du sol Codification Échantillons

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 319

3.2.6 CHOIX DE LA MEILLEURE CLASSIFICATION

3.2.6.1 ÉVALUATION DE LA CLASSIFICATION

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 320

• Précision du producteur (PP)

• Précision de l’utilisateur (PU)

• Précision globale (PG)

Le coefficient kappa, permet d’évaluer globalement:

3.2.6.2 SEPARABILITE DES ALGORITHMES

4.1.1 PRETRAITEMENT DE L’IMAGE COMPOSITE

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 321

4.2 IMPORTANCE DES BANDES

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 322

65000 MD SVM CART NB RF

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 323

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 324

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 325

4.2.2 CHOIX DE LA MEILLEURE CLASSIFICATION

4.2.2.1 VALIDATION DES CLASSIFICATIONS

• Precision du producteur et de l’utilisateur

ISSN : 2028-9324 Vol. 40 No. 1, Jul. 2023 326

• Precision globale et Kappa