Infodoc : Sciences, Techniques et Culture

Chaque année, des grandes étendues de savanes brûlent à cause des conditions naturelles (changement climatique) et anthropiques (pasteur, chasseur, gestion de terre, agriculture sur brûlis). Compte tenu du niveau de dégradation important des savanes et des émissions des gaz à effet de serre, il est urgent de définir les régimes de feux afin que des stratégies de gestion de feux soient mise en place pour la préservation et la restauration de la biodiversité des savanes en milieu tropical. La télédétection est l’une des meilleures technologies qui permet de détecter et cartographier les zones brûlées. Cependant le comportement similaire de signature spectrale des classes dans les images multi spectrales peuvent conduire à des erreurs de détection de pixels brûlés, ce qui rend difficile [...]

Chaque année, des grandes étendues de savanes brûlent à cause des conditions naturelles (changement climatique) et anthropiques (pasteur, chasseur, gestion de terre, agriculture sur brûlis). Compte tenu du niveau de dégradation important des savanes et des émissions des gaz à effet de serre, il est urgent de définir les régimes de feux afin que des stratégies de gestion de feux soient mise en place pour la préservation et la restauration de la biodiversité des savanes en milieu tropical. La télédétection est l’une des meilleures technologies qui permet de détecter et cartographier les zones brûlées. Cependant le comportement similaire de signature spectrale des classes dans les images multi spectrales peuvent conduire à des erreurs de détection de pixels brûlés, ce qui rend difficile l’extraction précise des surfaces brûlées. L’objectif principale de ce projet est de développer une méthode automatisée basée sur une approche rigoureuse, rentable, rapide et reproductible dans la plate-forme Google Earth Engine (GEE) à l’aide de série temporelle Sentinel 2 dans le Parc national du Mpem et Djim (PNMD) et la zone du barrage de Nachtigal (ZN) au Cameroun pour le suivi de la dynamique de végétation et de la fréquence de feux. Sur la base d’un ensemble de données, nous avons déterminé la variation spectrale de pixel brûlés et non brûlés en fonction de temps. Il ressort qu’après environ 25 jours, (i) les signatures pixels brûlés et non brûlés sont similaires et (ii) la classification non supervisée sur plusieurs indices spectraux (NBR, NDVI, BI, EVI) permet de mieux discriminer les pixels brûlées et non brûlées. Cette étude de sensibilité à plusieurs indices spectraux a permis de sélectionner les indices pour entraîner l’algorithme de regroupement k-means. Les résultats de la validation montrent que la méthode de classification développée dans GEE produit de meilleures résultats (AO = 0.8 à 0.82, kappa = 0.59 à 0.64, AUC = 0.8 à 0.84) que la méthode classique basée sur le seuillage de NBR (AO = 0.5 à 0.7, AUC = 0.5 à 0.6) respectivement dans le PNMD et ZN. Cette méthode (k-means) a permis de produire une série temporelle pour caractériser la fréquence des feux dans les deux sites.