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
DOI :
https://doi.org/10.19182/bft2021.347.a31868Mots-clés
occupation et usage des terres, Sentinel-2, déforestation, dégradation des forêts, cacaoculture, Random Forests, télédétection, Côte d’Ivoire.Résumé
En Côte d’Ivoire, plus de la moitié du couvert forestier (57 %) a disparu en un quart de siècle (1990-2015) avec une perte importante de biodiversité. Pour mieux comprendre les dynamiques en cours et appuyer les politiques de réduction de la déforestation, des cartographies fines et régulières des changements d’occupation et d’usage des terres sont nécessaires. Cependant, ces études sont rarement conduites sur de grands territoires ou bien elles sont parfois obsolètes à cause de la rapidité des processus anthropiques sous-jacents. L’objectif de cette étude est d’évaluer les changements d’occupation et d’usage des terres, en particulier les dynamiques de déforestation et de dégradation forestière dans trois régions du Sud-Est de la Côte d’Ivoire, entre 2016 et 2019. La méthodologie est basée sur l’utilisation d’images Sentinel-2 à 10 et 20 m de résolution spatiale sur une zone d’étude de 22 014 km2. Des données d’apprentissage ont d’abord été délimitées en suivant une description de la zone en 16 catégories d’occupation et d’usage des terres. Celles-ci ont ensuite été utilisées avec l’algorithme Random Forests pour produire des cartes d’occupation et d’usage des terres en 2016 et 2019 avec une précision globale respective de 92 % et 87 %. Enfin, ces cartes ont été croisées pour décrire les transitions forestières de la zone étudiée. Les résultats révèlent que l’extension des cultures de rente (cacao-café, hévéa et palmier à huile), des cultures et jachères non différenciées ainsi que des infrastructures (habitations et routes) a conduit à un taux de déforestation de 4,95 % par an sur la période étudiée. Cette étude fournit ainsi une compréhension détaillée et actualisée des changements d’occupation et d’usage des terres, et contribue aux réflexions sur la mise en place d’un système national de surveillance des terres.
Téléchargements
Références
Références
Avenard J.-M., Eldin M., Girard G., Sircoulon J., Touchebeuf P., Guillaumet J.-L., et al., 1971. Le milieu naturel de la Côte d’Ivoire. Paris, France, Orstom, coll. Mémoires de l’Orstom, 50, 391 p. https://www.documentation.ird.fr/hor/fdi:16368
Barima Y. S. S., Barbier N., Bamba I., Traoré D., Lejoly J., Bogaert J., 2009. Dynamique paysagère en milieu de transition forêt-savane ivoirienne. Bois et Forêts des Tropiques, 299 (1) : 15-25. https://doi.org/10.19182/bft2009.299.a20419
Barima Y. S. S., Kouakou A. T. M., Bamba I., Sangne Y. C., Godron M., Andrieu J., et al., 2016. Cocoa crops are destroying the forest reserves of the classified Forest of Haut Sassandra (Ivory Coast). Global Ecology and Conservation, 8: 85-98. https://doi.org/10.1016/j.gecco.2016.08.009
Bey A., Díaz S.-P. A., Maniatis D., Marchi G., Mollicone D., Ricci S., et al., 2016. Collect Earth: Land Use and Land Cover Assessment through Augmented Visual Interpretation. Remote Sensing, 8 (10): 807. https://doi.org/10.3390/rs8100807
BNETD, 2016. Réalisation d’une étude sur l’identification, l’analyse et la cartographie des causes de la déforestation et de la dégradation des forêts en Côte d’ivoire. Rapport technique. Abidjan, Côte d’Ivoire, BNETD, 104 p.
BNETD, 2019. Maîtrise d’œuvre pour la mise en place du système de surveillance spatiale des terres de la Côte d’ivoire. Rapport technique. Abidjan, Côte d’Ivoire, BNETD, 100 p.
Breiman L., 2001. Random Forest. Machine Learning, 45 (1): 5-32. https://doi.org/10.1023/A:1010933404324
Brou Y. T., Oszwald J., Bigot S., Servat E., 2005. Risques de déforestation dans le domaine permanent de l’État en Côte d’Ivoire : quel avenir pour ces derniers massifs forestiers ? Télédétection, 5 (1-2-3): 263-275. https://www.documentation.ird.fr/hor/fdi:010047889
Bylander T., 2002. Estimating generalization error on two-class datasets using out-of-bag estimates. Machine Learning, 48: 287-297. https://doi.org/10.1023/A:1013964023376
Chehata N., Ghariani K., Le Bris A., Lagacherie P., 2015. Délimitation des parcelles agricoles par classification d’images Pléiades. Revue Française de Photogrammétrie et de Télédétection, 209 : 165-171. http://recherche.ign.fr/labos/matis/pdf/articles_revues/2015/RFPT209_chehata.pdf
Commission européenne, 2019. Communication de la Commission au Parlement européen, au Conseil, au Comité économique et social européen et au Comité des régions. Renforcer l'action de l'UE en matière de protection et de restauration des forêts de la planète. Commission européenne, 12 p.
Congedo L., 2020. Semi-Automatic Classification Plugin Documentation. Release 7.0.0.1. Document technique, 194 p. http://dx.doi.org/10.13140/RG.2.2.25480.65286/1
Dibi N’Da H., N’Guessan E. K., Wajda M. E., Affian K., 2008. Apport de la télédétection au suivi de la déforestation dans le Parc National de la Marahoué (Côte d’Ivoire). Bulletin - Société Française de Photogrammétrie et de Télédétection, 8 (1) : 17-34. https://halshs.archives-ouvertes.fr/halshs-00386032/document
FAO, 2010. Forest Resources Assessment. Rapport principal. Rome, Italy, FAO, 341 p.
FAO, SEP-REDD+, 2017. Données forestières de base pour la REDD+ en Côte d’Ivoire : Cartographie de la dynamique forestière de 1986 à 2015. Rome, Italie, FAO, 32 p. https://t.co/CeraHO4JOs
Fayad I., Bagdhadi N., Bailly J. S., Barbier N., Gond V., Mahmoud E. H., et al., 2014. Canopy Height Estimation in French Guiana with LiDAR ICESat/GLAS Data Using Principal Component Analysis and Random Forest Regressions. Remote Sensing, 6 (12): 11883-11914. https://doi.org/10.3390/rs61211883
El Garouani A., Chen H., Lewis L., Tribak A., Abharour M. 2008. Cartographie de l’utilisation du sol et de l’érosion nette à partir d’images satellitaires et du SIG IDRISI au Nord-Est du Maroc. Revue Télédétection, 8 (3): 193-201. https://hal.archives-ouvertes.fr/hal-00434258
Gislason P. O., Benediktsson J. A., Sveinsson J. R., 2006. Random Forests for land cover classification. Pattern Recognition Letters, 27 (4): 294-300. https://doi.org/10.1016/j.patrec.2005.08.011
GOFC-GOLD, 2016. A sourcebook of methods and procedures for monitoring and reporting anthropogenic greenhouse gas emissions and removals associated with deforestation, gains and losses of carbon stocks in forests remaining forests, and forestation. GOFC-GOLD Report version COP22-1. GOFC-GOLD Land Cover Project Office, Wageningen University, The Netherlands, 268 p. http://www.gofcgold.wur.nl/redd/sourcebook/GOFC-GOLD_Sourcebook.pdf
Grinand C., Rakotomalala F., Gond V., Vaudry R., Bernoux M., Vieilledent G., 2013. Estimating deforestation in tropical humid and dry forests in Madagascar from 2000 to 2010 using multi-date Landsat satellite images and the random forests classifier. Remote Sensing of Environment, 139: 68-80. http://dx.doi.org/10.1016/j.rse.2013.07.008
IGN, 2019. Résultats statistiques finaux de la base de données SST dans le cadre du processus de validation. Rapport final. Paris, France, IGN, 21 p.
Jofack Sokeng V., Akpa Y. L., Assoma T., Kouamé F., Corgne S., Rudant J.-P., et al., 2019. Suivi par télédétection des affectations des terres pour la promotion d’une agriculture intégrée au développement forestier en Côte d’Ivoire. Conférence OSFACO : Des images satellites pour la gestion durable des territoires en Afrique, 13-15 mars 2019, Cotonou, Bénin, 17 p. https://hal.archives-ouvertes.fr/hal-02189403
Kpedenou K. D., Boukpessi T., Tchamie T. T. K., 2016. Quantification des changements de l’occupation du sol dans la Préfecture de Yoto (Sud-Est Togo) à l’aide de l’imagerie satellitaire Landsat. Revue des Sciences de l’Environnement, 13 : 137-156. https://hal.archives-ouvertes.fr/hal-01409418
Leroux L., Congedo L., Bellón B., Gaetano R., Bégué A., 2018. Land Cover Mapping Using Sentinel-2 Images and the Semi-Automatic Classification Plugin: A Northern Burkina Faso Case Study. In: Baghdadi N., Mallet C., Zribi M. (eds). QGIS in Remote Sensing SET. Vol. 2: QGIS and Applications in Agriculture and Forest. Wiley, 131-165. https://doi.org/10.1002/9781119457107.ch4
Li H., Leung K.-S., Wong M.-H., Ballester P. J., 2014. Substituting random forest for multiple linear regression improves binding affinity prediction of scoring functions: Cyscore as a case study. BMC Bioinformatics, 15 (291). https://doi.org/10.1186/1471-2105-15-291
Liaw A., Wiener M., 2002. Classification and Regression by randomForest. R News, 2: 18-22. https://cogns.northwestern.edu/cbmg/LiawAndWiener2002.pdf
Lima T. A., Beuchle R., Langner A., Grecchi R. C., Griess V. C., Achard F., 2019. Comparing Sentinel-2 MSI and Landsat 8 OLI Imagery for Monitoring Selective Logging in the Brazilian Amazon. Remote Sensing, 11 (8): 961. https://doi.org/10.3390/rs11080961
Longaretti P.-Y., Vannier C., Lasseur R., Lavorel S., 2016. La modélisation des changements d’usage et de couverture des sols comme outil d’aide à la planification territoriale. Sciences Eaux & Territoires, INRAE, 21 : 52-57. https://hal.inria.fr/hal-01685718
Ministère des Eaux et Forêts, 2019. Stratégie nationale de préservation, de réhabilitation et d’extension des forêts. Abidjan, 68 p.
Mitchard E., Saatchi S., Lewis S., Feldpausch T., Woodhouse I., Sonké B., et al., 2011. Measuring biomass changes due to woody encroachment and deforestation/degradation in a forest-savanna boundary region of central Africa using multi-temporal L-band radar backscatter. Remote Sensing of Environment, 115 (11): 2861-2873. https://doi.org/10.1016/j.rse.2010.02.022
Mutanga O., Adam E., Cho M. A., 2012. High-density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm. International Journal of Applied Earth Observation and Geoinformation, 18: 399-406. https://doi.org/10.1016/j.jag.2012.03.012
Nakouma S., Beltrando G., Atta K. L., Dibi N’Da H., Brou T., 2013. Dynamique forestière et pression urbaine dans le parc national du Banco (Abidjan, Côte d’Ivoire). VertigO, 13 (2). https://doi.org/10.4000/vertigo.14127
Niculescu Sr. S., Billey A., Talab-Ou-Ali Jr. H., 2018. Random forest classification using Sentinel-1 and Sentinel-2 series for vegetation monitoring in the Pays de Brest (France). Proc. SPIE 10783, Remote Sensing for Agriculture, Ecosystems, and Hydrology XX, 1078305. https://doi.org/10.1117/12.2325546
Olofsson P., Foody M. G., Herold M., Stehman V. S., Woodcock E. C., Wulder A. M., 2014. Good practices for estimating area and assessing accuracy of land change. Remote Sensing of Environnement, 148: 42-57. https://doi.org/10.1016/j.rse.2014.02.015
Oszwald J., Kouakou Atta J.-M., Kergomard C., Robin M., 2007. Représenter l’espace pour structurer le temps : approche des dynamiques de changements forestiers dans le sud-est de la Côte d’Ivoire par télédétection. Télédétection, 7 (1-2-3-4) : 271-282. https://dumas.ccsd.cnrs.fr/LETG-COSTEL/halshs-00437064v1
Ousmane S., Dibi N’Da H., Kouassi K. H., Kouassi K. E., Ouattara K., 2020. Crise politico-militaire et dynamique de la végétation du Parc national du Mont Péko en Côte d’Ivoire. Bois et Forêts des Tropiques, 343 : 27-37. https://doi.org/10.19182/bft2020.343.a31837
Pelletier C., Valero S., Inglada J., Champion N., Dedieu G., 2016. Assessing the robustness of Random Forests to map land cover with high-resolution satellite image time series over large areas. Remote Sensing of Environment, 187: 156-168. https://doi.org/10.1016/j.rse.2016.10.010
Phiri D., Simwanda M., Salekin S., Nyirenda V. R., Murayama Y., Ranagalage M., 2020. Sentinel-2 Data for Land Cover/Use Mapping: A Review. Remote Sensing, 12 (14): 2291. https://doi.org/10.3390/rs12142291
Pimple U., Simonetti D., Sitthi A., Pungkul S., Leadprathom K., Skupek H., et al., 2018. Google Earth Engine based three decadal Landsat imagery analysis for mapping of mangrove forests and its surroundings in the Trat province of Thailand. Journal of Computer and Communication, 6: 247-264. https://doi.org/10.4236/jcc.2018.61025
Pontius Jr. R. G., 2000. Quantification error versus location error in comparison of categorical maps. Photogrammetric Engineering and Remote Sensing, 66 (8): 1011-1016.
Puyravaud J.-P., 2002. Standardizing the calculation of the annual rate of deforestation. Forest Ecology and Management, 177 (1-3): 593–596. https://doi.org/10.1016/S0378-1127(02)00335-3
Rakotomala F. A., Rabenandrasana J. C., Andriambahiny J. E., Rajaonson R., Andriamalala F., Buren C., et al., 2015. Estimation de la déforestation des forêts humides à Madagascar utilisant une classification multidate d’images Landsat entre 2005, 2010 et 2013. Revue Française de Photogrammétrie et de Télédétection, 211-212.
Rodriguez-Galiano V. F., Ghimire B., Rogan J., Chica-Olmo M., Rigol-Sanchez J. P., 2012. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67: 93-104. https://doi.org/10.1016/j.isprsjprs.2011.11.002
Ruf F., 2012. L’adoption de l’hévéa en Côte d’Ivoire. Prix, mimétisme, changement écologique et social. Économie Rurale, 330-331. https://doi.org/10.4000/economierurale.3527
Semeki Ngabinzeke N., Linchant J., Quevauvillers S., Kahindo M. J.-P., Lejeune P., Vermeulen C., 2016. Potentiel des véhicules aériens sans pilote dans la détection des activités humaines illégales dans les aires protégées en République Démocratique du Congo. Journal of Unmanned Vehicle Systems, 4 (2): 151-159. https://doi.org/10.1139/juvs-2015-0035
Semeki Ngabinzeke J., Pitchugin M., Linchant J., Vermeulen C., Kahindo Muhongya J.-M., Lejeune P., 2018. Une méthode simple et rapide pour l’évaluation de statistiques d’occupation du sol à l’aide d’images à très haute résolution acquises par mini-drone. Bois et Forêts des Tropiques, 335 : 15-23. https://doi.org/10.19182/bft2018.335.a31497
SEP-REDD+. 2017. Niveau d’émissions de référence pour les forêts de la Côte d’Ivoire, Présentation à la Convention-cadre des Nations unies sur les changements climatiques. République de Côte d’Ivoire, 43 p. https://redd.unfccc.int/files/rci_nrf_ccnucc_2017.10.15.pdf
Thiérion V., Herrault P. A., Vincent A., Inglada J., Sheeren D., 2017. Utilisation des séries temporelles d’images Sentinel-2 pour la cartographie de l’occupation du sol dans un contexte de modélisation de la biodiversité. Colloque PAYOTTE 2017, Paris, France. https://hal.inrae.fr/hal-02738272
Vaudry R., Nourtier M., Bello A., Traoré Y., 2016. Analyse qualitative des facteurs de la déforestation et de la dégradation des forêts en Côte d’Ivoire. Rapport final. Association Etc Terra, 114 p.
Verrelst J., Rivera J. P., Veroustraete F., Muñoz-Marí J., Clevers J. G. P. W., Camps-Valls G., et al., 2015. Experimental Sentinel-2 LAI estimation using parametric, non-parametric and physical retrieval methods – A comparison. ISPRS Journal of Photogrammetry and Remote Sensing, 108: 260-272. https://doi.org/10.1016/j.isprsjprs.2015.04.013
Vuolo F., Atzberger C., 2014. Improving Land Cover Maps in Areas of Disagreement of Existing Products using NDVI Time Series of MODIS – Example for Europe. Photogrammetrie - Fernerkundung - Geoinformation, 2014 (5): 393-407. https://doi.org/10.1127/1432-8364/2014/0232
WCF, 2020. Cocoa and Forests initiative. Private Sector Report 2018-2019. Washington, DC, USA, World Cocoa Foundation, 53 p.
Téléchargements
Numéro
Rubrique
-
Résumé2860
-
PDF1686
Reçu
Publié
Comment citer
Licence
Les articles sont publiés en Accès libre. Ils sont régis par le Droit d'auteur et par les licenses créative commons. La license utilisée est Attribution (CC BY 4.0).
