Chapitre 3 : Étude des Pressions Anthropiques sur les Écosystèmes Côtiers : Analyse des
Sources et Gestion des Risques.
94
conserve les angles locaux et permet des mesures précises des distances et des angles sur le
terrain. De plus, le système UTM divise la surface terrestre en zones rectangulaires étroites, ce
qui facilite les calculs et les analyses à petite échelle.
En choisissant la zone 32 du système UTM, cela signifie que la région d'étude se situe dans la
plage de longitudes correspondant à cette zone spécifique. En reprojetant toutes les données
cartographiques complémentaires dans ce système de coordonnées, il est possible d'intégrer et
de superposer facilement ces informations avec les données d'occupation du sol classifiées à
partir des images satellites Landsat.
Cette démarche de reprojection dans le système UTM WGS84 zone 32 garantit une
harmonisation des références spatiales entre les différentes sources de données, ce qui facilite
leur intégration et leur utilisation conjointe dans l'étude spatio-temporelle de l'occupation du
sol.
3.2.2.2. Classification supervisée
Pour effectuer la classification, en utilisez l’outil Classification du maximum de vraisemblance
dans l’ArcGIS 10.8.
L'outil Classification de vraisemblance maximale va classer les pixels de l'image selon les
propriétés spectrales des classes d'apprentissage ; grâce à l'extension ArcGIS Spatial Analyst,
il est possible de regrouper des cellules raster en classes. Une classe représente une catégorie
connue, telle que les forêts, les zones urbains ou les plans d'eau.
Les échantillons d'apprentissage, qui sont des emplacements réels identifiant des zones de
classes connues, sont définis sur une couche de polygone.
Cette approche de classification supervisée, utilisée dans les études sur l'utilisation et
l'occupation des sols, a démontré son efficacité en révélant une corrélation significative entre
l'utilisation des sols et l'interprétation des données de terrain (Benz et al., 2004; Blaschke &
Strobl, 2001; Congedo, 2016; Jensen, 1996). Pour mettre en œuvre cette méthode, il est
nécessaire de disposer de plusieurs sources de données externes, telles que des cartes
topographiques , l'Inventaire forestier national (IFN), des images d'archives de Google Earth
Pro, des images satellites et des indices spectraux tels que l'indice de végétation par différence
normalisée (NDVI), l'indice de différence d'eau normalisée (NDWI), l'indice de végétation
ajusté au sol (SAVI), l'indice de différence de zones construites normalisées (NDBI) et l'indice
de brûlure normalisée (NBR). L'intégration de ces données externes permet d'apporter des
éléments distinctifs supplémentaires (Batini & Scannapieco, 2016) afin d'améliorer
l'identification et l'interprétation des classes thématiques échantillonnées dans l'image
satellitaire.
3.2.2.3. Classe d’occupation de sol
La nomenclature de CORINE Land Cover est une typologie hiérarchisée en trois niveaux qui
englobe l'intégralité d'un territoire. Cette norme européenne permet de cartographier le territoire
Sources et Gestion des Risques.
94
conserve les angles locaux et permet des mesures précises des distances et des angles sur le
terrain. De plus, le système UTM divise la surface terrestre en zones rectangulaires étroites, ce
qui facilite les calculs et les analyses à petite échelle.
En choisissant la zone 32 du système UTM, cela signifie que la région d'étude se situe dans la
plage de longitudes correspondant à cette zone spécifique. En reprojetant toutes les données
cartographiques complémentaires dans ce système de coordonnées, il est possible d'intégrer et
de superposer facilement ces informations avec les données d'occupation du sol classifiées à
partir des images satellites Landsat.
Cette démarche de reprojection dans le système UTM WGS84 zone 32 garantit une
harmonisation des références spatiales entre les différentes sources de données, ce qui facilite
leur intégration et leur utilisation conjointe dans l'étude spatio-temporelle de l'occupation du
sol.
3.2.2.2. Classification supervisée
Pour effectuer la classification, en utilisez l’outil Classification du maximum de vraisemblance
dans l’ArcGIS 10.8.
L'outil Classification de vraisemblance maximale va classer les pixels de l'image selon les
propriétés spectrales des classes d'apprentissage ; grâce à l'extension ArcGIS Spatial Analyst,
il est possible de regrouper des cellules raster en classes. Une classe représente une catégorie
connue, telle que les forêts, les zones urbains ou les plans d'eau.
Les échantillons d'apprentissage, qui sont des emplacements réels identifiant des zones de
classes connues, sont définis sur une couche de polygone.
Cette approche de classification supervisée, utilisée dans les études sur l'utilisation et
l'occupation des sols, a démontré son efficacité en révélant une corrélation significative entre
l'utilisation des sols et l'interprétation des données de terrain (Benz et al., 2004; Blaschke &
Strobl, 2001; Congedo, 2016; Jensen, 1996). Pour mettre en œuvre cette méthode, il est
nécessaire de disposer de plusieurs sources de données externes, telles que des cartes
topographiques , l'Inventaire forestier national (IFN), des images d'archives de Google Earth
Pro, des images satellites et des indices spectraux tels que l'indice de végétation par différence
normalisée (NDVI), l'indice de différence d'eau normalisée (NDWI), l'indice de végétation
ajusté au sol (SAVI), l'indice de différence de zones construites normalisées (NDBI) et l'indice
de brûlure normalisée (NBR). L'intégration de ces données externes permet d'apporter des
éléments distinctifs supplémentaires (Batini & Scannapieco, 2016) afin d'améliorer
l'identification et l'interprétation des classes thématiques échantillonnées dans l'image
satellitaire.
3.2.2.3. Classe d’occupation de sol
La nomenclature de CORINE Land Cover est une typologie hiérarchisée en trois niveaux qui
englobe l'intégralité d'un territoire. Cette norme européenne permet de cartographier le territoire