Chapitre 3 : Étude des Pressions Anthropiques sur les Écosystèmes Côtiers : Analyse des
Sources et Gestion des Risques.
96
3.2.2.5. Détection du changement.
Pour mesurer les changements dans les classes d'occupation du sol, (taux d’évolution annuel et
taux de changement global) entre les années 1990 et 2022 furent déterminés respectivement à
travers l’équation proposée par la FAO (Project, 1996) (2) et celle de Bernier (1992) (3)
couramment employée pour mesurer la croissance des agrégats macroéconomiques entre deux
périodes données (Kpedenou et al., 2016; Rabehi et al., 2019; Xiuwan, 2002).dons notre cas
,l'agrégat serait la combinaison de toutes ces classes d'occupation du sol pour former une mesure
globale de la superficie totale occupée par ces différentes catégories.
Les valeurs positives représentent une progression de la superficie de la classe pendant la
période analysée tandis que les valeurs négatives indiquent la perte de surface d’une classe entre
les deux dates. Les valeurs proches de zéro nous indiquent que la classe reste relativement stable
entre les deux dates.
í µí±» í µí² =
í µí± 2 −í µí± 1
í µí± 1
× 100……..(2)
í µí±» í µí² = (
í µí°¿í µí± í µí± 2 −í µí°¿í µí±í µí± 1
(í µí±¡ 2− í µí±¡ 1 )∗í µí°¿í µí±(í µí±)
) ∗ 100 ……(3)
Avec S1 : la surface d’une classe d’unité de surface à la date t1 ; S2 la superficie de la
même classe d’unité de surface à la date t2 ; í µí±³í µí² le logarithme népérien ; í µí² la base des
logarithmes népériens (í µí± =2,71828).
3.2.2.6. Résultat
3.2.2.6.1. Evaluation de la précision des classifications
L'évaluation de la précision des classifications d'une image satellitaire est une étape
cruciale pour garantir la qualité et la fiabilité des informations obtenues, ainsi que
pour assurer leur pertinence pour les applications envisagées (Caprioli &
Tarantino, 2001; Diédhiou et al., 2020; Rwanga & Ndambuki, 2017; Xiuwan,
2002). Pour ce faire ; la matrice de confusion est l'un des outils les plus couramment
utilisés. Elle permet de calculer le coefficient de kappa (Cohen, 1968) variant entre
0 et 1. Cet indice traduit un niveau d'accord (de concordance) d'autant plus élevé que
sa valeur est proche de 1. Le coefficient Kappa se calcule en appliquant la formule
suivante :
í µí°¾ =
í µí±í µí±(í µí±)−í µí±í µí±(í µí±)
1−í µí±í µí±(í µí±)
……………..(4)
Où Pr(a) est la proportion de l'accord entre codeurs et Pr(e) la probabilité d'un accord aléatoire
Ce processus permet d'évaluer la précision de manière plus objective et fiable, Les
résultats montrent que notre classification est un Accord fort (tableau 3. 13)
Sources et Gestion des Risques.
96
3.2.2.5. Détection du changement.
Pour mesurer les changements dans les classes d'occupation du sol, (taux d’évolution annuel et
taux de changement global) entre les années 1990 et 2022 furent déterminés respectivement à
travers l’équation proposée par la FAO (Project, 1996) (2) et celle de Bernier (1992) (3)
couramment employée pour mesurer la croissance des agrégats macroéconomiques entre deux
périodes données (Kpedenou et al., 2016; Rabehi et al., 2019; Xiuwan, 2002).dons notre cas
,l'agrégat serait la combinaison de toutes ces classes d'occupation du sol pour former une mesure
globale de la superficie totale occupée par ces différentes catégories.
Les valeurs positives représentent une progression de la superficie de la classe pendant la
période analysée tandis que les valeurs négatives indiquent la perte de surface d’une classe entre
les deux dates. Les valeurs proches de zéro nous indiquent que la classe reste relativement stable
entre les deux dates.
í µí±» í µí² =
í µí± 2 −í µí± 1
í µí± 1
× 100……..(2)
í µí±» í µí² = (
í µí°¿í µí± í µí± 2 −í µí°¿í µí±í µí± 1
(í µí±¡ 2− í µí±¡ 1 )∗í µí°¿í µí±(í µí±)
) ∗ 100 ……(3)
Avec S1 : la surface d’une classe d’unité de surface à la date t1 ; S2 la superficie de la
même classe d’unité de surface à la date t2 ; í µí±³í µí² le logarithme népérien ; í µí² la base des
logarithmes népériens (í µí± =2,71828).
3.2.2.6. Résultat
3.2.2.6.1. Evaluation de la précision des classifications
L'évaluation de la précision des classifications d'une image satellitaire est une étape
cruciale pour garantir la qualité et la fiabilité des informations obtenues, ainsi que
pour assurer leur pertinence pour les applications envisagées (Caprioli &
Tarantino, 2001; Diédhiou et al., 2020; Rwanga & Ndambuki, 2017; Xiuwan,
2002). Pour ce faire ; la matrice de confusion est l'un des outils les plus couramment
utilisés. Elle permet de calculer le coefficient de kappa (Cohen, 1968) variant entre
0 et 1. Cet indice traduit un niveau d'accord (de concordance) d'autant plus élevé que
sa valeur est proche de 1. Le coefficient Kappa se calcule en appliquant la formule
suivante :
í µí°¾ =
í µí±í µí±(í µí±)−í µí±í µí±(í µí±)
1−í µí±í µí±(í µí±)
……………..(4)
Où Pr(a) est la proportion de l'accord entre codeurs et Pr(e) la probabilité d'un accord aléatoire
Ce processus permet d'évaluer la précision de manière plus objective et fiable, Les
résultats montrent que notre classification est un Accord fort (tableau 3. 13)