ANALYSE MULTICRITERE POUR UNE PRISE DE DECISION

La méthodologie permettra la réalisation de la carte de sensibilité à l’érosion hydrique en utilisant deux modèles analytiques. Dans le premier modèle le croisement des couches sera réalisé sans pondération des couches thématiques (images rasters), tandis que dans le second l’utilisateur a le libre choix d’affecter à chaque couche (critère) une valeur de pondération en pourcentage. L’objectif de l’AMC est de fournir des cartes d’aide à la décision pour chaque état de la variable. Pour cet usage de l’espace, la procédure générera une carte d’aptitude ou de probabilité que l’on peut qualifier de carte décisionnelle. L’AMC se déroule en plusieurs étapes dont les principales sont la catégorisation des couches « critères » en facteurs et contraintes, la standardisation des facteurs (transformation des unités d’origine en indice d’aptitude) par recours à des fonctions d’appartenance (linéaire) et la pondération des facteurs (par la matrice de Saaty) et leur agrégation pour obtenir la carte d’aptitude [17] (Fig.26).  Figure.26 Méthodologie Classification (Arc GIS) Type de sol Lithologie Occupation du sol Altitude Format : Vecteur Raster Identification des critères MNT Pente Forme du BV Délimitation du Bassin Versant Pondération des critères (IDRISI) Carte de la vulnérabilité à l’érosion hydrique du versant d’Alaotra 53  Identification des critères La pluie (pouvoir érosif de la pluie) est un facteur principal à l’érosion hydrique, mais comme notre donnée précipitation provient d’une seule station (Ambohitsilaozana), ce critère ne peut contribuer à l’élaboration de la carte d’aptitude à l’érosion. Nous avons retenu ainsi six critères. 1- Type de sol (aptitude du sol au détachement des particules) 2- Lithologie (l’influence de la roche mère) 3- Pente (ruissellement en fonction de la pente) 4- Altitude (drainage de l’eau en fonction de l’altitude) 5- Sol Occupation de sol (couvert végétal : forêt, arborée,…) 6- Forme du bassin versant (influence sur la longueur du parcours du drainage)  Classification de chaque critère Les critères énumérés ci-dessus seront classés dans l’outil Spatial Analyst d’Arctoolbox. Le principe est de redéfinir les fourchettes de valeurs d’une image raster selon un but précis. Prenons exemple le cas du critère altitude. Par défaut les valeurs indiquées ont été entre 702 et 1577 m représentant l’échelle d’altitude du bas vers haut. C’est par la suite que nous attribuons les quatre classes de valeurs (Tableau 13) pour pouvoir attribuer la qualification de « faible » à « très fort ». La pratique de cette reclassification des critères est illustrée dans l’annexe

Pondération des critères

Après avoir déterminé l’ensemble des critères pris en compte dans l’érosion hydrique et les avoir classifier ensuite, nous avons procédé à une analyse multicritère basée sur la méthode pondérée. Nous réalisons une pondération des facteurs basée sur la technique de comparaison par paires (pairwise comparison) dans le contexte de processus décisionnel appelé Analytical Hierarchy Process (AHP).Cette méthode est réalisée par le module d’analyse multicritère d’IDRISI qui représente la procédure de combinaison de critères prenant la forme : Où : C’est l’indice composite, Xi est la valeur du facteur i, Wi est le poids de chaque facteur et Cj est la valeur de la contrainte j. Ainsi, les facteurs sont comparés, deux à deux, dans une matrice de comparaison dite de Saaty, et ce, en fonction de leur importance relative par rapport à l’objectif fixé (Fig.27). Il faut signifier que la note est subjective et dépend entièrement de l’analyste. 54 Figure.27 Représentation de l’échelle de SAATY (Méthode AHP) : Source [19] Le remplissage de la matrice de Saaty par comparaison des paires produit un poids pour chaque facteur. Il produit ainsi un indice de cohérence qui montre la probabilité que les notes de la matrice soient générées au hasard et les incohérences éventuelles au sein de celle-ci. La pondération est acceptée si l’indice de cohérence est inférieur à 0,1. Dans le cas contraire, la matrice est réévaluée [18]. Les poids sont déterminés à partir d’une série de comparaisons par paires de facteur quant à leur importance dans la détermination de l’aptitude pour produire des coefficients de pondération standardisés dont la somme est égale à 1. Ces poids sont ensuite utilisés pour pondérer les facteurs dans le cadre d’une combinaison par pondération linéaire faisant appel au logiciel IDRISI.  Carte de vulnérabilité Carte issue de l’analyse multicritère basée sur la méthode linéaire pondérée: Application des modules analyse multicritère et WEIGHT d’IDRISI sur les facteurs et les contraintes. 

Evolution de l’occupation du sol

Le but est un aperçu général de l’évolution de l’occupation de sol. En prenant référence à un élément, nous constatons le changement. Dans notre cas, nous avons choisi de constater l’évolution du lac entre les années 2008 et 2017 selon la disponibilité des données. 

Acquisition de données satellitaires

Selon la disponibilité des données et l’observation du bassin versant d’Alaotra, nous avons pris des images Landsat venant du capteur Thematic Mapper (TM) et l’Operational Land Imager (OLI) recouvrant une scène de 185 km x 185 km et avec 30m de résolution. Ainsi, pour l’évolution de l’occupation de sol autour du lac Alaotra, voici les détails des images (Tableau 9): 55 Tableau 9: Caractéristiques des images Lansdsat Nous pouvons voir une illustration de l’extraction de l’image Landsat sur la zone d’étude en annexe 5. Pour le Landsat 05, l’application principale de chaque bande est présentée dans le tableau suivant (Tableau 10) Date Landsat Scènes Bandes Spectre électromagnétique Capteur 01/04/08 Landsat 5 (1984) 185 km x 185 km 1 2 3 4 5 6 7 0.45–0.52 µm (blue-green) 0.52–0.60 µm (green) 0.63–0.69 µm (red) 0.76–0.90 µm (near infrared) 1.55–1.75 µm (mid infrared) 10.4–12.5 µm (far infrared) 2.08–2.35 µm (mid infrared) TM (thematic mapper) 17/09/17 Landsat 08 OLI&TIRS (2013) 185 km x 185 km 1 2 3 4 5 6 7 8 9 10 11 Coastal aerosol 0.43–0.45 µm (30m) Blue 0.45–0.51 µm Green 0.53–0.59S µm Red 0.64–0.67 µm NIR 0.85–0.88 µm SWIR1 1.57–1.65 µm SWIR2 2.11–2.29 µm Panchromatic 0.50–0.68 µm (15) Cirrus 1.36–1.38 µm (30) 10,60-11,19(100) 11,5-12,51 OLI (l’Operational Land Imager) 56 Tableau 10: Caractéristiques des 7 bandes du landsat 05 TM

DETECTION DU CHANGEMENT DE L’OCCUPATION DU SOL

– Acquisition de donnée sur Envi – Extraction de la zone d’étude – Traitement d’image satellitaire  Composition colorée et interprétation visuelle d’image La composition colorée a consisté à combiner des informations que contiennent trois bandes en les affichant simultanément dans les trois couleurs primaires (rouge, vert et bleu). L’objectif de cette opération est d’avoir une synthèse d’informations en vue de faire une bonne discrimination des types de formations végétales. Au terme de plusieurs combinaisons, la B1 : 0.45-0.52 Bleu 30×30 185 Pénétration des plans d’eau, cartographie des eaux territoriales B2 : 0.52-0.60 Vert 30×30 185 Distinction de la végétation, évaluation de la vigueur et identification des différents types de cultures B3 : 0.63-0.69 Rouge 30×30 185 Absorption de la chlorophylle, et différenciation des espèces végétales B4 : 0.76-0.90 Proche IR 30×30 185 Détermination des types de végétation et surveillance de la vigueur et de la biomasse, définition des limites des plans d’eau B5 : 1.55-1.75 Moyen IR 30×30 185 Indicateurs de végétation et d’humidité du sol utilisés pour la différenciation de la neige et des usages B6 : 10.4-12.5 IR therm. TM 120×120 ETM+ 60×60 185 Analyse des contraintes de végétation, distinction de l’humidité du sol et cartographie thermique B7 : 2.08-2.35 Moyen IR 30×30 185 Identification des types de roches et de minéraux, cartographie hydrothermale et mesure de l’humidité du sol et de la végétation 57 composition colorée 451 a été choisie pour l’image landsat05, car elle présente les meilleures discriminations des types d’occupation du sol pour permettre la classification.  Classification Classification supervisée sera utilisée car nous avons utilisé des images Google earth pour les endroits dont nous sommes sures. (Validation du ROI). (Annexe 6) L’algorithme de classification selon le maximum de vraisemblance (« Maximum Likelihood ») est appliqué à tous les pixels de l’image sur base des paramètres statistiques décrivant chaque signature spectrale obtenue. La comparaison entre les valeurs de chaque pixel et les signatures spectrales des différentes classes déterminera la probabilité d’appartenance du pixel à chacune des classes.