NISSR
STOCKAGE ET GESTION DES DONNEES
Un stockage et une gestion efficaces sont les fonctions premières des SIG. L’échelle des SIG peut s’étendre d’un niveau local, régional jusqu’à un niveau global et leurs contextes de gestion varient de l’environnement à la sociologie et de l’administration civile à l’économie. Ainsi que nous l’avons démontré plus haut, n’importe quel type de sources de données pertinentes telles que les cartes géologiques et géographiques, l’information d’utilisation du sol, les images spatiales, les données démographiques, socio-économiques, etc., peuvent être intégrées dans les SIG pour le stockage, la gestion ou d’autres analyses.
SUIVI ET DETECTION DE CHANGEMENT
Il est possible de surveiller le changement environnemental et d’entreprendre une détection simple de changement par la vectorisation puisque des données spatiales dynamiques multitemporelles et leur information de changement peuvent être intégrées et mises à jour dans le système d’information géographique. Avec des SIG, il est facile de localiser et distinguer n’importe quel changement spatial.
ANALYSE SPATIALE
L’analyse spatiale se compose de deux genres d’analyse : l’analyse de base et l’analyse avancée. L’analyse de base inclut la logique, l’arithmétique, les opérations statistiques, la classification, la création de zones d’amortisseur (buffer) pour les caractéristiques des intracouches et l’analyse en superposition (overlayer) pour les caractéristiques des intercouches, ce qui nous permet de manipuler, de calculer les dispositifs spatiaux pertinents dans ou entre les couches thématiques. La zone-tampon définissant la proximité spatiale est créée grâce à la fonction de création d’amortisseur (buffer) autour du dispositif intéressé. L’analyse de couches en superposition peut être exécutée pour des données de vecteur et de raster (cellule de grille).
L’analyse avancée ou modélisation spatiale, vise à résoudre des problèmes d’ordre spatial, par exemple déterminer géologiquement les endroits d’éboulement potentiel ou les sections d’érosion de sol ou le choix du meilleur emplacement pour une nouvelle école ou une usine. Exécuter la modélisation spatiale sur un sujet intéressant en s’appuyant sur une base de données disponible est l’une des fonctionnalités les plus utiles des SIG. Ainsi que McCoy et al. (2001) l’ont représentée, la modélisation peut être traitée en cinq étapes :
Etape 1 : énoncé du problème et objectif ;
Etape 2 : décomposition du problème (identification des éléments et de leurs interactions, établissement des paramètres et création de l’ensemble de données nécessaires pour développer les modèles de représentation) ;
Etape 3 : exploration de l’ensemble des données à intégrer (prise en compte du rapport spatial et d’attribut des objets individuels dans le paysage ainsi que leurs rapports réciproques) ;
Etape 4 : analyse (identification des outils à employer pour établir le modèle global tel que le buffering, l’inclinaison et l’estimation (la pesée, le soupesage -weighting) ;
Etape 5 : vérification du résultat de la modélisation (confirmation du résultat de la modélisation sur le terrain pour voir s’il est raisonnable et acceptable, sinon, retour à l’étape 4 en changeant les paramètres) ; et
Etape 6 : mise en œuvre des résultats.
Ainsi pour déterminer, d’un point de vue géologique, qu’une zone présente un risque potentiel d’éboulement (étape 1), l’analyse des éléments ou des paramètres tels que les types de pente, de sol et de roche, la densité de rupture, les précipitations, l’activité humaine, liés au phénomène ainsi que leurs interactions doit impérativement être effectuée (étape 2). Puis il s’agira d’explorer et de créer les ensembles de données nécessaires pour la quantification des paramètres. Habituellement, un modèle de MNT dont les données de pente et d’aspect peuvent être déduites, des cartes géologiques et lithologiques détaillées, la carte de sol, les capacités de résistance, la densité de fissure, les immersions et les angles d’immersion des ruptures principales, les données de précipitations, de présence ou d’absence de faille active ou du volcan actif, etc., sont nécessaires (étape 3). Il s’agit d’utiliser les outils nécessaires pour concevoir un modèle dans lequel tous les paramètres soit combinés ensemble. C’est en intégrant l’importance de chacun dans le phénomène potentiel d’éboulement et en évaluant les rôles potentiels de tous les éléments, que la modélisation sera réalisée (étape 4). Si la vérification de terrain confirme le bien fondé du résultat de modélisation (étape 5) on peut passer à l’étape 6 pour l’exécution du résultat ou retourner à l’étape 4, en changeant les paramètres de modélisation, une nouvelle fois. Ce processus peut être répété jusqu’à l’obtention d’un résultat satisfaisant. Un bon résultat pourra être utilisé pour prévenir des risques ou tout autre usage. Par conséquent, l’analyse spatiale des SIG peut nous aider dans la prise de décision.
APPLICATION DES SIG A LA RECHERCHE ENVIRONNEMENTALE
Sur la base des fonctions présentées ci-dessus, les SIG ont été largement appliqués aux aspects suivants de la recherche pour l’environnement :
Gestion, suivi et planification de l’environnement (Lindgren, 1985, De Sède et al., 1992 ; Didon et al., 1992 ; Meuret et al., 1992 ; Nicoullaud et al., 1992, Duguay et al., 1996 ; French et al., 1996 ; Negahban et al., 1996 ; Bibby et al., 1999 ; Larsen, 1999) ;
Cartographie (Vidal et al., 1992) ;
Analyse et modélisation spatiales (Baize et al., 1992 ; Gaury, 1992 ; Legros et al., 1992 ; Gessler et al., 1996 ; Mackey et al., 1996 ; Maidment, 1996 ; Mitasova et al., 1996 ; Aspinall et al., 1996 ; Aspinall, 1999 ; Verburg, et al., 2000 ; Serneels et al., 2001) ;
Evaluation d’écoulement (King et al., 1992 ; Battaglin et al., 1996 ; Vieux et al., 1996),
Evaluation du risque naturel (Brimicombe et al., 1996 ; Emmi et al., 1996 ; Wu et al., 2003a). Cependant, une grande partie de l’utilité des SIG réside dans leur efficacité pour la gestion et la mise en œuvre des données spatiales (Aspinall, 1999). La réflexion spatiale a pris peu de place dans la recherche écologique qui s’est plutôt orientée vers la compréhension des processus que vers l’analyse de mode (Getis, 1999 ; et Openshaw et al., 1999). L’utilisation d’une analyse statistique spatiale avancée, intégrant d’une manière synthétique divers genres d’information spatiale, et permettant de traiter de nombreuses données spatiales à l’échelle régionale voire globale, pourrait être fort utile. Il est probable que le manque d’ensemble d’outils (package) de modélisation plus performants pouvant être intégrés dans les GIS, implique que ce potentiel reste encore beaucoup à développer. Quelques efforts ont été faits, par exemple, Anselin (1992) a développé le logiciel SpaceStat pour l’analyse de données spatiale qui a été lié avec l’ArcView (http://www.rri.wvu.edu/utilities.htm) (Anselin, 1999). Mais l’analyse spatiale liée aux SIG reste toujours à améliorer en particulier pour traiter les très nombreuses et hétérogènes données spatiales. Un exposé plus détaillé en ce qui concerne l’analyse statistique spatiale basée sur les SIG sera présenté dans la section suivante.
L’objectif final de l’application des SIG est de participer à la prise de décision des dirigeants, en s’appuyant sur une analyse synthétique. Par conséquent en intégrant la télédétection et les données géographiques, les SIG constituent un outil puissant pour surveiller et modéliser l’environnement aride.
ANALYSE DE L’INTERACTION HOMME-ENVIRONNEMENT
INTRODUCTION
Tout au long de leur histoire, les activités humaines comme les cultures agricoles, l’urbanisation et le déboisement, ont été contraintes, dans une certaine mesure, par les conditions naturelles et ont simultanément provoqué la modification, voire la dégradation de l’environnement. Pour évaluer le potentiel de développement des ressources naturelles telles que le sol ou prévoir la tendance de changement environnemental, on doit connaître la trajectoire de changement passé, comprendre les forces d’entraînement d’un tel changement et estimer la future évolution probable. Par conséquent, l’analyse de l’interaction entre l’homme et la nature a été de plus en plus considérée, lors des dernières décennies, comme essentielle dans la recherche de l’environnement. Cependant, le changement environnemental est un processus complexe provoqué par des facteurs humains et naturels. Il n’est guère possible d’effectuer une simulation parfaite pour modéliser le processus de changement. La modélisation est donc bien une tentative pour appréhender approximativement le mécanisme de changement environnemental et estimer son évolution future. La modélisation de changement environnemental remonte au début des années 1970. Les approches fréquemment utilisées sont la chaîne de Markov, le modèle de la fonction logistique, le modèle de régression, le modèle statistique spatial, le modèle de simulation spatiale dynamique, etc. Selon l’analyse de Lambin (1994), tous ces modèles peuvent être principalement classés en trois types selon leur capacité à répondre aux trois questions pertinentes : pourquoi, quand et où la modification environnementale, telle que le déboisement, se produira-t-elle ? Les différents modèles servent pour les différentes questions et sont essentiellement complémentaires. Le modèle de régression peut indiquer les causes ou les forces d’entraînement et répondre à la question pourquoi. La chaîne de Markov et les modèles de la fonction logistique indiquent la probabilité et le taux de changement temporel et répondent à la question quand. Le modèle statistique spatial étudie la probabilité de changement dans l’espace en répondant la question où. Les modèles plus complexes tel que les modèles de simulation spatiale dynamique cherchent des réponses pour l’ensemble de ces questions.
Les objectifs de la modélisation sont d’améliorer notre compréhension des forces régissant le changement environnemental, de décrire quantitativement le rapport homme-environnement et de prévoir l’évolution temporelle, en particulier pour le futur.
APPROCHES POUR LA MODELISATION
Comme nous l’avons mentionné ci-dessus, plusieurs approches pour la modélisation environnementale sont réellement utilisables.
La chaîne de Markov, qui décrit stochastiquement les processus passant par étapes, d’un état à l’autre, a été à l’origine étudiée par A. A. Markov en 1906 (Dynkin, 1960). Elle a été appliquée à la géographie par Brown (1970) et Collins et al.(1974), au changement d’utilisation du sol par Burham (1973), Bell (1974), Bell et al. (1977), Robinson (1978), et Brown et al (2000), et au déboisement par Miller (1978) et Nualchawee et al.(1981). Wang et al. (1980 et 1992) ont appliqué cette théorie à la naissance et au processus de la mort en démographie. Son avantage réside dans sa simplicité mathématique et opérationnelle (Lambin, 1994). Pour étudier les changements de l’occupation du sol, le mécanisme central de la chaîne de Markov est une probabilité, pij, qui se réfère à la probabilité de transition ou de mouvement de l’état i à l’état j dans un intervalle de temps connu, représentée par la fraction ou le pourcentage de l’occupation du sol de différents types. Le processus de Markov, en ce qui concerne le modèle de paysage distinct, peut s’exprimer comme suit (Lambin, 1994) où nt est un vecteur de colonne, nt = (n1,….nm), dont les éléments sont les fractions de secteur du
terrain dans chacun des m états au temps t et M est une matrice m m dont les éléments, pij, sont les probabilités de transition pendant l’intervalle de temps t à t+1. En cas de difficultés pour comprendre la dynamique de changement et ses autres impacts, un tel modèle probabiliste permet de mieux appréhender le processus de changement.
Le modèle de la fonction logistique, dépeignant mathématiquement les courbes en forme de S, a, pour la première fois, été appliqué à la biologie par Verhulst en 1845 pour simuler la stabilisation de la croissance d’une population dans un environnement où les ressources sont limitées. Palo et al. (1984, 1987), Esser (1989), Scotti (1990), Grainger (1986, 1990), Reis et al.(1990) (voir la revue par Lambin, 1994) l’ont ensuite utilisé pour modéliser les taux de déboisement.
Le modèle de simulation spatiale dynamique, est en fait un modèle de simulation dynamique d’écosystème, mettant en avant une analyse de l’interaction de tous les composants formant l’écosystème, tels que la condition écologique, l’utilisation du sol, le déboisement, la prise de décision et les activités socio-économiques humaines, et utilisant les outils mathématiques ou statistiques. Sklar et al. (1985, 1991), Wilkie et al.(1988), Costanza et al. (1990), Rotman et al. (1991), Southworth et al.(1991), Dale et al.(1993a, b), etc., ont développé quelques modèles pour évaluer les impacts pour l’écosystème du changement d’occupation du sol, par exemple le déboisement. De tels modèles sont les approches de modélisation les plus avancées pour un problème complexe, dynamique et spatial. Ils permettent de prévoir les changements temporels de l’environnement, de déterminer où le changement interviendra et peuvent probablement être efficacement liés avec des données de télédétection pour le calibrage et la validation de modèles (Lambin, 1994). Cependant la question du pourquoi devrait être résolue avant le développement d’un tel modèle.
Télécharger le document complet
