Cartographie des vergers de manguier dans la zone des Niayes au Sénégal par télédétection orientée-objet multi-échelle

Smail Mounir. 2018. Cartographie des vergers de manguier dans la zone des Niayes au Sénégal par télédétection orientée-objet multi-échelle. Montpellier : Université Paul Valéry Montpellier 3, 45 p. Mémoire de master 2 : Géomatique : Université Paul Valéry Montpellier 3

Encadrement : Lelong, Camille ; Faye, Emile

Résumé : La télédétection et les images à très haute résolution spatiale offrent aujourd'hui la possibilité de caractériser les éléments du paysage de petite taille, comme les parcelles agricoles, les surfaces arborées telles que les vergers ou bien même de cartographier les arbres. Ce stage rentre dans le cadre du projet DigitAg et la thèse de Julien Saron qui porte sur <<l'estimation spatialisée des rendements d'une culture pérenne en Afrique de l'Ouest : le cas du manguier au Sénégal >>. L'objectif de ce stage est de cartographier les espèces arborées dans la zone des Niayes (Sénégal), et de produire une carte représentant la distribution des vergers de manguiers, permettant ainsi une analyse spatiale. Cette zone, considérée comme la première région horticole du pays pour la production et l'exportation de légumes sur le marché, bénéficie de sa proximité aux grandes villes (Dakar, Noto,etc) et de son climat maritime doux. La réalisation de la carte d'occupation du sol a été réalisée grâce à une classification orientée objet composée d'étapes de segmentation et de classification, sur des données à très haute résolution spatiale Pléiades (2m de résolution spatiale en mode multispectrale et 0.5m en panchromatique). Le résultat final de la classification prend en compte une nomenclature à sept classes (Sol nu, Bâti, Culture annuelle, Surface en eau, Verger qui regroupe les arbres fruitiers, et Massif arboré qui regroupe le bois, la forêt, ou toute plantation d'arbre non fruitier). Cette nomenclature résulte de l'incapacité à séparer les manguiers des autres espèces d'arbres (chevauchement de signature spectrale et de texture). La comparaison des deux algorithmes les plus couramment utilisés a permis de choisir RF (au profit de SVM). Les résultats de la classification avec l'algorithme RF ont été évalués et validés avec la matrice de confusion, avec une précision globale satisfaisante de 87% et indice Kappa de 77%. Cette étude a permis d'identifier les principales contraintes liées à la détection des vergers de manguiers et de contribuer au développement des techniques de télédétection pour l'amélioration de la production agricole au Sénégal.

Résumé (autre langue) : Remote sensing techniques associated with Very High Resolution imagery allow to characterize small landscape elements such as agricultural parcels, wooded areas such as mango orchards as well as individual trees. This internship is part of the DigitAg project and Julien Saron PhD thesis about “the spatial estimation of agricultural returns of a perennial crop in West Africa: the case of mango in Senegal”. The aim of this internship is to map wooded species in the Niayes area (Sénégal) and to produce an output map of the distribution of mango orchards allowing spatial analysis. This area, first horticultural region of Senegal of exportation and production of vegetables, benefit from a proximity to big cities (Dakar, Noto, etc) and from a maritime and mild climate. A land cover map has been produced following steps of segmentation and classification as part of supervised object-oriented classification, based on Very High-Resolution Pléiades imagery (2m spatial resolution in multispectral mode and 0.5m in panchromatic). Classification final result is based on a seven classes typology (sealed soils, built-up areas, annual crops, water surfaces, orchards (fruit trees) and wooded massif (wood, forests, non fruit trees). This typology has been defined because of the difficulty to distinguish mango trees to other trees (mainly because of spectral and textural signature overlap). We tested two broadly used algorithms and select RF (which performed better than SVM). Classification results with RF algorithm have been evaluated and tested with a confusion matrix, performing a good global precision of 87% and Kappa index of 77%. This study allowed to identify the main constraints of mango orchards spatial detection and to contribute to the development of remote sensing techniques for the improvement of agricultural production in Senegal.

Mots-clés libres : Remote sensing, Mangue, Senegal, Pleiades, Occupation des sols

Auteurs et affiliations

• Smail Mounir, Université Paul Valéry Montpellier 3 (FRA)

Source : Cirad-Agritrop (https://agritrop.cirad.fr/592826/)

Métriques

[ Page générée et mise en cache le 2019-10-04 ]