Rapport de stage - Planet Action

Antoine Fivel 

Master 2 TGAE 2010-2011 

Rapport de stage 

Maitrise de la cohérence des 

processus de production face à des 

données hétérogènes et incertaines 

Mise en place d’une base de données géospatiales 

multi-sources pour soutenir un inventaire de 

biodiversité en République Centrafricaine 

021-a RAP – août 2011 

Siège social 

25bis, rue Jean Dolent 

75 014 PARIS 

Tél. (+33) 1 45 45 46 61 

Fax. (+33) 1 43 31 62 24 

contact@geo212.fr 

SARL au capital de 24 000 € 

SIRET : 422 598 441 00034 

Code APE : 6202A 

Sous la direction de : 

Rousselin Thierry, maître de stage : Géo212 

Mering Catherine, tutrice de stage : Université Paris VII

Maitrise de la cohérence des processus 

de production pour la mise en place 

d’une base de données géographiques 

Résumé 

Cette étude s’inscrit dans le cadre d’une participation de spécialistes en géomatique et télédétection à 

un projet d’inventaire en biodiversité entomologique en Afrique Centrafricaine pour la mise en place 

d’une base de données géospatiale multi-sources. Elle traite des questions complexes posées par la 

recherche de complémentarité entre des données hétérogènes, que l’on cherche à valoriser. La 

problématique s’oriente ainsi sur les incertitudes intrinsèques aux données, et celles induites par le 

croisement des différents jeux à disposition. Les travaux, menés autour des dimensions temporelle, 

spatiale et spectrale, les analysent pour en minimiser les risques de propagation dans l’infrastructure 

géographique et permettent de proposer des solutions et des pistes de réflexion pour enrichir le projet. 

Mots clés: données hétérogénéités, incertitudes, données géospatiales multi-sources, télédétection, 

SIG, inventaire de biodiversité. 

Abstract 

This study is conforming to a GIS and remote sensing experts’ participation context in an 

entomological biodiversity inventory project in Central African Republic for multi-sources geospatial 

data base implementation. It deals about complex questions on complementary research between 

heterogeneous data we want to promote. The main problem is thus oriented on inherent uncertainties’ 

data, and inferred by their intersections in all available data. Works are conducted on temporal, spatial 

and spectral dimensions. They analyze uncertainties to minimize propagation risks into the 

geographical infrastructure and suggest solutions and remarks to improve the project. 

Key words: heterogeneous data, uncertainties, multi-sources geospatial data, remote sensing, GIS, 

biodiversity inventory. 

Rapport Fivel Master 2 TGAE – Année 2010-2011 

i




Table des matières 

Table des matières................................................................................ ii 

Table des Figures ............................................................................... iii 

Table des Tableaux ............................................................................. iv 

Introduction ...................................................................................... 1 

1 Contexte du travail ......................................................................... 1 

1.1 La société Géo212 .......................................................................1 

1.2 Le projet Sangha 2012 – Biodiversité en Terre Pygmée ..............2 

1.3 Présentation de la zone d’étude ..................................................2 

1.3.1 Situation géographique du Tri-National de la Sangha (TNS)........................................ 2 

1.3.2 Climat ................................................................................................... 3 

1.3.3 Contexte géomorphologique et hydrographique...................................................... 4 

1.3.4 Milieu forestier ......................................................................................... 4 

1.3.5 Biodiversité ............................................................................................. 4 

1.3.6 Conséquences sur notre travail ........................................................................ 5 

2 Définition des objectifs ..................................................................... 5 

2.1 Problématique scientifique .........................................................5 

2.2 Jeux de données disponibles .......................................................6 

2.2.1 Les données de terrain ................................................................................. 6 

2.2.2 Les données d’observation de la terre et météorologiques ........................................... 7 

2.2.3 Adéquation au besoin des données images accessibles pour le projet............................... 8 

2.3 Etat de l’art : hétérogénéité et incertitudes.................................9 

2.3.1 Eléments de contribution aux incertitudes ............................................................ 9 

2.3.2 Comprendre l’incertitude et la caractériser ........................................................... 9 

2.3.3 Les domaines d’incertitudes en télédétection ....................................................... 10 

2.3.4 Incertitudes dans les systèmes d’informations géographiques ..................................... 11 

2.3.5 Conclusion sur l’état de l’art ........................................................................ 13 

2.4 Choix d’orientation des travaux ................................................ 13 

3 Travaux sur la géométrie ................................................................. 14 

3.1 Définition d’un référentiel géométrique commun ...................... 14 

3.1.1 Propriétés intrinsèques des appareils GPS : ........................................................ 14 

3.1.2 Evaluation de la qualité géométrique des images satellites ........................................ 16 

3.1.3 Relation images satellites – points et traces GPS ................................................... 19 

3.1.4 Conséquences sur la qualité de l’infrastructure spatiale de données .............................. 23 

3.2 Conséquences sur l’intégration des données de mission ........... 23 

3.2.1 Impact sur la localisation des observations de terrain 2010 ........................................ 23 

3.2.2 Impact sur le lien entre réflectance et mesures de terrain .......................................... 23 

3.3 Recommandations pour la mission 2012 ................................... 24 

4 Travaux sur l’évolution temporelle des lacs ............................................ 25 


ii




4.1 Méthodologie ............................................................................ 25 

4.2 Résultats obtenus ..................................................................... 26 

4.3 Croisement avec les données météorologiques disponibles ....... 29 

4.4 Croisement avec l’interprétation morphologique de la zone ...... 30 

4.5 Conclusions .............................................................................. 31 

5 Traitements de télédétection sur image satellite ........................................ 33 

5.1 Choix de l’image à traiter .......................................................... 33 

5.2 Choix méthodologiques ............................................................. 34 

5.3 Applications .............................................................................. 34 

5.3.1 Définition du nombre de classes .................................................................... 34 

5.3.2 Chaine de traitements automatiques ................................................................ 36 

5.4 Résultats – cartographie thématique proposée ......................... 37 

5.5 Bilan et discussion .................................................................... 37 

6 Bilan des travaux – Cahier des charges pour le futur .................................. 39 

6.1 Synthèse et feuille de route pour le futur .................................. 40 

6.2 Travaux à mener ....................................................................... 41 

Conclusion générale ........................................................................... 43 

Table des Figures 

Figure 1 : Composantes du Tri National de la Sangha............................................................................ 3 

Figure 2 : Précision en géolocalisation affichée par les récepteurs à chaque acquisition ...................... 15 

Figure 3 : Relevés GPS effectués sur la mire mise en place près du lac 1 en novembre 2010. ............. 15 

Figure 4 : Relevés GPS effectués sur une piscine près de Bangui en novembre 2010 .......................... 16 

Figure 5 : Superposition des deux images SPOT5 ................................................................................ 17 

Figure 6 : Superposition des images ASTER, Landsat et SPOT5 ......................................................... 18 

Figure 7 : Superposition des images SPOT5 et QuickBird (transparence de 50%) ............................... 19 

Figure 8 : Position des points et tracks GPS utilisés ; résidus associés ................................................. 20 

Figure 9 : Décalages mesurés entre traces GPS et pistes au niveau de l'aéroport de Bayanga .............. 21 

Figure 10 : Référentiel géométrique commun entre images satellites , et grille météo RFE 2 .............. 22 

Figure 11 : Photo interprétation du lac 1 sur image Landsat du 01/04/2002 ......................................... 26 

Figure 12 : Expansion de l’eau libre du lac 1 entre le 09/02/2001 et le 05/02/2011 ............................. 27 

Figure 13 : Expansion de la zone inondable du lac 1 entre le 09/02/2001 et le 05/02/2011 .................. 28 

Figure 14 : Cumuls de précipitation sur les 3 décades précédant les acquisitions ................................ 29 

Figure 15 : Valeurs moyennes des précipitations par mois relevées près de Bayanga .......................... 30 

Figure 16 : Intégration des ruptures de pentes interprétées sur image Spot et MNT GDEM ................ 31 

Figure 17 : Grandes unités paysagères identifiées par les naturalistes au niveau des lacs .................... 34 

Figure 18 : Paysages des trois lacs tests ............................................................................................... 35 

Figure 19 : Extraction de la zone test ................................................................................................... 36 

Figure 20 : Organigramme de la chaîne de traitements ........................................................................ 36 


iii




Figure 21 : Cartographie proposée pour l’aide à la décision sur le lac 1............................................... 37 

Figure 22 : Organigramme de la chaîne de traitements proposée ......................................................... 38 

Figure 23 : Réflexion sur les multiples relations potentielles entre les divers types de données........... 40 

Table des Tableaux 

Tableau 1 : Synthèse des données de terrain accessibles pour l’étude .................................................... 7 

Tableau 2 : Synthèse des données d’observation de la terre et de météorologie de l’étude .................... 8 

Tableau 3 : Adéquation au besoin des images satellites disponibles ...................................................... 8 

Tableau 4 : Rapports entre surface en eau libre et zone inondable sur la période 2001-2011 ............... 28 

Tableau 5 : Biais et corrélations en fonction des combinaisons d'entrées du modèle RFE2 ................. 32 

Tableau 6 : Présentation détaillée des travaux à réaliser ....................................................................... 42 


iv




Remerciements 

Je tiens tout particulièrement à remercier : 

Thierry Rousselin mon maitre de stage à Géo212 pour son encadrement, ses qualités d’expert dans le 

domaine de l’information géospatiale, et ses réflexions et orientations sur ce sujet aussi intéressant que 

déroutant (!) qu’il m’a proposé d’étudier. 

L’ensemble de l’équipe du projet Sangha pour les échanges constructifs et les sujets passionnants 

abordés. Ma collaboration au sein d’une équipe spécialisée en entomologie m’a permis d’ouvrir les 

yeux sur un domaine que je ne connaissais jusqu’alors très peu, et le rapprochement de nos disciplines 

ouvre des perspectives très intéressantes. 

Un grand merci à Alexandra, Camille, Alice, Gilles, Pierre Noël, Jacques, Nicolas, Sandy et Karine 

pour leur accueil, leurs idées et conseils, et qui ont fait en sorte que ce stage se déroule dans de bonnes 

conditions. 

Je tiens également à remercier toutes les personnes qui ont participé de près ou de loin à ce travail et 

qui m’ont soutenu tout au long de cette aventure. 

Enfin, je souhaite exprimer toute ma reconnaissance envers le CROUS de Paris qui m’a accordé une 

bourse depuis ma reprise d’étude, il y a maintenant 5 ans, et qui de cette manière a vivement contribué 

à la réalisation de mon projet professionnel. 


v




Introduction 

La participation de spécialistes de la géomatique et du domaine géospatial dans un projet de 

biodiversité orienté sur l’entomologie implique une mise en relation de deux univers très spécifiques, 

qui, au premier abord, semblent présenter peu de points communs. Les questions soulevées 

s’inscrivent dans une problématique assez complexe qui s’oriente sur la possible adéquation entre ces 

domaines et sur la complémentarité de chacun. Elle touche ainsi à la maitrise de cohérence de 

production entre des données hétérogènes et incertaines que l’on cherche à valoriser. 

La présente étude se situe entre deux missions de terrain de l’équipe de naturalistes du projet Sangha 

2012 (2010 et 2012) et constitue un travail préparatoire à la mission principale. Elle vise à évaluer la 

qualité du jeu de données déjà disponible et à élaborer et développer des pistes de réflexion qui 

doivent conduire à une orientation des travaux à venir pour les besoins actuels et futurs. 

Le chapitre 2 présente le contexte du travail, les partenaires, le projet ainsi que la zone d’étude. Les 

objectifs sont définis dans le chapitre 3 qui détaille la problématique scientifique, présente les jeux de 

données et une synthèse bibliographique sur l’hétérogénéité et les incertitudes dans le domaine 

géospatial. Il se clôt par la définition des travaux. Nous les présentons en commençant par le chapitre 

4 qui traite de la géométrie du référentiel, puis, le chapitre 5 orienté sur l’analyse temporelle de la 

zone, pour finir sur le chapitre 6 orienté sur des traitements de télédétection à caractère 

cartographique. 

Enfin, le 7 ème et dernier chapitre synthétise l’ensemble de l’étude et ouvre sur les perspectives, 

notamment par la présentation d’un cahier des charges et d’une feuille de route à destination des 

différents partenaires du projet. 

1 Contexte du travail 

Ce travail s’inscrit dans le cadre des travaux menés par la société Géo212 dans le cadre du projet 

« Sangha 2012 – Biodiversité en Terre Pygmée ». Dans ce chapitre, la société et le projet sont décrits 

et la zone d’étude en République Centrafricaine est brièvement présentée. 

1.1 La société Géo212 

Géo212 est une SARL prestataire de services, spécialisée dans l’imagerie satellite et la géomatique. 

Créée en 1999, et co-gérée par Nicolas Saporiti et Thierry Rousselin, la société travaille 

principalement comme sous-traitant. Les deux gérants, sept salariés et un consultant extérieur 

composent l’équipe, chacun étant spécialisé dans un domaine de compétence particulier (géographiecartographie, 

spécialistes en SIG et qualité de l'information géographique, architecture en systèmes 

d'information et expertise opérationnelle). Geo212 travaille principalement avec la défense française, 

mais également des clients civils (pétrole, mines, environnement, risques, développement urbain) sur 

des chantiers à l’étranger et en grande partie dans les pays émergents. Quatre domaines d’activités 

forment le cœur de la société : le service de contrôle qualité (images et BD vecteurs), l’optimisation du 

choix de sources (images et sources ouvertes glanées sur Internet, la définition de services thématiques 

(comme des services de traficabilité réalisés en partenariat avec le BRGM et le SERTIT), la 

géomorphologie et photo-interprétation. 

Geo212 s’implique également en recherche et développement par le biais de projets visant des 

problématiques variées (système d’alertes sur l’obsolescence de l’information, exploitation des 

Rapport Fivel Master 2 TGAE – Année 2010-2011 Page 1




technologies radar, utilisation des sources ouvertes pour l’aide à la décision, définition du futur 

programme géographie – hydrographie – océanographie – météorologie de la défense française, etc.) 

1.2 Le projet Sangha 2012 – Biodiversité en Terre Pygmée 

Une présentation détaillée du projet se trouve en annexe 1. 

Le projet Sangha 2012 s’inscrit dans le cadre d’une recherche pluridisciplinaire dont l’objectif 

principal est l’évaluation la plus exhaustive possible de la biodiversité d’une zone de grande richesse 

écologique, le Parc National de Dzangha Ndoki, en République Centrafricaine. Cette immense forêt 

primaire est connue pour la richesse de sa biodiversité, en particulier pour ses grands mammifères 

(éléphants, buffles, bongos, gorilles, etc.), ses oiseaux et ses arbres aux essences rares. En revanche, la 

faune entomologique reste assez méconnue et aucune étude complète n’y a été réalisée. En outre, les 

insectes représentent de très bons indicateurs de la biodiversité et de ses changements. Le projet 

Sangha vise un travail de recherche scientifique complet, mais aussi développer des actions durables et 

favoriser les échanges nord-sud avec des partenaires universitaires et scolaires locaux. 

La recherche s’oriente autour de plusieurs axes : réalisation d’un inventaire de la biodiversité centré 

sur l’entomologie, collaboration pluri-disciplinaire (la logistique mise en place lors des missions pour 

accéder à la zone et pour grimper dans les arbres permet d’accueillir des scientifiques de thématiques 

complémentaires, notamment des botanistes ou des ornithologistes), amélioration de la connaissance 

et de la compréhension du milieu, réalisation de formations scientifiques et enfin, rédaction de 

publications et d’actions de communication (film, conférences, exposition). 

Sangha 2012 est un projet sur 3 ans démarré fin 2009. Il est découpé en 5 phases majeures : 

Septembre 2009 – Mars 2010 : Démarrage du projet 

Avril 2010 – Décembre 2010 : Préparation et réalisation d’une mission test 

Janvier 2011 – Décembre 2011 : Préparation de la mission 2012 

Janvier 2012 – Mars 2012 : Réalisation de la mission 2012 

Mars 2012 – Décembre 2012 : Exploitation des résultats de la mission 2012 

Le contexte de ce travail est assez particulier puisque la collaboration scientifique fait intervenir une 

société spécialisée dans la géomatique d’une part, et des spécialistes en entomologie d’autre part, deux 

acteurs assez « hermétiques ». Le stage se situe de plus entre les deux missions de terrain, 2010 et 

2012, un contexte de transition où l’on cherche à tirer les leçons de la mission test et élaborer des 

pistes de réflexion. Les données ont été collectées durant la mission de 2010 sans cahier des charges 

précis par rapport à nos compétences et pourraient s’avérer inutilisables ou inadaptées dans notre 

contexte. Dans cet esprit exploratoire, le travail s’inscrit dans les analyses des besoins et possibilités 

qui doivent mieux cadrer les travaux de terrain de la mission 2012. Nous reviendrons plus loin (§2) sur 

les conséquences que cela a sur notre travail. 

1.3 Présentation de la zone d’étude 

Une présentation détaillée de la zone d’étude se trouve en annexe 2. 

1.3.1 Situation géographique du Tri-National de la Sangha (TNS) 

Le projet est mené en République Centrafricaine, appelée aussi Centrafrique. Enclavé au cœur de 

l’Afrique, le pays est constitué de deux grands bassins : le bassin du Tchad qui s’écoule vers le nord, 

et le bassin du Congo, formé par les affluents de l’Oubangui qui coulent vers le sud. Les reliefs les 





plus importants se situent sur les bordures occidentales et orientales du plateau, avec au nord ouest les 

gradins du massif granitique du Yadé compris entre 1000 et 1400 mètres. 

La zone d’étude se situe à la pointe sud ouest du pays (Figure 1). Elle est bordée par la frontière avec 

le Cameroun à l’ouest, matérialisée par la rivière de la Sangha, et par la frontière avec la République 

du Congo au sud et à l’est. Cette région est une aire protégée transfrontalière dont le complexe 

forestier est géré par un accord signé entre les pays riverains sous le nom de Tri-National de la Sangha 

(TNS). 

Figure 1 : Composantes du Tri National de la Sangha 

Source: Atlas Cameroun-GFW/WRI, CARPE, CCR, SRTM, WCS-Congo, WCS-Gabon, WWF-Jengi; Image Google Earth 

1.3.2 Climat 

L'essentiel du pays est caractérisé par un climat tropical, avec une saison humide de mai à octobre et 

une saison sèche de Novembre à Avril. Sur la région d’étude, les précipitations annuelles moyennes 

varient de 1450 mm à 1600 mm. En zone de transition entre climat de type équatorial congolais et 

climat subtropical, il s’agit d’un régime de précipitations quasi bimodal : la saison des pluies 

principales couvre les mois d’aout à octobre alors que les mois de mai et de juin correspondent à une 

petite saison des pluies. Les mois les moins pluvieux s’échelonnent de décembre à février et 

correspondent à la saison sèche. Il n’y a pas de 2ème saison sèche mais un amoindrissement des pluies 

en juillet. Les températures relevées à Bayanga montrent des moyennes mensuelles de 24.9° en juillet 

et de 29.3° en Avril. La zone est très difficile pour l’exploitation d’images satellites optique en raison 

de la nébulosité quasi omniprésente et de voiles nuageux. 





1.3.3 Contexte géomorphologique et hydrographique 

L’ensemble du paysage est situé sur des plateaux entrecoupés de plaines alluviales avec une altitude 

variant de 300 à 700 m d’altitude. Globalement, le relief local s’organise selon deux grands ensembles 

topographiques avec à l’ouest, la vallée de la Sangha et à l’est, un ensemble de collines. 

Le fond de la vallée de la Sangha évolue d’une altitude d’environ 360 mètres dans la partie amont, au 

nord, à moins de 340 mètres dans la partie aval, au sud. Le versant de rive droite (à l’ouest) est 

constitué de reliefs dépassant les 450 m, distants de 3 à 4 km du lit de la rivière. En revanche, le 

versant de rive gauche est très ouvert, les collines dépassant 450 m sont à une vingtaine de kilomètres 

de la Sangha. 

Le réseau hydrographique de la région est très dense, arrosé par de nombreux affluents de la Sangha. 

Les cours d’eau forment des ensembles de forêts inondables et marécageuses dont les plus importantes 

se retrouvent le long du fleuve. Dans notre zone d’étude, on observe une concentration exceptionnelle 

de petites cuvettes plus ou moins remplies d’eau (de 50 à 350 m de diamètre) appelées « les lacs » 

dans la suite de ce document. Le plus grand lac (Lac 1) a des proportions exceptionnelles puisqu’il 

s’inscrit dans une clairière de plus d’un kilomètre de long. Il est à noter que le régime hydrologique 

régional est intimement lié au rythme pluviométrique. Des observations régulières réalisées à 

proximité de la zone d’étude (même réseau hydrographique), montrent des crues d’octobre à 

novembre, et des étiages sur janvier et février (SEFAC, 2009). 

1.3.4 Milieu forestier 

L’ensemble de notre zone est classée en forêts dense semi-décidue dans les produits d’occupation du 

sol mondiaux (Globcover). La forêt du bassin du Congo représente le deuxième massif forestier après 

la forêt amazonienne. Couvrant près de six pays, cet ensemble comporte un très grand nombre 

d’espèces différentes, représentées chacune seulement par quelques individus, ce que l’on appelle 

« écosystème généralisé » (Un hectare peut compter près de 100 espèces différentes) 

Les caractéristiques hygrométriques influencent largement les types de forêt observées. On compte les 

forêts de terre ferme semi-décidue riches en Limbas et Ayous, les forêts dominantes à 

Gilbertiodendron, les forêts à Marantaceae, les forêts ripicoles à Uapacala et enfin, les forêts 

marécageuses mixtes qui composent la majorité de la région prospectée. Ces dernières se caractérisent 

par une situation de plaine alluviale, avec un relief très peu marqué variant de 350 à 650 mètres 

d’altitude. (UNESCO, 2010). Ce type de forêt se développe partout où la succession forestière se 

poursuit sur des sols gorgés d’eau ou presque, et qui comprend au moins une nappe phréatique 

superficielle pendant les saisons sèches, il n’y a donc pas de période de « ressuiement » (perte 

d’humidité de la terre). Elle correspond à des formations édaphiques liées aux sols hydromorphes, et 

souvent à proximité de clairières inondés aussi appelés baïs ou salines (Doucet et al, 2007) 

1.3.5 Biodiversité 

Le début des années 1990 est marqué par la planification et le développement d’un plan sous-régional 

de conservation pour l’Afrique Centrale sur la base de biomes. Depuis cette époque, la région est ainsi 

sous protection de plusieurs organismes constituant un projet qualifié de Développement et de 

Conservation Intégré (ICDP). Les vastes étendues de forêts intactes abritent une biodiversité 

remarquable, avec entre autre l’une des plus grandes populations de mammifères d’Afrique, avec 

l’éléphant et le gorille. De nombreux insectes trouvent également refuge dans ce milieu, dont certaines 

espèces découvertes lors de la dernière mission de l’équipe Sangha (publications à paraitre). Certains 

indices témoignant de la présence anthropique (braconnage, prospections) renforcent l’intérêt à 

protéger cette région. 





1.3.6 Conséquences sur notre travail 

Les caractéristiques qui viennent d’être présentées montrent que la zone d’étude est difficile pour 

l’observation spatiale, d’autant que la couverture végétale dense peut aussi constituer un rempart pour 

l’exploitation d’images satellites. A côté, les connaissances locales restent relativement limitées, la 

bibliographie se cantonnant essentiellement à des esquisses régionales plutôt qu’à des travaux détaillés 

et récents dans les différents domaines, et certains présupposés s’avèrent obsolètes (présence 

anthropique dans des zones prétendument « vierges »). Dans ce contexte, des informations essentielles 

semblent manquer pour mieux comprendre la complexité des phénomènes présents (karst, 

résurgences, alimentation des lacs et rivière de surface, dynamique végétative, interactions entre 

espèces et milieux, etc.). 

Cette prise de conscience, recadrée dans le type de recherche telle que posée par ce projet, amène à 

développer notre problématique scientifique, présentée ci-après. 

2 Définition des objectifs 

2.1 Problématique scientifique 

Le projet Sangha 2012 s’inscrit dans le cadre d’une recherche pluridisciplinaire dont l’objectif 

principal est l’évaluation la plus exhaustive possible de la biodiversité. Contraction de « diversité 

biologique », le concept de biodiversité apparut au début des années 1990 avec Edward Wilson, 

célèbre entomologiste. Mais comment définir et que se cache derrière ce concept largement diffusé 

auprès du grand public, et reconnu aujourd’hui comme d’intérêt majeur ? Généralement, trois niveaux 

distinguent la diversité du vivant : les gênes, les espèces et les écosystèmes. Si le premier volet est 

abordé, l’équipe naturaliste Sangha s’attache plus particulièrement aux deux derniers niveaux, 

abordant ainsi la biodiversité comme la diversité en espèces, et la diversité de leurs interactions mises 

en place au sein d’un même milieu. Deux disciplines s’y intéressent, la systématique pour le premier, 

l’écologie pour le second. 

Ce qui renvoyait il y a quelques années aux seules disciplines capables de répondre aux questions 

relatives à la biodiversité a aujourd’hui bien évolué. Les inventaires, classifications et analyses 

d’interactions entre espèces ne se limitent plus seulement à quelques épingles agrafées sur des insectes 

ou des feuilles sèches dans un herbier. Le développement de l’informatique et le rapprochement entre 

des domaines scientifiques variés ont contribué à faire évoluer la recherche pour cette science et de 

relever certains des défis que pose une telle entreprise. 

Dans les premières phases du projet, l’apport de la télédétection et de la gestion des informations 

géospatiales n’était vu que sous une forme utilitaire : 

Fourniture avant la mission d’une cartographie de base permettant de supporter la logistique 

du projet et d’anticiper les difficultés ; 

Utilisation durant la mission de cette cartographie pour localiser les collectes et observations ; 

Production à toutes les étapes de documents de communication permettant de valoriser le 

projet sous forme pédagogique ou médiatique. 

A ce premier stade, des difficultés apparaissent déjà, liées à la mise en place d’un référentiel spatial 

cohérent groupant des données hétérogènes. Mais ces difficultés sont assez classiques car rencontrées 

dans tout projet de mise en place d’infrastructure spatiale de données. Elles touchent : 

A différents types d’incertitudes géométriques, plus ou moins bien maîtrisées ; 

A l’intégration dans un même référentiel de données acquises sur une longue période de temps 

avec des précisions très variables et des métadonnées pas toujours exhaustives ; 





 

A l’intégration dans un même référentiel de données acquises par des acteurs différents, aux 

cultures et compétences variées. 

Mais très vite, les attentes ont évolué. La disponibilité d’images d’observation de la terre, rendue 

criante pour tous les acteurs sur la zone explorée par l’image QuickBird accessible via le globe virtuel 

Google Earth, couplée aux premières cartographies livrées (pourtant de simples combinaisons 

colorées) a créé des attentes et donné des idées aux membres de la mission : 

Coupler finement dans l’analyse des écosystèmes, observations de terrain (à un instant t) et 

observation spatiale (dans la durée) ; 

Utiliser l’imagerie comme support de l’analyse des relations complexes qu’entretiennent 

espèces et milieux ; 

Effectuer des mesures spécifiques de terrain (spectrales, colorimétriques) sur les arbres pour 

 

tenter de les relier aux réflectances ; 

Intégrer la « compréhension » de la zone apportée par la télédétection dans le discours 

pédagogique sur sa biodiversité. 

A ce stade, de nouvelles difficultés se font jour. Elles touchent : 

A la différence de nature des objets observés et mesurés ; 

Au fait que travaux de terrain et images ne peuvent être synchrones ; 

 

Au caractère très grossier des connaissances contextuelles, lié à l’absence d’investigations 

scientifiques détaillées de la zone (pas de suivi hydrographique régulier des cours d’eau de la 

région ; pas de station météo suivie dans la région ; cartographies géologique, pédologiques, 

biogéographiques sous forme de synthèses à petite échelle, …). 

Les attentes spécifiques du projet Sangha rejoignent ici une problématique beaucoup plus large. Dans 

tout contexte où l’on cherche à tirer parti de façon combinée de données hétérogènes par nature : 

Comment réaliser les arbitrages pour faire face aux conséquences de l’hétérogénéité et de 

l’incertitude ? 

Quelles méthodes appliquer pour respecter une certaine cohérence de l’ensemble ? 

Comment exploiter les données disponibles le plus efficacement et le plus justement possible 

pour obtenir des résultats scientifiques fiables et cohérents ? 

Jusqu’où peut-on aller dans le rapprochement de disciplines aux objets, outils, méthodes, et 

pratiques différentes et dans la recherche de leurs complémentarités ? 

Une telle réflexion, extrêmement ouverte, pouvant facilement dériver, doit être ancrer concrètement en 

nous restreignant aux analyses permises par le jeu de données mis à notre disposition. 

2.2 Jeux de données disponibles 

Un inventaire détaillé des jeux de données se trouve en annexe 3. Nous dressons ci-dessous un 

inventaire des données disponibles, issues de la mission de terrain et des images retenues et leurs 

caractéristiques principales sous la forme de tableaux. 

2.2.1 Les données de terrain 

Les données récoltées lors de la mission terrain sont riches et variées, c’est pourquoi nous ne 

présenterons dans cette partie que celles qui présentent un intérêt pour une mise en relation avec les 

données géospatiales. 





Nature 

Points et traces GPS 

Photographies 

Identification 

d’espèces végétales 

Contenu, caractéristiques 

Appareils utilisés : Garmin GPSMap 60 CSx et 

Garmin 62S. Précision : géolocalisation (x ; y) 

< 10 m ; altitude (z) ≈ 30 m 

Plus de 60 Go de films et de photographies 

naturalistes Paysages à différentes heures, 

points de référence, échantillons récoltés 

118 arbres dominants (23 espèces) ; 212 

espèces herbacées et plantes à fleur (60 

familles) 

Objectifs 

Prise de points d’appui ; géo 

positionnement des 

échantillons 

Préciser la position de points 

remarquables ; identification 

d’arbres et espèces végétales 

Evaluation de la 

biodiversité ; localisation 

Mesures climatiques Températures, Hygrométrie, luminosité Indications sur le climat 

Mesures 

hydrographiques 

Niveaux d’eau, débits aux exutoires des lacs Connaissance sur les 

variations 

Inventaire 

naturaliste 

65 espèces d’oiseaux, 150 échantillons de 

lichens, 130 échantillons de bryophytes, 

ptéridophytes et autres espèces végétales, 

inventaire entomologique = 10 000 individus 

(20 familles) 

Evaluation de la biodiversité 

Tableau 1 : Synthèse des données de terrain accessibles pour l’étude 

2.2.2 Les données d’observation de la terre et météorologiques 

Type 

Landsat MSS, 

TM et ETM+ 

Résolution 

spatiale 

15, 30 m (80 

m pour MSS) 

Résolution 

spectrale 

7 bandes : 

VNIR et 

SWIR (4 pour 

MSS) 

SPOT 2.50 m 3 bandes : 

VNIR 

QuickBird 60 cm 4 bandes : 

VNIR 

Aster 15, 30, 90 m 14 bandes : 

VNIR, SWIR 

et TIR 

Fauchée Date de 

prise de vue 

180*180 Km 13 dates 

s’étalant sur 

plus de 30 

ans (1979- 

2011) 

60 * 60 Km 23/10/2008 

& 

Extrait 

17*7 Km 

de 

Utilisation 

principale, 

intérêt 

Etude 

cartographique 

diachronique à 

petite échelle 

Etudes 

cartographiques 

détaillées 

04/03/2011 

19/01/2005 Etudes 

cartographiques 

très détaillées 

60 * 60 Km 02/08/2008 MNT, 

informations 

géostructurales, 

hydrologie et 

hydrographie 





Données 

météorologiques 

RFE2* 

* modèle qui utilise quatre sources : 

10 Km Données par 

décades 

disponibles 

depuis 2000 

Cumuls de 

précipitations 

données de terrain issues de 1000 stations sur l’Afrique (d’après la NOAA) ; 

les estimations de l’instrument AMSU (Advanced Microwave Sounding Unit porté par les satellites NOAA, Aqua et Metop) ; 

les estimations de l’instrument SSM/I (Special Sensor Microwave/Imager porté par les satellites DMSP) ; 

les estimations en infrarouge thermique du capteur GPI effectuées sur le dessus des nuages. 

Tableau 2 : Synthèse des données d’observation de la terre et de météorologie de l’étude 

2.2.3 Adéquation au besoin des données images accessibles pour le projet 

Du fait des contraintes d’acquisition des images satellites sur la zone (§1.3.2) et des contraintes 

financières (incapacité pour le projet à acheter des images commerciales ou des programmations), le 

choix des images accessibles ne permet pas de répondre de façon optimale à tous les enjeux. 

Le Tableau 3 ci-après résume les données disponibles pour l’étude et leur adéquation a priori au 

besoin. 

Résol. 

Temp. 

Résol. 

Spatiale 

Résol. 

Spectrale. 

Exigence clé Données disponibles Adéquation 

Couverture sur une très longue Séquence Landsat MSS TM et 

période 

ETM+ de 1979 à 2011 

Couverture multidates sur une année Pas d’images d’été (saison des 

pluies) 

Acquisitions correspondant à la Echec de l’acquisition Spot 

période de mission de terrain pendant la mission mais données 

Landsat 

Couverture THR Scène QuickBird de 2005 

Couverture large de l’ensemble de la Plusieurs couvertures Spot 

zone 

Maximiser le nombre de bandes 

spectrales 

Disposer de mesures de température 

corrélables 

Disposer de mesures visible et 

proche IR corrélables 

(aucune sans défaut) 

Landsat ETM+ en VNIR et SWIR 

et Aster en VNIR, SWIR (HS 

depuis aout 2008 donc pas 

disponible) et TIR 

Spot et QuickBird en VNIR 

ASTER TIR d’août 2008 

Landsat ETM+ et Aster en MR 

Spot et QuickBird en HR et THR 

Tableau 3 : Adéquation au besoin des images satellites disponibles 

 

 

 

? 





2.3 Etat de l’art : hétérogénéité et incertitudes 

L’une des questions typiques que l’on est amené à se poser à propos de l’exploitation de données 

géographiques issues de l’imagerie spatiale est : « Peut-on cartographier des zones agricoles, de forêt 

(ou autre) en utilisant la télédétection et les systèmes d’informations géographiques ? » Et si l’on serait 

tenté de répondre simplement par la positive, la vraie question doit s’élaborer en d’autres termes : 

« Peut-on les cartographier de manière précise et suffisamment pertinente pour conduire une étude 

avec tous les besoins qu’elle nécessite ? » Et là, la réponse devient beaucoup moins évidente, à moins 

d’y introduire la notion d’incertitude. Mais que représentent-t-elles ? Que peut-on y inclure ? A quoi 

peut-on les attribuer ? Comment les identifier ? Les incertitudes peuvent-elles expliquer toutes les 

difficultés rencontrées lorsque l’on tente de tisser des liens entre des données hétérogènes ? Nous 

tentons d’éclaircir cette dimension en détaillant les différents paramètres intervenant dans ce concept 

assez flou afin d’en éclaircir la complexité. 

2.3.1 Eléments de contribution aux incertitudes 

2.3.1.1 Informations et échelle 

Une première question influence largement les sources d’incertitudes qui vont être incluses dans le 

système : que désire-t-on mettre en avant dans l’étude en question, et à quelle échelle ? En prenant le 

simple exemple des classifications thématiques, largement utilisées en télédétection pour cartographier 

une région, on s’aperçoit très vite que les possibilités sont multiples. Typologie grossière de 

l’occupation du sol (cultures, forêt, bâti, eau, etc.), types de culture (blé, houblon, maïs, etc.), stade 

végétatif ou état d’une espèce en particulier, humidité des cultures, autant de caractéristiques relatives 

à l’environnement d’intérêt qu’il convient de définir et donnant lieu à des résultats très variés. On 

retiendra au point de vue de l’échelle que typiquement, dans le cadre de la cartographie thématique, 

plus le niveau de détail exigé augmente, plus la précision des résultats tendra à diminuer (Atkinson et 

Foody, 2002). 

2.3.1.2 Nature et qualité des données 

Que recueille-t-on des données brutes et quelle va en être l’utilisation pour leur cartographie et autre 

analyse spatiale ? Cette question induit nombre de facteurs qui présentent chacun un impact sur la 

qualité des résultats reportés. L’utilisation d’autres sources de données (signatures spectrales issues de 

laboratoire, mesures de terrain, etc.) venant compléter, affiner les informations de l’image satellite, 

permettent d’augmenter la fiabilité et la précision des données pour les résultats finaux. Plus la qualité 

de ces données extérieures augmente, meilleure sera la précision des cartes finales et des études les 

exploitant. 

2.3.1.3 Etendue de la zone d’intérêt 

Généralement, plus la zone à cartographier est étendue, moins le résultat sera précis. Ce paramètre 

requiert de bien cibler les besoins en termes de précision des résultats cartographiques souhaités, ce 

qui peut par exemple varier suivant les différentes classes d’une même carte (Atkinson et Foody, 

2002). Pour une carte thématique, certaines exigences peuvent contraindre l’opérateur à obtenir une 

plus grande précision sur certaines classes que sur les autres. 

Au final, les différents éléments qui viennent d’être énoncés ne sont pas indépendants. Dans ce 

contexte, répondre à notre question de départ implique la prise en compte d’une combinaison 

complexe de facteurs qu’il est nécessaire d’identifier pour l’évaluation des incertitudes résultantes. 

2.3.2 Comprendre l’incertitude et la caractériser 

La littérature propose de nombreux exemples de travaux réalisés sur une région particulière et à un 

moment donné. Lorsqu’une méthodologie, un enchainement de processus de traitements, une 





combinaison particulière de données sont apparus adéquats à la situation, il est difficile d’extrapoler et 

de déterminer quelles seront les meilleures données et les meilleures méthodes de traitement pour une 

nouvelle région, y compris pour une application similaire. Les causes des incertitudes sont donc à 

chaque fois méconnues. L’approche développée par Schott (2007) amène à mieux appréhender cette 

difficulté, grâce à la notion de « chaîne image ». Chaque « chainon » pris individuellement représente 

les différentes étapes du processus de traitement qui composent la chaine complète, c'est-à-dire la 

somme des processus intervenant entre l’image d’origine et le résultat. Ce principe permet de retracer 

les différentes étapes réalisées et les interrelations. Il devient ainsi plus facile de comprendre les 

limites de chaque chainon, et donc de mieux comprendre et évaluer les multiples sources 

d’incertitudes au sein de chaque application particulière. L’idée est d’être en mesure de préciser la 

contribution qu’apporte chacune d’elle dans les incertitudes reportées au document final. L’une des 

illustrations des plus évidentes de ce phénomène est l’effet de différents algorithmes de classification 

sur les incertitudes. D’autres éléments sont également à prendre en considération dans ces incertitudes, 

comme l’effet de corrections atmosphériques et radiométriques sur une classification, ou sur la 

détection de changements pour des processus de traitements calibrés à partir d’images prises en 

différents lieux et/ou temps, sur les images utilisées au final (Song et al, 2001). 

Des travaux émettent la possibilité d’associer aux données spatiales qualifiées d’incertaines, la 

cartographie des intervalles de confiance des pixels attribués à une classe (Foody et al, 1992 ; 

Carpenter et al, 1999 ; McIver et Friedl, 2001). Plusieurs algorithmes de classifications peuvent ainsi 

être configurés pour donner ces renseignements, comme l’erreur quadratique moyenne (RMSE) 

reportée sur les cartes finales. 

Comme nous venons de le voir, de nombreuses étapes sont susceptibles de présenter des limites pour 

les résultats, incluant calibration des images, corrections radiométriques, traitements atmosphériques 

et autres processus plus ou moins complexes. Ces quelques exemples, pris dans le domaine de la 

télédétection, illustrent quelques-uns des chainons à identifier pour éclaircir toute la complexité 

inhérente à la transformation d’une donnée brute pour son exploitation. Caractériser ces incertitudes et 

tenir compte des liens entretenus entre les divers paramètres et processus mis en œuvre tout au long de 

cette chaine améliore nettement la précision, la pertinence des données, et donc l’intégration des 

produits dérivés de la télédétection dans les systèmes d’informations géographiques. 

2.3.3 Les domaines d’incertitudes en télédétection 

Qu’elles relèvent des relations entre propriétés intrinsèques des images, paramètres utilisés pour 

l’exploitation de cette information, ou encore algorithme de classification utilisé, les incertitudes en 

télédétection sont multiples. On les englobe généralement dans plusieurs grands « domaines », et que 

l’on illustre chacun ci-dessous par un exemple. 

2.3.3.1 Incertitudes au niveau des paramètres 

L’un des premiers paramètres d’incertitude intervenant dans la chaine identifiée par Schott serait tout 

d’abord la transformation des valeurs digitales en valeur de réflectance. Chaque image satellite 

présente, de par ses propriétés intrinsèques, différents paramètres tels que la profondeur optique, 

l’angle de prise de vue, la valeur de radiance, etc., chacun apportant son lot d’erreurs, si minimes 

soient-elles, comme variable dans le modèle de transformation, créant ainsi de l’incertitude. Draper et 

Smith (1998) précisent que la certitude relative des paramètres peut être vue comme un contraste entre 

des intervalles de confiance pour une moyenne et des intervalles de prédiction pour des valeurs non 

mesurées 

2.3.3.2 Incertitudes par rapport aux modèles 

Il s’agit de ce que Draper (1995) appelle les incertitudes « structurales », car relatives à la forme ou à 

la structure du modèle, comme les résultats d’une classification effectuée avec un algorithme en 

maximum likelyhood et de ceux d’une classification effectuée avec le plus proche voisin. L’incertitude 





tient au fait qu’il est difficile de savoir lequel de ces deux algorithmes sera le plus adéquat, c’est à dire 

celui qui permettra de se rapprocher le plus près de la réalité. Il est ainsi reconnu que les plus grandes 

incertitudes dépendent déjà du choix du modèle et de ses paramètres (Datcu et al, 1998), comme le 

prouvent les résultats d’une classification thématique suivant ce qui est retenu. Cette difficulté dans le 

choix peut également déboucher sur des biais, à ne pas confondre avec l’incertitude. 

2.3.3.3 Incertitudes à propos du support 

Le support spatial est un concept venant de la géostatistique, qui se réfère à la surface à partir de 

laquelle une variable est mesurée ou évaluée par un modèle. Ce support peut être considéré comme 

l’aire couverte par « l’élément de résolution effectif », noté « ERE », fonction du champ de vue 

instantané (IFOV), des variables relatives au vol (altitude, vitesse, orientation) et des effets 

atmosphériques (Forshaw et al, 1983). Ce « support » n’est jamais connu avec précision puisqu’il n’y 

a pas de réelles « limites spatiales » au niveau du pixel à proprement parlé. La valeur d’un pixel n’est 

pas une moyenne spatiale stricte d’une région (Fisher, 1997), mais dépend de tous les paramètres 

énumérés. Des approximations sont réalisées grâce aux grilles (« grid cell size ») renseignées dans les 

métadonnées. 

2.3.3.4 Incertitudes sur la position 

Elles sont liées aux processus de conversion des réponses de capteurs en une structure de donnée type 

raster. Des corrections géométriques sont réalisées grâce à des points de contrôle (CGPS) par 

différentes méthodes, et malgré l’approche utilisée, des incertitudes métriques peuvent ressortir. 

Seules des valeurs d’erreurs quadratiques moyennes par rapport à ce que Schowengerdt (1997) appelle 

points de contrôle (points tests entre points GPS terrain et GCP’s) peuvent être précisées, ainsi que 

leur distribution (Atkinson et Foody, 2002). 

2.3.3.5 Incertitudes sur les variables 

Les variables sont issues de processus de mesures ou de transformations devenues prioritaires sur 

toutes les autres dans la chaine de traitement de l’image. Les incertitudes paramétriques, structurales, 

de support et de position induisent des incertitudes au niveau des variables évaluées ensuite par le 

modèle. On peut voir ce phénomène comme une propagation d’erreurs et d’incertitudes. Les travaux 

de Heuvelink et Burrough (1993) tentent d’y remédier. 

Toutes les sources d’incertitudes sont interconnectées (Atkinson et Foody, 2002). Quantifier les 

incertitudes paramétriques, structurales, de support et de position sont des objectifs intermédiaires 

pour comprendre les incertitudes des variables, et ce sont ces mêmes valeurs de variables qui 

représentent le sujet d’analyse en télédétection. Plusieurs catégories d’incertitudes peuvent être 

dressées, comme pour Sinton (1978), les incertitudes dans les données géographiques incluent les 

valeurs, la dimension spatiale, temporelle, la cohérence, et la complémentarité. Les résultats d’une 

analyse en télédétection ne seront jamais vraiment cohérents dans le sens où les incertitudes varient 

spatialement. Cette incohérence est exacerbée par le manque de données, du fait que le nombre de 

données référencées disponibles par rapport à la taille de l’ensemble des champs évalués est 

généralement petit. Des méthodes basées sur les modèles de Bayes, qui évaluent la probabilité d’une 

hypothèse en spécifiant les priorités des probabilités, permettent de quantifier les incertitudes. Cette 

technique augmente les capacités d’identifier les sources d’incertitudes, et donc la capacité à mettre en 

exergue les points faibles dans la chaine d’analyse de l’image (Atkinson et Foody, 2002). 

2.3.4 Incertitudes dans les systèmes d’informations géographiques 

Comme nous venons de le voir, les incertitudes sont déjà multiples au sein d’un même domaine. Et si 

nous n’avons effleuré que les incertitudes en télédétection pour illustrer ce propos, force est de 

constater que ce phénomène concerne toutes les couches qui composent une base de données 

d’informations géographiques. Il serait prétentieux de vouloir dresser un inventaire exhaustif des 

problèmes liés aux incertitudes dans les SIG au vu de la complexité de la question et de la diversité 





des études, qui, en fonction de leur spécificité introduisent quantité de paramètres (lieu, dimension 

temporelle, variables en entrée, qualité, etc.) donnant lieu à des résultats très variés. Les incertitudes 

apparaissent à différents niveaux et peuvent être présentés comme suit. 

On notera tout d’abord le niveau individuel, ce que l’on attribue aux caractéristiques intrinsèques de 

chaque donnée. Tout comme les images satellites utilisées en télédétection, chaque source de données 

présente ses erreurs, biais et incertitudes. Elles font intervenir différents facteurs aux impacts plus ou 

moins connus, suivant la nature de chacune d’elle. 

Ensuite, les erreurs spatiales ne peuvent se résumer qu’à un simple chiffre. Prenons l’exemple d’un 

DEM dont l’erreur moyenne est de l’ordre de ±10 m. Pour spécifier cette valeur en un point du DEM, 

on a en fait besoin de la distribution complète des probabilités, c'est-à-dire de tous les paramètres qui 

ont été intégrés. Des tests ont montré qu’en faisant varier les valeurs du DEM suivant cette erreur 

moyenne, les résultats des valeurs de pente peuvent être très différents, que seule la géostatistique est 

capable de mettre en évidence grâce à des analyses statistiques des variations des propriétés spatiales 

(Kitanidis, 1997). Mais peut-on raisonnablement demander à un géomaticien d’avoir les mêmes 

connaissances qu’un géostatisticien pour réaliser une étude des propagations d’erreurs et incertitudes 

dans un SIG ? (Atkinson et Foody, 2002). La communauté géomaticienne développe dans ce sens des 

concepts comme le « error-aware GIS » qui stocke et traite la qualité de chacune des informations 

entrées dans la base de données (Duckham, 2000, Qiu & Hunter, 2002, Atkinson et Foody, 2002). 

Cependant, en l’absence de demande plus soutenue de la part de la communauté sur la qualité des 

données spatiales et l’établissement de documents standards pour les reporter, dans la plupart des cas, 

les méta-informations sur la précision spatiale manquent ou restent limitées, sans description des 

erreurs de variations spatiales (Canters et al, 2002). Ce seul exemple sur les DEM suffit à prendre 

conscience de l’ampleur du phénomène. 

Le cas de multiples données incertaines en entrée ouvre une dimension encore plus large sur la 

variation des incertitudes relatives. Heuvelink (2000) prend l’exemple du modèle d’acidification des 

sols « SMART2 » (Kros et al, 1999) pour illustrer ces problèmes. Développé pour analyser la manière 

dont les particules atmosphériques entrainent l’acidification des sols et comment, en retour, celle-ci 

affecte la qualité de l’eau souterraine, ce modèle est construit à partir d’études générales sur les sols et 

de cartes de végétation non précises. De plus, les processus mis en place pour la cartographie 

impliquent de transformer des informations cartographiques spécifiques à ces sols et à la végétation 

vers des paramètres pour le modèle, ce qui détériore grandement la qualité des entrées pour 

« SMART2 ». Pour évaluer la précision de ce dernier, une étude est entreprise pour analyser comment 

les incertitudes des sources de la carte et la transformation des données se propagent dans la sortie du 

modèle. 11 variables synthétiques reconnues comme incertaines sont ainsi testées, nécessitant la prise 

en compte des erreurs probables de distribution au sein des variables, les fonctions de corrélations 

spatiales entre paramètres, et des précisions faisant appel au jugement d’experts. L’étude montre qu’au 

regard de la complexité du phénomène pointé et du nombre de paramètres intervenants, cette 

évaluation est possible dans une certaine mesure. Elle requiert par contre de très hautes compétences 

en géostatistiques. L’auteur reconnaît encore une fois qu’il n’est pas possible de relever ce type de 

défis sans être armé de solides connaissances en statistiques pour qu’une telle étude soit pertinente. 

Les problèmes d’échelle sont également considérables dans une base de données d’informations 

géographiques hétérogènes. Qu’elles soient spatiales ou temporelle, elles diffèrent généralement 

suivant chaque entrée du SIG, laissant ainsi apparaître des questions complexes quant à la cohérence 

de mise en relation de chacune d’elle. Peut-on faire cohabiter des données météorologiques de 10 Km 

de résolution synthétisant plusieurs jours d’informations avec une image satellite optique à haute 

résolution de 2,5 m ? On ne peut que reposer la question d’une autre manière : l’information que je 

souhaite extraire de mon jeu de données, aussi hétérogène soit-il, sera-t-elle assez pertinente et fiable 

au regard des sources d’informations à disposition ? Et la réponse à celle-ci dépend encore une fois de 





nombreux paramètres (qualité de l’information en entrée, cohérence entre des natures différentes, etc.). 

Et c’est ici que les incertitudes apparaissent entre les ponts. Les résultats de l’analyse de ces 

incertitudes dépendent pour beaucoup du support, c'est-à-dire de l’échelle spatiale et temporelle que 

l’on utilise pour l’analyse (Heuvelink, 2000). Plus l’échelle d’étude est grande, moins les incertitudes 

le sont puisque les valeurs sont de plus en plus moyennées et donc lissées au fur et à mesure que la 

résolution diminue (Atkinson et Foody, 2002). En pratique, il est reconnu que l’échelle de résolution 

spatiale et temporelle des résultats d’une étude ne doit pas s’adapter au support final désiré. Des 

techniques dites d’agrégation et de désagrégation permettent de changer ces échelles, mais ce n’est pas 

toujours très évident à mettre en place (Bierkens et al, 2000). 

2.3.5 Conclusion sur l’état de l’art 

Les problèmes relatifs à l’intégration de données multisources sont très nombreux et se présentent 

comme un enchainement d’incertitudes, erreurs, voire de biais. Elles apparaissent tout au long du 

processus de traitement et d’implémentation des données et de leur mise en relation, sont relativement 

dépendantes les unes des autres et des choix entrepris. Comprendre les incertitudes et les analyser 

revient donc à s’attarder sur cet aspect « chainons » mis en exergue par Schott (1997). Dans ce 

contexte, identifier ces « maillons faibles » est primordial pour comprendre et interpréter les sources 

d’erreurs que l’on peut éventuellement réduire, ou tout au moins renseigner dans les résultats finaux. 

Ce souci de détail apporte de précieux renseignements quant à la qualité du travail cartographique et 

garantit, d’une certaine manière, la pertinence des études qui exploitent ensuite les données. 

Et si nous avons focalisé sur quelques exemples typiques pour étayer cette synthèse bibliographique, il 

faut savoir que la liste est loin d’être exhaustive, l’identification et l’interprétation de certaines 

incertitudes restant encore floue à ce jour. Nous avons également entrevu la difficulté rencontrée pour 

un géomaticien face à ces problèmes d’incertitudes. La majorité des utilisateurs de SIG ne sont pas 

préparés à ce type de tâche, nécessitant de prendre en compte de multiples paramètres et de rallonger 

de beaucoup le temps passé sur une étude (Atkinson et Foody, 2002) ; de ce fait, de nombreux projets 

d’infrastructures spatiales de données ont souffert (voire échoué) du fait de la mauvaise prise en 

compte de cette dimension. La focalisation sur ce sujet est assez récente comme en témoigne en 

France la parution en 2005 des premières recommandations du CERTU (CERTU, 2005) ou le 

colloque tenu en 2010 dans le cadre des rencontres SIG La Lettre (Reynard, 2010 ; Pornon, 2010 ; 

Jobin, 2010). 

2.4 Choix d’orientation des travaux 

Des trois paragraphes précédents, il apparait que la problématique a de multiples dimensions, que les 

jeux de données disponibles ne sont pas obligatoirement adaptés au test de certaines d’entre elles et 

que le temps disponible pour cette étude oblige à focaliser les efforts. 

Ce contexte conduit à opérer des choix d’orientation des travaux ciblés, qui relèvent de plusieurs 

dimensions, les besoins, le possible, et l’intérêt pour le projet, placées dans la perspective de la 

nouvelle mission de terrain, prévue pour 2012. Ces travaux s’appuient sur certaines des données déjà 

disponibles, de nos connaissances et compétences en matière de télédétection et de géomatique et de 

nos réflexions. 

Dans cette optique, les axes sont développés dans trois directions : 

 

 

La définition et l’évaluation d’un référentiel géographique commun, gage de précision pour 

l’infrastructure spatiale de données et de qualité pour les travaux à mener ; 

Une analyse préliminaire des processus hydrographiques des lacs d’intérêt, permettant 

d’apporter des éléments de compréhension sur les écosystèmes présents ; 





 

Une analyse cartographique appuyée sur des traitements automatiques sur une image satellite 

pour la production d’un support d’aide à la décision. 

Ces travaux seront analysés afin de définir les besoins, en termes de données, de méthodes à 

développer, de compétence nécessaires, etc. et constitueront l’une des bases essentielles pour le bon 

déroulement et la valorisation de ce projet. De cette étude sera produit un cahier des charges 

présentant les points clés à travailler et une feuille de route contenant les prochains axes à développer 

sera dresser 

3 Travaux sur la géométrie 

La première incertitude à lever est celle de la localisation. Il sera impossible de mener des analyses 

thématiques sans garantir la correspondance géométrique entre pixels d’images différentes ou entre 

pixels image et mesure de terrain. 

Nos travaux ont donc porté sur la définition d’un référentiel géométrique commun permettant 

d’intégrer l’ensemble des images satellites disponibles et les données de terrain. Il est à noter que dans 

ce contexte, les données de terrain ont deux rôles différents. En tant que points ou formes d’appui, ces 

données peuvent contribuer à la qualité du référentiel géométrique commun. Mais en tant que 

localisations de mesures naturalistes, ces données s’appuient sur le référentiel. 

Ce chapitre discutera donc les résultats obtenus, leur intérêt et leurs limites et les leçons tirées pour la 

mission 2012. 

3.1 Définition d’un référentiel géométrique commun 

Comme nous l’avons constaté, cette étude dispose d’un large éventail de données satellites et de 

terrain. Si elles se caractérisent par des résolutions, couvertures spatiales et dates diverses, elles sont 

toutes projetées dans le système UTM WGS84 33N propre à cette région. On définit et on évalue cidessous 

le référentiel de la structure spatiale de données, au travers des propriétés intrinsèques des 

appareils GPS utilisés et de celles des images. 

3.1.1 Propriétés intrinsèques des appareils GPS : 

Les deux appareils utilisés (Garmin GPSMap 60 CSx et Garmin 62S) sont des récepteurs de 

navigation qui n’utilisent comme information que la mesure de pseudo-distance. Ils ont été utilisés en 

GPS en mode absolu (récepteur unique). 

D’après les données constructeur, ces appareils ont une précision en géolocalisation (x ; y) inférieure à 

10 mètres et d’environ 3 mètres en altitude (z). Toutefois cette indication est générique (tous terrains – 

toutes latitudes). Une récente évaluation comparative (Wing, 2011) réalisée dans des forêts de 

l’Oregon (USA) a montré, pour un Garmin GPSMAP62, une erreur moyenne de 7,5 à 7,9 m (selon la 

durée de la mesure) avec un écart type de 3,6 à 3,9 m dans un contexte de forêt jeune. On peut donc 

penser qu’en Centrafrique, beaucoup plus proche de l’Equateur, les erreurs moyennes seront au 

minimum de 8 m. 

Des points GPS relevés sur des objets géométriquement stables (une mire et une piscine) ainsi que des 

mesures réelles effectuées sur ceux-ci nous ont permis d’en évaluer la qualité. On retiendra que la 

précision de tous les relevés testés était estimée à ± 4 mètres par les appareils au moment des 

acquisitions (Figure 2). Ce point est très important dans une mission naturaliste impliquant des non 

spécialistes. Car il crée une perception fausse de l’incertitude des mesures de terrain, phénomène 

largement décrit par des sociologues (MacKenzie, 1990). 





Figure 2 : Précision en géolocalisation affichée par les récepteurs à chaque acquisition 

Une mire, matérialisée par un drap blanc de 4*4 mètres, avait été placée à proximité du lac 1 durant la 

période supposée d’acquisition d’une image SPOT, pour servir de point de référence pour les 

corrections à apporter aux images. Si cet objectif a échoué, on peut cependant comparer les relevés 

GPS effectués aux quatre coins et au centre de la mire avec ses dimensions réelles (Figure 3). 

Figure 3 : Relevés GPS effectués sur la mire mise en place près du lac 1 en novembre 2010. 

On note tout d’abord une forte incohérence sur la géométrie de la forme, qui devrait être carré, 

notamment à cause du biais de localisation des points GPS situés sur le coin sud est, et au centre. On 

note ensuite des incohérences au niveau des distances entre les points GPS et les dimensions réelles 

entre coins adjacents de la mire, normalement de 4 mètres : + 3.80 m entre les coins NO et NE, +0.91 

m entre NO-SO, +6.32 m entre SE-NE et -3.30 m entre SO-SE. 

Le même test comparatif est réalisé ci-dessous (Figure 4), au niveau d’une piscine située près de 

Bangui. Ses dimensions réelles, mesurées entre les points retenus pour les relevés GPS, sont de 12.50 

m de longueur et de 6.30 m de largeur. 





Figure 4 : Relevés GPS effectués sur une piscine près de Bangui en novembre 2010 

Là encore, on note des décalages avec -2.10 mètres pour la distance NO-NE, +1.90 m pour NE-SE, 

mais surtout -6.10 m pour SE-SO, et, l’erreur la plus importante, +7.40 m pour la distance SO-NO. La 

longueur de l’objet est sous-estimée au regard des mesures réelles tandis que sa largeur est surestimée. 

Ce comparatif a permis de soulever des imprécisions non négligeables quant aux caractéristiques 

intrinsèques des appareils. Malgré des imprécisions de l’ordre de ± 4 m renseignées par les GPS au 

moment des acquisitions, on a pu remarquer que trois des huit points testés présentent des erreurs de 

plus de six mètres. Cette incohérence entre mesures estimées par la localisation des points GPS et 

dimensions réelles doit être prise en compte pour la suite. Dans ce contexte, et en l’absence d’autres 

points et objets pour tester la qualité de précision des mesures GPS, nous nous appuierons sur les 

valeurs de confiance fournies par le constructeur et par la littérature, soit une précision inférieure à 10 

mètres. 

3.1.2 Evaluation de la qualité géométrique des images satellites 

Les images à notre disposition, projetées dans le référentiel commun WGS84 UTM33 Nord, ont été 

livrées dans divers niveaux de correction géométrique : 

Les images Landsat MSS et TM sont des scènes d’un niveau « 1, Product Generation 

System » (LPGS). Il s’agit de corrections radiométriques et géométriques dérivées des 

paramètres de vol et des capteurs du satellite (CPF’s pour « Calibration Parameters Files »). 

La précision géométrique est de l’ordre de 250 m d’après l’USGS pour une zone de faibles 

reliefs, comme c’est le cas sur la zone d’étude. Ces paramètres de calibration permettent une 

compatibilité avec les images ETM+ pour les études diachroniques des surfaces de la terre sur 

du long terme. Les images ETM+ sont d’un niveau L1T « Standard Terrain Correction ». il 

s’agit de corrections géométriques et radiométriques de précision qui intègrent un modèle 

d’élévation numérique (DEM) (SRTM de 90m de résolution) pour corriger les erreurs de 

parallaxe dues à la topographie locale. Les corrections géométriques incluent aussi 150 à 300 

points de contrôle (GCP’s) par image, qui proviennent du jeu de données de la GLS2005, 

garantissant une plus grande précision géométrique (U.S.G.S, 2009). 

 

 

Les images Aster sont d’un niveau de production L1B, elles sont géométriquement et 

radiométriquement corrigées, mais non orthorectifiées. Ce niveau de production contient des 

informations pour positionner directement l’image dans le référentiel géographique voulu, et 

ce, à partir de la position du satellite au moment de la prise de vue. 

Les images Spot sont des ortho-images rectifiées automatiquement via la chaîne Andorre, elles 

correspondent à un niveau de correction 3. Elles intègrent une orthorectification réalisée à 





 

partir de corrections des paramètres propres aux capteurs et à l’orbite du satellite, d’un modèle 

d’élévation numérique pour corriger les erreurs de parallaxe dues aux variations d’altitude 

pour prise de vue non verticale, ainsi que des points de contrôle (GCP’s) (Riazanoff, 2004). 

L’image QuickBird est un produit « Ortho Ready Standard » Level 2A, Pan-sharpened. Ce 

niveau contient des corrections radiométriques (réponses radiométriques relatives entre 

capteurs et corrections de radiométrie absolue), corrections des capteurs (géométrie interne 

des capteurs, distorsion optique, distorsion du balayage, variations dans le rythme des lignes 

acquises), ainsi que des corrections géométriques : élimination des effets de position en orbite 

du satellite, des incertitudes sur l’attitude, rotation et rayon de courbure de la Terre et des 

distorsions panoramiques. 

Il nous faut donc évaluer leur qualité géométrique intrinsèque et proposer une séquence de recalage 

interimages qui préserve au mieux la géométrie des produits à haute et très haute résolution. 

Nous avons choisi de prendre les ortho-images Spot5 HRG comme images de référence. Leur large 

fauchée permet d’inclure intégralement l’image THR QuickBird et elles présentent une large zone de 

recouvrement avec les images Landsat et la trace Aster. De plus elles ont une résolution spatiale 

intermédiaire entre THR (QuickBird) et MR (Landsat Aster). Enfin le processus d’orthorectification 

est connu et largement décrit dans la littérature (Baillarin et al, 2009). 

La précision garantie contractuellement par Astrium GeoInformation Services est la suivante : 

précision planimétrique meilleure que 15 m pour 90 % des points (CE90), 

précision altimétrique meilleure que 10 m pour 90 % des points (LE90). 

Les deux scènes SPOT acquises en 2008 et 2011 sur la même région sont parfaitement superposables, 

plus d’une dizaine de points ont été comparés et coïncident parfaitement, comme illustré au travers 

d’un exemple sur la Figure 5 ci-dessous. Étant donné la taille des éléments testés (croisements de 

voies de communication) et la résolution des images (2.50 mètres), on peut noter des incertitudes de 

l’ordre de deux pixels environ, ce qui est inférieur à la précision planimétrique indiquée. 

Figure 5 : Superposition des deux images SPOT5 

(Transparence de 50% appliqué à l’image du dessus) 

Source : SPOT 





Les images Landsat, suivies de l’image ASTER sont ensuite calées sur les images SPOT. Elles 

présentent une plus grande couverture spatiale et présentent toutes deux une résolution plus grossière 

(30 m). Du fait de cette résolution, il est difficile de juger précisément de leur qualité géométrique par 

simple comparaison avec les images SPOT, même si celle-ci semble très satisfaisante globalement sur 

divers points testés. La comparaison entre les images Landsat elles-mêmes (13 dates), et de celles-ci 

avec l’image ASTER montrent également une parfaite superposition (Figure 6). 

Figure 6 : Superposition des images ASTER, Landsat et SPOT5 

Landsat (50% de transparence) et SPOT5 (75% de transparence) 

La dernière image venant se caler à l’ensemble est la QuickBird de 2005. C’est le plus petit extrait 

(7*17 Km) dont nous disposons sur cette zone, centrée sur les lacs d’intérêt. De par ses 

caractéristiques, notamment sa très haute résolution, et une fois corrigée, cette image serait a priori la 

plus adaptée pour une restitution fine des résultats cartographiques, et pour la localisation des points 

d’intérêt. Cet extrait ne présente aucun point stable d’un point de vue géométrique, la scène se 

composant uniquement d’une forêt dense avec quelques clairières. Il semble alors délicat d’en évaluer 

la qualité géométrique par comparaison avec les autres images. Les seules observations possibles avec 

les images SPOT, au niveau des contours des lacs, montrent une bonne précision (Figure 7), même s’il 

reste impossible de la quantifier puisque les dates diffèrent et que ce type de milieu change 

rapidement. 





Figure 7 : Superposition des images SPOT5 et QuickBird (transparence de 50%) 

3.1.3 Relation images satellites – points et traces GPS 

Les points d’appui retenus se situent dans des zones dégagées de végétation pour éviter toutes 

interférences et imprécisions des acquisitions. Ils sont facilement remarquables visuellement et pris sur 

des éléments géométriquement stables (Croisements de voies de communication, débarcadère en dur 

et bâtiments). 

Une liste de points à mesurer avait été établie avant le départ de la mission, repérée sur l’image 

QuickBird accessible via Google Earth. Certains de ces points d’appui n’ont pu être mesurés, les 

objets ayant changé (bâtiments détruits entre 2005 et 2010 à Bayanga ; débarcadère modifié). D’autres 

ont été modifiés à des hauteurs d’eau différentes, ce qui induit des décalages planimétriques (sur la 

Sangha et sur les lacs). 

Ces acquisitions GPS n’ont été réalisées qu’en une seule prise, ce qui ne garantit pas la meilleure 

précision pour ce type de travail et mériterait donc de plus de rigueur pour la prochaine mission afin 

d’en maximiser la précision. 

Les tests de corrections des images SPOT5 HRG2 ont porté sur l’utilisation de 8 points d’appui pour 

l’image située la plus au nord, et de 5 points pour les deux images (parfaitement superposées) situées 

au sud (Figure 8). 





Figure 8 : Position des points et tracks GPS utilisés ; résidus associés 

La majorité de ces points sont pris sur des débarcadères situés le long de la Sangha. Certains relevés 

ont été vérifiés à l’aide de photographies de terrain lors de la mission de 2010. Si la valeur des résidus 

est très faible (4 mètres en moyenne), celle-ci ne peut garantir à elle seule la qualité géométrique de 

l’ensemble des images puisque ces points suivent un tracé quasi-linéaire. Il est donc entrepris d’utiliser 

les traces GPS effectuées depuis l’aéroport de Bayanga jusqu’au débarcadère de Malongo et du camp 

du Tri-National Parc de Sangha vers la zone des lacs pour couvrir les images SPOT. Elles représentent 

près de 200 Km aller/retour situées sur terre ferme et le long de la rivière, avec des orientations nordsud 

et est-ouest, qui garantissent une meilleure dispersion et donc une meilleure qualité pour le test. 

Les traces situées le long de la Sangha obéissent aux règles de navigation, suivant les bords des deux 

rives, sans jamais les couper. La trace GPS située au niveau de l’aéroport de Bayanga concorde 

également avec le tracé de la route suivie par les naturalistes lors des acquisitions, tout comme celles 

suivies dans la forêt, traçant les limites entre clairières et forêt dense, même si il reste difficile d’en 

évaluer la qualité avec plus de précision. 

Si des écarts de précision demeurent le long de ces différentes relevés, ils représentent tout au plus 8 à 

10 mètres et sont très rares sur l’ensemble de la zone, soit moins de 4 pixels SPOT5, comme illustré en 

Figure 9. Il est à noter qu’en revanche, ces valeurs ne concernent que les zones dépourvues de 

végétation. Dés lors, la précision géométrique des images et leur cohérence avec les points et traces 

GPS situés en forêt dense demeurent plus délicate à évaluer. 





Figure 9 : Décalages mesurés entre traces GPS et pistes au niveau de l'aéroport de Bayanga 

Le contrôle qualité des images SPOT montre que l’utilisation des points d’appui n’apporte rien de 

plus, et qu’il n’est donc pas possible de corriger ces images pour les recaler de manière plus précise. 

Une correction avec les points d’appuis collectés durant la mission pourrait éventuellement améliorer 

quelques points, mais ne garantirait pas nécessairement une meilleure qualité géométrique de 

l’ensemble du référentiel, au risque de le dégrader. Dans la mesure où nous disposons déjà d’une 

bonne qualité géométrique intrinsèque des données satellites Spot (§ 3.1.2), les ortho-images Spot 

HRG constituent la référence pour le calage des autres images dans le référentiel commun. 

Les images Landsat ont également été confrontées aux points d’appui et aux tracks de navigation. 

Environ une dizaine de points de contrôle ont été testés pour chacune des images et mettent en 

évidence une bonne concordance avec les images SPOT ainsi qu’avec les points relevés sur le terrain. 

Les contours de la Sangha sont cohérents malgré l’amplitude temporelle des données qui laisse 

entrevoir des variations des niveaux d’eau et quelques modifications morphologiques des rives. Les 

voies de communication se confondent également, tout comme les pistes de l’aéroport de Bayanga. Et 

en tenant compte de la résolution de ces images (30 m), il s’avère que leurs niveaux de correction sont 

tout à fait satisfaisants pour le travail à accomplir. Il en va de même pour l’image multispectrale 

ASTER qui a été testée de manière identique. 

Enfin, l’image QuickBird se caractérise par un niveau de production incluant corrections 

radiométriques, géométriques et des capteurs, mais aussi par une projection réalisée selon une 

moyenne altitudinale, calculée à partir des tuiles de la scène (404 m pour l’emprise). La précision au 

nadir évaluée à 23 m en géolocalisation absolue (90% CE), exclut toute variation topographique. Des 

études (Bresnahan, 2011) ont montré que cette valeur peut être revue à la baisse, notamment grâce aux 

nouvelles techniques de corrections géométriques apportées sur des images QuickBird, même 

anciennes. Ce niveau de produit est reconnu pour avoir une bonne approximation du relief terrain 

quand celui-ci est faible sur l’ensemble de la scène (Digital Globe, 2006), ce qui est le cas pour notre 

zone d’étude et serait évalué à mieux que 15 mètres. Pour en vérifier la précision, nous effectuons un 

test comparatif entre l’image QuickBird originale et une autre, orthorectifiée avec l’application d’un 

DEM issu d’une image stéréoscopique ASTER (bandes 3N et 3B). Il s’avère que cette correction ne 

semble pas apporter de réelles modifications de l’image (10 mètres d’écarts maximum sur certains 





points) et il est difficile d’évaluer si cette image corrigée est plus juste que le produit initial dans la 

mesure où cette région est essentiellement recouverte de grands arbres mesurant entre 30 et 40 mètres, 

et que le DEM utilisé pour ce test ne peut garantir une précision au-delà de 30 mètres. Sans point 

d’appui plus précis sur la zone, nous ne pouvons que noter des erreurs dans le domaine du relatif. La 

Figure 10 ci-dessous restitue une synthèse du calage des images pour la base de données. 

Figure 10 : Référentiel géométrique commun entre images satellites , et grille météo RFE 2 

Sources : Landsat, SPOT5, QuickBird, Meteosat 

L’image SPOT a été utilisée comme référence grâce à son haut niveau de production et d’après les 

résultats du contrôle qualité. Cependant, des incertitudes géométriques et géographiques demeurent. 

Elles sont relativement difficiles à évaluer et les moyens dont nous disposons pour le moment ne 

permettent pas de les étudier avec plus de précision. 

Il n’existe actuellement pas de point d’appui permanent dans cette région (le plus proche est à 

l’aéroport de Bangui à plus de 300 km) pour atteindre un meilleur niveau de précision. D’un autre 

côté, les tests menés sur les relevés GPS de terrain en mode absolu ont montré des incohérences. 

De ce fait entre nos propres analyses et la littérature, il est possible de dire que la précision moyenne 

des données Spot5 HRG orthorectifiées sur la chaine Andorre est dans cette zone de l’ordre de 8 à 10 

m en planimétrie (CE90) et que nos mesures GPS de terrain ont également une précision de l’ordre de 

8 à 10 m. 

Les mesures de terrain, telles qu’elles ont été réalisées dans la mission 2010, n’ont donc pas d’apport 

pour recaler les images satellite. Et dans la mesure où l’on ne peut maitriser les variations locales, ces 





incertitudes peuvent s’additionner causant des décalages allant jusqu’à 15-20 m entre pixel satellite 

HR – THR et positionnement d’une observation de terrain. 

3.1.4 Conséquences sur la qualité de l’infrastructure spatiale de données 

Malgré quelques erreurs de précision, on dispose d’une bonne structure spatiale avec un niveau de 

précision géométrique et géographique cohérent avec la précision des relevés de terrain. Il n’apparait 

donc pas possible d’apporter plus de corrections aux images, au risque de perdre la cohérence de 

l’ensemble, et la cohérence entre les images et les relevés terrain. Les origines des écarts sont connues 

et tiennent essentiellement à des imprécisions intrinsèques aux instruments, et probablement à la 

qualité des relevés de terrain. 

Néanmoins, nous avons souligné que cette qualité géométrique ne peut être précisée plus localement 

en tout point de chaque image. Les résidus associés au calage des images ne concernent que des points 

d’appui pris sur des zones dépourvues de végétation, et les traces GPS concernent des milieux 

dynamiques (berges, lisières de forêt). Dés lors, des incertitudes apparaissent quant à la précision des 

images sur les zones de forêt dense, et il est délicat de les quantifier sur ce type de secteur tant que l’on 

ne dispose pas de références plus solides à intégrer dans le contrôle qualité (DGPS par exemple). 

Par conséquence, le choix assumé de garder ces images en l’état implique une prise en compte de ces 

incertitudes dans l’infrastructure de données de base, qui ont inévitablement un impact sur 

l’intégration du jeu de données de terrain. 

En résumé, des décalages de 15 à 20 m entre coordonnées prises sur images et coordonnées GPS d’une 

observation de terrain sont possibles sans remettre en cause la qualité des travaux. La précision étant 

exprimée de façon statistique, des décalages supérieurs sont bien sûr possibles mais ils risquent surtout 

de mettre en évidence des erreurs GPS (la rigidité des images satellites et le faible relief rendant peu 

probable la présence de larges zones d’erreur dans le bloc orthorectifié). 

3.2 Conséquences sur l’intégration des données de mission 

Nous présentons ci-dessous les différents impacts des imprécisions et incertitudes sur la géométrie et 

la cohérence entre images satellites. 

3.2.1 Impact sur la localisation des observations de terrain 2010 

Le premier enseignement à partager avec les membres de la mission est que la localisation des 

récepteurs de navigation en mode absolu type Garmin 60 ou 62 n’atteint jamais la performance 

indiquée au moment des acquisitions. Lorsque la valeur de précision ± 4 m s’est affichée, la réalité 

était plutôt ± 8 à 10 m. 

De ce constat, il apparait que la qualité de précision pour localiser les observations de terrain sur les 

images satellites ne peut être que moyenne. Les relevés de la mission concernent des objets assez fins 

(branches d’arbres, insectes, plantes au sol, etc.), et dans ce contexte, l’utilisation des mesures de 

terrain dans le domaine de la télédétection et de la géomatique de précision s’avère fastidieuse. 

3.2.2 Impact sur le lien entre réflectance et mesures de terrain 

Des tentatives sont menées pour utiliser la géolocalisation des arbres identifiés lors de la mission 

comme référence dans la constitution d’une bibliothèque spectrale (valeurs de réflectance propre à 

chaque objet). C’est sur ce principe que des tests utilisant les méthodes de classifications dirigées sont 





présentés pour tenter de cartographier les différentes essences d’arbres, ou tout du moins, des 

ensembles forestiers cohérents (propriétés spectrales communes). 

Pour pouvoir mener ces tests, il faut à partir des images satellites et des identifications GPS des arbres 

menées durant la mission, sélectionner et individualiser les arbres qui ont la plus grande probabilité de 

correspondre aux points GPS associés, au moment des acquisitions-identifications de terrain. 

Tous les points GPS situés en bordure de canopée ne permettent pas d’utiliser les arbres, en raison de 

confusions évidentes. Des polygones sont digitalisés à proximité des points retenus, au centre de la 

canopée des arbres concernés. 

Sur les 118 arbres, représentant 23 espèces identifiés et localisés autour du Lac 1, seuls dix neuf arbres 

sont apparus comme identifiables sur l’image SPOT de 2008 (correspondant à neuf espèces) et une 

trentaine sur l’image QuickBird de 2005 (correspondant à douze espèces) 

Les résultats de ces tests, que ce soit pour la SPOT ou la QuickBird ne sont pas concluants puisqu’ils 

montrent des variances de valeurs radiométriques intra-classes supérieures aux valeurs interclasses. De 

ce fait, il est impossible de dissocier efficacement les arbres ou des ensembles particuliers. Les 

origines peuvent tenir au décalage entre mesure GPS et correspondance des arbres sur l’image, 

confusion radiométrique entre espèces, présence d’ombres ou de trous dans la canopée, ou encore le 

manque de canaux sur les fenêtres du visible et du proche infrarouge, le tout constituant des 

incertitudes de différente nature. 

3.3 Recommandations pour la mission 2012 

Les résultats obtenus montrent que face à la volonté de constituer une base de données de référence 

localisant l’ensemble des observations, les moyens de localisation de terrain utilisés pendant la 

mission 2010 s’avèrent insuffisants. 

Pour gagner un facteur significatif de précision, et en l’absence de capacités de type EGNOS sur 

l’Afrique Centrale, seule l’utilisation d’un DGPS pourrait améliorer la qualité des études fines sur 

cette portion de forêt. 

L’apport se ferait à deux niveaux : la mise en place d’une base GPS pendant les deux mois de la 

mission permettrait de disposer d’un point de base de qualité supérieure qui permettrait d’améliorer 

l’orthorectification de l’ensemble du bloc images. Les mesures locales des naturalistes bénéficieraient 

de l’amélioration de qualité. 

Il ne s’agit pas d’une mission topographique mais l’amélioration permettrait un calage à 2 m qui 

supprimerait les ambigüités sur la localisation de la plupart des arbres et échantillons collectés. 

On pourrait alors ouvrir de nouvelles pistes quant à l’emploi de ce type de méthode pour 

l’identification des arbres par télédétection, sans nécessairement avoir recours à un spectroradiomètre 

de terrain (très onéreux), même si d’autres points doivent aussi être étudiés en parallèle (résolution 

spectrale nécessaire pour individualiser des arbres aux propriétés radiométriques très proches). Plus 

généralement, comme cet outil garantirait une meilleure précision au niveau de la localisation des 

échantillons ainsi que des résultats cartographiques issus de la télédétection, on peut imaginer que 

celui-ci autoriserait des analyses spatiales très fines, comme celle des interactions entre entomofaune 

et micro-habitats et niches écologiques, proposée récemment par un entomologiste de la mission 

(perspectives à tester par la suite). 





4 Travaux sur l’évolution temporelle des lacs 

Les lacs et leur pourtour constituent les écosystèmes centraux retenus par les naturalistes de Sangha 

2012. Lors de la mission préliminaire, une dizaine de lacs ont été explorés et plusieurs d’entre eux ont 

été équipés de capteurs (niveau d’eau, température, hygrométrie, luminosité …) à relever en 2012. 

Durant cette mission, les investigations se concentreront en priorité sur les lacs 1, 3 et 7 jugés les plus 

riches (taille, diversité des espèces, originalité de la végétation, …). Il sera donc possible a posteriori 

d’analyser les variations de hauteur d’eau sur 15 mois entre novembre 2010 et mars 2012. 

La télédétection offrant le privilège d’une observation sur une longue période (depuis 1979 pour 

Landsat dans notre zone), le deuxième axe de travail a porté sur l’analyse des variations de la surface 

des lacs dans le temps. 

4.1 Méthodologie 

Les observations se font sur les acquisitions Landsat post 2000 afin de les mettre en lien avec les 

données météorologiques RFE2, qui ne sont disponibles qu’à partir de ces dates. 

L’étude bénéficie du fait que les lacs sont situés dans la partie centrale de la trace Landsat 7. De ce fait 

les dégradations liées à la panne SLC n’affectent pas nos images et les observations post mai 2003 

sont parfaitement comparables aux observations pré mai 2003.Parmi les images acquises par Landsat 7 

sur 10 ans, une première sélection s’est opérée sur les images sans nuages. Du fait des règles de 

programmation dans la région de Landsat et des contraintes climatiques, cela signifie que l’on ne 

dispose que d’images de début novembre à fin mars. Un avantage est que cela correspond à la saison 

des missions de terrain et que les observations et photos collectées par les naturalistes peuvent aider à 

la compréhension des zones analysées, d’autant qu’il a été possible de réaliser des analyses sur des 

images du 1 er novembre 2010 (15 jours avant l’arrivée sur site de la mission), du 3 décembre 2010 

(derniers jours sur site) et du 19 décembre (15 jours après le départ du site). L’inconvénient majeur est 

que la compréhension des lacs passerait par leur analyse en saison des pluies. Au total 12 dates ont été 

analysées entre le 9 février 2001 et le 5 février 2011. 

La composition de la surface des lacs est complexe puisqu’elle est recouverte de végétation de 

différentes natures (herbacées, arbustes, etc.), difficile à distinguer. Des tests sur images ont été 

effectués sur la région qui couvre les lacs avec le logiciel ENVI, et il a été conclu que les 

classifications non dirigées et autres traitements (ACP, NDVI) ne permettaient pas de faire ressortir 

l’eau libre et la végétation de surface de manière efficace, d’autant plus que celles-ci ne pouvaient être 

réalisées qu’à partir d’une résolution de 30 m pour éviter les biais radiométriques liés à l’utilisation 

d’une image retouchée avec le canal panchromatique. 

On se tourne donc vers une méthode de photo interprétation faisant intervenir trois classes : l’eau libre, 

la végétation de surface, et les zones inondables, correspondant dans ce milieu à l’extension maximum 

de la crue du lac ou végétation basse et arbres ont les pieds dans l’eau (sur sols hydromorphes). 

La photo-interprétation étant humaine, il existe un biais non négligeable lié au photo-interprète. Pour y 

pallier, la méthodologie mise en place a été la suivante. L’identification des classes se fait sur des 

critères de couleur, texture et d’homogénéité entre pixels. L’échelle retenue est de 1 :5000. L’image 

utilisée pour chacune des dates est une composition colorée 5-4-3, ramenée à une résolution de 15 m 

(utilisant le canal panchromatique) : le canal 5 est codé en rouge, le canal 4 est codé en vert, et le canal 

3 est codé en bleu, de telle sorte que l’eau libre ressorte de couleur bleu, la végétation de surface en 





rose, et la zone inondable en rose-brun pouvant comporter des pixels bleu et jaune-vert (eau sous 

couvert végétal). Ces critères sont utilisés à l’identique pour toutes les dates afin de garantir une 

cohérence méthodologique. 

Au fur et à mesure de l’étude, la méthode de photo interprétation s’est affinée et les critères ont été 

corrigés, notamment grâce à la confrontation des premiers travaux avec un œil de photo interprète 

expert. Les derniers résultats produits intègrent également les observations de terrain ramenées de la 

mission (confrontation avec des photographies et les témoignages des naturalistes). La définition de 

ces nouvelles clés d’interprétation a pour but de limiter les incertitudes liées au passage entre réalité 

terrain et analyse cartographique, l’un des objectifs principaux ici. Dans ce sens, la réinterprétation de 

toutes les dates a été réalisée par le même photo interprète sur une période courte pour garantir la 

solidité et la reproductibilité de la méthode. On retiendra que l’écart entre interprétations initiales et 

finales se situe dans une proportion de ± 30%, ce qui représente une valeur non négligeable si des 

améliorations ne sont pas apportées. 

La mise en évidence des extensions-diminutions des surfaces en eau libre et de la zone inondable sur 

la période d’étude vise plusieurs objectifs : 

Mise en lien avec les valeurs de précipitations estimées 

Mise en lien avec l’analyse géomorphologique et hydrographique 

Rapprochement de ces interprétations avec les caractéristiques du couvert végétal connues 

pour le moment. Les zones inondées sous couvert forestier correspondent-elles à un type 

d’arbres en particulier ? Que nous apprennent les liens entre couvert végétal, processus 

hydrographique et le contexte géomorphologique sur le fonctionnement de cet écosystème ? 

Quels processus et dynamiques peut-on mettre en évidence et quels diagnostics peut-on établir 

pour améliorer nos connaissances sur la zone ? 

4.2 Résultats obtenus 

La Figure 11 illustre les classes identifiées au niveau du lac 1 sur la composition colorée Landsat 7 

ETM+ en date du 01/04/2002. 

Figure 11 : Photo interprétation du lac 1 sur image Landsat du 01/04/2002 

Mise en évidence des trois classes 





Le diagramme ci-dessous (Figure 12) montre les niveaux d’expansion en eau libre du lac 1 sur la 

période 2001-2011 d’après la méthode présentée. 

Figure 12 : Expansion de l’eau libre du lac 1 entre le 09/02/2001 et le 05/02/2011 

L’expansion maximale de la zone d’eau libre est observée en date du 01/04/2002, atteignant presque 

300 000 m², une valeur très en dessus de la moyenne observée sur l’ensemble de la période (autour de 

130 000 m²). A côté, les variations entre les autres dates sont assez faibles, avec des valeurs moins 

marquées à partir de novembre 2010, autour de 120 000 m² jusqu’à février 2011. Ces constats sont à 

replacer avec le fait que ces images ne sont pas à intervalles réguliers en raison des difficultés 

d’acquisition dans ces régions tropicales. Il est donc délicat de mettre ces résultats au regard des 

variations saisonnières pour expliquer ces différences. Néanmoins, on retiendra que la valeur 

maximale concerne le mois d’avril alors que les plus faibles sont observées sur des images acquises 

pendant les mois de novembre à février, ce qui fera l’objet d’une comparaison avec les données 

météorologiques. Les observations locales sur le lac 1 peuvent être recadrées plus régionalement 

puisque le même travail de photo interprétation a été réalisé sur un segment de la Sangha situé à 14 

Km à l’ouest de la région prospectée et montre également en avril 2002 un niveau d’eau plus élevé à 

cette date, mis en évidence grâce à la morphologie des rives. 

Ces premières observations sont à mettre en lien avec les résultats obtenus sur l’extension de la zone 

inondable (Figure 13) qui suit. 





Figure 13 : Expansion de la zone inondable du lac 1 entre le 09/02/2001 et le 05/02/2011 

Les correspondances entre ces valeurs et les précédentes ne sont pas toujours évidentes. Le Tableau 4 

ci-dessous montre le rapport entre surface en eau libre et surface inondable pour plus de clarté : 

Dates 

Zone 

inondable 

Eau libre Rapport 

09/02/2001 353699 127802 36% 

01/04/2002 621804 296695 48% 

29/12/2002 464993 139874 30% 

07/02/2006 426406 126214 30% 

09/01/2007 473217 134739 28% 

27/12/2007 442863 135918 31% 

14/01/2009 437761 138921 32% 

01/11/2010 474416 112859 24% 

03/12/2010 472992 112565 24% 

19/12/2010 499518 114605 23% 

20/01/2011 453806 105984 23% 

05/02/2011 462576 111747 24% 

Tableau 4 : Rapports entre surface en eau libre et zone inondable sur la période 2001-2011 

La superficie en eau libre représente près de la moitié de la zone inondable au 01/04/2002, alors que 

pour toutes les autres dates, ce rapport est inférieur à 40%. Si l’on regarde de plus près les cinq 

dernières acquisitions, on remarque que ce rapport est inférieur à 25%, des valeurs en dessous de 

l’ensemble de la période d’étude. Ce constat peut se traduire de la manière suivante : pendant que la 

taille de la zone inondable reste dans des proportions moyennes, la végétation de surface et de bordure 

s’est davantage développée que pour les autres dates, rétrécissant ainsi la surface en eau libre. Cette 





observation supposerait un assèchement du lac, ce qui à première vue concorde avec les données 

saisonnières (§ 1.3.2). La végétation reprend ensuite ses droits aux alentours, jusqu’à ce que le milieu 

soit à nouveau inondé en saison des pluies. 

4.3 Croisement avec les données météorologiques disponibles 

Les résultats des données météorologiques sont présentés en Figure 14 ci-dessous. Les valeurs de 

précipitations ont été calculées à partir des données météorologiques « Rainfall Estimate 2 » 

présentées au §Erreur ! Source du renvoi introuvable.. Les cumuls des trois décades enregistrées 

sur le pixel couvrant la zone et précédant l’acquisition de chacune des images Landsat permettent 

d’illustrer le régime pluviométrique pour chacune des dates. 

Figure 14 : Cumuls de précipitation sur les 3 décades précédant les acquisitions 

Source : NOAA, Early Warning Explorer 

La valeur maximum est atteinte par le cumul des trois décades précédant l’image du 01/04/2002, ce 

qui concorde avec l’expansion de l’eau libre et l’extension de la zone inondable observées 

précédemment à cette date. En revanche, ce premier constat n’est pas généralisable. Si la date du 

01/11/2010 enregistre le deuxième plus important cumul de précipitations sur la période, et correspond 

à une zone inondable conséquente, la surface en eau libre reste modérée. Dans ce cas, on peut émettre 

l’hypothèse que le lac est en cours de remplissage après une période d’étiage et que la végétation de 

surface qui s’était développé reste encore émergente. Cette hypothèse peut aussi être soulevée pour 

d’autres dates, comme le 07/02/2006 ou le 03/12/2010. 

Dans un second temps, il est à noter que pour des cumuls de précipitations très faibles durant les trois 

décades précédant l’acquisition de certaines images (exemples du 09/02/2007 et 27/12/2007), la 

surface en eau libre et de la zone inondable restent dans des valeurs des plus élevées. Ceci pose des 

questions quant aux temps de réponse entre précipitations et remplissage-vidange, et donc, quant aux 

caractéristiques du sol et sa capacité à conserver l’eau. Le 09/02/2001 abonde aussi dans ce sens, avec 





des cumuls de précipitations de 9 mm pour un rapport surface en eau libre/zone inondable des plus 

important (36%). 

Les cumuls de précipitations concernant les trois acquisitions les plus récentes restent modérés par 

rapport à l’ensemble de la période. En comparant ce résultat avec ce qui a été mis en évidence au 

dessus, on pourrait aller dans le même sens que l’hypothèse déjà émise : le lac serait en cours 

d’assèchement du fait de précipitations faibles et probablement d’une importante évapotranspiration, 

et la végétation se développerait alors en bordure et en surface au même moment. 

Pour resituer les valeurs qui viennent d’être présentées et les liens entre les observations des deux 

classes et les précipitations, on présente ci-dessous (Figure 15) les valeurs moyennes des précipitations 

par mois relevées près de Bayanga sur la période 2000-2011 (données météorologiques RFE2 issues 

de Early Warning Explorer). 

Figure 15 : Valeurs moyennes des précipitations par mois relevées près de Bayanga 

Source : NOAA, Early Warning Explorer 

Les hypothèses d’interprétation qui ont été proposées semblent coïncider avec les courbes ci-dessus. 

Avril étant un mois pluvieux, il parait donc logique d’observer une plus forte extension du lac en cette 

période que sur les autres dates, qui elles, correspondent à la période sèche sur la région. En revanche, 

ces valeurs ne peuvent être que partiellement interprétées dans la mesure où nous ne disposons pas 

d’images à pas de temps régulier. Par conséquent, les observations issues du travail de photointerprétation 

pour 2004 ne peuvent pas nous indiquer s’il s’agit d’une année exceptionnelle sur la 

période, ce que nous prouvent d’ailleurs les courbes au dessus. On ne peut pas non plus prendre du 

recul sur les valeurs de précipitations plus faibles observées à la fin 2010 et début 2011 avec ce qui est 

illustré au dessus (valeurs au dessus de la moyenne). 

4.4 Croisement avec l’interprétation morphologique de la zone 

Afin de comprendre les phénomènes géomorphologiques qui guident localement le remplissage des 

lacs, une étude a été demandée à un géologue impliqué dans le projet (Lerouge, 2011). L’analyse des 

ruptures de pentes a été conduite via un travail de photo interprétation réalisé à partir d’une image 

SPOT de 2008 et d’un DEM ASTER GDEM. 

La figure ci-après présente le résultat croisé avec la photo-interprétation du lac 1. 





Figure 16 : Intégration des ruptures de pentes interprétées sur image Spot et MNT GDEM 

Source : Rapport interne Géo212 - Lerouge, 2011 

Cette illustration montre que l’orientation des ruptures de pente dessine parfaitement les contours des 

formations végétales, bien distinctes sur cette composition colorée. Les formes incurvées s’alignent 

dans la continuité des limites nord est et sud est de la zone inondable mise en évidence précédemment. 

Les lacs 3, 4, 5, 6 et 7 sont situés exactement dans la dépression axiale de l’antiforme. Ils sont isolés 

des autres par des crêts opposés. La pente structurale inclinée vers le nord, du fait de la terminaison 

périclinale, impose des communications du sud (l’amont) vers le nord (l’aval) jusqu’au lac 1. Ce 

dernier occupe le fond d’un ruz qui rejoint la vallée principale (nord ouest). Le lac 2 est quant à lui 

isolé des lacs 4, 5, 6 par un ressaut morphologique. Nous ne pouvons pas pour le moment préciser les 

vitesses de remplissage ou les processus qui interagissent entre ces différentes unités. Cependant, les 

mesures enregistrées par les capteurs de débit laissés sur place devraient pouvoir apporter des 

connaissances sur ce point. 

4.5 Conclusions 

Au final, bien que certaines observations permettent de mettre en lumière quelques grands principes 

logiques du fonctionnement hydrographique du lac 1, le tout manque de lisibilité. En effet, les 

comparaisons faites entre les résultats de la photo interprétation, les cumuls des précipitations et 

l’analyse géomorphologique permettent de percevoir des tendances mais pas de comprendre en détail 

les processus. 





De nombreuses inconnues demeurent pour caractériser cet écosystème avec plus de précision. 

Certaines hypothèses ont été proposées et pourraient être validées ou infirmées moyennant une 

interprétation plus experte des données météorologiques et leur couplage avec les mesures de 

température, de luminosité et d’humidité collectées sur site. L’objectif serait de disposer 

d’informations permettant d’analyser les caractéristiques et la dynamique des sols hydromorphes 

propres à la région, et d’en évaluer la teneur en eau. Dans le cadre de la mise en place possible d’un 

observatoire régional sur le long terme, cette connaissance pourrait guider les acquisitions futures 

d’images HR et THR à pas de temps régulier (et sur cette zone, il ne pourrait s’agir que d’imagerie 

radar). 

D’autre part, la méthode utilisée pour ce travail crée ses propres incertitudes (deux photo-interprètes 

ne produiront pas les mêmes résultats). Elles tiennent principalement à l’identification et donc à 

l’association des pixels à telle ou telle classe, qui reste parfois ambigüe. Il est apparu que les contours 

de certaines classes étaient plus difficiles à évaluer que d’autres en raison de confusions au niveau des 

couleurs de pixels, pas toujours très distinctes, ce qui pouvait aussi venir de la qualité de l’image 

(voile nuageux). On ajoutera que ces ambiguïtés ne suivent pas de logique particulière puisque le 

niveau de difficulté ne s’applique pas à la même classe entre les dates utilisées. D’autres méthodes 

seraient à développer pour réduire les incertitudes mises en évidence ici, d’autant que ces dernières 

sont extrêmement complexes à évaluer, changeant suivant les lacs prospectés, les classes et les dates 

prises en compte. 

Une étude menée par la NOAA a été réalisée pour la sélection des entrées du modèle d’estimation des 

précipitations RFE2. Elle consiste en des tests de corrélations (Tableau 5) entre les valeurs estimées 

par l’algorithme et les valeurs collectées sur le terrain, en fonction des différentes combinaisons 

d’entrées du modèle. 

Tableau 5 : Biais et corrélations en fonction des combinaisons d'entrées du modèle RFE2 

Source: The NOAA Climate Prediction Center African Rainfall Estimation Algorithm Version 2.0 

Selon ces résultats, la combinaison retenue pour le modèle opérationnel RFE2 produit la meilleure 

corrélation avec les valeurs de précipitations au sol, avec un biais relativement faible. Les documents 

existants ne permettent pas de mieux préciser les incertitudes sur ces données. Il faut également garder 

à l’esprit que ces valeurs de précipitations estimées sont fournies sur une grille de 0.1° carré, ce qui 

représente environ 11 Km. Ce faisant, ces données ne peuvent pas rendre compte de phénomènes 

locaux, voire hyperlocaux comme des orages violents et ciblés tels que ceux qui ont été observé sur 

place. Par conséquent, des incertitudes demeurent sur ce point, et l’on ne peut pour le moment pas 

savoir si un lac peut être rempli par un orage qui le concerne seul. D’après les retours de la mission de 

novembre 2010, il apparait qu’à trois jours d’intervalles après de fortes pluies, la rivière à l’ouest de la 





zone des lacs est passée de 30 cm d’eau à environ 1.50 m, sans que le niveau d’eau des lacs ne monte 

clairement. Même s’il reste difficile de proposer des explications quant à ceci, on notera des variations 

hydrographiques importantes dans cette région, et que les données météorologiques dont nous 

disposons pour l’instant ne sont probablement pas suffisantes pour améliorer nos connaissances sur 

cette petite zone d’intérêt. Les processus qui régissent ce milieu peuvent être hyper locaux, et pas non 

plus directement en lien avec les précipitations. Sur ce point, nous espérons que les enregistrements 

sur 15 mois des hauteurs d’eau des appareils laissés sur place, et qui seront récupérés en 2012, nous 

fournirons des éléments de compréhension. Ils seraient a priori capables de révéler si il y a 

simultanéité ou non de la montée des eaux, les décalages liés à des remplissages secondaires, ou 

encore les effets de pluies d’orages hyper locaux. Ces informations pourraient de plus être reliées à 

d’autres mesures issues de capteurs d’humidité, hygrométrie et luminosité qui ont aussi été laissés sur 

place, à proximité des huit lacs, pour une étude complète des variations locales des différents facteurs 

et de leurs relations. 

5 Traitements de télédétection sur image satellite 

Pour tenter d’apporter des éléments de connaissances sur la zone, nous proposons une cartographie 

thématique de l’occupation du sol via des traitements automatiques sur les images satellites, en 

utilisant les propriétés radiométriques des objets. Ce travail devrait servir de support d’aide à la 

décision pour prospecter certains secteurs d’intérêts lors de la prochaine mission. 

5.1 Choix de l’image à traiter 

Certaines contraintes relatives au projet sont posées : 

 

 

 

 

Les besoins ne sont pas clairement définis par l’équipe du projet (cahier des charges non 

précis), et de ce fait, plusieurs types de thématiques peuvent être interprétées (en fonction de 

l’humidité des milieux, des espèces, de la complexité des formations végétales, etc.) ; 

Nous ne disposons pas de travaux sur le terrain permettant d’avoir des parcelles de tests bien 

définies ; 

Nous ne disposons pas non plus de mesures de « vérité terrain » (valeurs radiométriques de 

zone identifiées) pour comparer et vérifier les résultats de traitements automatiques, et la 

classification dirigée est donc exclue ; 

Enfin, nous ne disposons que d’observations paysagères globales, réalisées durant la mission 

2010, qui ne correspond à aucune des images HR ou THR disponibles. Or, nous sommes dans 

un milieu très changeant, et les variations météorologiques et hydrographiques qui régissent 

directement la dynamique de la végétation en cette région, et qui n’ont pu être étudiées que 

partiellement, montrent des variations inter-dates non négligeables, et des phénomènes locaux 

voire hyper locaux qui peuvent induire de grandes variations interannuelles sur une zone aussi 

limitée, même à saison identique (en particulier au niveau de la végétation au niveau des lacs). 

Les espèces herbacées, au niveau des lacs, subissent ainsi des modifications rapides. 

Ce contexte induit le choix d’une image de référence qui doit présenter une résolution spatiale et 

spectrale fine pour une cartographie détaillée et un choix de date qui cadre avec la mission de terrain 

(date d’acquisition assez proche, et/ou même saison) pour éviter trop de biais entre observations et 

résultats hypothétiques. 





Dans le jeu de données satellites, l’image SPOT5 du 23/10/2008 semble la plus adaptée. Sa date 

d’acquisition (octobre) coïncide avec la saison de la mission de terrain (novembre), mais à deux ans 

d’intervalles, et sa résolution spatiale et spectrale autorise a priori une identification et une analyse 

fine des objets. Enfin, sa qualité n’est pas dégradée par des nuages ou voiles nuageux, à l’inverse de la 

SPOT5 de mars 2011 qui, bien que plus récente, reste difficilement exploitable pour ce type de travail. 

La résolution des images Landsat et Aster d’une part, et la date d’acquisition de l’image QuickBird 

(2005) d’autre part, induisent trop d’incertitudes pour cette tâche compte tenu du contexte détaillé 

précédemment. Elles sont donc exclues. 

5.2 Choix méthodologiques 

Le cadre de travail présente une contrainte non négligeable pour l’exploitation de cette image. 

L’extrait retenu est une zone restreinte qui se cantonne à celle de l’inventaire de l’équipe Sangha, soit 

50 Km². De ce fait, la portion d’espace ne se compose que de forêt dense, avec présence de quelques 

clairières inondées (lacs ou baïs). Il s’agit d’un milieu assez homogène, que les techniques de 

télédétection actuelles appliquées sur le type de produit retenu (4 bandes spectrales dans le VNIR) ne 

peuvent étudier avec précision (différenciation entre espèces de feuillus), d’autant qu’il est impossible 

d’en vérifier les résultats. Car, bien que la diversité en espèces végétales soit reconnue comme très 

riche, les valeurs radiométriques de celles-ci, très similaires rendent le travail désiré complexe. 

Après une série de tests nous avons retenu une méthode, détaillée comme suivant : 

la définition d’un nombre de classes qui cadre avec le nombre d’éléments principaux observés 

sur le terrain et sur des travaux de photointerprétation réalisés sur compositions colorées ; 

l’élaboration d’une chaine de traitements automatique appropriée au contexte 

Nous présenterons ensuite les résultats et les discuterons. 

5.3 Applications 

5.3.1 Définition du nombre de classes 

La méthode de traitements automatiques repose tout d’abord sur la définition d’un nombre de classes, 

qui dans notre cas, se base sur les hypothèses tirées de l’analyse non experte des photos de terrain, 

telle que décrite par l’estimation approximative des unités paysagères ci-dessous (Figure 17). 

Figure 17 : Grandes unités paysagères identifiées par les naturalistes au niveau des lacs 

Source : Philippe Annoyer, Expédition Sangha 2010 – Novembre 2010 





Pour enrichir la description, et d’après les témoignages et observations orales des thématiciens 

confrontés aux compositions colorées, la cartographie thématique souhaitée comporte 5 classes : 

 

 

 

 

 

eau libre 

prairie marécageuse (végétation de surface et herbe en place sur les pourtours et au centre des 

lacs) 

berge (végétation arbustive et hautes herbes correspondant à la zone de transition entre 

clairière et forêt) 

forêt et végétation sur sols hydromorphes 

forêt dense de terre ferme 

Les photos ci-dessous (Figure 18) illustrent la complexité des paysages observés au niveau des trois 

lacs retenus pour les prochaines prospections. 

Lac 1 Lac 3 Lac 7 

Figure 18 : Paysages des trois lacs tests 

Source : Philippe Annoyer, Expédition Sangha 2010 – Novembre 2010 

Des résultats de travaux en photointerprétation et une composition colorée utilisant des indices de 

texture nous ont également aidés dans cette démarche, ils sont présentés en annexe. 





5.3.2 Chaine de traitements automatiques 

Le travail s’est focalisé sur l’extrait de la scène SPOT5 centrée sur la zone des lacs (Figure 19). 

Figure 19 : Extraction de la zone test 

L’organigramme ci-dessous (Figure 20) résume les traitements opérés dont les étapes sont détaillées 

dans l’annexe 4. 

Figure 20 : Organigramme de la chaîne de traitements 





5.4 Résultats – cartographie thématique proposée 

Sur la base des résultats obtenus, et en fonction des multiples incertitudes et de l’absence de vérité 

terrain, la cartographie thématique proposée comporte donc les 5 classes prévues, mais sans qu’on 

puisse associer des végétations reconnues aux deux classes de forêts 

Figure 21 : Cartographie proposée pour l’aide à la décision sur le lac 1 

5.5 Bilan et discussion 

De nombreux tests, utilisant des chaines de traitements et des techniques diverses (ACP, indices de 

végétation, de texture, matrices d’occurrence et de cooccurrence, application de masques, etc.), ont été 

effectués avec des résultats très variés et discutables, sans que nous puissions les évaluer. On notera 

d’ailleurs que sur ce point, la complexité des indices utilisés n’est pas toujours gage de succès ! Les 

cinq classes initialement souhaitées, sur la base des observations de terrain et sur nos connaissances en 

matière de télédétection ont été obtenues, mais certaines s’avèrent délicates à interpréter et à 

corroborer de manière précise avec les paysages observés. Ainsi, les classes nommées « forêt1 » et 

forêt2 » ne peuvent être précisées pour le moment, même si certaines indications issues de l’inventaire 

permettraient, de façon encore hypothétique, d’interpréter la première comme un complexe forestier 

de terre ferme, et la deuxième comme une forêt sur sol hydromorphe, ce que confirmerait la proximité 

avec le lac. Il est donc à retenir que si le document cartographique présenté peut, à première vue, se 

montrer satisfaisant, car élaboré à partir d’une méthode robuste employée dans de nombreuses études 





de télédétection, on ne peut pas juger de sa qualité ni de sa précision. L’homogénéité du milieu induit 

de faibles variations radiométriques entre espèces (qui pourtant, semblent très distinctes visuellement), 

qui induisent des ambiguïtés radiométriques pour une différenciation fine des espèces. 

Le résultat obtenu peut néanmoins constituer une cartographie assez générale de la zone, qui peut 

servir de support pour la prochaine mission. En particulier il donne un support pour décider de zones à 

prospecter pour y collecter des informations de terrain afin de confirmer les hypothèses, notamment 

grâce à des descriptions physionomique de la végétation, des identifications de la flore et de l’état de 

l’occupation du sol. Ce travail est par ailleurs en cours, puisqu’une description spécifique des 3 types 

de strates doit être réalisée pour définir en détail les formations végétales complexes présentes. 

D’autres travaux devront être menés dans ce sens, et c’est ici qu’apparait encore l’une des principales 

limites de ce travail, puisque de nombreux relevés sont nécessaires pour interpréter la grande richesse 

des informations contenues dans les produits spatiaux. 

Cette typologie, qui n’a pas pu être utilisée pour notre travail car pas encore définie dans son 

intégralité à ce jour, pourra en revanche faire partie d’un travail plus approfondi et servir pour les 

prochaines analyses cartographiques à destination de la mission en 2012. 

Une fois les différentes entités mises en évidence, et après leur vérification sur le terrain, des 

classifications dirigées utilisant les informations des canaux bruts et des néo canaux peuvent ainsi être 

effectuées pour une interprétation et une cartographie pertinente de la zone. L’ensemble de cette 

méthode est décrite au travers de la Figure 22 ci-dessous. 

Figure 22 : Organigramme de la chaîne de traitements proposée 





Il est à noter que les résultats de travaux de photointerprétation ne sont pas forcément directement 

comparables avec ceux issus de traitements automatiques. On pourra noter l’avantage de cette dernière 

méthode pour produire rapidement des cartes pouvant servir de support, et d’un autre coté l’avantage 

des travaux de photointerprétation, notamment sur composition colorée pour des analyses assez fines. 

Les descriptions des complexes forestiers réalisés à partir d’analyses thématiques globales, pourraient 

être comparées avec les résultats des descriptions plus spécifiques attendues du projet. Les travaux 

déjà conduits sur ce sujet pourraient alors constituer un apport précieux sur la connaissance des 

formations végétales complexes en place, à plus petite échelle. 

Les autres résultats de tests effectués, utilisant différentes techniques et chaines de traitements, 

pourraient en retour être comparés avec ceux utilisant la vérité terrain (classification dirigées ) à 

l’issue de la prochaine mission. Ceci permettrait d’évaluer les types de traitements automatiques 

(basés sur des méthodes de classifications non dirigées) les plus appropriées dans ce genre de contexte 

(absence de vérité terrain et contraintes liées à notre contexte). Ce genre d’étude pourrait enrichir les 

connaissances en matière de techniques utilisées en télédétection sur ce type de milieu. 

Enfin, la conduite de travaux utilisant les méthodes de classifications orientées objets pourraient être 

développée, en particulier sur des images à très haute résolution. Cette technique, qui n’a pu être 

utilisée ici (absence de logiciels adéquats et image QuickBird très décalée dans le temps), s’effectue 

selon deux phases principales. La première, appelée segmentation, consiste en la création de régions 

individuelles par le regroupement d’ « éléments images » suivant certains critères d’homogénéité 

spectrale et spatiale, appelés segments, considérés comme des objets totalement indépendants. Ensuite 

vient la classification, ou étiquetage des segments par des attributs spatiaux, spectraux, de structure et 

incluant d’autres variables géographiques (Hoang et al, 2007). Nous pensons que ces techniques, 

associées à des contrôles de terrain, offriraient de bonnes perspectives pour la production de 

cartographie détaillée et de qualité, et ainsi, pour la réalisation d’analyses spatiales fines, comme celle 

des interactions entre entomofaune et habitats écologiques. 

6 Bilan des travaux – Cahier des charges pour le futur 

Les différents travaux réalisés dans la présente étude ont éclairés certains points clés. Les objectifs de 

départ ont été atteints avec un certain succès puisque les ambigüités ont été écartées au fur et à mesure 

des grandes étapes traitées, et des solutions ont été proposées pour pallier aux incertitudes persistantes. 

Il est en plus à noter que la connaissance de la zone prospectée et notre compréhension de certains de 

ses processus bio morphologiques ont, par ce travail, été améliorées. Des pistes de réflexion sont 

également soulevées et pourraient conduire à préciser les directives et les objectifs de la prochaine 

mission. 

De cette synthèse, les axes proposés sont établis à deux niveaux : 

 

Une feuille de route sur les interactions que l’on souhaiterait étudier. Elle a un double intérêt. 

Elle permet de vérifier que les travaux conduits dans le cadre de cette étude rentrent bien dans 

la perspective globale et elle donne une perspective pour les travaux à mener au-delà (et 

notamment dans le cadre de la collecte d’échantillons et de mesures de la mission 2012). 





 

Une définition précise d’associations à tester sur lesquelles on va évaluer différents types 

d’incertitudes. 

6.1 Synthèse et feuille de route pour le futur 

Le schéma ci-dessous (Figure 23) illustre les apports de chaque donnée qu’elle vienne du terrain ou 

d’observation de la terre. 

Figure 23 : Réflexion sur les multiples relations potentielles entre les divers types de données 

Capteurs bleu ciel : déjà disponibles / capteurs bleu foncé : sur la liste au Père Noel 

Plusieurs « ponts » sont dressés pour tenter de relier des données géospatiales et des données de terrain 

et les croiser autour de sous problématiques convergentes. 

Sur chaque résultat de croisements, les incertitudes associées devraient être évaluées le plus 

précisément possible et, en retour, faire partie intégrantes du choix des sources à utiliser pour la 

production des données finales. En reprenant ce qui est décrit dans la littérature sur l’hétérogénéité des 

données et les incertitudes associées, on pourrait proposer de développer un système de pondération de 

chacune des données, en fonction de sa qualité initiale, et du degré d’incertitudes qu’elle engendre à 

chaque étape de traitement, et dans son croisement avec d’autres données. 





6.2 Travaux à mener 

Cadre Action Incertitudes impliquées Données à croiser Entrées nécessaires ou 

souhaitables (données, 

méthodes) 

Commentaire 

Constitution de 

l’infrastructure spatiale 

de données 

Calage relatif des images 

entre elles 

Incertitudes géométriques 

liées aux différents niveaux de 

corrections initiaux 

Aster / Landsat / Spot / 

QuickBird 

Nouveau produits satellites 

de précision à venir 

Landsat, par sa résolution de 30 

mètres présentera toujours une 

incohérence et une imprécision 

Constitution de 

l’infrastructure spatiale 

de données 

Croisement des 

incertitudes des images 

satellites et des mesures 

GPS de terrain 

Localisations des échantillons 

et orthorectification des 

images 

Images Satellites / Points 

d’appuis et tracks GPS 

Mesures DGPS 

Augmenter la précision spatiale 

Occupation du sol, 

échantillonnage pour 

tests 

Identification d’arbres 

remarquables sur les 

images 

Incertitudes de localisation et 

temporelles 

Images Satellites HR et THR 

/ Localisation de 118 arbres 

remarquables 

Mesures DGPS, parcelles 

tests, 

mesures 

radiométriques de terrain 

Tentative d’identification des 

arbres sur images d’après 

relevés de terrain 

Occupation du sol Croisement entre 

réflectances QuickBird et 

mesures sur branches 

d’arbres avec le spectrocolorimètre 

de terrain 

Incertitudes radiométriques, 

de localisation et temporelles 

Imagerie THR / Mesures 

spectro-colorimètre 

Non adapté 

Différences intrinsèques entre 

les mesures effectuées, mesures 

du spectro-colorimètre dans les 

longueurs d’onde du visible 

Compréhension 

historique du système 

de lacs sur 30 ans 

Extraction de la surface 

des lacs par classifications 

Incertitudes liées aux 

ambiguïtés radiométriques 

entre eau et végétaux de 

surface 

Images Satellites Landsat Mesures de terrain, 

développement de 

méthodes spécifiques aux 

milieux humides 

Le recouvrement des lacs par la 

végétation rend la distinction 

entre les éléments difficile. 








Extraction de la surface 

des lacs par photointerprétation 

Incertitudes humaines et liées 

à la méthode 

Images Satellites Landsat Expertise en 

photointerprétation 




Croisement entre la surface 

des lacs et les données 

pluviométriques 

historiques 

Incertitudes liées aux valeurs 

estimées des précipitations et 

sur la cohérence entre leur 

résolution et celle utilisée pour 

l’extraction des entités réelles 

Surfaces des lacs calculées / 

données météorologiques 

Etude plus approfondie des 

variables météorologiques 

et des processus 

hydrographique 

Approfondissement nécessaire 

sur les temps de réponse entre 

précipitations et remplissage 

Compréhension des 

variations de hauteur 

des lacs sur de courtes 

périodes 


des lacs et les mesures de 

hauteur d’eau de la 

mission 2010 


temporelles 

Images satellites Landsat de 

novembre et décembre 2010 

/ mesures de terrain / 

données météorologiques 

RFE 

Mesure des hauteurs d’eau 

à fréquence régulière et sur 

un long pas de temps 

Inadapté pour le moment, 

décalage temporelle trop 

important entre mesures terrain 

et images utilisées pour la 

cartographie 

Compréhension des 

variations de hauteur 

des lacs sur de longues 

périodes 


des lacs et les mesures de 

hauteur d’eau sur 15 mois 


temporelles 

Images satellites Landsat de 

2010 à 2012 / mesures de 

terrain sur 8 lacs sur 15 mois 

/ données météorologiques 

Attente des mesures de 

capteurs PROSENSOR 

laissés sur place 

Attente des données au retour de 

la mission 2012 

Interactions entre 

entomofaune et microhabitats 

et niches 

écologiques 

Analyse spatiale des 

différents processus et 

facteurs liés aux 

interactions d’une espèce 

Toutes les incertitudes 

associées à chaque donnée et 

leurs croisements sont 

impliquées 

Croisements entre 

échantillons collectés 

(insectes, végétaux) / 

observations / images THR / 

données météo 

Suivi sur le long terme et à 

fréquence régulière du 

milieu qui peut rendre 

nécessaire l’utilisation 

d’imagerie radar. 

Connaissances sur les 

habitats et classification 

orientées objets sur THR 

(prog. WoldView-2) 

Intérêt récemment exprimé par 

les naturalistes, nécessite de la 

bibliographie et des 

connaissances approfondies 

pour faire un diagnostic des 

besoins dans le domaine de la 

télédétection et de la 

géomatique 

Tableau 6 : Présentation détaillée des travaux à réaliser 





Conclusion générale 

De la problématique complexe posée au départ, par un contexte de travail original mêlant 

domaine géospatial et inventaire entomologique, et les questions délicates et parfois méconnues, 

donc mal maitrisées qui en découlent, cette étude a permis d’éclairer un certain nombre de 

points obscurs, essentiellement techniques, qu’il convenait nécessairement de résoudre. 

A notre grand regret, la télédétection et la géomatique ne permettent pas pour le moment 

d’observer les insectes vus du ciel ! Néanmoins, la réduction des incertitudes géographiques, 

rendue possible par une prise de conscience et l’utilisation de techniques développées dans 

notre domaine, ouvrent des perspectives intéressantes sur les possibilités d’études à échelle très 

fine. La maitrise de la cohérence entre tous les processus mis en œuvre pour soutenir un 

inventaire de biodiversité constitue avant tout un gage de qualité et de précision qui autoriserait 

a priori des analyses spatiales fines comme les interactions entre micro habitats et entomofaune. 

Au final, les objectifs initialement fixés ont pu été traités. Les résultats des différents travaux 

menés (chapitres 4, 5 et 6) ont permis de faire un bilan préliminaire sur la qualité globale des 

jeux de données à disposition, de leur adéquation possible, et de dresser un panorama des 

solutions existantes pour réduire les incertitudes inhérentes à la mise en place d’une base de 

données hétérogènes multi source. De là, des réflexions ont été élaborées pour penser aux 

formes que pourraient prendre les nouveaux travaux à conduire pour enrichir le projet. 





Liens vérifiés le 21 août 2011 

Bibliographie 

Atkinson P.M. & Foody G.M. (Editeurs), 2002, Uncertainty in remote sensing and GIS, John Wiley 

& Sons, 470 p. 

Baillarin S., Bouillon A., Bernard M. et Chikhi M., 2009, Using a three dimensional spatial 

database to orthorectify automatically remote sensing images, Actes ISPRS Workshop on Service and 

Application of Spatial Data Infrastructure, XXXVI (4/W6), Oct.14-16, Hangzhou, China, pp. 89-94. 

Bierkens M.F.P, Finke P.A. et De Willigen P., 2000, Upscaling and Downscaling Methods for 

Environmental Research, Kluwer Academic Publishers Dordrecht, 190 p. 

Boulvert Y. et Juberthie C., 1998, République Centrafricaine, Encyclopaedia Biospeologica, Moulis 

(CNRS), Bucarest (académie roumaine), pp. 1583-1592. 

Bresnahan, 2011, Geolocation accuracy monitoring of High Resolution Commercial Imagery, Actes 

colloque JACIE 2011, Boulder, Colorado, 29-31 mars 2011, 16 planches. 

[Accessible via : http://calval.cr.usgs.gov/JACIE_files/JACIE11/JACIE2011.html] 

Canters F., De Genst W. et Dufourmont H, 2002, Assessing effects of input uncertainty in structural 

landscape classification, International Journal of Geographical Information Science, 16, 129-149. 

Carpenter G.A., Gopal S., Macomber S., Martens S., Woodcock C.E. et Franklin J., 1999, A 

neural network method for efficient vegetation mapping, Remote Sensing of Environment, Vol. 70, pp. 

326-338. 

CERTU, 2005, La qualité des données géographiques, CD-ROM DRAST / CERTU, Septembre 

2005. 

[Accessible via : http://www.certu.fr/catalogue/] 

Datcu M., Seidel K. et Walessa M., 1998, Spatial information retrieval from remote sensing images, 

Part 1: Information theoretical perspective, IEEE Transactions on Geoscience and Remote Sensing, 

36, pp. 1431-1445. 

De Namur, 1990, cité dans Doucet, J.L., 2003, L’alliance délicate de la gestion forestière et de la 

biodiversité dans les forêts du centre du Gabon. Thèse de doctorat en Sciences Agronomiques et 

Ingiénerie Biologique. Faculté Universitaire des Sciences Agronomiques de Gembloux, Belgique, 323 

p. 

Digital Globe, 2006, QuickBird Imagery Products – Product Guide, Revision 4.7.2, 78 p. 

[Accessible via : http://www.digitalglobe.com/index.php/6/DigitalGlobe+Products ] 

Doucet J.L., Dissaki A. et Mengome A., 2007, Dynamique des peuplements forestiers d’Afrique 

Centrale : les formations végétales d’Afrique Centrale. Cours ATIBT de formation en dynamique des 

peuplements forestiers, Libreville, décembre 2007, 28 planches. 

Rapport Fivel Master 2 TGAE – 2010-2011




[Accessible via : http://data.cameroun-foret.com/fr/node/7807] 

Draper N., 1995, Assessment and propagation of model uncertainty, Journal of the Royal Statistic 

Society, Series B, 57, pp. 45-98. 

Draper N. & Smith H., 1998, Applied Regression Analysis, 3rd Ed., New York, Wiley & Sons. 

Duckham M., 2000, Error sensitive GIS development: technology and research themes, in 

“Proceedings of the 4th International Symposium on Spatial Accuracy Assessment in Natural 

Ressources and Environment Sciences”, Delft, Delft University Press, pp. 183-190. 

Fisher, P.F., 1997, The pixel – a snare and a delusion, International Journal of Remote Sensing, vol. 

13, pp. 679-685. 

Foody G.M., Campbell N.A., Trodd N.M. et Wood T.F., 1992, Derivation and application of 

probabilistic measures of class membership from the maximum likelihood classifications, 

Photogrammetric Engineering and Remote Sensing, Vol. 58, n°9, pp. 1335-1341. 

Forshaw M.R.B., Haskell A., Miller P.F., Stanley D.J. and Townshend J.R.G., 1983, Spatial 

resolution of remotely sensed imagery: a review paper, International Journal of Remote Sensing, 4, 

pp. 371-383. 

Fujisada, 1995, Design and performance of ASTER instrument. Proceedings of SPIE, vol. 2583, pp. 

16-25. 

Heuvelink G.B.M. & Burrough P., 1993, Error propagation in cartographic modelling using 

Boolean logic and continuous classification, International Journal of Geographic Information Systems, 

7, pp. 231-246. 

Heuvelink G.B.M., 2000, Aggregation and error propagation in Geographical Information System, 

in “Spatial Accuracy Assessment. Land Information Uncertainty in Natural Resources”, K. Lowell and 

A. Jaton Editors, Taylor & Francis, pp. 219-225. 

Hoang K.H., Bernier M., Villeneuve J ;-P, 2007, Les changements de l’occupation du sol et ses 

impacts sur les eaux de surface du bassin versant de la rivière Câu (Viet-nam), Actes des JSIRAUF, 

Hanoi, 6-7 novembre 2007. 

Jobin E., 2010, Une approche pragmatique de la qualité des données en Charente-Maritime, in 

« Actes des Rencontres SIG La Lettre 2010 », Mai 2010, Marne La Vallée. 

[Accessible via : http://www.rencontres-sig-la-lettre.fr/la-qualite-des-donnees-pourquoi-fait-elleencore-debat/] 

Kitanidis P.K., 1997, Introduction to Geostatistics: Applications to Hydrology, Cambridge, 

Cambridge University Press, 249 p. 

Kros J., Pebesma E.J., Reinds G.J. et Fink P.F., 1999, Uncertainty assessment in modelling soil 

acidification at the European scale: a case study, Journal of Environmental Quality, 28, pp. 366-377. 





Lerouge, G., 2011, Interprétation géomorphologique de l’image Spot5 HRG du 23/10/2008 et du 

MNT ASTER. Compréhension de la géométrie du réseau hydrographique, Document interne Geo212, 

16 p. 

MacKenzie D., 1990, Inventing Accuracy – a historical sociology of nuclear missile guidance, MIT 

Press, 464 p. 

McIver D.K. et Friedl M.A., 2001, Estimating pixel-scale land cover classification confidence using 

nonparametric machine learning methods, IEEE Transactions on Geoscience and Remote Sensing, 

Vol. 39, pp. 1959-1968. 

Pornon H., 2010, Est-ce la qualité des données qui fait débat ou la compréhension des données et la 

définition des besoins ?, in « Actes des Rencontres SIG La Lettre 2010 », Mai 2010, Marne La Vallée. 


Reynard S., 2010, Retours d’expérience sur le management de la qualité des données dans des 

projets internationaux, in « Actes des Rencontres SIG La Lettre 2010 », Mai 2010, Marne La Vallée. 


Qiu, J. & Hunter, G.J., 2002, Managing data quality information, in W. Shi, P.F. Fisher and M. 

Goodchild, (eds), Spatial Data Quality (London: Taylor & Francis). 

Riazanoff, S., 2004, SPOT 123-4-5 Geometry Handbook, GAEL Consultant, issue 1, revision 4, 82 p. 

Schott, J.R., 2007, Remote Sensing: The Image Chain Approch, 2nd Ed. Oxford University Press, 

New York, 2007, 666 p. 

Schowengerdt, R.A., 1997, Remote Sensing, Models and Methods for Image Processing, 3rd Ed, San 

Diego, Academic Press, 515 p. 

SEFAC, 2009, Unité forestière d’aménagement 10-064 

[Accessible via: http://www.groupesefac.com/fra/?p=16 ] 

Sinton, D., 1978, The inherent structure of information as a constraint to analysis: Mapped thematic 

data as a case study, in G. Dutton (ed.) Harvard Papers on Geographic Information Systems, volume 

6, Reading, MA, Addison-Wesley, pp. 1-17. 

Song, C., Woodcock, C.E., Seto, K., Pax Lenney M. et Macomber, S.A, 2001, Classification and 

change detection using Landsat TM data: when and how to correct atmospheric effects?, Remote 

Sensing of Environment, Vol. 75, pp. 230-244. 

UNESCO, 2010, Le patrimoine mondial dans le bassin du Congo, brochure du Centre du Patrimoine 

Mondial, UNESCO, Paris, Juin 2010, 64 p. 

[Accessible via : http://whc.unesco.org/fr/actualites/617] 





United States Geological Survey, 2009, Landsat Thematic Mapper TM Level 1 (L1) Data Format 

Control Book (DFCB), Department of the Interior, version 3.0, 113 p. 

Wing, 2011, Consumer-grade GPS receiver measurement accuracy in varying forest conditions, 

Research Journal of Forestry, Vol. 5, n°2, pp 78-88. 

Yamaguchi Y, Khale, A., Tsu, H., Kawakami, T. and Pniel, M.., 1998, Overview of Advanced 

Spaceborne Thermal Emission and Reflexion Radiometer (ASTER), IEEE Transactions on Geoscience 

and Remote Sensing, vol.36, pp. 1062-1071. 

Sites d’intérêt 

Projet Sangha 2012 : www.insectesdumonde.org 

Partenariat pour les forêts du Bassin du Congo : www.pfbc-cbfp.org/ 

Site Terre et Ciel du LOA : http://loatec.univ-lille1.fr/terreetciel/module.php?lang=fr. 

Modèle NOAA RFE2 : http://www.cpc.ncep.noaa.gov/products/fews/RFE2.0_tech.pdf 

Rapport SEFAC, Unité forestière d’aménagement : http://www.groupesefac.com/fra/?p=16 

OFAC, Observatoire des Forêts d’Afrique Centrale : http://observatoire-comifac.net/ 

CARPE, Central African Regional Program for the Environment: http://carpe.umd.edu/

Rapport de stage - Planet Action

Create successful ePaper yourself

Delete template?

Save as template?