La mangrove joue un rôle essentiel dans l'équilibre des paysages côtiers et deltaïques, mais son suivi par télédétection reste un défi dans des milieux aussi hétérogènes que le delta du Saloum, au Sénégal. Une étude publiée dans la revue Environnement et Dynamique des Sociétés s'est penchée sur cette question en comparant, pour la première fois dans ce contexte précis, quatre algorithmes de Machine Learning appliqués à des images satellites Landsat 9.
Les auteurs ont d'abord analysé la réponse spectrale de huit classes d'occupation du sol présentes dans la Réserve de biosphère du delta du Saloum (RBDS) : eau, mangrove, savane arbustive à arborée, tannes, vasières, cultures, sol nu et habitat. Cette analyse révèle que ces classes se confondent partiellement dans les bandes visibles du spectre, mais se distinguent nettement à partir des bandes rouge et proche infrarouge. Le test statistique de séparabilité spectrale de Jeffries-Matusita confirme cette bonne différenciation, avec des scores proches du maximum théorique pour la quasi-totalité des paires de classes.
Sur cette base, l'équipe a comparé quatre algorithmes de classification : Random Forest, CART, Support Vector Machine (SVM) et K-Nearest Neighbors (KNN). Les quatre méthodes produisent des cartographies globalement cohérentes de la mangrove, avec des surfaces estimées entre environ 58 500 et 61 100 hectares selon l'algorithme retenu. C'est le Random Forest qui se démarque avec les meilleures performances, atteignant une précision globale et un coefficient Kappa de 0,99, suivi du CART (0,97) et du SVM (0,94). Le KNN affiche en revanche les résultats les plus faibles de l'étude, notamment pour la distinction des sols nus et des zones de cultures.
Ces résultats confirment que la mangrove dispose d'une signature spectrale suffisamment marquée pour être cartographiée de façon fiable par la plupart des méthodes de Machine Learning, y compris dans un environnement deltaïque réputé difficile. Les auteurs recommandent, pour aller plus loin, de mobiliser à l'avenir des données multi-sources comme celles des drones, de radar, de lidar, etc. afin de renforcer encore la précision de ce type de suivi, essentiel pour la gestion et la conservation de cet écosystème.
Aucun commentaire publié pour le moment.