Soutenance mémoire
Télécharger le fichier pdf d’un mémoire de fin d’études
Quantification des risques de fuite
La quantification ex-post des fuites est nécessaire pour pouvoir les déduire des réductions d’émission permises grâce au projet. La quantification des fuites ex-ante est quant à elle recommandée dans les méthodologies pour connaître l’impact potentiel des fuites sur la rentabilité carbone du projet, ainsi que pour définir des activités d’atténuation des fuites et un plan de monitoring des fuites appropriés. Cependant, elle est beaucoup moins encadrée que l’estimation ex-post.
La méthode de quantification du déplacement d’activité pour la déforestation et la dégradation non planifiées proposée dans la littérature est la définition d’un scénario de référence dans la zone de fuite et estimation ex-post par rapport aux émissions observées.
D’après Terra Global Capital, 2010, les fuites sont égales au produit des réductions des émissions prévues et du taux de fuite. = ∑ ( ) × ( ) =1.
Équation 1 : Formule du taux de fuite.
• N= nombre de facteurs de déforestation et dégradation identifiées.
• Coefficient de fuite = la proportion d’émission non évitée mais déplacée pour le facteur f.
• Impact relatif du facteur = la part des émissions dues au facteur f dans le scénario de référence.
Situation géographique
Le massif forestier d’Ankerana est localisé dans la partie Est de Madagascar, Province autonome de Toamasina dans la Région Atsinanana, District de Brickaville, Commune rurale de Maroseranana. Il est inclus dans le CAZ et se situe à 70 km environ au Nord-Est du site minier d’Ambatovy (DBA, 2012). Le massif est délimité géographiquement entre 18°22’et 18°26’ de longitude Sud et entre 48°44’et 48°48 de latitude Est ; il présente une variation altitudinale de 500 à 1200 m d’altitude (AMREI VON HASE et al., 2014).
Le massif forestier d’Ankerana constitue la zone d’intervention d’Ambatovy qui est délimité par les bordures du massif en question. La zone d’intervention d’Ambatovy s’étale sur une surface de 6773 Hectares (Ha). La zone d’étude est plus large avec 65235 Ha. Elle a été dénommée Area of Interest 8 (AOI 8) selon une distinction dans les zones de conservation d’Ambatovy (cf.Carte 1).
Données satellitaires et cartographiques
Les données satellitaires utilisées ont été des images satellitaires du type SPOT 5 en 2006 et 2009 et RapidEye pour les images 2010, 2011 et 2015 (cf. Tableau 1, Annexe 1). Les cartes d’occupation du sol en 2006, 2009, 2010 et 2011 ont été déjà préalablement réalisées par la société GAF. Dans cette étude, seule la classification des images RapidEye en 2015 a été réalisée. Ces satellites RapidEye qui, grâce à sa constellation de 5 satellites, permettent de couvrir de vastes territoires avec une résolution spatiale et une périodicité intéressante. De plus, les tarifs appliqués en termes d’imagerie sont très compétitifs (Systèmes d’Information à Référence Spatiale, 2012). Les images RapidEye acquises pour la classification de l’occupation du sol en 2015 sont de niveau 3. Les produits de niveau 3 sont particulièrement indiqués dans les régions avec relief. Ce degré de prétraitement très élaboré répond aux besoins d’une précision cartographique maximale pour la création et la mise à jour cartographique. Il permet également de superposer l’image avec d’autres informations géographiques de types et sources différents (SPOTIMAGE, 2010). Aucun néocanaux n’a été utilisé lors du traitement de l’image en 2015.
Pas de données
Les zones masquées par des nuages ou le manque de données en raison d’une couverture satellitaire médiocre ou les images de mauvaise qualité ont été codées en « pas de données » à la fois dans les polygones d’occupation des sols et d’utilisation des terres (FAO et CCR, 2012). Ainsi, une zone 306,73 Ha, essentiellement recouverte de nuage, a été masquée dans toute la série d’image utilisée. De ce fait aussi, l’image 2008 n’a pas été pris en compte dans l’étude due à la couverture très importante de nuage atteignant les 5200 Ha. Les zones sans données ont été considérées comme une perte d’information non biaisée.
Données aberrantes
Le test de Dixon permet de déceler les valeurs aberrantes d’une série de données (Centre d’Enseignement et de Recherche de Statistique Appliquée, 1991). Les taux de déforestation ont été alors testés pour distinguer les valeurs aberrantes possibles.
Il a fallu comparer la distance entre la valeur suspectée aberrante et une valeur des plus proches, avec la distance entre la valeur suspectée aberrante et une des valeurs les plus éloignées de l’échantillon. Notons R la variable aléatoire prenant pour valeur le rapport de ces distances. Sa valeur observée est donnée selon la valeur de n et la position de la valeur suspectée aberrante.
Classification des images pour la production de la carte d’occupation du sol
La classification semi-supervisée a consisté à chevaucher une classification supervisée par une classification non supervisée. Ce processus permet d’avoir une meilleure qualité de classification et de minimiser la subjectivité dans la définition des échantillons d’apprentissage ou zones d’entrainement (Region Of Interest) pour la classification supervisée (ZAFINDRAMIADANA, 2013). Deux grandes approches existent pour la classification des images satellites, la classification basée sur le pixel, et la classification des objets. La classification basée sur les pixels ou analyse spectrale reste la méthode la plus utilisée pour les images à moyenne résolution spatiale. Les produits obtenus sont de moins en moins limités en termes de pertinence et de fiabilité au fur et à mesure que les images sources atteignent des résolutions plus fines. Avec la venue des images très haute résolution (Ikonos, Spot, etc), voire à résolution modérée (dernières générations de Landsat), les classifications obtenues sont parsemées de pixels isolés (désigné en anglais par l’effet « salt and pepper » « sel et poivre ») et ne reflètent pas toujours l’intégrité des phénomènes à cartographier. Le terme de classification supervisée ou dirigée regroupe toutes les procédures de classification basées sur une connaissance préalable de la zone à cartographier (RABENILALANA, 2011).
Ainsi la méthode de classification choisie a été la classification orientée objet. Cette dernière ne s’est développée que récemment et jusqu’à présent. Cette méthode se fait en deux étapes : la segmentation de l’image et la classification proprement dite des objets (QIAN et al., 2006). Segmenter une image consiste à diviser l’ensemble des pixels de l’image en régions connexes (objets), homogènes et différentes de leurs voisines. Il existe plusieurs techniques de segmentation. Ainsi, l’approche par région a été utilisée. Il s’agit d’extraire les objets par un processus dont les paramètres d’entrée sont définis par les utilisateurs en fonction de l’échelle d’étude et le degré de précision voulu (cf. Tableau 3). Après la phase de segmentation, il s’agit plus de pixels mais d’objets (régions) comme éléments constitutifs de l’image.
Analyse des matrices de changement de l’occupation du sol
La dynamique de l’occupation du sol a été étudiée par la quantification du changement de répartition spatiale entre les images satellites de 2006 à 2015. Une superposition de la série d’image post-classification a été effectuée. L’analyse a amené à s’intéresser à la matrice de transition entre les différentes classes d’occupation du sol. Elle a consisté en une matrice carrée qui présente les changements d’état des classes d’occupation du sol pendant la période d’observation. Chaque cellule renseigne sur la surface d’une classe d’occupation donnée au temps initial t0 qui a été transformée en une autre classe au temps tn.
Analyse des taux de déforestation
Le taux de déforestation est le taux annuel de changement de la forêt en sol non forestier. Le taux est exprimé en pourcentage. L’objectif a été de déterminer le potentiel de déforestation évitée envisageable à moyen terme. C’est en comparant un scénario de référence pendant la période de référence avec le scénario de projet.
Le scénario de référence d’« avant-projet » a été constitué par la situation de la zone d’étude avant la mise en place du projet et la réalisation des activités du projet. Dans cette étude, le scénario de référence correspond à la période de 2006 à 2010 selon la disponibilité des images. Par contre le scénario d’« après-projet » met en évidence la situation après la mise en place des activités du projet notamment la conservation et la recherche, l’éducation environnementale et les appuis au développement communautaire (cf. Annexe 7). Le scénario d’« après-projet » ou avec projet correspond à la période de 2010 à 2015. Les taux de déforestation ont été aussi calculés à deux niveaux, au niveau du massif d’Ankerana et au niveau de la zone d’étude AOI 8 selon la série temporelle. Le taux de dégradation n’a pas été déterminé dans l’étude. 𝜃= (𝑆1−𝑆2)(𝑇2−𝑇1)∗𝑆1∗100.
Méthode d’évaluation des indices de fragmentation des forêts
Cette étape a consisté à évaluer l’état de la fragmentation des forêts, en calculant, à l’aide d’outils d’analyse spatiale, un certain nombre d’indices spatiaux. Ces indices correspondent à des indicateurs de l’état du changement de la structure spatiale du paysage. Cette évaluation a pour but donc de quantifier l’état de la fragmentation des forêts en utilisant les indices de structure spatiale (l’aire totale des forêts, l’indice de dimension fractale, l’indice d’agrégation et la densité du bord), afin d’évaluer l’impact des activités anthropiques sur les habitats forestiers.
La classification de taches a été générée par le logiciel ArcGIS 10.5, afin d’obtenir les différents polygones à partir desquels plusieurs indices ont été calculés. Ensuite, l’analyse a été réalisée avec le logiciel Fragstats 4.2.1.
Indice de dimension fractale (FRAC)
Dans un paysage, l’indice renseigne sur la complexité de la forme des taches : plus une tache a une forme complexe, plus sa dimension fractale est proche de 2. A l’inverse, plus le périmètre est simple, plus il se rapproche de 1. Autrement dit, plus l’indice est fort, plus l’occupation du sol est fragmentée (MCGARIGAL & ENE, 2015). Elle se calcule par la formule: 𝐹𝑅𝐴𝐶= [(𝑧−2)Σ(ln𝑛𝑟∗ln𝑟)𝑧𝑟=3]− [(Σln𝑛𝑟𝑧𝑟=3)−(Σln𝑟𝑧𝑟=3)][(𝑧−2)(Σln𝑛𝑟2𝑧𝑟=3)]−[(Σln𝑟𝑧𝑟=3)].
|
Table des matières
1 METHODOLOGIE
1.1 Problématique et hypothèses
1.1.1 Problématique
1.1.2 Hypothèses
1.2 Etat des connaissances
1.2.1 Délimitation des zones de fuite
1.2.2 Quantification des risques de fuite
1.2.3 Milieu d’étude
1.3 Matériels et méthodes
1.3.1 Matériels
1.3.2 Méthode de traitement de l’image RapidEye de 2015
1.3.3 Méthode d’analyse spatio-temporelle de la dynamique d’occupation du sol
1.3.4 Méthode d’évaluation des indices de fragmentation des forêts
1.3.5 Méthode d’analyse des facteurs de dynamique d’occupation du sol de Forêt à Non-Forêt
1.3.6 Méthode d’analyse des déplacements des pressions dans le temps
1.4 Cadre opératoire
1.5 Démarche méthodologique
2 RESULTATS
2.1 Carte d’occupation du sol en 2015
2.2 Dynamique d’occupation du sol
2.2.1 Evolution de la superficie forestière
2.2.2 Taux de déforestation
2.3 Indices de fragmentation du paysage forestier
2.3.1 Aire de la classe
2.3.2 Indice de dimension fractale (FRAC)
2.3.3 Indice d’agrégation (AI)
2.3.4 Densité du bord (ED)
2.4 Facteurs explicatifs de l’évolution de la superficie forestière entre 2006 à 2015
2.4.1 Agrégats de pression entre 2006 à 2010 d’avant-projet
2.4.2 Agrégats de pression entre 2011 à 2015 d’après projet
3 DISCUSSIONS et RECOMMANDATIONS
3.1 Discussion sur la méthodologie
3.1.1 Discussion sur le traitement des images
3.1.2 Discussion sur le taux de déforestation
3.1.3 Discussion sur la quantification des fuites
3.2 Discussions sur les résultats
3.2.1 Evolution de la déforestation de la zone d’étude par rapport à la situation internationale et nationale de la forêt
3.2.2 Evolution de la déforestation dans la zone d’étude par rapport à la situation régionale et locale de la forêt
3.3 Discussion sur les hypothèses
3.4 Recommandations
CONCLUSION GENERALE
REFERENCES
Télécharger le rapport complet
