[Link] [Link]

be

Mémoire

Auteur : Okolong Mayaka, Sylvie Laurette

Promoteur(s) : 18487
Faculté : Faculté des Sciences
Diplôme : Master en sciences et gestion de l'environnement, à finalité spécialisée
Année académique : 2022-2023
URI/URL : [Link]

Avertissement à l'attention des usagers :

Tous les documents placés en accès ouvert sur le site le site MatheO sont protégés par le droit d'auteur. Conformément
aux principes énoncés par la "Budapest Open Access Initiative"(BOAI, 2002), l'utilisateur du site peut lire, télécharger,
copier, transmettre, imprimer, chercher ou faire un lien vers le texte intégral de ces documents, les disséquer pour les
indexer, s'en servir de données pour un logiciel, ou s'en servir à toute autre fin légale (ou prévue par la réglementation
relative au droit d'auteur). Toute utilisation du document à des fins commerciales est strictement interdite.

Par ailleurs, l'utilisateur s'engage à respecter les droits moraux de l'auteur, principalement le droit à l'intégrité de l'oeuvre
et le droit de paternité et ce dans toute utilisation que l'utilisateur entreprend. Ainsi, à titre d'exemple, lorsqu'il reproduira
un document par extrait ou dans son intégralité, l'utilisateur citera de manière complète les sources telles que
mentionnées ci-dessus. Toute utilisation non explicitement autorisée ci-avant (telle que par exemple, la modification du
document ou son résumé) nécessite l'autorisation préalable et expresse des auteurs ou de leurs ayants droit.
 ULiège - Faculté des Sciences - Département des Sciences et Gestion de l’Environnement

DEVELOPPEMENT D’UN OUTIL CARTOGRAPHIQUE

PERMETTANT D’IDENTIFIER LES ZONES DE SECHERESSE SUR
LES PETITS PERIM7TRES IRRIGUES DU BASSIN VERSANT DE
RIVIERE MOUSTIQUE - HAÏTI

OKOLONG MAYAKA Sylvie Laurette

MEMOIRE PRÉSENTÉ EN VUE DE L’OBTENTION DU DIPLÔME DE MASTER

EN SCIENCES ET GESTION DE L’ENVIRONNEMENT, A FINALITE
SPECIALISEE EN GESTION INTÉGRÉE DES RESSOURCES EN EAU

Année académique 2022 - 2023

Rédigé sous la direction de : Julien DEROY

Comité de lecteurs :
Joost WELLENS
Cyrille BAKI
 « Copyright »

Toute reproduction du présent document, par quelque procédé que ce soit, ne peut être
réalisée qu'avec l'autorisation de l'auteur et de l’Université de Liège.

L’Université de Liège est représentée par M. Julien DEROY membre du personnel de

l’Université de liège.

Le présent document n'engage que son auteur.

Auteur du présent document : OKOLONG MAYAKA Sylvie Laurette

Adresse électronique : sylvie_okolong@[Link]

 REMERCIEMENTS

Je remercie le Seigneur tout Puissant qui me guide, me garde et m’inspire au quotidien et sans
qui rien de tout ceci n’aurait été possible. C’est également pour moi l’occasion de remercier les
personnes qui ont contribué à la réalisation du présent mémoire ; je pense notamment :

➢ A la coopérative AGRIBEL pour m’avoir fait confiance et confié ce travail ;

➢ A M. Julien DEROY qui malgré ses multiples occupations n’a ménagé aucun effort
pour m’accompagner dans la réalisation de ce travail ;
➢ M. Joost WELLENS pour ses conseils et son accompagnement technique sans lesquels
ce travail n’aurait pas été possible ;
➢ A M. Freud Dewey MESIDOR coordonnateur du projet SAP sècheresse pour sa
disponibilité et son aide précieuse dans l’accomplissement de ce travail ;
➢ Au personnel enseignant et administratif du campus environnement de l’Université de
Liège, pour la qualité des enseignements, l’encadrement, et l’écoute ;
➢ A Mr MOTING Virgile pour son aide précieuse dans la rédaction de ce mémoire ;
➢ A M et Mme Michel DE PAW et Marie-Claire HENRY pour leurs encouragements et
conseils qui ont été pour moi véritable leitmotiv ;
➢ A Mme Brigitte LACAVE pour son soutien inconditionnel depuis mon arrivée à Arlon ;
➢ A tout ceux que je n’ai pu citer nommément, que le Seigneur puisse vous récompenser
à la hauteur de votre contribution à ce travail.

i
 DEDICACE

Je ne reçois de personne, autant d'amour que d'elle.

Tout ce que je reçois d'elle est vêtu d'amour.
J'ai tout reçu d'elle.
Je n'ai à lui donner qui ne me vienne d'elle.
Mon véritable rêve est de lire un jour dans son regard à elle,
Une lueur de bonheur qui serait due à moi.
Que ce jour arrivât, je pleurerais comme jamais,
Ou peut-être rirais-je comme jamais ?
Je la contemplerais comblé, comme jamais même elle ne m'eût comblé
Heureuse de son bonheur à elle, lui devant d'être heureuse.
Tout, elle m'aura tout donné.
Dorénavant, ce que j'entreprendrai sera dédié à elle
Car elle seule peut me permettre de réaliser mes rêves.
Elle sera la raison de tous mes choix
Bien qu'entière elle ne soit plus,
J'ai des anges ailleurs.
Et je l'aime
Oh Dieu ! Comme je l'aime !

*A Ma Famille*

ii
 RESUME

Haïti, pays insulaire de la caraïbe est le siège de catastrophes naturelles constantes. Hormis, les
inondations et les séismes, de longues périodes de sécheresse affectent particulièrement les
populations de base pauvres et mal nourries et dont la principale activité est l’agriculture. Face
à une agriculture en crise et un milieu naturel à risques élevés comme celui dont fait face le
pays, l’élaboration d’un outil de détection des sécheresses pour une prise de décision efficiente
et efficace semble être un impératif.

Afin de parvenir à cet objectif, ce travail se consacre à la mise en place d’une plateforme
interactive axé sur le calcul d’indices de sécheresse et permettant d’identifier le début et la fin
des sécheresses.

Ainsi, les indices de végétation NDVI, NDDI et NDWI tout comme l’humidité du sol ont été
minutieusement choisi parmi une multitudes d’autres indicateurs du fait de leur simplicité et
leur efficacité quant à la détection des sécheresses. Les données satellitaires relatives à ces
indices ont pu être obtenu à partir des produits sentinelles. Sentinel - 1 pour la récupération du
SSM et sentinelle - 2 des indices de végétation.

La conception de l’outil réalisé en javaScript à partir de Google Earth Engine repose sur la
récupération du SSM et le calcul des différents indices de végétation choisis. Les indices de
végétation sont directement calculés à partir des bandes B8 et B4 pour le NDVI, B8 et B11 pour
le NDWI. Le NDDI quant à lui est calculé comme un rapport normalisé du NDVI et du NDWI
obtenu. Par la suite, l’humidité du sol est estimée à l’aide de l’algorithme de détection des
changements (modèle de détection de changement de TU Wien) proposé par Marschallinger et
al., (2019). Celui-ci relie le changement d’intensité du coefficient de rétrodiffusion au
changement d’humidité du sol.

L’outil mis en place constitue une plateforme interactive permettant de détecter les zones de
sécheresse. Une étude l’année 2020 a permis de constater des périodes de sécheresse. Celles-ci
affectent beaucoup plus durant les mois de saisons sèches qu’on soit au niveau de la plaine
irriguée ou en amont en zone d’agriculture pluvieuse. La zone des plaines bien qu’irriguée
semble pour les mêmes périodes plus affectées que la zone amont d’agriculture pluviale. Le
SSM étant variable sur chacune des zones il est possible d’adapter les besoins en eau. Dans le
cas de la zone amont la partie sud-ouest semble être plus affectée par la sécheresse.

Mots – clés : Sécheresse, indices de sécheresse, NDVI, NDWI, NDDI, Humidité du sol,
Sentinelle – 1, Sentinelle – 2, Google Earth Engine, Bassin versant de rivière moustique.

iii
 ABSTRACT

Haiti, an island country in the Caribbean, is the scene of constant natural disasters. Apart from
floods and earthquakes, long periods of drought particularly affect the poor and malnourished
grassroots population, whose main activity is farming. Faced with an agriculture in crisis and a
natural environment as high-risk as the one facing the country, the development of a drought
detection tool for efficient and effective decision-making seems to be an imperative.

In order to achieve this objective, this work is devoted to setting up an interactive platform
based on the calculation of drought indices and enabling the start and end of droughts to be
identified.

The NDVI, NDDI and NDWI vegetation indices, as well as soil moisture, were carefully
selected from a multitude of other indicators because of their simplicity and effectiveness in
detecting drought. Satellite data for these indices were obtained from sentinel products. Sentinel
- 1 for the recovery of the SSM and Sentinel - 2 for the vegetation indices.

The design of the tool, produced in JavaScript using Google Earth Engine, is based on the
retrieval of the SSM and the calculation of the various vegetation indices selected. The
vegetation indices are calculated directly from bands B8 and B4 for NDVI, and B8 and B11 for
NDWI. The NDDI is calculated as a normalised ratio of the NDVI and NDWI obtained. Soil
moisture is then estimated using the change detection algorithm (TU Wien change detection
model) proposed by Marschallinger et al. (2019). This links the change in intensity of the
backscatter coefficient to the change in soil moisture.

Once the tool has been programmed, it will provide an interactive platform for detecting areas
of drought. A study in 2020 revealed periods of drought. These affect much more during the
months of the dry season, whether in the irrigated plains or upstream in rain-fed farming areas.
Although irrigated, the lowland zone seems to be more affected than the upstream rainfed zone
for the same periods. As the SSM varies in each zone, it is possible to adapt water requirements.
In the case of the upstream zone, the south-western part seems to be more affected by the
drought.

Keywords : Drought, drought indices, NDVI, NDWI, NDDI, soil moisture, Sentinel - 1,
Sentinel - 2, Google Earth Engine, Mosquito river [Link]

iv
 TABLE DES MATIERES

REMERCIEMENTS ................................................................................................................... i
DEDICACE ................................................................................................................................ ii
RESUME ................................................................................................................................... iii
ABSTRACT .............................................................................................................................. iv
LISTE DES FIGURES ............................................................................................................ viii
LISTE DES TABLEAUX ......................................................................................................... ix
LISTE DES ABBREVIATIONS ............................................................................................... x
INTRODUCTION ...................................................................................................................... 1
1.1 Contexte et justificatifs ................................................................................................ 1
1.2 Problématique .............................................................................................................. 1
1.3 Objectif Principal ......................................................................................................... 2
1.4 Objectifs spécifiques.................................................................................................... 2
1.5 Limites de l’étude ........................................................................................................ 3
1.6 Approche méthodologique .......................................................................................... 3
1.6.1 Revue documentaire ............................................................................................. 3
1.6.2 Présentation de la zone d’étude ............................................................................ 3
1.6.3 Collecte de données .............................................................................................. 3
1.6.4 Acquisition des données ....................................................................................... 3
1.6.5 Conception d’un outil de suivi de la sécheresse ................................................... 3
1.7 Résultats attendus ........................................................................................................ 3
Chapitre 1: REVUE DE LA LITTÉRATURE ........................................................................ 4
1.1. Cadre conceptuel : sécheresse, télédétection et cartographie ...................................... 4
1.1.1 Essai de définition de la notion de sécheresse...................................................... 4
1.1.2 Typologie des sécheresses .................................................................................... 5
1.1.3 Caractéristiques des sècheresses .......................................................................... 5
1.1.4 Facteurs de déclenchement des sécheresses ......................................................... 5
1.1.5 Télédétection, big data et cloud computing ......................................................... 6
1.1.6 Plateformes pour la gestion et l’analyse de big data de télédétection .................. 7
1.1.7 Principes généraux de cartographie...................................................................... 9
1.1.1. Cartographie par ordinateur ............................................................................... 11
1.2 Outils de suivi de la sécheresse et systèmes d’alerte précoce ................................... 11

v
 1.2.1 Les indices de météorologie ............................................................................... 12
1.2.2 Les indices d’humidité du sol............................................................................. 13
1.2.3 Les indices d’hydrologie .................................................................................... 14
1.2.4 Les indices de télédétection................................................................................ 14
1.2.5 Les indices à valeurs composites ou modélisées ................................................ 17
1.2.6 Systèmes d’alerte précoce .................................................................................. 17
1.3 Méthodes de récupération des indices de sècheresse ................................................ 18
1.3.1 Méthode gravimétrique ...................................................................................... 18
1.3.2 La technique du réseau de neurones artificiel .................................................... 18
1.3.3 Le modèle du nuage d’eau (WCM) .................................................................... 18
1.3.4 La méthode de détection des changements ........................................................ 19
Chapitre 2: MISE EN ŒUVRE : MATERIELS ET METHODES ...................................... 20
2.1. Présentation de la zone d’étude ................................................................................. 20
2.1.1. Localisation ........................................................................................................ 20
2.1.2. Climat ................................................................................................................. 20
2.1.3. Topographie ....................................................................................................... 21
2.1.4. Réseau hydrographique et occupation des sols .................................................. 22
2.2. Collecte des données ................................................................................................. 22
2.2.1. Identification des indicateurs de suivi de sécheresse pertinents ........................ 22
2.2.2. Identification des sources de données ................................................................ 23
2.2.3. Identification de l’infrastructure......................................................................... 24
2.2.4. Choix du langage ................................................................................................ 26
2.3. Acquisition des données ............................................................................................ 26
2.3.1. Acquisition des images Sentinel-1 ..................................................................... 26
2.3.2. Acquisition des images Sentinel-2 ..................................................................... 27
2.3.3. Acquisition des données auxiliaires ................................................................... 28
2.4. Conception de l’outil ................................................................................................. 29
2.4.1. Algorithmes de récupération du SSM ................................................................ 29
2.4.2. Algorithmes de calcul des indices retenus ......................................................... 30
Chapitre 3: RESULTATS ET DISCUSSIONS..................................................................... 31
3.1. Description de l’outil proposé ................................................................................... 31
3.2. Programmation de l’outil : organisation des traitements ........................................... 32
3.3. Interprétation des résultats ......................................................................................... 33

vi
 3.3.1. Tendances générales SSM sur la zone agricole irriguée .................................... 33
3.3.2. Tendances générales NDDI sur la zone agricole irriguée .................................. 34
3.3.3. Tendances générales SSM sur la zone agricole pluviale.................................... 36
CONCLUSION ........................................................................................................................ 38
REFERENCES ......................................................................................................................... 39
ANNEXES ............................................................................................................................... 43

vii
 LISTE DES FIGURES

Figure 1: Processus et facteurs de déclenchement des différents types de sècheresse .............. 6

Figure 2 : Principe de la télédétection ........................................................................................ 7
Figure 3 : Localisation de la zone d’étude ............................................................................... 20
Figure 4 : Pluviométrie moyenne mensuelle de 2007 à 2019 .................................................. 21
Figure 5 : Calendrier cultural de la plaine de Moustique ......................................................... 22
Figure 6 : Acquisition des images sentinelles – 1 .................................................................... 27
Figure 7 : Acquisition des images sentinelles – 2 .................................................................... 27
Figure 8 : acquisition des données auxiliaires .......................................................................... 28
Figure 9 : Cartographie thématique du SSM (Vijawayada, Inde) ............................................ 30
Figure 10 : Interface de l'outil .................................................................................................. 31
Figure 11 : Organigramme des traitements .............................................................................. 32
Figure 12 : Cartographie du SSM sur la plaine irriguée pour l’année 2020 ............................ 34
Figure 13 : Cartographie du NDDI sur la plaine irriguée pour l’année 2020 .......................... 35
Figure 14 : Cartographie du SSM sur la zone agricole pluviale pour l’année 2020 ................ 36

viii
 LISTE DES TABLEAUX

Table 1: catégorisation des sècheresses suivant le SPI ............................................................ 12

Table 2 : Catégorisation des sécheresses Suivant le SWSI ...................................................... 14
Table 4 : Capacités des plates-formes pour la gestion et l'analyse des big data ...................... 25

ix
 LISTE DES ABBREVIATIONS

AMS American Meteorological Society

BVRMo Bassin Versant de Rivière Moustique
ETAGE Ecole Technique d’Agriculture et de Gestion de l’Environnement
ETDI Evapotranspiration Deficit Index / Indice de déficit d’évapotranspiration
GIDMaPS Global Integrated Drought Monitoring and Prediction System / Système
mondial intégré de suivi et de prévision de la sécheresse
GIRE Gestion Intégrée des Ressources en Eau
GRD Ground Range Detected
GWP Global Water Partnership
LST Land Surface Temperature / Température de Surface
MSDI Multivariate Standardized Drought Index / Indice de sécheresse normalisé
multivarié
NDDI Normalized Difference Drought Index / Indice de sécheresse par différence
normalisée
NDMC National Drought Mitigation Center
NDVI Normalized Difference Vegetation Index / Indice de végétation par différence
normalisée
NDWI Normalized Water Difference Index / Indice normalisé de différence en eau
NOAA National Oceanic and Atmospheric Administration
OMM Organisation Météorologique Mondiale
UNCD United Nations Convention to Combat Desertification
PDSI Palmer Drought Severity Index / Indice de sévérité des sécheresses de Palmer
NIR Near Infra Red / Proche Infrarouge
R Rouge
SAP Système d’Alerte Précoce
SMA Soil Moisture Anomaly / Anomalie d’humidité du sol
SSM Surface Soil Moisture / Humidité de surface du sol
SPI Standardized Precipitation Index / Indice de Précipitations Standardisé
SWIR SWIR
SWS Soil Water Storage
SWSI Surface Water Supply index / Indice d’apport en eau de surface
UNCD United Nations Convention to Combat Desertification / Convention des Nations
Unie pour la lutte contre la désertification

x
 INTRODUCTION

1.1 Contexte et justificatifs

L’eau est l’élément de base de la vie (Ouaadi, 2021). Sans substitut possible dans presque toutes
les activités de production et de consommation de l’espèce humaine, l’eau nourrit et soutient
toutes les choses vivantes (Emmanuel et Bayard, 2016). C’est à la fois un écosystème et une
ressource naturelle limitée et vulnérable.

Des 70 % d’eau que recouvre la planète, l’eau douce représente 2,8% et 70% de ces
prélèvements sont destinés à la production alimentaire. Malgré cette importance et bien que
l’accès à une eau de qualité et en quantité suffisante soit un droit indéniable pour tous, 870
millions de personnes souffrent tous les jours de faim dans le monde, 35 millions de personnes
meurent prématurément tous les ans en raison de maladies d’origine hydrique, 770 millions de
personnes n’ont pas accès à une source d’eau potable satisfaisante, et 2,5 milliards de personnes
n’ont pas accès à un système d’assainissement adéquat (GWP, 2014). Haïti pays insulaire de la
Caraïbe n’est pas en marge de cette situation.

Caractérisé par une population à la fois dense, pauvre, mal nourrie et peu éduquée (Emmanuel
et Per Lindskog, 2000), la République haïtienne est le siège de catastrophes naturelles
constantes (séismes, cyclones, glissements de terrain, sécheresse, inondations…) qui
s’amplifieraient à la suite des changements climatiques (PNUE, 2019). Le tremblement de terre
de 2010 suivi la même année par l’épidémie du choléra a vite fait de mettre, la question de l’eau
potable et de l’assainissement parmi les principales urgences de ce pays dont 60% de la
population active vit d’agriculture (Richemond, 2021). Toutefois, cette agriculture
essentiellement pluviale, ne permet pas de satisfaire les besoins des populations qui ne
demandent qu’à survivre dans l’immédiat (Louis et Mesidor, 2021).

En effet, l’eau étant un facteur limitant pour l’accroissement de la production agricole,

l’agriculture irriguée est devenue au fil des années un indispensable au développement (Louis
et Mesidor, 2021). 70-75% de l’eau douce à l’échelle mondiale étant destiné à l’irrigation, le
suivi de l’irrigation est devenu un enjeu important pour l’optimisation de l’utilisation de l’eau
(Ouaadi, 2021). Dans un contexte d'agriculture en crise et face à un milieu naturel à risques
élevés comme celui de Haïti, la connaissance de la situation des ressources en eau disponibles
et leurs possibles variations afin de mieux orienter les interventions est une condition sine qua
non pour une prise de décision efficiente et efficace gage d’une meilleure gestion et d’une
valorisation des ressources en eau disponibles. C’est une exigence de gestion fondamentale
permettant de répondre tant aux besoins à satisfaire qu’aux défis sociaux, aux exigences
environnementales et aux objectifs économiques plus encore une exigence pour une Gestion
Intégrée de la Ressource en Eau.

1.2 Problématique
Au cours des dernières années, la population haïtienne a connu une croissance démographique
galopante (2.5% /an) (Protos et Odrino, 2013). La forte densité de population estimée à 367
hab/Km2 a contribuée à accentuer l‘action de l’homme sur les ressources naturelles provoquant

1
une dégradation accélérée de l’environnement. L’inadéquation entre la disponibilité de la
ressource en eau et les usages qui en sont fait par les populations à favorisée la dégradation
généralisée des bassins versants (Emmanuel et Bayard 2016).

En effet, 25 des 30 bassins versants du pays seraient dénudés et 85% de ceux-ci fortement
dégradés (Richemond, 2021). Le Bassin Versant de Rivière Moustique (BVRMo) est catégorisé
parmi les plus vulnérables.

Selon Protos et Odrino (2013) plus de 49% du bassin présente un risque d’érosion qualifié de
très grave. Hormis cela, les fortes pressions anthropiques notamment la déforestation continue,
non contrôlée et intensive entraine une pression accrue sur les infrastructures du bassin à tel
point que la moindre pluie abondante est cause d’inondations (Rosillon, et al.,2016). Par
ailleurs, le manque de couvert végétal engendrée par la déforestation expose la couche de terre
arable au lessivage continu limitant ainsi le potentiel des sols pourtant l’agriculture est l’activité
principale développée sur le bassin (Protos et Odrino, 2013).

En effet, malgré un système de cultures à dominance vivrière réalisé sur un ensemble de petits
périmètres irrigués éparpillés tout le long du bassin, les populations de rivière Moustique ne
parviennent pas à satisfaire leurs besoins (Protos et Odrino, 2013). Bien que la zone du bassin
a toujours été une zone agricole riche et fertile (Rosillon, et al., 2016), son climat aride, des
périodes de sècheresse pouvant s’étendre sur plus de six mois, des apports en eau d’irrigation
mal connus tout comme l’humidité de surface du sol (SSM), variable clé pour une gestion
efficace de l’irrigation, font que les agriculteurs ont de plus en plus du mal à gérer leurs parcelles
ce qui favorise la compétition pour l’eau d’irrigation Protos et Odrino, 2013).

Face à cette situation, le recours à la télédétection à travers les satellites d’observation de la

terre capable de suivre diverses variables biophysiques liées à l’irrigation comme le SSM et la
biomasse de la végétation (Beaudin, 2006), semble être une alternative efficace pour anticiper
les pénuries d’eau et adapter la gestion de l’approvisionnement auprès des agriculteurs dont les
récoltes sont touchées par la sècheresse. Le recours à l’imagerie satellitaire comme base
d’informations objective, exhaustive et permanente, ouvrirait la voie pour ces agriculteurs à un
Système d’Alerte Précoce (SAP) ainsi qu’à une prise de décisions à court terme favorable à la
définition de stratégies à moyen et long termes dans un objectif de Gestion Intégrée de la
Ressource en Eau (GIRE).

1.3 Objectif Principal

L’objectif global de la présente étude vise à apporter une aide à la décision en fournissant des
informations pertinentes permettant d’adapter la gestion de l’approvisionnement en eau auprès
des agriculteurs dont les récoltes sont touchées par la sécheresse.

1.4 Objectifs spécifiques

➢ Mise en place d’un outil de détection des sécheresses ;
➢ Aide à la décision pour les populations et les autorités compétentes ;
➢ Meilleure gestion de l’eau ;

2
 1.5 Limites de l’étude
La principale limite de cette étude réside dans l’incapacité de pouvoir comparer les données
d’humidité du sol obtenus avec des données in situ.

1.6 Approche méthodologique

Nous présentons ici, la démarche suivie pour le développement d’un outil cartographique
permettant la détection des zones de sécheresse sur le bassin versant de rivière moustique.

Cette démarche s’articule autour des 6 points ci-dessous.

1.6.1 Revue documentaire

Tout au long de cette phase, il sera question de prendre connaissance de l’état de l’art en matière
de détection de sécheresse.

1.6.2 Présentation de la zone d’étude

Cette phase, nous permettra de recueillir les informations importantes relatives à la zone
d’étude. Ces informations seront pertinentes pour ce qui est du choix des indices adaptés à la
mesure de la sécheresse et guideront notre interprétation des résultats obtenus.

1.6.3 Collecte de données

Il s’agira de mener une réflexion sur les indices de sécheresses, la source de données mais aussi
l’infrastructure adaptée pour le développement de l’outil proposé.

1.6.4 Acquisition des données

Outre les données obtenues de la recherche documentaire, nous aurons à explorer les différentes
données d’imagerie spatiale desquelles seront obtenues les informations sur les indices
permettant d’évaluer la sécheresse sur la zone d’étude.

1.6.5 Conception d’un outil de suivi de la sécheresse

La phase de conception consistera en la récupération des différents indices choisis. Les
algorithmes de calcul de chacun d’eux seront proposé tout comme l’organigramme de
traitement.

1.7 Résultats attendus

Les résultats seront des cartes thématiques permettant d’identifier le début et la fin de périodes
de sécheresses.

3
 Chapitre 1: REVUE DE LA LITTÉRATURE

[Link] conceptuel : sécheresse, télédétection et cartographie

1.1.1 Essai de définition de la notion de sécheresse

La sècheresse est un phénomène normal qui survient sous n’importe quel climat (OMM et
GWP, 2016). Selon la Convention des Nations unies pour la lutte contre la désertification
(UNCD : United Nations Convention to Combat Desertification), c’est une situation éventuelle
qui peut être enregistrée de manière récurrente aussi bien dans les déserts que dans les forêts
tropicales et ce dans n’importe quelle région du monde.

La notion de sècheresse ne possède pas de définitions qui soit unanimement reconnu. Selon
Jouilil et al., (2013), il y’a autant de définitions de la notion de sécheresse qu'il y a d'utilisations
d'eau.

Lorsque Fahrani (2022) la définit comme un aléa naturel engendré par la variabilité climatique,
l’UNCD quant à elle l’identifie comme un phénomène naturel qui se produit lorsque les
précipitations ont été sensiblement inférieures aux niveaux normalement enregistrés entrainant
de graves déséquilibres hydrologiques préjudiciables aux systèmes de production des
ressources en terres.

Lorsque l’American Meteorological Society (AMS) la définit comme une période de temps
anormalement sèche, suffisamment longue pour provoquer un grave déséquilibre hydrologique,
le Service météorologique national de la National Oceanic and Atmospheric Administration
(NOAA) quant à lui la définit comme un manque d'humidité qui entraîne des effets néfastes sur
les personnes, les animaux ou la végétation sur une zone importante.

Pour le « National Drought Mitigation Center » des États-Unis (NDMC), la définition de la

sècheresse revêt un caractère à la fois conceptuel et opérationnel. Ainsi, d’un point de vue
conceptuel, la sècheresse, prévaut en tant qu’idée ou concept général. Elle peut ainsi être
explicitée en relation avec l'agriculture comme étant une période de temps prolongée où un
manque de précipitations provoque des dégâts sévères aux cultures et entraîne une perte de
rendement.

Les définitions dites opérationnelles quant à elles explicitent comment une sécheresse
fonctionne ou opère de manière mesurable (Beaudin, 2006). Elles établissent généralement la
condition actuelle des précipitations ou de toute autre variable climatique par rapport à une
condition normale historique afin de déterminer des seuils, plus ou moins arbitraires, du début,
de la fin et de l’intensité d’une période de sécheresse. Vu sous cet angle la sècheresse revêt un
caractère spécifique aux circonstances d’où sa complexité.

Bien qu’aucune des définitions liées à la sècheresse ne fasse l’unanimité (Beaudin, 2006), toutes
semblent s’accorder sur le fait que l’essence même de la notion de sècheresse serait relative
d'une part à l'état absolu de la ressource en eau lié à une baisse de la pluviométrie ou à une
augmentation de la température et d’autre part à un état relatif d’inadéquation des quantités
disponibles avec les besoins (Riaux et al., 2011).

4
 1.1.2 Typologie des sécheresses
D’une façon générale, l’Organisation des Nations Unies Identifie trois types de sécheresse à
savoir météorologiques, agricoles, hydrologiques.

➢ Les sécheresses dites météorologiques (Précipitations) ;

Phénomène climatique plutôt qu’aléa, elles renvoient à un manque de précipitations sur une
durée prolongée (saisonnière, annuelle, inter-annuelle) (GAR, 2011). D’après Jouilil et al.,
(2013), ces sècheresses ne deviennent dangereuses que lorsqu’elles se transforment en
sécheresse agricole ou hydrologique.

➢ Les sécheresses agricoles (Humidité du sol) ;

Etroitement liées aux conditions climatiques, aux caractéristiques biologiques et phénologiques

des cultures ainsi qu’aux propriétés physiques et biologiques des sols (Beaudin, 2006), les
sècheresses agricoles se produisent lorsque l’humidité du sol est insuffisante pour subvenir aux
besoins des cultures, des pâturages et des espèces des parcours (GAR, 2011).

➢ Les sécheresses hydrologiques (Réservoirs et débits) ;

Elles impactent principalement les activités non agricoles (production d’énergie, tourisme,
conservation des écosystèmes), et sont associées aux effets des périodes de carence en
précipitations pluvieuses et neigeuses sur les eaux superficielles et les réserves souterraines
(Beaudin,2006).

1.1.3 Caractéristiques des sècheresses

En tant qu’aléa, une sècheresse peut être décrite par son type (Patil et al., 2020) mais aussi par
d’autres caractéristiques tel :

Sa durée : une sècheresse peut s’étendre sur quelques semaines voire années
Son ampleur : c’est-à-dire le déficit cumulé d’eau en dessous d’un seuil au cours d’une période
de sècheresse
Son intensité : le rapport entre son ampleur et sa durée.
Sa fréquence : soit le temps moyen entre les évènements de sècheresse dont la gravité est
supérieure ou égale à un seuil.

L’étendue géographique, la prévisibilité comme bien d’autres sont des éléments qui peuvent
tout aussi bien permettre de caractériser une sècheresse (Patil et al., 2020).

1.1.4 Facteurs de déclenchement des sécheresses

Selon Farhani (2022), l’apparition des sècheresses serait due à des facteurs de déclenchement
reliés en cascade comme présenté à la figure 2. Le facteur de déclenchement principal étant le
manque de précipitations, ce sont les sècheresses météorologiques qui sont l’élément moteur
des autres types de sècheresse (Jouilil et al., 2013). Toutefois, il est primordial de rappeler que
l’incidence d’une sécheresse n’est pas due qu’au manque de précipitations, mais également à
la bonne gestion de l’utilisation de ressources en eau disponibles.

5
Figure 1: Processus et facteurs de déclenchement des différents types de sècheresse
Source : OMM, 2006
1.1.5 Télédétection, big data et cloud computing
Traduit de l’anglais « remote sensing », le terme télédétection se décompose en "télé" et
"détection" signifiant respectivement à distance et déceler ou découvrir (El Merabet, 2013).
Ainsi, la télédétection désigne l’ensemble des connaissances et techniques permettant de
collecter à distance des informations sur des objets du système terre sans contact avec ceux-ci,
à partir de mesures obtenues à l'aide de capteurs installés sur des plateformes spatiales,
aéroportées (y compris les drones), terrestres ou maritimes (Hy, 2021). Par son principe tel que
présenté par la figure 1, la télédétection englobe tout le processus qui consiste à capter et à
enregistrer l’énergie d’un rayonnement électromagnétique émis ou réfléchi, à traiter et analyser
l’information, pour ensuite la mettre en application (El Merabet, 2013).

6
 A (D) = Source d’énergie ou d’illumination

B= Interactions Rayonnement-atmosphère

C= Interactions avec la cible

D= Enregistrement de l’énergie par le capteur

E= Transmission, réception et traitement

F= Interprétations et analyse

G= Application

Figure 2 : Principe de la télédétection

Source : El Merabet, 2013

C’est dans les années 1970 que la télédétection a connu son essor. Dès lors, une croissance
exponentielle de l'activité spatiale a eu lieu (Hy, 2021) et la quantité de données produites par
les satellites a atteint des volumes vertigineux (Escadafal, 2017). Les décisions qui alors
auparavant étaient fondées sur des conjectures ou sur des modèles de réalité minutieusement
construits ont dorénavant été prises sur base des big data de télédétection (Agrawal et al., 2011).

Les Big data sont des ensembles de données présentant des caractéristiques qui, pour un
domaine particulier et à un moment donné, ne peuvent pas être traitées efficacement par les
méthodes actuelles (El Sofany et El Seoud, 2017). Afin de résoudre ce problème, de nouvelles
technologies basées sur le cloud computing ont été développées puisque celui-ci (cloud
computing) offre une infrastructure viable disponible directement sur internet et capable
d’héberger des charges de travail big data.

1.1.6 Plateformes pour la gestion et l’analyse de big data de télédétection

Gomes et al., (2020) identifie 7 plateformes pour la gestion et l’analyse des méga données.

Sentinel hub
Développé par Sinergise, Sentinel Hub (SH) est une plateforme cloud computing privée
qui fournit des services d'accès et de visualisation des données (Gomes et al., 2020). En
accès public, suivant un plan tarifaire prédéfini, la plateforme SH permet la visualisation, la
sélection et le téléchargement de données brutes en libre accès (Gomes et al., 2020). Outre les
données disponibles (Sentinel, Landsat, DEM et MODIS/) elle offre la possibilité aux
utilisateurs d’y introduire leurs propres données (Gomes et al., 2020). Le code source SH n’est
pas accessible aux utilisateurs et le partage de scripts ou Evalscripts est impossible. Toutefois,
les conditions d'utilisation de la plateforme garantissent aux utilisateurs la propriété
intellectuelle de leur contenu et l’entreprise ne peut en aucun cas les utiliser pour la fourniture
des services autres que ceux dédiés à la plateforme (Gomes et al., 2020).

7
Open Data Cube
Open Data Cube (ODC) est un logiciel open source, qui met à disposition des données
satellitaires brutes ou prés traités, (Volpini, 2021) manipulables via des outils web et une API
python (Gomes et al., 2020). Bien que le code open source de l’ODC soit mis à disposition, la
plateforme ne permet qu’un partage manuel de données et applications entre utilisateurs.
(Gomes et al., 2020).

SEPAL
SEPAL (System for Earth Observation Data Access, Processing and Analysis for Land
Monitoring) est une plateforme cloud computing du projet open Foris (Volpini, 2021).
Développé pour la surveillance automatique de la couverture terrestre, (Gomes et al., 2020),
la plateforme SEPAL ne permet pas le partage de scripts entre utilisateurs mais facilite l’accès
et l’intégration de services tels GEE, Amazon Web Services Cloud (AWS), des logiciels
gratuits dont Orfeo Toolbox, GDAL, RStudio, R Shiny Server, SNAP Toolkit et OpenForis
Geospatial (Gomes et al., 2020).

JEODPP
Développé par le Centre commun de recherche en 2016, JEODPP est une plateforme d’analyse
des mégadonnées d’observation de la terre. Bien que la plateforme offre diverses
fonctionnalités de traitement, de visualisation de données interactives, de bureau virtuel et de
traitement de données par lots, elle reste tout de même limitée dans la mesure ou le partage de
données tout comme le code source ne sont pas accessibles pour les tierces (Gomes et al., 2020).

PipsCloud
La plateforme Cloud computing, pipsCloud a été développée par des instituts de recherche
chinois afin de permettre la gestion et le traitement de mégadonnées d’observation de la terre.
La plateforme fournit des modèles de code code C++ pour la création d’applications mais, les
utilisateurs qui ont besoin de traiter des données doivent au préalable envoyer une requête. Au-
delà de ça, il n’est disponible que pour un usage interne par les institutions qui participent au
aprojet et son code source est proche et n'est pas disponible pour une implémentation
dans d'autres institutions.

OpenEO
Accessible depuis 2017, Open EO vise à fournir aux scientifiques une méthodologie
standardisée leur permettant de réaliser analyses et comparaisons de différents back-ends
facilement.

Google Earth engine

Lancé par Google en 2010, Google Earth Engine (GEE) est une plateforme cloud computing à
l’échelle planétaire qui permet le traitement des données géospatiales et les analyses
environnementales. En accès libre, GEE permet aux utilisateurs une fois qu'un algorithme a été
développé de réaliser des produits de données systématiques ou déployer des applications
interactives, sans avoir besoin d'être un expert en développement d'applications, en
programmation Web ou HTML (Potin et al., 2016). GEE est principalement composé des trois
plateformes suivantes (Amani et al., 2020) :

8
 ➢ L’explorateur EE :

EE explorer est une plate-forme de visualisation conçue pour permettre aux utilisateurs
d’accéder à un vaste référentiel d'ensembles de données de télédétection (Amani et al., 2020).
En effet, GEE héberge un catalogue de pétaoctets de données géospatiales dont les observations
d'une variété de systèmes d'imagerie satellitaire et aérienne Landsat, MODIS, Sentinel… Sont
également disponibles des données climato-météorologiques et géophysiques, des données sur
l'indice de végétation amélioré (EVI) et l'indice de végétation par différence normalisée
(NDVI). Avant d’être mis à disposition, ces données sont au préalable prétraité afin de
permettre un accès efficace et supprime les obstacles à la gestion des données (Gomes et al.,
2020)

➢ Éditeur de code EE

(Potin et al., 2016) GEE est accessible et contrôlé via une interface de programmation
d’application (API) accessible sur Internet et un environnement de développement intégré
(IDE) basé sur le Web ([Link] (Amani et al., 2020) l’éditeur de
code EE est conçu pour traiter les méga données à l'aide d'un langage de programmation
JavaScript ou python (Gomes et al., 2020) et pour développer des applications EE. Il permet
ainsi d’écrire des scripts, les déboguer et visualiser les résultats après compilation (Amani et
al., 2020).

➢ Accéléré EE (EE time laps)

(Amani et al., 2020) La plateforme EE timelaps donne accès à une vidéo globale de la terre,
zoomable et sans nuage dans l’espace et dans le temps et fournit ainsi l’image la plus
complète de la Terre révélant comment ses habitants la traitent.

1.1.7 Principes généraux de cartographie

La cartographie est la discipline scientifique qui étudie la construction de cartes. Une carte
permet de visualiser la distribution spatiale d'une information. Elle s'analyse donc à partir de
deux notions à savoir la position (précisée par les 2 dimensions orthogonales du plan) et la
donnée géographique qui y est attachée. En général, cette donnée varie avec le temps. L'analyse
d'une carte peut permettre de déduire des informations sur un phénomène d'intérêt et dans une
région d’intérêt, ce qui en fait dans beaucoup de cas, un outil précieux d'aide à la décision. En
effet, une carte a l’avantage d’être à peu près compréhensible par tout le monde et permet une
appréhension directe et globale d’une information.

Dans la littérature, on distingue les cartes dites topographiques, où figurent essentiellement les
éléments anthropiques et naturels pouvant être directement observés comme les routes, les
bâtiments, cours d'eau, relief… des cartes dites thématiques qui représentent des phénomènes
géographiques localisables comme l'occupation du sol, la végétation, la météo, la sécheresse….

La cartographie topographique
La cartographie topographique ne prétend à aucune interprétation ou explication. Elle a pour
finalité majeure d’établir des fonds de carte nécessaires à toute cartographie appliquée. Elle
puise ses principes dans des domaines tels que la géométrie, l’astronomie, la topographie ou

9
encore la géodésie et tire grand avantage de l’exploration systématique du globe qui a permis
ces dernières décennies de disposer d’une représentation à plat de la surface de la terre avec des
résolutions très élevées. Les fonds de cartes topographiques sont caractérisés par 4 éléments à
savoir :

➢ La projection cartographique

Il s’agit du procédé mathématique utilisé pour faire correspondre les points du géoïde terrestre
à des points du plan accueillant le fond de carte. Il existe plusieurs systèmes de projection,
parmi lesquels l’on préfère les projections dites conformes, préservant les formes et les angles
locaux bien que déformant les distances et les aires. Le système de projection le plus souvent
utilisé par les services de cartographie web comme Google Maps, OpenStreetMap ou ArcGIS
est la projection cartographique Mercator dont le code est EPSG:3857.

➢ L’emprise et l’orientation

L’emprise définit l’étendue du champ cartographique affiché dans le système de référence

spatial choisi. Il est représenté par un ensemble de 4 valeurs décimales représentant dans cet
ordre les X et Y minima et les X et Y maximas exprimés dans les unités du système de référence
spatial. L’emprise détermine ce qui sera inclus ou exclu du fond de carte.

➢ La généralisation cartographique

Une carte avec de trop nombreux détails étant surchargée et donc illisible, on procède la plupart
du temps à des simplifications consistant à sélectionner le niveau de détail à représenter et à
simplifier géométriquement les tracés : c’est la généralisation. Par ce procédé on peut choisir
de se limiter aux routes en ignorant les chemins de fer, ou de lisser les chemins avec un nombre
élevé d’irrégularités ou même de représenter des villes par des points, des routes par des lignes,
des pays par des zones...

➢ Le maillage

Le maillage désigne le partitionnement de la zone géographique en de petites unités de base.

La cartographie thématique
Une carte thématique a pour finalité de donner sur un fond de carte une représentation
conventionnelle de faits et de phénomènes à l’aide de symboles qualitatifs et quantitatifs,
géométriques ou figuratifs dont l’explication se trouve dans une légende. Les phénomènes à
représenter étant illimités, les cartes thématiques et leurs applications sont innombrables. C’est
cette variété même qui fait certes la complexité mais aussi l’intérêt des cartes thématiques
conçues pour décrire, comprendre et interpréter l’organisation de l’espace afin, le cas échéant,
d’agir.

La cartographie thématique possède une méthodologie bien définie, qui permet d’obtenir des
représentations efficaces : c’est la sémiologie graphique.

Par sémiologie graphique nous entendons l’ensemble des règles permettant l’utilisation d’un
système graphique de signes pour la transmission d’une information correcte et accessible à un

10
lecteur-décideur. Ces signes sont appelés variables visuelles. Il y en a de 6 sortes : La taille, la
valeur, le grain, l’orientation, la forme et la couleur.

Les règles de sémiologie graphique préconisent les variables visuelles adaptées à chaque type
de donnée (ordinal, nominal, absolu, relatif).

Dans le cas récurrent où les données embarquées dans une carte ont le caractère d’un ratio
prenant ses valeurs dans un intervalle de ℝ, on les réduit en segmentant la plage de valeurs en
des classes contiguës à l’intérieur desquelles les différences ne sont plus perceptibles. Cette
opération est appelée discrétisation.

Il existe plusieurs méthodes de définition des dites classes de valeurs parmi lesquelles :

La méthode des quantiles ou équifréquences : Dans laquelle chaque classe regroupe le même
nombre d’observations et où les bornes des classes se déduisent en triant dans l’ordre croissant,
les valeurs observées.

La méthodes des classes de même amplitude ou des équidistances : Dans laquelle chaque
classe couvre une portion identique de l’étendue totale de la variable.
La méthode de Jenks : Elle vise à minimiser la variance intra-classes et à maximiser la
variance interclasses de sorte à obtenir des classes hétérogènes entre elles mais contenant des
valeurs très homogènes
La méthode k-means : Elle est basée sur la moyenne et vise à créer des classes homogènes.

Une représentation adaptée pour ces ratios est une carte « choroplèthe », dont les variations de
couleur correspondent aux variations du phénomène étudié. Les valeurs « positives » sont dans
les teintes chaudes tandis que les valeurs « négatives » sont dans les teintes froides.

1.1.1. Cartographie par ordinateur

Le domaine de la cartographie n’a pas été épargné par la révolution informatique. La
cartographie par ordinateur se distingue de la cartographie « traditionnelle » en ce qu’il existe
des bases de données de fonds de cartes adaptables, ainsi que des jeux de données géoréférencés
dans lesquels un système informatique dédié à la cartographie peut puiser, et en effectuant un
ensemble de traitements programmés, produire automatiquement et rapidement des cartes selon
l’échelle, l’emprise et le symbolisme spécifiés. Les systèmes d’information spécialement
conçus pour recueillir, stocker, analyser, gérer et présenter tous les types de données spatiales
sont appelés des systèmes d’information géographique.

Deux fournisseurs de fonds de carte se disputent le marché « grand-public » sur Internet :

Google Maps et OpenStreetMaps. Il est possible aujourd’hui de s’affranchir du travail de levée
GPS en établissant notre cartographie à partir de l’interprétation des images fournies par ces
fournisseurs.

1.2 Outils de suivi de la sécheresse et systèmes d’alerte précoce

Il existe une multitude d’outils permettant de caractériser l’état de notre environnement
(Beaudin,2006). Parmi ceux développés pour caractériser les situations de sécheresse, le danger

11
naturel qui se prête probablement le mieux à la surveillance, l’utilisation d’indices de sècheresse
constitue la méthode la plus populaire (Patil et al., 2020).

Les indices de sècheresse sont des représentations numériques de l’intensité des sécheresses
(OMM et GWP, 2016). Ils sont calculés en assimilant les indicateurs de sécheresse en une seule
valeur numérique et permettent entre autres (Patil et al., 2020) de :

➢ Détecter des zones de sécheresse et assurer la surveillance en temps réel

➢ Déterminer le début ou la fin d'une période de sécheresse
➢ Permettre aux gestionnaires de la sécheresse de déclarer les niveaux de sécheresse et
d'initier des mesures de réponse à la sécheresse ; évaluation de la sécheresse et
représentation du concept de sécheresse dans une région
➢ Faciliter la communication des conditions de sécheresse entre les différentes entités
intéressées

La taxonomie des indices de sècheresse est tout aussi complexe que la définition de la notion
en elle-même. En effet, généralement établie sur base du type d’impacts en, indices de
sècheresses météorologiques, agricoles et hydrologiques, la subjectivité des impacts fait en
sorte que certains indices peuvent correspondre à différents types de sécheresse et rende la
classification ambiguë (Patil et al., 2020). La classification maintenue dans le cadre de ce travail
est celle proposée par l’OMM et le GWP (2016).

1.2.1 Les indices de météorologie

Les indices météorologiques sont basés essentiellement sur des variables météorologiques
fournies à partir d’observations in-situ (température, vents, précipitation...) ou des données
pédologiques (type de sol, contenu en eau, etc.) (Beaudin, 2006). Ils sont Simples, faciles et
rapides à utiliser.

C’est l’Indice de Précipitations Standardisé (SPI : Standardized Precipitation Index) qui est
l’indice météorologique le plus connu. Il a d’ailleurs été adopté par l’OMM comme instrument
mondial pour mesurer les sécheresses météorologiques.

➢ SPI

Communément utilisé pour caractériser des sécheresses locales ou régionales (Beaudin, 2006),
le SPI a été conçu afin de quantifier l’écart des précipitations (déficit ou surplus) sur différentes
échelles temporelles (Farhani, 2022). Il repose sur le calcul de la probabilité de la pluie pour
donner une idée de l’intensité des précipitations sur une période donnée (Farhani, 2022). Le SPI
permet de détecter les périodes de sècheresse ou d’humidité prolongée à travers un système de
classification tel que présenté par tableau 1.

Table 1: catégorisation des sècheresses suivant le SPI

SPI Catégories de sècheresse
2.0 et plus Extrêmement humide
1.50 à 1.99 Très humide
1.0 à 1.49 Humide
-0.99 à 0.99 Normal
12
 -1 à -1.49 Modérément sec
-1.50 à -1.99 Sévèrement sec
- 2.00 et moins Extrêmement sec

Source : Beaudin, 2006

Une sécheresse sévit lorsque les valeurs de SPI sont successivement négatives jusqu’à atteindre
une intensité de –1 ou moins et se termine lorsque sa valeur devient positive (Beaudin, 2006).
En tant qu’indice météorologique pouvant se déployer sur de longues périodes, le SPI peut tout
aussi bien être adapté pour des sècheresses météorologiques qu’agricoles et hydrologiques (Gar,
2011).

➢ L’Indice de sévérité des sécheresses de Palmer (PDSI : Palmer Drought Severity Index)

Le PDSI est un indicateur largement utilisé pour caractériser le début, la fin et la sévérité des
périodes de sécheresse (Beaudin, 2006). C’est un indice qui se calcul pour des périodes
hebdomadaires ou mensuelles afin de résoudre les équations du bilan hydrique et ainsi détecter
les périodes de sècheresse ou d’humidité prolongée (Farhani, 2022). Il présente toutefois des
limitations en ce sens qu’il ne tient pas compte des ressources hydrologiques de surface (cours
d’eau, réservoirs, couverture neigeuse, gel du sol, changements dans l’utilisation des ressources
en eau…) ou encore du temps de propagation de l’eau dans le sol, pourtant susceptible d’induire
une sous(sur)estimation de l’approvisionnement en eau du sol soit influencer le bilan hydrique
avec pour conséquence une estimation biaisée des conditions de sècheresse (Beaudin, 2006).
De plus, le choix des classes pour la détermination du début, la fin et l’intensité des sécheresses
est le résultat d’observations de sècheresse extrêmes historiques spécifique à une zone d’étude :
il s’agit donc d’un choix totalement arbitraire (Beaudin, 2006). Le PDSI reste tout de même un
outil de prise de décision efficace largement utilisé en agriculture et pour la surveillance des
conditions de sècheresse.

1.2.2 Les indices d’humidité du sol

➢ Anomalie d’humidité du sol (SMA : Soil Moisture Anomaly)

Le SMA est un indicateur utilisé pour déterminer le début et la durée des conditions de
sécheresse agricoles en indiquant le degré de sécheresse ou de saturation du sol par rapport aux
valeurs normales (OMM et GWP, 2016). C’est un indice qui peut être calculé à partir de
l’équation du bilan hydrique en tenant compte des valeurs hebdomadaires ou mensuelles des
précipitations et de l’évapotranspiration potentielle. Le SMA est particulier en ce sens qu’il
inclut les avantages du PDSI tout en offrant la possibilité de modifier les constantes avec des
données spécifiques au site. Bien qu’il soit plus souple que le PDSI, il est important de noter
que ces calculs sont complexes et les estimations de l'évapotranspiration potentielle peuvent
varier considérablement d'une région à l'autre.

Comme autre indicateur lié à l’humidité du sol, on peut avoir l’indice de Déficit
d’évapotranspiration (ETDI : Evapotranspiration Deficit Index) utilisé pour surveiller les
sécheresses de courte durée qui ont une incidence sur l’agriculture (OMM et GWP, 2016) ou
encore l’indice de Stockage de l'eau du sol (SWS : Soil Water Storage) utilisé principalement

13
pour surveiller les sécheresses dans des contextes agricoles mais aussi celles affectant la
disponibilité de l'eau.

1.2.3 Les indices d’hydrologie

➢ L’indice d’apport en eau de surface (SWSI : Surface Water Supply index)

Le SWSI a été développé dans l’optique de déterminer sur une période mensuelle et à l’échelle
d’un bassin hydrographique les conditions de sécheresse qui sont associées à des fluctuations
des paramètres hydrologiques (OMM et GWP, 2016). Il incorpore les éléments d’hydrologie et
de climatologie des régions où la fonte des neiges est la principale source d’écoulement
superficiel mais ne tient pas compte des écoulements dus à la fonte d’une accumulation
antérieure de neige et n’est pas conçu pour de grandes variations topographiques
(Beaudin,2006). Le SWSI donne une mesure de l’approvisionnement en eau superficielle mais
est inefficace quand il s’agit de sécheresses agronomiques. Il se calcule à l’échelle d’un bassin
et caractérise les sécheresses tel que mentionné par le tableau 2.

Table 2 : Catégorisation des sécheresses Suivant le SWSI

SWSI Catégories de sècheresse
26 à 50 % Légères
14 à 26 % Modérées
2 à 14 % Sévères
Source : Beaudin, 2006

1.2.4 Les indices de télédétection

Les indices de télédétection utilisent des instruments éloignés de la surface de la terre et
fonctionnant dans diverses bandes de fréquences et de longueurs d’ondes pour recueillir des
informations sur celle-ci (Escadafal et Begni, 2017). Il peut s’agir d’informations sur la
couverture végétale, l’humidité du sol ou encore la température de surface (Farhani, 2022). En
effet, tout objet à la surface de la terre émet, diffuse ou réfléchit des radiations
électromagnétiques (Diello, 2002). Qu’il s’agisse de l’eau, un terrain nu ou de la végétation
chacun possède une signature spectrale qui lui est propre et c’est l’interaction rayonnement-
matière soit le comportement spectral de ces objets en tout point du globe qui permet d’analyser
et d’interpréter des images (Benkahla et Hassini, 2011). Le but étant d’assurer le suivi de
phénomènes environnementaux (sècheresse, désertification…) mais aussi la surveillance des
ressources renouvelables à des échelles spatiales et temporelles variables ou encore la mise en
place d’un SAP… (Escadafal et Begni, 2017).

Pour ce qui est de la végétation, selon l’ONG Objectif Sciences International, les plantes
contiennent des pigments (chlorophylle, caroténoïde, anthocyane) qui en réfléchissant certaines
longueurs d’ondes de la lumière, et en en absorbant d’autres leur donne une coloration
spécifique. En conditions favorables, les pigments chlorophylliens que contiennent les plantes
absorbent la portion Rouge (R) du spectre électromagnétique, pour l’utiliser en photosynthèse,
tandis que la lumière du Proche Infrarouge (NIR/ Near Infra-Red) se réfléchit très efficacement
car la plante n’en a aucune utilité (Benkahla et Hassini, 2011). En situation de stress hydrique
c’est tout le contraire qui se produit. Ainsi, la différence de réflectance entre la portion NIR et

14
celle du R du spectre électromagnétique est donc plus faible en périodes de sécheresse
(Beaudin,2006). Sur cette base, les indices de végétation combinent (division et/ou
soustraction) différents domaines spectraux : domaine visible/proche infrarouge, micro-ondes
et infrarouge, afin de percevoir les changements de réflectance du couvert végétal et ainsi
assurer le suivi de la variation de l’état du couvert végétal et de son état hydrique (Farhani,
2022)

Indicateurs issus du visible/Proche infrarouge

➢ L'indice de végétation par différence normalisée (NDVI : Normalized Difference

Vegetation Index)

Le NDVI est l’indice de végétation le plus utilisé. (OMM et GWP, 2016) Sur base des valeurs
de luminance mesurées à la fois dans le visible (canal 1: 0,55-0,68 µm) et dans le PIR (canal 2:
0,73-1,1 µm), tel qu’indiqué par le rapport normalisé de l’équation 1, le NDVI détermine le
degré de verdure et la vigueur de la végétation. (Hountondji et al, 2005). Son résultat prend la
forme d’une nouvelle image mettant en évidence différents niveaux de couverture de sols dont
les valeurs théoriques sont comprises entre –1 et 1. Une valeur de 0 indique une absence de
végétation et caractérise les terres à nu, rocheuses, couvertes de sable ou de neige. Une valeur
négative correspond à une surface d’eau (Tremblay, 2020).
𝑁𝐼𝑅−𝑅
𝑁𝐷𝑉𝐼 = Équation 1
𝑁𝐼𝑅+𝑅

NIR : Réflectance dans la région spectrale du proche infrarouge (%)

R : Réflectance dans la région spectrale du rouge (%)

Bien qu’efficace, le NDVI n’est pas sans limite. En effet, dans les milieux hétérogènes
présentant une faible densité de végétation et ou la présence de sol est importante, le NDVI
présente une rapide saturation et reste fortement dépendant de la géométrie de vue et
d’illumination (Beaudin,2006). En d’autres termes, dans les régions arides ou sujettes aux
sécheresses puisqu’un pourcentage de couverture végétale faible engendre un signal
relativement faible, et peu représentatif dans les pixels de l’image, (Farhani, 2022)
l’interprétation du NDVI peut être biaisée. Pour pallier à cela, Beaudin (2006) conseille
d’associer le NDVI à d’autres indices notamment l’Indice normalisé de différence en eau
(NDWI - Normalized Water Difference Index) afin d’allier les avantages de chacun tout en
réduisant leurs limites. L’indice obtenu est l’indice de sécheresse par différence normalisée
(NDDI : Normalized Difference Drought Index).

➢ NDWI

Sur base des valeurs de luminance mesurées à la fois dans le NIR et dans le moyen infra rouge,
tel qu’indiqué par le rapport normalisé de l’équation 2, le NDWI permet de suivre les
sécheresses qui ont une incidence sur l’agriculture et ce par détection de l’eau contenue dans la
végétation (OMM et GWP, 2016). Bien que l’indice maintienne une bonne couverture spatiale
quel que soit le terrain, il reste tout de même limité du fait qu’il considère le stress hydrique

15
comme seul facteur de sècheresse. De plus, les relevés de données satellitaires portent sur une
courte période et les études climatologiques sont difficiles (OMM et GWP, 2016).
𝑁𝐼𝑅−𝑆𝑊𝐼𝑅
𝑁𝐷𝑊𝐼 = Équation 2
𝑁𝐼𝑅+𝑆𝑊𝐼𝑅

SWIR : Réflectance dans la région spectrale de l’infrarouge moyen (%)

➢ NDDI

Recommandé pour surveiller les sécheresses dans les terres agricoles et forestières (Khampeera
et al., 2017), le NDDI est un indicateur dit hybride ou composite qui permet de mieux cerner le
niveau de sécheresse d'une zone particulière en combinant des informations sur la végétation et
l'eau (Le thuy Du et al., 2018). De cette façon, l’évaluation du niveau de sécheresse est plus
fiable que si chaque indice était interprété individuellement.

Le NDDI varie entre −1 et 1 et s’obtient à partir de l’équation 3

𝑁𝐷𝑉𝐼−𝑁𝐷𝑊𝐼
𝑁𝐷𝐷𝐼 = Équation 3
𝑁𝐷𝑉𝐼+𝑁𝐷𝑊𝐼

Des valeurs élevées de NDDI représentent des conditions de sécheresse, dans lesquelles le
NDVI et le NDWI ont des valeurs faibles (NDVI < 0,5 et NDWI < 0,3), tandis que
les valeurs faibles représentent des conditions sans sécheresse, dans lesquelles le NDVI
et le NDWI ont des valeurs plus élevées (NDVI > 0,6 et NDWI > 0,4). La valeur 0.5
est considérée comme seuil de sècheresse (Le thuy Du et al., 2018).

Indicateur issu de l’infrarouge thermique : la température de surface

Mesurée dans la bande infrarouge (8 et 15 µm) (Farhani, 2022), la température de surface (LST :
Land Surface Temperature) reflète les conditions qui prévalent à la surface, en tout point du
territoire. Elle peut être extraite à partir de données satellitaires avec différentes résolutions
spatiales et revisites temporelles. (Beaudin,2006) En effet, le processus de régularisation de
l’eau des plantes implique en situation de stress hydrique la fermeture des stomates afin de
minimiser les pertes par transpiration et ainsi conserver l’humidité. Toute chose étant égale par
ailleurs (le bilan énergétique devant rester équilibré), une partie de l’énergie qui est
normalement utilisée pour l’évapotranspiration est alors répartie entre le flux de chaleur dans
le sol et le flux de chaleur sensible dans l’atmosphère entrainant une hausse de la température
apparente du couvert végétal. Le flux de chaleur sensible qui est capté par le satellite est donc
plus élevé en situation de stress hydrique et peut être utilisé pour détecter l’état de stress
hydrique des plantes et donc les conditions de sécheresse (Beaudin,2006).

(Beaudin,2006) À partir des températures de surface, il est possible de calculer l’Indice des
conditions de température (TCI - Température Condition Index) (Beaudin,2006). Le TCI
permet d’évaluer la réponse de la végétation à la température et par ailleurs à l’état hydrique
tout en différenciant (Farhani, 2022) le stress de la plante causé par une humidité excessive ou
celui dû à une dégradation de la disponibilité en eau (Farhani, 2022). (Beaudin,2006) Il est
applicable à l’échelle régionale ou continentale, de manière instantanée ou pour des périodes
variant du jour aux années.
16
Indicateurs issus du micro-onde : l’humidité du sol

L’humidité du sol (SSM) est une propriété diélectrique du sol, essentielle pour l’évaluation des
cycles globaux de l’eau, de l’énergie et du carbone (Bauer-Marschallinger et al., 2018). Elle
établit une liaison directe entre la surface du sol et les processus atmosphériques par le biais de
l’évapotranspiration et des flux d’énergie (Molero, 2018). Répertoriée comme variable
climatique essentielle dans le cadre du Global Climate Observing System, le SSM est
considérée comme un indicateur de sécheresse agronomique (Bauer-Marschallinger et al.,
2018). De plus, sous des conditions de stress hydrique, les anomalies de la teneur en eau
précèdent l’apparition des anomalies des indices de végétation, ce qui est primordial pour une
détection précoce de la sécheresse agronomique (Farhani, 2022).

1.2.5 Les indices à valeurs composites ou modélisées

➢ L’indice de sécheresse normalisé multivarié (MSDI : Multivariate Standardized
Drought Index

Le MSDI est un indice de sècheresse facile à utiliser qui a été développé afin d’évaluer l’état
général des sècheresses. Il combine des paramètres de sécheresse ou des indices de sècheresse
(Karampatakis, 2017) afin de parvenir à une classification des épisodes de sécheresse et ce sur
base des déficits de ces paramètres ou de ces indices. Le MSDI permet de détecter des
conditions sèches lorsque les indicateurs classiques fondés sur les précipitations ou sur
l’humidité du sol n’y parviennent pas toujours (OMM et GWP, 2016). Il est adapté pour les
zones dépourvues de bonnes observations de surface et peut être utilisé pour surveiller plus que
la simple sécheresse. Toutefois, le MSDI présente l’inconvénient de ne pouvoir représenter tous
les secteurs et tous les régimes climatiques de façon uniforme (OMM et GWP, 2016).

➢ Le système mondial intégré de suivi et de prévision de la sécheresse (GIDMaPS : Global

Integrated Drought Monitoring and Prediction System)

GIDMaPS est un indice composite qui fournit des informations sur la sècheresse à partir
d’autres indices de sècheresse dont le SPI, l’humidité du sol et le MSDI (Hao et al., 2014).
L’indice utilise des données satellitaires qu’il combine à des outils d'assimilation de données
afin d’obtenir en temps quasi réel un produit qui allie à la fois suivi et prévision dans l’optique
d’évaluer et surveiller les sècheresses qui ont des impacts multiples mais aussi pour l'alerte
précoce. Le GIDMaPS peut être adapté en agriculture et dans d’autres domaines (OMM et
GWP, 2016).

Il existe une multitude d’autres indices de sécheresse mais aucun d’eux n’est utilisé de façon
universelle. Toutefois, au cours des dernières décennies, l’utilisation d’indices de télédétection
à des fins environnementales et agronomiques n’a cessé de prendre de l’ampleur (Segarra et al.,
2020), ouvrant ainsi la voie aux systèmes d’alerte précoce (Escadafal et Begni, 2017).

1.2.6 Systèmes d’alerte précoce

Du fait des changements climatiques, ces dernières décennies la fréquence des aléas naturels et
environnementaux n’a cessé de croître. Les systèmes d’alerte précoce font partie de ces mesures
d’adaptation qui aident les communautés à se préparer aux événements dangereux liés au

17
climat. Il s’agit d’un système intégré qui permet d’aviser les populations de l’imminence de
conditions météorologiques augmentant de façon critique le risque de survenue d’une
catastrophe naturelle.

Avec l’apport des technologies de pointe, permettant un suivi de plus en plus précis des
processus, ces systèmes ont le vent en poupe et se généralisent.

Composants d’un SAP

Indépendamment du risque encouru, un système d’alerte précoce devrait détecter, alerter,
diffuser et préparer. Il est donc en général constitué de 4 sous systèmes intégrés à savoir :

Connaissance du risque : Il s’agit du sous-système qui mesure l’état du risque. En général,

pour les géorisques, ce sous-système extrait les facteurs causaux à partir de cartes thématiques
afin d’identifier automatiquement les niveaux de risque pour les différents aléas à surveiller.

Suivi, prévision et alerte : Il développe une surveillance des aléas et service d’avertissement

Communication de l’alerte : Il communique l’information sur les risques et système d’alerte

1.3 Méthodes de récupération des indices de sècheresse

La plupart des indices de sécheresse sont obtenus à travers des tests statistiques et des rapports
normalisés (division et/ou soustraction) de différents domaines spectraux. Pour ce qui est du
SSM, au cours des dernières décennies, différentes techniques de récupération allant des
approches théoriques tel le modèle d'équation intégrale théorique (IEM : Integral Equation
Model) aux approches semi empiriques telle la méthode d’Oh (Zribi, 2002) ou encore des
approches empiriques dit d’inversion du signal radar se sont succédé. Toutefois, les méthodes
les plus couramment utilisés sont présentés ci-dessous.

1.3.1 Méthode gravimétrique

D’après Tremblay, 2020, la méthode la plus simple et la plus précise pour déterminer le SSM
est la méthode gravimétrique soit le fait de calculer la teneur en eau d’un échantillon de sol en
déterminant la masse perdue après une étape de séchage contrôlé en laboratoire or, cette
méthode est limitée par le manque de représentativité spatio-temporelle. Outre cela, c’est une
méthode destructive qui nécessite d’énormes ressources humaines et un accès au sol
contrairement à la télédétection par micro-ondes.

1.3.2 La technique du réseau de neurones artificiel

(Touzet, 1992) définit les réseaux de neurones artificiels comme des processeurs élémentaires
interconnectés en réseaux. Chaque processeur fonctionne en parallèle et calcule une sortie
unique sur la base des informations qu'il reçoit. Ainsi, Santi et al.,2013, lors de leurs travaux
ont obtenu des mesures de SSM dérivées des données ENVISAT/ASAR, à partir des
coefficients de rétrodiffusion du satellite et des paramètres du sol mesurés lors de campagnes
simultanées de vérification au sol.

1.3.3 Le modèle du nuage d’eau (WCM)

Le WCM suppose que la canopée est représentée par un ensemble de gouttelettes de tailles
diverses et dispersées de manière aléatoire dans un volume donné (Tremblay, 2020). Ainsi, il

18
relie le coefficient de rétrodiffusion à la teneur en humidité du sol et à la présence de végétation.
C’est un modèle adapté pour des zones à végétation dense (Gao et al., 2017).

1.3.4 La méthode de détection des changements

La méthode de détection des changements est considérée comme la plus simple d’application.
Elle suppose que les changements en termes d'occupation du sol reflètent les variations de la
radiance et que celles-ci sont importantes lorsqu’elles sont comparées à d'autres facteurs comme
les conditions atmosphériques, l’inclinaison solaire, l’humidité du sol ou encore l’état
phénologique de la végétation (Mas, 2014). Elle considère la rugosité de surface entre une
période sèche et une période humide constante. De cette façon, la différence entre les deux
images (période sèche et humide) tient compte uniquement de la variation due à l’humidité du
sol et de l’effet de la végétation (Baghdadi et al.,2011).

19
 Chapitre 2: MISE EN ŒUVRE : MATERIELS ET METHODES

[Link]ésentation de la zone d’étude

2.1.1. Localisation
Considéré comme l’un des plus grands bassins de la péninsule Nord-Ouest de l’île d’Haïti (Agro
Excel, 2019), le Bassin Versant de Rivière Moustique (BVRMo) est situé à 240 kilomètres de
la capitale Port-au-Prince et s’étend sur une superficie de 222 km2 (Deroy, 2019). Il est limité
au Nord par la Baie des Moustiques, au Sud par la commune de Terre Neuve, à l’Est par les
localités Nan Palmis, Ti Kouzen, Laredo et à l’Ouest par le versant Est du BV de Diniz (Agro
Excel, 2019). Son sommet le plus élevé se trouve dans le Haut Moustique au niveau de la
localité Nan Tante à environ 876 m d’altitude tandis que son exutoire se trouve dans la baie des
Moustiques. (Protos et Odrino, 2013). Une localisation du BVRMo a été réalisée à partir du
logiciel ArcGIS tel que présenté par la figure 3.

Figure 3 : Localisation de la zone d’étude

2.1.2. Climat
Le BVRMo est soumis à un climat semi-aride à aride qui se caractérise par (Deroy, 2019) une
saison sèche de novembre à avril et une saison pluvieuse de mai à octobre, parfois même jusque

20
mi-novembre avec un creux en juillet (Protos et Odrino, 2013). Entre l’amont et l’aval la
pluviométrie varie considérablement.

➢ La partie amont reçoit entre 900 et 1200 mm/an ;

➢ La partie intermédiaire reçoit entre 700 et 900 mm/an ;
➢ La plaine moins de 650 mm/an.
La figure présente la répartition mensuelle des précipitations de 2007 à 2019

Figure 4 : Pluviométrie moyenne mensuelle de 2007 à 2019

Source : Agro Excel, 2019
On observe que le mois le plus pluvieux est septembre et le plus sec décembre. La zone connait
facilement des périodes sèches allant de 6 à 8 mois et des inondations issues d’épisodes
cycloniques dévastant les cultures et occasionnant des pertes importantes pour les riverains
(Deroy, 2019).

2.1.3. Topographie
La topographie du BVRMo présente des formes variées pouvant se résumer en trois zones
spécifiques :

➢ Une zone de plaine : identifiée comme zone d’intérêt dans le cadre de ce travail, la zone
des plaines est située dans la partie basse du bassin et s’étend sur une superficie de 1,140
hectares soit plus de 50 % de la superficie du bassin (Agro Excel, 2019). Avec des
altitudes comprises entre 0 et 272 m, cette partie du bassin possède un énorme potentiel
agricole et représente la plus grande surface irriguée du bassin. (Louis et Mesidor, 2021)
➢ Une zone de basses montagnes et de collines intermédiaires : correspondant à la partie
centre du bassin, ces zones occupent plus de 40% du bassin. Avec des altitudes
comprises entre 272 et 684 mètres (Agro Excel, 2019), elles sont constituées d’une
succession de vallons et vallées généralement dénudés et dégradés à certains niveaux
(Protos et Odrino, 2013).

21
 ➢ Une zone de massifs rocheux : située dans la partie haute du bassin, ces zones occupent
moins de 10% de la superficie du bassin (Agro Excel, 2019). Elles présentent des
altitudes supérieures à 700 m et sont recouverts d’arbustes, des savanes herbeuses et
parfois même des cultures vivrières (Protos et Odrino, 2013)
Pour ce qui est des pentes, seulement 5 % de la superficie présentent des pentes supérieures à
60% (Haiti,1914). D’une façon générale :

➢ 42.11 % de sa superficie présente des pentes inférieures à 15 % ;

➢ 41.05 % : des pentes comprises entre 15 et 30 % ;
➢ 16.24 % : des pentes comprises entre 30 et 60 %.

2.1.4. Réseau hydrographique et occupation des sols

Le réseau hydrographique du BVRMo est composé principalement de la rivière Moustique et
de nombreux affluents (Agro Excel, 2019). Unique cours d’eau du bassin, la rivière Moustique,
est partagée entre plusieurs usages et ce bien qu’elle soit intermittente (Deroy, 2019).

L’eau dans le bassin est utilisée à des fins d’agriculture, élevage, pèche, loisirs et lessive,
consommation mais aussi exploitation de mines et carrières (haiti1914). C’est l’agriculture qui
y est la principale activité économique (Deroy, 2019). C’est principalement au niveau de la
zone des plaines qu’est pratiquée l’agriculture irriguée (Louis et Mesidor, 2021). La banane, le
maïs, l’échalote, le pois de souche et les cultures maraichères (Louis et Mesidor, 2021) … y
sont cultivées de façon saisonnière de septembre à décembre tel que présenté par la figure 5.

Figure 5 : Calendrier cultural de la plaine de Moustique

Source : Louis et Mesidor, 2021

[Link] des données

Les données à utiliser pour l’évaluation du niveau de sécheresse dans la zone d’étude dépendent
des indicateurs retenus pour cela.

2.2.1. Identification des indicateurs de suivi de sécheresse pertinents

Il n’existe aucun indicateur qui soit universel et adapté à tous les types de sécheresse, de climats
ou de secteurs touchés. Toutefois, afin de choisir l’indicateur le plus adapté, usage a été fait de
l’article de OMM et GWP (2016) qui énumère une liste de questions à se poser afin de parvenir
à un choix stratégique. Il a donc été question de savoir si :

22
 ➢ Les indicateurs ou indices permettent de déceler les conditions de sécheresse assez tôt
pour qu’il soit possible de communiquer l’information et de coordonner les mesures de
lutte ou d’atténuation ?
➢ Les indicateurs ou indices sont assez sensibles aux conditions climatiques, spatiales et
temporelles pour établir le moment où débute et où cesse une sécheresse ?
➢ Les indicateurs ou indices et les échelles d’intensité font-ils convenablement état des
impacts observés sur place, dans la zone ou la région touchée ?
➢ Utilise-t-on les mêmes indicateurs, indices et seuils pour le début et pour la fin d’une
période de sécheresse ? Il est crucial de rendre compte des deux situations.
➢ Emploie-t-on des indicateurs composites (hybrides) afin d’analyser un grand nombre de
facteurs et de paramètres ?
➢ Les données et les indices ou indicateurs qui en résultent sont-ils disponibles et stables?
Autrement dit, détient-on une longue série de relevés qui donne aux planificateurs et
aux décideurs de solides références historiques et statistiques ?
➢ Les indicateurs ou indices sont-ils faciles à calculer ?
➢ Les utilisateurs ont-ils assez de temps et de ressources humaines à affecter à l’exercice
et ces moyens seront-ils maintenus en l’absence de sécheresse ?
Sur base de cela, et tenant compte du fait qu’il est conseillé de se tourner vers des indicateurs
accessibles et ayant déjà fait leurs preuves ou alors vers des indicateurs hybrides (OMM et
GWP, 2016) afin d’en tirer les avantages de chacun tout en réduisant leurs limites, le NDVI
réputé comme l’indice de végétation le plus simple d’utilisation et efficace a été choisi et mis
en hybridation avec le NDWI comme recommandé par (Beaudin,2006) afin d’obtenir
l’indicateur composite NDDI.

Outre cela, dans la mesure ou sous des conditions de stress hydrique, les anomalies de la teneur
en eau précèdent l’apparition des anomalies des indices de végétation, le SSM considéré comme
un indicateur de sècheresse agricole favorable à une détection précoce de sècheresse agricole a
été choisi.

2.2.2. Identification des sources de données

Les produits Sentinel-1 (pour la récupération du SSM) et Sentinel-2 (pour le calcul des indices
de végétation) sont ceux qui conviennent le mieux pour l’évaluation de la sécheresse sur la zone
d’étude.

En effet, bien que la récupération de SSM par télédétection micro-ondes soit possible à partir
de capteurs micro-ondes actifs (radars) ou passifs (radiomètres) à grande échelle (12-50 km)
(Farhani, 2022), ceux-ci sont restreints d’une part du fait qu’ils ne sont pas favorables aux
applications agronomiques nécessitant des mesures au niveau de la zone racinaire (puisqu’eux
ne sont sensibles qu’aux premiers 5 cm du sol) (Farhani, 2022) et d’autre part du fait du manque
de détails spatiaux engendrés par leur incapacité à prendre en charge l'analyse des schémas
hydrologiques locaux en dessous de l'échelle de 10 km (Bauer-Marschallinger et al., 2018).

Les algorithmes courants impliqués dans la récupération du SSM sont ainsi incapables de
fournir des informations sous pixels avec ces capteurs.

23
Le Radar à synthèse d’ouverture (SAR : Synthetic Aperture Radars) dont est doté Sentinel-1,
utilise une technologie de télédétection qui offre des capacités d'imagerie uniques et qui, grâce
à la vitesse de calcul de ses composants matériels, a nettement amélioré la résolution spatiale
des systèmes satellitaires (Jeremy et al., 2010) : Dorénavant il est possible de récupérer le SSM
à l’échelle du champ, soit jusqu’à environ 10m.

C’est cette particularité de Sentinel-1 qui le distingue des autres produits satellitaires.

Sentinel-2 quant à lui a été spécifiquement conçu avec pour objectif de poursuivre la collecte
de données des missions Landstat et spot tout en améliorant leur qualité. De plus, il incorpore
3 nouvelles bandes spectrales dans le domaine du red-edge pour l’étude de la végétation, ce qui
le rend à l’heure actuelle incontournable pour ce qui est de l’acquisition des indices qui y sont
liés.

2.2.3. Identification de l’infrastructure

Gomes et al., (2020) a procédé à une comparaison de différentes plateformes de traitement des
données de télédétection en se basant sur les dix critères spécifiques ci-dessous :

➢ L’abstraction des données / facilité d'utilisation / abstraction de complexité : c’est-à-dire

faire abstraction des détails sur la manière dont les données sont stockées sans toutefois
limiter leur mode d'accès
➢ L’abstraction de traitement / abstraction de complexité : qui est le fait de ne pas
présenter les détails sur l'endroit et la façon dont les données sont traitées, sans toutefois
limiter leur puissance de traitement.
➢ L’abstraction de l'infrastructure physique /évolutivité analytique / abstraction de la
complexité : c’est-à-dire la capacité de cacher les aspects relatifs au nombre de serveurs
et de ressources matérielles et logicielles.
➢ La gouvernance ouverte : soit la capacité de la communauté scientifique à participer à
la gouvernance et au développement de la plateforme.
➢ La reproductibilité de la science / travail collaboratif / réplicabilité : qui représente la
capacité à fournir des moyens permettant de partager les analyses et/ou de reproduire
les résultats.
➢ La réplicabilité de l'infrastructure / reproductibilité : soit la capacité à reproduire la pile
logicielle (the software stack), les processus et les données.
➢ L’évolutivité du traitement / parallélisme : définit comme la capacité à faire évoluer les
performances de traitement en y ajoutant des ressources supplémentaires
(matériel/logiciel) et sans incidence directe sur la manière dont les scientifiques mènent
leurs analyses.
➢ L’évolutivité du stockage / parallélisme : soit la capacité d'augmenter l'espace de
stockage en y incluant de nouvelles ressources (matériel/logiciel) et ce, sans incidence
directe sur la manière dont les scientifiques accèdent aux données.
➢ L’interopérabilité de l'accès aux données : qui est la capacité à fournir des moyens, basés
sur des interfaces normalisées, permettant à d'autres applications d'accéder aux résultats
d'analyse ou aux ensembles de données disponibles dans la plate-forme.

24
 ➢ L’extensibilité / évolutivité analytique / réutilisation des logiciels : c’est-à-dire la
capacité d'introduire de nouveaux outils logiciels adaptées aux modules de stockage et
de traitement disponibles en interne dans la plateforme.
Pour chacune de ces plateformes, chaque critère a été classé selon qu’il présente une capacité
faible, moyenne ou élevée et donne ainsi une vision plus éclairée quant au choix de la
plateforme la plus adaptée.

Table 3 : Capacités des plates-formes pour la gestion et l'analyse des big data

CAPACITIES OF THE PLATFORMS FOR BIG EO DATA MANAGEMENT AND ANALYSIS

Capability ODC GEE SEPAL JEODPP pipsCloud OpenEO SH
High: Image,
High: Data
High: ImageCollectio Low: Direct Low: Direct High:Collecti
Data Low: Direct source,
Product and n Feature and file file on and
abstraction file handling Instances and
Dataset FeatureCollecti handling handling Granule
Layers
on
Medium:Custo
Medium:
Medium: m scripts
Medium: Low: User Low: User Low: User User-Defined
Processing Predefined (Evalscripts)
Xarray and runs his own runs his runs his Functions,
abstraction pixel-wise layers perform
celery code own code own code process graphs
functions pixel-wise
and Jobs
processing
Medium: Medium: High: Both
Medium: High: Both data Medium: High: Both
Physical Only data Only data data storage
Only data storage and Only data data storage
infrastructure storage storage and
storage processing storage and processing
abstraction infrastructur infrastructur processing
infrastructure infrastructure infrastructure infrastructure
e e infrastructure
Low: Low:
High: Low: Medium: Low:
Proprietary Proprietary Medium: Only
Open Defined Proprietary Only open Propritary
closed closed open source
Governance governance software, closed source closed source
source source repository
process source software repository software
software software
Medium: Data
links and scripts
Low: Low: Low: Low:
Reproducibili shareable Low: Without Low: Without
Without any Without any Without Without
ty of science without any ease any ease
ease ease any ease any ease
guarantee to be
reproducible
High: Open
Medium:
source code, Low: Low:
Low: Open source Undefined: Low:
docker Proprietary Proprietary
Infrastructure Proprietary code with Dependent on Propritary
containers closed closed
replicability closed source basic the backend closed source
and source source
software documentatio used software
documentatio software software
n available
n available

Medium: A High: code Medium: A

template automatically template Undefined:
Low: User
Processing application executed in Medium: application Dependent on High: Closed
runs his own
scalability available parallel using a HTCondor available the backend solution
code
(Python and MapReduce (C++ and used
celery) approach MPI)

High:
Undefined:
Distributed High: Google High: High:
Storage High: Google Dependent on High: Closed
file system, storage Distributed Distributed
scalability storage services the backend solution
S3 and services file system file system
used
HTTP
Data access Low: Low: Low:
High: OGC Medium: Tile High: OGC High: OGC
interoperabili Without any Without Without
services service Services Services
ty ease any ease any ease

25
 Medium: open
Low: Low:
High: Open Low: sourcesoftwar Low:
Proprietary Proprietary
source and Proprietary High: Open e integrated Proprietary
Extensibility closed closed
modular closed source source with closed source
source source
code software proprietary software
software software
software

Source : Gomes et al., 2020

A l’issu de cette comparaison, Gomes et al., (2020) relève que, bien qu’aucune plateforme ne
soit supérieure aux autres suivant les critères évalués, GEE se distingue en ce qui concerne la
courbe d’apprentissage, la facilité d’utilisation, la maturité et le travail collaboratif (partage de
scripts).

Notre choix s’est donc porté sur GEE.

2.2.4. Choix du langage

Earth Engine Editor supporte autant python que Javascript. Nous avons choisi la version
supportant javascript.

[Link] des données

Les données nécessaires pour évaluer le niveau de sécheresse sur la zone d’étude sont
constituées des données satellites, issues des collections d’images sentinel-1 et sentinel-2 et de
données auxiliaires décrivant la géométrie de la zone à travers des fichiers de forme (shapefile).

2.3.1. Acquisition des images Sentinel-1

Le jeu de données sentinelle - 1 à implémenter dans le script est extrait du catalogue de données
EE explorer. Ces données sont répertoriées dans la collection d’images associées à l’id
COPERNICUS/S1_GRD soit une série temporelle d'images de niveau 1 et de type Ground
Range Detected (GRD) (figure 6).

En effet, dans le cadre de visualisations ou d’analyse, GEE réalise conformément à la Sentinel-

1 toolbox, boîte à outils de traitement pour Sentinel-1 une série de prétraitements relative aux
images SAR de niveau 1 et dont les étapes se résument comme suit :

1. Télécharger et utiliser les vecteurs d’état orbital.

2. Appliquer une correction d’orbite
3. Supprimer le bruit thermique
4. Appliquer le calibrage du terrain
5. Appliquer un aplatissement radiométrique du terrain
6. Supprimer la granularité
7. Appliquer la correction de géométrique de terrain
De cette façon, GEE via son explorateur EE permet d’interroger et de visualiser des données
Sentinel-1 prêtes pour l’analyse.

26
Figure 6 : Acquisition des images sentinelles – 1

Le code permettant d’importer ces données sentinelle - 1 est le suivant :

var sentinel1 = [Link]("COPERNICUS/S1_GRD") ;

Les données utilisées pour le calcul du SSM ont été filtrées sur les champs de métadonnées dont
le mode d’acquisition interférométrique large fauchée (IW), une polarisation
émetteur/récepteur simple Verticale – Verticale, une orbite de passage descendant et enfin une
résolution spatiale de 10 m.
var ACQUISITION_MODE = "IW";
var POLARIZATION = "VV";
var ORBIT_DIRECTION = "DESCENDING";
var RESOLUTION_METERS = 10;
sentinel1 = [Link]([Link]("instrumentMode", ACQUISITION_MODE))
.filter([Link]("transmitterReceiverPolarisation", POLARIZATION))
//.filter([Link]('orbitProperties_pass', ORBIT_DIRECTION))
//.filterMetadata('resolution_meters', 'equals', RESOLUTION_METERS)
//.filterMetadata('resolution', 'equals', RESOLUTION)
//.filterBounds(geo)
.select([POLARIZATION]);

2.3.2. Acquisition des images Sentinel-2

Le jeu de données sentinelle - 2 utilisé dans le script est lui aussi extrait du catalogue de données
EE explorer. Il y est répertorié dans la collection d’images associées à l’id
COPERNIICUS/S2_SR_HARMONIZED soit des produits MSI de niveau 2A (figure 7).

Figure 7 : Acquisition des images sentinelles – 2

Le code permettant d’importer ces données sentinelle - 2 est le suivant :

var sentinel2 = [Link]("COPERNICUS/S2_SR_HARMONIZED");

Pour le calcul des indices de végétation, les données ont d’abord été filtrées pour les pixels
moins nuageux c’est-à-dire avec un recouvrement de 60 % et ensuite un masque de nuage a été
appliqué.

27
En effet, le package sentinelle - 2 implémenté contient différentes bandes dont trois bandes QA
(qualité). L’application la plus courante de ces bandes étant d’extraire les informations sur les
pixels nuageux et les masquer, la bande QA60 (pour 60 m de résolution spatiale) correspondant
à une bande de masque de bits avec des informations liées d’une part aux nuages opaques (Bit
10) et d’autre part aux Cirrus (Bit 11) est sélectionnée et un masque lui est appliqué.

Pour chacun de ces bits, seul les valeurs 0 et 1 entendu absence et présence de nuages opaques
/ cirrus, sont possibles. Le masque appliqué permet ainsi d'évaluer la qualité de chaque pixel et
d'extraire ceux qui répondent à des exigences particulières.

En d’autres termes, de cette façon il est possible de conserver tous les pixels où les bits 10 et
11 ont pour valeur 0 et masquer tous ceux où cette condition n'est pas remplie et ainsi obtenir
des conditions claires, c’est-à-dire, des images sans nuage opaque et sans cirrus.
var CLOUDY_PERCENTAGE = 60;
sentinel2 = [Link]([Link]("CLOUDY_PIXEL_PERCENTAGE",
CLOUDY_PERCENTAGE));
function maskS2clouds (img){
var qa = [Link]("QA60");
var cloudBitMask = 1 << 10;
var cirrusBitMask = 1 << 11;
// Both flags should be set to zero, indicating clear conditions.
var mask = [Link](cloudBitMask).eq(0)
.rename("mask")
.and([Link](cirrusBitMask).eq(0));

return [Link](mask).multiply(0.0001).set({"date":[Link]()});
}

2.3.3. Acquisition des données auxiliaires

La géométrie de la zone d’étude et des différentes zones d’intérêts a été importé en tant fichiers
de forme (shapefile) à partir des ‘‘assets’’ (figure 8).

Figure 8 : acquisition des données auxiliaires

Le code permettant d’importer ces fichiers de forme suit le canevas ci-dessous.

var sentinel1 = [Link]("COPERNICUS/S1_GRD"),

sentinel2 = [Link]("COPERNICUS/S2_SR_HARMONIZED"),
no_data_2 = [Link]("projects/ee-
sylvielaurette24/assets/Sous_BV_Moustiques"),
reseau_hydrographique = [Link]("projects/ee-
sylvielaurette24/assets/Reseau_hydrographique"),
limite_bv = [Link]("projects/ee-
sylvielaurette24/assets/Limite_BV"),
plaine_irriguee_moustique = [Link]("projects/ee-
sylvielaurette24/assets/Zone_irriguee_Plaine_des_Moustiques"),
zone_agricole_amont = [Link]("projects/ee-
sylvielaurette24/assets/Zone_agricole_amont");

28
 2.4. Conception de l’outil
L’outil proposé ici repose sur la récupération du SSM et le calcul des différents indices de
végétation choisis.

2.4.1. Algorithmes de récupération du SSM

Description de l’algorithme
Nous estimons l’humidité de surface du sol à l’aide d’un algorithme de détection des
changements (modèle de détection de changement de TU Wien) proposé par Marschallinger et
al., (2019). L’algorithme relie le changement d’intensité du coefficient de rétrodiffusion au
changement d’humidité du sol. Cette variation relative de l’humidité est convertie en humidité
absolue en attribuant, pour un pixel donné, les valeurs de rétrodiffusion les plus faibles et les
plus élevées à 0% et 100% de l’humidité respectivement. Cette hypothèse repose sur des
observations semi-empiriques étalonnées avec des mesures sur le terrain.

𝜎0 − (𝑑𝑟𝑦)𝑟𝑒𝑓
𝑆𝑆𝑀 = [%]
(𝑤𝑒𝑡)𝑟𝑒𝑓 − (𝑑𝑟𝑦)𝑟𝑒𝑓

𝝈𝟎 : Intensité de rétrodiffusion du pixel, (wet)ref et (dry)ref, extrema historiques de l’intensité

de rétrodiffusion du même pixel

Pour éviter les valeurs aberrantes dans le calcul de la sensibilité de l’intensité du coefficient de
rétrodiffusion (max-min), la plage extrême de 10% a été réduite des deux côtés (1er et 9ème
décile).

L’algorithme produit des plages d’humidité du sol allant de 0 à 60%, le rouge représentant 0 et
le bleu 60%. La couleur blanche représente la zone masquée.

Les plans d’eau permanents et les zones urbaines sont masqués à l’aide de seuils d’intensité de
rétrodiffusion (-6 dB et -17 dB) afin de minimiser le nombre de faux pixels. Cette approche de
masquage est robuste puisqu’elle utilise les données de longues séries temporelles.

Les tests ont montré que cette approche de l’humidité de surface du sol par détection des
changements peut être appliquée à l’échelle mondiale. Puisque nous considérons la série
temporelle d’images disponibles depuis le lancement de Sentinel-1 pour estimer la sensibilité
des fluctuations de la rétrodiffusion, l’approche est résistante aux fluctuations saisonnières. Les
résultats sont raisonnablement bons sur des terrains plats et à pente modérée (plaines, zones
agricoles) mais, dans les régions à forte pente, l’effet de l’angle d’incidence sur l’intensité de
la rétrodiffusion affecte les résultats.

Exemple de description des images représentatives

29
Figure 9 : Cartographie thématique du SSM (Vijawayada, Inde)
2.4.2. Algorithmes de calcul des indices retenus
Les indices de végétation retenus, sont calculés à partir des bandes B8 et B4 pour le NDVI, B8
et B11 pour le NDWI. Le NDDI quant à lui est calculé comme la différence normalisé du NDVI
et du NDWI. Les équations 1, 2 et 3 présentent les formules utilisées.

𝑃𝐼𝑅 − 𝑅
𝑁𝐷𝑉𝐼 =
𝑃𝐼𝑅 + 𝑅
𝑃𝐼𝑅 − 𝑆𝑊𝐼𝑅
𝑁𝐷𝑊𝐼 =
𝑃𝐼𝑅 + 𝑆𝑊𝐼𝑅
𝑁𝐷𝑊𝐼 − 𝑁𝐷𝑉𝐼
𝑁𝐷𝐷𝐼 =
𝑁𝐷𝑊𝐼 + 𝑁𝐷𝑉𝐼

30
 Chapitre 3: RESULTATS ET DISCUSSIONS

[Link] de l’outil proposé

Figure 10 : Interface de l'outil

L’outil proposé se présente sous la forme d’une application Google Earth Engine disponible à
l’adresse : [Link] Il est constitué :

➢ Zone 1 : Zone d’affichage, qui délimite le contour de la zone d’étude ainsi que les
différentes zones d’intérêts. C’est la zone d’affichage principale sur laquelle il est
possible de visualiser le rendu des différentes cartes
➢ Zone 2 : Interface utilisateur, qui permet de faire fonctionner l’outil. Ici, l’utilisateur
peut télécharger les cartes des indices sélectionnées, centrer la carte sur une zone précise
de la zone d’intérêt mais aussi générer des graphiques de variations des indices sur une
zone d’intérêt
➢ Zone 3 : Légende ; elle sert de repère quant à l’interprétation des cartes.
➢ Zone 4 : Date ; cette zone permet de spécifier une date d’intérêt
➢ Zone 5 : Gestionnaire de couche. Il y’est possible de sélectionner les couches qu’on
souhaite visualiser
➢ Zone 6 : paramètre d’affichage
➢ Zone 7 : Outils de dessin

31
 [Link] de l’outil : organisation des traitements

Figure 11 : Organigramme des traitements

La chaine de traitement est démarrée lorsque l’utilisateur précise une date d’intérêt et une zone
d’intérêt. Les données des collections Sentinel-1 et 2 sont alors importées depuis la collection
d’image de GEE. Elles sont limitées à la zone d’intérêt. Deux jeux de données sont alors extraits
des données initiales. L’un contient la série d’images étendue sur 2 semaines avant la date
d’intérêt car la période de revisite des satellites Sentinel-1 au-dessus de la zone est de 12 jours.
Et l’autre contient la série d’images étendue sur 1 an, celle-ci servira à produire les variations
moyenne des indices sur l’année précédant la date d’intérêt. Le code est fourni en annexe.

La visualisation de la variation moyenne des indices est possible dès lors que l’utilisateur a
spécifié des coordonnées géographiques.

Les cas d’utilisation implémentés sont les suivants :

• Cartographier le taux d’humidité moyen : Ce cas d’utilisation se déroule suivant un

scénario nominal dans lequel un utilisateur choisit une date d’intérêt (zone 4), puis
éventuellement, précise la zone d’intérêt (Zone 2) si celle-ci n’est pas définie. Le
système calcule alors la moyenne des valeurs de SSM de chaque pixel sur les 2 semaines

32
 précédant la date d’intérêt. L’utilisateur actionne la cartographie du SSM en appuyant
sur le bouton SSM (Zone 2). Le système colorie la zone d’intérêt conformément à la
légende.
• Cartographier les indices NDVI, NDWI, NDDI : Le scénario de ce cas d’utilisation
est identique au précédent à l’exception du bouton à actionner qui ici, dépend de l’indice
à moyenner.
• Visualiser les variations des indices sur une zone délimitée au cours d’une année :
Pour ce scénario, l’utilisateur inscrit les coordonnées géographiques d’un point central
de la zone d’intérêt, ou alors il désigne ce point sur le fond de carte à l’aide de sa souris.
Il presse ensuite le bouton « localiser une zone ». Le système délimite alors un rayon
autour de la zone pointée. Puis l’utilisateur presse le bouton « Variations sur la zone »
et le système génère des graphiques montrant les variations, sur l’année précédant la
date d’intérêt, des différents indices.
• Exporter les cartes : Ce scénario ne peut s’exécuter que si une date et un lieu sont
choisis. L’utilisateur clique alors sur les liens apparaissant en dessous des boutons de
chaque indice pour télécharger les images correspondantes au format tiff.

[Link]étation des résultats

3.3.1. Tendances générales SSM sur la zone agricole irriguée

La figure 8 présente la tendance générale de l’humidité du sol sur la zone d’intérêt pour l’année
2020.

33
Figure 12 : Cartographie du SSM sur la plaine irriguée pour l’année 2020

L’année 2020 semble avoir été particulièrement marquée par des périodes de graves sécheresses
d’octobre à décembre et ce bien que ce soit des périodes d’irrigation. Dans l’ensemble, la
tendance générale semble en accord avec le climat de la zone. On constate que les mois de mai
à septembre présentent une humidité de surface du sol beaucoup plus élevée à contrario des
mois d’octobre à mars. On en déduit que la sécheresse a été la plus sévère durant les mois de
saisons sèches puisque les mois de novembre à avril ou les valeurs de SSM semblent les plus
faibles sont représentatives de la saison sèche et les mois de mai à septembre représentatif des
saisons pluvieuses.

Sur toute l’étendue de la plaine, le taux d’humidité apparait variable il serait donc possible
d’adapter l’irrigation pour une meilleure gestion de l’eau.

3.3.2. Tendances générales NDDI sur la zone agricole irriguée

34
Figure 13 : Cartographie du NDDI sur la plaine irriguée pour l’année 2020

Le NDDI laisse voir des périodes de sécheresses légères à extrême. Malheureusement pour
certains mois on observe une absence de données.

35
 3.3.3. Tendances générales SSM sur la zone agricole pluviale

Figure 14 : Cartographie du SSM sur la zone agricole pluviale pour l’année 2020

36
A la différence de la zone agricole irriguée, la zone agricole pluviale semble avoir été moins
affecté par la sècheresse toutefois les mois d’octobre à décembre tout comme en zone agricole
irriguée sont ceux les plus sévèrement affectés par la sècheresse. Cette différence entre les deux
zones pourrait s’expliquer par le fait que la zone agricole pluviale (entre 900 et 1200 mm/an)
présente une pluviométrie plus élevée que celle de la zone irriguée (moins de 650 mm/an). La
partie sud-ouest de la zone agricole pluviale semblent néanmoins plus affectées que les autres.

37
 CONCLUSION

Aujourd'hui, le suivi de la sécheresse est devenu une nécessité dans le BVRMo et ce au vu de

ses multiples conséquences sur les activités socio-économiques de la zone. L’objectif de ce
travail étant l’aide à la décision pour les agriculteurs affectés par la sécheresse, la mise en place
d’un outil cartographique permettant de détecter les zones de sécheresse apparait comme un
impératif.

Pour parvenir à sa mise en place, tout au long de ce travail, des données sentinelles – 1 et 2 ont
été utilisées afin de calculer les indices de sécheresse NDVI, NDWI, NDDI et SSM favorables
à l’identification des zones de sécheresses sur le bassin.

L’outil mis en place est accéssible et innovateur en ce qui concerne la programmation de

l’algorithme du SSM sur GEE.

De cette approche il en est ressorti que, malgré les limites des indices de suivi proposés, ceux-
ci peuvent constituer, ainsi que nous l'avons montré, un moyen de suivi opérationnel puisqu’à
travers les cartes produites par l'outil, il est possible d'apprécier voire cibler les zones à risque
de sécheresse et par ricochet les zones prioritaires pour l’irrigation. Cependant pour une
exploitation optimale des cartes produites, il est nécessaire de les superposer avec d'autres cartes
d'informations afin de limiter les erreurs d'interprétation.

38
 REFERENCES

Agrawal, D., Bernstein, P., Bertino, E., Davidson, S., Dayal, U., Franklin, M., Gehrke, J., Haas,
L., Halevy, A., Han, J., Jagadish, H.V., Labrinidis, A., Madden, S., Papakonstantinou,
Y., Patel, J., Ramakrishnan, R., Ross, K., Shahabi, C., Suciu, D., Vaithyanathan, S.,
Widom, J., (2011). Challenges and Opportunities with Big Data 2011-1. Cyber Center
Technical Reports. Paper 1.
Amani, M., Ghorbanian, A., Ahmadi, S.A., Kakooei, M., Moghimi, A., Mirmazloumi, S.M.,
Moghaddam, S.H.A., Mahdavi, S., Ghahremanloo, M., Parsian, S., Wu, Q., Brisco,B.,
(2020). Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data
Applications: A Comprehensive Review. IEEE journal of selected topics in applied
earth observations and remote sensing, vol. 13, 2020.
Banseka, H. (2018). Concept et principe GIRE. Global Water Partnership - Central Africa.
39p.
Bauer-Maschallinger, B., Freeman, V., Cao, S., Paulik, C., Schaufler, S., Stachl, T.,
Modanesi,S., Massari, C., Ciabatta, L., Brocca, L., Wagner, W., (2019). Toward Global
Moisture Monitoring With Sentinel- 1: harvesnessing Assets an d Overcoming
Obstacles. IEEE Transaactions on Geoscience and Remote Sensing, 57 : 520-539,
doi :10.1109 / TGRS. 2018.2858004. ADS Bibcode : 2019ITGRS..57..520B
Beaudin, I., (2020). Potentiel de la télédétection pour le suivi et la caractérisation des conditions
de sécheresse en milieu méditerranéen. Thèse de maître ès sciences, Université Laval,
Laval, Canada, 233 p.
Molero, B., Différence d’échelle spatiale entre les mesures satellitaires et in situ d’humidité du
sol : analyse par des approches spatio-temporelles. Hydrologie. Université Paul Sabatier
- Toulouse III, 2017. Français. NNT: 2017TOU30264. tel-01941077
Benkahla, N. et Hassini, A., (2016). Identification de la Végétation Terrestre par Radiomètre
MSG- SEVERI et Suivi de son Evolution Temporelle.
[Link] 7pp.
Bréda, N., Granier, A., Aussenac, G., (2004). La sécheresse de 2003 dans le contexte climatique
des 54 dernières années : analyse écophysiologique et influence sur les arbres forestiers.
Rev. For. Fr. LVI - 2-2004, p.109 – 131.
CAP-NET, GWP, UNDP. (2005). « Plans de gestion intégré des ressources en eau », Manuel
de formation et guide opérationnel. 107p.
Castin, T., (2020). Suivi par télédétection du pourcentage de matière sèche des cultures de maïs
en Wallonie grâce aux images SAR en bande C de Sentinel-1. Faculté des bioingénieurs,
Université catholique de Louvain, 2021. Prom. : Defourny, Pierre.
[Link]
Touzet, C., (1992). Les Reseaux De Neurones Artificiels, Introduction Au Connex- Ionnisme:
Cours, Exercices Et Travaux Pratiques. EC2, 1992, Collection de l’EERIE, N.
Giambiasi. hal-01338010
Dembele, A. (2007). Historique origine et mise en œuvre du concept de gestion intégré de

39
 ressources en eau . Synthèse bibliographique. ENGREF, Centre de Montpelier.13p.
Déroy, J., Gestion Intégrée des Ressources en Eau en Haïti », 39p.
Elie, J.F. (2019). Diagnostic de la gestion de l'eau Département du Nord –Haïti », Academia.
55p.
Emmanuel, E., Per Lindskog. (2000). Regards sur la situation des ressources en eau de la
République d’Haïti, 27p.
Farhani, M. (2022). Apport de la télédétection et des variables auxiliaires dans l’étude de
L’évolution des périodes de sècheresse. Thèse de doctorat, Université Pau Sabatier,
Toulouse, France. 194p.
Frelat, F., Salomon, L., Rouy, B., El Hage, M., Cudennec, C., Gaucherel, C. (2012). Projet
bassins versants en Haïti, phase II : Caractérisation spatiale des bassins versants
Haïtiens », Institut Français de Pondichery. 86p.
Gao, Q., Zribi, M., Escorihuela, M., Baghdadi, N. (2017). Utilisation synergique des
données Sentinel-1 et Sentinel-2 pour la cartographie de l'humidité du sol à une
résolution de 100 m. Capteurs, 17, 1966
Geudtner, D., Torres, R., Snoeij, P., Davidson, M., Rommen, B., (2014). Sentinel -1 system
capabilities and applications. 978-1-4799-5775-0/14/$31.00 ©2014 IEEE, p.1457 –
1460.
Gomes, V. CF., Gilberto, R., Queiroz, Ferreira, K. (2020). An Overview of Platforms for Big
Earth Observation Data Management and Analysis. Remote Sens. 2020, 12, 1253;
doi:10.3390/rs12081253
GWP, (2014). Objectif 2020, la nouvelle stratégie du GWP : Un monde où tous les besoins
en eau sont satisfaits. 32p. (zotero
Hountondji, Y-C., Nicolas, J., Sokpom, N., Ozer, P., (2006). « Mise en évidence de la résilience
de la végétation sahélienne par télédétection basse résolution au Niger à la d’épisodes
de sècheresse ». BELGEO. 2005. 4, p. 499-516.
Dao Hy. Télédétection et enjeux environnementaux globaux à l'heure du Big Data. In:
Le Globe. Revue genevoise de géographie, tome 161, 2021. Écologie théorique et
pratique. pp. 54-71; doi : [Link]
[Link]
Jouilil, I., Bitar, K., Salama, H., Amraoui, Mokssit, A., Tahiri, M., (2013). Sècheresse
météorologique au bassin hydraulique oum er rbia durant les dernieres décennies.
Larhyss Journal, ISSN 1112-3680, n° 12, Janvier 2013, pp. 109-127.
Jeremy M. Allan, Michael J. Collins & Christoph Gierull (2010) Computational Synth
etic Ouverture Radar (cSAR) : a flexible signal simulator for multichannel SAR
systems, Canadian Journal of Remote Sensing, 36:4, 345-360 , DOI : 10.5589/m
10-048
J.F. Mas (2000) Une revue des méthodes et des techniques de télédétection du changement,
Canadian Journal of Remote Sensing, 26:4, 349-362, DOI:
10.1080/07038992.2000.10874785

40
Karampatakis, T., (2017). Drought Analysis using Meteorological Drought Indices, in Thessaly
region, Greece. Institutional Repository - Library & Information Centre - University of
Thessaly 05/08/2023 [Link] EEST - [Link], 70 pp.
Khampeera, A., Yongchalermchai, C., Techato, K., (2017). Drought Monitoring using Drought
Indices and GIS Techniques in Kuan Kreng Peat Swamp, Southern Thailand. Walailak
J Sci & Tech 2018., 15 (5) : 357 - 370.
Lacour, F. (2007). Les indicateurs de gestion intégré des ressources en eau à l’échelle du bassin
versant : Définition, Construction, et champs d’application. Synthèse technique,
ENGREF. 40pp.
Le Thuy Du, T., Du Bui, D., Nguyenan, M.D., Lee, H., (2018). Satellite-Based, Multi-Indices
for Evaluation of Agricultural Droughts in a Highly Dynamic Tropical Catchment,
Central Vietnam. Water 2018, 10, 659; doi:10.3390/w10050659, 24pp.
Louis, F., Mesidor, F. D., (2021). Etude pour la mise en place des travaux d’aménagement
d’infrastructures hydro agricoles et de mise en valeur de la plaine des Moustiques, plaine
de Cabaret et plaine de Lacoma (zone fond Diri) », 42p.
Molle, F. (2012). « LA GIRE : Anatomie d’un concept » Académia, p. 24-53.
NDMC, 2005. National Drought Mitigation Center. Consulté en ligne:
[Link]
Nguyen, V. B. (2014), « Concept d’un SIG pour l’appui à la gestion intégrée des ressources en
eau à l’échelle du Bassin Hydrologique ». Doctorat – Université de Toulouse III. 256 p.
Organisation météorologique mondiale (OMM) et Partenariat mondial pour l’eau (GWP), 2016:
Manuel des indicateurs et indices de sécheresse (M. Svoboda et B.A. Fuchs),
Programme de gestion intégrée des sécheresses, Integrated Drought Management
Programme Tools and Guidelines Series 2, Genève.
Patil, R., Vinuta, M., Betageri, Kaleel, I., (2020). Drought Indices: A Tool for Drought Analysis
and Management. [Link] p. 199-217.
Richemond, D., (2021). Analyse des Mesures D’adaptation Face aux Changements Climatiques
en Haïti dans un Contexte de Précarité Économique et d’ssistance Alimentaire »,
Maitrise en environnement, Université de SHERBOOKE. 92p.
Santi, E., Paloscia, S., Pettinato, S., Notarnicola, C., Pasolli, E., Pistocchi, A., (2013).
Comparaison entre les estimations d'humidité du sol SAR et les simulations de modèle
s hydrologiques sur le site d'essai de Scrivia. Capteur à distance ,4961–4976.
Segarra, J., Buchaillot, M.L., Araus, J.L., Kefauver, S.C., (2020). Remote Sensing for Precision
Agriculture: Sentinel-2 Improved Features and Applications. Agronomy 2020, 10, 641;
doi:10.3390/agronomy10050641.
J. Riaux, R., Barbier, O., Barreteau., (2011). Construire et argumenter des enjeux de
Vulnérabilité en comité sécheresse. Risques et environnement : Recherches
interdisciplinaires sur la vulnérabilité des sociétés, L’Harmattan, p. 75 - p. 87, 2009,
978-2-296-08132-1. hal-00615480
Rosillion, F. (2014). « La gestion intégrée de l’eau en réponse aux besoins des Haïtiens et la

41
 protection des écosystèmes », Haïti Perspectives, vol.3, n°1, p. 34-40.
Rosillon, F., Deroy, J., Emmanuel, E., (2016). Face à la détresse humaine et environnementale,
gestion intégrée de l’eau et Ecosanté, leviers de développement pour une Haïti nouvelle.
[Link] , p. 1-32.
Tremblay, V., (2020). Etude comparative de la performance de données d’humidité du sol in
situ et satellitaires pour la simulation hydrologique. Mémoire de maitrise Génie Civil,
Université de Sherbrooke, Sherbrooke, Canada, 102 pp.
Veyssiere, G., (2019). Apport des mesures du radar à synthèse d'ouverture de Sentinel-1 pour
l'étude des propriétés du manteau neigeux. Thèse de doctorat, Toulouse INO, Toulouse,
France. 115 pp.
Yang, K., Luo, Y., Li, M., Zhong, S., Liu, Q., Li, X., (2022). Reconstruction of Sentinel-2
Image Time Series Using Google Earth Engine. Remote Sens. 2022, 14, 4395.
[Link]
[Link]
[Link]
[Link] 18/07/2023

42
 ANNEXES

var sentinel1 = [Link]("COPERNICUS/S1_GRD"),

sentinel2 = [Link]("COPERNICUS/S2_SR_HARMONIZED"),
no_data_2 = [Link]("projects/ee-
sylvielaurette24/assets/Sous_BV_Moustiques"),
reseau_hydrographique = [Link]("projects/ee-
sylvielaurette24/assets/Reseau_hydrographique"),
limite_bv = [Link]("projects/ee-
sylvielaurette24/assets/Limite_BV"),
plaine_irriguee_moustique = [Link]("projects/ee-
sylvielaurette24/assets/Zone_irriguee_Plaine_des_Moustiques"),
zone_agricole_amont = [Link]("projects/ee-
sylvielaurette24/assets/Zone_agricole_amont");
// ------------- Délimination des zones sur la carte - - -- - - - - - - - - - - -//
/**
* zone_etude = Limite bassin verssant
* zone_interet1 = Zone irriguée - Plaine des moustiques
* Zone_interet2 = Zone agricole amont
* Acces_eau = Réseau hydrographique
*/

var plaine_irriguee_contour = [Link](plaine_irriguee_moustique.geometry(),

{fillcolor:"00000000", color:"#eee"}, "Plaine irriguée moustique",1,1);
var zone_agricole_contour = [Link](zone_agricole_amont.geometry(),
{fillcolor:"00000000", color:"#eee"}, "Zone agricole amont",1,1);

var acces_eau = [Link](reseau_hydrographique, {}, "Réseau hydrographique",

1,1);
var zone_etude = [Link](limite_bv.style({color:"white",
fillColor:"00000000"}), {}, "Zone d'étude",1,1);

[Link](zone_etude)
.add(acces_eau)
.add(zone_agricole_contour)
.add(plaine_irriguee_contour);

var zone_interet = limite_bv;

var geo = zone_interet.geometry();

var idk = [Link](no_data_2,{},'No data',0,0.5);

// ---------------------------------- INTERFACE DE CONTROL -----------------------

---------//
[Link]('SATELLITE');
[Link](limite_bv,12);
[Link](true, 10, 15);
[Link]().setShown(false);

///////////////////////////////////////
var date_debut_s1 = "2014-10-03";
var date_debut_s2 = "2017-03-28";

var date_interet_ui = [Link]({

start: date_debut_s1,
value: new Date(),
style:{textAlign:"center"}
});

var panelbox = [Link]({

style:{stretch:"horizontal", height:"73px", margin:"-73px auto"},
});

var panel_date_interet = [Link]({

widgets:[panelbox, date_interet_ui],
style:{ maxHeight:"", margin:""},

43
 layout:[Link]("vertical"),
});
/////////////////////////////////////////

var panel_control = [Link]();

panel_control.style().set({
width:"400px",
maxHeight:"525px",
position:"bottom-right"
});

/////////////////////////////////////////
var titre_ui = [Link]({
value:"DETECTION DE SECHERESSE",
style:{fontWeight:"bold",}
});

var panel_vide = [Link]({

style:{height:"1px", border:"1px solid #aaa", margin:"0", stretch:"horizontal"},
layout:[Link]("horizontal"),
});
//////////////////////////////////////////////

var acces_eau_ok = [Link]({

label:"Accès eau",
value:1,
style:{fontSize:"12px"},
onChange:function(checked){acces_eau.setShown(checked);},
});

var zone_etude_ok = [Link]({

label:"Zone d'étude",
value:1,
style:{fontSize:"12px"},
onChange:function(checked){zone_etude.setShown(checked);},
});

var zone_interet_select = [Link]({

placeholder:"Choisir une Zone d'intérêt",
items:["Choisir une Zone d'intérêt", "Zone agricole", "Plaine irriguée"],
value:null,
style:{fontSize:"12px", stretch:"horizontal", margin:"0 5px"},
});

var panel_zones = [Link]({

widgets:[acces_eau_ok, zone_etude_ok, zone_interet_select],
layout:[Link]("horizontal"),
style:{margin:"7px 0"},
});
//////////////////////////////////////////////////////////////

var affichage_cartes_titre = [Link]({

value:"Affichage et téléchargement des cartes:",
style:{fontWeight:"bold"}
});

var echelle_titre_ui = [Link]({

value:"Echelle de la carte Humidité [m]:",
style:{fontSize:"12px", margin:"auto 7px",}
});

var echelle_ui = [Link]({

placeholder:"Echelle",
value:1000,
style:{width:"78px",}
});

var panel_echelle = [Link]({

44
 widgets:[echelle_titre_ui, echelle_ui],
layout:[Link]("horizontal")
});

var ssm_button = [Link]({

label:"SSM",
style:{width:"74px"},
onClick:function(){
if(layer_ssm)layer_ssm.setShown(1);
if(layer_ndvi)layer_ndvi.setShown(0);
if(layer_nddi)layer_nddi.setShown(0);
if(layer_ndwi)layer_ndwi.setShown(0);},
});

var ndvi_button = [Link]({

label:"NDVI",
style:{width:"78px"},
onClick:function(){
if(layer_ssm)if(layer_ssm)layer_ssm.setShown(0);
if(layer_ndvi)layer_ndvi.setShown(1);
if(layer_nddi)layer_nddi.setShown(0);
if(layer_ndwi)layer_ndwi.setShown(0);},
});

var nddi_button = [Link]({

label:"NDDI",
style:{width:"78px"},
onClick:function(){
if(layer_ssm)layer_ssm.setShown(0);
if(layer_ndvi)layer_ndvi.setShown(0);
if(layer_nddi)layer_nddi.setShown(1);
if(layer_ndwi)layer_ndwi.setShown(0);},
});

var ndwi_button = [Link]({

label:"NDWI",
style:{width:"78px"},
onClick:function(){
if(layer_ssm)layer_ssm.setShown(0);
if(layer_ndvi)layer_ndvi.setShown(0);
if(layer_nddi)layer_nddi.setShown(0);
if(layer_ndwi)layer_ndwi.setShown(1);},
});

var panel_indices = [Link]({

widgets:[ssm_button, ndvi_button, ndwi_button, nddi_button],
layout:[Link]("horizontal")
});

var url_ssm = [Link]("",{shown:false});

var url_ndvi = [Link]("",{shown:false});
var url_nddi = [Link]("", {shown:false});
var url_ndwi = [Link]("", {shown:false});

var panel_telechargement = [Link]({

widgets:[url_ssm, url_ndvi, url_ndwi, url_nddi],
layout:[Link]("horizontal")
});

var panel_affichage_cartes = [Link]({

widgets:[affichage_cartes_titre, panel_echelle, panel_indices,
panel_telechargement],
style:{border:"1px solid #DDD", margin:"auto auto 8px auto"},
layout:[Link]("vertical")
});
//////////////////////////////////////////////////

var zone_circonscrite_titre_ui = [Link]({

45
 value:"Localisation d'une zone d'interet:",
style:{fontWeight:"bold"}
});

var latitude_zone_ui = [Link]({

placeholder:"Latitude",
style:{width:"126px"}
});

var longitude_zone_ui = [Link]({

placeholder:"Longitude",
style:{width:"126px"}
});

var rayon_zone_ui = [Link]({

placeholder:"Rayon[m]",
style:{width:"72px"}
});
var panel_zone_circonscrite_coords = [Link]({
widgets:[latitude_zone_ui, longitude_zone_ui, rayon_zone_ui],
layout:[Link]("horizontal")
});

var localisation_button = [Link]({

label:"Localiser la zone",
style:{stretch:"horizontal"}
});

var panel_zone_circonscrite = [Link]({

widgets:[zone_circonscrite_titre_ui, panel_zone_circonscrite_coords,
localisation_button],
style:{border:"1px solid #DDD", margin:"auto auto 8px auto"},
layout:[Link]("vertical")
});
////////////////////////////////////////////////////

var graphs_button = [Link]({

label:"Variations sur la zone",
disabled:true,
style:{stretch:"horizontal"}
});

var panel_graphs = [Link]({layout:[Link]("vertical")});

var graphs_suppr_button = [Link]({

label:"Suprimer les Graphes",
disabled:true,
style:{stretch:"horizontal"}
});
var panel_viz = [Link]({
style:{border:"1px solid #DDD",},
layout:[Link]("vertical")
});
////////////////////////////////////////////////////////////////

var export_button = [Link]({label:"Sauvegarde des données"});

panel_control.add(titre_ui).
add(panel_vide).
add(panel_zones).
add(panel_affichage_cartes).
add(panel_zone_circonscrite).
add(panel_viz);
/////////////////////////////////////////////////////////////////////

// -------------------------- Légendes de visualisation des indices- - - - - - - -

- - - - - - - - - - - - - - - - - - - - - - -//

46
var panel_legende = [Link]({style:{position:"bottom-left", padding:"8px"}});
panel_legende.add([Link]({value:"Légende:",style:{fontWeight:"bold"}}));

// Palettes de couleur
var palette_ssm =
["0034F5","1E7D83","4DA910","B3C120","FCC228","FF8410","FD3000"];
var palette_ndvi = [
"B6000E","B6000E","B6000E","B6000E","B6000E","B6000E","B6000E",
"B6000E","B6000E","B6000E","B6000E","B6000E","B6000E","B6000E",
"B6000E","B6000E","B6000E","B6000E","B6000E","B6000E","B6000E",
"B6000E","B6000E","B6000E","B6000E","FF0000","FCF409","04F932",
"04F932","04F932","04F932","04F932","04F932","04F932","04F932",
"04F932","04F932","04F932","04F932","04F932"
];
var palette_ndwi = [
"B6000E","B6000E","B6000E","B6000E","B6000E","B6000E","B6000E",
"B6000E","B6000E","B6000E","B6000E","B6000E","B6000E","B6000E",
"B6000E","B6000E","B6000E","B6000E","B6000E","B6000E","B6000E",
"FF0000","FFB100","FCF409","04F932","04F932","04F932","04F932",
"04F932","04F932","04F932","04F932","04F932","04F932","04F932",
"04F932","04F932","04F932","04F932","04F932"
];

var palette_nddi = [
"B6000E","B6000E","B6000E","B6000E","B6000E","B6000E","B6000E",
"B6000E","FF0000","FF0000","FF0000","FFB100","FFB100","FFB100",
"FCF409","FCF409","FCF409","FCF409","04F932","04F932","04F932",
"04F932","04F932","04F932","04F932","04F932","04F932","04F932",
"04F932","04F932","04F932","04F932","04F932","04F932","04F932",
"04F932","04F932","04F932","04F932","04F932"
];

var palette_indices =["FFFFFF","B6000E","FF0000","FFB100","FCF409","04F932"];

// Paramètres de visualisation
var viz_ssm = {min:0, max:1, palette:palette_ssm};
var viz_ndvi = {max:1, min:-1, palette:palette_ndvi};
var viz_ndwi = {max:1, min:-1, palette:palette_ndwi};
var viz_nddi = {max:1, min:-1, palette:palette_nddi};

// Création de la légende
var lon = [Link]().select("longitude");
var gradient = [Link]((viz_ssm.max - viz_ssm.min) /100.0).add(viz_ssm.min);
var legendImage = [Link](viz_ssm);

// Création de la vignette de l'image

var thumbnail = [Link]({
image:legendImage,
params:{bbox:"0,0,100,8",},
style:{padding:"1px 0",margin:"0 auto 0 8px",}
});

// Ajout de la vignette à la légende

panel_legende.add([Link]({
widgets:[Link]({value:"Humidité du sol:",
style:{padding:0,fontWeight:"bold"}}),
style:{textDecoration:"underline",}
}));

panel_legende.add([Link]({
widgets:[
thumbnail, [Link]({
widgets:[
[Link]({value:"100%",style:{padding:"0", margin:"0 auto 0
6px",fontSize:"11px"}}),
[Link]({value:"80%",style:{padding:"0", margin:"0
auto",fontSize:"11px"}}),

47
 [Link]({value:"60%",style:{padding:"0", margin:"0
auto",fontSize:"11px"}}),
[Link]({value:"40%",style:{padding:"0", margin:"0
auto",fontSize:"11px"}}),
[Link]({value:"20%",style:{padding:"0", margin:"0
auto",fontSize:"11px"}}),
[Link]({value:"0%",style:{padding:"0", margin:"0 6px 0
auto",fontSize:"11px"}}),
],
layout:[Link]("horizontal")
})
],
layout:[Link]("vertical")
}));

var makeRow = function(color, name1, name2, name3){

var colorBox = [Link]({style:{backgroundColor:"#"+ color, padding:"8px",
margin:"0 0 4px 8px"}});

var description1 = [Link]({value:name1, style:{margin:"0 0 4px

12px",fontSize:"12px" }});
var description2 = [Link]({value:name2, style:{margin:"0 0 4px 6px",
fontSize:"12px"}});
var description3 = [Link]({value:name3, style:{margin:"0 0 4px 6px",
fontSize:"12px"}});

return [Link]({
widgets:[
colorBox,
[Link]({widgets:description1, style:{width:"80px"}}),
[Link]({widgets:description2, style:{width:"80px"}}),
[Link]({widgets:description3, style:{width:"85px"}})
],
layout:[Link]("horizontal")
});
};

panel_legende.add([Link]({
widgets:[Link]({value:"indices:", style:{fontWeight:"bold"}}),
style:{textDecoration:"underline",}
}));

panel_legende.add([Link]({value:"Plus sec", style:{}}));

var names1 = ["NDVI", "[-1.0 ; 0.25[", "[0.25; 0.30[", "[0.30; 0.35[", "[0.35;
0.40[", "[0.40; 1.00["];
var names2 = ["NDWI", "[-1.0 ; 0.05[", "[0.05; 0.10[", "[0.10; 0.15[", "[0.15;
0.20[", "[0.20; 1.00[" ];
var names3 =["NDDI", "[-1.00; -0.60[", "[-0.60; -0.50[", "[-0.50; -0.40[", "[-0.40;
-0.30[", "[-0.30; 1.00 ["];

for(var i = 0;i < 6;i++){

panel_legende.add(makeRow(palette_indices[i], names1[i], names2[i], names3[i]));
}

panel_legende.add([Link]({value:"Plus humide", style:{fontWeight:"bold"}}));

[Link](panel_control).add(panel_date_interet).add(panel_legende);
print(export_button);

// ------------------------- Options de filtrage des données sentinel- - - - - - -

- - - - - - - - - - - - - - - - - - - -//

var ACQUISITION_MODE = "IW";

var POLARIZATION = "VV";
var ORBIT_DIRECTION = "DESCENDING";
var RESOLUTION_METERS = 10;
var RESOLUTION = "H";
var CLOUDY_PERCENTAGE = 60;

48
//-------------------Acquisition et filtrage des données sentinel -----------------
------//

/**
* Fonction utilisant la bande QA de Sentinel-2 pour masquer les pixels nuageux
* @param {[Link]} image Image Sentinel-2
* @return {[Link]} Image Sentinel-2 à pixels nuageux masqués
*/
function maskS2clouds (img){
var qa = [Link]("QA60");
var cloudBitMask = 1 << 10;
var cirrusBitMask = 1 << 11;
// Both flags should be set to zero, indicating clear conditions.
var mask = [Link](cloudBitMask).eq(0)
.rename("mask")
.and([Link](cirrusBitMask).eq(0));

return [Link](mask).multiply(0.0001).set({"date":[Link]()});
}
sentinel1 = [Link]([Link]("instrumentMode", ACQUISITION_MODE))
.filter([Link]("transmitterReceiverPolarisation", POLARIZATION))
//.filter([Link]('orbitProperties_pass', ORBIT_DIRECTION))
//.filterMetadata('resolution_meters', 'equals', RESOLUTION_METERS)
//.filterMetadata('resolution', 'equals', RESOLUTION)
//.filterBounds(geo)
.select([POLARIZATION]);

sentinel2 = [Link]([Link]("CLOUDY_PIXEL_PERCENTAGE",
CLOUDY_PERCENTAGE));

// ------------------ Création des variables d'images "sentinel" ciblant des

périodes - - - - - - - - - - - - - - - - - - -//

var sentinel1_semaine;
var sentinel1_annee;
var sentinel1_train;

var sentinel2_semaine;
var sentinel2_annee;

var indices_annee;
var indices_semaine;

var soil_moisture_semaine;
var soil_moisture_annee;

//-----------------Algorithme d'extration des valeurs du SSM sur une région

d'intérêt (roi) à partir de données Sentinel1------------//
function ssm_extract(image, date, roi, scale){
//var sum_VV = sentinel1_train.sum();
var p10 = sentinel1_train.reduce([Link]([10]));
var p90 = sentinel1_train.reduce([Link]([90]));

var knom = [Link](80).clip(roi);

var kdenom = [Link](p10); //Dénominateur
var k = [Link](kdenom);

var dgauche = [Link](90).clip(roi);

var ddroite = [Link](p90);
var d = [Link](ddroite);

var dry_num = [Link](0).clip(roi).subtract(d);

var dry = dry_num.divide(k);

var wet_num = [Link](100).clip(roi).subtract(d);

var wet = wet_num.divide(k);

49
 var moy = sentinel1_train.mean();

var sensitivity = [Link](dry);

var mask = [Link](-6).and([Link](-17));

// Formule
var ssm_num = [Link](dry); //calcul du numérateur
var SSM = ssm_num.divide(sensitivity);

var SSMmasked = [Link](mask);

SSMmasked = [Link]("SSMmasked");

//var aggregatepixels = function(carte){

// return([Link]({
// crs:"EPSG:4326",
// scale:parseFloat(echelle_ui.getValue())
// }))
//};

//var imageSSM = aggregatepixels(SSMmasked);

var imageSSM = [Link]({crs:"EPSG:4326", scale:scale}) //Aggregation
des pixels

return([Link]().addBands(imageSSM).set({"date":[Link]()}));
}

// -------------------------------- Calcul des indices - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - - -//
var indice = function(sentinel2_image){
var ndvi = sentinel2_image.normalizedDifference(["B8","B4"]).rename("NDVI");
var ndwi = sentinel2_image.normalizedDifference(["B8","B11"]).rename("NDWI");

var image = [Link]().addBands([ndvi, ndwi]);

var nddi = [Link](["NDWI","NDVI"]).rename("NDDI");
return [Link](nddi).set({"date":sentinel2_image.get("date") });
};

// ----------------------------------Run THE code - - - - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - - -//
var num = 0;
var date_interet;// = [Link]([Link]());
var date_interet_text = (new Date()).toLocaleString().substr(0, 10).replace("/", "-
").replace("/", "-");

var layer_nddi;
var layer_ndvi;
var layer_ndwi;
var layer_ssm;

//Traitement des images

function process(zone_selected, date){
//Délimitation de la zone d'intérêt
if(zone_selected == "Zone agricole"){
zone_interet = zone_agricole_amont;
}else if(zone_selected == "Plaine irriguée"){
zone_interet = plaine_irriguee_moustique;
}else{
return;
}
geo = zone_interet.geometry();

//Restriction des données à la date d'intérêt et à la zone d'intérêt

sentinel1_train = [Link](geo).filterDate(date_debut_s1,
date_interet);
print("Train: "); print(sentinel1_train);
sentinel1_annee = sentinel1_train.filterDate(date_interet.advance(-1,"year"),
date_interet);

50
 print("Année: "); print(sentinel1_annee);
sentinel1_semaine = sentinel1_annee.filterDate(date_interet.advance(-2,"week"),
date_interet);
print("Semaine: "); print(sentinel1_semaine);

sentinel2_annee = [Link](geo).filterDate(date_interet.advance(-
1,"year"), date_interet).map(maskS2clouds);
sentinel2_semaine = [Link](geo).filterDate(date_interet.advance(-
2,"week"), date_interet).map(maskS2clouds);

// ----------------------------- Estimation de l'humidité de surface du sol - -

- - - - - - - - - - - - - - - - - - - - - - - - - -//
var echelle =
parseFloat(echelle_ui.getValue())?parseFloat(echelle_ui.getValue()):1000;
soil_moisture_annee = sentinel1_annee.map(function(image){
return ssm_extract(image, date_interet, geo, echelle);
});
print("Soil moisture annee: "); print(soil_moisture_annee);
soil_moisture_semaine = sentinel1_semaine.map(function(image){
return ssm_extract(image, date_interet, geo, echelle);
});
print("Soil moisture semaine: "); print(soil_moisture_semaine);

//Calcul des indices

indices_annee = sentinel2_annee.map(indice);
indices_semaine = sentinel2_semaine.map(indice);
}

//Mise à jour de la carte

function affichage(zone_selected, date){
[Link](panel_legende);
[Link](panel_control);
[Link](panel_date_interet);
[Link](zone_etude);
[Link](acces_eau);
[Link](zone_agricole_contour);
[Link](plaine_irriguee_contour);

var zoom = 12;

if(zone_selected == "Zone agricole"){
plaine_irriguee_contour.setName("Plaine irriguée");
plaine_irriguee_contour.setVisParams({fillcolor:"00000000", color:"#eee"});

zone_agricole_contour.setName("Zone d'intérêt");
zone_agricole_contour.setVisParams({fillcolor:"00000000", color:"white"});

print("Zone d'intérêt: Zone agricole amont");

}else if(zone_selected == "Plaine irriguée"){
plaine_irriguee_contour.setName("Zone d'intérêt");
plaine_irriguee_contour.setVisParams({fillcolor:"00000000", color:"#eee"});

zone_agricole_contour.setName("Zone agricole");
zone_agricole_contour.setVisParams({fillcolor:"00000000", color:"white"});

print("Zone d'intérêt: Plaine irriguée");

zoom = 13;
}else{
plaine_irriguee_contour.setVisParams({fillcolor:"00000000", color:"#eee"});
zone_agricole_contour.setVisParams({fillcolor:"00000000", color:"#eee"});
print("Sélectionnez une zone d'intérêt");
return;
}

var perimetre = [Link]().divide(1000).format("%.2f").getInfo();

var superficie = [Link]().divide(1000000).format("%.2f").getInfo();
print("Périmètre: " + perimetre + " km");
print("Superficie: " + superficie + " km2");

51
 [Link](zone_interet, zoom);

date_interet_text = (new Date(date)).toLocaleString().substr(0, 10).replace("/",

"-").replace("/", "-");
print("Date d'intérêt: " + date_interet_text);

latitude_zone_ui.setValue(null); longitude_zone_ui.setValue(null);
rayon_zone_ui.setValue(null);
panel_graphs.clear();
panel_viz.clear();
num = 0;
layer_ssm =
[Link](soil_moisture_semaine.select("SSMmasked").mean().clip(geo),viz_ssm,"SS
M",0);
[Link](layer_ssm);

layer_ndvi =
[Link](indices_semaine.select("NDVI").mean().clip(geo),viz_ndvi,"NDVI",0);
[Link](layer_ndvi);

layer_ndwi =
[Link](indices_semaine.select("NDWI").mean().clip(geo),viz_ndwi,"NDWI",0);
[Link](layer_ndwi);

layer_nddi =
[Link](indices_semaine.select("NDDI").mean().clip(geo),viz_nddi,"NDDI",0);
[Link](layer_nddi);

var args_ssm = {
name:"SSM_"+ date_interet_text,
scale:parseFloat(echelle_ui.getValue()),
region:geo,
crs:'EPSG:3857',
fileFormat:"GeoTIFF"
};
var args_ndvi = {
name:"NDVI_"+ date_interet_text,
scale:20,
region:geo,
crs:'EPSG:3857',
fileFormat:"GeoTIFF"
};
var args_nddi = {
name:"NDDI_"+ date_interet_text,
scale:40,
region:geo,
crs:'EPSG:3857',
fileFormat:"GeoTIFF"
};
var args_ndwi = {
name:"NDWI_"+ date_interet_text,
scale:20,
region:geo,
crs:'EPSG:3857',
fileFormat:"GeoTIFF"
};

url_ssm.setUrl(soil_moisture_semaine.mean().getDownloadURL(args_ssm));
url_ndvi.setUrl(indices_semaine.select("NDVI").mean().getDownloadURL(args_ndvi));
url_nddi.setUrl(indices_semaine.select("NDDI").mean().getDownloadURL(args_nddi));
url_ndwi.setUrl(indices_semaine.select("NDWI").mean().getDownloadURL(args_ndwi));

url_ssm.setValue("SSM_"+ date_interet_text);
url_ndvi.setValue("NDVI_"+ date_interet_text);
url_nddi.setValue("NDDI_"+ date_interet_text);
url_ndwi.setValue("NDWI_"+ date_interet_text);

52
 url_ssm.style().set({shown:true, fontSize:"10px", textDecoration:"underline",
margin:"0 auto 8px"});
url_ndvi.style().set({shown:true, fontSize:"10px", textDecoration:"underline",
margin:"0 auto 8px"});
url_nddi.style().set({shown:true, fontSize:"10px", textDecoration:"underline",
margin:"0 auto 8px"});
url_ndwi.style().set({shown:true, fontSize:"10px", textDecoration:"underline",
margin:"0 auto 8px"});

export_button.setLabel("Exporter les cartes du " + date_interet_text);

}

zone_interet_select.onChange(function(selected){
var date = date_interet_ui.getValue()[0];
date_interet = [Link](date);
process(selected, date);
[Link]();
affichage(selected, date);
});

date_interet_ui.onChange(function(dateRange){
var date = date_interet_ui.getValue()[0];
date_interet = [Link]();
var zone_selected = zone_interet_select.getValue();
process(zone_selected, date);
[Link]();
affichage(zone_selected, date);
});

//date_interet_ui.setValue(new Date());

// ------------------------ Zoom on an area of interest - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - -//

var distance = 2000;

var zone;

localisation_button.onClick(function(){
var point = [Link]();
var latitude = [Link]().get(0).getInfo();
var longitude = [Link]().get(1).getInfo();
var latitude_text = parseFloat(latitude_zone_ui.getValue());
var longitude_text = parseFloat(longitude_zone_ui.getValue());
var rayon = parseFloat(rayon_zone_ui.getValue());
var num_zone = 0;
if(latitude != latitude_text || longitude != longitude_text || distance !=
rayon){
panel_graphs.clear();
panel_viz.remove(graphs_suppr_button);
panel_viz.remove(panel_graphs);

if(latitude_text && longitude_text && rayon){

num++;
num_zone = num;
distance = rayon
latitude = latitude_text;
longitude = longitude_text;
point = [Link](latitude, longitude);
}
[Link](latitude, longitude, 12);
zone = [Link](point).buffer(distance).geometry();
[Link](zone, {}, "Zone " + num_zone);
latitude_zone_ui.setValue(latitude);
longitude_zone_ui.setValue(longitude);
rayon_zone_ui.setValue(distance);
if(!panel_viz.widgets().length()) panel_viz.add(graphs_button);
graphs_button.setDisabled(false);
}

53
});

// ------------------------------- Creation of the charts - - - - - - - - - - - - -

- - - - - - - - - - - - - - -//
var indices_graph = function(img){
return([Link]({
imageCollection:[Link](["NDVI","NDWI","NDDI"]),
region:zone,
reducer:[Link](),
xProperty:"date"
}).setOptions({
title:"NDVI,NDWI et NDDI pour la zone d'intérêt au "+ date_interet_text,
hAxis:{title:"Date", titleTextStyle:{italic:false, bold:true}},
vAxis:{title:"Indicdes[]", titleTextStyle:{italic:false, bold:true}},
lineWidth:1,
pointSize:4,
colors:["1d6b99","FCD163","3E8601"],
}));
};

var ssm_graph = function(img){

return([Link]({
imageCollection:[Link]("SSMmasked"),
region:zone,
reducer:[Link](),
xProperty:"date"
}).setOptions({
title:"SSM pour la zone d'intérêt au " + date_interet_text,
hAxis:{title:"Date", titleTextStyle:{italic:false, bold:true}},
vAxis:{title:"SSM[]", titleTextStyle:{italic:false, bold:true}},
lineWidth:1,
pointSize:4,
colors:["1d6b99"],
}));
};

graphs_button.onClick(function(){
panel_graphs.add(indices_graph(indices_annee));
panel_graphs.add(ssm_graph(soil_moisture_annee));
panel_viz.add(panel_graphs);
graphs_suppr_button.setDisabled(false);
graphs_button.setDisabled(true);
panel_viz.add(graphs_suppr_button);
});

graphs_suppr_button.onClick(function(){
panel_graphs.clear();
panel_viz.remove(graphs_suppr_button);
panel_viz.remove(panel_graphs);
graphs_button.setDisabled(false);
});

// -------------------------------- Export of the maps - - - - - - - - - - - - - -

- - - - - - - - - - - - - - - - -//
export_button.onClick(function(){
[Link]({
image:soil_moisture_semaine.mean(),
folder:"SSM_DATAS",
description:"SSM_"+ date_interet_text,
region:geo,
scale:parseFloat(echelle_ui.getValue()),
fileFormat:"GeoTIFF"
});
[Link]({
image:indices_semaine.select("NDVI").mean(),
folder:"SSM_DATAS",
description:"NDVI_"+ date_interet_text,
region:geo,

54
 scale:20,
fileFormat:"GeoTIFF"
});
[Link]({
image:indices_semaine.select("NDDI").mean(),
folder:"SSM_DATAS",
description:"NDDI_"+ date_interet_text,
region:geo,
scale:40,
fileFormat:"GeoTIFF"
});
[Link]({
image:indices_semaine.select("NDWI").mean(),
folder:"SSM_DATAS",
description:"NDWI_"+ date_interet_text,
region:geo,
scale:20,
fileFormat:"GeoTIFF"
});
});

55