Ces travaux ont été réalisés dans le cadre du projet de recherche « Approche interdisciplinaire pour une gestion durable d’un hydrosystème dynamique anthropisé : la basse vallée de la Bruche » soutenu financièrement par le « Programme National de Télédétection Spatiale – INSU ».
1Le suivi des processus de peuplement (urbanisation et périurbanisation) et de l’évolution de la structure du paysage permet d’identifier les différentes phases d’urbanisation et les modifications paysagères induites. En effet, l’étude des changements de la forme du paysage constitue une étape importante dans la compréhension des conséquences écologiques induites par ces processus, tant dans les fonctions que dans les processus écologiques eux-mêmes (Weng, 2007). De plus ces changements perturbent l’ensemble des propriétés de l’écosystème et ses fonctions, telles que les cycles biogéochimiques et le maintien de la diversité des espèces (Savard et al., 2000). Dans un contexte urbain ou périurbain, l’étude des changements du paysage et leurs conséquences sur les écosystèmes se résume en partie à des effets de fragmentation de la flore, de la faune et de l’habitat selon un gradient centre-périphérie (Bastin et Thomas, 1999 ; Mortberg, 2001 ; Olff et Ritchie, 2002).
- 1 Le paysage est un « niveau d’organisation des systèmes écologiques, supérieur à l’écosystème; il se (...)
- 2 La métrique paysagère est associée aux éléments et échelles de paysage, elles représentent les rela (...)
2L’observation des changements du paysage urbain et périurbain1 au cours du temps permet d’estimer la nature des processus naturels et anthropiques en jeu et d’en évaluer les enjeux de gestion des ressources naturelles et des territoires. Le suivi de ces changements est effectué depuis une vingtaine d’années à partir de données satellites (Landsat MSS, TM, ETM, Spot, Ikonos, Quickbird, etc.) grâce à leurs résolutions spatiales, spectrale et temporelle de plus en plus performantes. Quant à l’utilisation conjointe de la télédétection et de la métrique paysagère2 (Macgarigal et Barbara, 1994) elle ne s’est répandue que récemment pour l’étude des changements du paysage urbain et périurbain (Dietzel et al., 2005 ; Herold et al., 2002, 2003, 2004 ; Leitão et al., 2006 ;Weng, 2007,). En effet, la métrique paysagère permet d’aborder des paysages complexes et de les rendre identifiables et quantifiables et favorise aussi la révélation de propriétés de l’écosystème non observables a priori (Antrop et Eetvelde, 2000). La métrique paysagère ou métrique spatiale est une mesure de la forme et de la distribution des structures spatiales (ou éléments comme la végétation) appliquée initialement dans l’étude de l’écologie du paysage (Gustafson, 1998 ; McGarigal et al., 2002). Cet outil méthodologique autorise ainsi la mesure du changement d’autres formes du paysage, notamment en fonction du niveau d’urbanisation (Luck et Wu, 2002) ainsi que celle de la dynamique temporelle de ces changements (Dietzel et al., 2005 ; Herold et al., 2003). Cependant, le potentiel de telles analyses quantitatives dépend fondamentalement des données géographiques disponibles, notamment les données spatiales (cartographique, photographique ou satellite) et de la résolution spatiale des données utilisées.
3L’objectif de ce travail est d’identifier, de caractériser et de quantifier les modifications paysagères qu’entraîne l’avancée du front d’urbanisation à l’ouest de Strasbourg sur une durée de 20 ans environ entre 1986 et 2005 à partir des images satellites et d’indices de métrique paysagère. Comme toutes les agglomérations régionales, Strasbourg subit à la fois un étalement urbain contraint par le relief, les caractéristiques hydrologiques (zones humides, remontée de nappe, eaux de surface etc.) et le processus de renouvellement urbain interne. La pression foncière actuelle pousse de plus en plus les localités à favoriser le développement de lotissement ou de modification des PLU dans des zones jugées antérieurement sensibles notamment aux inondations. La basse vallée de la Bruche constitue un élément essentiel à la fois de la richesse environnementale de la zone, mais aussi des risques d’inondation qu’encoure la population notamment à la confluence avec l’Ill.
4Cet article vise en particulier à répondre à diverses questions concernant : les transformations du paysage sur cette période et leurs caractéristiques, la description du processus d’urbanisation dans cette vallée proche de Strasbourg (dynamique et intensité) et l’intérêt des informations paysagères en tant que complément à l’étude usuelle de celui-ci à partir de données satellites. Il est structuré en quatre parties. Après l’introduction, nous rappelons l’état des connaissances sur le sujet. Les méthodes utilisées sont ensuite abordées. Les résultats et les points de discussion sont présentés dans la troisième partie. La dernière partie propose des points de conclusion et des perspectives.
5La question cruciale de cette étude est « Comment identifier et quantifier le changement spatio-temporel du paysage urbain et périurbain à partir des données satellites ? ». Deux types de méthodes sont utilisés afin de déterminer les changements entre différents types d’occupation du sol et entre différentes formes du paysage : le traitement d’images satellites multi-dates et l’application de la métrique paysagère.
6Les données satellites, à l’heure actuelle, deviennent un outil incontournable pour la planification et l’aménagement du territoire en raison de la périodicité des prises de vue et de résolutions spatiales de plus en plus performantes. Les résolutions spatiale et temporelle jouent un rôle important dans l’identification des modifications de la surface terrestre (Ridd et Liu, 1998). Le suivi de la croissance des espaces urbanisés impose une connaissance périodique de l’occupation du sol. Les techniques de détection de changement (soustraction d’images, corrélation, rectification spatiale etc.) sur les images numériques ont été mises en œuvre par Lillestrand dès 1972. Elles intègrent les techniques du traitement de données satellites : correction radiométrique, géométrique, classification et extraction des formes, etc. (Ashbindu, 1989). Elles permettent de déterminer l’évolution du périmètre de la ville (contenant) et le « taux de remplissage » de la ville (contenu).
7La détermination de l’évolution du périmètre de la ville (contenant) repose sur le changement de la couverture végétale et sur les rapports de densité entre l’affectation urbaine et rurale. Certains critères permettent de définir le périmètre d’agglomération sur l’image satellite, tels que la variation nette dans la densité de l’habitat, le desserrement du réseau de voies de communication, le changement dans l’affectation du sol, etc. La détermination du « taux de remplissage » de la ville (contenu) à partir des données satellitaires requiert souvent la prise en compte de deux critères essentiels : la taille du pixel (la résolution spatiale au sol) et l’hétérogénéité de l’espace. La croissance urbaine procède ainsi à la fois par une densification de l’occupation du bâti existant et par l’extension des limites du bâti plus ou moins continu. La détection des changements d’occupation du sol est un processus fondé sur l’identification des différences d’état d’objets ou de phénomènes à travers des observations à des moments différents (Singh, 1989). La situation idéale est bien entendu de pouvoir utiliser des images obtenues par le même capteur avec la même géométrie d’observation et à des dates similaires d’acquisition (Lillesand et al., 2004). Cela permet de minimiser les erreurs provoquées par les variations saisonnières et l’angle solaire.
8Il existe de nombreuses méthodes pour la détection de changements comme l’analyse de la différence entre images (Ballut et Nguyen, 1984 ; Ridd et Liu, 1998), la soustraction d’images (Fung, 1990 ; Zhang et al., 2002), l’étude des modifications de la morphologie urbaine (Baudot, 1994 ; Dureau, 1990 ; Terrettaz, 1998), les indices de différence végétale (Masek et al., 2000), le seuillage d’images (Fung, 1990), l’usage de filtre de passe-haut (Fung, 1990 ; Kwarteng et Chavez, 1998), l’analyse en composantes principales, l’application des réseaux neuronaux (Chen et al., 2004), la régression (Ridd and Liu, 1998), la classification spectrale/temporelle (Xiao et al., 2005 ; Yin et al., 2005 ; Zhang et al., 2002), la comparaison post-classification (Yang et Lo, 2002) ou encore l’approche orientée-objet (He et al., 2005).
9Le choix d’une méthode plutôt qu’une autre pour détecter des changements d’occupation du sol n’est pas évident. La sélection dépend, entre autres, du paysage, des types de changements et des résolutions spatiales et temporelles des données à utiliser. Parmi les méthodes existantes, la comparaison post classification s’avère souvent la plus appropriée pour un inventaire notamment dans le cadre de la constitution d’une base de données, sans objectif de simulation d’une situation future. Nous utilisons cette méthode pour notre travail, tout en sachant que l’efficacité de cette méthode est basée sur la qualité de la classification des images.
10Cette approche a été développée plus particulièrement en écologie du paysage, dans les années 1980 à partir de la théorie de l’information et de la géométrie fractale (Mandelbrot, 1975 ; McGarigal et Barbara, 1994 ; Herold et al., 2004). Les mesures sont calculées sur les taches du paysage (patch, ensemble) définies comme des zones homogènes d’un paysage spécifique (par exemple : sols agricoles, zone industrielle, parc, etc.). Elles facilitent la quantification de l’hétérogénéité spatiale des taches ou d’un ensemble de taches appartenant à une classe. Les métriques paysagères (ou indices) se déclinent selon Antrop et al (2000) en deux familles aux objectifs distincts : la caractérisation d’attributs additionnels pour la classification des types de paysage ou l’extraction d’indicateurs de changement ou de perturbations du paysage. Comme le soulignent Herold et al (2003) « spatial metrics can be defined as quantitative and aggregate measurements derived from digital analysis of thematic-categorical maps showing spatial heterogeneity at a specific scale and resolution ». L’usage des métriques spatiales peut ainsi être appliqué pour des analyses multi-échelles et multi-temporelles permettant une extraction des changements fondée sur les modifications du couple homogénéité/hétérogénéité spatiale. Trois échelles d’analyse emboîtée du paysage peuvent être distinguées, selon (McGarigal, (2002) : des indices de surface, bordure ou forme peuvent être définis pour chaque composant du paysage ou noyau (patch-level), des indices définis pour des groupes d’un même type, analysant des propriétés additionnelles résultant de la configuration spatiale du type (class-level) comme la distance moyenne peuvent compléter l’information et enfin des indices calculés sur l’ensemble du paysage, par l’analyse de propriétés additionnelles résultant de la configuration spatiale de tous les composants (landscape-level) comme la diversité peuvent être calculés. Ces indices sont déterminés selon des logiques spatiales spécifiques liées soit à l’élément unitaire ou à un groupe à partir duquel sont calculées les relations entre éléments : l’isolement, la proximité, le contraste, la contagion, l’entremêlement (interspersion), la connectivité ou la diversité.
11Il existe de nombreux indices calculés à partir de données spatiales, notamment satellites que se soit au niveau du pixel (pixel-based, comme la contagion ou la lacunarité) calculés pour tous les pixels d’une tache (Gustafson, 1998) ou au niveau de la tache (ensemble de pixels) (patch-based, comme la taille, la forme, la longueur de la bordure, la densité de tache ou la dimension fractale).
12Appliqués aux espaces anthropisés, diverses stratégies sont développées : l’analyse de gradient basée sur la tache permet à Weng (2007) de révéler les effets de l’urbanisation sur les formes de paysage. (Antrop et al, 2000) utilisent les photos aériennes et les métriques paysagères pour étudier le paysage suburbain à la ville de Ghent, Belgique. Quant à Herold (2003), ils mettent en valeur des applications plus complexes, intégrant la télédétection, les métriques spatiales et les modèles de croissance urbaine dans le suivi et la planification urbaine à Santa Barbara, Californie. Tous soulignent cependant la sensibilité des métriques paysagères à la qualité de données utilisées, aux méthodes employées (classification et interprétation) et à la complexité et l’hétérogénéité du paysage. Outre ces limites, (Herold et al, 2004) soulignent aussi des problèmes d’application de ces métriques spatiales concernant la précision thématique, la sélection des métriques et la définition du domaine spatial de l’étude.
13La précision spatiale est donc, dans une telle approche, un des problèmes les plus importants. Plus elle est élevée et plus la structure du paysage a une hétérogénéité forte. La précision thématique est liée à la précision de la classification. Une précision thématique trop importante peut conduire à une perte d’identité des paysages, en accentuant des structures homogènes non caractéristiques. La sélection des métriques, pose ainsi un certain nombre de questions car chacune relève d’une signification spécifique selon le contexte. La définition du domaine spatial représente finalement un problème tout aussi crucial car elle concerne à la fois la subdivision spatiale de la zone d’étude (limite administrative, parcelle, etc.) et l’unité spatiale du calcul (grille de calcul des cellules, fenêtre quadratique ou kernel à appliquer).
- 3 Seules Achencheim et Hangenbieten ne font pas partie de la Communauté urbaine de Strasbourg.
14La zone d’étude est concentrée sur la quasi-totalité de la basse vallée de la Bruche située à l’ouest de l’agglomération strasbourgeoise, regroupant administrativement sept communes (ou parties de) : Achencheim, Eckbolsheim, Entzheim, Hangenbieten, Holtzheim, Lingolsheim, Obershaeffolsheim, Wolfisheim (Figure 1Zone d’étude). Elle constitue un ensemble de communes de l’agglomération et de sa couronne proche et couvre environ 3650 hectares. La basse vallée de la Bruche est au centre d’enjeux économiques, écologiques et humains particulièrement forts. L’attractivité des communes placées le long de cette vallée provoque une extension des surfaces bâties dans une zone sensible aux inondations surtout dans les zones de peuplement à proximité de Strasbourg comme Eckbolsheim, Entzheim ou Lingolsheim3. La figure 1 illustre cette zone avec à l’est les quartiers de Strasbourg et les réseaux routiers et autoroutiers qui irriguent les communes périphériques et au centre une zone semi-agricole inondable malgré le canal de dérivation de la Bruche, ce qui explique une densité plus forte au nord du canal qu’au sud, zone de méandres de la Bruche.
15
Figure 1 : Découpage de la zone d’étude
16Les principales sources de données utilisées dans cette étude sont trois images multispectrales Spot (tableau 1) et des données ancillaires (cartes, orthophotos IGN et relevés terrain). Les compositions de fausse couleur des trois images sont présentées sur la figure 2.
Image
|
Date d’acquisition
|
Résolution spectrale
|
Résolution spatiale
|
Spot 1 HRV2
|
28 juin 1986
|
0.50-0.59 µm
0.61-0.68 µm
0.79-0.89 µm
|
20m
|
Spot 3 HRV2
|
22 juillet 1996
|
0.50-0.59 µm
0.61-0.68 µm
0.79-0.89 µm
|
20m
|
Spot 5 HRG2
|
3 juin 2005
|
0.50-0.59 µm
0.61-0.68 µm
0.79-0.89 µm
1,58-1.75 µm
|
10m
|
Tableau 1 : Caractéristiques des images SPOT utilisées
Figure 2 : Images Spot utilisées pour la classification
17La période d’acquisition des images paraît très importante dans l’étude des changements du paysage à partir des données satellitaires.(Jensen, 1983) a constaté que les images prises pendant les mois ensoleillés présentent un très bon contraste entre objets urbains et non-urbains et l’utilisation des images acquises dans la même période de l’année pour l’étude diachronique peut réduire les problèmes liés aux différences d’angles solaires, au changement phénologique de la végétation et à la différence d’humidité des sols. Les images utilisées pour cette étude sont cohérentes en termes de période d’acquisition ensoleillée (en juin et en juillet) et de hauteur du soleil (très peu décalée, entre 58° et 62°). Ces images n’ont pratiquement pas de couvert nuageux. Ces paramètres physiques permettent de considérer que les ombres portées sont négligeables et les conditions d’acquisition d’images sont similaires.
18Le thème principal de notre étude est axé sur l’évolution du front urbain dans la vallée de la Bruche entre les trois dates de 1986, 1996 et 2005. L’espace urbain, par sa nature très hétérogène, se complexifie par la présence au sol d’objets différents dans leur forme, direction, taille, matériaux et de dimension très variée selon le type d’habitat. A cette complexité s’ajoutent les contraintes inhérentes à la taille du pixel. En effet, la résolution varie entre 20 m (pour les images 1986 et 1996) et 10 m (pour l’image 2005). La combinaison des textures et structures dans les images disponibles permet d’extraire des types urbains similaires grâce à la densité des constructions et la nature de celles-ci. Cependant, les sols nus qui présentent une forte réflectance, peuvent induire des confusions avec les zones industrielles, les quartiers résidentiels ou encore les zones en construction lors de l’interprétation, voire de l’extraction automatique.
19L’analyse diachronique passe par la comparaison d’images entre elles. Afin de pouvoir combiner et comparer ces images, deux opérations sont nécessaires : le recalage géométrique et la calibration radiométrique. Le recalage géométrique réduit les déformations spatiales et amène l’image dans une projection cartographique commune. Les trois images disponibles sont recalées géométriquement avec une erreur très faible inférieure à un pixel. Les conditions d’acquisition de ces images étant similaires, la variation diachronique des réflectances entre les mêmes objets sur les trois images a été considérée comme négligeable et la calibration radiométrique n’a donc pas été nécessaire. Les différences de résolution spatiales entre les images utilisées ont été homogénéisées par agrégation spatiale des pixels de l’image de 2005 à une résolution de 20m pour le calcul des métriques spatiales.
20Avant l’identification des changements, la classification supervisée des images a été réalisée à partir d’un algorithme de maximum de vraisemblance. La mise en œuvre d’une classification supervisée apparaît comme une longue chaîne de production d’informations qui prend en compte la définition des classes, la sélection de zones d’entraînement bien distinctes, la généralisation et la validation des résultats. La qualité de la classification supervisée dépend de la qualité et de la taille de zones d’entraînement et de la résolution spatiale de l’image à classer (Chen 2002). L’évaluation d’une classification est un concept complexe comprenant la référence à plusieurs critères et pouvant se dérouler en plusieurs étapes (Caloz et Collet, 2001). L’idée principale consiste à déterminer cette précision en comparant les résultats fournis avec des données issues de la vérité terrain. L’évaluation de la classification est réalisée à l’aide d’objets (pixels, régions homogènes, polygones, etc.) de même nature que ceux traités par la classification.
21Deux indices issus de la matrice de confusion sont souvent utilisés pour la validation de la performance des classifications : la précision globale (la proportion des pixels bien classés calculée en pourcentage) et l’indice de Kappa (le rapport entre le nombre de pixels bien classés et le total des pixels sondés). Cet indice de Kappa indique comment les données à classer s’accordent aux données de référence (Congalton, 1991; Congalton et al., 1983). Il constitue une mesure fiable dans l’évaluation des classifications thématiques (Gong et Howarth, 1990; Stehman, 1996), car il examine tous les éléments dans la matrice de confusion. Ceci n’est pas le cas pour la précision globale, qui ne prend en compte que les éléments situés sur la diagonale. Le Kappa est cependant sensible aux erreurs de commission (Caloz et Collet, 2001).
22Les trois images classées de la zone d’étude ont constitué la base des calculs de changements d’occupation du sol : l’analyse de différences entre les trois images classées pour identifier les changements de surface occupée par chaque classe et ensuite les échanges entre elles. La présentation graphique des changements au sein de chaque classe a permis de détecter les zones affectées par ces changements. Tous les traitements d’image ont été effectués sur le logiciel ENVI 4.3.
23L’analyse du paysage effectuée à partir d’images classées permet d’avoir une information supplémentaire des caractéristiques des changements du paysage. Bien que l’observation des résultats puisse aboutir à la description des changements au sein des éléments du paysage, elle reste difficilement identifiable en termes de forme paysagère, de fragmentation ou de renforcement. Les calculs d’indices du paysage, basés sur un raisonnement systématique appliqué aux éléments de l’image classée fournissent une vision plus riche du paysage.
24La plupart des mesures quantitatives sont calculées à partir du logiciel FRAGTATS (McGarigal et al., 2002). Nous utilisons dans cet article deux échelles d’analyse : la tache (avec des caractéristiques unitaires) et l’arrangement spatial des taches adjacentes fondé sur les relations. Les métriques paysagères suivantes sont employées :
25Le nombre de composants (NP - Number of Patches) indique le nombre de composants individuels et fournit une vision de la croissance de certains éléments paysagers. Il nous permet de savoir s’il y a des créations de nouveaux pôles entre les diverses périodes temporelles considérées :
26où n est le nombre de composants présents dans le paysage ;
27L’indice de forme du paysage (LSI - Landscape Shape Index) montre le rapport de la longueur totale de bordure d’un espace sur le périmètre d’un carré ayant la même surface et permet de connaître la compacité ou au contraire la fragmentation des éléments. LSI est égale à 1 quand un paysage est composé d’un seul composant ou très compact de même type. La valeur augmente quand les composants deviennent désagrégés :
28où ei est la longueur totale de bordure ;
29L’indice de forme du paysage normalisé (nLSI - normalised Landscape Shape Index), qui est une version normalisée de l’indice LSI et fournit une mesure de l’agrégation des classes :
30où ei est la longueur totale de bordure ;
31L’indice de dimension fractale (FRAC - Fractal Dimension Index), qui reflète la complexité et la fragmentation de la forme par la relation entre le périmètre et la surface varie entre 1, pour les formes simples, et 2, pour les formes complexes. La moyenne des valeurs de FRAC pour tous composants du même type donne l’indice fractal moyen (FRAC_MN) :
32où pij est le périmètre de la tache ij, et aij la surface de la tache ij ;
33La distance euclidienne des composants les plus proches (ENN - Euclidean Nearest Neighbour Distance). La moyenne des valeurs de cet indice pour tous les composants du même type donne la distance euclidienne moyenne au composant de même type la plus proche (ENN_MN) et reprend la logique fractale de rapport surface-contour :
34où hij est la distance du composant le plus proche voisin de même type.
35Le choix des classes thématiques constitue une étape cruciale dans cette opération. Les classes doivent, à la fois, être bien discriminées entre elles et communes aux trois images. Ces objectifs posent un problème concernant la séparabilité spectrale des classes, notamment pour les zones couvertes de végétation. Les réponses spectrales des différentes cultures sont souvent très proches de la végétation herbacée, ce qui entraîne une définition distincte entre les classes thématiques. Les classes présentées dans le Tableau 2 sont les résultats d’une confrontation des objectifs avec les possibilités techniques d’extraction des classes thématiques.
1
|
Tissu urbain
|
Espaces dominés par des bâtiments. Les bâtiments, la voierie et les surfaces artificiellement recouvertes coexistent avec des surfaces végétalisées et du sol nu, qui occupent de manière discontinue des surfaces importantes.
|
2
|
Zones industrielles et commerciales
|
Zones recouvertes artificiellement (zones cimentées, goudronnées, asphaltées ou stabilisées : terre battue par exemple). Elles comprennent aussi des bâtiments, infrastructures des zones portuaires et infrastructures des aéroports :
|
3
|
Végétation arborée
|
Formations végétales principalement constituées par des arbres et arbustes.
|
4
|
Végétation herbacée et cultures
|
Formations constituées essentiellement de graminées, des plantes à fleurs, de fougères ainsi que des petits végétaux ligneux sous-arbustifs mais aussi des cultures.
|
5
|
Espaces nus urbains ou ruraux
|
Espaces ouverts non-bâties et sans végétation
|
6
|
Cours et plans d’eau
|
Cours et étendus d’eau, naturels ou artificiels
|
Tableau 2 : Classes thématiques
36Le choix des zones d’entraînement a constitué une étape importante dans le processus de classification. Ces zones doivent être représentatives pour chacune des classes. La séparabilité des signatures spectrales des échantillons représente un moyen performant de sélection des zones d’entraînement. Deux méthodes ont été utilisées : visualisation 3D des échantillons (Figure 3) et calcul de la séparabilité entre les groupes d’échantillons. La première méthode permet de visualiser les échantillons (outil nD-Visualizer, ENVI 4.3) et de vérifier rapidement si les pixels choisis correspondent bien à la classe que l’on veut établir. En utilisant la visualisation et en effectuant la rotation de l’image, les pixels isolés ont pu être identifiés et éliminés.
37
Figure 3 : Exemple de visualisation des échantillons de l’image de 1996
38La deuxième méthode consiste à calculer la séparabilité en utilisant la méthode de divergence transformée. Cet indice est compris entre 0 et 2, où 2 correspond à la séparabilité maximale. Les classes les moins séparables entre elles sont les zones industrielles et commerciales et les espaces nus urbains ou ruraux, la végétation arborée et la végétation herbacée et cultures et, enfin, la végétation herbacée et cultures et les espaces nus urbains ou ruraux (espaces ouverts).
39Après la classification des trois images, l’évaluation des résultats a été effectuée par des méthodes quantitatives et qualitatives. Le tableau 3 montre la précision élevée obtenue pour la classification des trois images.
|
1986
|
1996
|
2005
|
Coefficient Kappa
|
0.95
|
0.96
|
0.99
|
Précision globale
|
95.82
|
96.07
|
98.88
|
Tableau 3 : Résultat de la classification de trois images 1986, 1996 et 2005
40Les premières observations permettent d’analyser les erreurs soulignées au sein des matrices de confusion et de les expliciter à partir de la documentation disponible. Deux grands types d’erreurs ont été relevés : tout d’abord la confusion entre les espaces nus et les voies de communication avec le tissu urbain, et entre les zones industrielles et commerciales et le tissu urbain et les espaces nus et ensuite la différence de qualité de détection de la végétation arborée et donc sa confusion avec la végétation herbacée et les cultures, surtout entre les deux premières images et celle de 2005.
41Avant de commencer à détecter les différences entre les images, un opérateur dit « filtre majoritaire » a été utilisée avec une taille d’une fenêtre 3x3 pour homogénéiser les résultats. Les images résultant de cette analyse (Figure 4) servent ensuite à l’étude des changements du paysage.
Figure 4 : Classifications de la zone d’étude réalisées à partir des images Spot acquises en 1986, 1996 et 2005
42Les trois images classées de la zone d’étude constituent une base pour les calculs des changements d’occupation du sol. Dans un premier temps, une analyse statistique a été réalisée pour définir les changements au sein des classes, en utilisant les paires des images de 1986 - 1996, 1996 – 2005 et 1986 – 2005. Les changements détectés concernent toutes ces classes (Tableau 4, Figure 5a, b, c). Les résultats illustrent une nette progression du tissu urbain, qui reflète l’augmentation du nombre des bâtiments dans l’ensemble des communes concernées, les surfaces occupées par des zones industrielles ont fortement augmenté de même que les terrains arborés (alignement, vergers) par contre une diminution importante de la végétation herbacée et des cultures peut être calculée, il s’agit de la classe qui a le plus pâti de l’extension des autres.
|
1986
|
1996
|
2005
|
Tissu urbain
|
13.29
|
14.76
|
17.93
|
Zones industrielles
|
0.34
|
1.99
|
2.64
|
Végétation arborée
|
1.83
|
2.83
|
3.84
|
Végétation et cultures
|
77.99
|
73.28
|
39.55
|
Espaces nus
|
5.68
|
6.02
|
34.49
|
Eau
|
0.87
|
1.12
|
1.54
|
Tableau 4 : Evolution des classes d’occupation du sol en 1986, 1996 et 2005
43
Figure 5 a, b, c : Changements d’occupation du sol entre 1986 et 1996, 1996 et 2005, 1986 et 2005
44L’analyse de différences entre les trois images a permis de quantifier les changements de surface occupée par chaque classe et d’identifier trois classes dont les changements influencent fortement les transformations du paysage. Il s’agit du tissu urbain, des zones industrielles et commerciales et de la végétation arborée.
45Le tissu urbain (Figure 6) constitue une classe importante de la zone d’étude. Elle occupe environ 485 ha en 1986 (soit 13% de la surface totale de la zone d’étude) et passe à 538 ha (soit 15%) en 1996 pour atteindre 654 ha (soit 18%) en 2005. Cette croissance est valable pour l’ensemble des communes. Elle est plus forte entre 1996 et 2005. Il s’agit d’une augmentation de 116 ha pendant 9 ans (contre 54 ha entre 1986 et 1996), ce qui donne une moyenne de 13 ha par an. Les modifications les plus importantes ont eu lieu à Wolfisheim, Eckbolsheim et Lingolsheim.
46Les différences détectées pour le tissu urbain sont cohérentes avec le comportement des indices du paysage (Figure 6Tissu urbain), comme le montre l’augmentation progressive du nombre d’îlots urbains. En effet l’indice du nombre de composants croît entre 1996 et 2005. Ceci est associé logiquement à une diminution de la fragmentation paysagère (indice de forme du paysage normalisé), de la distance entre les îlots (distance euclidienne moyenne) et de la complexité du paysage (indice fractal). Les graphiques montrent clairement ces tendances : plus les distances entre les îlots sont réduites, plus l’espace occupé devient homogène et le paysage nettement moins complexe.
47Tous ces indices confirment un fort développement du tissu urbain, l’apparition de nouveaux îlots et en même temps qu’une consolidation du tissu urbain pour l’ensemble des communes dans la zone d’étude.
48
Figure 6 : Profil temporel des indices de paysage du tissu urbain
49La détection des changements de cette classe s’est avérée particulièrement difficile. Ceci est du à des problèmes rencontrés lors de la classification des images, surtout de l’image de 1996 où les espaces nus sont confondus avec des zones industrielles et commerciales. Dans l’analyse de cette classe, il est donc nécessaire de prendre en compte cette confusion, notamment avec le tissu urbain et les espaces nus. On constate globalement une augmentation de l’espace occupé par cette classe. Suivant les images, la surface occupée par les zones industrielles et commerciales a augmenté d'environ 12 ha en 1986, 73 ha en 1996 et 96 ha en 2005.
50Suite à l’analyse des indices de paysage des zones industrielles et commerciales, les changements suivants peuvent être analysés : une augmentation du nombre des zones suivant l’indice du nombre de composants, cette augmentation est plus forte entre 1986 et 1996 qu’entre 1996 et 2005 (Figure 7). Elle conduit à une diminution de la fragmentation (indice de forme du paysage normalisé) et de la distance entre les îlots (distance euclidienne moyenne) comme dans le cas des tissus urbains. Pourtant, cette croissance des surfaces industrielles et commerciales par rapport à toute la zone d’étude n’influence pas la complexité du paysage (indice fractal) du fait d’un effet de masse moindre. Ces indices confirment un développement des zones industrielles et commerciales et l’apparition de nouveaux îlots (surtout pour la période 1986-1996). Là encore les communes proches de Strasbourg sont les plus concernées notamment Wolfisheim et Eckbolsheim.
Figure 7 : Profil temporel des indices de paysage des zones industrielles et commerciales
51La végétation arborée est surtout présente le long de la rivière et du canal de la Bruche. Elle est également présente au sud et sud-ouest de Lingolsheim, entre Lingolsheim et Holtzheim et à l’ouest de Wolfisheim. Globalement une augmentation de surface occupée par la végétation arborée a été constatée. Cette classe qui occupait environ 67 ha en 1986, a augmenté d’environ 36 ha en 1996 pour atteindre 140 ha en 2005. Mais à cette évolution positive, il faut souligner des terrains sur lesquels cette classe a disparu surtout à la proximité du tissu urbain, mais aussi le long de la rivière et du canal. Cette situation n’est pas totalement liée à la disparition réelle des arbres. Les vérifications effectuées sur les photographies aériennes de 1986 ont permis de constater qu’il existe des endroits où la végétation arborée est confondue avec la végétation herbacée dans la classification. Il s’agit de terrains jouxtant le lit de la Bruche. La présence de mixels (pixels mixtes) (figure 8) de végétation arborée, herbacée et d’eau classée différemment pour les trois images explique ces confusions. Etant donnée la résolution spatiale moindre des images de 1986 et 1996 par rapport à celle de 2005, ces mixels sont attribués à la classe végétation arborée. Dans le cas de l’image de 2005, la possibilité de séparation de certains pixels est possible grâce à sa haute résolution de 10 m, ce qui a provoqué l’apparition de la classe de la végétation herbacée et cultures, là où précédemment les mixels étaient classés dans la végétation arborée.
Figure 8 : Profil temporel des indices de paysage de la végétation arborée
52La structure de la végétation arborée a fortement évolué pendant 20 ans d’étude. Les calculs des indices du paysage (Figure 8) pour cette classe ont permis d’établir l’augmentation du nombre des entités de cette classe (indice de nombre de composantes), surtout entre 1996 et 2005 et donc la diminution de la distance entre les composants (distance euclidienne moyenne). La diminution entre 1986 et 1996 et l’augmentation entre 1996 et 2005 de la fragmentation (indice de forme du paysage normalisé). Le changement de la direction de courbe s’explique par la différence de la qualité des images et donc par la finesse de la classification (§ paragraphe précédent). La forme allongée des entités a constitué un biais supplémentaire dans la classification. Ces inconvénients ont également influencé les calculs de l’indice fractal. L’analyse conjointe des quatre indices et des résultats statistiques a permis de confirmer un développement des zones couvertes par la végétation arborée mais ce développement ne correspond pas à une augmentation réelle dans le paysage mais plutôt à un artefact dû à l’image.
53Cette étude a pour objectif de détecter les changements du paysage dans la basse vallée de la Bruche pendant une vingtaine d’années en utilisant trois images satellites provenant de capteurs Spot de différentes générations. Les résultats de la classification des images Spot permettent d’analyser la structure du paysage à différentes dates. La qualité des résultats est fortement influencée par les caractéristiques des images originales. Il s’agit surtout de la résolution spatiale (20 m) et du nombre de bandes spectrales disponibles (deux bandes dans le visible et une bande infra-rouge). Ceci limite notamment la capacité d’extraction des classes de végétation (arborée, herbacée). De plus, certains objets n’ont pas pu être détectés, comme par exemple les constructions isolées ou la rivière elle-même lorsqu’elle est bordée d’arbres le long de son cours. L’utilisation de la bande panchromatique pourrait certainement améliorer la qualité de traitement.
54Malgré ces contraintes, les résultats obtenus dans cette étude mettent en évidence certaines tendances globales de changements du paysage. La croissance du bâti fait apparaître un fort développement urbain dans cette zone et particulièrement sur l’arc nord à proximité de Strasbourg. Le développement des zones d’activités et résidentielle illustre le besoin de zones industrielles et d’habitat à proximité de la ville, la pression foncière s’exerçant fortement selon un gradient centre-périphérie. Les axes de communication dans cette partie densément peuplée de l’agglomération facilitent cette extension du tissu urbain. Les indices paysagers permettent de mesurer la complexité de la structure urbaine et son évolution malgré les limites méthodologiques évoquées ci-dessus. Les indices ont été calculés pour toute la zone d’étude et ils permettent d’analyser les relations entre les différents éléments du paysage (ici les classes thématiques).
55Afin de mieux comprendre comment l’interaction entre les taches d’une même classe ou de plusieurs classes, ou encore à une autre échelle spatiale (paysage), il serait intéressant d’employer d’autres indices comme par exemple la connectivité ou la contagion sur trois échelles prédéfinies (patch-level, class-level, landscape-level).