Memoire Jofack

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 119

République de Côte d’Ivoire

Année Universitaire 2012-2013


Ministère de l’Enseignement Supérieur
et de la Recherche Scientifique

Université Félix HOUPHOUET BOIGNY UFR des Sciences de la Terre


D’Abidjan-Cocody et des Ressources Minières
N° d'ordre : ……………….
Centre Universitaire de Recherche et d’Application en Télédétection
École Doctorale Africaine de Télédétection

MÉMOIRE
Pour l’obtention du Diplôme de Master de Recherche
en Télédétection et Système d’Information Géographique

Spécialité : Sciences de la Terre


SUJET
CONTRIBUTION DES RÉSEAUX DE NEURONES À LA
CARTOGRAPHIE LITHO STRUCTURALE DU SOCLE
PRÉCAMBRIEN DE LA RÉGION DE BONDOUKOU (NORD EST DE
LA CÔTE D’IVOIRE)

Composition du jury
Présenté par : JOFACK SOKENG Valère - Carin
Prof. COULIBALY Yacouba Président
Date de Soutenace : 20 Décembre 2013
Prof. KOUAMÉ Koffi Fernand Examinateur
Directeur de mémoire : Pr. KOUAMÉ Koffi Fernand
Dr. YOUAN TA Marc Examinateur
Co-Directeur de mémoire: Dr. YOUAN TA Marc
Dr. KOUAMÉ Koffi Examinateur
DÉDICACE

Je dédie ce mémoire à mes parents.

- Aucune dédicace ne saurait exprimer l’amour, l’estime, le dévouement et le respect


que j’ai toujours eu pour vous.

- Rien au monde ne vaut les efforts fournis jours et nuits pour mon éducation et mon
bien être.

- Ce travail est le fruit des sacrifices que vous avez consentis pour mon éducation et ma
formation.

i
AVANT-PROPOS

Avant tout propos, nous voudrions rendre toute la gloire à DIEU Tout Puissant. Car
sans lui, ce travail n’aurait pas pu aboutir, voire même pas pu être entamé. Nous lui disons un
grand merci d’avoir veillé sur nous jusqu’à ce que ce mémoire arrive à sa fin.

Nous remercions Messieurs les membres du Jury d’avoir accepté d’examiner ce travail
et d’avoir bien voulu participer à la soutenance publique de ce document.

Merci au Professeur KOUAME Koffi Fernand, Directeur du CURAT et de l’École


Doctorale Africaine de Télédétection (EDAT) de l’UFR SRTM de l’Université Félix
HOUPHOUËT BOIGNY d’Abidjan. Merci pour toute l’assistance depuis le Cameroun. C’est
en partie grâce à vous que nous nous trouvons en Côte d’Ivoire en ce jour ; nous portons
toujours à cœur votre collaboration et votre assistance lors des formalités de visa. En plus,
vous avez bien voulu nous confier ce travail riche d’intérêt et nous guider à chaque étape de
sa réalisation. Vous nous avez toujours réservé le meilleur accueil. Vos encouragements et
conseils inlassables, votre amabilité, votre gentillesse et rigueur scientifique méritent toute
admiration. Nous saisissons cette occasion pour vous exprimer notre profonde gratitude tout
en vous témoignant notre respect.

Nous voulons exprimer aussi notre reconnaissance au Docteur YOUAN TA Marc,


Enseignant –chercheur à l’UFR SRTM de l’Université Félix HOUPHOUËT BOIGNY
d’Abidjan et Co-Directeur de ce mémoire. Merci pour avoir dirigé ce travail d’une main de
maître, nous laissant une grande liberté tout en nous secourant chaque fois que cela s’est avéré
nécessaire. Merci pour la qualité de vos corrections, vos conseils et votre souci permanent de
réaliser un travail bien fait.

Merci au Docteur KOUAME Koffi pour avoir instruit ce document. Vos remarques
pertinentes ont encore permis de l’améliorer.

Aux Docteurs KOUAME Adonis, SALEY Mahaman Bachir, OUATTARA Adama,


DIBI Hyppolithe, FOTSING Janvier et MOBIO Brice, nous vous remercions pour tous vos
conseils et encouragements.

À nos frères JOF Aymard, JOFACK Davy, JOF Dorian et JOFACK Daryl, et sœur
JOF Charlène. En reconnaissance de tous les sacrifices consentis pour nous permettre

ii
d’atteindre cette étape de notre vie, avec toute notre tendresse, merci encore. Aux autres
membres de notre famille, un grand merci pour vos prières.

Nous ne pouvons-nous permettre d’oublier nos amis avec qui nous avons passé de
merveilleux moments et qui ont fortement contribué à la réalisation de ce travail. Merci à
SORO Hyacinthe, HASSAN Djibril, YAO Simon Dedjo, RIRABE Dieudonné et aussi à tous
nos camarades de promotion. Merci aussi à, KAILLO Gide, DAKEYO Alix, TCHEUMADJI
Lionel, TCHOUAKAM Tatiana, TCHAPTCHET William, TCHUEMBOU Schella,
MOUASSOM Claudie, FOKO Katy, ATON Achille et TOUKAM Liliane et bien d’autres
que nous n’avons cité pour l’amour, l’assistance et leurs soutiens moraux.

Toutes nos excuses à tous ceux qui ont été oubliés.

Que Dieu bénisse abondamment tous ceux qui de près ou de loin ont contribué à la
réalisation de ce travail.

iii
TABLE DES MATIÈRES

DÉDICACE ................................................................................................................................. i

AVANT-PROPOS ..................................................................................................................... ii

TABLE DES MATIÈRES ........................................................................................................ iv

LISTES DES ABRÉVIATIONS ............................................................................................. viii

LISTE DES FIGURES .............................................................................................................. ix

LISTE DES TABLEAUX ........................................................................................................ xii

LISTE DES ANNEXES .......................................................................................................... xiii

RÉSUME ................................................................................................................................. xiv

ABSTRACT ............................................................................................................................. xv

INTRODUCTION GÉNÉRALE ................................................................................................ 1

PREMIÈRE PARTIE: GÉNÉRALITÉS………................................................................... 5

CHAPITRE I : PRÉSENTATION DE LA ZONE D’ÉTUDE................................................... 5

1.1. Cadre géographique de la zone d’étude ....................................................................... 5

1.1.1. Localisation .......................................................................................................... 5

1.1.2. Population et activités économiques .................................................................... 5

1.1.3. Relief et végétation ............................................................................................... 6

1.1.4. Hydrographie ........................................................................................................ 7

1.1.5. Climat ................................................................................................................... 8

1.2. Cadre géologique ......................................................................................................... 9

1.2.1. Aspect lithologique .............................................................................................. 9

1.2.2. Caractéristiques structurales ............................................................................... 10

1.2.3. Potentiel minier .................................................................................................. 13

Conclusion partielle.................................................................................................................. 13

CHAPITRE 2 : ÉTAT DE L’ART SUR LA CARTOGRAPHIE LITHO STRUCTURALE ET


LES RÉSEAUX DE NEURONES ........................................................................................... 14

2.1. État des connaissances sur la cartographie litho-structurale ..................................... 14

iv
2.1.1. Cartographie structurale ..................................................................................... 14

2.1.2. Cartographie lithologique à partir des images satellitaires ................................ 16

2.2. État des connaissances sur les réseaux de neurones .................................................. 18

2.2.1. Définition du neurone......................................................................................... 18

2.2.2. Définition des réseaux de neurones et typologie ................................................ 20

2.2.3. Historique sur les réseaux de neurones et applications ...................................... 20

2.2.4. Application des réseaux de neurones en traitements d’images satellitaires ....... 21

2.2.5. Réseaux de neurones cellulaires ......................................................................... 22

Conclusion Partielle ................................................................................................................. 25

DEUXIÈME PARTIE: MATÉRIEL ET MÉTHODES………………………………… 28

CHAPITRE 3 : MATÉRIEL .................................................................................................... 28

3.1. Données ..................................................................................................................... 28

3.2. Logiciels : .................................................................................................................. 29

Conclusion partielle.................................................................................................................. 30

CHAPITRE 4 : MÉTHODES .................................................................................................. 31

4.1. Traitements préliminaires .......................................................................................... 31

4.1.1. Réduction du chatoiement .................................................................................. 32

4.1.2. Correction géométrique et rééchantillonnage de l’image .................................. 32

4.1.2.1. Correction géométrique de l’image Landsat ............................................... 32

4.1.2.2. Correction de l’image RADARSAT ........................................................... 32

4.1.3. Analyse en Composante Principale (ACP) ........................................................ 32

4.2. Fusion d’image optique et radar ................................................................................ 33

4.2.1. Amélioration de la résolution spatiale de l’image RADARSAT ....................... 34

4.2.2. Fusion des bandes multi spectrales ETM + et de l’image RADARSAT de haute
résolution simulée ............................................................................................................. 35

4.3. Cartographie structurale par réseaux de neurones cellulaire (RNC) ......................... 35

4.3.1. Calcul du gradient .............................................................................................. 36

v
4.3.2. Réseaux de neurones cellulaires pour l’amélioration du gradient de l’image .... 37

4.3.2.1. Principe du modèle à grand voisinage circulaire et directionnel ................ 37

4.3.2.2. Programmation et application du réseau de neurone cellulaire pour la


détection de linéaments ................................................................................................. 42

4.3.3. Seuillage par hystérésis ...................................................................................... 43

4.3.4. Application des réseaux de neurones cellulaires ................................................ 44

4.3.5. Contrôle des linéaments détectés ....................................................................... 46

4.4. Cartographie lithologique .......................................................................................... 46

4.4.1. Compositions colorées ....................................................................................... 47

4.4.2. ACP sélective ..................................................................................................... 48

4.4.3. Ratios de bandes ................................................................................................. 48

4.5. Validation .................................................................................................................. 49

4.5.1. Validation de la carte lithologique ..................................................................... 49

4.5.2. Contrôle et validation des linéaments ................................................................ 49

4.6. Esquisse litho-structurale ........................................................................................... 50

Conclusion partielle.................................................................................................................. 50

TROISIÈME PARTIE: RÉSULTATS, INTERPRÉTATIONS ET DISCUSSIONS… 52

CHAPITRE 5 : RÉSULTATS.................................................................................................. 52

5.1. Prétraitements ............................................................................................................ 52

5.1.1. Réduction du chatoiement .................................................................................. 52

5.1.2. Corrections géométriques ................................................................................... 53

5.1.3. ACP et fusion d’image optique et Radar ............................................................ 54

5.2. Cartographie structurale ............................................................................................ 56

5.2.1. Calcul du gradient .............................................................................................. 56

5.2.2. Application des RNC à la détection des linéaments sur les images satellitaires 57

5.2.3. Carte linéamentaire détaillée .............................................................................. 64

5.2.4. Contrôle et validation des linéaments ................................................................ 66

vi
5.3. Cartographie lithologique .......................................................................................... 70

5.3.1. Identification des grandes unités lithologiques .................................................. 70

5.3.2. Cartographie des sous-ensembles géologiques .................................................. 75

5.3.2.1. Cartographie des formations intrusives ...................................................... 75

5.3.2.2. Formations volcano-sédimentaires ............................................................. 78

5.3.3. Contrôle et validation ......................................................................................... 78

5.4. Esquisse litho-structurale de la région de Bondoukou .............................................. 80

Conclusion partielle.................................................................................................................. 81

CHAPITRE 6 : DISCUSSIONS .............................................................................................. 83

6.1. Cartographie structurale ............................................................................................ 83

6.1.1. Application des réseaux de neurones ................................................................. 83

6.1.2. Carte de fracturation obtenue ............................................................................. 84

6.2. Cartographie lithologique .......................................................................................... 85

CONCLUSION GÉNÉRALE ET PERSPECTIVES ............................................................... 87

RÉFÉRENCES BIBLIOGRAPHIQUES ................................................................................. 89

ANNEXES ............................................................................................................................... 95

vii
LISTES DES ABRÉVIATIONS

OIF : Optimum Index Factor

RNA : Réseaux de Neurones Artificiels

RNR : Réseaux de Neurones à Rétro propagation d’erreurs

RNC : Réseaux de Neurones Cellulaires

MNT: Modèle Numérique de Terrain

SIG : Système d’Informations Géographiques

ACP : Analyse en Composantes Principales

OR : Optique – Radar

TO : Transformée en Ondelette

ETM+ : Enhanced Thematic Mapper plus

LANDSAT: Land satellite

RADARSAT 1: RAdio Detection And Ranging SATellite One

RSO : Radar à Synthèse d’Ouverture

viii
LISTE DES FIGURES

Figure 1: Présentation de la zone d'étude ................................................................................... 5


Figure 2: Carte des altitudes de la région d’étude ...................................................................... 6
Figure 3: Carte du réseau hydrographique de la zone d'étude.................................................... 7
Figure 4: Digramme ombro-thermique de la région de Bondoukou de 1970 à 2007. ............... 8
Figure 5: Carte géologique établie par Zéade et al., 1995. ........................................................ 9
Figure 6: Cuirasse latéritique à l’entrée Sud de Bondoukou. ................................................... 10
Figure 7: un couloir cisaillant dextre N60 dans les granites de Laoudi ................................... 11
Figure 8: Fracture cisaillante dextre de direction N100 dans les granites................................ 11
Figure 9: Schéma d'un neurone humain ................................................................................... 18
Figure 10: Schéma simplifié d'un neurone artificiel ............................................................... 19
Figure 11: Exemple d'occlusion perturbant la continuité des linéaments. Entre ces occlusion,
des fragments d'un même linéament. ....................................................................................... 23
Figure 12: Réseaux de neurone cellulaire à M=4 et N=4 avec voisinage de 8 ....................... 24
Figure 13: Définition du rayon de voisinage et du poids de connexion .................................. 24
Figure 14: Diagramme de traitement d'une cellule C (i, j). ...................................................... 25
Figure 15: Diagramme résumant les traitements préliminaires des images ............................. 31
Figure 16: Diagramme montrant les traitements spécifiques appliqués dans ce projet ........... 33
Figure 17: Procédé de fusion des images par transformée en ondelettes pour l’amélioration de
la résolution spatiale de l’image RADARSAT . ...................................................................... 34
Figure 18: Organigramme d'application des RNC sur une image ............................................ 36
Figure 19 : Champ du gradient circulaire induit ...................................................................... 38
Figure 20: Poids de connexions entre deux cellules ................................................................ 40
Figure 21: Interface de l’application des RNC (« Cellular Neural Network-Simulator »)
développée sur MatLab. ........................................................................................................... 44
Figure 22: Amélioration du gradient par RNC. Les différents paramètres ont été définis et les
poids de connexions ont été calculés. ....................................................................................... 45
Figure 23: Sélection des linéaments avec la méthode de Canny. ............................................. 46
Figure 24: Application des filtres de Lee sur l'image RADARSAT . ...................................... 52
Figure 25: Images Landsat corrigées de la zone d’étude. ........................................................ 53
Figure 26: Images Landsat corrigées de la zone d’étude: . ...................................................... 54
Figure 27: Néo canaux issus des traitements ........................................................................... 55

ix
Figure 28: Résultats du calcul de gradient avec différents filtres : filtre de Sobel EW
rehaussant les linéaments NS. .................................................................................................. 56
Figure 29: Linéaments détectés automatiquement par la méthode de RNC ............................ 57
Figure 30: Comparaison des linéaments obtenus par réseaux de neurones avec ceux obtenus
par extraction manuels et par seuillage. ................................................................................... 59
Figure 31: Image issue d'un filtre Sobel EW utilisée pour évaluer l'influence des paramètres
du réseau sur la détection des linéaments ................................................................................. 60
Figure 32: Influence de la variation du rayon de voisinage sur la détection automatique des
linéaments................................................................................................................................. 61
Figure 33: Influence des constantes de seuils sur la détection automatique des linéaments.. . 62
Figure 34: Influence de la vitesse de décroissance du rayon de voisinage sur la détection
automatique des linéaments par RNC . .................................................................................... 63
Figure 35: Carte de linéaments de la région de Bondoukou .................................................... 65
Figure 36: Carte de fracturation majeure de la région de Bondoukou ..................................... 66
Figure 37: Superposition des linéaments avec le réseau hydrographique et les failles
répertoriés sur la carte géologique de Zéade et al., 1995. ........................................................ 67
Figure 38: Rosace directionnelles obtenues par réseaux de neurones...................................... 68
Figure 39: Comparaison des linéaments tracés avec les travaux antérieurs. ........................... 69
Figure 40: Comparaison des rosaces directionnelles obtenues par réseaux de neurones avec
celles obtenues à partir des travaux antérieurs. ........................................................................ 70
Figure 41: Composition colorée 451 rehaussant les grands ensembles géologique de la zone
d'étude....................................................................................................................................... 71
Figure 42: Composition colorée CP1123 - CP148 – CP1567 ....................................................... 72
Figure 43: Zoom sur les formations du Sud-Ouest mise en évidence par l'ACP sélective ...... 73
Figure 44: Composition colorée OR 457 identifiant des formations de métagranite à biotite à
l'Est de la zone d'étude ............................................................................................................. 74
Figure 45: Composition colorée CP1123 – OR4 – CP1567 rehaussant le granodiorite de
Bondoukou et les cuirasses latéritiques. ................................................................................... 75
Figure 46: Composition colorée OR 457 rehaussant le métagranite à biotite .......................... 76
Figure 47: Composition colorée CP1123 – OR4 – CP1567 montrant les limites du métagranite à
biotite de Sokola au sein des métatrondjémites. ...................................................................... 77
Figure 48: Composition colorée 451 différenciant les granites à biotite et muscovite des
granites monzonitiques à biotite et amphibole ......................................................................... 77

x
Figure 49: Composition colorée 451 permettant d'identifier les schistes à dominante pélitique
et une lentille d'amphibolite ..................................................................................................... 78
Figure 50: Validation des contours identifiés par superposition avec la carte géologique
existante .................................................................................................................................... 79
Figure 51: Carte lithostructurale téléanalytique de la région de Bondoukou ........................... 81
Figure 52: Réseau multicouche ................................................................................................ 96
Figure 53: Réseau Récurrent .................................................................................................... 96
Figure 54: Réseaux de Neurones Cellulaires ........................................................................... 97
Figure 55: Calcul de l'OIF avec les images Landsat ETM+ .................................................. 102

xi
LISTE DES TABLEAUX

Tableau i: Filtres de Sobel. (a)Filtre de Sobel N-S; (b) Filtre de Sobel E-W ; (c) : Filtre de
Sobel NW-SE ; (d) : Filtre de Sobel NE-SW ........................................................................... 36
Tableau ii: (a) Filtre de Yesou et al., (1993) ; (b) Filtre de Prewitt. ........................................ 37
Tableau iii: Matrice de corrélation des bandes de l'image Landsat ETM+ .............................. 47
Tableau iv: Matrice de corrélation des bandes de l'image Hybride Optique - Radar (OR) ..... 47

xii
LISTE DES ANNEXES

Annexe 1 : Fonction de transfert a=f(n).

Annexe 2 : Typologie de réseaux de neurones.

Annexe 3 : Implantation du projet dans l’environnement MatLab.


Annexe 4 : Calcul de l’OIF (« Optimum Index Factor ») pour le choix des meilleures
compositions colorées.

xiii
RÉSUME

Cette étude a pour objectif de montrer la contribution des réseaux de neurones à la


cartographie litho-structurale du socle précambrien de la région de Bondoukou (Nord-Est de
la Côte d’Ivoire). Deux grands axes ont été de ce fait étayés : d’une part, une méthodologie de
réseaux de neurones cellulaires a été développée dans le but de détecter de façon automatique
tous les linéaments sur les images satellitaires et de dresser une carte de fracturation de la
région. D’autre part, des techniques de fusions d’images (optique et radar), de compositions
colorées et de combinaisons d’images ont permis de rehausser les principales formations
géologiques et d’établir une esquisse lithologique de la zone d’étude. La combinaison de la
carte de fracturation et de l’esquisse lithologique dans un SIG a abouti à une carte litho-
structurale ; ce qui a servi à mettre à jour la carte géologique existante. L’apport des réseaux
de neurones a été mis en évidence surtout au niveau de la précision des résultats et la
réduction du temps des experts géologues à la réalisation de la carte structurale. La
comparaison du résultat de cette technique à celui obtenu par les travaux antérieurs montre la
capacité des RNC à interpréter les fins détails de l’image, et à détecter un nombre élevé des
linéaments et ceci, avec une longueur cumulée élevée. L’analyse de la carte de fracturation
établie met en évidence deux grandes directions majeures : NE-SO et NO-SE. Sur le plan
lithologique, les différences trouvées par superposition dans un SIG, des contours obtenus par
télédétection, et ceux définis dans les travaux antérieurs, a permis de mettre à jour la carte
géologique existante et de déduire l’esquisse litho-structurale téléanalytique de la région de
Bondoukou.

Mots clés : réseaux de neurones, télédétection, SIG, carte litho-structurale, Bondoukou, Côte
d’Ivoire.

xiv
ABSTRACT

Topic: CONTRIBUTION OF NEURAL NETWORKS TO THE LITHO-STRUCTURAL


MAPPING OF PRECAMBRIAN BASEMENT OF BONDOUKOU (EASTERN NORTH OF
COTE D’IVOIRE)

This study aims to show the contribution of neural networks to litho-structural


mapping of Precambrian basement of Bondoukou (eastern-north of Côte d'Ivoire). Two major
axes were thus developed: first, a methodology for cellular neural networks was developed in
other to detect automatically lineaments on satellite images and to map the resulting fractures.
On the other hand, fusion and combination of images techniques allowed to raise the main
geological formations and to establish a lithological sketch of the study area. The combination
of fracture map and lithological sketch in a GIS has resulted in a litho structural map which
has been used to update the existing geological map. The contribution of neural networks was
highlighted especially in the accuracy of the results and in reducing the of time geologists to
achieve the structural map. Comparing the result of this technique with that obtained by
previous works, shows the ability of RNC to interpret the fine details of images, and detect a
high number of lineaments and this, with a high combined length. Analysis of the established
fracture-map highlights two major directions: NE-SW and NW-SE. For the lithological map,
differences found in a GIS by superposition of the contours obtained by remote sensing, and
those defined in the previous work enabled to update the existing geological map and to draw
up the teleanalytic litho-structural map of Bondoukou.

Keywords: neural networks, remote sensing, GIS, map litho-structural, Bondoukou, Cote
d'Ivoire.

xv
INTRODUCTION GÉNÉRALE

Les ressources exploitables du sous-sol se sont concentrées grâce à des conditions


paléogéographiques et tectoniques spécifiques. La réalisation de la carte qui permet de les
découvrir, est la base des prospections minières, pétrolières et des ressources en eau
souterraine. Elle permet de passer de la recherche liée au hasard, dont on a vite atteint les
limites, à une exploration beaucoup plus intelligente (Scanvic, 2000). Toutefois, la majorité
des ressources à découvrir est cachée dans le sous-sol et la seule observation de surface ne
suffit pas. Pour interpréter ce qui se passe en profondeur, les géologues ont mis au point des
techniques d’auscultation ou d’observation qui précèdent les sondages d’exploration. Ces
dernières sont des entreprises complexes, mettant en jeu des moyens et investissements
importants. C’est la raison pour laquelle, dès la phase préparatoire de leur mission, les
géologues élaborent une stratégie de levers et utilisent les moyens de faciliter leur
cartographie future surtout dans des régions difficiles (déserts, forêts équatoriales, régions
montagneuses etc.).

Pour les aider dans cette analyse préalable, la télédétection a des atouts intéressants :
c’est un ensemble de techniques, se différenciant les unes des autres par le type de vecteur
(avions, satellite ou navette spatiale), le mode d’acquisition (analogique ou numérique, passif
ou actif), la résolution spatiale, la résolution temporelle, la gamme spectrale utilisée et la
surface observée. Traditionnellement, on se réfère à ce caractère numérique et multi bande des
données, et à l’importance de la surface observée. On peut acquérir par télédétection, un état
de paysage, de son évolution, de ses variations induites par les phénomènes géologiques et
surtout une vision synoptique irremplaçable de l’écosystème terrestre qui associe dans une
réponse complexe, végétation, sols et leurs contenus en eau, roches et altérites.

Ce travail s’inscrit dans le cadre de l’applicabilité des techniques de télédétection à la


cartographie géologique. Le principe d’utilisation de la télédétection en exploration
géologique est principalement fondé sur l’analyse du paysage, permettant ainsi de discriminer
les objets géologiques (contours géologiques) et de mettre en évidence certaines singularités
(fractures, minéraux, végétation, eau etc.). À cet effet, différents travaux (Biémi, 1992 ;
Savané, 1997 ; Kouamé, 1999 ; Wade et al. 2001 ; Saley 2003, Jourda, 2005 ; Youan Ta,
2008, Zeineladeina et al. 2008, Rawashdeh et al. 2010, Ghulam et al. 2010, Kouamé et al.,
2013) ont déjà été réalisés dans différentes zones d’étude et sur la base des images de
différents capteurs (Landsat, Spot, RADARSAT 1, ASTER). L’essentiel de l’analyse se

1
résume à l’application des méthodes de télédétection pour la cartographie lithologique et
structurale à savoir : les filtrages spatiaux (filtres directionnels et gradients), les fusions
d’images (ACP, transformée en ondelette, intensité-teinte-saturation et composition colorées),
les combinaisons d’images (ratios de bandes, calcul d’indices normalisés) et les méthodes
d’interprétation multicritère. Tous les résultats jusqu’ici obtenus ont bien montré la
contribution de la télédétection à la cartographie géologique. L’utilisation des techniques de
filtrages leur a permis de détecter de façon manuelle (Kouamé, 1999, Saley, 2003, Jourda,
2005, Youan Ta, 2008, Kouamé et al., 2013) et automatique par morphologie mathématique
(Kouamé et al., 2009), les linéaments sur les images satellitaires. D’autre part, les techniques
de fusion d’image, de combinaison d’image ont permis de cartographier les grandes
formations géologiques.

Cependant, sur les images utilisées pour la réalisation manuelle de la carte structurale
(fracturation) les linéaments ne sont pas évidents à tracer d’une part. Ce qui rend cette
technique très lente et laborieuse en plus d’être subjective comme le mentionne Moore
(1986). Ce qui fait que l’analyse est la plupart de temps locale et la vision synoptique est aussi
souvent perdue. D’autre part, la continuité réelle des linéaments lors de l’extraction
automatique est perturbée par des occlusions importantes souvent dues soit au relief, soit au
bruit dans les images (Lepage et al., 2000). Kouamé et al. (2009) ont montré que la détection
automatique par morphologie mathématique entraine l’apparition des linéaments sous forme
de petits brins. Ces limites suscitent ainsi les préoccupations suivantes : comment réduire le
temps des experts géologues à la réalisation de la carte de fracturation en utilisant les images
satellitaires ? Comment extraire de façon automatique les linéaments sur les images
satellitaires tout en respectant leur continuité spatiale sur une direction donnée ? Comment
réaliser une carte géologique en utilisant les images satellitaires ?

Les réseaux de neurones permettront de minimiser encore plus l’intervention humaine


en faisant aussi exécuter une partie de cette interprétation par l’ordinateur (Dubois, 1999).
Couplés aux méthodes de télédétection pour l’identification des contours géologiques, ils
permettront de réaliser une esquisse litho-structurale, document de base aux travaux de terrain
lors des explorations. Cette étude répondra donc à deux aspirations majeures. L’une
socioéconomiques et l’autre scientifique. Sur le plan socioéconomique, la carte litho
structurale ainsi réalisée constituera un document important dans la phase préliminaire de
recherche des ressources d’eaux souterraines et minières de la région. Et sur le plan
scientifique, connaitre l’apport des réseaux de neurones à la cartographie litho-structurale,

2
serait innovateur et ainsi un complément dans un environnement où diverses techniques
avaient déjà été utilisées car grâce à cette technique, le temps mis par les experts géologues
lors de l’extraction des linéaments se trouvera réduit.

L’objectif général de cette étude, est de montrer la contribution des réseaux de


neurones à la cartographie litho-structurale de la région de Bondoukou (NE de la Côte
d’Ivoire).

De façon spécifique, il s’agit de :

- développer une méthode basée sur les réseaux de neurones pour la détection des
linéaments sur les images satellitaires ;

- identifier les contours géologiques sur des images satellitaires, de les comparer
avec ceux identifiés sur le terrain afin de montrer l’apport de la télédétection ;

- élaborer une esquisse litho-structurale de la région de Bondoukou afin de mettre à


jour les cartes existantes.

Trois hypothèses sont de ce fait posées au préalable : les réseaux de neurones facilitent
la détection automatique des linéaments dans les images satellitaires en liant les éléments de
contours ayant des orientations similaires pour donner de longues lignes. En plus, la
télédétection, avec la vision synoptique qu’elle procure, contribue à améliorer la cartographie
géologique existante. Une comparaison avec les résultats déjà obtenus montre l’efficacité de
ces techniques à la cartographie structurale d’une part, et lithologique d’autre part. Le
couplage de la carte structurale obtenue à partir des réseaux de neurones avec l’esquisse
géologique obtenue par télédétection, permet de déduire l’esquisse litho-structurale de la
région de Bondoukou.

Pour mener à bien les objectifs fixés, cette étude se fera en trois parties :
premièrement, les généralités sur la cartographie litho-structurale par télédétection, sur les
réseaux de neurones et sur la zone d’étude sont expliquées. Deuxièmement, le matériel et les
méthodologies utilisés pour réaliser l’esquisse litho-structurale de la région de Bondoukou
sont décrits et la troisième partie se consacre à l’analyse et l’interprétation des résultats
suivies de la discussion. Enfin, ce mémoire se termine par une conclusion générale qui fait la
synthèse des principaux résultats suivie des perspectives et des références bibliographiques.

3
PREMIÈRE PARTIE :
GÉNÉRALITÉS

CHAPITRE I : PRÉSENTATION DE LA ZONE D’ÉTUDE

CHAPITRE II : ÉTAT DES CONNAISSANCES SUR LA CARTOGRAPHIE


LITHO-STRUCTURALE ET LES RÉSEAUX DE NEURONES

4
PREMIÈRE PARTIE : GÉNÉRALITÉS

CHAPITRE I : PRÉSENTATION DE LA ZONE D’ÉTUDE

1.1.Cadre géographique de la zone d’étude

1.1.1. Localisation

Le Degré Carré de Bondoukou (figure 1) constitue la zone d’étude. C’est aussi la


frontière avec le Ghana. Elle couvre 4500 km2 environ. Elle se trouve à l’Est du méridien 3°
de longitude Ouest et entre les parallèles 8° et 9° de latitude Nord. Administrativement, elle
est située au Nord-Est de la Côte d’Ivoire et couvre en partie les Départements de Bondoukou
et de Bouna.

Figure 1: Présentation de la zone d'étude

1.1.2. Population et activités économiques

La population est principalement autochtone (Abron, Lobis et Koulango) et allochtone


(artisans ghanéens et cultivateurs Baoulés et Burkinabés ainsi que des commerçants
mauritaniens). La densité de la population varie de 0 à 25 habitants/km2 (Youan Ta, 2008).

5
L’agriculture et l’élevage sont les principales activités économiques. L’agriculture
diffère suivant que l’on se trouve en forêt (cultures d’anacardes, ignames, tarot, etc.) ou en
savane (culture de l’anacardier, haricot et arachide). L’élevage est essentiellement composé de
bovins, ovins, caprins et porcins.

1.1.3. Relief et végétation

Le Modèle Numérique de Terrain (figure 2) montre que le relief de la zone est


constitué au Nord des reliefs de Kineta qui culminent à 421m. Au Centre, une pénéplaine
latéritique montre des inselbergs isolés atteignant 420m de haut. Plus à l’Est, à la frontière
avec le Ghana, l’altitude moyenne est de 280 m. Au Sud, un relief montagneux est constitué
par un essaim de petits sommets, et culminant à 560 m pour le mont Zanzan et 700 m pour le
mont Koun.

Figure 2: Carte des altitudes de la région d’étude

6
Trois types de végétation dominent le secteur d’étude: la savane boisée à arborée au
Nord-Est, la forêt dense du Nord-Ouest au Centre-Est, et la savane avec plages de forêts
défrichées et plages de forêts humides dans le tiers Sud.

1.1.4. Hydrographie

Les principales rivières (Bineda, Guimebé) drainant la zone d’étude sont toutes
tributaires de la Volta Noire (figure 3). Le réseau hydrographique comprend également au
Sud-Ouest, les affluents gauches du fleuve Comoé.

Figure 3: Carte du réseau hydrographique de la zone d'étude

7
Le réseau hydrographique à texture grossière constituée par les affluents de la Volta, a
une configuration dendritique et coule généralement suivant la direction NE. D’après Youan
Ta (2008), la très faible pente naturelle des cours d’eau, comprise entre 0,1 et 0,3 %, a facilité
l’infiltration des eaux de pluie et ainsi engendré cette texture (grossière) alors que les méga
fractures d’origine tectonique leur auraient imposé la direction NE-SO. Au niveau des
affluents de la Comoé, le Tamra et le Boya épousent une direction N-S.

1.1.5. Climat

Les données hydro climatiques utilisées proviennent de la station de Bondoukou et


s’étendent sur les périodes de 1970 à 2007. Elles ont ainsi servi à construire le diagramme
ombro- thermique suivant (figure 4):

Figure 4: Digramme ombro-thermique de la région de Bondoukou de 1970 à 2007.

L’analyse de ce diagramme met en relief quatre saisons dans la région: une grande
saison sèche allant de novembre à mars, une grande saison de pluie allant d’avril à juin, une
petite saison sèche allant de juillet à aout, et une petite saison de pluie allant de septembre à
octobre avec un taux de pluviométrie maximal en septembre. Les températures minimales
sont enregistrées en août (petite saison sèche) et les maximales en mars (grande saison sèche).
Il faut aussi noter que pendant les saisons de pluies, les valeurs enregistrées de température
sont supérieures à la température minimale enregistrée pendant la petite saison sèche.

8
1.2.Cadre géologique

1.2.1. Aspect lithologique

La zone d’étude est recouverte par plusieurs formations géologiques (figure 5).

Figure 5: Carte géologique établie par Zéade et al., 1995.

Situées dans le domaine paléoprotérozoïque, ces formations géologiques ont été


structurées lors de l’orogenèse éburnéenne. On distingue 2 grands domaines (Zeade et al.,
1995) : le domaine du Rhyacien inférieur à moyen (2300 à 2150 Ma) et le domaine de
l’Holocène.

9
- les formations de l’Holocène sont des sédiments fluviatiles (vases et sables) associés
aux cuirasses latéritiques (figure 6) qui se sont individualisées sur les séries du
Rhyacien inférieur (Zeade et al., 1995) ;

Figure 6: Cuirasse latéritique à l’entrée Sud de Sorobango (Youan Ta, 2008).

- quant aux formations du Rhyacien inférieur à moyen (2300 à 2150 Ma), plus
dominantes, ce sont des roches volcano-sédimentaires et intrusives ;

 les roches volcano-sédimentaires comportent les schistes (qui sont les plus
prédominantes à savoir les schistes volcano-sédimentaires, les schistes à pélites et
les schistes quartzeuses et à amphibole chlorite) et les conglomérats. Ceux-ci sont
associés à des roches telles que les dolérites, les métagabbros, métabasaltes et
métarhyolites ;

 les roches intrusives regroupent les granites (métagranites à biotite, granites à


biotites et muscovite, à biotite et hornblende verte et les granites monzonitiques),
les métatrondjémites, les granodiorites de Bondoukou, les syénites et les
monzonites, etc.

1.2.2. Caractéristiques structurales

Sur le plan structural, deux principales phases de déformations ont affectées


l’ensemble des formations de la zone d’étude (Zeade et al., 1995) :

10
- les déformations par aplatissement (foliations en aplatissement ou légèrement
cisaillantes montrant des mouvements normaux à décrochants) ;

- les déformations par cisaillement (planche 1) englobant : l’allongement minéral, les


étirements minéraux, les fractures et les plis.

Figure 7: un couloir cisaillant dextre N60 dans les granites de Laoudi Bâ (Youan Ta, 2008).

Figure 8: Fracture cisaillante dextre de direction N80 dans les granites de Dagboloyo (Youan
Ta, 2008)

11
La déformation par aplatissement est marquée par la genèse d’une foliation sans
figures de déformation rotationnelle telles que les structures sigmoïdes et par des plis
semblables ou isoclinaux à axes subverticaux ou subhorizontaux (Djro 1998 cité par Youan
Ta, 2008). Différents types de foliations existent dans la zone d’étude :

- une foliation F1 pénétrative à fort pendage au niveau des formations intrusives et


précisément sur le massif de Bondoukou. Sa direction moyenne est N80°. L’étude structurale
de ces bandes claires et sombres montre une absence totale de figures rotationnelles du point
de vue de leur constitution ; ce qui témoigne donc d’une déformation par aplatissement ;

- une deuxième foliation F2 est définie au niveau des plutons présents au sein des
formations volcano-sédimentaires. En se rapprochant de la bordure de ces plutons, F2 est
transposée progressivement le long d’une foliation F3 qui est régionale et à fort
prolongement. Celle-ci initialement en aplatissement, devient rotationnelle à la périphérie
immédiate du massif de Bondoukou et les plutons septentrionaux et s’accorde
progressivement avec leur foliation interne.

Ce contrôle géométrique des plutons sur les trajectoires F2/F3 dans les formations
volcano-sédimentaires, induit un point triple de foliation au Nord du massif de Bondoukou
(Zéade et al. 1995).

Quant à la déformation cisaillante, elle est la plus exprimée et la plus complexe de la


zone d’étude. Elle se manifeste par des cisaillements cassants et/ou ductiles. Elle est
caractérisée par des fractures provoquant un déplacement des compartiments et sans
courbures brusques des couches en présence. Parfois ces fractures ayant jouées en
compression ou en distension (cas des failles), provoquent la formation de linéations
d’étirement (stries de plan de faille) permettant de déterminer la direction du mouvement de
ces failles. C’est le cas de la faille inverse indiquant le mouvement ascendant entre le massif
de Bondoukou, et celui qui le jouxte au Nord. A l’approche des plutons au sein des formations
volcano-sédimentaires, la foliation F3 porte une linéation minérale et d’étirement avec un fort
prolongement (50-70°) (Zéade et al., 1995). Le long de cette linéation, on note un mouvement
normal des séries volcano-sédimentaires par rapport aux plutons identifiés au Nord-Ouest de
la carte géologique de la figure 8 ci-dessus.

Plusieurs autres fractures ont été identifiées dans la zone d’étude. Les travaux de
Youan Ta (2008) dans la région sur la base des images satellites, mettent en évidence deux

12
directions majeures de la fracturation : les directions NE-SO (N30-60) et les directions NO-
SE (N120-160). D’après cet auteur, la première représente la direction birimienne en
référence à la déformation tectono-métamorphique majeure (orogénèse éburnéenne) qui a le
plus marqué la zone d’étude, et notamment le domaine Baoulé-Mossi de la Côte d’Ivoire. La
seconde s’apparente à la direction libérienne bien que la région n’est pas été affectée par
l’orogénèse libérienne.

1.2.3. Potentiel minier

La majorité des indices connus est localisée dans les complexes volcano-
sédimentaires. L’or et le manganèse sont les indices les plus dominants. Les réserves de
manganèse envoisinent 95000 tonnes à 20-35% de Mn pour les gisements de Naniango et de
Koissi Ndawa (Zeade et al., 1995). Quant à l’or, ce sont des trains d’indices alluvionnaires ou
en roches dans les ceintures volcaniques de la région de Kineta et de la granodiorite de
Bondoukou. On note aussi d’autres minerais de cuivre et d’étain dans ces régions.

Conclusion partielle

La zone d’étude est caractérisée par un réseau hydrographique très dense, un relief
plus ou moins monotone et un nombre d’habitants élevé malgré des activités
socioéconomiques limitées. Il y règne aussi, un climat semi-aride avec un faible taux de
précipitations et par conséquent de l’infiltration efficace. Contrairement à ce problème, on
note sur le plan géologique, un fort potentiel minier au sein des formations volcano-
sédimentaires bien que d’autres indices soient encore mal connus. Deux grands types de
formations dominent : les formations intrusives dominées par les granites et granodiorites et
les formations volcano-sédimentaires essentiellement marquées par les schistes, amphiboles et
métavolcanites. Sur le plan structural, la zone d’étude a subi une déformation cisaillante qui
est majoritairement marquée par des fractures. La recherche des poches d’eaux et de
nouveaux indices passe par l’élaboration d’une carte litho-structurale. Pour la réaliser,
différentes approches ont été abordées par de nombreux chercheurs. Le chapitre qui suit décrit
l’état de connaissances sur la cartographie litho-structurale et sur les réseaux de neurones.

13
CHAPITRE 2 : ÉTAT DE L’ART SUR LA CARTOGRAPHIE LITHO
STRUCTURALE ET LES RÉSEAUX DE NEURONES

Les recherches dans le domaine de la cartographie géologique téléanalytique occupent


une place de choix en prospection minière et hydrogéologique. Le principal objectif de cette
tâche est de recenser tous les linéaments ainsi que les limites des ensembles lithologiques et
les intégrer, afin de réaliser l’esquisse d’une carte géologique téléanalytique qui servira de
document de base pour les campagnes de prospection. Différentes approches ont déjà été
adoptées par de nombreux auteurs pour la réalisation de la carte structurale d’une part, et
lithologique d’autre part. En plus de les recenser, il s’agira aussi dans ce chapitre, d’introduire
la méthode de réseaux de neurones utilisée dans cette étude.

2.

2.1.État des connaissances sur la cartographie litho-structurale

2.1.1. Cartographie structurale

- Des campagnes de terrain à l’utilisation des photographies aériennes

L’identification des fractures et des failles à partir des travaux de terrain est plus
souvent limitée par la difficulté d’accès à plusieurs secteurs des régions étudiées. De Sève et
Desjardins (1994) soulignent que les principaux obstacles sont généralement d’origine
naturelle tels les rivières, les montagnes, les boisés denses, sans oublier la grande superficie
des territoires qui rend ce genre d’approche onéreuse et fastidieuse.

Dès le milieu des années 30, la photographie aérienne s’est avérée un complément des
plus utiles à ce travail difficile. La vue plus globale qu’elle offre, associée à la stéréoscopie et
aux effets d’ombrage, a permis de mettre au point plusieurs méthodes d’étude directe de la
fracturation. De son côté, Norman (1976) in Dubois (1999), a aussi pu relever des indices
indirects de la présence de linéaments comme les alignements de la végétation, les
changements brusques de pente et profil linéaire du réseau hydrographique. Ces études
forment aujourd’hui la base de l’analyse photographique en géologie. Cependant, malgré les
grands avantages apportés par les clichés pris par avion, ceux-ci présentent l’inconvénient
d’être particulièrement sensibles aux conditions atmosphériques. Un autre aspect négatif
inhérent à ce type de prises d’images découle de l’altitude limitée que peuvent atteindre les

14
aéronefs. C’est pourquoi, malgré un certain éloignement de la surface étudiée, il reste encore
difficile d’avoir une vue synoptique plus large des territoires observés. Il n’est ainsi pas rare
qu’à cause des nombreux clichés nécessaires pour représenter une région d’intérêt, un
linéament soit répertorié plus d’une fois (Dubois, 1999).

- Des photographies aériennes à l’utilisation des images satellitaires

L’avènement des satellites d’observation a grandement facilité le travail des


cartographes qui disposent maintenant d’une vue beaucoup plus globale de la surface de la
Terre. On retrouve principalement deux types de capteurs installés sur ces satellites : les
capteurs électro-optiques et les radars. Les premiers sont passifs, c’est à dire qu’ils captent le
rayonnement naturel émis par les différents éléments d’une scène pour ensuite le transmettre à
des détecteurs qui transforment cette énergie en signal électrique. Les seconds sont actifs.
Cela signifie qu’ils émettent un faisceau d’ondes vers la surface à observer et enregistrent les
ondes réfléchies. L’énorme avantage offert par les capteurs de type radar est qu’ils restent
opérationnels même en présence de nuages, de brouillard, de fumée ou dans l’obscurité
(Kouamé et al., 2013).

L’identification des linéaments dans les images satellitaires est tributaire de la capacité
qu’a le capteur à détecter les légères variations de la réflectance associée à ces phénomènes
géologiques. Jusqu’à présent, il existe deux approches principales pour identifier les segments
linéaires dans les images (Poncelet and Cornet, 2010). Ce sont : la photo-interprétation et le
traitement automatique.

- La photo-interprétation est résumé en l’interprétation du résultat des traitements


d’images (analyses de textures et fusions d’images) et des filtrages spatio-directionnels des
images (avec les filtres Sobel, Prewitt, Roberts et Gradient de dimensions 7 x 7) (Savané,
1997 ; Saley, 2003 ; Jourda, 2005 , Youan Ta, 2008, Kouamé et al., 2009 ; Sorokoby et al. ,
2010 ; Ouatara et al., 2012 ; et Otchoumou et al., 2012 ).

- Le traitement automatisé de l'information englobe la morphologie mathématique


(Kouamé et al., 2009), les réseaux de neurones (Rouhana, 1998), la transformée de Hough
(Poncelet and Cornet, 2010) et le seuillage.

Puisqu’il arrive souvent que les linéaments soient sectionnés en petits segments ou
confondus avec le paysage, la vue d’ensemble et le jugement humain fournis par la première
démarche permettent une plus grande souplesse de l’analyse. Cette technique présente

15
toutefois l’inconvénient d’être lente et laborieuse en plus d’être subjective comme le
mentionne Moore (1986). Il n’est en effet pas rare qu’à partir d’une même photographie, deux
spécialistes dressent des cartes de linéaments présentant plusieurs différences.

Comme les images satellitaires ne cesse d’augmenter, leurs traitements se doit d’être
aussi rapides et objectifs que possible. L’utilisation d’algorithmes mathématiques exécutés sur
des ordinateurs procure un traitement nettement plus rapide et une entière impartialité.
Malheureusement, à cause de l’analyse locale généralement réalisée par ces opérations, la
vision globale est perdue et la souplesse du jugement s’en trouve grandement affectée
(Dubois, 1999). Il en résulte que dans la plupart des cas, l’intervention humaine reste toujours
nécessaire pour accomplir une interprétation finale. Il est cependant possible de réduire encore
plus le rôle de l’intervenant en faisant aussi exécuter une partie de cette interprétation par
l’ordinateur. L’objectif de la deuxième approche est de minimiser le plus possible
l’intervention humaine lors de l’identification des linéaments présents dans les images de la
surface terrestre prises par satellite.

Quelque soit la méthode d’extraction utilisée, ces chercheurs ont abouti à la réalisation
de la carte structurale détaillée. Cette étude s’inscrit donc dans le cadre de la minimisation du
rôle des experts géologues à la réalisation de la carte structurale. Pour cela, la méthode des
réseaux de neurones cellulaires mise au point par Rouhana (1998) et Lepage et al., (2000) sera
appliquée et un seuillage permettra de sélectionner de façon automatique les linéaments sur
des images satellitaires. Cette méthode sera mieux détaillée dans la deuxième partie de ce
document.

2.1.2. Cartographie lithologique à partir des images satellitaires

- Utilisation des images multi-spectrales

De nombreuses études ont montré que les formations géologiques à l’échelle


régionale, possèdent des signatures spectrales particulières. C’est la raison pour laquelle de
nombreux chercheurs (Jourda, (2005) ; Youan Ta, (2008) ; Zeineladeina et al., (2008) ;
Rawashdeh et al., (2010) ; Ghulam et al., (2010)) ont utilisés des images multi-spectrales
(Landsat, SPOT, ASTER) pour réaliser une esquisse lithologique téléanalytique. Ces travaux
ont été réalisé dans un contexte de socle Précambrien (Jourda, 2005 ; Youan Ta, 2008), de
roches ophiolitiques du désert égyptien (Ghulam et al., (2010), de roches volcaniques,
plutoniques et métamorphiques (Zeineladeina et al., 2008 ; Rawashdeh et al., 2010). Les

16
différentes approches consistent à faire des compositions colorées (à partir du calcul des OIF
(Optimum Index Factor) (Zeineladeina et al. (2008), Rawashdeh et al. (2010) ; Ghulam et al.,
(2010)), des analyses en composantes principales (ACP), des analyses en composantes
principales sélectives (Jourda, 2005 ; Youan Ta, 2008 ; Zeineladeina et al., 2008 ; Rawashdeh
et al., 2010 ; Ghulam et al., 2010), les analyses de textures (Youan Ta, 2008 ; Kouamé et al.,
2013) et des combinaisons d’images (calcul des ratios et d’indices). Ces techniques ont
concourus à mieux discriminer les ensembles géologiques à l’échelle régionale et à mettre à
jours les résultats des travaux antérieurs dans leurs zones d’études respectives. Youan Ta
(2008) a réalisé une composition colorée d’ACP158_ACP1567 ETM+4 pour rehausser le
contour des métavolcanites et des micaschistes de la région de Bondoukou. Une autre
composition colorée des composantes ACP247_ACP257_ACP227 en couleur inverse lui a
permis de rehausser les limites de la granodiorite porphyroïde de Bondoukou. Ces techniques
ont aussi été utilisées par Jourda (2005) dans la région de Korhogo. Les chiffres en indices
représentent les numéros de bandes qui ont servies à l’ACP. Zeineladeina et al. (2008) ont
utilisé des compositions colorées avec les ratios de bandes ETM+ et TM 5/7, 5/4 et 3/1 d’une
part, et 5/7, 3/1 et 4/3 d’autre part, pour mettre en exergue les zone d’altération des formations
volcaniques et plutoniques. À partir des images ASTER et du calcul des OIF, Rawashdeh et
al. (2010) ont trouvé les meilleures combinaisons permettant de différencier les réponses
spectrales de différents minéraux argileux dans un contexte volcanique. Ce qui leur a permis
de déduire que la composition 5/7, 3/1, 5 est la meilleure pour distinguer ces minéraux.

- De l’utilisation des images multi-spectrales seules, à la fusion d’images optiques


et radar

L’information caractéristique apportée par les images de télédétection, peut être


insuffisante pour répondre à certains problèmes de gestion, d’investigation et de suivi des
phénomènes liés à la surface de la terre (Belhadj-Aissa et al., 2003). Effet, les données
optiques et radar n’offrent pas toujours la même perception des phénomènes terrestres. Le
capteur optique (Landsat, SPOT, ASTER) grâce à sa grande résolution spatiale et spectrale,
permet d’accéder à l’information sur les caractéristiques minéralogiques des cibles
géologiques. Les données micro-ondes du radar à synthèse d’ouverture (RSO) du satellite
RADARSAT I par exemple, sont reconnues comme étant d’un grand potentiel pour les
applications géologiques en général et pour la cartographie structurale en particulier (Kouamé
et al., 2013). En effet, grâce à leur grande sensibilité aux caractéristiques de surface telles que
la rugosité et l’humidité, les données radar sont particulièrement performantes pour la

17
cartographie des structures linéaires indicatrices de failles, de fractures et de contacts
lithologiques (Wade et al., 2001). Pour extraire et combiner l’information de nature spectrale
qui provient du capteur optique et l’information de nature texturale qui provient du capteur
RSO, les techniques de fusion par transformations dans l’espace intensité-teinte-saturation
(ITS) (Wade et al., 2001) et la transformée en ondelettes (Kouamé et al., 2013) ont été testées
avec succès. Ces travaux ont montré l’apport de la fusion optique et radar au niveau du détail
pétrographique et de la délimitation encore plus nette des contours lithologiques que les
images optiques ou radar seules. Dans le souci de mettre à jour la carte géologique existante
de la zone d’étude, ces techniques ont été appliquées dans le cadre de ce travail.

2.2.État des connaissances sur les réseaux de neurones

2.2.1. Définition du neurone

- Le neurone humain

Les cellules nerveuses appelées neurones, sont des éléments de base du système
nerveux central. Le système nerveux contient plus de 100 milliards de neurones et 1 à 10
millions de synapses (Williams et Herrup, 2001). Leurs formes et fonctionnalités, dépendent
de leur position dans le cerveau. Le neurone humain est composé du corps cellulaire, de
l’axone et de l’arborisation dendritique (Marieb et al., 2010) (figure 9). Pour chaque neurone,
le signal de sortie est proportionnel à la combinaison linéaire de tous les signaux d’entrée
fournie par d’autres neurones du système.

Figure 9: Schéma d'un neurone humain


L’information se transmet dans un sens : des dendrites vers l’axone. À partir de ces
dendrites, le neurone va recevoir les signaux venant d’autres neurones. Ensuite, il y aura une
sommation de tous les signaux au niveau du corps cellulaire. Via un potentiel d’action, le
résultat va transiter le long de l’axone jusqu’aux terminaisons synaptiques. Des
neurotransmetteurs, issus de la fusion de ces vésicules synaptiques avec la membrane
cellulaire, vont permettre le passage des informations d’un neurone à un autre (Calvino,

18
2006). De même, au niveau de ces dendrites, il existe des récepteurs pour ces
neurotransmetteurs. En fonction de leurs natures, l’excitabilité va augmenter ou diminuer. Ce
qui fera propager ou non, le signal.

- Du neurone humain au neurone artificiel

En fonction de l’analyse de cette réalité biologique, les chercheurs ont pu définir un


neurone artificiel de la façon suivante (figure 10) :

Figure 10: Schéma simplifié d'un neurone artificiel (Personnaz et Rivals, 2003)
- un ensemble de connexions (synapses) : chacun se caractérise par un poids réel. Le
signal ej, se trouvant à l’entrée de la synapse j est connecté au neurone i. Ce signal est
multiplié par le poids de la synapse Wij. Wij est le poids de connexion du neurone j vers le
neurone i. Si ce poids est négatif, l’effet est inhibiteur. Dans le cas contraire, l’effet est
excitateur et il y a propagation de l’information ;

- la somme pondérée Ai des signaux d’entrées ej (1 ≤ ej ≤ n) du neurone i. Ces signaux


correspondent aussi aux signaux de sorties des neurones de la couche amont auxquels ce
neurone est connecté ;

- le seuil θi, propre au neurone i, représente la limite à partir de laquelle, le neurone


s’activera ;

- la fonction de transfert f, limite en général l’amplitude de la sortie Si avec Si = f(Ai).


Elle peut avoir différentes formes en fonction de la relation entre l’entrée et la sortie du
signal : la fonction sigmoïde, la fonction tangente hyperbolique ou la fonction de Heaviside
(voir annexe 1).

19
2.2.2. Définition des réseaux de neurones et typologie

Un réseau de neurones artificiels (RNA) est un ensemble de neurones associés en


couches et fonctionnant en parallèle (Personnaz et Rivals, 2003). La structure des connexions
entre différents neurones, détermine la typologie du réseau (voir annexe 2). On distinguera :
les réseaux multicouches, les réseaux récurrents ou dynamiques et les réseaux cellulaires.

- Dans le réseau multicouche ou à perceptron, l’information se propage de couche en


couche sans retour. Chaque couche est connectée aux neurones de la couche précédente. Il n’y
a pas connexion entre les neurones d’une même couche, à l’exception des neurones d’entrée
et de sortie.

- Le réseau récurrent, ou réseau dynamique, ou réseau à retro propagation d’erreurs


(RNR), est identique au réseau multicouche. La seule différence réside dans le fait qu’il y a
retour de l’information.

- Dans le réseau de neurone cellulaire (RNC), les neurones sont entièrement connectés
dans un plan. Chaque neurone est relié à tous les neurones qui l’entourent. Ce type de réseau
est très efficace dans l’identification des linéaments dans les images satellitaires et a été utilisé
dans cette étude.

2.2.3. Historique sur les réseaux de neurones et applications

La notion de réseaux de neurones artificiels a été utilisée depuis 1890 par le célèbre
psychologue W. James. Mais jusque-là, elle ne consistait qu’à faire des modélisations des
neurones biologiques (Loi de Hebb, loi de Pavlov).

Ceci est suivi par le développement du modèle perceptron multicouche et de la


construction des neuro ordinateurs dans les années 1957 qui initient l’application des réseaux
de neurones à la reconnaissance des formes. C’est le premier système artificiel capable
d’apprendre par expérience, y compris lorsque son instructeur commet quelques erreurs. Mais
dès 1969, Marvin Lee Minsky et Seymour Papert publièrent un ouvrage mettant en exergue
l’incapacité de ce modèle à traiter les informations non linéaires ou de connexité.
En 1982, John Joseph Hopfield, physicien reconnu, donna un nouveau souffle au réseau
neuronal en publiant un article introduisant un nouveau modèle de réseau de neurones
(complètement récurrent). En 1985, l’algorithme de retro propagation adapté aux réseaux de

20
neurones multicouches a contribué à la réussite des réseaux de neurones par rapport aux
autres méthodes de classification.

Dès lors, les réseaux de neurones sont aujourd’hui les plus utilisés pour faire face à de
nombreux problèmes de contrôle et de reconnaissance :

- la classification d’espèces animales à partir d’une analyse d’ADN (Lepage, 2004);


- en traitements d’images pour la reconnaissance des formes et la classification (Hosni,
2000);

- la reconnaissance de motif ; par exemple pour la reconnaissance optique de


caractères , et notamment par les banques pour vérifier le montant des chèques, par la
poste pour trier le courrier en fonction du code postal, etc. (Mirta , 1997) ;

- la modélisation accélérée d’une fonction connue mais très complexe à calculer avec
exactitude ; par exemple certaines fonctions d’inversions utilisées pour décoder les
signaux de télédétection émis par les satellites et les transformer en données. Ceci est
utilisé dans le domaine des télécommunications ou celui du contrôle de processus
industriels (Fabien , 1999) ;

- les estimations boursières : apprentissage de la valeur d’une entreprise en fonction des


indices disponibles : bénéfices, endettements à long et court terme, chiffre d’affaires,
carnet de commandes, indications techniques de conjoncture. Et enfin, les tentatives
de prédiction sur la périodicité des cours boursiers (Jerbi , 2006) ;

- en météorologie, pour la classification de conditions atmosphériques et la prévision


statistique du temps (Coulibaly et al., 1999) ;

- en auscultation des ouvrages hydrauliques, pour la compréhension physique des


phénomènes de déplacements, sous-pressions et débits de fuite (Malaterrey, 2003).

2.2.4. Application des réseaux de neurones en traitements d’images


satellitaires

En traitement d’images satellitaires, cadre de cette étude, les RNA combinent la


vitesse de calcul des ordinateurs et les performances de la perception humaine. Ils ont
l’avantage de pouvoir traiter des informations incomplètes et bruitées (Rouhana, 1998). En
traitement d’images satellitaires, on utilise les RNR : on présente des patrons d’apprentissage,

21
on fixe la sortie désirée, et l’algorithme minimise l’erreur entre la sortie désirée et celle du
réseau en modifiant les poids de connexion. Des auteurs tels que, Peddle et al. (1992),
Desjardins et al. (2000), Hosni (2000), Benkouider et al. (2012), ont utilisé cette technique
pour diverses études (reconnaissances de formes, extraction des routes, cartographies des
zones humides). Leurs travaux ont montré une supériorité minimale de 5% de la part des
réseaux de neurones par rapport aux méthodes classiques de classification (classification
supervisée). Ces exemples ont montré la capacité des RNA à détecter et classifier les
différentes textures retrouvées dans une image.

Pourtant dans le cas des linéaments, les résultats sont moins bon (Rouhana, 1998 ;
Dubois, 1999 ; Lepage et al., 2000). Cette limitation est sans doute due au fait que les
linéaments, éléments rectilignes ou curvilignes qui expriment la présence des phénomènes
profonds tels que les failles, les fractures et les contacts géologiques, doivent vérifier une
certaine continuité sur une longueur minimale et selon une direction. Donc pour détecter les
linéaments dans les images, on devrait inclure les informations sur le voisinage de tout pixel
de l’image. Rouhana (1998), Dubois (1999) et Lepage et al. (2000), sont partis de ces constats
pour développer les réseaux de neurones cellulaires (RNC) à grands voisinage cellulaire et à
répartition directionnel pour détecter les linéaments dans les images. Cette méthode a été
appliquée pour identifier les fractures dans la région de Bondoukou.

2.2.5. Réseaux de neurones cellulaires

Actuellement, les traitements basés sur les filtres directionnels et gradient, sont
couramment utilisé dans la détection des linéaments. Leurs résultats sont limités surtout à
cause du bruit présent sur les images résultantes et des occlusions importantes (figure 11)
perturbant la continuité des linéaments détectés (Lepage et al., 2000).

22
Figure 11: Exemple d'occlusion perturbant la continuité des linéaments. Entre ces occlusion,
des fragments d'un même linéament (Lepage et al., 2000).

Les réseaux de neurones ont montré d’après Lepage et al., (2000), une grande capacité
à lier les éléments de contours ayant des orientations similaires pour donner de longues lignes.

De nombreux chercheurs tels que Grossberg (1991), Penn et al. (1993), Basak et al.
(1994), Rouhana (1998), Dubois (1999), les ont utilisés pour extraire les linéaments sur des
images satellitaires. Ce concept de RNC a été évoqué pour la première fois par Chua et Yang
en 1988.

Définition du réseau cellulaire

Ces réseaux sont formés d’une grande matrice de cellules identiques, homogènes et
interconnectées (figure 12). La cellule étant l’élément de base. Elle est formée d’éléments
linéaires et non linéaires et communique avec les cellules voisines (figure 13).

Soit un réseau de neurone cellulaire de MxN cellules composé de M lignes et de N


colonnes. Pour chaque cellule Ci, on définit un voisinage N de rayon R. Chaque cellule Cj,
avec jϵN, se trouvant dans le voisinage de Ci, est reliée à cette dernière par des poids de
connexions wij.

23
Figure 12: Réseaux de neurone cellulaire à M=4 Figure 13: Définition du rayon de voisinage et
et N=4 avec voisinage de 8 (Rouhana, 1998) du poids de connexion (Dubois, 1999)

Deux algorithmes basés sur les réseaux de neurones cellulaires existent dans la
littérature :

- la méthode du voisinage de huit qui suggère un traitement local de voisinage 3 x 3


pour extraire les éléments connectés dans une image ; il n’a pas été utilisé dans cette
étude ;

- la méthode de grand voisinage : ici, un grand voisinage circulaire est définit autour
d’un pixel d’intérêt (figure 13). Ce pixel induit un champ de gradient dans son
voisinage qui dépend de l’amplitude et de l’orientation du gradient initial. Ainsi, les
éléments d’orientations similaires se lient ensemble et les éléments isolés se
détruisent. Le réseau réussit à détecter les contours de grandes dimensions mais son
efficacité dépend de la taille du rayon de voisinage circulaire ; un voisinage de grand
rayon élimine une grande partie du bruit et retrouve les occlusions importantes dans
l’image (Lepage et al., 2000).

Les réseaux de neurones cellulaires tentent de lier les arêtes entrecoupées par le bruit à
condition d’avoir suffisamment de continuité d’orientation (Penn et al., 1993). Elles doivent
aussi être suffisamment près les uns des autres pour que la probabilité qu’elles fassent partie
du même segment soit grande. C’est ce modèle à grand voisinage qui a été retenu dans cette
étude.

Architecture du réseau

Chaque cellule de la figure ci-dessus possède au moins un élément de traitement


dont l’architecture général est (figure 14) :

24
Figure 14: Diagramme de traitement d'une cellule C (i, j) (Dubois, 1999).

Le noyau de convolution B, sert à effectuer un prétraitement sur les données d’entrée uk,
comme par exemple, filtrer le bruit ou encore, détecter les contours. L’entrée I est utilisée
pour fournir une valeur d’état initiale ou une constante de seuillage. La matrice A quant à elle,
est la contribution de contre-réaction provenant de la sortie de chacun des neurones du
voisinage N. Le fonctionnement de la cellule est alors régi par l’équation (1) dynamique
suivante :

(1)

N représente le voisinage de la cellule C (i, j) ; i et j sont les abscisses et les ordonnées de la


cellule C (i, j) ; vi est la sortie de la cellule C (i, j) ; uk est l’entrée de la cellule C (i, j) d’indice
k ; I est la constante de seuil ou état initial ; A et B sont les noyaux de convolution de la sortie
V et l’entrée uk. La sortie vi est obtenue en transformant l’état xi à l’aide d’une fonction de
transfert qui peut être sigmoïde ou encore linéaire bornée (illustrée dans le coin supérieur
droit de la figure 14). Elle se définit par équation (2) :

( ) (| | | |) (2)

Conclusion Partielle

Différents travaux ont bien illustré l’utilisation des techniques d’analyse et de


traitements d’images à la cartographie de la fracturation et à la mise en évidence des grandes
unités lithologiques à partir des images satellitaires (optiques et radar). Il faut retenir sur le
plan structural, l’utilisation des techniques d’extraction manuelle et automatique (RNC,
morphologie mathématique, seuillage et transformée de Hough) sur des images prétraitées par

25
les filtres directionnels et gradients. Sur le plan lithologique, elles concernent l’application des
techniques de fusions et de combinaisons d’images. Il ressort de cette synthèse que les
réseaux de neurones cellulaire (RNC) font partie des techniques de détection automatique des
linéaments, facilitant ainsi, la cartographie géologique en générale et structurale en particulier.
Cette dernière combinée à l’esquisse lithologique, permet d’obtenir la carte litho-structurale.
La partie qui suit détaille le matériel et les méthodes qui ont été adoptés dans ce projet pour la
réalisation de la carte litho structurale de la région de Bondoukou.

26
DEUXIÈME PARTIE : MATÉRIEL
ET MÉTHODES
CHAPITRE 3 : MATÉRIEL

CHAPITRE 4 : MÉTHODES

27
DEUXIÈME PARTIE : MATÉRIEL ET MÉTHODES

CHAPITRE 3 : MATÉRIEL

3.

Différentes données (données cartographiques, les roches et les images satellitaires) et


logiciels ont servi à la réalisation de cette étude.

3.1.Données

 Données cartographiques

Les données cartographiques utilisées dans le cadre de cette étude sont :

- une carte topographique au 1/200 000 du Degré Carré de Bondoukou éditée par le
Bureau National d’Étude Technique et de Développement (BNETD) en 2002;

- une carte géologique au 1/200000 du Degré Carré de Bondoukou établie par Zéade et
al., 1995, et éditée par la Direction de la Géologie de Côte d’Ivoire;

La conversion de ces cartes en format numérique, puis leur géoréférencement nous a


permis de les utiliser dans un espace de travail à coordonnées spatiales exprimées en mètres
(x, y) dans le système de coordonnées « Universal Transverse Mercator » (UTM). Une
extraction de ces cartes, des informations utiles (routes, lignes à haute tension, chemins, etc.)
a été ensuite faite pour s’assurer que les fractures cartographiées ne sont pas de nature
anthropique. De même la numérisation de la carte géologique a permis de valider les limites
des formations géologiques identifiées sur la carte.

 Les images satellitaires

Ce sont :

- une scène (195/54) ETM+ de Landsat 7 acquise le 02 février 2000, correspondant à la


saison sèche. Pendant cette période, le ciel n’est pas couvert par les nuages. Les
résolutions varient de 30 m (ETM+ 1, 2, 3, 4, 5 et 7), 60 m (ETM+ 6) à 15 m (ETM+
8). Ces images ont été choisies du fait de leurs caractéristiques spectrales (images
prises sur différentes longueurs d’ondes) et spatiales (haute résolution) permettant une
bonne cartographie géologique à grande échelle. Cette image a été téléchargée sur le
site http//www.glcf.edu/ ;

28
- une image RSO de RADARSAT -1 acquise le 21 août 1999 en orbite descendante
dans le mode Scansar avec une résolution de 50 m, en une polarisation HH dans une
bande C (de longueur d’onde 5,66 cm). Ces images sont reconnues pour leur grand
potentiel dans les applications géologiques. Cette image a été extraite de la banque de
donnée image du CURAT ;

- une image SRTM : ce sont les images de la mission topographique américaine Shuttle
Radar Topographic Mission (SRTM) réalisée en février 2000 depuis la navette spatiale
Endeavour. Cette mission a cartographié le relief terrestre d’environ 90 % de la
surface mondiale émergée en utilisant la technique du radar interférométrique. De
résolution spatiale 90 m, elle a servie à la réalisation du modèle numérique de terrain
(MNT) de la zone d’étude. Cette image a été téléchargée sur le site
http//www.glcf.edu/.

 les roches
Ce sont les ensembles pétrographiques qui ont été observés lors des travaux de Youan
Ta (2008) dans la région d’étude. Elles sont constituées d’images d’affleurements de
prises sur le terrain au cours des travaux de Youan Ta (2008) et les descriptions qui
leurs sont associées

3.2.Logiciels :

Les traitements numériques ont été réalisés au Centre Universitaire de Recherche et


d’Application en Télédétection (CURAT) de l’UFR de Sciences de la Terre et des Ressources
Minières de l’Université Félix HOUPHOUËT BOIGNY d’Abidjan. Ce centre est équipé de
plusieurs logiciels à savoir :

- ENVI 4.4 (The Environment For Visualizing Images, élaboré par la société «
ITTVIS ») et ERDAS Imagine de la société Inter graph pour le Traitement des images
(prétraitements, fusions d’images et filtrages spatio-directionnels) ;

- MATLAB 2009a pour la Programmation des applications supplémentaires


(réseaux de neurones cellulaires) dans le traitement des images et leur exécution.

- Module Rose de RU3 utilisé pour la construction des rosaces directionnelles ;

- ArcGis 10.1 pour la numérisation, l’analyse spatiale et la réalisation des


cartes thématiques;

29
Ces logiciels ont été installés sur un ordinateur portable Core duo 2.4Gh X 2 4Go de
RAM à l’aide duquel, tous les traitements ont été effectués.

Conclusion partielle

Le travail préliminaire de cette étude a été la collecte des données. Les démarches
effectuées (recherche sur Internet, visite aux administrations ou entreprises concernées, etc.)
ont permis d’acquérir les nombreuses informations utiles. Cette base de données initiale est
composée de données satellitaires et cartographiques. Ces données ont été traitées à l’aide du
matériel et des logiciels appropriés conformément à l’approche méthodologique que nous
présentons au chapitre suivant.

30
CHAPITRE 4 : MÉTHODES

4.

À partir d’un fichier vecteur matérialisant la zone d’étude, la portion correspondante


est extraite à la fois sur toutes les bandes ETM + de la scène 195/054 de Landsat 7 et sur la
mosaïque RADARSAT de la Côte d’Ivoire. Les images de la zone d’étude ont ensuite subies
une série de prétraitements et de traitements, qui ont abouti à la réalisation de la carte litho-
structurale de la région de Bondoukou.

4.1.Traitements préliminaires

Ils ont consisté en la réduction du chatoiement, la correction géométrique et au


rééchantillonage de l’image RADARSAT. Ceci est résumé dans le diagramme suivant (figure
15):

Figure 15: Diagramme résumant les traitements préliminaires des images

31
4.1.1. Réduction du chatoiement

Les images RSO de RADARSAT 1, acquises en orbite descendante dans le domaine


des hyperfréquences présentent un aspect granulaire appelé speckle ou chatoiement. Dans le
souci de faciliter l’interprétation, des filtres de Lee, Gamma et Sigma ont été appliqués. Ils ont
permis d’améliorer la lisibilité de l’image tout en préservant les hautes fréquences et les
structures géologiques. Par la suite, un coefficient de variation C a été calculé dans le souci
d’évaluer l’efficacité du filtrage. Ce dernier étant faible (C=0,19), le débruitage a été
considéré comme bon.

4.1.2. Correction géométrique et rééchantillonnage de l’image

4.1.2.1. Correction géométrique de l’image LANDSAT

Une rectification géométrique a été faite d’abord sur les images LANDSAT. Celle-ci a
facilité la superposition avec les données exogènes (cartes topographiques et géologiques).
Ainsi, 10 points de calages sont sélectionnées à la fois sur la carte topographique et sur les
images. Une transformation polynomiale de degré 2 suivie d’un rééchantillonage par la
méthode du plus proche voisin ont été appliqués. L’erreur résiduelle étant de 0,0023 c’est-à-
dire inférieures au demi-pixel, la correction peut être considérée comme bonne.

4.1.2.2.Correction de l’image RADARSAT

L’image LANDSAT corrigée a été utilisée comme image de référence pour la


correction géométrique de l’image RADARSAT à partir de dix points de contrôle répartis de
façon homogène sur les deux images. Ce qui a permis de ramener, après rééchantillonage par
la méthode du plus proche voisin, la résolution de cette image à 30 m. L’erreur étant
inférieures au demi-pixel (0,003), la correction peut être considérée comme satisfaisante.

4.1.3. Analyse en Composante Principale (ACP)

La base de données contenant les 6 bandes (ETM + 1, 2, 3, 4, 5 et 7) LANDSAT a


été constituée et a servi d’image d’entrée à la réalisation d’une ACP. Celle-ci consiste à
transformer des bandes corrélées entre elles en nouvelles variables décorrélées les unes des
autres. Elle permet de réduire le nombre de bandes et de rendre l'information moins
redondante. Ainsi, des néo canaux obtenus, les détails radiométriques des bandes utilisées
sont concentrés dans la première composante principale (90%). C’est cette composante qui a

32
été utilisée pour la réalisation d’une fusion d’image optique et radar qui fait partie des
traitements résumés dans le diagramme suivant (figure 16) :

Figure 16: Diagramme montrant les traitements spécifiques appliqués dans ce projet
D’après ce diagramme, à la suite des traitements préliminaires, une fusion d’image
optique et radar a d’abord été faite. Le résultat a servi d’image d’entrée à l’application de la
méthode des réseaux de neurones à la cartographie structurale. Ensuite, sur cette image de
même que sur les images Landsat ETM+ corrigées, des techniques d’ACP sélectives, de
combinaisons de bandes, de compositions colorées ont été appliquées. Ce qui a permis
d’obtenir l’esquisse lithologique. Une validation de la carte de fracturation obtenue par
réseaux de neurones et de la carte lithologique à partir des travaux antérieurs s’est terminée
par la réalisation de l’esquisse litho-structurale téléanalytique de la région. Les paragraphes
qui suivent décrivent chaque étape de ce diagramme.

4.2.Fusion d’image optique et radar

Elle a commencé par l’amélioration de la résolution de l’image RADARSAT, suivie


par la fusion de l’image résultante avec les bandes ETM+ de Landsat.

33
4.2.1. Amélioration de la résolution spatiale de l’image RADARSAT

En se servant de l’image panchromatique ETM + 8 de Landsat, la méthode de fusion


par transformée en ondelette a été utilisée pour l’amélioration de la résolution spatiale de
l’image RADARSAT corrigée et rééchantillonnée à 30 m. Les traitements, réalisés avec le
module « Wavelet Resolution Merge » du logiciel ERDAS Imagine 9.1, se décomposent en
2 étapes (Kouamé, 2013 ; Kouamé et al., 2013) :

- la première consiste à isoler les structures de détail de l’image panchromatique haute


résolution. Ces structures de détail sont isolées dans trois images de coefficients
d’ondelettes couramment associées aux détails de l’image selon trois directions :
verticale, horizontale et diagonale. La décomposition produit également une image
dégradée appelée coefficient d’approximation (figure 17) ;

- la deuxième étape consiste d’abord à faire une égalisation d’histogramme de l’image


RSO de RADARSAT dépourvue de bruit avec celui de la bande panchromatique.
Ensuite, celle-ci est décomposée par transformée en ondelette discrète (TOD) en
quatre composantes possédant une résolution de 30 m à savoir : l’image dégradée (A)
de 30 m et les composantes extraites dans les directions verticale (v), horizontale (h) et
diagonale (d). Enfin, il s’agit d’injecter le coefficient d’approximation (A) et les
détails à l’intérieur de l’image RADARSAT grâce à la Transformée en Ondelettes
Discrètes Inverses (TODI). Ce qui permet d’obtenir une image RADARSAT simulée à
15 m et qui conserve les qualités spectrales de l’image d’origine.

Figure 17: Procédé de fusion des images par transformée en ondelettes pour l’amélioration de
la résolution spatiale de l’image RADARSAT (d’après Leica, 2005 cité par Kouamé et al.,
2013).

34
4.2.2. Fusion des bandes multi spectrales ETM + et de l’image
RADARSAT de haute résolution simulée

Il est question ici, d’obtenir une image multispectrale optique-radar de haute résolution
spatiale. Dans ce cas, l’image haute résolution spatiale est l’image RADARSAT simulée à 15
m, et l’image multispectrale de basse résolution spatiale est la première composante principale
issue de l’ACP des bandes 1, 2, 3, 4, 5 et 7 de l’image ETM + de Landsat 7. L’application est
faite toujours avec le module « Wavelet Resolution Merge » du logiciel ERDAS Imagine 9.1
et elle répond au principe du paragraphe précédent ; il s’agit en bref, d’injecter (fusion par
TOD) le contenu de l’image RADARSAT simulée dans la première composante principale de
l’ACP. À la fin de cette opération, l’image résultante de 15 m de résolution spatiale, est
enrichie du contenu informatif de l’image RADARSAT simulée à 15 m.

Dans l’optique de retrouver l’ensemble des canaux utilisés dans la réalisation de


l’ACP, une transformation en composante principale inverse a été réalisée. Elle consiste à
calculer la matrice inverse de l’image et à injecter les détails isolés plus haut dans chacune des
bandes de l’image ETM + originale. Ce qui a permis d’obtenir des bandes ETM + 1, 2, 3, 4, 5
et 7 hybrides simulées à 15 m de résolution spatiale qui conservent les qualités de l’image des
bandes ETM + d’origine, à la seule différence qu’on a ajouté les structures d’échelle
comprises entre les résolutions 15 et 30 m de l’image RADARSAT simulées à 15 m (Garguet
–Duport et al., 1996 cité par Kouamé et al., 2013). L’application d’un filtre médian a enfin
permis de supprimer les bruits additifs afin de faciliter les interprétations.

Cette image hybride simulée à 15 m de résolution, associée à l’image Landsat corrigée


et rééchantillonnée à 15 m, ont servi à la réalisation de la carte structurale d’une part, et
lithologique d’autre part.

4.3. Cartographie structurale par réseaux de neurones cellulaire (RNC)

Les images brutes et celles issues de traitements sont utilisées comme images
d’entrées pour l’application des techniques de réseaux de neurones cellulaires de
rehaussement des structures linéaires sur l’image appelées linéaments. Le diagramme (figure
18) suivant résume les trois étapes essentielles de détection des linéaments par réseaux de
neurones.

35
Figure 18: Organigramme d'application des RNC sur une image

4.3.1. Calcul du gradient

La détection des linéaments sur une image, consiste à trouver les variations locales des
niveaux de gris. L’une des méthodes les plus simples, est de calculer la dérivée première de
l’image appelée gradient (Dubois, 1999). Le linéament correspond en fait, au maximum local
du gradient, résultat de cette dérivée. Pour le calculer, il suffit d’appliquer un ou plusieurs
filtres directionnels ou gradients D de dimensions (m x n), sur tous les pixels de l’image
originale I(i,j). La taille du filtre a une incidence sur la longueur des structures rehaussées.
Seules celles qui ont une taille supérieure à la moitié de la fenêtre de convolution seront
rehaussées (Jourda, 2005 cité par Youan Ta, 2008). Dans cette étude, nous avons utilisées des
filtres de Sobel NS (tableau i-a), EW (tableau i-b), NE-SO (tableau i-c), NO-SE (tableau i-
d) et des filtres gradients (Prewitt (tableau ii-a) et Yesou et al. (1993) (tableau ii-b) tous, de
taille 7 x 7. Cette dimension a été choisie parce qu’elle permet d’identifier les grandes
discontinuités majeures de la zone d’étude et a donné de bons résultats dans les travaux de
Youan Ta (2008).

Tableau i: Filtres de Sobel. (a)Filtre de Sobel N-S; (b) Filtre de Sobel E-W ; (c) : Filtre de
Sobel NW-SE ; (d) : Filtre de Sobel NE-SW

36
Tableau ii: (a) Filtre de Yesou et al., (1993) ; (b) Filtre de Prewitt.

Ces filtres sont donc d’excellents outils de discrimination d’objets rectilignes et plus
ou moins curvilignes de grande taille et facilitent l’extraction des linéaments sur les images
qu’ils traitent. Les filtres de Sobel étant plus précis d’après les résultats de Jourda (2005) ;
Youan Ta (2008) ; c’est la raison pour laquelle les images résultantes ont été choisies comme
images test pour l’application des réseaux de neurones. Les filtres gradients n’ont servis qu’à
compléter les résultats issus des filtres de Sobel.

4.3.2. Réseaux de neurones cellulaires pour l’amélioration du gradient de


l’image

4.3.2.1.Principe du modèle à grand voisinage circulaire et


directionnel

Le modèle à grand voisinage directionnel a été adopté dans le cadre de ce travail. C’est
un modèle développé par Basak et al. (1995). Il a l’avantage de voir l’image à une échelle
plus grande, de lier les différentes parties d’un même contour entrecoupé par le bruit (Basak
et al., 1995 cité par Rouhana, 1998) et d’augmenter plusieurs fois le rayon de voisinage.

Ainsi, chaque pixel d’image possède un vecteur contour (figure 19). Ce vecteur a pour
direction le gradient local d’intensité ; celle-ci est obtenue par dérivée première du niveau de
gris de l’image et pour module, la valeur absolue de cette dérivée. Soit un point P, son vecteur
contour s’écrit eP (e, α). Ici, e est le module et α est l‘argument.

37
Figure 19 : Champ du gradient circulaire induit (Dubois, 1999)

Ce vecteur gradient est perpendiculaire au segment que l’on recherche et orienté d’une
région sombre vers une autre claire de l’image. Dans cette figure, les positions possibles se
font le long de la droite AB. De façon inverse, le champ d’induction le long de la droite CD
est nul. Comme nous sommes dans un système à deux dimensions, ce vecteur contour s’écrit
par l’équation (3) suivante :

eP (ex, ey). Avec ex = e. cos α et ey = e. sin α 3)

N est le voisinage circulaire de P ; ce voisinage a pour rayon R.

Dans le modèle directionnel, on définit le gradient induit d’un pixel sur son voisin par
l’équation (4) :

e’= e.cos3θ ; où θ = │α – φ’│ (4)

Soit e’P (e’, α’) l’effet de P (cellule i) sur chaque point Q (cellule j) de voisinage N.

e’ est le module et α’ l’argument. Dans un système à 2 dimensions, il s’écrit aussi


e’(e’x, e’y).

{ (5)

L‘angle φ est l’angle entre le segment PQ (segment liant i et j) et l’axe des x ; il


ressort que, le vecteur induit e’, ne dépend que de la position relative de la cellule j par
rapport à i, et du vecteur gradient e associé à la cellule i.

38
Lors de l’implémentation, on calcul rx et ry pour chaque pixel. Ils représentent les
dérivée partielles de l’image selon l’axe des x et des y respectivement. Leur résultante est
(équation 6) :

(6)

Le module de vecteur de contour initial dans ce modèle est :

Dans cette formule, rmax est le plus grand module de gradient de l’image.

L’argument est donné par :

Pour tout pixel i, on définit un voisinage Ni de rayon R ; j appartiendra au voisinage


de i si d (i,j) ≤ R ; d(i,j) représente la distance euclidienne entre i et j.

Le vecteur induit e’ (e’x, e’y) précédemment définit pour ce modèle s’écrit de la


manière suivante (équations 7 et 8):

(7)

(8)

Cette induction sert à lier les différentes parties d’une ligne entrecoupée par le bruit.
L’existence d’un point contour suffit pour que son effet soit induit à tout point à l’intérieur du
cercle de voisinage. Donc, si les segments manquant dans une courbe continue sont de
longueur inférieure ou égale au diamètre de voisinage, ces segments sont récupérés.

Partant du principe que chaque cellule est liée à toute autre cellule appartenant à son
voisinage circulaire, elle a donc 4 sorties intermédiaires : Vj1, Vj2, Vj3 et Vj4 (équation 9);

(9)

Les poids de connexion (figure 14) entre les cellules dépendent de leur distribution spatiale.
Les connexions entre i et j avec j appartenant à Ni sont définis par les équations suivantes:

39
Wij11= w.sin4ϕij (10)

Wij12= w.sin3ϕijcosϕij (11)

Wij13= w.sin2ϕijcos2ϕij (12)

Wij14=- w.sinϕijcos3ϕij (13)

Wij21=- w.sin3ϕijcosϕij (14)

Wij22= w.sin2ϕijcos2ϕij (15)

Wij23= w.sinϕijcos3ϕij (16)

Wij24= w.cos4ϕij (17)

Dans ces formules, ϕi,j est l’angle que fait l’horizontale et la ligne joignant i et j ; wij
représente le poids de connexion entre i et j ; w est une constante de calibrage des poids de
connexions.

Figure 20: Poids de connexions entre deux cellules

Ici, a et b de Wijab représentent respectivement la sortie intermédiaire qu’on détermine


et la composante intermédiaire qui influence le calcul.

Chaque élément i possède aussi un poids d’inhibition wii 11et wii22 ;

wii 11= - ws.R(t) wii 22= - ws.R(t) (18)

40
Ici, ws est une constante ; R(t) est le rayon de voisinage à l’instant t ; ce rayon décroit
en fonction du temps avec un taux croissant (équation 21) :

ϒ = λ.w.R2(0) tel que (19)

λ représente la vitesse de décroissance du rayon de voisinage.

Dès lors, la sortie d’une cellule est donnée par l’équation ci-dessous où ui1 et ui2 sont
les composantes selon x et y à l’instant t et au pixel i. ils représentent l’état de la cellule i à
l’instant t.

(20)

Les variations en fonction du temps de ui1 et ui2 pour une fonction de transfert linéaire,
sont données par les équations 23 et 24 :

(21)

(22)

L’utilisation de la fonction linéaire f(x) = x à la sortie des éléments de traitement est


préférable parce qu’elle ne se sature pas.

Ce sont ces deux équations qui représentent le modèle directionnel. La sortie dépend
de la vitesse de décroissance du rayon de voisinage avec le temps. Les variations s’arrêtent
quand le rayon de voisinage est inférieur à 1. Si la vitesse est grande, les segments
appartenant à la même courbe n’auront pas le temps de se lier ensemble. Par contre, si elle est
petite, les larges bandes vont se former tout au long des vrais contours.

Dans l’image résultante, l’amplitude du gradient en chaque point aura été modifiée. De
même, les pixels faisant partie d’une arête auront vu l’amplitude de leur gradient augmentée,
alors que pour les autres pixels, cette amplitude aura diminuée.

41
4.3.2.2.Programmation et application du réseau de neurone
cellulaire pour la détection de linéaments

En utilisant le module « Image Proccessing Toolbox » de MatLab 2009, un


programme (voir annexe 3) permettant d’exécuter le modèle directionnel à grand voisinages
de réseaux de neurones cellulaire a été développé.

Il a été question de définir les paramètres d’entrées à savoir : Les images d’entrées
dont le gradient a été calculé; le rayon de voisinage initial R ; la constante de calibrage du
poids entre les cellules voisines w ; Le poids d’inhibition des cellules ws ; le pas de temps Δt ;
la constante de calibrage de la vitesse de convergence λ.

- Le rayon de voisinage R

C’est une constante qui détermine le nombre de voisins autour d’une cellule ou un
pixel d’intérêt. Par un exemple un rayon de voisinage 3 représente 8 voisins autour d’un pixel
d’intérêt. Donc plus il sera grand, plus il y aura de pixels interagissant sur la cellule d’intérêt.
Ce rayon agit sur beaucoup de paramètres du réseau notamment dans la définition des poids
de connexions entre une cellule et ses voisins. Il est également fonction de la distance
euclidienne entre un pixel et ses voisins. Il est aussi proportionnel à la racine carré de sa
vitesse de décroissance lors des itérations. L’avantage des RNC à répartition directionnelle est
qu’on peut changer plusieurs fois le rayon de voisinage. Dans cette étude, différentes valeurs
de rayon de voisinage (R= 5 (rayon faible), R=12 (rayon intermédiaire), R=16 et R=20 () ont
été testées dans le but de voir l’influence de la variation de ce paramètre sur les linéaments
détectés.

- Les constantes de poids w et ws.

Ces paramètres influencent respectivement le calcul des poids de connexions et


d’inhibition des cellules. Le calcul de ces poids étant fonction de l’angle entre un pixel et son
voisin et de la distance euclidienne qui les séparent, ces constantes ont pour rôle d’augmenter
le résultat de ces calculs afin de le rendre acceptable pour qu’il puisse influencer les itérations.
Les valeurs de w=90 et ws=100 ont été choisis dans ce travail. Il faut noter que ces valeurs de
poids doivent être suffisamment grandes pour ramener les valeurs du gradient entre 0 et 255.

- Le pas de temps Δt

42
C’est en fait la durée des itérations et se donne en secondes. Il est proportionnel aux
nombre d’itérations. Plus ce temps sera faible, plus la convergence du rayon sera lente et plus
il y aura d’itérations. Plus il sera fort, plus la convergence sera rapide et moins il y aura
d’itération. Dans ce cas, beaucoup de vecteurs contours n’auront pas le temps de se lier aux
contours voisins. Dans cette étude, nous avons fixé cette valeur à 10 s.

- Le paramètre λ

Ce paramètre représente la vitesse de décroissance du rayon de voisinage. En principe,


les itérations s’arrêteraient si ce rayon est inférieur à 1. C’est dire que pendant l’exécution, le
rayon décroitra de la valeur qui a été défini vers des valeurs nulles. Si la vitesse décroissance
est grande, les segments appartenant à la même courbe n’auront pas le temps de se lier
ensemble. Par contre, si elle est petite, ce qui suppose un temps d’exécution grand, beaucoup
de détails apparaitront sur l’image. Une comparaison d’une faible vitesse (λ=3) avec une
vitesse élevée (λ=9) a été faite dans cette étude. L’objectif est de montrer l’influence de la
variation de ce paramètre sur les linéaments détectés.

Il faut noter que la vitesse de décroissance contrôlée par le paramètre λ augmente


proportionnellement au carré du rayon du voisinage initial tel que mentionné dans l’équation
21. Donc, pour garder un rayon de voisinage raisonnable, il faut diminuer le paramètre Δt à
chaque fois que R est augmenté car Δt est inversement proportionnel à la vitesse de
décroissance du rayon. Cette action est faite pour garder un pas raisonnable de décroissance
du rayon. Dans nos expérimentations, pour les valeurs de rayons fixés, les valeurs de Δt
choisies sont : 10 ; 8 ; 7 ; 5s.

Afin de débarrasser les linéaments détectés de tout bruit, une extraction automatique
par seuillage avec la méthode de Canny (1986) a été appliquée.

4.3.3. Seuillage par hystérésis

Les linéaments détectés doivent par la suite être amincis et tous les pixels dont
l’amplitude du gradient est trop faible doivent être éliminés. Un post traitement a été fait. La
méthode choisie est celle de Canny (1986). C’est une technique consistant à lisser l’image
dans un premier temps à l’aide d’un filtre gaussien de dimensions 3x3 , et dans un deuxième
temps, d’appliquer un seuillage par hystérésis avec deux valeurs de seuils Sb (seuil bas) et Sh
(seuil haut) préalablement choisis. Les vecteurs contours dont la norme sera inférieure au
seuil Sb seront supprimés. Ceux qui auront une norme supérieure au seuil Sh seront retenus.

43
Enfin, les pixels contours compris entre les seuils Sb et Sh ne seront retenus que s’ils sont liés
à d’autres pixels déjà retenus. Donc plus les valeurs de seuils varieront, plus les contours
détectés seront différents. C’est la raison pour laquelle, plusieurs valeurs de seuils (Sb=10 et
Sh=80 (couple de seuils faibles) ; Sb=10 et Sh=150 (couple dont la différence des 2 seuils est
grande) ; Sb=20 et Sh=50 (couple dont la différence des 2 seuils est faible) ; Sb=60 et Sh=150
(couple de seuils grands)) ont été testées afin de mettre en exergue l’influence de la variation
des seuils sur les linéaments détectés d’une part, et d’autre part, de choisir les meilleurs seuils
pour la cartographie structurale de la zone d’étude.

4.3.4. Application des réseaux de neurones cellulaires

4.3.4.1.Programmation des RNC

Les RNC ont été programmé sur MatLab. La figure 21 suivante, présente l’interface
générale de l’application qui a été développée.

Figure 21: Interface de l’application des RNC (« Cellular Neural Network-Simulator »)


développée sur MatLab.
Cette figure montre que différents paramètres sont à prendre en compte avant
l’exécution d’une itération. Ce sont : le paramètre I qui est la constante de seuil inhibiteur du
réseau ; ws la constante de poids qui contrôle les poids d’inhibition ; w est la constante de
poids qui contrôle les poids de connexion entre une cellule d’intérêt et son voisin. Lamda est
le paramètre qui détermine la vitesse de décroissance du rayon de voisinage. R est le rayon de

44
voisinage d’une cellule d’intérêt. Le pas de temps dt et les constantes de seuil Sb (seuil 1) et
Sh (seuil 2). Le calcul des poids de connexions se fera pendant les l’itération. Donc, les
valeurs seront modifiées d’une itération à l’autre. Sortie Int est la touche qui permet
d’exécuter le calcul des sorties intermédiaires Vj d’une cellule. RNC permet d’améliorer le
gradient de l’image en se servant des sorties intermédiaires Vj, qui sont convoluées par les
matrices des poids de connexions et d’inhibition. Enfin, Canny, permet d’exécuter la
sélection des linéaments par seuillage à partir des seuils Sb et Sh.

Les figures 22 et 23 ci-dessous présentent quelques exemples d’application des RNC.

Figure 22: Amélioration du gradient par RNC. Les différents paramètres ont été définis et les
poids de connexions ont été calculés.

45
Figure 23: Sélection des linéaments avec la méthode de Canny.

4.3.5. Contrôle des linéaments détectés

Le traitement prend fin par la superposition dans un Système d’Informations


Géographiques (SIG), du résultat du seuillage avec les fichiers vecteurs des structures
linéaires (routes, pistes, limites de plantations, lignes de hautes tensions, chemins de fer,)
obtenues à partir de la carte topographique, dans l’optique d’éliminer tous les artéfacts
d’origine anthropique. D’autre part, il était aussi question de s’assurer que les linéaments
détectés, respectent les critères définis par Saley (2003) à savoir :

- apparaître comme un ensemble d’alignements rectilignes ;


- être d’une longueur appréciable à l’image;
- représenter dans plusieurs cas, un alignement d’un cours d’eau;
- être répétitif dans une direction donnée et si possible sur l’ensemble de l’image.

Ce qui leur donne ainsi la valeur de fractures.

4.4. Cartographie lithologique

Trois (3) techniques ont permis de mieux discriminer les grandes formations
lithologiques dominantes : les compositions colorées, l’ACP Sélective et les combinaisons
d’images.

46
4.4.1. Compositions colorées

La résolution spectrale élevée de Landsat 7 ETM+ nous offre une multitude de choix
pour réaliser les combinaisons de bandes et d’effectuer des fusions. Cependant, il arrive que
ces combinaisons soient très redondantes, c'est-à-dire que l’information portée se répète dans
plusieurs bandes. Pour échapper à cette répétitivité et choisir les compositions les plus
importantes, une étude statistique pour les neufs bandes de même résolution spatiale (ETM+
1, 2, 3, 4, 5, 6-1, 6-2, 7 et 8) de Landsat et pour les 7 bandes hybride (OR 1, 2, 3, 4, 5 et 7) a
été effectuée. Ainsi, le coefficient de corrélation des neufs bandes sont calculés (Tableaux iii
et iv).

Tableau iii: Matrice de corrélation des bandes de l'image Landsat ETM+


Corrélation ETM+ 1 ETM+ 2 ETM+ 3 ETM+ 4 ETM+ 5 ETM+ 6-1 ETM+ 6-2 ETM+ 7 ETM+ 8
ETM+ 1 1 0,722 0,69 -0,09 0,446 0,432 0,434 0,601 0,185
ETM+ 2 1 0,806 0,142 0,608 0,434 0,435 0,685 0,391
ETM+ 3 1 -0,069 0,728 0,594 0,596 0,841 0,266
ETM+ 4 1 0,253 -0,483 -0,484 -0,148 0,657
ETM+ 5 1 0,221 0,223 0,809 0,407
ETM+ 6-1 1 0,994 0,641 -0,129
ETM+ 6-2 1 0,643 -0,129
ETM+ 7 1 0,178
ETM+ 8 1

Tableau iv: Matrice de corrélation des bandes de l'image Hybride Optique - Radar (OR)

Corrélation OR 1 OR 2 OR 3 OR 4 OR 5 OR 7
OR 1 1 0,69 0,59 -0,18 0,476 0,581
OR 2 1 0,818 0,139 0,612 0,679
OR 3 1 -0,062 0,828 0,856
OR 4 1 0,215 -0,348
OR 5 1 0,799
OR 6 0,589
OR 7 1
Les meilleures compositions colorées obtenues correspondent aux combinaisons de
trois bandes les moins corrélées entre elles. Cependant, pour un choix réellement quantitatif
des meilleures combinaisons de bandes pour l’extraction d’un maximum d’information,
Chavez et al. (1982) in Ghulam et al., 2010 ont introduit la notion d’ « Optimum Index Factor
» (OIF). L’OIF est calculé par l’équation (24) suivante :

47
(23)

Où Σ Sk = Somme des écarts types (déviations standards) des combinaisons des 3


bandes k1, k2, k3 et Σ |rj |= Somme des valeurs absolues du coefficient de corrélation.

Les combinaisons qui ont l’OIF le plus élevé (voir annexe 4) est susceptible de fournir
le maximum d’informations puisqu’elle utilise les données ayant le moins de redondances.
Une d’elles a été retenue pour mettre en exergue les grands ensembles lithologiques aussi bien
avec l’image Landsat ETM+ (composition colorée 451) qu’avec l’image hybride
(composition colorée 457).

4.4.2. ACP sélective

L’ACP a pour limites, d’une part le fait que les informations qui n’ont pas été
cartographiées dans les trois premières composantes peuvent avoir un intérêt significatif, et
d’autre part, qu’une composition colorée à partir de trois premières composantes peut être
difficile à interpréter visuellement (Chavez et al., 1982 cités par Jourda, 2005). Ce qui a
suscité l’application d’une ACP sélective (avec 3 bandes).

La matrice de corrélation des bandes de l’image ETM+ de Landsat (tableau iii) nous a
permis de distinguer 3 sous-groupes de bandes regroupant des informations similaires : le
groupe (ETM+ 1-2-3), le groupe (ETM+ 5-6-7) et le groupe (ETM+ 4-8). Ainsi, une ACP
sélective est d’abord réalisée avec les bandes 1, 2 et 3, ensuite avec les bandes 5,6 et 7 et enfin
avec les bandes 4 et 8. Les 2 premières ACP sélective nous ont donné 3
composantes respectivement : CP1123, CP2123, CP3123 et CP1567, CP2567, CP3567. La dernière
ACP sélective a donnée 2 composantes : CP148 et CP248. Les chiffres en indice indiquent les
bandes qui entrent dans la réalisation de l’ACP (Jourda, 2005). Une composition colorée a
enfin été réalisée en mettant dans les canaux RGB, les composantes principales CP1123, CP148
et CP1567.

4.4.3. Ratios de bandes

Cette méthode est basée sur la notion de réflectance. C’est le rapport entre la quantité
de radiations réfléchies par un matériau et la quantité d’énergie réfléchit par le radiomètre

48
pour une longueur d’onde donnée (Scanvic, 1983 cité par Jourda, 2005). Des rapports de

bandes à partir des bandes les moins corrélables ont été réalisé parmi lesquels : ,

et . Une composition colorée fausse couleur a été réalisée avec ces différents néo

canaux tels qu’ils sont cités.

Toujours dans cette logique du comportement spectral, des indices ont aussi été
calculés : et . Ces indices ont aussi permis d’identifier les objets

ou structures géologiques.

L’extraction des contours lithologiques contenus dans les images satellitaires s’est
faite par interprétation visuelle et manuelle. Ce qui a permis de réaliser une esquisse
lithologique préliminaire de la région de Bondoukou.

4.5.Validation

4.5.1. Validation de la carte lithologique

Le principe est basé sur la superposition des données-images à la carte géologique de


Youan Ta (2008) et de Zéade et al. (1995). L’objectif a été de faire ressortir quelques
similitudes et différences du point de vue de la nature et la position. Les similitudes ont
permis de valider l’esquisse lithologique préliminaire. Les différences ont permis d’autre part
d’améliorer la carte des formations géologiques préalablement établie et de mettre à jour les
documents existants.

4.5.2. Contrôle et validation des linéaments

Les linéaments identifiés ont fait l'objet d'une analyse statistique permettant de faire
ressortir les directions principales (majeures) et de construire les rosaces directionnelles. Une
comparaison (carte linéamentaire et rosaces directionnelles) avec les travaux antérieurs
réalisés par Youan Ta (2008) et par Zéade et al. (1995) dans la région de Bondoukou, a
permis la validation des fractures obtenues. Youan Ta (2008) a utilisé les techniques de
filtrages spatiaux et une extraction manuelle pour extraire les linéaments au Sud de la zone
d’étude et établir la carte de fracturation. Zéade et al. (1995) ont fait des travaux de terrain
pour cartographier quelques fractures de la zone. La validation a enfin été aussi faite, par
superposition du réseau hydrographique sur les linéaments détectés.

49
4.6.Esquisse litho-structurale

La combinaison de l’esquisse lithologique obtenue par télédétection et de la carte


structurale obtenue par réseaux de neurones, a permis de réaliser l’esquisse litho-structurale
téléanalytique de la région de Bondoukou.

Conclusion partielle

Différents prétraitements et traitements ont permis de réaliser l’esquisse litho-


structurale téléanalytique de la région de Bondoukou. Les prétraitements ont consisté à
réduire d’abord le bruit de l’image RADARSAT ; ensuite, une correction géométrique sur les
images a été faite dans le but de les rendre superposables avec les données exogènes ; enfin,
une analyse en composantes principales a été réalisée. Cette dernière a été utile pour la fusion
d’image optique et radar et à la suite de traitements de la deuxième partie.

La deuxième partie a d’une part consisté à développer une méthode de réseaux de


neurones pour la détection automatique des linéaments sur les images. Il ressort que cette
détection se fait en trois étapes : d’abord le calcul du gradient par application des filtres
directionnels ou gradients ; ensuite, les images résultantes ont servi à l’application des RNC
après définition de différents paramètres ; enfin, un seuillage par hystérésis a été réalisé afin
d’éliminer tout bruit additif et ne garder que les linéaments détectés. D’autre part, il a été
aussi question d’utiliser les techniques d’ACP sélective, de ratios et combinaisons de bandes
et les techniques de composition colorées pour rehausser les contours des formations
géologiques de la zone d’étude. Tous les linéaments et contours géologiques détectés ont
ensuite été validés par comparaison avec les travaux antérieurs. La superposition dans un SIG
permet enfin d’obtenir la carte litho-structurale téléanalytique de la région de Bondoukou. La
partie qui suit, présente les différents résultats qui ont été obtenus suivis de leurs
interprétations et discussions.

50
TROISIÈME PARTIE : RÉSULTATS,
INTERPRÉTATIONS ET
DISCUSSIONS

CHAPITRE 5 : RÉSULTATS ET INTERPRÉTATIONS

CHAPITRE 6 : DISCUSSIONS

51
TROISIÈME PARTIE : RÉSULTATS, INTERPRÉTATIONS ET
DISCUSSIONS

CHAPITRE 5 : RÉSULTATS
5.
5.1.Prétraitements
5.1.1. Réduction du chatoiement

Des filtres de Lee appliqués sur l’image RADARSAT (figure 24-a) de la zone d’étude
ont donné le résultat ci-après (figure 24-b) :

0
(a) (b)

Figure 24: Application des filtres de Lee sur l'image RADARSAT : Image RADARSAT brute
(a); Image RADARSAT filtrée (b).

52
Cette figure montre que les filtres de Lee ont réussi à réduire l’aspect granulaire que
l'on nomme speckle ou chatoiement sur l’image de la figure 24-a. Ils ont ainsi permis
d’améliorer la lisibilité de l’image de la figure 24-b tout en conservant les structures et détails.

5.1.2. Corrections géométriques

Une correction géométrique a été appliquée aux images Landsat. Les figures suivantes
(figure 25) présentent quelques bandes de l’image Landsat corrigées qui ont servi à la
cartographie lithostructurale du socle Précambrien de la région de Bondoukou.

(a) (b)

Figure 25: Images Landsat corrigées de la zone d’étude: ETM+3 (a); ETM+6-2 (b).

53
(a) (b)

Figure 26: Images Landsat corrigées de la zone d’étude: ETM+4 (a) ; ETM+8 (b).
Il y a une grande conformité entre les bandes ETM+ 4 et 8 d’une part, et les bandes 6
et 3 d’autre part. Sur les images ETM+ 4 et 8, on note une abondance de l’activité
chlorophyllienne marquée par une dominance de la végétation qui apparait en blanc. Ce qui
n’est pas le cas sur les bandes 6 et 3. Ces dernières se différencient seulement par le fait que le
NE de la bande 6 parait plus claire que celui de la bande 3.

5.1.3. ACP et fusion d’image optique et Radar

Dans le souci de réduire ces redondances entre bandes, des techniques d’ACP ont été
appliquées. La figure 27-a présente la première composante qui regroupe le maximum

54
d’informations. La fusion d’image par transformée en ondelette, après amélioration de la
résolution de l’image RADARSAT, donne la bande OR7 optique-radar présenté à la figure
27-b.

(a) (b)

Figure 27: Néo canaux issus des traitements : Première composante CP1 de l'ACP (a). Image
OR7 de 15 m de résolution issue d'une fusion par TO (b)
L’ACP a permis de regrouper le maximum d’information dans la première
composante puisqu’elle présente des détails très bien absents au niveau de images brutes
corrigées ci-dessus. Les images des figures 25 et 26 qui paraissaient lisses (du Centre vers le
Nord de l’image) ne le sont plus. L’image OR simulée à 15 m de résolution fait apparaitre
entre plus net, les différents éléments de l’image ; ce qui la rend encore plus hétérogène.

55
5.2.Cartographie structurale

5.2.1. Calcul du gradient

Les techniques de filtrage spatial ou calcul de gradient (figure 28) ont été appliquées
sur les images corrigées et améliorées fournies par le résultat de la fusion optique et radar
pour le rehaussement des linéaments.

(a) (b)

(c) (d)

Figure 28: Résultats du calcul de gradient avec différents filtres : filtre de Sobel EW
rehaussant les linéaments NS (a) ; filtre de Sobel NW-SE rehaussant les linéaments NE-
SW(b) ; filtre de Yesou et al. (1993) (c) ; filtre de Prewitt (d).

56
Les figures 28a et 28b présentent les images filtrées produites par les filtres
directionnels de type Sobel appliqués sur l’image RADARSAT simulée à 15 m. Ces filtres
directionnels rehaussent les linéaments ou les contours perpendiculaires à leur direction de
convolution. Les filtres gradients asymétriques que sont les filtres de Préwitt (Figure 28-d) et
de Yésou et al. (1993) (Figure 28c), confirment l’existence de certaines discontinuités images
et apportent des informations complémentaires utiles.

Les filtres de Sobel sont plus précis ; ce qui confirme encore leur choix. Par
conséquent, les images résultantes ont été choisies comme images test pour l’application des
réseaux de neurones.

5.2.2. Application des RNC à la détection des linéaments sur les images
satellitaires

L’application successive de la méthode de réseaux de neurones et de seuillage par


hystérésis avec la méthode de Canny (1986) donne les résultats tels que présentés dans la
figure 29 ci-dessous.

(a) (b)

Figure 29: Linéaments détectés automatiquement par la méthode de RNC: image résultant
d’un filtre de Sobel EW (a) ; résultat de la méthode de RNC (b). Paramètres utilisés : R=12 ;
Δt=10 ; λ=0,6 ; ws=100 ; w=90 ; Sb=30 et Sh=80.
La capacité des RNC à détecter toutes les discontinuités images et à interpréter tous les
petits détails de l’image est à noter. Tous les linéaments (figure 29b) interprétés par les filtres
de Sobel NS (figure 29a) sont biens mis en évidence.

57
La capacité des RNC à regrouper ensemble les éléments de petites tailles qui ont la
même direction pour donner des courbes de grandes dimensions et curviligne est aussi à noter.
Toutes les discontinuités images et les variations de tonalités qui caractérisent les linéaments,
même les plus discrètes sont détectées, et ceci, de façon automatique.

Une comparaison (figure 30) a été par la suite faite entre les méthodes d’extraction
manuelles, les résultats d’un seuillage et les linéaments obtenus par RNC. L’objectif ici, est de
montrer la contribution des réseaux de neurones à la détection des linéaments, et son aspect
innovateur par rapport à l’extraction manuelle utilisée majoritairement dans les travaux
antérieurs.

58
(a) (b)

(c) (d)

Figure 30: Comparaison des linéaments obtenus par réseaux de neurones avec ceux obtenus
par extraction manuels et par seuillage : (a) représente une image filtrée avec un filtre de
Sobel NO-SE ; (b) matérialise les linéaments extraits de façon manuelle ; (c) est le résultat
d’un simple seuillage par hystérésis avec la méthode de Canny sur l’image (a) ; enfin, (d) est
le résultat d’un seuillage sur une image dont le gradient a été amélioré avec la méthode des
RNC. Paramètres utilisés pour les RNC : R=12 ; Δt=10 ; λ=0,6 ; ws=100 ; w=90 ; Sb=30 et
Sh=80.
Cette figure met en évidence l’apport des RNC dans l’interprétation des fins détails de
l’image. Bon nombre de linéaments qui sont difficilement repérable de façon manuelle (figure
30b) sur une image sont rehaussés de façon automatique. Par exemple, sur cette figure, nous
ne sommes parvenus tracer 64 linéaments contre 872 pour un seuillage simple, et 1247 pour
les RNC. De même, un simple seuillage (figure 30c) sur une image filtrée détecte certes les
linéaments de façon automatique, mais la continuité réelle des linéaments n’est pas respectée.

59
Les RNC sont venus pallier à ce problème en détectant non pas seulement les linéaments de
façon automatique, mais aussi, en rehaussant les longues lignes continues et curvilignes
représentatives des fractures. Ceci est illustré par la figure 30d. Comme exemple, pour cette
figure, la longueur cumulée obtenue pour les RNC est de 3473 km contre 2374 km pour un
seuillage simple, et 539 km pour l’extraction manuelle.

5.2.2.1.Influence de la variation des paramètres du réseau sur la


détection des linéaments

Cependant, le problème le plus difficile à résoudre reste le choix des paramètres du


réseau. Pour montrer l’influence de ces paramètres (rayon de voisinage R, constantes de seuils
Sb et Sh, et le paramètre λ), nous avons utilisé l’image issue d’un filtre de Sobel EO tel que
présenté à la figure 31 ci-dessous :

Figure 31: Image issue d'un filtre Sobel EO utilisée pour évaluer l'influence des
paramètres du réseau sur la détection des linéaments

- Influence du rayon de voisinage

Sur cette image, différentes itérations ont été faite avec différentes valeurs de rayons
de voisinage (figure 31).

60
(a) (b)

(c) (d)

Figure 32: Influence de la variation du rayon de voisinage sur la détection automatique des
linéaments. (a) R=5 ; (b) R=12 ; (c) R=16et (d) : R=20. Paramètres utilisés: Δt=10 ; λ=0,6 ;
ws=100 ; w=90 ; Sb=30 et Sh=80.
Cette figure montre que pour les rayons de voisinage faible (R=5 à la figure 32a), le
réseau tend à interpréter les petits détails de l’image au point de confondre les linéaments avec
le bruit. Par contre pour les rayons très grands (R=16 et R=20 voir figure 31c et 31d), on note
une perte d’information. Beaucoup de linéaments sont ignorés. Ceux retenus sont en majorité
de grandes dimensions. Ceci est dû au fait que, plus le rayon est grand, plus les pixels
appartenant au rayon auront tendance à se lier avec les pixels voisins. Et si la liaison n’a pas
été faite, ces derniers sont supprimés par l’effet inhibiteur du réseau. Par contre dans le
premier cas (faible rayon de voisinage), les liaisons sont faciles, et beaucoup de linéaments

61
sont mise en évidence. Les valeurs intermédiaires (R=12 figure 31b) donnent les bons
résultats.

- Influence des constantes de seuils

Toujours sur l’image de la figure 31, des variations de seuils ont été faites dans
l’optique de mettre en évidence l’influence des seuils sur la détection automatique. Ceci est
illustré par la figure 33 suivante :

(a) (b)

(c) (d)

Figure 33: Influence des constantes de seuils sur la détection automatique des linéaments. (a) :
Sb=10 et Sh=80 ; (b) : Sb=10 et Sh=150 ; (c) : Sb=20 et Sh=50 ; (d) : Sb=60 et Sh=150.
Paramètres utilisés: Δt=10 ; λ=0,6 ; ws=100 ; w=90 ; R=12.

62
Pour une valeur de Sb faible (figure 33-a et 33-b), on note plus de détail sur l’image et
l’apparition des linéaments de faibles dimensions. Une comparaison de ces deux figures
révèle un nombre plus élevé de linéaments dans le cas où les valeurs de Sh sont inférieures.
En d’autre terme, plus la différence entre les deux seuils est grande, plus les linéaments sont
éliminés.

La figure 33-c montre par contre que pour une différence faible avec les constantes de
seuils aussi faible, il y a un rehaussement de contours de grandes dimensions. Pour des
valeurs de Sb et Sh élevées tel à la figure 33–d, la longueur des linéaments est encore plus
grande. Ceci peut s’expliquer par le fait que les grandes valeurs de seuils, permettent
seulement de sélectionner les valeurs de gradient élevées et d’éliminer les gradients faibles.
Par contre, avec les faibles valeurs de seuils, toutes les valeurs de gradients sélectionnables
sont rehaussées. Dans un contexte de détection des lignes de grandes dimensions, les valeurs
de seuils grandes sont les plus judicieuses.

- Influence du paramètre λ

Un traitement de l’image de la figure 31 en utilisant une faible valeur de λ d’une part


et une forte valeur d’autre part a été fait. Une comparaison (figure 34) des deux résultats a
permis de mettre en relief, l’influence de la vitesse de décroissance du rayon de voisinage sur
la détection des linéaments.

(a) (b)

Figure 34: Influence de la vitesse de décroissance du rayon de voisinage sur la détection


automatique des linéaments par RNC : λ=0,3 (a); λ=0,9 (b). Paramètres utilisés: Δt=10 ;
ws=100 ; w=90 ; R=12 ; Sb=60 et Sh=150.

63
L’analyse de cette figure montre une ressemblance entre les linéaments rehaussés dans
les deux cas. Ce qui permet de déduire que la variation de ce paramètre n’influence pas pour
beaucoup le réseau et la détection des linéaments.

Les différents constats faits sur l’influence de la variation des paramètres du réseaux
ont permis de trouver les meilleures valeurs de paramètres (R=12 ; λ=0,6 ; w=90 ; ws=100 ;
Sb=60 ; Sh=150 et Δt=10) pour la réalisation de la carte linéamentaire détaillée de la région
de Bondoukou.

5.2.3. Carte linéamentaire détaillée

L’aspect novateur du protocole d’extraction automatique des linéaments par la


méthode des réseaux de neurones a permis après plusieurs itérations d’obtenir la carte
linéamentaire de la région de Bondoukou. Ceci s’est fait en utilisant les paramètres suivants :
R=12 ; λ=0,6 ; w=90 ; ws=100 ; Sb=60 ; Sh=150 et Δt=10. Ci qui a abouti au résultat suivant
(figure 35).

64
Figure 35: Carte de linéaments de la région de Bondoukou
Cette carte contient plus de 8000 segments de droites et/ou courbes correspondant à
des fractures potentielles et/ou des contacts géologiques d’ordre décamétrique à
plurikilométrique. Les interconnections entre les failles, et l’aspect très fracturé de la région,
témoignent de l’intensité des mouvements tectoniques qui ont eu lieu. La longueur cumulée
des linéaments est égale à 10 432 462 km sur une surface de 4500 km2. Le linéament le plus
long mesure 54102,72 Km et traverse le sud de la zone d’étude passant entre Wolobidi et

65
Tanbi. La carte de fracturation majeure (figure 36) est déduite de la carte détaillée où seule les
accidents plurikilométriques sont retenus.

Figure 36: Carte de fracturation majeure de la région de Bondoukou

5.2.4. Contrôle et validation des linéaments

Le contrôle et la validation ont été faits à partir de la carte géologique existante de


Zéade et al. 1995 et à partir du réseau hydrographique. Une superposition (figure 37) dans un
SIG des failles extraites de la carte géologique existante de Zéade et al., 1995 et du réseau

66
hydrographique sur la carte de fracturation majeure a permis de confirmer et de valider
certaines fractures tracés.

Figure 37: Superposition des linéaments avec le réseau hydrographique et les failles
répertoriés sur la carte géologique de Zéade et al., 1995.
Les rosaces directionnelles en longueurs cumulées (figure 38-a) et en nombre (figure
38-b) ont permis de faire ressortir les directions principales. Elles montrent une distribution
hétérogène de la fracturation.

67
(a) (b)

Figure 38: Rosace directionnelles obtenues par réseaux de neurones : (a) représente la rosace
en longueurs cumulées et(b), la rosace en nombres.
Deux grandes familles de fractures se distinguent : les fractures de direction NE-SW
(N 50, N 60, N 70, N 80 et N 90) et NW-SE (N 140, N 150, et 160). La première représente
l’orogénèse Eburnéenne qui a le plus marqué la zone d’étude. La seconde quant à elle, est le
résultat de l’orogénèse Libérienne bien que la région n’est pas été atteinte par cette dernière.
En dehors de ces familles, les autres présentent des fréquences inférieures à 6%. Cette analyse
montre aussi une similitude entre les fréquences en nombre et celles en longueurs cumulées.
Ces résultats signifient que les principales classes directionnelles de fractures identifiées
apparaissent les plus longues. Donc les fractures les plus abondantes en fréquences sont les
plus longues.

Une comparaison (figure 39) entre les fractures obtenues par réseaux de neurones, et
celles obtenus par les travaux de Youan Ta (2008) a été faite.

68
(a) (b)

(c)

Figure 39: Comparaison des linéaments tracés avec les travaux antérieurs : (a) représente les
fractures majeures obtenus à partir des travaux de Youan Ta (2008) ; (b) les fractures
majeures obtenues avec la méthode des RNC ; (c) est la superposition des deux résultats dans
un SIG et validation.

69
Plusieurs fractures identifiées par Youan Ta (2008) ont pu être retrouvées par réseaux
de neurones sur la même zone. Par ailleurs, nombreuses fractures non identifiées par ce
dernier, ont été mise en évidence par RNC. Par exemple, pour la même zone, on a pu
cartographier 248 fractures par RNC, contre seulement 127 d’après les travaux de Youan Ta
(2008). Ce qui montre encore la contribution des RNC à la cartographie de la fracturation
dans la région.D’autre part, les rosaces ont été comparées (figure 40-a et b) à celles obtenues
par les travaux de Youan Ta (2008) au Sud de la zone d’étude. On y note une très grande
similarité des deux rosaces marquées principalement par les orientations des linéaments
majeures bien que la différence de densité des linéaments soit variante. Ce qui a permis de
confirmer les cartes établies.

(a) (b)

Figure 40: Comparaison des rosaces directionnelles obtenues par réseaux de neurones avec
celles obtenues à partir des travaux antérieurs : (a) rosace en nombre obtenues par RNC ; (b),
rosace en nombre obtenues par Youan Ta (2008).

5.3.Cartographie lithologique

5.3.1. Identification des grandes unités lithologiques

Les images provenant des traitements spécifiques comme les compositions colorées, l’ACP
sélective et les ratios de bandes ont permis de distinguer les différentes unités lithologiques de

70
la région de Bondoukou. En effet, la composition colorée des bandes brutes ETM + 451
(figure 41), résultat du OIF le plus élevé, permet de distinguer au mieux les formations
volcano-sédimentaires (bleu et pourpre) des formations intrusives (en couleur jaune-vert).

Figure 41: Composition colorée 451 rehaussant les grands ensembles géologique de la zone
d'étude
Sur cette image, les formations volcano-sédimentaires sont très bien dissociables : les
schistes volcano-sédimentaires indifférenciés (SVSI) apparaissent en pourpre, les schistes à

71
dominantes pélitiques (SDP) en bleu d’acier, les amphibolites (AM) en vert olive et les
schistes à amphiboles et chlorite en verge d’or.

Ces résultats sont également confirmés par l’ACP sélective. Une composition colorée (figure
42) réalisée avec les premières composantes principales CP1123 - CP148 – CP1567 permet de
mettre en exergue des formations à l’extrême Sud-Ouest (entouré en jaune jaune) de la zone
d’étude couverte par la végétation et qui sont invisibles sur l’image de composition colorée
451.

Figure 42: Composition colorée CP1123 - CP148 – CP1567

72
Zoom sur les formations du Sud-Ouest mise en évidence par l'ACP sélective
L’apport de l’image hybride optique et radar est noté au niveau de détail
pétrographique et par le fait que les contours de sous divisions (figure 44) dans grands
ensembles sont plus nets. C’est le cas de métagranites au sein des métatrondjémites et au sein
des formations volcano-sédimentaires à l’extrême est sur la composition colorée OR 457 ci-
dessous.

73
Figure 43: Composition colorée OR 457 identifiant des formations de métagranite à biotite à
l'Est de la zone d'étude

74
5.3.2. Cartographie des sous-ensembles géologique

5.3.2.1.Cartographie des formations intrusives

- Granodiorite de Bondoukou (GD)

Bien visible en imagerie satellitaire, la granodiorite porphyroïde de Bondoukou


présente une forme plus ou moins circulaire autour de la ville de Bondoukou. Une
composition colorée obtenue à partir des premières composantes d’ACP sélective des bandes
optiques et radar (figure 45) rehausse les limites de la granodiorite porphyroïde de Bondoukou
ainsi que les cuirasses latéritiques qui y affleurent.

Figure 44: Composition colorée CP1123 – OR4 – CP1567 rehaussant le granodiorite de


Bondoukou et les cuirasse latéritique.

- Métagranites à biotite (MB)

Ces formations affleurent en majorité au Nord-Ouest de la zone d’étude. Elles


apparaissent aussi au sein des métatrondjémites et à l’Est au niveau des formations volcano-
sédimentaires.

Leur structure est mise en évidence par la composition colorée 457 optique-radar après
rehaussement par égalisation (Figure 46).

75
Figure 45: Composition colorée OR 457 rehaussant le métagranite à biotite
Cette figure permet également d’identifier les limites du métagranite à biotite présent
au sein des métatrondjémtites, et leur extension vers l’Est. Ces limites sont également
confirmées par l’ACP sélective des bandes optiques et radar (figure 47). D’autres formations
de métagranite à biotite ont aussi pu être mises en évidence à la frontière avec le Ghana,
précisément au niveau de la localité de Tagadi (voir figure 44). Ces formations étaient jusqu’à
présent mal connues.

76
Figure 46: Composition colorée CP1123 – OR4 – CP1567 montrant les limites du métagranite à
biotite de Sokola au sein des métatrondjémites.

- Les granites à biotite et muscovite (GBM) et les granites monzonitiques à


biotite et amphibole (GMBA).

Ces formations affleurent au Nord de la zone d’étude. Les premières cohabitent avec
les formations volcano-sédimentaires et les secondes, sont sein des métagranites à biotite
(MB). La composition colorée ETM+451 (figure 48) a permis de distinguer les deux types de
granites.

Figure 47: Composition colorée 451 différenciant les granites à biotite et muscovite des
granites monzonitique à biotite et amphibole

77
Les granites à biotite et muscovite (GBM) apparaissent en jaune violacée et sont
orientés NS tandis que les granites monzonitique (GMBA) sont en rouge et se présente sous
forme de croissant.

5.3.2.2.Formations volcano-sédimentaires

Ce sont : Les schistes à dominante pélitique (SDP), les schistes volcanosédimentaires


indifférenciées (SVSI) et les amphibolites (AM). Elles dominent l’Est de la zone d’étude pour
les SDP et le Sud-Ouest pour les SVSI. La composition colorée 451 présentée à la figure 48 a
permis de mieux distinguer ces deux formations.

Figure 48: Composition colorée 451 permettant d'identifier les schistes à dominante pélitique
et une lentille d'amphibolite
Les premières (SDP) y apparaissent en bleu et poupre tandis que les secondes (SVSI)
sont en rouge. Quant aux amphibolites (AM), elles se présentent en général sous forme de
lentilles et sont de coloration verte.

5.3.3. Contrôle et validation

La superposition dans un SIG de l’esquisse lithologique obtenue par télédétection avec


la carte géologique de Zéade et al., 1995 (figure 50), a permis de se servir des similitudes
pour valider les nouveaux contours identifiés.

78
Figure 49: Validation des contours identifiés par superposition avec la carte géologique
existante
L’analyse de cette figure dégage des similitudes et des dissemblances.

Les similitudes concernent les limites des grandes formations telles que :

- le métagranite à Biotite (MB) à l’Ouest de Kineta et Lahindi ;


- les amphiboles (A) au Sud des métagranites ;
- le granodiorite (GB) de Bondoukou ;
- et les limites des schistes à dominantes pélitiques (SDP) à l’Est de la zone d’étude.

Les dissemblances concernent :

- les métrondjémites (M), dont la limite Sud a été interrompue au niveau de Sokola
et Sorobango par les métagranites à bioite (MB) ;

79
- les métagranites à biotite (MB) du Nord de Sokola, au sein des métatrondjémites,
diffèrent du point de vu de la position de celle de la carte géologique, bien que la
forme soit la même ;
- les granites monzonitique à biotite et amphibole (GMBA) sont à présent sous
forme de croissant et diffèrent celle de la carte géologique par le fait qu’ils ont
connus un grand allongement et une extension vers l’Est ;
- les schistes volcano-sédimentaires indifférenciées (SVSI) de Tandi ont aussi
connus un allongement vers l’Ouest par rapport à ce qui avait d’abord été
cartographié.
- enfin, les granites à biotite et muscovite (GBM) de la carte géologique ont vu leur
forme rétrécir vers le Nord.

5.4. Esquisse litho-structurale de la région de Bondoukou

La combinaison de la carte de fracturations majeures avec l’esquisse lithologique a permis de


dresser l’esquisse litho structurale (figure 51) de la région de Bondoukou. Elle fait ressortir les
grands ensembles lithologiques (métagranite à Biotite, amphiboles, granodiorite, schistes à
dominantes pélitiques, métrondjémites, granites monzonitique à biotite et amphibole, schistes
volcano-sédimentaires indifférenciées, les granites à biotite et muscovite) de la région, de
même que fractures majeures (voir figure 36) dans la zone d’étude.

80
Figure 50: Carte lithostructurale téléanalytique de la région de Bondoukou

Conclusion partielle

Les corrections géométriques, la réduction du bruit, l’ACP, l’ACP sélective, les


fusions d’images et les filtrages spatiaux ont donné les images pour l’application de la
méthode de RNC d’une part et la réalisation de la carte lithologique d’autre part.

Dans le premier cas, une comparaison a d’abord été faite avec les résultats des
méthodes jusqu’ici utilisées (extraction automatique et seuillage) ; ensuite, l’influence des
paramètres du réseau a été mise en évidence ; ce qui a enfin permis de choisir les meilleurs
paramètres pour la réalisation de la carte de fracturation majeure et détaillée de la région.

81
Dans le second cas, les résultats des fusions d’images optiques et radar et des ACP
sélectives ont permis de cartographier à la fois les grands et sous-ensembles lithologiques.

Ces deux cartes combinés dans un SIG ont abouti à la carte litho-structurale de la
région de Bondoukou.

82
CHAPITRE 6 : DISCUSSIONS

6.

6.1.Cartographie structurale

6.1.1. Application des réseaux de neurones

L’application des techniques de prétraitement et de traitement par réseaux neurones


cellulaires ont abouti au rehaussement radiométrique des images, les rendant plus expressives
et plus fines pour la cartographie structurale. Ce qui a facilité le repérage de nombreux
éléments structuraux. Les techniques de détection automatiques des linéaments par RNC nous
ont donné des résultats presque semblables aux méthodes d’extraction manuelle. Les
différences sont plus marquées au niveau de la précision, et du temps d’exécution de
l’expérimentateur. Les méthodes d’extraction manuelle, utilisées dans les travaux antérieurs
(Savané, 1997 ; Saley, 2003 ; Jourda, 2005 , Youan Ta, 2008, Kouamé et al., 2009, Sorokoby
et al. , 2010, Ouatara et al. 2012 , et Otchoumou et al. 2012 ) se révèlent peu précises car les
images obtenues par les filtres de Sobel ne facilitent pas la vectorisation les linéaments et seul
un spécialiste parvient à les identifier ; ceci après un temps d’extraction très grand et un
travail épuisant.

Les méthodes d’extraction automatiques comme les RNC ont été conçues pour
combler les lacunes des méthodes manuelles. Ici, le délai d’obtention des résultats est
inférieur à celui de la méthode d’extraction manuelle. Leur objectivité dans l’extraction est
exceptionnelle, de même que leur précision et perception globale des linéaments. Le principal
défaut réside dans le nombre important de paramètres à définir avant chaque itération. En
effet, pour les rayons de voisinage faibles par exemple, le réseau tend à interpréter les petits
détails de l’image au point de confondre signal utile et bruit. Et par contre, pour les rayons
très grands, on note une perte d’informations. Ceci est aussi le cas pour d’autres paramètres
tels que le pas temporel Δt, et le paramètre de décroissance de la vitesse du rayon de
voisinage λ. Une valeur de Δt faible, entraine une lente exécution des itérations et par
conséquent l’apparition de plus de détails dans l’image. Pour un Δt élevé par contre,
l’exécution sera rapide de telle sorte que le réseau n’aura le temps de détecter tous les
linéaments et de les lier. Un autre choix important aussi, est les constantes de seuils. Si la
différence entre les seuils Sb et Sh est très grande, beaucoup de linéaments sont éliminés. Les
valeurs appropriés pour l’exécution, telles que indiquées ci-dessus, reste les valeurs moyennes
de ces paramètres :

83
- Rayon de voisinage : 8 ≤ R ≤ 15 ;
- Pas de temps : il est diminué à chaque fois que R est augmenté ;
- Vitesse de décroissance de R : 0,6 ≤ λ ≤ 0,7 ;
- Seuil bas : 50 ≤ Sb ≤ 80 ;
- Seuil haut 100 ≤ Sh ≤ 255

L’inconvénient est aussi le fait que pour différentes valeurs de ces paramètres, on
obtient une carte de fracturation différente.

Ces résultats sont en conformité avec ceux obtenus par Rouhana (1998) et Lepage et
al. (2000). Ces auteurs ont utilisés les RNC pour détecter les linéaments. Ils ont appliqués les
RNC sur une image de gradient de Sobel. Une comparaison des résultats entre les RNC à
répartition directionnelle avec les RNC à répartition cellulaire les a permis de conclure que les
RNC à répartition directionnelle sont les mieux indiqués par la détection automatique des
linéaments sur les images satellites.

Plusieurs approches d’extraction automatique ont déjà été abordée : la morphologie


mathématique et la transformée de Hough. La morphologie mathématique (Kouamé et al.,
2009), contrairement à la transformée de Hough (Poncelet et Cornet, 2010) qui est sensible
aux discontinuités majeures, extrait tous les linéaments sur l’image, même les plus discrets.
Son objectivité dans l’extraction des linéaments tout comme celle des RNC, est
exceptionnelle (Kouamé et al., 2009). Mais contrairement aux RNC, la perception globale des
fractures majeures est altérée car on note plus des présentations sous forme de brins de petites
tailles (Kouamé et al., 2009). Il est tout de même difficile de définir et de caractériser de
façon précise les linéaments à l’aide d’un élément structurant (Kouamé et al., 2009). D’où les
résultats sont difficilement interprétables. La transformée de Hough et les RNC présentent
l’inconvénient que tous les éléments détectés n’ont pas une signification géologique. Par
conséquent, quel que soit la méthode de détection automatique utilisée, elle est toujours
complétée par une interprétation assistée par l’expert géologue car cette approche hybride
permet de minimiser les biais.

6.1.1. Carte de fracturation obtenue

De nombreuses fractures ont été cartographié au niveau de Kineta, Pieye, Sapli,


Sorobango, Dibango, Bouroumba, Poukoubé. Ces accidents n’étaient pas connus car ils n’ont
jamais été répertoriés ou signalés dans les travaux de Zéade et al., 1995. Les accidents de

84
Sorobango-sud, de Taobi, Bandoli et du nord de Kineta répertoriés dans les cartes géologiques
ont été identifiés. L’analyse de cette carte permet de constater que ces derniers ont été
partiellement cartographiés. Leur prolongement a pu être mis en évidence. C’est le cas par
exemple de l’accident de Taobi qui se poursuit jusqu’à la localité de Wolobidi. C’est aussi le
cas des mini-fractures cartographiées au Nord-Ouest de la carte. Une comparaison de la carte
de fracturation obtenue par RNC avec celle établie par Youan Ta (2008) permet de confirmer
ces fractures. Mais il ressort de cette comparaison que, beaucoup d’autres fractures non
identifiées par cet auteur ont pu être cartographiées.

La richesse de la carte en éléments structuraux et sa validation, témoignent de la


pertinence de la méthodologie adoptée. Les résultats obtenus sont identiques à ceux obtenues
en côte d’ivoire par Youan Ta dans la région de Bondoukou (sud de la zone d’étude), par
Jourda (2005) et Kouamé (2013) dans la région de Korhogo, Kouamé (1999) et par Saley
(2003) dans la région de Man. Ces auteurs ont utilisés les combinaisons d’images, l’ACP,
l’analyse des textures et les filtres directionnels de taille 7x7. L’ensemble de ces techniques
utilisées dans le cadre de cette étude, a permis d’actualiser la carte de géologique existante sur
le plan de la fracturation car des nombreuses fractures additionnelles ont pu être identifiées et
celles existantes ont pu être ajustées.

6.2. Cartographie lithologique

L’application des techniques d’ACP Sélectives, fusions d’images, combinaisons


d’images et compositions colorées, ont abouti au rehaussement radiométrique des images, les
rendant plus expressives et plus nettes. L’ACP Sélectives et les fusions d’images optiques et
radars ont permis de rehausser les différences entre les propriétés spectrales des diverses
formations lithologiques facilitant ainsi leur cartographie. Les compositions colorées des
composantes issues de l’ACP Sélectives, des images brutes, des images hybrides optiques
radar et des indices ont également augmenté le contraste entre les propriétés spectrales des
différentes entités géologiques de la zone d’étude. L’analyse et l’interprétation de toutes ces
images dérivées ont abouti à l’actualisation de la carte des formations géologiques de la
région de Bondoukou. Cette actualisation a concerné les limites Est (région Sorobango
jusqu’à Tandi) et Sud-Ouest (région de Wolobidi) du métagranite à biotite affleurant au sein
des métatrondjémites. De même certaines limites Nord de ces métatrondjémites ont été mises
en évidence. L’actualisation des limites géologiques a également concerné les contours des
granites à biotite et muscovite de Kineta (GBM) au Nord, des granites monzonitique à biotite

85
et amphibole (GMBA) au Nord-Ouest de la zone d’étude. Quant-aux métagranites à biotite de
Kineta (MGB), les formations à l’Est, par rapport à leurs limites sur les cartes géologiques
existantes n’ont pu être mise en évidence. Sur la carte géologique, cette formation se poursuit
jusqu’au fleuve volta noire. De plus, la limite des formations volcano-sédimentaires
notamment les amphibolites (AM) et les formations schisteuses existantes sur les cartes
géologiques déjà réalisées, a été rehaussée et cartographiée. La limite Ouest de la granodiorite
porphyroïde de Bondoukou a aussi été plus ou moins reprécisée. Le traitement des images par
les techniques d’ACP Sélective, de combinaison d’images et la composition colorée ont donc
permis la réalisation de la carte géologique actualisée de la région de Bondoukou. Des
résultats similaires ont été obtenus par Jourda (2005), Youan Ta. (2008) et Kouamé et al.
(2013). Ces auteurs ont utilisé ces techniques de traitements des images satellitaires pour la
cartographie des formations géologiques de leurs zone d’études.

Malgré cette richesse des images dérivées, les limites entre certaines surfaces
homogènes sont parfois difficiles voire impossibles à cartographier. La cartographie des
limites séparant les unités volcano-sédimentaires a rencontré cette difficulté.

86
CONCLUSION GÉNÉRALE

Cette étude s’inscrit dans le cadre de l’application des techniques de télédétection dans
l’optique de mettre à jour la carte géologique existante. En d’autre terme, il s’agissait de
répondre à deux questions de recherche: comment extraire les linéaments de façon
automatique tout en respectant leur continuité spatiale ? Comment faire une cartographie
géologique sur la base des images satellitaires ? Pour répondre à ces deux préoccupations,
deux grands points ont été développés : une méthodologie de réseaux de neurones cellulaires
pour la détection automatiques des linéaments sur les images satellitaires d’une part ; d’autre
part, les méthodes de traitements d’images ont permis de mettre en exergue les formations
géologiques afin de déduire l’esquisse lithologique et l’esquisse litho-structurale.

Sur le plan structural, un calcul de gradient a d’abord été fait en utilisant les filtres de
Sobel et gradient de taille 7 x 7. Les réseaux de neurones cellulaires se sont montré un des
meilleurs outils d’amélioration de la qualité de ce gradient. Un seuillage à deux niveaux avec
l’algorithme de Canny (1986) a permis de sélectionner tous les linéaments rehaussés par les
réseaux de neurones, facilitant ainsi, la détection automatique. Ainsi, toutes les discontinuités
images sont détectées sur l’image et une carte linéamentaires préliminaires a été établie. Cette
dernière a subi une première validation consistant à éliminer tous les éléments linéaires ou
curvilignes d’origines anthropiques, laquelle validation a permis de donner à cette carte, une
valeur de carte de fracturation. Enfin, une seconde validation s’est imposée, afin de s’assurer
que les fractures identifiées répondent aux critères connues et coïncident plus ou moins avec
les fractures cartographiées par les travaux antérieurs et avec les tracés des cours d’eaux. Le
résultat de ces opérations nous a permis d’obtenir la carte de fracturation de la région de
Bondoukou.

La télédétection, avec la vision plus globale qu’elle offre, nous a permis de mieux
distinguer les réponses spectrales de grandes formations géologiques. Différentes méthodes
ont été appliquées à cet égard : les fusions d’images optiques et radar, l’ACP sélective, les
ratios de bandes et les compositions colorées. Chacune d’elle a permis de bien distinguer la
lithologie. Une comparaison des limites lithologiques identifiées par télédétection avec celles
présentes sur les cartes géologiques nous a permis de valider les informations obtenues et
d’établir une carte des formations géologiques téléanalytique de la région.

La combinaison de la carte de fracturation et de l’esquisse lithologique téléanalytique,


a abouti à l’esquisse litho structurale téléanalytique de la région de Bondoukou. Beaucoup de

87
fractures jusqu’ici inconnues ont été mise en évidence de même que le prolongement de
certaines existantes. Aussi, de nouvelles limites de certaines formations ont pu être détectées.
Ce qui a permis de mettre à jour la carte existante.

On retiendra de ce travail, la capacité des réseaux de neurones cellulaires à détecter de


façon automatique les linéaments sur les images satellitaires. Cette capacité se distingue en
matière de gain de temps de réalisation d’une carte, et en matière de précision car toutes les
« discontinuités images » synonymes de linéaments sont individualisées. Cette étude
minimise ainsi l’intervention des experts géologues dans l’identification des fractures. Mais la
méthode présente toutefois l’inconvénient du choix très minutieux des paramètres du réseau et
des seuils avant chaque itération. Bien d’autres applications peuvent encore être faites avec
réseaux de neurones et qui pourront faire l’objet d’études ultérieures.

- Perspectives

Les RN pourront servir ultérieurement à :

- utiliser les images radar polarimétriques afin d’améliorer la cartographie géologique


téléanalytique de la région et de mettre en exergue toutes les formations volcano-
sédimentaires qui n’ont pu être identifiées ;

- réaliser une fusion d’image optique et radar en utilisant cette fois, les images Landsat
OLI, et les images radar polarimétriques pour montrer l’apport de cette technique à la
cartographie géologique ;

- utiliser les réseaux de neurones à la prédiction des zones de minéralisation potentielles


et des zones favorables à l’implantation des forages afin de montrer sa contribution à
la réalisation des cartes thématiques ;

- faire un couplage SIG-réseaux de neurones, réseaux de neurones-analyse multicritère


pour mettre à jour les cartes thématiques existantes.

88
RÉFÉRENCES BIBLIOGRAPHIQUES

BASAK, J., CHADA, B., MAJUMBER and D.M. (1994). On edges and line linking with
connectionist models, IEEE Transactions on Systems, Man and Cybernetic, vol. 42, no. 3, pp.
413-428.

BELHADJ-AISSA, B.-A., BELHADJ-AISSA, A., KHEDAM, R. and BELHADJ-AISSA, M.


(2003). Fusion contextuelle d'images RSO (ERS-1) et de TM de Landsat 5, Revue
Télédétection, vol. 3, no. 2-3-4, pp. 349-360.

BENKOUIDER, F., HAMANI, L., ABDELLAOUI, A. and SALMON, M. (2012). Extraction


de routes par classification supervisée et par réseaux de neurones artificiels à partir d'images
SPOT: cas d'une ville voisine oasienne (Algérie), Revue Télédétection, vol. 11, no. 1, pp.
237-249.

BIÉMI, J. (1992). Contribution à l’étude géologique hydrogéologique et par télédétection des


bassins versants subsahariens du socle précambrien d’Afrique de l’ouest : hydrostructurale,
hydrodynamique, hydrochimie et isotopique des aquifères discontinus , Thèse de Doctorat
d'état es sciences naturelles , Université d'Abidjan, 480 p..

CALVINO , B. (2006). Qu'est-ce qu'un neurone ?, International Standard Book Number, pp.
352-396.

CANNY, J.F. (1986). A computational Approch of edge Detection, PAMI, vol. 8, no. 6, pp.
679-698.

CHIARI, F., BAPTISTE , J., DELHOM, M. and FI, J. (2000). Prédiction du comportement
hydrologique d'un bassin versant à l'aide de réseaux de Neurones, Corse, Acte de Conférence
Francaise ESRI 1999.

CHUA, L.O. and YANG, L. (1988). Cellular Neural Networks Theory: Applications, IEEE
Transaction on Circuits and Systems, vol. 35, no. 10, pp. 1273-1290.

CLARK, C.D. and WILSON, C. (1994) 'Spatial analysis of lineaments', Computers et


Geosciences, vol. 20, pp. 1237-1258.

COULIBALY, P., ANCTIL, F., BOBÉE and , BERNARD (1999). Prévision hydrologique
par réseaux de neurones artificiels : état de l'art, Revue canadienne de génie civil, vol. 26, no.
3, pp. 293-304.

89
COULOIGNER, I. and ZHANG, Q. (2007). Iterative and Localized Radon Transform for
Road Centerline Detection from Classifi ed Imagery, in M. Kamel et A. Campilho (Eds.)
ICIAR , LNCS 4633, Springer-Verlag Berlin, pp. 1093–1104.

DE SÈVE, and DESJARDINS, R. (1994). Contribution de données radar d’ERS-1 dans


l’appréhension de l’organisation des linéaments : le cas de l’astroblème de Charlevoix,
Journal canadien de télédétection, vol. 20(3), pp. 233-244.

DESJARDINS, R., IRIS, S., ROY, D.W., LEMIEUX, G.H. and TOUTIN, T. (2000).
Efficacité des données de RADARSAT 1 dans la reconnaissance des linéaments: un bilan.,
Canadian journal of remote sensing ISSN 0703 Congrès Final ADRO Symposium, Montréal,
CANADA, vol. 26, no. 6, pp. 537-548.

DUBOIS, J. (1999). Identification des linéaments des images satellitaires par ajustement et
suivi des segments, Mémoire de maitrise, école de technologie supérieuren Montréal, Canada,
123 p.

FABIEN , J. (1999). Apport des techniques neuronales a l'étude de la fonction de diffusion.


Application à la télédétection et aux télécommunications, Thèse de Doctorat de l'Université
de Paris 11, Orsay, France, 135 p..

FERNANDES F., and OLIVEIRA O., (2008). Real-time line detection through an improved
Hough transform voting scheme., Pattern Recognition, vol. 41, pp. 299-314.

FREEK , D.V.D.F., HARALD , M.A., WERFF, V.D., BAKKER, W.H., MARLEEN , F.,
NOOMEN, MEI, M.V.D. and BOUDEWIJN DE SMETH, T.W. (2012). Multi- and
hyperspectral geologic remote sensing: A review, International Journal of Applied Earth
Observation and Geoinformation., vol. 14, pp. 112-128.

GHULAM, A., RAMA, A., KUSKY, T.M. and AMER (2010). Mineral Exploration and
alteration zone mapping in the eastern desert of egypt using ASTER data, Annual Conference,
San Diego, California, 10 p.

GROSSEBERG, S. and WYSE, L. (1991). Invariant Recognition of Cluttered Scenes by a


Organissing Art Architecture: Figure Ground Separation, IEEE INNS International Joint
Conference On Neural Network, Seatle, Washington, pp. 633-638.

90
HOBBS, (1904) Lineaments of the Atlantic Border Region, Society of America Bulletin, vol.
22, pp. 123-176.

HOSNI, G. (2000). Utilisation des réseaux de neurones pour la cartographie des milieux
humides à partir d'une série d'images temporelles d'images RADARSAT 1., Thèse de Ph.D.
Université du Québec, Canada, p. 213

JERBI , J. (2006). Evaluation des options et gestion des risques financiers par les réseaux de
neurones et par les modèles à volatilité stochastique, Thèse de Doctorat de l'Université
Panthéon-Sorbonne - Paris I, 156 p.

JOURDA, J.P.R. (2005). Méthodologie d’application des techniques de Télédétection et des


systèmes d’information géographique à l’étude des aquifères fissurés d’Afrique de l’Ouest.
Concept de l’hydrotechnique spatiale : cas des zones tests de la Côte d’Ivoire, Thèse de
Doctorat d'état es sciences naturelles, Université de Cocody, Abidjan, 430 p..

KARNIELI, A., MEISELS, A., FISHER, L. and ARKIN, Y. (1996). Automatic extraction
and evaluation of geological linear features from digital remote sensing data using a Hough
transform., Photogrammetric Engineering et Remote Sensing, vol. 5, no. 62, pp. 525-531.

KOUAMÉ, K.F. (1999). Hydrogéologie des régions de Montagne : apports des données de
télédétection et des méthodes statistique et fractale à l’élaboration d’un système d’information
hydrogéologique à référence spatiale des aquifères discontinus du secteur Man-Danané, Thèse
de Doctorat, Université de Cocody, Abidjan, 215 p..

KOUAMÉ K., ADJA M. , G., SALEY , M.B. and JOURDA, J.P.R. (2013). Réalisation d’une
image pseudo-panchromatique RSO de Radarsat-1 pour la cartographie lithostructurale du
socle précambrien dans la région de Korhogo (Nord de la Côte d’Ivoire), International Journal
of Innovation and Applied Studies ISSN 2028-9324 pp 1-20.

KOUAMÉ, K.F., LASM , T., SALEY , M.B., TONYÉ , E. and M. (2009) ' Extraction
linéamentaire par morphologie mathématique sur une image RSO de RADARSAT-1 :
application au socle Archéen de la Côte d’Ivoire', Journées d’Animation Scientifique (JAS09)
de l’AUF Alger.

LEPAGE, R. (2004). Reconnaissance d'algues toxiques par vision artificielle et réseau de


neurones, Mémoire de maîtrise en ingénierie de l'Université de Québec, 231 p..

91
LEPAGE, R., ROUHANA, G.R., ST ONGE, B., NOUMIER, R. and DESJARDINS, R.
(2000). Cellular Neural Network for Automated Detection of Geological Lineaments on
Radarsat Images, IEEE transactions on geoscience and remote sensing, vol. 38, no. 3, pp.
1224-1233.

MALATERREY, P.O. ( 2003). Le controle automatique des canaux d’irrigation : etat de l’art
et perspectives, Colloque Automatique et Agronomie, Janvier , pp. 52-71.

MARIEB, HELEN, HOEN and KATJA (2010). Anatomie et physiologie humaines., ERPI
éditions, 442 p..

MEJDANI, S., EGLI, R. and DUBEAU, F. (2008). Old and new straight-line detectors,
description and comparison, Pattern Recognition, vol. 41, pp. 1845-1866.

MIRTA , G. (1997). Apprentissage et généralisation par des réseaux de neurones : étude des
nouveaux algorithmes constructifs, Thèse de doctorat de l'Institut national polytechnique de
Grenoble, Fance, 147 p..

MOORE, (1986) ' Digital Processing of Landsat-TM Image for Lineament Occurrence and
Spatial Frequency in Sedimentary Rock ', U.S, Departement of Interior, Geological Survey
Report DOE/OR21552-1, EROS Data Center 23 p.

O’LEARY, , FRIEMAN, and POHN, (1976). Lineament, Linear and Lineation : Some
Proposed New Standards for Old Terms., Geological Society of America Bulletin, vol. 87, pp.
1463-1469.

OTCHOUMOU , K.F., SALEY , M.B., AKÉ , G.E. and SAVANÉ , I. (2012). Apport de la
télédétection et des SIG dans l'identification des ressources en eau souterraines dans la région
de Daoukro (Centre-Est de la Côte D’Ivoire)., International Journal of Innovation and Applied
Studies (ISSN) , vol. 1, no. 1, pp. 35-53.

OUATTARA , G., KOFFI , G.B. and YAO , A.K. (2012). Contribution des images satellitales
Landsat 7 ETM+ à la cartographie lithostructurale du Centre-Est de la Côte d’Ivoire (Afrique
de l’Ouest). , International Journal of Innovation and Applied Studies (ISSN) , vol. 1, no. 1,
pp. 61-75.

PEDDLE, TOUZET, C., V. (1992). Les réseaux de neurones artificiels: introduction au


connexionnisme, 127 p.

92
PENN, B.S., GORDON, A.J., WENDLAND, R.F. (1993). Using Neural Networks to locate
edges and lineaar features in satellite images, Computer and geosciences, vol. 19, no. 10, pp.
1545-1565.

PERSONNAZ, L. and RIVALS, I. (2003). Réseaux de neurones formels pour la modélisation,


la commande et la classification, CNRS Editions, 218 p..

PONCELET , N. and CORNET, Y. (2010). Transformée de Hough et détection automatique


des linéament sur les images satellitaires et modèle numérique de terrain, Université de Liège,
Belgique, vol. 54, pp. 145-156.

RAWASHDEH, S.A., SALEH , B., HAMZAH, M. and MUNFER (2010). The use of Remote
Sensing Technology in geological Investigation and mineral Detection in El Azraq-Jordan,
Cybergeo : European Journal of Geography [En ligne], Systèmes, Modélisation,
Géostatistiques., vol. 358, pp. 1-15.

ROUHANA, R. (1998). Détection des linéaments dans les images satellitaires par les réseaux
de neurones cellulaires, Mémoire de Maitrise, Ecole de technologie supérieure, Montréal,
Canada, 96 p..

SALEY, M.B. (2003). Système d’informations hydrogéologiques a référence spatiale


(SIHRS) et discontinuités pseudo-images pour la cartographie thématique des ressources en
eau de la région semi-montagneuse de MAN (ouest de la côte d’ivoire)., Thèse de Doctorat,
Université de Cocody, Abidjan, 209 p.

SAVANÉ, I. (1997) Contribution à l'étude géologique et hydrogéologique des aquifères


discontinus du socle cristallin d'Odienné Nord-Ouest de la Côte d'Ivoire. Apports de la
télédétection et d'un Système d'Information Hydrogéologique à Référence Spatiale, Thèse de
Doctorat d'état ès Sciences Naturelles, Université d'Abidjan, 386 p.

SCANVIC, J.-Y. (2000). Télédétection aérospatiale et informations géologiques, Orléans:


Editions BRGM 385 p.

SOROKOBY, M.V., SALEY, M.B., KOUAMÉ , K.F., DJAGOUA , E.V. and BIÉMI, J.
(2010). Utilisation des images Landsat ETM+ et du SIRS pour la cartographie linéamentaire
et thématique de Soubre-Meagui (sud-ouest de la côte d’ivoire): contribution à la gestion des
ressources en eau souterraine , Revue Télédétection, vol. 9, no. 3-4, pp. 209-223.

93
TONYE , E., AKONO, A., NDI, N.A. and A. (1999). Le traitement par exemple des images
de télédétection., Université de Yaoundé 1. Ecole National Polytechnique de Yaoundé.
Laboratoire d’électronique et de traitement du signal, 250 p.

WADE, S., NDOYE, A., MBAYE, M. and WADE (2001). Fusion d’images optique et radar :
application à la cartographie du massif granitique de Bambadji (Falémé, Sénégal oriental),
Télédétection, vol. 2, no. 2, pp. 119-127.

WILLIAMS, R. and HERRUP, K. (2001). The Control of Neuron Number., The Annual
Review of Neuroscience, vol. 11, pp. 423–453.

YOUAN TA, M. (2008). Contribution de la Télédétection et des Systèmes d'Informations


Géographiques à la prospection Hydrogéologique su socle Précambrien d'Afrique de l'Ouest:
Cas de la région de Bondoukou (Nord-Est de la Côte d'Ivoire), Thèse de Doctorat de
l'Université de Cocody, Abidjan, 237 p.

YOUAN TA, M., LASM , T., JOURDA, J.P.R. and KOUAMÉ , K.F. (2008). Cartographie
structurale par imagerie satellitaire ETM+ de Landsat-7 et analyse des réseaux de fractures du
socle précambrien de la région de Bondoukou (Nord-Est de la Côte d’Ivoire), Revue
Télédétection, vol. 21, no. 1, pp. 43-71.

ZÉADE, Z., DELOR, C., SIMEON, Y., YAO, B.D., VIDAL, M., SONN,
SONNENDRUCKER, P. and DIABI, I. (1995). Notice explicative de la carte Géologique de
la Côte d’Ivoire à 1/200 000, Feuille Bondoukou., Mémoire de la Direction des Mines et de la
Géologie de la Côte d’ivoire, n°10 Abidjan, Côte d’Ivoire.

ZEINELABDEINA, K.A.E. and ALBIELYB, A.I. (2008). Ratio image processing


techniques: a prospecting tool for mineral deposits, red sea hills, NE sudan, The International
Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences., vol. 37,
no. B8, pp. 1295-1298.

94
ANNEXES

Annexe 1 : Fonction de transfert a=f(n).

la fonction de transfert f, limite en général l’amplitude de la sortie Si avec Si = f(Ai). Elle peut
avoir différentes formes en fonction de la relation entre l’entrée et la sortie du signal :

Annexe 2 : Typologie de réseaux de neurones.

Un réseau de neurones artificiels (RNA) est un ensemble de neurones associés en


couches et fonctionnant en parallèle (Personnaz and Rivals, 2003). La structure des

95
connexions entre différents neurones, détermine la typologie du réseau (voir annexe 2). On
distinguera : les réseaux multicouches, les réseaux récurrents ou dynamiques et les réseaux
cellulaires.

- Les réseaux multicouches : ce sont des réseaux dans lesquels, l’information se


propage de couche en couche sans retour de l’information. Il est composé d’une
couche d’entrée, une couche de sortie, et d’une ou plusieurs couches cachées. Ce
réseau est considéré comme un système neuronal non linéaire et statique.

Figure 51: réseau multicouche


- Réseau récurrent ou dynamique ou réseau à rétropropagation d’erreurs : ce sont
des réseaux dans lesquels, il y retour de l’information. Ils sont utilisés pour
identifier les systèmes dynamiques non linéaires.

Figure 52: Réseau Récurrent

96
- Les réseaux de neurones cellulaires : ce sont les réseaux dans lesquels, les
neurones sont entièrement connectés dans un plan. Chaque neurone est relié à tous
les neurones qui l’entourent. Une connexion entre deux neurones peut être
bidirectionnelle.

Figure 53: Réseaux de Neurones Cellulaires

Annexe 3 : Implantation du projet dans l’environnement MatLab

Cette annexe essentiellement aux personnes intéressées à faire une extension de la méthode
directionnelle de réseaux de neurones.
-Les images d’entrées sont : le module du gradient de l’image
d’entrée, la composante selon x de ce module et sa composante
selon y. Ce module a été calculé à partir des filtres de Sobel
et gradient de taille 7x7
- Il est question d’obtenir d’autres images de gradient calculé
par la méthode directionnelle de RNC. Donc les sorties du
réseau seront aussi les résultats de la transformation de ces
images.
Définition des paramètres du réseau
- Les images d’entrée :
 G : le module du gradient de l’image I à l’instant t
 Gx : la composante selon x du module G à l’instant t
 Gy : la composante selon y du module G à l’instant t
- Rt : le rayon de voisinage circulaire à l’instant t de
l’itération
- Ri : la rayon initial du voisinage circulaire
- W : la constante de poids de connexion entre les cellules
voisines
- Ws : le poids d’inhibition des cellules

97
- Lamda : la constante de vitesse de convergence
- Dt :le pas temporel
- W*dt : la constante de calibrage des poids de connexion
multiplié par le pas temporel
- Ws*Rt*dt : l’effet inhibition en fonction de la constante ws,du
rayon de voisinage à l’instant t et du pas temporel.
- Les images de sortie sont :
 E : le module de gradient à l’instant t+1
 Ex : la composante selon x du module à l’instant t+1
 Ey : la composante selon y du module à l’instant t+1
Ce programme s’est fait en trois parties :
- Le calcul des sorties intermédiaires
- Le calcul de ces sorties selon x et selon y
- Le calcul des poids de connexion

- Calcul des sorties intermédiaires


%Cette tâche calcul les sorties intermédaires V1, V2, V3 et V4 à
partir des images d’entrée G, Gx et Gy.
If G<1,
%Création des images V1, V2, V3 et V4 dans le cas où le module est
nul
V1=0 ;
V2=0 ;
V3=0 ;
V4=0 ;
End
Else
%création de l’image V1
V1=((Gx)^3)/G^2) ;
%création de l’image V2
V2=((Gx)^2*Gy)/G^2) ;
%création de l’image V3
V3=((Gy)^2*Gx)/G^2) ;
%création de l’image V4
V1=((Gy)^3)/G^2) ;
End
End
- Calcul des poids de connexions
% Cette tâche calcule les noyaux de convolution qui représentent les
différents poids wij.
%calcul de noyaux de convolution
%N11 ; N12 ;N13 ;N14 sont les noyaux de la première composante
intermédiaire U1 selon x
%N21 ; N22 ;N23 ;N24 sont les noyaux de la deuxième composante
intermédiaire U2 selon y
%initialisation des matrices qui déterminent chacun des poids de
connexions

98
% initialisation du rayon d’entrée par défaut Ri
R=str2double(get(handles.R,'String')); % cette fonction permet de
modifier plusieurs fois le rayon de voisinage en saisissant la
valeur souhaitée
%création des noyaux
N11=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N12=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N13=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N14=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N21=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N22=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N23=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
N24=[-Ri :1 :Ri ; -Ri :1 :Ri ] ;
Global x y k Rt ;
Global D R ;
Global N1, N2, N3, N4, N5, N6, N7, N8 ;
%partie entière du rayon d’entrée
R=Ri ;
%Rayon d’entrée
Rt=Ri ;
%initialisation des pointeurs pour balayer les noyaux de
convolutions
N1=N11 ;
N2=N12 ;
N3=N13 ;
N4=N14 ;
N5=N21 ;
N6=N22 ;
N7=N23 ;
N8=N24 ;
%initialisation
K=0 ;
for y =-R :1 :R
for x=-R :1 :R
% Le cube de la distance euclidienne du pixel (x,y) au centre du
noyau(0,0)
D= (x*x + y*y)*(x*x+y*y);
%mettre à zero les elements des noyaux de distance superieure au
rayon ou des centres des %noyaux(0,0).
if (D=0
D>(Rt^4)
N1[k]=0 ;
N2[k]=0 ;
N3[k]=0 ;
N4[k]=0 ;
N5[k]=0 ;
N6[k]=0 ;
N7[k]=0 ;

99
N8[k]=0 ;
end
else
% calcul des noyaux de convolution
N1[k] = ((y*y*y*y)/D);
N2[k] = (-x*y*y*y)/D;
N3[k]= (x*x*y*y)/D;
N4[k] = (-x*x*x*y)/D;
N5[k]= (-x*y*y*y)/D;
N6[k]= (x*x*y*y)/D;
N7[k]= (-x*x*x*y)/D;
N8[k]= ((x*x*x*x)/D);
end
k=k+1 ;
return ;
end
end
%mettre les valeurs résultantes dans un mini tableau afin de voir
leur variation au cours des %itérations
Tb=zeros(3,3);
Tb(1,1)=(get(handles.N1));
Tb(1,2)=(get(handles.N2));
Tb(1,3)=(get(handles.N3));
Tb(2,1)=(get(handles.N4));
Tb(2,2)=(get(handles.N5);
Tb(2,3)=(get(handles.N6));
Tb(3,1)=(get(handles.N7));
Tb(3,2)=(get(handles.N8));
Tb(3,3)=0;
%définition des autres paramètres du réseau
I=str2double(get(handles.I,'String')); %constante de seuil à
l’entrée du réseau
w=str2double(get(handles.w,'String')); %constante des poids de
connexion
ws=str2double(get(handles.ws,'String')); %constante des poids
d’inhibition
lamda=str2double(get(handles.lamda,'String')); %paramètre de
décroissance de Ri
t= str2double(get(handles.temps,'String')); %temps des itérations
dt= str2double(get(handles.dt,'String')); % pas temporel
%définition de la matrice A de prétraitements des images d’entrée
Ta=zeros(3,3);
Ta(1,1)=str2double(get(handles.a1,'String'));
Ta(1,2)=str2double(get(handles.a2,'String'));
Ta(1,3)=str2double(get(handles.a3,'String'));
Ta(2,1)=str2double(get(handles.a4,'String'));
Ta(2,2)=str2double(get(handles.a5,'String'));
Ta(2,3)=str2double(get(handles.a6,'String'));

100
Ta(3,1)=str2double(get(handles.a7,'String'));
Ta(3,2)=str2double(get(handles.a8,'String'));
Ta(3,3)=str2double(get(handles.a9,'String'));
%définition de la fonction de transfert
function y = pwlsig(x) % fonction sigmoide
function y = f(x) %fonction linéaire
y = abs(x+1)/2 - abs(x-1)/2; % fonction sigmoide
y=abs(x) ; %fonction linéaire

- Calcul des deux sorties intermédiaires U1 et U2 selon x et


selon y
% Cette tâche calcule les deux sorties intermédiaires selon x et y.
%calcul des huits images intermédiaires
C11= conv2(V1,N11,'same');
C12= conv2(V1,N12,'same');
C13= conv2(V1,N13,'same');
C14= conv2(V1,N14,'same');
C21= conv2(V2,N21,'same');
C22= conv2(V2,N22,'same');
C23= conv2(V2,N23,'same');
C24= conv2(V2,N24,'same');
%calcul des deux sorties intermédiaires
Global U1 U2 U
U1= w*dt(c11+c12+c13+c14)+(1-Rt*ws*dt)*U1 ;
U2= w*dt(c21+c22+c23+c24)+(1-Rt*ws*dt)*U2 ;
%calul du module du gradient résultant
U=(U1*U1+U2*U2)^0.5 ;
%exécution des réseaux de neurones
while(t<tf)
Im2=image((pwlsig(Xt)+1)*32);
%axis('image');
drawnow
tnext = min([tf,t+dtime]);
x0 = x0(:);
[t,y] = ode23('cnnderiv', [0, tf/2, tf], x0);
ly = size(y,1);
Xt=x0;
t = tnext
set(handles.showtime1,'String',num2str(t));
%pause(0.01);
end;
%Fin des calculs
NB : certaines démonstrations ont été abrégées. Pour plus de détail, nous renvoyons les futurs
intéressés au mémoire de Rouhana (1998).

101
Annexe 4 : Calcul de l’OIF (« Optimum Index Factor ») pour le choix des meilleures
compositions colorées

Figure 54: Calcul de l'OIF avec les images Landsat ETM+

102
L’OIF est calculé par l’équation (24) suivante :

Où Σ Sk = Somme des écarts types (déviations standards) des combinaisons des 3


bandes k1, k2, k3 et Σ |rj |= Somme des valeurs absolues du coefficient de corrélation.

Les combinaisons qui ont l’OIF le plus élevé est susceptible de fournir le maximum
d’informations puisqu’elle utilise les données ayant le moins de redondances. Une d’elles a
été retenue pour mettre en exergue les grands ensembles lithologiques aussi bien avec l’image
Landsat ETM+ (composition colorée 451) qu’avec l’image hybride (composition colorée
457).

103

Vous aimerez peut-être aussi