EVALUATION DU POTENTIEL DES SERIES D’IMAGES MULTI-TEMPORELLES OPTIQUES ET RADAR DES

SATELLITES SENTINEL 1 et 2 POUR LE SUIVI D’UNE ZONE CÔTIÈRE EN CONTEXTE TROPICAL:

CAS DE L’ESTUAIRE DU CAMEROUN POUR LA PÉRIODE 2015-2020

NJUTAPVOUI F. Nourdi 1, ONGUENE Raphael 2, RUDANT Jean Paul 3

1 : Institut de Recherche Géologique et Minière de l’IRGM ; Rue Vogt. BP: 4110 Yaoundé-Cameroun;
2 : Université de Douala, Institut Universitaire de Technologie, BP 8698 Douala-Cameroun ;
3 : Université Gustave Eiffel, LaSTIG UGE /IGN, 5, boulevard Descartes, Champs-sur-Marne, 77454 Marne-la-Vallée

Résumé
Ce travail porte sur l’évaluation du potentiel des images multi-temporelles et multi-capteurs (optique et radar) des satellites
Sentinel-1 et Sentinel-2 pour la cartographie de l’occupation du sol et le suivi de l’évolution du trait de côte dans un écosystème
tropical sur la période 2015 à 2020. La zone d’étude choisie est l’Estuaire du Cameroun. Cette zone représente un milieu de
transition écologique majeur dans la sous-région avec la présence de réserves naturelles protégées (mangroves, forêt dense,
zones humides) mais aussi une forte activité anthropique (constructions, agriculture, forêt dégradée). L’approche
méthodologique a consisté en une chaine de prétraitements et d’analyses visuelles d’images, suivie d’une combinaison des
bandes de chaque capteur, d’une classification supervisée Random Forest pour ébaucher une cartographie de l’occupation du
sol et enfin une numérisation du trait de côte. Globalement, les résultats montrent que la classification, avec les images
Sentinel-2 en utilisant 10 bandes et en ajoutant 4 indices de végétation, s’avère légèrement plus précise (95.75 %) que celle
issue des 13 bandes initiales (91.78 %). La classification réalisée avec la série d’images multi-temporelles Sentinel-1A (double
polarisation (VV, VH) et rapport VV/VH) conduit à une précision de 78.44 %. La combinaison des bandes Sentinel-2 A&B (10
bandes et 4 indices) et Sentinel-1 améliore les résultats et conduit à une précision de 98.76 %. Nos résultats montrent aussi
que l’utilisation des séries chronologiques d’images multi-temporelles améliore considérablement la précision de classification
par rapport à l’usage d’une seule image (mono-date), et cela pour les deux capteurs, soit un gain supplémentaire de 13 % et
10 % respectivement pour Sentinel-2 et Sentinel-1. Néanmoins ce gain reste faible pour les classes temporellement stables.
Les résultats d’analyse de l’évolution du trait de côte montrent que l’estuaire du Cameroun est perturbé selon différents niveaux
d’érosion (Cap Cameroun, Partie Nord île Manoka, embouchure de la Sanaga), et d’accrétion (Limbé, et Partie Sud île Manoka)
et aussi par de faible variations internes. La fusion des données de télédétection optique et radar dans la discrimination des
classes d’occupation du sol a permis de montrer que les zones de constructions sont les plus vulnérables à l’érosion côtière.
Par contre, la présence de végétation (mangrove, forêt) stabilise et protège la côte d’éventuels risques de cette nature.

Mots-clés : Ecosystème tropical, Estuaire du Cameroun, occupation du sol, évolution du trait de côte, télédétection, images
Sentinel-1 et Sentinel-2, classification supervisée Random Forest.

Abstract
This work deals with the evaluation of the potential of multi-temporal and multi-sensor (optical and radar) images of the satellites
Sentinel-1 and Sentinel-2 satellites for land cover mapping and coastline evolution monitoring in a tropical ecosystem over the
period 2015 to 2020. The study area chosen is the Cameroon Estuary. This area represents a major ecological transition in
the sub-region with the presence of protected natural reserves (mangroves, dense forest, wetlands) but also a strong anthropic
activity (construction, agriculture, degraded forest). The methodological approach consisted of a chain of pre-processing and
visual image analysis, followed by a combination of the bands from each sensor, a supervised Random Forest classification to
draft a land use map and finally a digitization of the coastline. Overall, the results show that the classification with the Sentinel-
2 images using 10 bands and adding 4 vegetation indices is slightly more accurate (95.75 %) than the classification with the
13 initial bands (91.78 %). The classification performed with the Sentinel-1A multi-temporal image series (dual polarization (VV,
VH) and VV/VH ratio) leads to an accuracy of 78.44 %. The combination of Sentinel-2 A&B bands (10 bands and 4 indices)
and Sentinel-1 improves the results and leads to an accuracy of 98.76 %. Our results also show that the use of multi-temporal
image time series significantly improves the classification accuracy compared to the use of a single image (mono-date), and
this for both sensors, i.e. an additional gain of 13 % and 10 % respectively for Sentinel-2 and Sentinel-1. However, this gain
remains small for temporally stable classes. The results of the coastline evolution analysis show that the Cameroon estuary is
disturbed by different levels of erosion (Cape Cameroon, North Manoka Island, Sanaga River mouth), and accretion (Limbe,
and South Manoka Island) and also by weak internal variations. The fusion of optical and radar remote sensing data in the
discrimination of land use classes, has shown that the construction zones are the most vulnerable to coastal erosion. On the
other hand, the presence of vegetation (mangrove, forest) stabilizes and protects the coast from possible risks of this nature.

Keywords: Tropical ecosystem, Cameroon Estuary, land use, coastline evolution, remote sensing, Sentinel-1 and Sentinel-2
images, supervised Random Forest classification.

88
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
 1. Introduction ERS 1&2 SAR Bande-C 30 35
(ʎ=6cm)
La télédétection par satellite est devenue un outil d’usage ENVISAT ASAR Bande-C 30, 150 35
courant, indispensable pour surveiller la couverture
(ʎ=6cm)
terrestre et ses changements car elle fournit des mesures
Tableau 1 : Caractéristiques spectrale, spatiale et
répétitives et standardisées qui sont spatialement continues
temporelle de quelques satellites
et comparables dans le temps (Nagendra 2001).
L’acquisition des données satellitaires se fait d’une part
La cartographie de ces écosystèmes littoraux a toujours été
avec des capteurs passifs qui sont tributaires d’une source
nécessaire, car il est fondamental d'évaluer les
externe de rayonnement électromagnétique et d’autre part
changements environnementaux et les menaces qui les
avec des capteurs actifs lorsque l’énergie
concernent, comme la dégradation de la biodiversité, les
électromagnétique est émise par le capteur lui-même. Les
inondations et les effets des changements climatiques
capteurs passifs fournissent des images optiques et
mondiaux. Principalement caractérisées par la présence de
thermiques dans les domaines spectraux du visible, proche
végétation, les zones littorales tropicales offrent un certain
et moyen infra-rouge ainsi qu’infrarouge thermique (PIR-
nombre de services écologiques et socioéconomiques tels
MIR-IR), tandis que les capteurs actifs fournissent des
que leur capacité à capter le CO2, stocker les eaux de crue,
images RADAR (Radio Detection And Ranging) dans le
améliorer la qualité de l'eau, et fournir des habitats pour la
domaine spectral micro-onde et des profils LIDAR (Light
faune. C’est aussi une zone tampon de protection de la
Detection and Ranging) dans les domaines spectraux Ultra-
zone côtière contre les pires effets des tempêtes. On estime
violet, visible et proche Infrarouge. Contrairement aux
à 50 % l’augmentation de la surexploitation de ces milieux
données optiques et LIDAR, le RADAR est très peu
depuis 1900 dans le monde (FAO, 1994). Une cause
sensible aux conditions atmosphériques. Etant en plus actif,
majeure de la perte de ces services écosystémiques est la
cela lui permet des acquisitions de jour comme de nuit et
conversion des forêts en terres agricoles en raison de la
par temps nuageux.
croissance économique et démographique observée dans
Plusieurs satellites de surveillance terrestre ont été ou sont
ces zones littorales. L’utilisation du bois de forêt et de
actuellement en orbite autour de la terre. Cependant, la
mangrove comme matériaux de construction et de bois de
plupart d’entre eux sont caractérisés (Tab. 1) soit par une
feu pour les communautés côtières constitue également
résolution spatiale moyenne ou grossière (Taille de pixel
une source importante de dégradation (Bandaranayake,
supérieur à 15 m) (MODIS, Landsat, ERS), soit par une
1998). Par conséquent, afin de garantir aux générations
répétitivité temporelle faible et géographiquement restreinte
futures le bénéfice des services écosystémiques fournis par
(Mairota et al. 2015 ; Gomez et al. 2016). Certains satellites
ces milieux (Barbier 2011), il est primordial de mettre en
présentent par contre un bon compromis de résolutions
œuvre les outils nécessaires à leur gestion et à leur
spatiale et temporelle élevées mais dont l’accès aux images
conservation afin d’assurer la meilleure protection possible
reste payant (SPOT, IKONOS, Worldview). Fait intéressant,
de cet environnement fragile. Grâce à l’appui de l’Agence
le programme Copernicus a permis l’accès à une nouvelle
Spatiale Européenne (ESA), les utilisateurs peuvent,
génération de satellites plus performants (famille Sentinel),
comme nous l’avons signalé précédemment, avoir
accès qui a récemment contribué à changer la donne,
désormais accès aux images Sentinel qui présentent un
offrant ainsi une disponibilité gratuite et des possibilités de
niveau sophistiqué de prétraitement. Cela a autorisé ces
cartographier n’importe quelle zone terrestre à l'aide
dernières années des applications massives pour surveiller
d'images optique et radar. Cela permet à la fois, la détection
divers écosystèmes : la combinaison des produits Sentinel-
de petits éléments dans les paysages grâce à des pixels
1 et Sentinel-2, associant des images aux capacités
décamétriques (10 m x 10 m) et la surveillance « presque
complémentaires radar et optique a notamment déjà fait
en temps réel » de la phénologie de la végétation, grâce à
l’objet de plusieurs études récentes qui ont démontré
une répétitivité de quelques jours. Bien que l’utilisation des
l’intérêt du couple Sentinel-1 et Sentinel-2. Citons par
données de ces nouveaux satellites ait déjà fait l’objet de
exemple la cartographie en zone humide (Kaplan, G., and
plusieurs études dans différents environnements, peu de
Ugur, A., 2018), celle des végétations naturelles en zone
travaux ont concerné les écosystèmes littoraux.
sahélienne (Lopez, M. et al., 2019) et en zones tempérées
et tropicales (Mercier, A. et al., 2019). Toutes ces études
Satellites Capteurs Domaine Résolution Résolution
spectral spatiale Temporelle ont montré que l’usage conjoint Sentinel-1 et Sentinel-2
(Longueur (m) (jour) apportait une amélioration sensible de la précision de
d’onde) classification des images, mais il est certain que la valeur
LandSat-8 OLI, 0.43 - 12.5 30, 100 16 ajoutée réelle est difficile à estimer globalement car les
TIRS (µm) et P(15) résultats dépendent toujours de la zone d’étude et s’avèrent
SPOT-5 HRV, 0.5 - 1.58 P (2.5), 26 donc difficiles à généraliser.
MLA (µm) XS (10) Pour compléter, donnons deux exemples d’utilisation
IKONOS THR 0.4 0.854 P(1), XS 3-5 des deux capteurs Sentinel-1 et Sentinel-2 pris séparément.
(µm) (3) Lors de l’utilisation des données Sentinel-2 seules, les
ALOS PALSA Bande-L 10-100 46 indices de végétation ont démontré leur importance pour le
R (ʎ=23.6cm) suivi du couvert végétal des cultures en zone humide
89
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
(Audrey M. et al, 2019) mais aussi pour mieux distinguer les de côte comme par exemple des zones d’érosion
sous classes de végétation. Concernant Sentinel-1, l’ajout significatives autour de Cap Cameroun. Cependant, bien
du rapport (VV/VH) aux deux polarisations VV et VH (Note : que conseillée, la mise en application des principes de
dans les systèmes radar les ondes électromagnétiques gestion durable basée sur un mode à tendance
émises ou reçues sont polarisées verticalement (V) ou restauratrice et conservatrice associée à une exploitation
horizontalement (H). Ainsi donc pour une image nous modérée des ressources de la biodiversité des zones
pouvons avoir les co-polarisations HH et VV et les côtières n’est quasiment pas pratiquée dans cette région du
polarisations croisées HV ou VH ((avec VH=HV pour les golfe de Guinée. L’une des raisons fondamentales de ce
capteurs monos statiques), combiné à un temps de revisite manque est l’absence généralisée de données historiques
de 6 jours, s’avère particulièrement bien adapté au suivi des continues et précises sur la position du littoral ; absence qui
variations saisonnières de la végétation dans les forêts ne permet pas de cerner collectivement l’importance des
tempérées (Frison, P-L et al, 2018). évolutions et de chercher les moyens de mieux les prendre
En Afrique Centrale, très peu d’études ont traité de la en compte.
dynamique du littoral. Parmi ces dernières, quelques Signalons qu’un travail à plus grande échelle portant sur
travaux récents ont été menés avec des conclusions très l’action de l’océan sur l’évolution du trait de côte de
intéressantes. Notamment les travaux d’Abessolo et al. l’ensemble du littoral camerounais et utilisant les images de
2018 sur l’évolution du littoral camerounais ont permis de la collection Landsat 4/5/7/8 a été effectué et est
comprendre les processus côtiers érosion/accrétion à l'aide actuellement soumis à publication dans une autre revue.
de la modélisation des courants barotropes dans l’estuaire Dans le cadre de la présente étude, plus localisée et précise
du Wouri. Par ailleurs, les travaux récents de Fotsi et al. portant uniquement sur l’estuaire du Cameroun, nous avons
2019 portant sur l’évolution temporelle (1948-2012) et utilisé les images de la série Sentinel avec deux objectifs :
dynamique du littoral ont démontré l’influence du régime la cartographie de l’occupation du sol et le suivi de
sédimentaire sur la variation du trait de côte dans ce même l’évolution du trait de côte.
estuaire. Tous ces travaux ont montré que le littoral
camerounais a connu des modifications complexes du trait

Figure 1 : Localisation de l’estuaire du Cameroun au fond du Golfe de Guinée : on peut noter la présence des villes de
Douala et Limbé ainsi que des zones de mangroves, forêts et fleuves. Les clichés de terrain ont été saisis par les auteurs
en utilisant un appareil manuel ou un drone.

90
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
 2. Site d’étude peu nuageuses ont été acquises pour la plupart en saison
sèche (novembre à février). Ces images ont été
D’une superficie d’environ 103 817 ha (ONEQUIP, 2009),
téléchargées soit depuis la plate-forme Copernicus de
l’Estuaire du Cameroun est situé au fond du Golfe de
l’ESA (https://scihub.copernicus.eu/dhus/), soit depuis la
Guinée (Fig. 1).
plate-forme d’exploitation des produits Sentinel PEPS du
Limité dans sa partie nord par le Mont Cameroun, il s'étend
CNES (https://peps.cnes.fr/rocket/#/).
dans sa partie sud jusqu’à l’embouchure de la Sanaga. Il
est caractérisé par la présence d’écosystèmes naturels qui
regroupent deux parcs nationaux terrestres (réserve Date Couverture Orbite
forestière Douala Edéa et celui du Mont Cameroun à Limbé) Sentinel-2 d’acquisition nuageuse relative
et aussi la deuxième plus grande surface de mangrove du (%)
pays (93 549 hectares), après celle du Rio-del-rey (125 259
hectares) (Ajonina, 2010 ; MINEPDED-RCM, 2017). La 27/01/2020 0.05
flore est principalement composée des espèces A 07/01/2020 3.83
Rhizophora racemosa et Avicennia germinans (Din, 2008) Type produit 02/01/2019 8.05 136
mais aussi de forêts et plantations (palmeraies, hévéas, (S2MSI1C) ; 07/01/2018 2.61
cacaoyères). Le climat est de type équatorial marqué par Identificateur 03/11/2018 5.72
une longue saison de pluies (au moins neuf mois), des de tuile 28/12/2017 0.05
précipitations abondantes (environ 4000 mm/an), et des (32NNK)
05/01/2019 4.81
températures annuelles moyennes élevées (26.7° C).
11/12/2017 2.81 036
Ouverte sur l’Océan Atlantique, cette baie est le réceptacle
25/01/2017 1.54
des principaux fleuves de la région (Moungo, Wouri,
Dibamba et Sanaga). (Yerima P.K. et Van Ranst, E., 2005) 07/05/2019 2.42 136
B 13/11/2017 0.97
3. Données et méthode Type produit
(S2MSI1C) ; 25/01/2020 2.13
3.1 Données de terrain 05/01/2020 4.6
Identificateur
Les données de validation ont été collectées lors de de tuile 26/12/2019 6.02 036
plusieurs enquêtes de terrain réalisées aux mois de mars (32NNK) 21/12/2018 1.44
2018 et novembre 2019. Environ 420 points de contrôle ont 26/12/2017 9.01
été enregistrés dans l’estuaire à l'aide d'un système de Tableau 2 : Données et caractéristiques des images
positionnement global (GPS ; Fig. 1). Le nombre de classes Sentinel-2A&B utilisées (acquises en orbite descendante,
identifiées était de 10, à savoir : plan d’eau, mangrove, forêt de jour) https://sentinel.esa.int/web/sentinel/user-
dense, forêt secondaire, végétation inondée, construction, guides/sentinel-2-msi/resolutions/radiometric
sol nu, sable, plantation (palmeraies, hévéas) et terre
cultivée. Les polygones ont ensuite été numérisés en 3.3 Traitement des images Sentinel-2
suivant des zones homogènes autour des points GPS à
l'aide des connaissances de la zone locale (144 points Lors du téléchargement des images Sentinel-2 via la
GPS), les informations de Google Earth (200 points de plateforme PEPS du CNES, nous avons effectué à la volée
les traitements proposés par le processeur MAJA :
contrôle), mais également la carte interactive de l’Atlas
détection de nuages, de correction atmosphérique et de
forestier (76 points de contrôle) fournie par le Ministère de
relief. Le processeur MAJA propose des algorithmes
la Forêt et la Faune du Cameroun (Atlas-MINFOF) (Fig. 1).
adaptés au traitement de séries temporelles d'images à
La superficie totale des échantillons par classe a fluctué de haute résolution acquises sous des angles de vue
4 ha (végétation inondée, sol nu) à 1500 ha (mangrove, constants ou quasi- constants (Baetens et al.2019). Nous
forêts, plantation) de façon à obtenir un minimum de 400 avons effectué des mosaïques d’images portant sur
pixels par classe. l’ensemble de la surface de notre zone d’étude, et enfin
3.2 Données Sentinel-2 fusionné les bandes spectrales mieux résolues
spatialement (B2, B3, B4, et B8, pixel à 10 m) avec les
Nous avons utilisé les images optiques Sentinel-2A&B autres bandes multispectrales moins résolues (B5, B6, B7,
acquises du 13 novembre 2017 au 27 janvier 2020 avec B8A, B11 et B12, pixel à 20 m) afin d’obtenir une image
moins de 10 % de couverture nuageuse détectée sur les multispectrale rééchantillonnée avec une taille de pixel 10
produits de niveau 1C (image mono-date ortho-rectifiée, m. Nous avons calculé à l’aide du logiciel SNAP, (SentiNel
exprimée en réflectance au sommet de l’atmosphère). Au Application Platform, développé par le l’Agence Spatiale
total, seulement 8 acquisitions ont été utilisées, car la zone Européenne (ESA) et téléchargeable via le site
d’étude se trouvant être dans une zone de convergence http://step.esa.int/main/download/. Foumelis et al., 2018)
quatre indices de végétation (Tab.3) pour chaque
intertropicale (ITCZ), la présence des nuages est quasi
mosaïque d’image Sentinel-2 car de nombreuses études
permanente tout au long de l’année. Nous avons ainsi au
ont démontré que ces canaux et ces indices sont
cours d’une année une proportion d’environ 2.7 % d’images
intéressants pour l’étude du couvert végétal (Audrey M. et
présentant moins de 10 % de nuage (Tab. 2). Ces images al, 2019).
91
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
 Indices de Formules Canaux Sentinel-2 utilisés Références
végétation
NDVI (NIR-Re)/(NIR+Re) (B8-B4)/(B8+B4) Rouse, J.W.J., 1973
NDWI (NIR-Ge)/(NIR +Ge) (B8-B3)/(B8+B3) Gao,B.C.,1996
2.5*(NIR-Re)/(NIR+6*Re- 2.5*(B8-B4)/ (B8+6*B4-
EVI 7.5*Be+1) 7.5*B2+1) Huete, A.R., 2012
SAVI 1.5*(NIR-Re)/(NIR +Re+0.5) 1.5*(B8-B4)/(B8+B4+0.5) Huete, A.R., 2002

Tableau 3: Indices de végétation calculés à partir d'images Sentinel-2 pour la zone d'étude. Be = bande bleue,
Ge = bande verte, Re = bande rouge, NIR = bande proche infrarouge. B = Canaux Sentinel-2 NDVI (Normalized
Difference Vegetation Index), NDWI (Normalized Difference Water Index), EVI (Enhanced Vegetation Index), et
SAVI (Soil-adjusted Vegetation Index).
logarithmique. A chaque pixel ont été associés les 3 canaux
, , ( − ). Un filtre spatio-temporel
3.4 Données Sentinel-1 (Multi-temporal speckle filter) a été utilisé en exploitant la
pile d’images, pour réduire les effets du chatoiement
Pour ce qui est des images radar, nous avons utilisé les (speckle) [Note : le speckle est un phénomène
données Sentinel-1, au format GRD qui sont des données d’interférences aléatoires (constructives ou destructives)
d’amplitude A (et d’intensité I=A²). Au total, 124 images qui conduit à une réponse en amplitude fortement variable
Sentinel-1 ont été téléchargées sur le même site que les dûe à la nature cohérente de l’onde électromagnétique ou
données Sentinel-2, entre le 23 juin 2015 et le 28 janvier encore une sorte de bruit qui dégrade la qualité de l’image
2020 en orbite ascendante sur la trace 132 avec une et peut rendre l’interprétation visuelle ou numérique plus
fréquence moyenne de deux images par mois (Tab. 4). En difficile] sans trop dégrader la résolution spatiale de
raison du mode de traitement adopté dans notre étude, chacune d’entre elles, avec une taille de fenêtre Lee Sigma
seules les données d’amplitude ont été utilisées. 5x5 ; l'efficacité d'un tel filtre par rapport aux images filtrées
à date unique a déjà été démontrée (Quegan et Yu 2001;
Sentinel-1 Mc Nairn et al. 2014). Par contre, un filtre spatial mono-
temporel (Single product speckle filter), a été utilisé sur
Bandes C (longueur d’onde 5.6 cm; 5.4 GHz) l’image la plus récente (28/01/2020), avec les mêmes
Mode Interferometric Wide Swath paramètres de configuration que précédemment.
Type de produit Ground Range Detected
Résolution 20 x 22 m (distance x azimuth) 3.6 Série d’images Sentinel-1 et Sentinel-2
Taille pixel 10 x 10 m (range x azimuth)
Résolution 12 jours Nous avons également utilisé dans un premier temps une
temporelle nouvelle série d’images multi-temporelles composée des 3
Direction orbite canaux Sentinel-1 (VVdB, VHdB, (VVdB-VHdB)) et,pour les
Ascendante
Polarisation données Sentinel-2, uniquement l’ensemble des bandes de
VV et VH
tailles de pixel 10 m et 20 m (fusionnées à 10m de pixel)
Footprint 250 x 350 km
o auxquelles nous avons ajouté les 4 indices (NDVI, NDWI,
Angle d’incidence ( ) 29.1° - 46.0°
EVI et SAVI) de chaque image ; et dans un second temps
Date d’acquisition 23/06/2015 – 28/01/2020
un simple couple d’images Sentinel-1 et Sentinel-2 avec les
Nombre d’images 124
bandes citées dans le tableau 5.
Tableau 4 : caractéristiques des images Sentinle-1 utilisées

3.5 Traitement des images Sentinel-1

Une série de traitements proposés par le logiciel SNAP a

été conduite sur ces images ; à savoir : une ortho-
rectification pour corriger les distorsions géométriques y
compris celles du relief grâce au MNT SRTM, une
mosaïque d’image (assemblage d’images pour couvrir
l’ensemble de la zone d’étude) une conversion de l'intensité
en valeurs de coefficients de rétrodiffusion sigma0
calibrées, exprimées en dB selon une échelle
92
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
 Analyse Multi- Analyse
Noms Canaux temporelle Mono-date
images images
(bandes) (bandes)

Sentinel- Réflectance 13 (B1, B2, B3, B4, B5, 8(104) 1 (13)

2 bandes B6, B7, B8, B9, B10,
spectrales B11, B12, B8A)
(S2_13)
Réflectance 10 (B2, B3, B4, B5, B6, 8 (112) 1 (14)
bandes B7, B8, B8A, B11, B12,
spectrales + 4 NDVI, NDWI, EVI,
indices SAVI )
(S2_10_ind)
Sentinel- Coefficient de , ,( − 124 (372) 1 (3)
1A rétrodiffusion )
S1A_Sigma0

Fusion (S2_10_ind + S2_10_ind et , {8 + 124} 1(14) +1(3)

S1A_Sigma0) ,( − ) (484)

Tableau 5 : Données d’entrées pour la classification : B = bande spectrale, Sigma0 = coefficient de

rétrodiffusion, S1A_Sigma et S2 = Sentinel-1 et Sentinel-2, VV et VH = polarisations. Les valeurs entre
parenthèses sont les nombres totaux de bandes pour le jeu d’images considéré. La mosaïque d’image
Sentinel-1 et Sentinel-2, réalisée sur la zone d’étude.
del’écosystème dépend des contrastes observés en
3.7 Choix des classes d'apprentissage et de contrôle termes de réflectance pour l’optique et du coefficient de
rétrodiffusion pour le radar. Présentons rapidement 5
classes que nous considérons comme représentatives de
La figure 2 présente plusieurs classes (forêt dense, forêt
notre zone d’étude.
secondaire, mangrove, construction, sable, savane
- La forêt dense que nous considérons ici n’a subi aucune
inondée et plan d’eau) présentes dans la zone de l’île
exploitation contrairement aux forêts secondaires.
Manoka. Il faut noter que les autres classes, à savoir :
- Les mangroves sont constituées d’espèces de forêts
plantation, sol nu et terre cultivée, en plus des 7 classes
particulières qui se développent avec des racines et une
précédentes, ont pu être identifiées dans l’ensemble de la
partie du tronc baignant dans l’eau de mer. Elles
zone d’étude. Toutes les classes ont donné lieu à une colonisent les bancs de vase des milieux d’eau saumâtre.
sélection de polygones d’apprentissage lors de - Les zones inondables sont couvertes de végétation
l’exploitation des images Sentinel-1 et Sentinel-2. Nous herbacée et peuvent être inondées en saison des pluies.
avons identifié 10 classes d’occupation du sol pour un total - Les zones de constructions, de nature diversifiée, sont
de 420 points de contrôle (Fig. 1) choisis dans des constituées, soit d’habitations, soit de structures
paysages homogènes. La séparabilité des composantes industrielles.

Figure 2 : Images Sentinel-2(B12, B11, B4) (à gauche) et Sentinel-1 (VV, VH, VV/VH) (à droite) sur l’île de
Manoka et clichés de terrain relatifs à plusieurs classes : plan d’eau, mangrove, forêt dense, forêt secondaire,
végétation inondée, constructions, zone ensablée

93
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
Par ailleurs, le phénomène d’érosion, dû aux effets de la 2020 ont été calculés. Toutes les représentations des
houle et des courants, peut être observé le long des plages extraits de trait de côte sont référencées dans le système
et des forêts de mangrove. géodésique mondial WGS84 en projection UTM 32 N.
Les figures 3 et 4 correspondent aux différentes étapes
3.8 Méthode de classification nécessaires pour établir les positions des transepts et le
Dans le cadre de cette étude, nous avons utilisé calcul des taux de changement en suivant la position de
l’algorithme classificateur « Forêt aléatoire » (Random chaque trait de côte. Après avoir choisi une ligne de
Forest (RF)) implémenté dans Orfeo Toolbox (OTB). La référence (baseline), les transepts (ligne perpendiculaire à
justification de ce choix est décrite dans (Inglada, J. ; 2015) la ligne de référence et interceptant en un point chaque trait
et peut être résumée par le fait que cet algorithme fournit de côte numérisé) ont ensuite été projetés à partir de cette
une classification de haute qualité pour une grande variété ligne à des intervalles de 500 m qui interceptent chaque
d’écosystèmes, dans un temps de calcul court par rapport trait de côte initialement vectorisé (fig. 3). Les statistiques
à d'autres classificateurs sophistiqués comme le de taux de régression linéaire (LRR) et la vitesse
classificateur par Séparateur à Vaste Marge (SVM). d’évolution (EPR) intégrées dans DSAS ont été calculées
Au total 8 classifications ont été effectuées : soit 4 pour estimer le déplacement du littoral pour toute la période
classifications pour les images Sentinel-2 (2 réalisations de l’étude (fig.4). En prenant en compte la cohérence
pour la série multi-temporelle et 2 également pour les globale de nos résultats, la précision de localisation GPS
images prises isolément (mono-date), les deux réalisations ainsi que des contrôles de terrain localisés, nous avons
différant par le choix des canaux utilisés), 2 classifications évalué à quelques mètres l’incertitude de mesure des
pour Sentinel-1 (une pour la série multi-temporelle et une déplacements relatifs du trait de côte ainsi déterminés.
pour une image prise isolément) et enfin, 2 classifications
prenant en compte les données Sentinel-1 et Sentinel-2
(une pour l’ensemble des images S1 et S2 et une pour un
simple couple d’images Sentinel-1 et Sentinel-2). (tab. 5).
Des valeurs moyennes de la radiométrie et des écart-types
de variation sont associés comme indicateurs de
séparabilité à chacun des polygones d’apprentissage. Cela
a permis de bien discriminer les classes par une approche
spectrale statistique des polygones homogènes retenus
pour représenter chaque type d’occupation du sol. La
distribution des points dans les classes d’occupation est
faite de manière aléatoire et répétée plusieurs fois pour
garantir que les résultats ne soient pas biaisés par une
combinaison spécifique des classes entre points voisins, et
cela pour éviter toute corrélation. Pour chaque itération, la
matrice de confusion a été calculée sur la base des classes
de référence ainsi que la précision F-score qui est la
moyenne géométrique de la précision productrice et la
précision utilisateur. (Congalton, 1991). Une précision
globale, indiquant le pourcentage des pixels bien classés
par rapport au nombre total des pixels contrôlés dans la
classification, est également calculée (Sasaki 2007).

3.9 Extraction du trait de côte

Figure 3 : Haut : Illustration de l’intersection d’un transept sur

La détection et l'extraction du littoral ont été effectuées
chaque trait de côte à différente dates. Bas : un exemple du taux
manuellement en numérisant la ligne de végétation visible, de régression linéaire calculé à partir des positions successives
puis la carte du taux de déplacement global du trait de côte des traits de côte
a été calculée à l'aide du module d'extension système
d'analyse numérique du littoral du logiciel ArcMap.(Digital
Shoreline Analysis System DSAS), version 4.3 (Thieler et
al., 2009). L’année 2015 a été utilisée comme année de
référence et les taux d’évolution du littoral entre 2015 à
94
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
Figure 4 : Diagramme présentant les étapes nécessaires pour établir les positions des transepts et effectuer
le calcul des taux de changement statistiques en utilisant l’’extension DSAS de ArcMap.

95
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
 4. Résultats les plantations, 3.2 % pour les terres cultivées, 11.7 %
pour la savane inondée, et enfin 3.5 % pour le sol nul. Par
Nous présentons ci-dessous les résultats obtenus sur les
contre la précision F-Score a légèrement diminué pour la
volets « occupation du sol » et « évolution du trait de côte"
classe de construction (-1.5 %). (Tab. 6)
4.1 Occupation du sol 4.1.2 Classifications avec Sentinel-1

Ce paragraphe est consacré à la présentation des En revanche, les résultats obtenus avec la série d’image
résultats de classification obtenus, d’une part avec les Sentinel-1 temporelle (124 images avec 372 bandes) sont
images Sentinel-1 et Sentinel-2 traitées isolément et nettement meilleurs que ceux obtenu avec une seule
d’autre part avec les séries temporelles Sentinel-1, image (3 bandes). (Fig. 5b). Le gain moyen est alors de
Sentinel-2 et (Sentinel-1+Sentinel-2). La figure 5 (page 11) 10 %, tout en étant fortement influencé par la classe
illustre de manière synthétique les résultats obtenus avec considérée. La classification réalisée avec les images
les séries temporelles sur la zone d’étude incluant l’île multi-temporelles permet d’avoir une meilleure prise en
Manoka. considération des plantations, des sols nus, des terres
cultivées (F-score>70 %) (Tab. 6). Pour les classes
4.1.1 Classifications avec les données Sentinel-2 stables dans le temps (forêt dense, forêt secondaire, plans
d'eau et construction), le gain de précision est faible
Les classifications réalisées avec les séries temporelles
(augmentation de 1 % au mieux). Cependant, les classes
Sentinel-2, soit à partir de 10 canaux associés à 4 indices
clairement identifiables par leur comportement temporel
de végétation, soit à partir des 13 bandes originales,
(plantation, savane inondée, terre cultivée) s’avèrent
montrent respectivement des précisions globales de 95.75
beaucoup mieux classées lors de l'utilisation des séries
% et 91.78 % (Tab. 6). Par contre, pour les classifications
d’images multi-temporelles. Les erreurs statistiques les
réalisées à partir d’une seule image, les précisions
plus élevées peuvent être observées dans les zones de
globales sont moindres de 5 à 10 % en retenant les
forêt dense, forêt secondaire et mangrove, car, dans
mêmes choix de canaux. Nous présentons (Fig. 5a), les
certains cas, le signal radar enregistre de façon identique
résultats issus des analyses menées avec le groupe de 10
ces écosystèmes pourtant bien distincts du point de vue
bandes + 4 indices, car ce choix permet d’extraire les
structurel et écologique. Nous avons récapitulé tous les
différentes classes avec moins d’omissions. Avec
résultats statistiques obtenus au cours de chacune des
Sentinel-2, passant d’une seule image avec 10 bandes +
classifications réalisées dans le tableau 6.
4 indices, aux données multi-temporelles (8 images avec
112 bandes), le gain de précision F-Score varie avec la
classe ; 6.3 % pour la mangrove, 13.9 % pour la forêt
dense, 35.2 % pour la forêt secondaire, 3.1 % pour
Classes Précision Producteur (%) Précision Utilisateur (%) F-Score (%)
S2_13 S2_10_ind S1A S2_13 S2_10_ind S1A S2_13 S2_10_ind S1A
Mo Mu Mo Mu Mo Mu Mo Mu Mo Mu Mo Mu Mo Mu Mo Mu Mo Mu
Eaux 84.9 99.9 99.9 99.9 98.1 99.9 98.9 99.5 99.9 99.3 98.8 99 91.9 99.7 99.9 99.6 98.5 99.5
Mangrove 71.2 39.6 92.2 98.7 57.8 81.6 74.3 98.4 86.4 92.4 48.1 76.9 72.7 69 89.3 95.6 53 79.3
Forêt
66.7 97.2 78 85 66.5 70.5 58.3 80.3 94.2 97.3 51 74.6 62.5 88.8 56.1 91.2 58.7 72.6
secondaire
Savane
47.7 93.4 97 99.6 72.2 93.1 36.2 65.4 66.6 87.4 42.8 38.7 41.9 79.4 81.8 93.5 57.5 65.9
inondée
Forêt dense 18.5 66.8 77.6 88.3 41.9 38.2 49.9 70.3 67.5 84.6 53.6 58.1 34.2 68.5 72.5 86.4 47.8 48.2
Construction 90.1 89.6 85.7 84.2 75.2 78 46.1 94.6 99.3 98.5 75.1 71.1 68.1 92.1 92.5 91.3 75.2 74.6
Sable 38.5 77.6 96.1 68.1 55.8 69.3 4.7 39.2 46 77.6 30.6 30.9 21.6 58.4 71.0 72.8 43.2 50.1
Sol nu 4.3 42.1 94.6 99.4 78.5 78.3 33.3 68.9 97.6 99.7 68.1 75.3 18.8 55.5 96.1 99.6 73.3 76.8
Plantation 36.5 85.4 98.6 99.6 67.8 85.8 66.5 74.9 76.6 81.9 44.5 59.3 51.5 80.1 87.6 90.7 56.1 72.5
Terre cultivée 17 75 98.6 99.4 41.6 74.2 86.4 92.3 91.2 96.9 79 81.1 51.7 83.6 94.9 98.1 60.3 77.7
Nuages 99.7 99.9 100 92.5 9.3 97.5 99.7 0 54.5 98.7 99.8 0
Précision
61.8 91.7 89 95.7 67.6 78.4 61.8 91.7 89 95.7 67.6 78.4 61.8 91.7 89 95.7 67.6 78.44
globale

Tableau 6 : Synthèse en pourcentage de répartition des classes pour la précision Producteur, Précision Utilisateur, F-Score et
précision globale de chacune des approches de classification en mono-date et multi-date pour Sentinel-1 et Sentinel-2. Notations :
S2_13=Sentinel-2 avec les 13 bandes d’origine ; S2_10_ind=Sentinel-2 avec 10 bandes (tailles de pixel de 10 et 20 m) ajouté des
4 indices de végétation ; S1A=Sentinel-1A ; Mo=mono-date ; Mu=multi-date.

96
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
 4.1.3 Usage conjoint des séries Sentinel-1 et les points de contrôle bien classifiés. Par contre les
Sentinel-2 résultats du tableau 8 sont exprimés en pourcentages.
Parmi les points classés forêt dense, 3 % des points
L'utilisation combinée des séries chronologiques Sentinel-2
correspondent en réalité à la classe de forêt secondaire et
et Sentinel-1 conduit à une très bonne classification des
2 % à la mangrove. Parmi les points classés forêt
plans d'eau, et sol nus (score F par classe ≥ 99 % (Tab 8),
secondaire, 14 % des points correspondent en réalité à la
tandis que, les autres classes : mangrove, forêt secondaire,
classe de forêt dense, 3 % comme plantation et 1% comme
plantation, terre cultivée, savane inondée sont identifiées
mangrove.
avec un F-score variant entre 90 et 97 %. (Tab. 8). Nos
En moyenne, les zones sableuses, de construction et de
résultats montrent que les principales confusions se situent
forêt dense, sont les plus difficiles à classer (score F ˂ 87
entre la mangrove, la forêt dense, la forêt secondaire et les
%). L'ajout de données Sentinel-1 aux données Sentinel-2
plantations (Tab. 7). L’analyse en détail des résultats
permet une meilleure détection des terres cultivées et sols
statistiques des matrices de confusion (Tab. 7) présente les
nus (gain de précision de ≥10 % par rapport à Sentinel-2
classes de référence en lignes et les classes prédites par le
seul ; Tab. 8). La mangrove et la savane inondée sont
classificateur en colonnes. Les résultats sont exprimés en
également mieux détectées lors de l'ajout de données
valeurs absolues par rapport aux classes de référence et,
Sentinel-1 aux bandes Sentinel-2 (gain de précision entre 8
par conséquent, les valeurs dans la diagonale représentent
et 5 %).

Forêt Savane Forêt Terre

Classes Eaux Mangrove Construction Sable Sol nu Plantation Nuages Total
secondaire inondée dense cultivée
Eaux 75756 8 0 0 3 16 545 0 0 1 0 76329
Mangrove 0 62137 2067 20 2211 13 354 0 2 0 0 66804
Forêt secondaire 2 63 148048 5 3437 33 193 0 93 8 0 151882
Savane inondée 0 243 472 6354 47 20 136 0 0 2 0 7274
Forêt dense 0 42 20770 23 87802 0 78 0 1 5 0 108721
Construction 0 0 92 0 0 25124 192 4 6 15 0 25433
Sable 0 0 2 0 0 345 1266 6 0 0 0 1619
Sol nu 0 0 0 0 0 4 10 15506 0 18 0 15538
Plantation 0 0 5180 0 5 31 3 0 25111 15 0 30345
Terre cultivée 0 0 239 0 34 76 21 46 25 14137 0 14578
Total 75758 62493 176870 6402 93539 25662 2798 15562 25238 14201 0

Tableau 7 : Matrice de confusion de la classification d'image Sentinel-1 (372 bandes) et Sentinel-2 (112 bandes). Cette
matrice brute présente les classes de référence en lignes et les classes prédites par le classificateur en colonnes. Les
résultats sont exprimés en valeurs absolues par rapport aux classes de référence et, par conséquent, les valeurs dans
la diagonale représentent les points de contrôles bien classifiés.

Précision Précision
Classes F-Score
Producteur Utilisateur

Eaux 100 99.25 99.65

Mangrove 99.23 93.01 96.12
Forêt secondaire 84.74 97.48 91.11
Savane inondée 99.35 87.35 93.35
Forêt dense 91.27 80.76 86.02
Construction 66.32 98.79 83.55
Sable 71.42 78.2 74.81
Sol nu 98.69 99.79 99.24
Plantation 99.83 82.75 91.29
Terre cultivée 98.85 96.97 97.91
Précision globale 98.76 %
Tableau 8 : Répartition des classes d'occupation du sol du paysage de l’estuaire du Cameroun et précisions
associées (en pourcentage), résultats issus des combinaisons des séries S-1 et S-2.
97
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
 (a)

(b)

(c)

Figure 5 (a,b,c) : 5a Extrait des classifications basées sur les séries multi-temporelles d’images en utilisant les données
Sentinel-2 (80 bandes + 32 indices ; uniquement les canaux de taille de pixels 10 et 20 m (fusionnés à 10m) et les 4 indices
(NDVI, NDWI, EVI et SAVI)) et 5b les données Sentinel-1 (372 bandes ; composé de l’ensemble des 124 images des canaux
VVdB, VHdB et rapport (VV/VH)dB) 5c Utilisation conjointe des données Sentinel-1 et Sentinel-2 (c). Il est à noter que nous
avons 11 classes avec les images Sentinel-2 et 10 classes avec Sentinel-1 car la classe des nuages n’existe pas pour les
capteurs radar. 98
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
4.2 Variation globale du trait de côte entre 2015 et
2020. Ces résultats montrent que la variation du trait de côte au
cours de la période 2015 à 2020 est marquée par de
Les résultats obtenus lors de la numérisation du trait de profonds changements permanents au niveau des
côte à partir d’images Sentinel-2 sous DSAS présentent estuaires. Globalement la côte révèle que 11 % de
des déplacements interannuels (Fig. 6 b et c) et nous avons transepts sont en érosion, 38 % en accrétion et que le reste
calculé sa vitesse d’évolution au cours du temps (Fig. 6a). de la côte est stable. Les maximums d’érosion observés se
On note les zones d’érosion significatives sur certains trouvent à Cap Cameroun et au nord de l’île Manoka, avec
segments de l’estuaire du Cameroun à l’instar de Cap des reculs du trait de côte d’environ -10 +- 2.34 m/an (Fig.
Cameroun, et le nord de l’île Manoka (Fig 3a). Certaines 6b et 6c).
zones sont stables (Limbé), et d’autres à faible niveau
d’accrétion (Côte nord Sanaga) de l’ordre de 2.7 à 3 m/an.
Notons une accrétion de 10 m entre 2015 et 2020, sur la
rive droite de l’estuaire (pointe Suleybar) (Fig. 6a).

Figure 6 a et b : Evolution du trait de côte entre 2015 et 2020 (a) dans l’estuaire du Cameroun avec la détection
de trois hotspot (Cap Cameroun, Ile Manoka, et embouchure de la Sanaga). (b et c) Déplacement par régression
linéaire moyennée dans les transepts (regroupés dans les cercles blancs).

Cap Cameroun
(a) (b)
D eplac em ent (m /an)
0

-5

-10

2015/08 2016/09 2017/11 2018/12 2020/01

(c)
D eplacem ent (m /an)

Ile Manoka
0

-5

-10

2015/08 2016/09 2017/11 2018/12 2020/01

Temps

99
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
 5. Discussion Lors de l’utilisation des images Sentinel-1, la
classification effectuée sur une seule image s’est avérée,
5.1 Occupation du sol sans surprise, moins précise que celle effectuée avec les
séquences d’images du même capteur. Pour les classes
Notre étude démontre que l’utilisation conjointe des séries évoquées précédemment, la précision F-score moyenne a
d’images multi-temporelles des capteurs Sentinel-1 et été de 62 % pour l’image isolée contre 71 % pour la
Sentinel-2 permet d’améliorer la discrimination des séquence. Bien que sensibles à la structure et à la texture
classes d’occupation du sol avec une précision globale de de la végétation, les images n’ont que très peu permis
98.76 %, en comparaison à l’usage des séries temporelles l’amélioration de la discrimination entre sous-classes de
pour chaque capteur pris séparément, soit 95.7 % pour la végétation. Nous avons abordé la comparaison des
série Sentinel-2 et 78.4 % pour la série Sentinel-1A (Tab. polarisations VV, HV et de leur rapport (VV/VH), pour mieux
6). Ces résultats, bien que concernant avant tout le littoral analyser l’intérêt des données dual polarisation de
Camerounais situé en zone tropicale, sont en accord avec Sentinel-1. Nous prévoyons d’approfondir cette question en
les travaux de Lopez, M. et al., en 2019 sur l’utilisation des procédant à des recherches plus fouillées sur ce sujet. Nos
séries denses Sentinel-1 et Sentinel-2 pour la cartographie résultats préliminaires démontrent que les deux
de la végétation naturelle en zone sahélienne ; en accord polarisations ont contribué de manière faible et équivalente
également avec les travaux de Mercier, A. et al., en 2019 à la discrimination des sous-classes de végétation, et que
portant sur la classification des mosaïques forêts-parcelles l’ajout du rapport de polarisation a amélioré la
discrimination de certaines classes (forêts secondaires,
cultivées dans les paysages tempérés et tropicaux.
constructions, plantations et terres cultivées). Nous
L’approche de classification basée sur l’algorithme
pouvons retenir que l’empreinte saisonnière des
Random Forest utilisé au cours de cette étude a permis de
polarisations du capteur Sentinel-1 s’avère très compliquée
distinguer différents couverts végétaux, tels que à relier aux caractéristiques des divers milieux rencontrés
mangrove, forêt dense, forêt secondaire, savane inondée dans cet environnement, mais que le rapport VV/VH
et plantations. Comme l’expérience vient de nous le apporte des informations utiles pour les discriminer.
montrer, certaines sous-classes de végétation sont
difficiles à séparer les unes des autres. Les confusions Concernant l’usage conjoint des images Sentinel-1 et
observées entre ces classes sont probablement liées à la Sentinel-2, nos résultats montrent aussi l’importance que
densité des arbres des plantations qui change suivant revêt le choix des canaux utilisés pour lancer une
qu’on soit en saison sèche ou en saison des pluies dans classification pour les paysages aux faciès contrastés
la zone dont la signature spectrale s’apparente plus à de (tropicaux dans notre cas) et dont les types de végétation
la forêt dense ou secondaire. sont variés. Les choix de canaux pour les images Sentinel-
1 et Sentinel-2 ont été effectués en tenant compte des
Lors de l'utilisation des séries d’images Sentinel-2, les formations présentes dans la zone d'étude, ce qui a permis
bandes infrarouges courtes (SWIR) et visibles se sont de caractériser statistiquement les différentes classes en
avérées les plus utiles pour distinguer les classes fonction de leurs réponses optique et radar. Au-delà du
d’occupation du sol. L'importance de ces bandes a été choix des canaux, nous avons pu noter l’utilité des séries
démontrée pour cartographier la végétation (Immitzer, M., d’images multi-temporelles, car la précision de la
2016 ; Huete, A.R., 1988). L’ajout des indices de classification s’est avérée fortement liée au nombre
végétation dérivés des données Sentinel-2, associé à une d’images utilisées.
sélection de bandes de 10 et 20 m de taille de pixel a Bien qu’entrainant des traitements informatiques dont la
permis d’obtenir des précisions bien meilleures que lourdeur croît avec le nombre, l’usage de séries d’images
l’utilisation des 13 bandes originales de Sentinel-2 (Tab.6). de résolution temporelle élevée constitue un passage obligé
La zone étant couverte à plus de 90 % de végétation et lorsque la réponse des différentes classes évolue en cours
d’eau, les indices NDVI et NDWI ont été bien adaptés à la d’année. C’est particulièrement le cas pour les images
caractérisation de la végétation tropicale. Les indices SAVI radar, insensibles aux nuages, lorsque les signatures
et EVI ont été moins importants que les deux autres temporelles de ces images caractérisent sans trop
indices de végétation, toutefois ces indices ont été d’ambiguïté le paysage considéré.
intéressants pour les zones à faible valeur de biomasse
végétale. L’amélioration des résultats de classification des 5.2 Trait de côte
séries multi-temporelles par rapport à l’image mono-date
est tout à fait significative, que ce soit avec les 13 bandes L'analyse des évolutions du trait de côte sur le littoral
originales, ou avec les 10 bandes de taille de pixel 10 et camerounais entre 2015 et 2020 révèle d’une part une
20 m de résolution. Cela est dû au fait que les indices de configuration spatiale complexe et segmentée mise en
végétation s’avèrent sensibles à la phénologie de la évidence par la présence des constructions, et d’autre part
végétation. Ceci nous amène à confirmer l’importance un équilibre qui se justifie par la présence des végétations
majeure de l’utilisation des séries denses d’images ainsi de mangroves et forêts sur le littoral, bien que variable d’un
que l’ajout des indices de végétation lors de la secteur à l’autre. Le taux de déplacement global du trait de
classification. côte montre de fortes variations au niveau des estuaires,
comme nous pouvions nous y attendre. En effet les
changements du littoral dans les embouchures ont été

100
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
décrits comme étant fortement dépendants de la date Références
d’acquisition de l’image, car la position des bancs de sable
Abessolo Ondoa, G.; Onguéné, R.; Tomedi Eyango, M.;
dépend de la variabilité saisonnière des ruissellements des
Duhaut, T.; Mama, C.; Angnuureng, B.D., and Almar, R.,
rivières et des forçages océaniques (Onguéné, 2015). Les
2018. Assessment of the evolution of Cameroon coastline:
estuaires du Cameroun sont caractérisés par des fleuves
An overview from 1986 to 2015. In: Tropical Coastal and
de débits importants Wouri (avec débit annuel d’environ 1.7
Estuarine Dynamics. Journal of Coastal Research, Special
x 1010 m3/an), et la Sanaga (6.2 x 1010 m3/an ; Olivry, 1986).
Issue, No. 81, pp. 122–129. Coconut Creek (Florida), ISSN
Les courants dans ces zones pourraient aussi être
07490208.
responsables de la diminution des apports en sédiments qui
affectent non seulement la dynamique du trait de côte mais
Ajonina, G.N., 2010. Rapport final de réalisation du mandat.
également le transport sédimentaire saisonnier. Les
Consultation Project GEF PPG, 36p
estuaires sont donc le siège d’une dynamique très
complexe qui prend en compte la contribution des rivières,
Anthony.E.J., R. Almar., M. Besset., J. Reyns., R. Laibi., R.
l’influence des vagues, la dérive littorale et les
Ranasinghe., G. Abessolo Ondoa., M. Vacchi : Response
aménagements côtiers. (Anthony et al., 2019 ; Abéssolo et
of the Bight of Benin (Gulf of Guinea, West Africa) coastline
al., 2018 ; Dada et al., 2016).
to anthropogenic and natural forcing, Part 2: Sources and
patterns of sediment supply, sediment cells, and recent
6. Conclusion shoreline change. Continental Shelf Research 173 (2019)
L’utilisation conjointe des séries chronologiques d’images 93103 (https://doi.org/10.1016/j.csr.2018.12.006)
Sentinel-1 et Sentinel-2 pour la classification de
l’occupation du sol donne de meilleurs résultats dans le Baetens, L., C. Desjardins, and O. Hagolle. 2019. Validation
contexte tropical de l’Estuaire du Cameroun que ne le of copernicus Sentinel-2 cloud masks obtained from MAJA,
permet l’usage des images Sentinel-2 seules, même en Sen2Cor, and FMask processors using reference cloud
enrichissant la série des canaux initiaux par 4 indices de masks generated with a supervised active learning
végétation. L’apport des images polarimétriques Sentinel-1, procedure. Remote Sens. 11, 433.
(canaux VV, VH et rapport (VV/VH)) bien que modeste si on
les utilise séparément (précision globale 78.44 %), est Bandaranayake, W.M., 1998. Traditional and medicinal
particulièrement intéressant dans les zones qui évoluent au uses of mangroves. Mangroves and Salt Marshes 2: 133-
cours de l’année. Ce point est compréhensible car les 148.
images radar sont les seules exploitables pendant les
périodes ou la couverture nuageuse est importante. Notons, Barbier, E. B., Hacker, S. D., Kennedy, C., Koch, E. W.,
pour les images Sentinel-2, l’importance majeure de l’ajout Stier, A. C., & Silliman, B. R. (2011). The value of estuarine
des indices de végétation (NDVI, NDWI, SAVI et EVI) aux and coastal ecosystem services. Ecological Monographs,
canaux initiaux de taille de pixel 10 et 20 m pour améliorer 81(2), 169–193. doi:10.1890/10-1510.1
les précisions de classification dans le double contexte
littoral et tropical de notre étude. Bernard P.K. Yerima et E. Van Ranst, Major Soil
Classification Systems Used in the Tropics: Soils of
Concernant le suivi de l’évolution du trait de côte, qui
Cameroon, Trafford Publishing, 2005 (ISBN 14120-5789-2,
demande impérativement l’analyse de séries d’images multi
lire en ligne [archive]) Berry et al. 2012
temporelles pour être mené à bien, nous trouvons pour la
période étudiée 2015-2020, que le trait de côte est
Congalton, R. 1991: A Review of Assessing the Accuracy
relativement stable dans la grande partie de l’estuaire, avec
of Classifications of Remotely Sensed Data. Remote
des évolutions de 2 à 3 m par an pour les sites les plus
changeants. La nature lithologique des éléments du littoral, Sensing of Environment, 37:35–46.
caractérisée par la présence de sédiments cohésifs et de
côtes rocheuses ainsi que la présence dominante de Dada, O. A., Li, G., Qiao, L., Ma, Y., Ding, D., Xu, J., Yang,
mangroves et autres végétations protégeant la côte face J. (2016). Response of waves and coastline evolution to
aux facteurs d’érosion explique en partie cette stabilité. climate variability off the Niger Delta coast during the past
Nous prévoyons à court terme d’élargir la période d’analyse 110years. Journal of Marine Systems, 160, 64–
en utilisant en plus des images Sentinel, les images 80. doi:10.1016/j.jmarsys.2016.04.005
d’archive SPOT et Landsat pour traiter ce sujet sur une
durée plus longue. Il est important de rappeler qu’au vu des FAO, 1994: Forest Resources Assessment 1990. Country
différentes approches d’utilisation des images Sentinel-1 et Briefs, FAO, 294 pages.
Sentinel-2, cette étude a permis d’améliorer les
connaissances sur le choix des différents canaux à utiliser Fotsi, Pouvreau, Brenon, Onguene, & Etame. (2019).
pour le suivi de l’occupation du sol en contexte tropical. Temporal (1948–2012) and Dynamic Evolution of the Wouri
Nous pensons avoir trouvé un bon compromis entre le gain Estuary Coastline within the Gulf of Guinea. Journal of
en termes de qualité et la complexité des techniques de Marine Science and Engineering, 7(10), 343.
traitement d’image à mettre en œuvre. doi:10.3390/jmse7100343

101
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
Foumelis, M., Delgado Blasco, J. M., Desnos, Y. L., Ndongo Din; Peter Saenger; Priso Richard Jules; Dibong
Engdahl, M., Fernández, D., Veci, L. Lu, J. and Wong, C. Didier Siegfried; and François Basco. Logging activities in
“SNAP - StaMPS Integrated processing for Sentinel-1 mangrove forests (2008): A case study of Douala
Persistent Scatterer Interferometry”. In Geoscience and Cameroon. African Journal of Environmental Science and
Remote Sensing Symposium (IGARSS), 2018 IEEE Technology Vol. 2 (2), pp. 022-030.
International, IEEE
Olivry, J. C., 1986: Fleuve et rivière du Cameroun;
Frison, P.-L., Fruneau, B., Kmiha, S., Soudani, K., Dufrêne, MESRES-ORSTOM. Collection «
E., Toan, T. L., Rudant, J.-P. (2018). Potential of Sentinel-1 Monographie hydrologique ORSTOM » no 9 Paris 1986.
Data for Monitoring Temperate Mixed Forest Phenology.
Remote Sensing, 10(12), 2049. doi:10.3390/rs10122049 ONEQUIP, 2009 – Contrat N° 01090031 relatif à
l’élaboration d’un programme de suivi de la vitalité des
Gómez, C.; White, J.C.; Wulder, M.A. Optical remotely mangroves camerounaises. Projet CAPECECPSP/SNH.
sensed time series data for land cover classification: A Rapport final, 146p.
review. ISPRS J. Photogramm. Remote Sens. 2016, 116,
55–72. Onguéné, R., 2015. Modélisation Multi-Echelles de la
Circulation Océanique en Afrique Centrale, de la Plaine
Inglada, J., Arias, M., Tardy, B., Hagolle, O., Valero, S., Abyssale à l'Estuaire du Cameroun. Toulouse, France:
Morin, D., Koetz, B. (2015). Assessment of an Operational University of Toulouse III Paul Sabatier, Ph.D. dissertation,
System for Crop Type Map Production Using High 216p
Temporal and Spatial Resolution Satellite Optical Imagery.
Remote Sensing, 7(9), 12356–12379. Quegan, S., and J. J. Yu. 2001. Filtering of multichannel
doi:10.3390/rs70912356 SAR images. IEEE Trans. Geosci. Remote Sens. 39, 2373–
2379.
Kaplan, G.; Avdan, U. Sentinel-1 and Sentinel-2 Data
Fusion for Mapping and Monitoring Wetlands. Preprints Sasaki, Y. 2007. The truth of the F-measure. Teach Tutor
2018, 2018070244 mater 1, 1–5.
(doi:10.20944/preprints201807.0244.v1).
Thieler, E.R., Himmelstoss, E.A., Zichichi, J.L., Ergul, A.,
Lopes, M., Frison, P., Durant, S. M., Schulte to Bühne, H., 2009. The Digital Shoreline Analysis System (DSAS)
Ipavec, A., Lapeyre, V., & Pettorelli, N. (2020). Combining version 4.0an ArcGIS Extension for Calculating Shoreline
optical and radar satellite image time series to map natural Change.Available at:
vegetation: savannas as an example. Remote Sensing in 〈http://woodshole.er.usgs.gov/projectpages/DSAS/version
Ecology and Conservation. doi:10.1002/rse2.139 4/index.html〉.

Mairota, P., B. Cafarelli, R. K. Didham, F. P. Lovergine, R.

M. Lucas, H. Nagendra, et al. 2015. Challenges and Sites internet consultés :
opportunities in harnessing satellite remote-sensing for
biodiversity monitoring. Ecol. Inform. 30, 207– 214. https://scihub.copernicus.eu/dhus/
https://peps.cnes.fr/rocket/#/
McNairn, H., A. Kross, D. Lapen, R. Caves, and J. Shang. https://cmr.forest-atlas.org/map/
2014. Early season monitoring of corn and soybeans with
TerraSAR-X and RADARSAT-2. Int. J. Appl. Earth Obs.
Geoinf. 28, 252–259.

Mercier, A., Betbeder, J., Rumiano, F., Baudry, J., Gond,

V., Blanc, L., Hubert-Moy, L. (2019). Evaluation of Sentinel-
1 and 2 Time Series for Land Cover Classification of
Forest–Agriculture Mosaics in Temperate and Tropical
Landscapes. Remote Sensing, 11(8), 979.
doi:10.3390/rs11080979

MINEPDED-RCM, 2017 : Etat des lieux des mangroves du

Cameroun. Ministère de l’Environnement, de la Protection
de la Nature et du Développement Durable en collaboration
avec le Réseau Camerounais des Mangroves. P.10-11.
Juin 2017

Nagendra, H. 2001. Using remote sensing to assess

biodiversity. Int. J. Remote Sens. 22, 2377–2400.

102
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586
Légendes en anglais was not required for the Sentinel-1 image because it covers
the entire study area. The choice of classification for the S-
Figure 1 : Location of the Cameroon estuary at the bottom 1 single-date image is the image of 28/01/2020.
of the Gulf of Guinea: the cities of Douala and Limbe can
be seen as well as mangrove areas, forests and rivers. The Table 6 : Summary in percentage of class distribution for
field shots were taken by the authors using a handheld Producer Accuracy, User Accuracy, F-Score and overall
camera or a drone. accuracy of each of the classification approaches in mono-
date and multi-date for Sentinel 1 and 2.
Figure 2 : Illustrations for several homogeneous classes:
field photographs by drone and restitution by S1 and S2 Table 7 : Confusion matrix of Sentinel 1 (372 bands) and 2
satellite images on Manoka Island. Water body, mangrove, (112 bands) image classification. This raw matrix shows
dense forest, secondary forest, flooded vegetation, the reference classes in rows and the classes predicted by
constructions, sand. the classifier in columns. The results are expressed in
absolute values with respect to the reference classes and,
Figure 3 : Above Illustration of a transect intersection on therefore, the values in the diagonal represent the well-
each coastline at different dates. Below an example of the classified control points.
linear regression rate calculated from the intercept of the
position of each coastline. Table 8 : Distribution of occupancy classes from
combinations of the S-1 and S-2 soil series of the
Figure 4 : Diagram showing the steps required to establish Cameroon Estuary landscape in percent for accuracy.
the transect positions and the calculation of the statistical
rates of change using the DSAS extension

Figure 5 : Extract of classifications based on multitemporal

image series using Sentinel-2 data (80 bands + 32 indices;
only 10 and 20 m pixel channels and 4 indices (NDVI,
NDWI, EVI and SAVI) (a) and Sentinel-1 data (372 bands;
composed of all 124 images of the VVdB, VHdB and
(VV/VH)dB channels) (b). Joint use of S-1 and S2 (c). Note
that we have 11 classes with the S-2 images and 10 classes
with S-1 because the cloud class does not exist for the radar
sensors.

Figure 6 : Evolution of the coastline between 2015 and

2020 (a) in the Cameroon estuary with the detection of three
hotspots (Cape Cameroon, Manoka Island, and the mouth
of the Sanaga). (b and c) Linear regression averaged
displacement in the transepts (grouped in white circles).

Table 1 : Spectral, spatial and temporal characteristics of

some satellites

Table 2 : Data and characteristics of Sentinel 2A & 2B

daytime downlink acquisitions.

Table 3 : Vegetation indices calculated from Sentinel-2

images for the study area. Be = blue band, Ge = green
band, Re = red band, NIR = near infrared band. B =
Sentinel-2 channels

Table 4 : Sentinel-1 satellite product and data

characteristics.

Table 5 : Input data for classification: B = spectral band,

Sigma0 = backscatter coefficient, S1A and S-2 = Sentinel
1A and 2, VV and VH = polarizations.
The values in parentheses are the total number of bands for
the considered image set. The Sentinel-2 image mosaic
was performed between 01/25 and 01/27/2020. The mosaic
103
Revue Française de Photogrammétrie et Télédétection
Volume 223 (année 2021), numéro Spécial Afrique, https://doi.org/10.52638/rfpt.2021.586