UNIVERSITE D'ANTANANARIVO DOMAINE SCIENCES ET TECHNOLOGIES MENTION PHYSIQUE ET APPLICATIONS
MEMOIRE DE FIN D’ETUDES
Pour l’obtention du : DIPLOME DE MASTER EN PHYSIQUE ET APPLICATIONS Parcours : PHYSIQUE DU GLOBE
Intitulé :
« DETERMINATION DE LA CONCENTRATION EN POTASSIUM DES SOLS PAR SPECTROMETRIE GAMMA AEROPORTEE ET TELEDETECTION - RELATION CONCENTRATION-RENDEMENT DE PRODUCTION DE RIZ, CAS DES RIZIERES D’AMPITATSIMO-AMBATONDRAZAKA ET D’AMBOASARY-MORAMANGA»
Présenté par
RAJOHARIMALALA Herizo William Le 15 Septembre 2018
Devant la commission d’examen composée de : Président : Monsieur RAKOTONIAINA Solofoarisoa Professeur
Rapporteur : Monsieur RASOLOMANANA Eddy Harilala Professeur Titulaire Examinateur : Madame RAZAFINDRANAIVO Lady Mireille Docteur
UNIVERSITE D'ANTANANARIVO DOMAINE SCIENCES ET TECHNOLOGIES MENTION PHYSIQUE ET APPLICATIONS
MEMOIRE DE FIN D’ETUDES Pour l’obtention du :
DIPLOME DE MASTER EN PHYSIQUE ET APPLICATIONS
Parcours : PHYSIQUE DU GLOBE
Intitulé :
« DETERMINATION DE LA CONCENTRATION EN POTASSIUM DES SOLS PAR SPECTROMETRIE GAMMA AEROPORTEE ET TELEDETECTION - RELATION CONCENTRATION-RENDEMENT DE PRODUCTION DE RIZ, CAS DES RIZIERES D’AMPITATSIMO- AMBATONDRAZAKA ET D’AMBOASARY-MORAMANGA»
Présenté par RAJOHARIMALALA Herizo William
Devant la commission d’examen composée de : Président : Monsieur RAKOTONIAINA Solofoarisoa Professeur
Rapporteur : Monsieur RASOLOMANANA Eddy Harilala Professeur Titulaire Examinateur : Madame RAZAFINDRANAIVO Lady Mireille Docteur
REMERCIEMENTS
Tout d’abord, je tiens à exprimer mes sincères remerciements et ma vive reconnaissance envers tous ceux qui, de près ou de loin, ont contribué à l’élaboration de ce mémoire. Je voudrais également exprimer mes remerciements à : Monsieur RAHERIMANDIMBY Marson, Professeur Titulaire, Responsable du Domaine Sciences et Technologies de l’Université d’Antananarivo, d’avoir autorisé la présentation de ce mémoire Monsieur RAKOTONDRAMIARANA Hery Tiana, Maître de Conférences HDR, Responsable de la Mention Physique et Applications, de m’avoir permis de continuer mes études au sein de son Département et d’avoir accepté la soutenance de ce mémoire Monsieur RAKOTONIAINA Solofoarisoa, Professeur, Enseignant Chercheur au Domaine Sciences et Technologies, Directeur de l’Institut et Observatoire de Géophysique d’Antananarivo (IOGA), Co-Responsable du Laboratoire de Géophysique de l’Environnement et de Télédétection, qui m’a accueilli avec bienveillance dans son établissement et qui a accepté de présider honorablement le jury de ce mémoire Monsieur RASOLOMANANA Eddy H., Professeur Titulaire, Enseignant Chercheur à l’Ecole Supérieure Polytechnique d’Antananarivo, pour la qualité de son encadrement, ses nombreux conseils, sa disponibilité, sa confiance, son soutien sans faille tout au long de ce mémoire, ainsi que de m’avoir intégré dans son équipe de terrain Madame RAZAFINDRANAIVO Lady M., Docteur en géophysique, Responsable du laboratoire Géomagnétisme et Electromagnétisme de l’IOGA, qui a accepté d’être membre de jury afin d’examiner et analyser mon travail tous les enseignants, tous les membres de l’équipe de terrain, mes collègues étudiants en parcours Physique du Globe promotion 2017 et le personnel de l’IOGA ma femme, mes parents et toute ma famille pour leur infatigable patience, leurs encouragements sans fin, leur sympathie, mais aussi pour les moyens technique et financier durant tout mon parcours d'études le Ministère de l’Energie et des Mines– Projet de Gouvernance des Ressources Minérales (PGRM), Fugro Airborne Surveys Pty – Afrique du Sud pour les soutiens matériels et techniques de plusieurs organismes dans la réalisation de ce travail.
i SOMMAIRE
REMERCIEMENTS
LISTE DES FIGURES
LISTE DES TABLEAUX
LISTE DES ANNEXES
LISTE DES ABREVIATIONS
INTRODUCTION
CHAPITRE I: CONTEXTE GENERAL DE LA ZONE D’ETUDE
I-1 LA ZONE 1
I-2 LA ZONE 2
CHAPITRE II: RAPPELS THEORIQUE ET METHOLOGIQUE
II-1 NOTION DE TELEDETECTION
II-2 SPECTROMETRIE AEROPORTEE A RAYONS GAMMA
II-3 DONNEES ET LOGICIELS UTILISES
CHAPITRE III: RESULTATS ET INTERPRETATION
III-1 Les cartes de distribution en K au niveau des rizières ciblées
III-2 Module numérique d’altitude d’Amboasary et D’Ampitatsimo
III-3 Corrélations entre la concentration en potassium et la géologie
DISCUSSION
CONCLUSION
REFERENCES BIBLIOGRAPHIQUES ET WEBOGRAPHIQUES
ANNEXES
TABLE DES MATIERES
ii LISTE DES FIGURES
Figure 1 : Carte de situation administrative de la Commune Rurale Amboasary ...... 3
Figure 2 : Diagramme ombrothermique de Moramanga (Amboasary) ...... 5
Figure 3 : Carte géologique de la ZONE 01 ...... 7
Figure 4 : Carte de situation administrative de la Commune Rurale Ampitatsimo ...... 8
Figure 5 : diagramme ombrothermique d’Ambatondrazaka (Ampitatsimo) ...... 10
Figure 6 : Carte géologique de la ZONE 2 ...... 12
Figure 7 : Etape à suivre pour la SARG et la télédétection ...... 13
Figure 8 : Principe de la télédétection ...... 14
Figure 9 : Carte montrant les placettes d‘apprentissage ...... 15
Figure 10 : les différents processus d’interaction photon-matière ...... 18
Figure 11 : Trajectoire de l’aéronef ...... 21
Figure 12 : Le détecteur à scintillation NaI(Tl) ...... 22
Figure 13 : Aéronef de prospection-Cessna 404- Fugro Airborne Surveys ...... 23
Figure 14 : Compartiment des interfaces du système d’acquisition-Fugro Airborne Surveys ...... 24
Figure 15 : Composition colorée ...... 26
Figure 16 : Délimitation des rizières de la Commune Rurale Amboasary ...... 27
Figure 17 : Carte de concentration en potassium d’Amboasary . Erreur ! Signet non défini.
Figure 18 : Superposition de la carte de concentration en potassium et la carte des rizières d’Amboasary ...... 28
Figure 19 : Délimitation des rizières de la Commune Rurale AmboasaryErreur ! Signet non défini.
Figure 20 : Carte de concentration en potassium d’Amboasar ... Erreur ! Signet non défini.
Figure 21 : Superposition de la carte de concentration en potassium et la rizière d’Ampitatsimo ...... 30
Figure 22 : Modèle numérique d’altitude d’Amboasary ...... 30
Figure 23 : Modèle numérique d’altitude Ampitatsimo ...... 31
iii Figure 24 : Superposition de la carte de concentration en potassium et la géologie de la Feuille S46 (Amboasary) ...... 32
Figure 25 : Superposition de la carte de concentration en potassium et la géologie de feuille S44 (Ampitatsimo) ...... 33
Figure 26 : Concentration en Uranium et en Thorium de la feuille S46 (Amboasary-Moramanga) ...... IV
Figure 27 : Concentration en Uranium et en Thorium de la feuille S44 (Ampitatsimo- Ambatondrazaka) ...... IV
iv LISTE DES TABLEAUX
Tableau 1 : Données sur le climat de Moramanga entre 1982 et 2012 ...... 4
Tableau 2 : Données sur le climat d’Ambatondrazaka 1982 et 2012 ...... 9
Tableau 3 : Compositions chimiques du granite, monzonite et de la syénite ...... 34
Tableau 4 : Matrice de confusion (cas d’Amboasary) ...... III
Tableau 5 : Matrice de confusion (cas d’Ampitatsimo) ...... III
v LISTE DES ANNEXES
ANNEXE 1 : Script du RandomForest ...... I
ANNEXE 2 : Avantages et inconvénients de l’utilisation de l’algorithme RandomForest et Matrice de confusion ...... III
ANNEXE 3 : Concentration en Uranium et en Thorium des feuilles S46 et S44...... IV
vi
LISTE DES ABREVIATIONS
BD 100 : Base de Données au cent millième BPGRM : Base de données Pour la Gouvernance des Ressources Minérales) DEA : Diplôme d’Etude Approfondie DESS : Diplôme d’Etude Supérieur des Sciences Economique ESPA : Ecole Supérieure Polytechnique d’Antananarivo FOFIFA : Foibem-pirenena ho an’ny Fikarohana ho Fampandrosoana ny eny Ambanivohitra FTM : Foibe Taosaritanin’i Madagasikara GPS : Global Positioning System IOGA : Institut et Observatoire de Géophysique d’Antananarivo LGA : Laboratoire de Géophysique Appliquée LGET : Laboratoire de Géophysique de l’Environnement et Télédétection MSTGA : Master en Sciences et Techniques en Géophysique Appliquée MSTGG : Master en Sciences et Techniques en Géophysique et Géomatique ONG : Organisation Non Gouvernementale RN : Route Nationale PGRM : Projet de Gouvernance des Ressources Minérales SARG : Spectrométrie Aéroportée à Rayon Gamma
Tmax : Température maximale
Tmin : Température minimale
Tmoy : Température moyenne TPM : Tube PhotoMultiplicateur
vii INTRODUCTION
Le Potassium est un élément radioactif naturel. Il est présent en grande quantité dans les sols, sous forme absorbée ou bien inclus dans les minéraux (feldspaths potassiques, micas, argiles). L’humus contient aussi du potassium. La teneur moyenne de l’écorce terrestre en
K2O est de 3,2%. La teneur en potassium dépend du matériel parental et les sols à texture fine sont plus riches en potassium que ceux à texture grossière, exception faite des sols sableux riche en feldspaths potassiques. [1] Le potassium joue un rôle fondamental à la croissance des plantes. Mais, à Madagascar, les données sur les sols ne sont pas toujours disponibles et les informations sur le potassium en fait malheureusement partie or pour une bonne analyse spatiale de cet élément, compte tenu de son rôle primordial dans l’agriculture, il est important à notre sens de mener une étude allant dans ce sens car beaucoup de gens cultivent n’importe comment sur n’importe quel type de sols. Aussi, cette étude a pour objectif d’identifier indirectement, par méthode géophysique, les sols favorables particulièrement à la riziculture à partir des données sur le potassium d’où le thème « Détermination de la concentration en potassium des sols par spectrométrie gamma aéroportée et télédétection - Relation concentration-rendement de production de riz, cas des rizières d’Ampitatsimo-Ambatondrazaka et d’Amboasary-Moramanga ». Pour ce faire, on a utilisé la spectrométrie gamma aéroportée, qui est appropriée à la recherche des éléments naturellement radioactifs, associée à la télédétection qui est utilisée pour la délimitation des rizières. Pour mener à bien ce travail, on a abordé le plan suivant : le premier chapitre porte sur le contexte général de la zone d’étude ensuite, le second chapitre rappelle les bases théoriques de la méthode spectrométrique aéroportée à rayon gamma et de la télédétection et enfin, le troisième et dernier chapitre présente les résultats, leur interprétation et se termine par la conclusion
1 CHAPITRE I CONTEXTE GENERAL DE LA ZONE D’ETUDE
Ce chapitre met en évidence la spécificité de la zone d’étude. On a mené l’étude dans deux zones rizicoles de la partie Centre-Est de Madagascar, notées ZONE 1 et ZONE 2
I-1 LA ZONE 1 I-1-1 Situations géographique et administrative La ZONE 1 appartient à la Commune Rurale d’Amboasary qui se trouve dans la partie Nord-Est du District de Moramanga, d’une superficie de 9395 km2 et se situe environ à 253 km de Toamasina, à 115 km d’Antananarivo suivant la RN2 et à 157 km d’Ambatondrazaka suivant la RN44 (figure 1). De plus, c’est un carrefour des deux voies du chemin de fer national, la voie Antananarivo-Toamasina et Moramanga Lac Alaotra [2].
La Commune Rurale Amboasary, fait partie de la Région Alaotra-Mangoro, ex- Province de Toamasina, est limitée : au Nord par la Commune Rurale de Didy (District Ambatondrazaka) au Sud par la Commune Rurale de Morarano à l’Est par la Commune Rurale d’Ambohimanana (District Vohibinany) et à l’Ouest par la Commune Rurale de Fierenana
I-1-2 Climat [3] Le climat de Moramanga est chaud et tempéré. De fortes averses s'abattent toute l'année sur Moramanga. Même lors des mois les plus secs, les précipitations restent assez importantes. La température moyenne annuelle est de 19.4 °C à Moramanga. Chaque année, les précipitations sont en moyenne de 1638 mm (Tableau 1).
2
Figure 1 : Carte de situation administrative de la Commune Rurale Amboasary
3 Tableau 1 : Données sur le climat de Moramanga entre 1982 et 2012
Mois Jan Fév Mars Avri Mai Juin Juil Août Sept Oct Nov Déc
Tmoy en °C 22.4 22.5 21.9 20.8 18.4 16.5 15.4 15.7 16.9 19.3 21.3 22
Tmin en °C 17.4 17.5 16.6 15.3 12.4 10.5 10.7 10.6 11.2 12.9 15 16.2
Tmax en °C 27.4 27.6 27.2 26.3 24.5 22.6 20.2 20.8 22.6 25.7 27.6 27.9
Préc en mm 319 295 229 85 51 59 60 51 40 43 132 274
avec, Tmoy : Température moyenne; Tmax : Température maximale; Tmin : Température minimale ; Préc : précipitation.
Entre le plus sec et le plus humide des mois, l'amplitude des précipitations est de 279 mm. Une différence de 7.1 °C existe entre la température la plus basse et la plus élevée sur toute l'année. 22.5 °C fait du mois de Février le mois le plus chaud de l'année. 15.4 °C fait du mois de Juillet le mois le plus froid de l'année. La courbe représentative de la température (colorée en rouge) et le diagramme de la précipitation (colorée en bleu) entre 1982 et 2012 sont représentés par la figure 2 ci-après tel que l’axe horizontal représente le mois.
4
Figure 2 : Diagramme ombrothermique de Moramanga (Amboasary) entre 1982 à 2012
I-1-3 Relief [2] Le relief de la région est formé de chaînes de montagnes peu accidentées. On y trouve des nouvelles vallées encore aménageables ainsi que des rizières d’une superficie assez vaste. Le système orographique de la région résulte de sa formation particulière dûe à un effondrement d’un vaste plateau qui a donné naissance à la plaine de Mangoro. La pente diminue d’Ouest en Est. Plusieurs monts se trouvent dans les communes Andaingo, Amboasary, Fierenana et Beforona.
I-1-4 Pédologie [2] Le District de Moramanga est caractérisé par des sols évolués de type ferralitique rouge et jaune sur rouge, caractéristiques des régions chaudes et humides. Dans les plaines fluvio-lacustres, on distingue :
des sols hydromorphes moyennement organiques aptes à la riziculture des sols hydromorphes tourbeux plus ou moins aptes à la riziculture inondée, assez bons pour l’agriculture de contre-saison sans irrigation
5 I-1-5 Hydrographie [2] Le principal cours d’eau important qui traverse la District du Nord au Sud est le fleuve Mangoro. Il prend sa source au pied du col d’Ambatoharana et il se grossit en route par ses principaux affluents : Sahamaitso, Manambolo et Sahamarirana. Les fleuves sont en grande partie non navigables. Quelques lacs artificiels existent à Analandririzina et Ambodiakondro. Le Mangoro arrose presque la totalité de la plaine de la région.
I-1-6 Situation socio-économique [2], [4] L’économie du District est basée sur l’agriculture et sur l’exploitation des forêts. La riziculture prédomine dans les cultures vivrières. Elle occupe une superficie de 37780 ha environ avec 18672 ha pour le riz de bas-fonds et plaines. Le nombre d’exploitants qui s’adonnent à la culture du riz est de 34 813 personnes sur un total d’exploitants agricoles de 74 615. Ceux qui pratiquent le «tavy» sont au nombre de 10 892, chiffre considérable. Le District Moramanga a produit à peu près 69675 tonnes de riz (1,8 tonnes/ha) en 2001. Après le riz, le manioc et le maïs attirent plus de gens.
I-1-7 Géologie [5] La géologie est dominée principalement par les sédiments lacustres sableux et argilo- sableux, du bassin de Mangoro formant des terrasses, d’âge Plio-Pléistocène. Les côtés Est et Ouest du bassin sont constitués de migmatites (figure 3).
6 Figure 3 : Carte géologique de la ZONE 01 (Source : PGRM, 2012)
I-2 LA ZONE 2 I-2-1 Situations géographique et administrative La ZONE 2 est la plaine d’Ampitatsimo qui se trouve à la limite Ouest du District Ambatondrazaka, Région Alaotra-Mangoro, ex-Province de Toamasina (figure 4). Ambatondrazaka se situe environ à 272 km d’Antananarivo et à 411 km de Toamasina. La Commune Rurale Ampitatsimo est limitée :
au Nord par les Communes Rurales Ambatomainty et Ambohitsilaozana au Sud par les Communes Rurales Ilafy et Ambatondrazaka II à l’Est par les Communes Rurales Ambandrika et Feramanga-Nord à l’Ouest par la Commune Rurale Manakambahiny-Andrefana
7
Figure 4 : Carte de situation administrative de la Commune Rurale Ampitatsimo (Source : FTM, BD 100)
8 I-2-2 Climat [3] Le climat d’Ambatondrazaka est chaud et tempéré. En hiver, les précipitations y sont plus faibles qu'en été. Sur l'année, la température moyenne à Ambatondrazaka est de 21.1 °C. Chaque année, les précipitations sont en moyenne de 1103 mm.
Mois Jan. Fév. Mars Avril Mai Juin Juil. Août Sept Oct. Nov. Déc.
Tmoy en °C 23.7 23.6 23.4 22.3 20.9 18.7 17.3 17.5 18.9 20.8 23 23.6
Tmin en °C 18.3 18.2 18 16.4 14 11.9 11.1 11 11.8 13.1 16.1 17.6
Tmax en °C 29.2 29.1 28.8 28.3 23.8 25.5 23.5 24.1 26 28.5 29.9 29.6
Préc en mm 262 223 184 37 12 11 11 10 5 26 117 205
Tableau 2 : Données sur le climat d’Ambatondrazaka 1982 et 2012
avec, Tmoy : Température moyenne; Tmax : Température maximale; Tmin : Température minimale; Préc : précipitation. Les précipitations varient de 257 mm entre le plus sec et le plus humide des mois. Une variation de 6.4 °C est enregistrée sur l'année. Au mois de Janvier, la température moyenne est de 23.7 °C. Janvier est de ce fait le mois le plus chaud de l'année. Le mois le plus froid de l'année est le mois de Juillet avec une température moyenne de 17.3 °C. La courbe représentative de la température (colorée en rouge) et le diagramme de la précipitation (coloré en bleu) entre 1982 et 2012 sont représentés par la figure 5, ci-après, tel que l’axe horizontal représente le mois.
9
Figure 5 : diagramme ombrothermique d’Ambatondrazaka (Ampitatsimo) entre 1982 et 2012
I-2-3 Relief La ZONE 2 fait partie de la vaste plaine de la cuvette de lac Alaotra. Elle est bordée par des massifs montagneux sauf au Nord-ouest où elle est limitée par la plaine rizicole d’Amparafaravola. Des phénomènes d'érosion (dûs notamment à une déforestation massive) forment des lavaka, déchirant leurs flancs [6].
I-2-4 Pédologie [7] Les plaines fluvio-lacustres de la région sont caractérisées par : les sols hydromorphes moyennement organiques. Ce sont des sols à texture très argileuse fine, aptes à la riziculture les sols hydromorphes tourbeux ont une aptitude bonne à moyenne pour la riziculture inondée, moyenne pour l'agriculture de contre-saison sans irrigation
I-2-5 Hydrographie [7] Le relief d’Ambatondrazaka forme dans ses bassins versants un réseau de nombreux cours d'eau dont les plus importants sont : la Sahabe : un des principaux tributaires du Lac Alaotra, elle se prolonge dans le Lac par un chenal de 3 km, constituant une voie d'eau pour les pirogues des pêcheurs
10 la Sahasomanga : cette rivière trouve son importance dans l’irrigation de quelques 4000 ha de rizières la Maningory (sur la limite nord de la sous-préfecture) : seul exutoire du Lac qui se jette dans l'Océan Indien
I-2-6 Situation socio-économique [8] C’est une région fortement agricole car en 2001, 81,82% de la population active sont des agriculteurs et près de 94% sont occupés dans le secteur primaire. Ambatondrazaka et Amparafaravola sont les districts « premiers greniers de riz » à Madagascar. A Ambatondrazaka, 79,28% de la population active sont des agriculteurs. Le riz arrive en première place dans l’agriculture d’Ambatondrazaka pour près de 44% des cultures. Cette culture occupe une superficie de 40690 ha environ avec 26320 ha pour le riz de bas-fonds et plaines. En 2001, District d’Ambatondrazaka a produit à peu près 126775 tonnes de riz (3,1 tonnes/ha). La culture d’arachide et de manioc suivent la culture de riz de loin pour près de 10% des cultures chacun, ensuite par ordre d’importance, il y a le haricot, le maïs, la tomate, les légumes vertes, l’oignon, la pomme de terre, le concombre et la courgette.
I-2-7 Géologie [7] Les bassins versants d'Ambatondrazaka qui font partie de la bordure du fossé du Lac Alaotra sont constitués géologiquement de migmatites, gneiss, migmatites granitoïdes et granites migmatitiques et dans les bas-fonds, on observe des alluvions récentes et anciennes (figure 6).
11
Figure 6 : Carte géologique de la ZONE 2 (Source : PGRM, 2012)
12 CHAPITRE II RAPPELS THEORIQUE ET METHOLOGIQUE
Pour réaliser l’étude, on a utilisé la méthode spectrométrique aéroportée à rayonnement gamma qui est appropriée à la recherche des éléments naturellement radioactifs et la télédétection. Voici les étapes à suivre pour obtenir les résultats.
Figure 7 : Etape à suivre pour la SARG (Spectrométrie Aéroportée à Rayons Gamma) et la télédétection
II-1 NOTION DE TELEDETECTION La télédétection est l’ensemble des techniques qui permettent, par l’acquisition d’images, d’obtenir de l’information sur la surface de la Terre, sans contact direct avec celle- ci. La télédétection englobe tous les processus qui consistent à capter et enregistrer l’énergie d’un rayonnement électromagnétique émis ou réfléchi, à traiter et analyser l’information qu’il représente, pour ensuite mettre en application cette information.
II-1-1 Principe [9], [10] La télédétection utilise les radiations émises par les objets au sol soit à partir de la lumière du soleil, soit à partir de la lumière émise par le satellite (mesure des rayonnements
13 électromagnétiques émis ou réfléchis) dans un certain domaine de fréquence (infrarouge, visible, micro-ondes) (figure 7). Ceci est rendu possible par le fait que les objets étudiés (plantes, maisons, surfaces d'eau ou masses d'air) émettent ou réfléchissent du rayonnement à différentes longueurs d'onde et intensités selon leur état. On distingue deux types de capteurs utilisés en télédétection, les capteurs « actifs » et « passifs ».Les capteurs actifs produisent leur propre radiation et reçoivent la radiation réfléchie par la surface terrestre (ex: radar) tandis que le capteur passif utilise l’énergie solaire réfléchie par la scène ou l’énergie émise par l’objet (ex : Landsat, …)
Figure 8 : Principe de la télédétection
A : source d’énergie ou illumination B : radiation et atmosphère C : interaction avec l’objet D : détection de l’énergie par le capteur E : transmission, réception et traitement F : interprétation et analyses G : applications
II-1-2 Classification d’image La classification d’une image de télédétection consiste en une reconnaissance automatique des réflectances. C'est au cours de cette phase qu'ont lieu les traitements
14 permettant de faire ressortir les différentes classes thématiques. Elle est réalisée sur la base d'une discrimination visuelle des éléments du paysage. Avant la classification, nous avons défini des placettes d‘apprentissage (zone d’entrainement) afin de distinguer les différentes classes (rizière et non rizière) qu‘on veut cartographier (figure 9).
Figure 9 : Carte montrant les placettes d‘apprentissage Source : Landsat 8, 2017
Il y a plusieurs types d’algorithme de classification, mais dans cette étude, on a utilisé l’algorithme RandomForest.
II-1-3 Principe de la classification utilisant l’algorithme RandomForest L'algorithme RandomForest est une méthode de classification, régression et d'autres tâches, qui opèrent en construisant une multitude d’arbres de décision au moment de la formation et de sortie de la classe qui est le mode de classes (classification) ou la prédiction (régression). La classification est faite avec des scripts automatiques sur le logiciel R.
II-1-4 Résumé du principe de classification avec le logiciel R définir une multitude des petites placettes d‘apprentissage (Shapefile) pour distinguer les différentes classes qu‘on veut cartographier (rizière et non rizière) importer les 6 bandes de Landsat puis les rassembler (stacker) pour avoir 7 bandes extraire les valeurs de pixels/image par rapport aux placettes d’apprentissage
15 créer une matrice à partir de la valeur extraite créer un modèle à partir de la matrice obtenue à partir de l’algorithme RandomForest appliquer le modèle créé sur les images à classifier Obtention de données classifiées
II-1-5 Validation de la classification par la matrice de confusion La matrice de confusion permet de mesurer la qualité d’un système de classification, c’est-à- dire qu’elle nous montre si le système parvient à classifier correctement. De cette manière, elle permet de donner une valeur, l’indice Kappa, montrant l’exactitude de la classification.
II-1-6 Indice Kappa Un indice qui permet de « retirer » la portion de hasard ou de subjectivité de l’accord entre les techniques. Cet indice est excellent quand il est supérieur à 0.80 ; bon quand il est compris entre 0.61 à 0.80; modéré quand il est entre 0.21 à 0.60; mauvais quand il est entre 0.0 à 0.20 et très mauvais quand il est inférieur à 0.0
II-1-7 Précision globale Grâce à ces matrices de confusion nous pouvons calculer la précision globale ou l’Overall Accuracy (indice de performance) qui est le rapport entre les éléments bien classés, en diagonale, et le nombre total d’éléments vérifiés.
II-2 SPECTROMETRIE AEROPORTEE A RAYONS GAMMA(SARG) [11], [12], [13], [14], [15], [16], [17], [18] II-2-1 Principes de la SARG Cette technique consiste à détecter les photons gamma émis par désintégration radioactive de radio-isotopes naturels présents dans les roches et les sols et d’analyser les spectres correspondants. II-2-2 Radiation gamma Décomposition radioactive
16 Il y a de nombreux éléments radioactifs naturels. Cependant, il n’y a que trois qui ont des isotopes qui émettent de la radiation gamma d’une intensité d’un tel degré qu’il permet de la mesurer par la SARG. Ces trois sources majeures de la radiation gamma sont: le potassium- 40 qui constitue 0.0118 % du total de potassium, les produits fils dans la série de décomposition 238U, les produits fils dans la série de décomposition 232Th. Il y a aussi d’autres sources de rayonnement qui peuvent être détectées par la SARG: les produits des centrales nucléaires (isotopes artificiels) des rayons cosmiques à haute énergie produits à l’extérieur de l’atmosphère de la Terre le radon 222Rn un gaz noble provenant de la décomposition de l’uranium Les Spectres de rayons Gamma Les énergies des rayons gamma qui sont les produits de la décomposition radioactive sont caractéristiques du nucléide en décomposition. Par exemple, le 40K se décompose au 40Ar avec l’émission des rayons gamma à 1460 keV.
Les spectromètres à rayons gamma sont conçus pour mesurer l’intensité et les énergies des rayons gamma et donc l’abondance des nucléides radioactifs spécifiques.
L’interaction des rayons gamma avec la matière Avant d’atteindre le détecteur, les rayons gamma réagissent aussi avec le matériel dans le sol et dans l’air au travers d’un nombre des mécanismes, y compris l’effet photoélectrique et l’effet de dispersion Compton. Dans l’effet photoélectrique, toute l’énergie d’un photon gamma à basse énergie est rendue à un électron atomique. Dans la dispersion Compton, les rayons gamma perdent une partie de leur énergie aux électrons et sont éparpillés à un angle par rapport à leur direction d’origine. A cause du fait que les électrons sont impliqués dans tous les deux de ces effets, l’atténuation des rayons gamma dans un matériel particulier est proportionnelle à sa densité en électrons. Un troisième effet est celui de la production des paires, où toute l’énergie d’un rayon gamma est perdue dans la production d’une paire électron-positron. Ce processus est prédominant à des hauts niveaux d’énergies, et surtout dans les matériels avec les hauts numéros atomiques, et c’est un processus significatif dans l’absorption des rayons gamma à hautes énergies dans les détecteurs à iodure de sodium.
17
Figure 10 : les différents processus d’interaction photon-matière
Les plus importants processus d’absorption qui ont lieu au sol et dans l’air sont la dispersion Compton et l’effet photoélectrique, car la plupart des matériaux (des roches, des sols, l’air et l’eau) rencontrés au cours des enregistrements aéroportés de la radioactivité ont de numéros atomiques bas et parce que la plupart de rayons gamma naturels sont dotés des énergies basses à moyennes (inférieures à 2614 keV). Dans la spectrométrie aéroportée, il faut que l’absorption des rayons gamma en provenance de la terre par la masse d’air au-dessous de l’avion soit prise en compte.
II-2-3 Paramètres des levés Orientation des lignes de vol Pour la cartographie des radioéléments naturels, l’orientation des lignes de vol devrait toujours être perpendiculaire aux structures géologiques d’intérêt, généralement l’orientation géologique, si elle est connue. Pour des levés de reconnaissance à grande échelle couvrant des zones à orientations géologiques variables, une orientation arbitraire est choisie, souvent Nord-Sud ou Est-Ouest. Si des données aéromagnétiques seront enregistrées en plus des mesures radiométriques, et la zone à lever est très proche de l’équateur géomagnétique, les lignes devraient être orientées approximativement Nord-Sud. Dans un terrain montagneux sévère, où il n’est pas possible ou dangereux, de faire les survols réguliers en maille, les
18 survols sont parfois réalisés en suivant les contours topographiques. Quand on est à la recherche d’objets radioactifs, les lignes de vol seront généralement parallèles à l’axe long de la zone de recherche, par exemple le long de la trajectoire calculée d’un satellite tombant. En contrôlant les retombées radioactives il convient de fixer une orientation des lignes approximativement perpendiculaire aux vents qui soufflaient au moment du dépôt des retombées. Espacement des lignes de vol L’espacement des lignes de vol est généralement déterminé par le budget qui est disponible, la nécessité de fournir une couverture d’une grande superficie et l’acceptabilité de manquer une petite anomalie. Pour les levés géologiques à une échelle de reconnaissance, un espacement de lignes de 1 km est typique, quoiqu’un espacement de 2 km soit parfois stipulé pour des grandes superficies si les moyens sont limités. Dans le cas des levés en détail pour la recherche d’uranium, l’espacement des lignes pourrait être aussi limité que 100 m si l’altitude de survol est 100 m ou moins. Il faut prendre en considération la diminution d’une anomalie à source ponctuelle avec la distance. Dans la cartographie des retombées radioactives on peut utiliser un espacement large pour un premier regard du motif général, suivi d’un espacement des lignes plus étroit dans les zones à contamination, le cas échéant. Dans les procédures des recherches radioactives, l’activité de la cible et ses énergies des rayons gamma devraient être prises en considération, car ces facteurs détermineront la distance à partir de laquelle on peut repérer la source. Altitude de survol Les levés spectrométriques sont entrepris à une altitude au-dessus du niveau du sol qui est approximativement constante. Les rayons gamma sont atténués par l’air d’une façon exponentielle. Pour une source de plaque infinie, l’amplitude diminue par à peu près la moitié pour chaque 100 m d’altitude. L’amplitude à 120 m n’est donc que ± 35 % de l’amplitude au sol. Pour une source ponctuelle la diminution est beaucoup plus grande. Il y a eu un grand débat sur les mérites des altitudes de survol particulières. Une basse altitude fournit un signal beaucoup plus fort et pourrait réduire les problèmes de bruit tels que ceux associés avec le radon atmosphérique. La superficie du sol survolée est, pourtant, évidemment plus petite aux altitudes plus basses, ce qui veut dire qu’il y a une plus grande probabilité de manquer une anomalie provenant d’une source localisée, à moins que l’espacement des lignes soit réduit. Il faut noter que, dans un terrain accidenté, même le meilleur pilote sera amené à s’écarter de l’altitude stipulée pour les raisons de sécurité. Dans le cas de la cartographie des radioéléments naturels à partir des aéronefs à ailes fixées, l’altitude de survol au-dessus du sol
19 s’est plus au moins standardisée à 120 m. Dans un terrain plat, des altitudes aussi basses que 30-50m sont utilisés, principalement pour avantager d’autres méthodes géophysiques telles que les méthodes électromagnétiques et les méthodes magnétiques. Les levés héliportés sont souvent réalisés aux basses altitudes, surtout si l’on se sert d’un détecteur à plus faible volume. L’expérience a prouvé qu’une altitude de survol de 90-120 m convient pour cartographier les retombées. Pour les procédures des recherches ou les sources sont fortes, il serait souvent possible de voler aux altitudes plus élevés que celles pratiqué pour les levés de cartographie. Quelques calculs préliminaires, basés sur l’activité prévue de la source seront nécessaires pour déterminer le meilleur rapport entre l’altitude de survol, l’espacement des lignes, le volume du détecteur et la risque de manquer une source. Volume du détecteur Le choix du volume du détecteur sera, dans la plupart des cas, déterminé par la capacité de l’aéronef utilisé pour le levé, car les dispositifs de détecteur sont lourds. En général, il convient d’utiliser le plus grand volume praticable: 17 L ou 33 L pour les levés héliportés et 33 L ou 50 L pour les travaux à voilure fixe. Il est possible de réduire le volume du détecteur pour les levés aux altitudes plus basses. Dans le cas de la cartographie des retombées un volume plus petit du détecteur serait éventuellement souhaitable si la contamination est élevée, pour ne pas surcharger les circuits de comptage. Temps d’accumulation et taux d’échantillonnage Il faut organiser l’acquisition des données de façon à ce que l’accumulation des données spectrales soit un processus continu. Lorsque les données d’un échantillon sont traitées, des données nouvelles de l’intervalle prochain sont en train d’être enregistrées. Les intervalles d’échantillonnage sont ainsi contigus, et il n’y a pas de “temps mort” pour le traitement des données. Les données sont généralement prélevées une fois par seconde. Comme l’aéronef avance durant le temps d’accumulation, la superficie de la terre qui est l’objet de l’enregistrement est allongé. En règle générale 60-70% des comptages proviennent d’un ovale qui a une largeur égale à deux fois l’altitude de vol, et une longueur égale à deux fois l’altitude de vol plus la distance parcourue durant l’accumulation. Pour un levé typique à voilure fixe à une altitude de vol de 120 m, une vitesse de 140km/h (40m/s) et un temps d’accumulation de 1s, la superficie représentée par chaque enregistrement est à peu près de 240 m x 280 m. Dans cette étude, la spécificité du levé est comme suit: Les survols suivent le long des lignes parallèles de direction Est-Ouest à une altitude constante et ils sont accompagnés par des lignes de contrôle de direction Nord-Sud aux intervalles. En général, la géologie de la
20 zone étudiée détermine l’espacement des lignes de traverse. L’espacement des lignes de contrôle est plus ou moins dix fois de celui des lignes de traverse. Les données spectrométriques sont échantillonnées toutes les secondes équivalente à 70 m au sol. Soit un pixel équivaut à 7m au sol pour ces données. La hauteur de vol par rapport au sol est fixée à 100m.
Figure 11 : Trajectoire de l’aéronef
II-2-4 Les instruments spectrométriques Le spectromètre Un spectromètre gamma aéroporté moderne est un instrument de précision complexe qui se charge de plusieurs tâches dans les conditions exigeantes d’un vol à basse altitude. Il y a d’abord le conditionnement du signal c’est-à-dire la conversion du très faible courant à l’anode du TPM en une impulsion dont l’amplitude est proportionnelle à l’énergie du photon incident. Il y a ensuite l’analyse d’amplitude qui exige un convertisseur analogique-numérique, qui mesure l’amplitude de chaque impulsion et code cette amplitude. Le code employé est entier de 1 à 256 appelés le numéro de canal. En fin, le spectromètre fait la somme de toutes les impulsions accumulées dans chaque canal, puis convertir les résultats en données numériques, ce qui se fait une fois par période d’échantillonnage. Le laps de temps nécessaire à l’exécution de cette dernière opération est le temps mort du convertisseur. Détecteurs Les détecteurs à rayons gamma dépendent des types différents d’interactions de la radiation gamma avec la matière. On utilise presque exclusivement les sondes à scintillations
21 pour mesurer la radiation gamma à faible intensité qui est souvent utilise pour les levés aéroportés. Ces sondes à scintillations mesurent la fluorescence qui est le résultat de l’excitation des électrons atomiques dans le matériel du détecteur par les interactions des rayons gamma. Ce type de détecteur est fabriqué d’iodure de sodium traité avec du thallium, sous forme de cristaux. Les faciès des cristaux reçoivent une couche d’oxyde de magnésium qui reflète la lumière. Les photons fluorescents (scintillations) produits au sein du détecteur par les interactions des rayons sont reflétés sur un tube photomultiplicateur (TPM) qui est affiché au bout du détecteur. La charge qui est générée par les photons à la photocathode du tube est amplifiée par un facteur de ~ 106 à travers le tube. L’amplitude de chaque pulsation est proportionnelle à l’énergie déposée dans le détecteur par le rayon gamma. Les paquets des détecteurs sont normalement dotés d’une isolation thermique et leur température est contrôlée, afin de minimiser la dérive. Les levés aéroportés utilisent généralement des volumes globaux de cristaux allant de 16 à 50L.
Figure 12 : Le détecteur à scintillation NaI(Tl)
Détecteurs orientés vers le haut Une des problèmes rencontrés dans la pratique de la spectrométrie gamma aéroportée est un résultat de la présence de radon et ses produits de décomposition dans l’atmosphère. La méthode la plus sûr pour faire les corrections pour le radon atmosphérique est l’utilisation des petits détecteurs secondaires montés au-dessus des détecteurs principaux et donc partiellement protégés contre le radon en provenance du sol. On appelle généralement ces détecteurs secondaires un détecteur orienté vers le haut, car ils réagissent principalement à la radiation provenant de l’espace au-dessus de l’avion.
II-2-5 Instruments auxiliaires
22 On a utilisé l’aéronef de prospection pour les levés aéroportés.
Figure 13 : Aéronef de prospection-Cessna 404- Fugro Airborne Surveys (2005) [12]
Systèmes de Navigation Quoiqu’il est relativement neuf le système de navigation GPS (Système de Positionnement Global) est le système de préférence des entrepreneurs des levés aéroportés de nos jours. Une vidéo de poursuite n’est plus aussi important que par le passé, mais peut toujours fournir des renseignements utiles en identifiant la source des bruits quelconques qui sont présents dans les données. Autres instruments Un altimètre radar, avec une précision de ± 2 m, est requis pour mesurer l’altitude de l’aéronef au-dessus de la surface, car il faudra apporter des corrections d’atténuation aux données. On a également besoin des détecteurs de la température et la pression atmosphérique afin de convertir l’altitude radar à l’altitude effective à la température et pression standard. Pour le détecteur de la pression on peut se servir soit d’un transducteur barométrique, soit d’un altimètre barométrique. Les données du spectromètre, le système de navigation et les autres instruments sont mis en format par un ordinateur de bord ou un système d’acquisition des données et enregistrées en format numérique. L’ordinateur contrôle aussi la séquence d’échantillonnage des instruments et fournit une séquence de numéros pour permettre la corrélation des données avec des points au sol. Auparavant l’usage était de produire des enregistrements graphiques durant le vol pour permettre à l’opérateur de contrôler les équipements et pour contrôler la
23 qualité au sol. Actuellement, ces fonctions sont généralement réalisées en utilisant des tracés sur les unités à affichage vidéo des ordinateurs de bord et au sol.
Figure 14 : Compartiment des interfaces du système d’acquisition-Fugro Airborne Surveys
II-3 DONNEES ET LOGICIELS UTILISES Données utilisées On a utilisé: Deux images LANDSAT8 tel que chaque image offre 1 bande panchromatique à 15m de résolution spatiale, 8 bandes multispectrales à 30m et 2 bandes thermiques à 100m de résolution [19]. Ces images ont été prises le 04 Avril 2017. Voici leurs tailles : 7591 colonnes et 7701 lignes pour la Commune Rurale d’Amboasary 3337 colonnes et 3853 lignes pour la Commune Rurale d’Ampitatsimo. Deux images DEM qui permettent d’élaborer l’MNA Les données spectrométriques acquises au PGRM en 2005 Logiciels utilisés Pour la télédétection, on a utilisé:
24 L’ARCGIS 10.1 qui est un logiciel de système d’information géographique qui permet de créer d’analyse, de stocker et de mettre à jour des informations géographiques. [11] R qui est un logiciel permettant de faire des analyses statistiques et de produire des graphiques. Mais R est également un langage de programmation complet, c’est cet aspect qui fait que R est différent des autres logiciels statistiques. [20] Pour la spectrométrie gamma aéroportée, on a utilisé le logiciel Oasis Montaj 6.4.22: c’est le logiciel de base pour l’application des différents filtres. Dans notre étude, il permet d’obtenir les différentes cartes spectrométriques
25 CHAPITRE III RESULTATS ET INTERPRETATION
Cette partie concerne les descriptions des travaux effectués ainsi que les résultats obtenus avec leurs interprétations respectives. Les résultats sont présentés en trois (03) catégories. Il y a d’abord, la présentation des cartes de distribution en K au niveau des rizières ciblées. Ensuite, le modèle numérique d’altitude d’Amboasary et d’Ampitatsimo. Et enfin, les corrélations entre la concentration en potassium et la géologie.
Dans ce chapitre, on a utilisé le système de projection Laborde Madagascar.
III-1 Réalisation des compositions colorées La carte suivante (figure15) montre le résultat de la réalisation des compositions colorées utilisant les bandes 4-5-3 issu de l’image Landsat 8.
Figure 15: Composition colorée Source image Landsat 8, 2017
III-2 Les cartes de distribution en K au niveau des rizières ciblées Le traitement des données spectrométriques de Fugro Airborne Surveys Ltd (Programme de Gouvernance des Ressources Minérales, 2004-2012), Feuilles S44 et S46, associé au traitement de l’image satellitaire Landsat8 a permis d’élaborer les cartes de distribution en K au niveaux des rizières ciblées, ces dernières ayant fait l’objet d’une classification supervisée.
26 Les rizières des Communes Rurales d’Amboasary et d’Ampitatsimo présentent respectivement une superficie de 2134 ha et 2921ha environ et produisent respectivement autour des 3842 tonnes et 9055 tonnes par an (figure 16 et 19). Ces rendements rizicoles sont obtenus à partir de ceux du district d’Ambatondrazaka et du district d’Amboasary [4], [8].
Figure 16 : Délimitation des rizières de la Figure 17 : Carte de concentration en potassium d’Amboasary
Commune Rurale Amboasary
La figure 17 montre que la concentration en potassium de la Commune se divise en deux parties bien distinctes : Le secteur du centre vers la partie Est et le Sud-Ouest, de couleur jaune, rouge à rose violacée est riche en potassium variant de 0,11 à 0,44% et qui correspond géologiquement aux granite, monzonite, syénite indifférenciés et stratoïde et orthogneiss de Brickaville. Ces roches contiennent de feldspath dont la composition est celle d'un aluminosilicate de sodium, de potassium ou de calcium Le secteur du Centre-Ouest vers le Nord, de couleur bleue claire à bleue foncée, de plus faible concentration en potassium variant de 0.008 à 0.07% est liée plutôt à des paragneiss et schiste d’Andasibe et orthogneiss migmatitique dioritique à tonalitique
27 On peut alors dire que, la partie Est de cette Commune, est relativement riche en potassium par rapport à la bande de terrains au centre. En superposant la figure 16 et la figure 17, on trouve que la concentration en potassium de la rizière d’Amboasary est presque 0,18 à 0,22%, représentée par la couleur jaune et rouge. Ces rizières correspondent géologiquement à la formation alluvionnaire.
Figure 18: Superposition de la carte de concentration en potassium et la rizière d’Amboasary
Pour le cas d’Ampitatsimo, on observe que:
la partie Est de la Commune Rurale Ampitatsimo présente une concentration en potassium assez élevée de couleur jaune, rouge à rose violacée qui correspond géologiquement à la formation alluvionnaire. Cette concentration varie de 0,39 à 1,44% les parties Ouest et Nord ont une concentration assez faible en K, de couleur bleue claire-bleu foncée à verte, de 0.008 à 0.35% à peu près, liée à des paragneiss de Ranomafana Est et des alluvions Ceci est illustré par la figure 20 ci-après.
28 Figure 19 : Délimitation des rizières de la Commune Figure 20 : Carte de concentration en potassium d’Amboasary Rurale Amboasary
En superposant la figure 19 et la figure 20, on trouve que la concentration en potassium de la rizière d’Ampitatsimo varie de 0,39 à 1,44% représentée par la couleur jaune à rose.
Ce qui s’illustre par la figure 21 ci-après :
29 Figure 21 : Superposition de la carte de concentration en potassium et la rizière d’Ampitatsimo
III-3 Modèle numérique d’altitude d’Amboasary et d’Ampitatsimo En essayant de connaitre les principales sources de potassium de ces rizières, on établit le modèle numérique d’altitude de ces Communes.
Figure 22 : Modèle numérique d’altitude d’Amboasary Cette figure montre que : L’altitude de la Commune Rurale Amboasary varie de 879m à 1536m. Il diminue de Nord au Sud et de l’Est à l’Ouest. Les rizières se trouvent dans les zones à basse altitude ou bien dans les bas- fonds.
30
Figure 23 : Modèle numérique d’altitude Ampitatsimo
L’altitude de la Commune Ampitatsimo varie de 896 à 739 m. il diminue du Sud- Ouest au Nord-Est. On observe des rizières dans les bas-fonds. On peut imaginer que pendant la saison de pluies des minéraux qui viennent de l’altération des roches et de la dégradation des sols de la haute altitude vont venir aux rizières pour former des alluvions.
III-4 Corrélation entre la concentration en potassium et la géologie Pour essayer de voir d’éventuelles corrélations entre la concentration en potassium et la géologie, on a superposé les cartes géologiques et les cartes de concentration en potassium.
31
Figure 24: Superposition de la carte de concentration en potassium et la géologie de la Feuille S46 (Amboasary)
On a une bonne corrélation entre la couleur rose et la formation géologique granite, monzonite et syénite, puis entre la couleur rouge et l’orthogneiss de Brickaville pour la figure 24. Cette formation présente la concentration la plus élevée en potassium. On peut dire qu’elle est la principale source de potassium dans cette zone.
32
Figure 25 : Superposition de la carte de concentration en potassium et la géologie de feuille S44 (Ampitatsimo)
On voit également une assez bonne corrélation entre la concentration en potassium et la géologie pour la figure 25. En effet, on observe au Sud-Ouest, au Sud et au Centre Sud, des bancs de granite qui sont bien les principales sources de concentration en potassium. On peut dire aussi que l’humus du sol dans ce lieu, riche en potassium ou bien les alluvions à base d’argile, vient des roches altérées (riche en potassium) dans les hauteurs. Ces figures (figure 24 et 25) montrent que le granite, monzonite et la syénite sont les roches ayant la concentration en potassium élevée parmi les roches présentes dans les feuilles S44 et S46. Le tableau ci-après montre les compositions chimiques du granite, monzonite et de la syénite.
33 Tableau 3 : Compositions chimiques du granite, monzonite et de la syénite Roche Composition chimique
SiO2 : dioxyde de silicium
Al2O3 : alumine ou oxyde d’aluminium
Granite Na2O : oxyde de sodium
K2O : oxyde de potassium
SiO2 : dioxyde de silicium
TiO2 : dioxyde de titane
Au2O3 : oxyde aurique
Fe2O3 : oxyde de fer(III)
FeO : oxyde de fer(II)
Syénite MnO : oxyde de manganèse(II)
MgO : oxyde de magnésium
CaO : oxyde de calcium
Na2O : oxyde de sodium
K2O : oxyde de potassium
P2O5 : pentoxyde de phosphore
KAlSi3O8 : orthose
NaAlSi3O8 : Albite
CaAlSi3O8 : Anorthite
Monzonite K(Mg,Fe)3(AlSi3O10)(OH)2 : Biotite
Ca(Mg,Fe)Si2O6 : Augite
(Ca,Na,K)2(Mg,Fe,Al)5Si6(Si,Al)2O22(OH,F)2 : Hornblende
Sources :http://www.geolalg.com/chabou/cours5.pdf [21] https://fr.wikipedia.org/wiki/Granite [22] http://boowiki.info/art/roches-magmatiques/syenite.html#Bibliografia [23] https://fr.wikipedia.org/wiki/Monzonite [24]
34 DISCUSSION
Les résultats montrent que les rizières d’Ampitatsimo ont une concentration en potassium assez élevée par rapport à celles d’Amboasary. En outre, Ampitatsimo a un rendement de production rizicole (9055 tonnes par an) supérieur à celui d’Amboasary (3842 tonnes an) [4], [8]. On peut alors avancer que le rendement de production rizicole augmente bien avec la concentration en potassium. Mais de ces seuls résultats, on ne peut pas dire qu’un sol est favorable à la riziculture ou non. On doit également étudier d’autres facteurs comme les teneurs en matières organiques, en azote, en phosphore, etc… par exemple. Ce qu’on peut dire, par contre, c’est que le potassium, en étant l’élément chimique le plus déterminant dans l’exploitation des rizières et des autres terres agricoles pour les produits maraîchers, on a pensé que c’était plus intéressant d’analyser son comportement au niveau de deux zones rizicoles prises à titre d’expérimentation d’autant plus qu’on disposait de données spectrométriques aéroportées pour étoffer l’étude. Mais il faut noter aussi le principal problème rencontré pendant la réalisation de cette étude qui reste le manque de moyen financier car on aurait dû mener des enquêtes sur le terrain et vérifier, en même temps, les résultats donnés par les cartes élaborées au bureau avec les réalités du terrain, vérifier la classification des rizières et des autres occupations du sol, questionner les gens sur les rendements effectifs de production rizicole aux niveaux des deux Communes. On a bien essayé d’obtenir des données chiffrées sur la production, l’utilisation d’engrais au K et de bien d’autres paramètres pouvant éclaircir encore plus le comportement et la distribution de ces éléments chimiques dans les gros centres de production de riz de Madagascar (Ambatondrazaka, Marovoay, Bezaha, etc…) auprès des organismes intéressés (Ministère, ONGs , …) mais sans grand succès. On pense aussi qu’on devrait disposer des résultats des analyses des sols pour s’assurer si les rizières d’Ampitatsimo ont bien des concentrations en potassium plus élevées que celles d’Amboasary et il en est de même des zones collinaires bordant ces rizières.
35 CONCLUSION
Le potassium, absorbé par les plantes en quantités suffisantes depuis le sol, est un élément essentiel pour leur développement. Les Communes Rurales d’Ampitatsimo et d’Amboasary respectivement des Districts d’Ambatondrazaka et de Moramanga ont été le cadre de l’étude, des communes respectivement riches et moyennement riches en production rizicole. L’objectif de déterminer les sols favorables à la riziculture à partir des données sur les teneurs en potassium en utilisant la télédétection et la spectrométrie gamma aéroportée comme outils a été atteint. Le traitement des données spectrométriques de Fugro Airborne Surveys Ltd (Programme de Gouvernance des Ressources Minérales, 2004-2012), Feuilles S44 et S46, associé au traitement de l’image satellitaire Landsat8 a permis d’élaborer les cartes de distribution en K au niveaux des rizières ciblées, ces dernières ayant fait l’objet d’une classification supervisée. La superposition de ces cartes montre une bonne corrélation entre la concentration en potassium et le rendement de production rizicole si la superposition des cartes géologiques respectives avec celles des concentrations en K a permis de déterminer également les formations géologiques, sources des concentrations en K, après altération comme c’est le cas, par exemple du granite. On a pu remarquer aussi que plus la concentration en potassium augmente, plus le rendement rizicole est important. Ces résultats ne sont pas suffisants pour dire qu’un sol est favorable ou non à la culture du riz. D’autres travaux comme le calcul des teneurs des autres facteurs entrant dans la fertilité du sol, les coûts de préparation des rizières, etc… doivent également être pris en compte. A défaut de pouvoir faire ces prélèvements et analyses de sols soi-même, les services intéressés du Ministère de l’Agriculture, du FOFIFA et des Organismes nationaux ou internationaux œuvrant dans le secteur agriculture devraient normalement disposer de ces données et qu’ils devraient en faire le partage avec les chercheurs. En d’autres termes, une base de données sur les caractéristiques physico-chimiques et biologiques de toutes les zones de production rizicole de Madagascar doit être tenue à jour et partagée.
36 REFERENCES BIBLIOGRAPHIQUES ET WEBOGRAPHIQUES
[1] OUEDRAOGO B., 2013. Relation entre potassium échangeable, matière organique et teneur en argile des sols dans les rotations coton-céréales sous culture, 58p. Mémoire de Master II en science du sol à l’Université polytechnique de Bobo-Dioulasso [2] RANDRIAMAHEFA H., 2001. Les impacts des projets gouvernementaux et non gouvernementaux sur l’environnement socio-économique et culturel de la Province autonome de Toamasina, 82p. Mémoire DESS en ESPA, Université d’Antananarivo http1: [3] https://fr.climate-data.org/location/1024499/ (12/05/2018) [4] RAMILISOA N., 2006. Transport des marchandises et développement économique dans la région Alaotra-Mangoro, 88p. Mémoire de Maitrise en Faculté de Droit, d’Economie, de Gestion et de Sociologie à l’Université d’Antananarivo [5] RAKOTONDRAIBE N., 2003. Caractérisations des argiles des régions de Diego Suarez, Tamatave, Moramanga et Analabe, 103p. Mémoire DEA à l’ESPA, Université d’Antananarivo [6] Ambatondrazaka — Wikipédia [7] Monographie de la région d’Ambatondrazaka : Ministère de l’agriculture, de l’élevage et de la pèche, 116p [8] RAVERONIHANTA A., 2007. Analyse de compétitivité de l’huile essentielle dans le District d’Ambatondrazaka, 109p. Mémoire de Maitrise en sciences de gestion à l’Université d’Antananarivo [9]RAMANANTENA M., 2015. Etude du suivi du phénomène d’ensablement par analyse diachronique d’images satellites du lac Alaotra, 76p. Mémoire MSTGG à l’Université d’Antananarivo [10] RAMAMONJISOA A., 2016. Délimitation des zones d’extension des rizières dans le District d’Andapa, 92p. Mémoire master II en Géomètre-Topographe à l’ESPA, Université d’Antananarivo [11] HERINASOLO J., 2008. Essai de cartographie par la spectrométrie gamma et la magnétométrie d’une zone a fort recouvrement latéritique et à faible densité d’affleurement. Cas d’Ambodilazana-Toamasina, 86p. Mémoire en MSTGA à l’Université d’Antananarivo [12] RALAIARISOA A., 2006. Acquisition et traitement des données de magnétométrie et de spectrométrie gamma aéroportées à Madagascar, 105p. Mémoire DEA en Sciences physique à l’Université d’Antananarivo
37 [13] RAMAHANDRISOA A., 2015. Uranium de Vinaninkarena (Antsirabe) : approche magnétique et spectrométrique, 105p. Mémoire en vue de l’obtention de diplôme d’ingénieur géologue à l’ESPA [14] http://collections.banq.qc.ca/ark:/52327/bs2101598 (05/10/2017) [15] http://passthrough.fw-notify.net/download/485917/http://gq.mines.gouv.qc.ca/documents /examine/DP200901/ (05/10/2017) [16] http://www.afes.fr/wpcontent/uploads/2017/09/EGS_20_1_EGS_20_1_CN_Laroche (05/10/2017) [17] GROUNE D., 2009. Analyse Magnéto-Spectrométrique des Données Aérogéophysiques du Grand Fossé Pharusien (Hoggar Occidental), 153p. Mémoire en vue de l’obtention du titre de magister en géophysique à l’Université (ALGERIE) m’Hamed bougara- boumerdes [18] L’utilisation du spectromètre a rayons gamma dans les levers aéroportés, 93p http2 : [19] http://www.portailsig.org/content/landsat-8-les-premieres-images (06/12/2017) http3 : [20] http://www-lmpa.univ-littoral.fr/~smoch/documents/M1-GSI/TPs/Fiche1.pdf (12/12/2017) http4 : [21] http ://www.geolalg.com/chabou/cours5.pdf (12/08/2018) http5 : [22] https://fr.wikipedia.org/wiki/Granite (12/08/2018) http6 : [23] http://boowiki.info/art/roches-magmatiques/syenite.html#Bibliografia (12/08/2018) http7 : [24] https://fr.wikipedia.org/wiki/Monzonite (12/08/2018)
38 ANNEXES
ANNEXE 1: Script du RandomForest
library(sp) library(rgdal) library(raster) library(randomForest)
# getwd() # load the Landsat image u <- brick('Landsat_image2013.tif') names(u) <- c( 'B2' , 'B3' , 'B4' , 'B5' , 'B6' , 'B7' ) # combine the stacks img <- stack(B2 , B3 , B4 , B5 , B6 , B7) names(img) <- c("b2", "b3", "b4", "b5", "b6", "b7") # reading training plots plots <- readOGR(dsn="échantillon.shp", layer="échantillon") colnames(plots@data) plots@data <- as.data.frame(plots@data[,"CLASS"]) colnames(plots@data) <- "class" plots@data$ID <- row.names(plots@data) # extracting raster values and merging with vector attributes (class codes) df<-extract(img, plots, df=TRUE) plots_<-as.data.frame(plots) df <- merge(plots_, df, by="ID”) sf <- df[,-1] # build a random forest model (classification) rf <- randomForest(as.factor(class)~., data = sf, importance=TRUE)
# writing statistics result to a file dir.create(“./results”, showWarnings=FALSE) sink(“./results/rf_model_2017.txt”) cat(“======class distribution in training plots”)
I table(df$codes) cat(“\n======variable importance\n”) print(rf$importance) cat(“\n======OBB confusion matrix”) print(rf) sink()
# predict the scene pr <-predict(img, rf, type = 'class', progress = 'text') # write raster result writeRaster(pr,filename = " result_2017.tif ", format = " GTiff ", datatype = "INT2U", overwrite=TRUE)
II ANNEXE 2 : Avantages et inconvénients de l’utilisation de l’algorithme RandomForest et Matrice de confusion
Avantages et inconvénients de l’utilisation de l’algorithme RandomForest : structure simple et performant (vite) peut gérer des données avec des bruits ne demande pas des connaissances sur la distribution / la nature des classes peut être entrainé vite et simplement non-paramétrique / difficile à décrire Matrice de confusion Tableau 4 : Matrice de confusion (cas d’Amboasary) Données de référence
Rizière Non rizière Total EC Rizière 1003 5 1008 5/1008
Non rizière 205 1015 1220 205/1220 Total 1208 1020 2228 EO 205/1208 5/1020
Données Données classifiées
Précision globale =85,79% Kappa=0,81 EO : Erreur d’omission EC : Erreur de commission Tableau 5 : Matrice de confusion (cas d’Ampitatsimo)
Données de référence
Rizière Non rizière Total EC Rizière 347 41 388 41/388
Non rizière 60 263 323 60/323 total 407 304 711 EO 60/407 41/304
Données Données classifiées
Précision globale =85,79% Kappa=0,71
III ANNEXE 2 : Concentration en Uranium et en Thorium de la feuille S46 et S44
Par rapport aux deux autres fenêtres d’énergie mesurées (U et Th), le comptage de potassium est connu comme la plus forte intensité. C’est pourquoi l’unité de mesure employée est le pourcentage (%).
Figure 26 : Concentration en Uranium et en Thorium de la feuille S46 (Amboasary-Moramanga)
Figure 27 : Concentration en Uranium et en Thorium de la feuille S44 (Ampitatsimo-Ambatondrazaka)
IV TABLE DES MATIERES
REMERCIEMENT ...... i
SOMMAIRE ii
LISTE DES FIGURES ...... iii
LISTE DES TABLEAUX ...... v
LISTE DES ANNEXES ...... vi
LISTE DES ABREVIATIONS ...... vii
INTRODUCTION ...... 1
CHAPITRE I: CONTEXTE GENERAL DE LA ZONE D’ETUDE ...... 2
I-1 LA ZONE 01 ...... 2
I-1-1 Situations géographique et administrative ...... 2 I-1-2 Climat ...... 2 I-1-3 Relief ...... 5 I-1-4 Pédologie ...... 5 I-1-5 Hydrographie ...... 6 I-1-6 Situation socio-économique ...... 6 I-1-7 Géologie ...... 6 I-2 LA ZONE 2 ...... 7
I-2-1 Situations géographique et administrative ...... 7 I-2-2 Climat ...... 9 I-2-3 Relief ...... 10 I-2-4 Pédologie ...... 10 I-2-5 Hydrographie ...... 10 I-2-6 Situation socio-économique ...... 11 I-2-7 Géologie ...... 11 CHAPITRE II: RAPPELS THEORIQUE ET METHOLOGIQUE ...... 13
II-1 NOTION DE TELEDETECTION ...... 13
II-1-1 Principe ...... 13 II-1-2 Classification d’image ...... 14 II-1-3 Principe de la classification utilisant l’algorithme RandomForest ...... 15
V II-1-4 Résumé du principe de classification sur le logiciel R ...... 15 II-1-5 Validation de la classification par la matrice de confusion ...... 16 II-1-6 Indice de Kappa ...... 16 II-2 SPECTROMETRIE AEROPORTEE A RAYONS GAMMA ...... 16
II-2-1 Principes de la spectrométrie aéroportée a rayons gamma ...... 16 II-2-2 Radiation gamma ...... 16 II-2-3 Paramètres des levés ...... 18 II-2-4 Les instruments spectrométriques...... 21 II-2-5 Instruments auxiliaires ...... 22 II-3 DONNEES ET LOGICIELS UTILISES ...... 24
CHAPITRE III: RESULTATS ET INTERPRETATION ...... 26
III-1 Les cartes de distribution en K au niveau des rizières ciblées ...... 26
III-2 Module numérique d’altitude d’Amboasary et d’Ampitatsimo ...... 30
III-3 Corrélation entre la concentration en potassium et la géologie ...... 31
DISCUSSION………………………………………………………………………………...35 3
CONCLUSION ...... 364
REFERENCES BIBLIOGRAPHIQUES ET WEBOGRAPHIQUES ...... 375
ANNEXE 1 : Avantages et inconvénients de l’utilisation de l’algorithme RandomForest et Matrice de confusion ...... III
ANNEXE 2 : Concentration en Uranium et en Thorium de la feuille S46 et S44 ...... IV
VI Impétrant Encadreur RAJOHARIMALALA Herizo William Pr. RASOLOMANANA Eddy Harilala Adresse: Lot VS 52 BH Avaratr’Ankatso Tel: +261 34 79 048 96 Tel: +261 32 03 121 08 e-mail: [email protected] e-mail: [email protected]
« Détermination de la concentration en potassium des sols par spectrométrie gamma aéroportée et télédétection - Relation concentration-rendement de production de riz, cas des rizières d’Ampitatsimo-Ambatondrazaka et d’Amboasary-Moramanga »
Résumé- A Madagascar, les données sur les sols cultivables ne sont pas toujours disponibles dont celles sur le potassium. Ainsi, beaucoup de gens cultivent le riz dans n’importe quel type de sols. L’étude se rapporte à l’observation de la concentration en potassium des rizières d’Ampitatsimo, District Ambatondrazaka et d’Amboasary, District Moramanga, pour identifier les sols favorables à la culture du riz. Pour ce faire, on a utilisé la spectrométrie gamma aéroportée associée à la télédétection. Les traitements des données BPGRM (Base de données Pour la Gouvernance des Ressources Minérales) et l’image Landsat8 donnent des cartes de radioactivité gamma et de délimitation des rizières existantes. La superposition de ces cartes permet d’observer une bonne corrélation entre le rendement de production de riz et la concentration en potassium. On remarque que plus la concentration en potassium des rizières est élevée plus le rendement de production est important. Mot clés- Ampitatsimo-Ambatondrazaka, Amboasary-Moramanga, Potassium, Spectrométrie gamma aéroportée, Télédétection, Rizières
Abstract-In Madagascar, cultivable soils data are not always available, including data on potassium. So, many people grow rice in any type of soil. The study relates to the observation of the potassium concentration of Ampitatsimo ricefields, Ambatondrazaka District and Amboasary, Moramanga District, to identify soils favorable to rice cultivation. For this purpose, airborne gamma spectrometry associated with remote sensing was used. The data processing BPGRM (Database for the Governance of Mineral Resources) and the Landsat image8 give maps of gamma radioactivity and delimitation of existing rice fields. The superposition of these maps shows a good correlation between rice production yield and potassium concentration. It is noted that the higher the potassium concentration of the rice fields, the higher the production yield. Key words- Ampitatsimo-Ambatondrazaka, Amboasary-Moramanga, Potassium, Airborne gamma spectrometry, Remote sensing, Rice fields