Présentée Et Soutenue Publiquement Par

UNIVERSITE DU VAL DE MARNE PARIS XII FRANCE Faculté des Lettres et Sciences humaines Département de Géographie

Thèse Présentée et soutenue publiquement par

Mme BACHARI HOUMA Fouzia

Le 17 Décembre 2009

Pour obtenir le grade de

Docteur de l'Université du Val de Marne Paris XII Spécialité : Sciences de l’Univers et Environnement

Sujet de la thèse:

Modélisation et cartographie de la pollution marine et de la bathymétrie à partir de l'imagerie satellitaire.

Devant le jury: M. OZER André, à l’Université de Liège,...... ….Président M. BELTRANDO Gérard, Professeur, de l'Université paris7, ………. Rapporteur. M. GALGANI François, Directeur de recherche à IREMER/LER/PAC,...... Examinateur M. MANGIN Antoine, Directeur scientifique ACRI Sophia-Antipolis, ….. Examinateur M.ABDELLAOUI Abdelkader, HDR à l'Université Paris XII,...... Directeur de thèse M. FASETTA Gille Arnaud, Professeur à l'Université Paris XII, ...... Examinateur M. FOUACHE Eric, Professeur à l'Université Paris X, ...... Examinateur

C’est dans l’effort que l’on trouve la satisfaction et non dans la réussite. Un plein effort est une pleine victoire.

Mohandas Karamchand Gandhi

Remerciements

Il m'est tout d'abord particulièrement agréable d'exprimer ma profonde reconnaissance, mes plus sincères remerciements et ma gratitude à mon directeur de thèse Docteur Abdelkader ABDELLAOUI qui a bien accepté diriger mon travail et qui n'a cessé de prodiguer ses conseils judicieux et permanents qui m'ont été d'une aide précieuse. Je le remercie pour ses encouragements et pour le temps précieux qu’il m’a consacré toutes les fois que cela était nécessaire à l’Université Paris XII, sans oublier ses interventions pour me faciliter les démarches administratives de mon inscription. Qu’il trouve ici le témoignage de ma vive reconnaissance et ma profonde gratitude.

J’adresse mes plus sincères remerciements à André OZER, Professeur à l’Université de Liège de m'avoir fait l'honneur de présider le jury de ma thèse. Qu'il trouve ici l'expression de ma plus profonde gratitude et mes plus vifs remerciements.

Je tiens également à remercier très chaleureusement les membres de Jury de cette thèse qui m’ont fait l’honneur de juger ce travail; • Docteur François GALGANI, Professeur à l’Université de Liège d’avoir accepté d'être Examinateur et juger ce travail. Qu’il trouve ici l’expression de mes plus vifs remerciements et sincères respects. • Docteur Eric FOUACHE, Professeur à l'Université ParisX d’avoir accepté juger ce travail ; je le remercie aussi pour son aide précieuse et j’exprime mes profonds respects, mes sincères remerciements et toute ma considération. • Docteur Antoine MANGIN, Maître de Conférence à Sophia-Antipolis, Nice, d’avoir accepté juger ce travail. Qu’il trouve ici l’expression de mes vifs remerciements et mes sincères respects. • Docteur Gérard BELTRANDO, Professeur à l’Université de Paris7 d’avoir accepté d'être Rapporteur et juger ce travail. Qu’il me soit permis de lui exprimer mes respects les plus profonds et ma reconnaissance. • Docteur Gille Arnaud FASETTA, Professeur à l'Université Paris XII, d’avoir accepté juger ce travail. Qu’il trouve ici l’expression de mes plus vifs remerciements et sincères respects.

Je remercie vivement Docteur BACHARI Nour El Islam, Professeur en physique de télédétection à l'Université d'Alger USTHB, de m'avoir apporté son aide précieuse, pour tous ses conseils, critiques et encouragements permanents. Je le remercie de m’avoir donné la chance de collaborer pour la réalisation du logiciel de Simulation des données Satellites et de m’avoir fourni son logiciel de traitement d’images satellites PCSATWIN, un outil très précieux pour mes différentes applications dans le domaine marin. Qu'il trouve ici l'expression de ma plus profonde gratitude et ma sincère reconnaissance. Je tiens d'exprimer ma profonde gratitude à Docteur Ahmed Hafid BELBACHIR, professeur à l’université d’ORAN qui n'a pas hésité à m’aider et qui a contribué de diverses manières à la réalisation et la progression de cette thèse. Qu’il me soit permis de lui exprimer mes sentiments de profonds respects et ma reconnaissance.

Je tiens aussi vivement à remercier sincèrement toutes les personnes de l'Ecole Nationale Supérieure des Sciences de la Mer et de l’Aménagement du littoral ( Ex:ISMAL) et les collègues de l’Université d'Alger USTHB en Faculté des Sciences Biologiques qui, de prés ou de loin, m’ont porté leur précieux aide et leur soutien moral durant toute la période de préparation de ce travail. Qu’ils trouvent ici le témoignage de ma vive reconnaissance et ma profonde gratitude.

Je remercie également les marins et navigateurs du navire océanographique BENYAHIA, qui ont contribué à la réalisation des campagnes de prélèvements et pour leur patience sympathie et aide lors des missions difficiles effectuées dans le cadre de cette recherche. Qu’ils trouvent ici l’expression de mes vifs remerciements et respects.

Bachari Houma Fouzia

Sommaire

Introduction ………………………………………………………………………………………… 1

Chapitre I : Campagnes océanographiques et échantillonnage 1. La baie d'Alger………………………………………………….. 10 1.1 Présentation du site d'étude………………………………………………………………… 10 1.2 Facteurs hydrodynamiques. 12 1.3 Nature de fond – Couverture sédimentaire …………………………………………….. 16 1.4. Echantillonnage et localisation des stations. ……………………………………… 17 2. La baie de Bousmail. 20 2.1 Description géographique et présentation du site. 20 2.2 Prélèvement d’eau et localisation des stations. 23 2.3 La baie d’El Djamila. 25 3. Analyse et mesure des paramètres physico-chimiques 28 3.1.Température. 28 3.1.Oxygène dissous 29 3.3.Potentiel d’hydrogène. 30 3.4. Salinité S 30 3.5. Conductivité électrique (C 31 3.6. Transparence de l’eau. 31 3.7. Turbidité 31 3.8. Matières en suspension (MES). 32 3.9. La Demande Chimique en Oxygène (DCO). 33 3.10 Matière organique particulaire (MOP). 33 4. Analyse des Nutriments. 34 5. Couleur de l’eau et paramètres biologiques. 37 6. Le phytoplancton Marin. 40 7. Télédétection et couleur de l’eau. 42 Chapitre II: Modélisation des mesures satellitaires 47 I. Modélisation de l’interaction du spectre solaire avec l’atmosphère…………………………… 48 1 Spectre 49 solaire……………………………………………………………………………………...... 2 Atténuation du spectre solaire par 50 l’atmosphère………………………………………..……………….. 2.1 Radiations solaires au sol……………………………………….………………...... 51 2.2. Radiation globale au à la surface………………………… 51 2.3 Bruit 53 atmosphérique…………………………………………………………………………...... 53 3. Modélisation du rayonnement réfléchi par le sol. II. Détermination de la réflectance des eaux de mer par simulation des données satellites. 55 1. Propriétés optiques des eaux de mer. 55 2. Propriétés optiques de l’eau dans le domaine des courtes longueurs d’onde. 56 3. Propriétés optiques des surfaces d'eau 58 3.1 Substances dissoutes ou en 59 5 suspension………………………………………………………………… 3.2 Modélisation de la signature spectrale de l'eau de mer ………… 60 4. Réflectance des surfaces marines. 63 5. Problèmes posés par l'étude bathymétrique. 64 5.1. Propriétés optiques des eaux marines 65 5.2. Eclairement au dessous de l’eau. 65 5.3. Les composantes du signal radiométrique. 66 6. Etude du rayonnement sur le trajet sol atmosphère satellite. 67 6.1. Radiation réfléchie par la surface d’eau. 67 6.2. Radiation diffusée d’un volume d’eau. 68 6.3. Radiation diffusée du fond. 68 6.4. Radiation totale diffusée à la surface de l’eau. 68 6.5. Radiation totale arrivant au satellite. 69 7. Conclusion 70 Chapitre III : Simulation des données satellitaires 71 1. Introduction 71 2. Analyse de la variation de la luminance avec les conditions angulaires. 73 2.1 Effet de l’angle zénithal 73 solaire. …………………………………………………………………...... 2.2. Effet de l’angle zénithal d’observation. …………………………………………… 74 3. L’analyse des effets atmosphériques………………………………………….……………….. 74 3.1. Effet de l’humidité relative……………………………………………….…………...... 75 32. Effet du paramètre de diffusion Fc…………………………………………………………. 75 4. Présentation de l'Outil développé sous logiciel « SDDS » 76 4.1 Analyse de l’interaction du rayonnement avec la masse d’eau. 77 4.2 Conversion en réflectance des données satellitaires brutes. 80 5. Signature spectrale de l’eau de mer 80 6. Simulation des données satellites SPOT XS et Landsat. 82 7. Estimation du bruit atmosphérique et correction radiométrique. 85 7.1. Application des corrections d’images aux satellites SPOT et TM &MSS Landsat. 85 7.2 Qualité des corrections radiométriques. 88 7.3 Application sur les images satellites. 89 8. Conclusion 89 Chapitre IV: Modélisation de base de données et PollutionGIS 92 1. Méthodologie du développement de PolGIS. 94 1.1 L’analyse spatiale. 95 1.2 Principe de développement. 95 2. Diagramme de classes participantes du cas d’utilisation : Gérer les cartes, les photos et les images 97 satellitaires 3. Identification des scénarios 100 4. Conception de PolGIS 106 5. Le prétraitement des données dans PolGIS. 107 5.1. Justification des choix techniques 114 6. Présentation des interfaces de l’application 115 7. Conclusion 119 Chapitre V: Analyse et Modélisation des Paramètres Terrain-Image 120 A.I. Application en baie d’Alger. 121

6 1. Analyse et variation des paramètres physico-chimiques en baie d’Alger. 121 2. Extraction de la réflecance de l'eau de mer. 132 2.1 Données et conditions atmosphériques. 132 2.2 Calage et échantillonnage. 133 2.3 Modélisation de la réflectance. 133 2.4 Calcul de la réflectance à partir de l’image satellite. 134 3. Résultats et discussion. 135 3.1 Analyse Physico_chimique 136 3.2 Analyse des réflectances 137 3.3 Modélisation des paramètres 138 3.4 Images et Cartes de pollution. 141 B II. Résultats de la Modélisation des Paramètres de la campagne océanographique 2003 144 1. Modélisation statistique : réflectances et paramètres 144 2. Cartes de pollution. 144 III. Application en Baie de Bousmail. 149 A. Variation des paramètres physico-chimiques. 149 B. Modélisation des paramètres physico-chimiques et des données satellitaires. 153 C. Application à la couleur de l'eau-Modélisation de la chlorophylle et du phytoplancton marin 161 en baie d'Alger. 1. Les éléments nutritifs. 162 2. Etude des paramètres biologiques. 164 2.1 Etude qualitative des populations phytoplanctoniques. 164 2.2 Etude quantitative des populations phytoplanctoniques. 164 3. Modélisation de la couleur de l'eau, chlorophylle a et phytoplancton marin. 173 4. Analyse des réflectances de l'eau de mer. 175 5. Couleur de la mer des eaux du cas1 sur une image Seawifs. 178 Chapitre IV : Modélisation de la bathymétrie par mesures satellitaires 184 A. Détermination de la bathymétrie dans la baie d'Alger. 185 1. Analyse physico-chimique et cartographie. 185 2. Cartes bathymétriques. 186 3. Extraction et calcul de la réflectance de l’eau. 189 3.1 Analyse de la variation de la luminance. 189 3.2 Application aux stations. 189 4. Corrélation et ajustement des fonctions représentatives. 191 5. Analyse statistique des paramètres. 193 5.1 Conversion en profondeur. 193 5.2 Extraction d’images bathymétriques. 196 B. Détermination de la bathymétrie dans la baie de Bousmail. 198 1. Carte bathymétrique de la baie de Bousmail 198 2. Analyse de la variation de la luminance. 199 3.Modélisation de la profondeur et mesures satellitaires 204 4.Modèles d'inversion en profondeur - Application PCSATWIN 206 C. Validation du modèle de simulation de la bathymétrie aux données satellites dans la baie de 208 Zemmouri. D. Conclusion 211

7 Conclusion générale 213 Bibliographie 217 Annexes 236

Introduction

Introduction générale

Le milieu marin représente un enjeu considérable en termes de développement socio- économique. Ces dernières décennies, la pollution des océans à travers le monde est devenue un sujet de préoccupation croissante à l'échelle internationale. La mer méditerranée est soumise à un problème grave de pollution dû à l’accroissement des apports anthropogéniques côtiers de ses pays riverains en voie d’industrialisation. La civilisation moderne et l’activité de l’homme sont indéniablement les causes principales de la contamination de l’hydrosphère. (Salomon, 2003; Houma et al., 2005(a); Lambert et al.,1981) Les activités liées directement à la mer ont pris une place prépondérante, notamment dans les collectivités côtières ; cependant, elles sont tributaires de la santé et de la productivité du milieu marin. L’homme en investissant de plus en plus le milieu marin contribue au déséquilibre de ce milieu. Les ressources vivantes et la biodiversité sont menacées par les pressions anthropiques en termes d’aménagement du milieu côtier, de pollution et d’exploitation. Cependant; les zones côtières sont exposées à des énormes risques: La pression démographique où la majorité de la population mondiale est située près des côtes, la croissance des zones urbaines, associée à une expansion rapide de l'industrie et du tourisme et à une exploitation évasée des ressources marines. Cela a suscité une inquiétude généralisée à l'échelle planétaire concernant le développement durable de ces espaces et leurs ressources naturelles. L’humanité a pris conscience de la fragilité de cet environnement, d’autant plus que les ressources biologiques sont souvent menacées d'où une partie importante des ressources économiques (tourisme, pêche, activités portuaires), provient des zones côtières. (Farmer et al.,1993)

La côte et le littoral algériens et à l'instar de la majorité des zones côtières méditerranéennes, sont sensibles aux changements environnementaux, aux changements créés par le développement économique et aux changements d'utilisation du sol. La région algéroise est certainement l'une des zones où l'altération de la qualité des eaux marines côtières est la plus perceptible. De 75 à 80% des pollutions marines sont d'origine terrestre, notamment agricole, parmi lesquelles environ 30% sont apportées par l’atmosphère. Le littoral Algérien est pratiquement touché par diverses pollutions, on constate une densité urbaine importante sur la côte qui déverse ses rejets dans les eaux marines et des usines qui rejettent leurs déchets industriels et contribuent à polluer le milieu sous l’effet des substances toxiques et corrosives. La pollution des mers n’est plus une hypothèse à débattre, mais une réalité à affronter !!!

Introduction générale

Dans ce contexte, la démarche suivie par plusieurs chercheurs se base sur le concept des mesures in situ et interpolation des résultats trouvés par similitudes ou par des modèles mathématiques. (Morel & Gentili, 2009). Certes les mesures in situ sont fiables mais elles sont locales et instantanées. Couvrir cet espace marin est impossible par ces méthodes, les chercheurs font appel aux techniques d’interpolation spatiale. Toute interpolation est conditionnée par le maillage et la sensibilité des paramètres mesurés. L’eau de mer est un fluide dynamique en interaction permanente avec l’atmosphère et le sol et toute perturbation légère non prise en considération fausse totalement les calculs. L’approche numérique peut donner des résultats similaires à la réalité si le maillage (nombre de stations) est dense. En effet; le développement des méthodes d'analyse et de surveillance de la qualité des eaux côtières se pose avec une acuité de plus en plus grande. Il est donc utile de fournir au décideur l'information en temps réel afin de préserver et d'exploiter rationnellement le milieu.

Dans cette optique ; nous présentons dans ce travail la méthodologie appliquée pour la caractérisation d'un Système de gestion de base de données géoréférencié dédié à l’analyse des eaux marines. L'intérêt de l'application est le développement d’un Système d’Information Marin (SIM) basé sur la modélisation des paramètres qui caractérisent les eaux côtières. L'outil est composé d'un Système de Gestion de Base de Données (SGBD), la mise en pratique du principe de la gestion informatisée des données de pollution Marine conduit au développement d'un système POLGIS qui répond aux besoins de gestion de l'information marine dans le cas de contrôle, suivi et surveillance de la pollution marine. (Cross, 1991) Cette contribution est nécessaire et substantielle à l’amélioration de l’accès aux données et à l’information. Ce système manipulable et intelligent, doit répondre à des besoins thématiques divers. (Bachari, 2008(a)). L'étude consiste à identifier tous les paramètres et les variables qui peuvent intégrer une telle base de données; Cette étude nous a permis de classer les données en deux grandes catégories : MAP (Images satellites, cartes numériques, cartes, photos) et DATA Numériques. L’unité de base du système est la station à une profondeur Z où elle intègre avec précision une mesure SIM qui indique toute information liée à sa réalisation (conditions d’échantillonnage, moyens de mesure, coordonnées du lieu, ….); plusieurs campagnes océanographiques sont réalisées pour les mesures in situ spatio-temporelles et l'analyse des paramètres chimiques, physiques et biologiques de l'eau de mer et des sédiments dans les profondeurs des zones étudiées. (Deustch & Estes,1980)

Introduction générale

Le système développé est géoréférencié, il permet d’établir la relation spatiale et les couches d’information. L’outil d’analyse établi dans le système est le DATAMINING qui permet de réaliser des analyses approfondies entre les variables et les stations. Notre choix de développement est basé sur l’environnement ORACLE afin de bénéficier de ces avantages tels que la sécurité d’information à plusieurs niveaux. Ce système peut communiquer avec les logiciels de traitement et de cartographie par import et export des données. Parmi ceux-ci, les outils d’aide à la décision les plus utilisés et qui comportent souvent une composante SIG du Système d’Information Géographique.

Dans ce même cadre, l’objectif primordial de cette étude est l’utilisation des images satellites couplée aux Systèmes d'Informations Géographiques pour l’analyse spatio-temporelle de la pollution marine. L´avènement de l´imagerie satellitale issue des capteurs optiques, par la finesse de sa résolution spatiale et spectrale a donné un nouvel essor au développement de la cartographie des ressources terrestres (Leroy,1992). L’avènement de nouvelles générations d’instruments de détection, appelés satellites, promet d’apporter aux scientifiques une grande capacité de faire des observations détaillées sur la surface de la terre. (Fingas & Brown, 2000) L'élaboration de modèles d'inversion des données satellitales pour la cartographie des paramètres physiques du milieu naturel a permis d'entrevoir de nouvelles possibilités d'analyse.(Abdellaoui et al.,1984; Abdellaoui, 1986(a)) D’autre part, les multiples combinaisons possibles entre les propriétés optiques de l’eau et les particules permettent d’estimer les concentrations des diverses composantes de l’eau. L’exploration des propriétés optiques des eaux et la recherche d’algorithmes permettent alors d’inverser le spectre de réflectance de ces eaux et d’identifier la nature de la pollution. (Froidefond et al., 1999; Stringer, 1992; Froidefond et al., 2002(b)) Dès les premiers vols habités, des études sur la qualité des eaux littorales ont été identifiées selon leur turbidité, notamment à partir des images acquises par les capsules Gemini corrélées avec des mesures in situ. Depuis 1970, plusieurs scientifiques ont observé une corrélation positive entre le signal reçu au capteur et la teneur de matières en suspension. (Miller et al.,2005) La cartographie de la turbidité de surface et l’estimation des matières en suspension à partir des réflectances a été effectuée par (Spitzer & Dirks, 1985; Baban & Serwan,1993; Zhiqiang et al.,2007).

Introduction générale

Ces travaux reposent sur la forte corrélation observée entre les images et la teneur de ces grandeurs mesurées in situ (Doxaran et al.,2002(b)).Une corrélation importante entre le compte numérique du premier canal du satellite Landsat TM et la concentration en matières en suspension a été aussi réalisée (Baban & Serwan,1993). Les bandes spectrales Thematic Mapper étaient utilisées davantage pour corréler avec les propriétés spectrales de l'eau et sa teneur en matière organique (Ferrari & Tassan ,1992) ou encore pour la caractérisation de la couleur (Estep, 1994), la salinité et la concentration en chlorophylle de l’eau de mer (Ferrari & Tassan,1992, Jaquet et al.,1992; Ahn et al.,1992) . L’utilisation des images satellites de Landsat 5 et 7 a permis une cartographie relative de la turbidité, sans pouvoir y distinguer les apports des sédiments en suspension et de la chlorophylle (Jaquet & Weber, 2002) et la température de surface de l'eau de mer (Faour et al.,2004), validé par la Bande Infrarouge Thermique du Capteur TM de Landsat-7 utilisée aussi pour la détection de la pollution de l’eau de mer sur Le littoral Libanais.

Rangama en 2004 a étudié la variabilité de la pression partielle de CO2 à la surface de l’océan en nous servant de paramètres télédétectés (température de surface de la mer et couleur de l’océan) dans le but d’obtenir un aperçu de sa variabilité à petite échelle et de surveiller le flux air-mer de

CO2 déduit de mesures satellitaires. De nombreux modèles théoriques ont été établi afin d'estimer la vitesse de transfert du gaz entre l'océan et l'atmosphère basés sur la modélisation de la turbulence dans l’eau et de la température à de surface. (Jacquet, 2005)

D’autres chercheurs (Hans Hakvoort et al.,2000) ont montré par l’utilisation des techniques optiques la possibilité d’établissement de cartes de concentration en chlorophylle-a, en matières en suspension totales (Dilip et al.,1994) ou en carbone organique dissous. Après le satellite SPOT, le capteur LISS3 du satellite indien IRS1C à haute résolution spatiale illustre aussi par différentes applications son utilité pour la surveillance qualitative et quantitative des zones côtières. Il peut assurer le suivi de l’évolution de quelques paramètres biologiques nécessaires pour déceler les traces de sédiments et de corail ou encore pour permettre une étude sur la qualité des eaux (Antoine et Morel, 1996(a)). La couleur de l’océan, à partir de l’espace, est étudiée depuis le lancement du satellite Nimbus-7 équipé du capteur CZCS (Fargion et al.,1993; Antoine et al., 1996(b) ; Barnard et al., 1997 ; Peliz & Fiuza, 1999).

Introduction générale

Ces études se sont poursuivies avec l’exploitation des images de SeaWiFS (Arnone & Gould, 1998; McClain et al.,1998 ; Perez et al., 2005 ; Campillo-Campbell & Gordoa, 2004 ; Brickley & Thomas,2004 et Cokacar et al., 2004). Au niveau de l’écosystème marin de la Côte d’Ivoire en particulier et du golfe de Guinée en général, les études de la concentration en pigments chlorophylliens ont été, pour la plupart, menées à partir de données in situ (Binet, 1983 ; Arfi et al., 2002 ; John et al., 2002).

Les premières cartes mondiales de la biomasse phytoplanctonique ont été dessinées à partir des données enregistrées par le Coastal Zone Color Scanner acquises de novembre 1978 à Juin 1986 (Benhamida et al.,2001; Feldman et al., 1989). L’estimation de la production primaire océanique est un des champs d’application principaux de la télédétection de la couleur de l’océan (Bailey & Werdell, 2006; Arabie et al.,1996). Par production primaire, nous considérons le flux de carbone qui passe de la forme inorganique (le gaz carbonique dissous dans l’eau de mer et les ions carbonate et bicarbonate associés) passant par la forme organique (matière vivante sous forme d’hydrates de carbone et autres molécules) et les processus de photosynthèse dont la fixation de carbone qui consiste en l’absorption d’énergie lumineuse par les pigments photosynthétiques. (Campbell et al., 1995; Humborg et al., 2000). C’est donc au niveau de la quantification des concentrations en chlorophylle que se situe l’apport de la télédétection de la couleur de l’océan (Mueller et al., 1997) à la modélisation de la photosynthèse et de son résultat en terme de carbone, la production primaire. (Feldman et al., 1989) La télédétection multispectrale réalise une observation d’un grand espace en nanoseconde dans plusieurs spectres (Morel,1980). L’image résultante se présente comme étant une matrice numérique manipulable et exploitable. L’élément de matrice nommé pixel est caractérisé par la résolution spatiale, la résolution spectrale et la résolution temporelle. Sa valeur numérique est une convolution des propriétés optiques de la source (soleil), du milieu perturbateur (atmosphère), de l’objet au sol et des propriétés optoélectroniques des capteurs. La thématique étudiée nous impose la démarche que nous développons afin d’extraire l’information voulue et utile à partir des images satellites. (Abdellaoui, 2009; Abdellaoui,1986(b)). Cette télédétection est basée sur l’optique marine. En ce qui concerne les eaux du large (Cas1), les connaissances sont avancées (Ivanoff, 1975 ; Gordon et al., 1975 ; Jerlov, 1976 ; Morel and Prieur, 1977 ; Morel & Gentili, 1993).

Introduction générale

Pour les eaux côtières (Cas2), des recherches récentes confirment la possibilité de quantifier les sédiments en suspension (Withlock et al.,1981 ; Curran & Novo, 1988 ; Novo et al., 1989; Ritchie et al., 1990 ; Tassan & Ferrari, 1995 ; Doxaran et al., 2003; Novo et al.,1991 ); les concentrations en phytoplancton à la surface et en profondeurs des eaux marines à partir des données satellitaires SeaWiFS, (Gohin et al., 2002), MODIS et MERIS (IOCCG, 2000) et la couleur de l'eau (Morel, 2007). Bon nombre d’articles s’intéressant à l’utilisation des images satellites en bathymétrie des eaux peu profondes ont été publiés (Ishiguro et al., 2001; Stump & Pennock, , 1989; Stumpf & Holderied 2003; Provost et al. 2004). L'objectif du présent travail est double: - Obtenir des modèles entre la réponse spectrale de l'eau de mer avec les propriétés physiquement optiques des paramètres de pollution en utilisant des mesures in situ. - Réaliser un modèle d'inversion pour aboutir à une cartographie:

o de la présence des matériaux en suspension et des constituants de la masse d'eau marine.

o et de la bathymétrie aux environs de la côte. A cet effet le présent document est constitué de six chapitres : Le Chapitre I est réservé à la présentation des sites d'étude et à la méthodologie adoptée sur la description de la pollution marine et de l'impact des différents types de polluants sur le milieu marin. On définit les échantillons destinés à l’analyse des paramètres physico-chimiques, des paramètres indicateurs de la pollution, de la chlorophylle et de la couleur des eaux marines (Cipollini & Corsini, 1994).Les méthodes de prélèvements et d’analyse utilisées sont développées pour les espèces phytoplanctoniques, les sels nutritifs et les polluants organiques dans l'eau de mer. Dans cette partie, les résultats sont présentés pour : la baie d'Alger, la baie de Bousmail ; la baie d'El Djamila.

Le chapitre II est consacré à la définition des diverses grandeurs optiques abordées au cours de cette étude, ainsi qu'au mode d'estimation des paramètres liés à la qualité des eaux. Un rappel des propriétés optiques du phytoplancton, de la matière particulaire non végétale et du matériel organique dissous est présenté à la fin. La connaissance des phénomènes physiques, chimiques et biologiques qui se déroulent dans le milieu marin passe impérativement par la mise en évidence des variations à l’échelle spatio-temporelles des différents descripteurs marins.

Introduction générale

Nous étudions l’effet des paramètres influant sur la mesure satellitaire et nous rappelons l’influence des paramètres optiques de l’eau de mer sur la mesure satellite ainsi que les équations caractéristiques qui gouvernent le transfert radiatif dans le système océan- atmosphère.

Le chapitre III est consacré à la modélisation pour l'analyse par des mesures satellitaires. Cette analyse est effectuée par simulation à l’aide d’un code numérique SDDS (Simulation des données satellitaires) ; nous avons contribué à la réalisation de ce système. Ce modèle couplé à des modèles atmosphériques tient compte d'un certain nombre de propriétés de l’eau qui vont influer de façon significative sur le transfert du rayonnement électromagnétique afin d’établir un modèle analytique de simulation de transfert radiatif dans l’eau. La simulation des données satellitales est utilisée pour calculer la réflectance de l’eau de mer dans chaque canal et pour différentes zones. Nous nous intéressons à l’évaluation de l’importance des effets de l’atmosphère, des conditions de prise de vue et des propriétés de l’eau sur le signal qui arrive au niveau des capteurs embarqués à bord des satellites puis nous montrons quelques applications des corrections radiométriques. Une description détaillée des systèmes satellites est donnée en annexe pour Spot, Landsat TM & MSS et Seawifs.

Le chapitre IV fournit une description du contexte méthodologique. La première partie sera consacrée à la description de l'intérêt de la modélisation numérique dans l'étude du milieu marin et particulièrement sur les zones côtières. Ainsi, l’intégration de données océanographiques dans les systèmes d’information géographique est problématique dans de nombreuses applications.

La seconde partie de ce chapitre consiste à concevoir et à implémenter un système d'information marin sous un module d’analyse PolGIS qui fait appel aux techniques du Data Mining spatial dans le but d’analyser la pollution marine. (Bordin, 2002; Aissat,1999) Ce logiciel a été développé et conçu pour être simple à utiliser et permettre d’intégrer et de gérer des données marines et d’appliquer des techniques d’analyse spatiale afin d’extraire des connaissances pouvant être utilisées dans un but décisionnel. (Bachari & Houma,2005)

Peut-on trouver des relations entre la couleur de l'eau, le phytoplancton marin et l'ensemble des paramètres afin de caractériser la pollution marine en utilisant les techniques satellitaires ?

Introduction générale

La solution est développée au chapitre V consacré à l'analyse des baies de la côte algéroise. Plusieurs campagnes océanographiques sont réalisées afin d'étudier la pollution de l'eau de mer en surface et en profondeur des zones, et d'établir des modèles entre les mesures in situ et les paramètres images issues des capteurs satellites destinés aux applications marines. (UNESCO.,2000) L'application du logiciel de Simulation des données satellites est présentée au chapitre2. Les luminances des sites étudiés sont converties en réflectances puis corrélées dans chaque canal satellitaire avec les paramètres physico-chimiques, les indicateurs de la pollution, la chlorophylle et les espèces phytoplanctoniques. Une cartographie numérique multi temporelle est réalisée pour suivre la variation des paramètres dans les différentes baies en utilisant le Système d'Information Marin PolGIS destiné à la pollution marine. La connaissance des interactions entre la lumière et l’eau est à la base de l’interprétation des images satellitaires enregistrées dans les domaines visibles et proche infrarouge. Pour ce chapitre, nous nous sommes en grande partie inspirés des publications de Ivanoff (1975); Jerlov (1976); Morel & Prieur (1977) et Bonn & Rochon (1992); la caractérisation des propriétés d’absorption et de diffusion du phytoplancton a été mise en évidence par Bricaud & Stramski (1990). Les résultats de mesures répertoriées par Kirk (1994), puis repris par Dilligeard (1997) et Lahet (1999) définissent la variation des coefficients d'absorption des espèces phytoplanctoniques. (Oubelkheir, 2001)

D'autre part, en s’inspirant des différentes approches développées et des caractéristiques des satellites, nous avons essayé de mettre en évidence l’utilisation de la télédétection afin de trouver des relations entre les paramètres optiques et les descripteurs de la qualité de l’eau. Il devient donc nécessaire de s’appuyer sur des modèles de réflectances que l’on inverse pour déterminer la teneur de l’eau en ses différents constituants (matières en suspension, chlorophylle,………). Les relations développées sont utilisées pour transformer les images en images indicatrices des paramètres physico-chimiques et paramètres biologiques. Des cartes numériques sont établies pour étudier et surveiller l’état de pollution des eaux côtières. (Walker, 1996; Weber et al.,1991)

Introduction générale

Le chapitre VI concerne l'analyse de l'effet des différents paramètres sur la bathymétrie. Nous présentons les relations entre les profondeurs et les réflectances pour chaque bande spectrale puis les images transformées en images bathymétriques. L'image traitée et combinée est présentée sous forme de carte numérique. (Schmitz-Pieffer et al.,1990) Cette partie de la thèse est développée pour donner les limites de la télédétection multispectrale pour l’analyse du milieu marin.

En conclusion, nous synthétisons les résultats manquants de ce travail et nous discutons de la performance de la télédétection spatiale passive dans l'étude de la qualité des eaux côtières et leur cartographie automatique

CHAPITRE I

Campagnes Océanographiques et Echantionnage

Chapitre 1 Campagnes océanographiques & échantillonnage

La surveillance et le suivi de la qualité des eaux marines des principales baies de la zone algéroise présentent l'objectif primordial de cette étude. Une analyse spatio-temporelle de la pollution marine, de la couleur de l’eau et de ses caractéristiques physico-chimiques a été effectuée lors de plusieurs campagnes océanographiques au niveau des régions d'étude. L'échantillonnage en différentes périodes et dans les profondeurs a concerné un ensemble de prélèvements d'eau de mer et de sédiments destinés à plusieurs mesures in situ et à divers paramètres d'analyse au laboratoire. L'ensemble des résultats est enregistré dans une base de données in situ correspondante à chaque campagne océanographique afin d'être utilisée et traitée dans des modèles mathématiques et statistiques destinés à la gestion et la surveillance des eaux côtières. (Abdellaoui et al.,1984 ; Houma et al.,1996; Arnaud et al.,2000; Froidefond et al.,1999 ; Ahn,1990; Bachari et al.,1998; Grimalt & Albaiges, 1988)

1. La Baie d'Alger. 1.1 Présentation du site d'étude. La baie d’Alger est située dans la partie centrale de la côte algérienne. Elle s’inscrit en creux dans la plaine de Mitidja de forme semi-circulaire d’une superficie approximative de l’ordre de 180 Km2, délimitée par deux caps, la Pointe Pescade (Rais Hamidou) à l’ouest et le cap Matifou (Bordj El- Bahri) à l’est. Elle est limitée au Nord par la mer Méditerranée avec une longitude Est 03°.14’.50 à 03°.00’.40 et une latitude nord 36°.49’.35 à 36°.49 .50. (Figure 1.1) Le plateau continental est très étroit mais s’élargi au centre de la baie. Ce dernier ne dépasse pas l’isobathe 120 m. En effet, l’isobathe 50m est à 4,1Km de la côte, celui de 100m est à 7,6Km quant à celui 1000 m il ne se trouve qu’à 12,1Km de la côte. La ville d’Alger est très urbanisée et la majorité des unités sont concentrées dans les zones industrielles, le port d’Alger, Rouiba et Réghaia. Cette zone est principalement contaminée par différentes sources de pollution et soumise à plusieurs types de rejets urbains, industriels et pétroliers. (Figure 1.2)

La zone côtière algéroise constitue le réceptacle de plusieurs types de pollution. Ces eaux usées sont chargées de matières organiques, matières en suspension, détergents et des huiles lubrifiantes ; génèrent des pollutions organiques et chimiques ; cette situation est aggravée par l’absence de traitement des eaux. (Figure 1.2). (Houma et al.,2004 (a); LEM,1998).

Chapitre 1 Campagnes océanographiques & échantillonnage

Figure 1.1 : Situation géographique de la baie d’Alger.

Parmi les zones urbanisées et /ou industrialisées, nous pouvons citer entre autres : - Hussein Dey : Zone principalement soumise aux rejets urbains et à l’influence des activités portuaires. - El Harrach : Son bassin versant couvre une superficie 970 km2, son débit en période de pluie est de 1000 m3/seconde. C'est un bassin difficile d’accès caractérisé par de fortes dénivelées, une végétation peu dense et une pluviométrie importante. A ces facteurs d’érosion s’ajoute le caractère torrentiel de l’oued, qui accentue une forte érosion et un alluvionnement important (LEM, 1998). Le bilan des écoulements moyens annuels est de 5.4 m3/s. Ce dernier reçoit tous les rejets urbains, industriels et agricoles, qui influent sur la qualité physico-chimique et microbiologique du milieu marin de la baie d’Alger, ainsi il provoque la rupture de l’équilibre du milieu naturel. - Bordj El Kiffan : Située à une dizaine de kilomètre à l’est d’Alger, ce secteur connaît un développement industriel et urbain qui l’expose à une pollution assez accentuée selon le sens du courant est ou ouest par l'influence des oueds El-Harrach et El- Hamiz. - El Hamiz : se diverse à l’est de la baie prés du cap Matifou. La superficie du bassin versant est de 160 km2, son embouchure se situe près du cap Matifou. La présence du barrage El Hamiz en amont réduit considérablement les apports solides venant en mer (LEM, 1998); le débit est régulé par un barrage. L’activité industrielle y est réduite. Il présente une charge polluante peu importante.

Chapitre 1 Campagnes océanographiques & échantillonnage

Figure 1.2 : Principaux rejets d’eaux usées dans la baie d'Alger.

Figure 1.3 : Pollution par les huiles, rejets industriels et urbains au niveau de la baie d'Alger. (Houma et al.,2009) 1.2 Facteurs hydrodynamiques.  La houle Etant le facteur le plus important dans la dynamique sédimentaire des petits fonds, sa direction de propagation est liée à celle du vent et de la profondeur, tant que la profondeur est plus grande que la longueur d’onde de la houle. Ainsi la houle de la baie d’Alger suit le régime des vents, qui est un régime saisonnier comme pour le reste de la marge algérienne (Leclaire,1972).

Chapitre 1 Campagnes océanographiques & échantillonnage

En hiver, les houles sont de direction W-NW (300°) et, en été, elles sont de direction N-NE (20°- 40). (Benzohra, 1993; Belkessa et al., 2008; LEM,1998) Au contact des irrégularités du fond, les houles donnent lieu à des rouleaux qui provoquent la mise en suspension des particules favorisent leur déplacement. Le sens et l’intensité de ce courant sont fonction de l’amplitude, de l’incidence de la houle par rapport à la côte, de la topographie de la plage sous-marine et de la granulométrie des sédiments. (Millot,1989) Dans le cas général de houles de petites et moyennes amplitudes, les courants ne sont notables que dans les zones de déferlement et n’affectent donc que le triage des sables et des graviers de la frange littorale "fond -10 m". Ils assurent le transport latéral par dérive littorale et la dispersion. Par contre les houles de fortes amplitudes pourraient agir jusqu’à des fonds de "-40 m à– 60 m"

 Les courants La mer Méditerranée est connue par son excès d’évaporation par rapport aux apports fluviaux et aux précipitations, ceci est responsable d’une baisse de niveau de la mer estimée à 1m/an, ce déficit est compensé par un flux entrant (de 31600 Km3/an) d’eau atlantique, par le détroit de Gibraltar. Ces eaux de salinité (S < 36,5 PSU), au fur et à mesure de leur progression vers l’est, elles se « méditérranisent » le long des côtes algériennes, d’où l’appellation du courant algérien.

Les côtes algériennes sont plus ou moins influencées par ce courant, qui agit sur la distribution des facteurs physico-chimiques, nutritifs, biologiques voire sur la dispersion des polluants. La vitesse du courant général des eaux atlantiques de Gibraltar vers l’est reste généralement dans un ordre de grandeur de 0,5 à 1 m/s, au large des côtes algériennes. Ce courant général crée dans la plupart des baies un contre courant littoral vers l’ouest (LEM, 1998; Benzohra, 1993) - Le courant de retour : correspond à une zone de flot de retour à partir du courant existant au lieu de déferlement de la houle. Ces courants possèdent une vitesse qui dépend de l’énergie de la houle et de la pente de la plage. Ces courants sont responsables de la dispersion d’une partie des sédiments côtiers vers le large. (Figure1.4) - Les courants de dérive littorale : Lorsque la houle arrive à la côte avec une incidence oblique celle-ci donne naissance à un courant de dérive littorale. La vitesse de ce courant est maximale pour un angle d’incidence de 45 % à 50%. La dérive littorale prend naissance au niveau de la zone de déferlement où l’énergie est maximale (Millot,1987). Cette énergie permet la remise en suspension et le transit des particules sédimentaires le long de la côte.

Chapitre 1 Campagnes océanographiques & échantillonnage

La dérive générale dans la baie d’Alger engendrée par le courant atlantique (contre courant atlantique) tourne dans le sens des aiguilles d’une montre avec une vitesse moyenne en surface de l’ordre de 0,3 km/h. A proximité du fond la vitesse de ces courants diminue très rapidement et devient pratiquement négligeable (LEM,1998).

Figure 1.4 : Bilan des courants de dérive et dynamique sédimentaire dans la baie d’Alger. (LEM,1998)

La baie d’Alger a la même circulation que le bassin algérien, ces masses d’eau sont décrites par Chouikhi et al.,(1993) comme suit :

o MAW (Modified Atlantic Water), ou l’Eau Atlantique Modifiée : elle constitue l’essentiel du courant algérien, qui est défini comme une veine de 30 à 40Km de largeur et de 150 à 200m d'épaisseur, c’est de l’eau océanique qui est modifiée par interaction avec l'atmosphère et le mélange avec les eaux méditerranéennes. Elle est caractérisée par des températures variables en surface (15 à 23°C), et des salinités variant de 36,5 à 38 PSU. Ce courant circule d'ouest en est ayant des vitesses maximales de l'ordre 80-100 cm/s (Perkins et al.,1990;Millot & Taupier, 2005). Ce courant génère des upwellings côtiers plus où moins intenses près des côtes (Millot, 1989).

o WIW (Winter Intermediate Water), ou l'Eau Hivernale Intermédiaire, formée lors de convections hivernales dans le bassin nord occidental (mer catalane, golfe du Lion), elle se situe entre 150 et 250 m, avec un minimum relatif de température (~ 12,65 à 13,20°C) et une salinité d'environ 38,3 PSU.

Chapitre 1 Campagnes océanographiques & échantillonnage

o LIW (Levantine Intermediate Water), ou l'eau Intermédiaire Levantine, formée en Méditerranée, elle se situe sous la WIW entre 250-300 m et 500-600 m est reconnaissable par des maxima relatifs de température potentielle (13,2 à 14° C). Figure (b)

o DW (Winter Mediterranean Deep Water), ou l'Eau Méditerranéenne Profonde, située sous la LIW, elle est identifiable vers 600-700 m par de faible température variant de 12,75à 12,90° C et une salinité entre 38,42 et 38,47PSU. Elle se forme au cours d'hivers rigoureux par le mélange de LIW et MAW. Figure (c)

o BW (Bottom Water), ou Eau de Fond, ayant une épaisseur de quelques centaines de mètres. Episodiquement, elle se situe prés du fond. Elle est relativement plus chaude et plus salée que l’eau profonde.

(a): Circulation de l’Eau Atlantique Modifier (MAW), (b): Circulation de l’Eau Levantine Intermédiaire (LIW), (c): Circulation de l’Eau Profonde (DW). Figure 1.5 : La circulation de l’eau dans le bassin algérien (Millot, 1989)

D’une façon générale, l’hydrologie de la baie est caractéristique des eaux atlantiques dont la circulation varie en fonction du régime des vents. La baie largement ouverte à l’ouest reçoit les eaux océaniques qui s’écouleraient à vitesse moyenne de trois nœuds avec un maximum en décembre et un minimum en juillet-août où les vents d’Est sont dominants (Gaumer,1981). (Figure1.5)

Chapitre 1 Campagnes océanographiques & échantillonnage

1.3 Nature de fond – Couverture sédimentaire. Pour la simulation des données satellites, il est nécessaire de connaître la nature du fond. L’application nécessite la détermination de la sédimentologie de la zone d’étude, en effet, trois faciès sédimentaires existent dans la sédimentologie de la baie d’Alger. (Figure1.6)  Faciès sableux. Ils se limitent à la bordure littorale entre 10 et 35 m de profondeur au droit des émissaires, et en prolongement des caps où ils s’étendront à des profondeurs plus élevées, et ceci en direction du centre de la baie. (Belkessa,1999; Maouche, 1987) . Les sables fins : sont essentiellement d’origine terrigène occupant les petits fonds. . Les sables moyens : sont limités au secteur littoral de la bordure rocheuse occidentale, ils représentent une bande étroite parallèle au rivage. . Les sables grossiers : sont prédominants dans le secteur est où ils sont mélangés aux faciès pélitiques (du Cap Matifou vers l’embouchure de Oued El Hamiz).

Figure 1.6. Nature du fond de la baie d'Alger. (Maouche,1987)

 Faciès carbonatés. On les retrouve dans la bordure ouest jusqu’à des profondeurs de 35 à 50m, et dans la bordure est à des profondeurs plus élevées, au droit du Cap Matifou. Ils sont limités aux bordures rocheuses, ainsi qu’aux hauts- fonds rocheux de la baie.

Chapitre 1 Campagnes océanographiques & échantillonnage

o Bordure ouest : La fraction carbonatée représente 30 à 35% du sédiment total jusqu'à des fonds de 35 à 50 m.

o Bordure est : Ce faciès s'étend à des profondeurs élevées au large du Cap Matifou. où la fraction carbonatée peut être supérieure à 35%.

o Le haut-fond du Matifou : la fraction carbonatée constitue plus de 50% du sédiment.  Faciès pélitiques. Ils occupent la partie centrale et septentrionale de la baie, on observe un envasement central avec 75 à 95% de fraction politique, avec deux invaginations de part et d'autre des oueds. Les faciès vase sableux à vaseux constituent 70 % des dépôts superficiels de la baie d’Alger. La fraction pélitique apparaît à partir de –10m de profondeur où elle représente 10 %, son pourcentage augmente pour atteindre plus de 50 % dès – 25 m (-35m au droit des oueds), à –30m (–50 m au droit des oueds) cette fraction représente 75 % et plus souvent 95 %. (Bachari et al., 2004; LEM,1998). 1.4. Echantillonnage et localisation des stations. Dans le cadre de l’évaluation de la pollution marine de la baie d’Alger, et dans le but d’avoir une variété de mesures, nous avons réalisé plusieurs prélèvements dans différentes stations. Différentes missions en mer sont accomplies à bord du bateau océanographique M.S BENYAHIA, équipé d'un échosondeur et d'un G.P.S (Global Position System), permettant d’avoir la profondeur maximale du fond et les coordonnées géographiques exactes des stations de prélèvement. Les conservations et traitements préliminaires des échantillons sont effectués à bord au niveau des laboratoires du navire. Lors des missions de prélèvement les plus récentes, nous avons couvert la totalité de la baie d’Alger. 162 échantillons ont été analysés en 2009 pour l’étude des paramètres physico-chimiques, les indicateurs de pollution et les paramètres biologiques. D'autres échantillons de sédiments sont prélevés à l’aide d’une benne inoxydable ouverte à partir du navire et conçue de telle manière que sa fermeture soit automatique au contact du fond. Les échantillons de sédiments sont mis dans des sachets en plastique préalablement étiquetés. (Houma et al.,2009 ; Saliot et al.,1992; Rodier, 1997; Rodier, 2005) . Campagnes océanographiques 2009.  Sortie1: du 19 au 24 Mars 2009, 37 stations de prélèvement dont 74 échantillons prélevés en deux profondeurs 1m et 20m ou 25m selon la profondeur maximale du fond.  Sortie 2: du 12 au 15 Avril 2009, 12 stations de prélèvement à la surface de l'eau de mer et à 10m de profondeur, soit 24 échantillons récoltés.

Chapitre 1 Campagnes océanographiques & échantillonnage

 Sortie 3: deux jours de prélèvement, le 5 et le 11Mai 2009. 18 stations ont été échantillonnées sur trois profondeurs (1m, 5m et 10m). . Campagnes océanographiques 2008.  Sortie: effectuée le 04 et 06 Mai 2008, les prélèvements des échantillons d’eau de mer ont été effectués sur 18 stations réparties en quatre radiales. 36 échantillons répartis en deux profondeurs 1m et 10m. . Campagnes océanographiques 2006.  Sortie1: effectuée au niveau de la baie d’Alger à bord du navire océanographique M.S.Benyahia, en Février 2006. 15 stations réparties en trois radiales sont analysées en trois profondeurs 1m, 5m et 20m.  Sortie2: effectuée au niveau de la baie d’El Djamila les travaux ont été réalisés en mois d’Avril 2006. Le prélèvement d’échantillons d’eau de mer au niveau de quinze stations est réalisé à différentes profondeurs 1m, 5m et 10m. . Campagnes océanographiques 2003. Les prélèvements ont été effectués le 21/03/2003 à bord de l’embarcation océanographique IBTASSIM très adoptée au travail côtier (12.5 m de longueur), équipé d’un échosondeur de type NAVICOM.NF-180 et d’un G.P.S. (Global Position System) de type GARMINGPS120. Nous avons réalisé des prélèvements en surface de l’eau de mer au mois de mars 2003 sur 15 stations dont trois se trouvent au niveau du port d’Alger. . Campagne océanographique 2002. Lors de la campagne, nous avons tenté de couvrir la totalité de la baie d’Alger, des échantillons d’eau de mer ont été récoltés de 50 stations le 24/06/2002 et à 2 ou 3 niveaux de profondeur pour chaque station dont le positionnement exact est relevé par le système GPS et la profondeur est notée pour la détermination de la bathymétrie de la baie. (Houma et al.,2004(c); Saliot et al.,1992)

 Prélèvement des échantillons d'eau de mer. Le prélèvement d’eau de mer s’est effectué à l’aide de bouteilles de prélèvements à clapets du type Vandorm de capacité à immersions 0m, 5m, 10m, 20m et 25m immergées aux différentes profondeurs. Ces dernières sont ouvertes avant leur mise à l’eau et fermées aux profondeurs requises à l’aide d’un messager qui coulisse le long du câble hydrographique auquel elles sont fixées.

Chapitre 1 Campagnes océanographiques & échantillonnage

Ces échantillons sont destinés à l’analyse des paramètres physico-chimiques et des paramètres indicateurs de la pollution. Les paramètres, température, salinité, oxygène dissous, conductivité, pourcentage de saturation en oxygène et potentiel d’hydrogène sont mesurés in situ à l’aide d’une valise multiparamètre de type (Multiline F/SET W.T.W Wissenschaftlich, Technishe, Werstatten); d'un pH mètre de mesure et d'un turbidimètre pour la mesure de la turbidité qui varie instantanément avec le rayonnement. Les échantillons d’eau de mer destinés à la mesure de la matière en suspension, de la chlorophylle sont directement filtrés à bord du navire afin d'éviter toute contamination. D'autres paramètres sont mesurés au laboratoire, comme les sels nutritifs et le carbone organique total. Pour le paramètre biologique, le phytoplancton, les échantillons sont fixés pour l’analyse qualitative et quantitative des espèces phytoplanctoniques marines.

Figure 1.7 : Positionnement des stations de prélèvement destinées aux relevées bathymétriques.

Figure 1.8 : Localisation des stations de prélèvement durant une campagne en hiver 2009.

Chapitre 1 Campagnes océanographiques & échantillonnage

2. La baie de Bousmail. 2.1 Description géographique et présentation du site. Notre site d’étude correspond à la baie de Bousmail (ex : Golfe de Castiglione), qui est limité à l’est par le promontoire de Ras-Acrata et à l’ouest par le cap du Mont Chenoua. (Figure 1.9) Il a une superficie de 509 Km². Dans ce vaste domaine maritime, se trouve incluse la baie d’El Djamila .La baie couvre une superficie de 350 Km2 avec une ouverture de 40 Km orientée du Sud- Ouest au Nord- Est , soit 2° 54 Est et 36° 48 Nord à 2° 24 Est et 36° 38 Nord. La région de Bousmail est une zone à vocation touristique et agricole ; sa frange côtière est soumise principalement aux rejets domestiques des villes et des complexes touristiques qui se déversent directement dans le milieu naturel sans aucun traitement au préalable dans la plupart des cas s’accentuant en période estivale. Ajoutant à cela les rejets d’eaux usées véhiculées par les oueds qui traversent les centres urbains et qui se déversent en mer, drainant les eaux de ruissellement des terres agricoles, des effluents urbains et industriels; à cela s’ajoute la pollution due l’activité de la pêche. (LEM, 1998).  Réseau hydrographique/apports terrigènes. La baie de Bou-Ismaïl est le réceptacle d’oueds à régime irrégulier, avec un apport des particules dissoutes ou particulaires très importantes d’origine terrigènes, trois oueds déversent dans cette baie : 2 o L’oued Mazafran : possède un bassin versant de 1850 km , c’est le plus important des oueds qui débouchent dans la baie. Son débit solide est estimé entre 1400 et 1800 t/km2, tandis que le débit liquide à 43.8 millions m3/an. Le débit solide à l'embouchure de l’oued est d'environ trois millions t/an. Ces apports dépendent étroitement du régime hydrologique de l'oued : marqué par un long étiage de Juin à début Décembre avec des débits représentant 17,38% du débit liquide annuel. Entre Décembre et Avril, ces débits sont 82,61%, débouchant au niveau d’une plage sablonneuse entre Douaouda et Zéralda avec un débit de 7.566 m3/s. o L’oued Nador : Présente un bassin versant d’une superficie de 200 à 300 Km².Son débit liquide est de 28 millions m3/an (0,89 m3/s). Il regroupe trois oueds qui jouent un rôle important dans les apports en eaux usées et sédimentation. o L’oued de Beni-Messous : Est situé entre El-Djamila et « club des pins » à 18 Km à l’ouest d’Alger. Son débit est faible par rapport au débit des oueds précédemment cités et estimé à 7.7 3 3 millions m /an (0.245 m /s). (Benzohra, 1993)

Chapitre 1 Campagnes océanographiques & échantillonnage

Secteur d'étude

Cap Caxine

Sidi Fredj Baie de Bou-Ismail

Mont Chenoua Wilaya d'Alger Wilaya de Tipaza

Figure 1.9 (a,b) : Situation géographique et localisation de la baie de Bousmail.

Figure 1.10 : Pollution par les rejets industriels, urbains et les huiles au niveau de la baie de Bousmail. (Al Sid Chikh et al.,2009)  Sédimentologie de la Baie de Bousmaïl. Vers l’embouchure de oued Mazafran et jusqu’à une profondeur de 25m, les sables grossiers caractérisent la baie. Au-delà de ce dépôt fluvio marin et jusqu’à une profondeur de 10 à 15m, les sables moyens réapparaissent qu’au niveau de Khemisti sur une zone étroite continue jusqu’à Tipaza. (Al Sid Chikh et al.,2009) Une bande de sable fin apparait au large de Sidi-Fredj et Palm Beach à moins de 2 m de profondeur et tapisse le fond de 15m à 25m tout le long de la baie.

Chapitre 1 Campagnes océanographiques & échantillonnage

Parallèlement à ces faciès, les sables fins vaseux longent la côte entre 25 à 40m de profondeur. Au large de Sidi-Fredj (2 à 3Km), un dépôt de sable moyen et gravier. (LEM, 1998). L’analyse des sédiments de la baie de Bousmaïl a permis de mettre en évidence la grande diversité sur le plan sédimentaire des fonds de cette baie, neuf faciès, identifiés : les sables fins, les sables envasés, les vases sableuses, les sables graveleux, les graviers envasés, les sables grossiers et fins graviers, les vases pures et le faciès rocheux. La répartition de ces faciès n'est pas identique, ainsi deux régions apparaissent : la région est ou orientale et la région ouest ou occidentale. Chaque région présente des caractéristiques sédimentologique propres, fut déjà signalé par Belkessa (1999). Les vases pures sont très développées dans la région Ouest et forment ainsi une importante vasière littorale, tandis que les graviers envasés sont dans la région est. Le faciès des sables grossiers et des fins graviers, le faciès des sables graveleux n’est présent que dans la région orientale ; les sables graveleux se limitent au secteur oriental. (LEM, 1998).

Figure 1.11 : Carte sédimentologique de la baie de Bou-Ismail (LEM, 1998)

La carte regroupant l’ensemble des pressions que connaissent les sites littoraux du secteur de la Baie de Bousmail est établie en Figure 1.11 (Belkessa et al.,2008; AlSid ChiKh et al.,2009)  Bathymétrie de la baie de Bousmail. La courbe bathymétrique 200m est considérée généralement comme la limite de la marge continentale algérienne et le domaine des plaines abyssales, sa largeur moyenne est de 24km, elle atteint 55km au maximum dans la baie de Bou-Ismail.

Chapitre 1 Campagnes océanographiques & échantillonnage

Le plateau continental, étant très étroit, atteint un maximum de 13km au niveau du Mont Chenoua et un minimum de 3km entre Sidi Fredj et Alger. Il est caractérisé par une pente de l’ordre de 2 à 3% avec une ligne d’inflexion nette autour de l’isobathe 100m. Cette pente est perturbée par quelques pointements rocheux localisés au large du Mazafran et de Bousmail.

Figure 1.12: Carte des pressions naturelles et anthropiques dans la baie de Bousmail. (Belkessa et al.,2008; AlSid ChiKh et al.,2009)

2.2. Prélèvement d’eau et localisation des stations. Dans le but d’avoir une variété de mesures et une vue sur l’état de la pollution des eaux de mer et des sédiments dans la baie de Bousmail, nous avons réalisé plusieurs prélèvements dans différentes stations.

Chapitre 1 Campagnes océanographiques & échantillonnage

Figure 1.13 : Topographie de la baie de Bou-Ismail (Leclaire,1972)

. Campagnes océanographiques 2008.  Sortie1: La mission en mer a été effectuée du 10/04/2008 au 17/04/2008, 40 stations de prélèvement dont 80 échantillons prélevés en surface et à la profondeur maximale de la station. 40 échantillons sont destinés à l'analyse sédimentologique.  Sortie 2: du 15 au 22 Mai 2008, 30 stations de prélèvement à la surface de l'eau de mer de la baie et à 10m de profondeur, soit 60 échantillons récoltés. La campagne a eu lieu dans des conditions de mer agitée, ciel clair et vents assez forts de direction Nord Ouest. Six stations étaient aussi analysées au niveau du grand port Bouharoun de cette région.

. Campagnes océanographiques 2003. Deux sorties en mer ont été organisées. Au total 59 échantillons d’eau de mer ont été prélevés pour des différents paramètres physico-chimiques et des indicateurs de la pollution. La première sortie en mer a été effectuée le 11 et 12/03/ 2003 et la deuxième compagne en Mai le 04 et 05 /05 /2003 à bord de l’embarcation Océanographique BABA AROUDJ. Le procédé utilisé pour le prélèvement de l’eau de mer de surface est préconisé par l’U.N.E.P(1995). L’eau de mer est récoltée à l’avant du navire en arrêt afin de réduire les risques de contamination par le bateau ( Houma et al.,2004(a)).

Chapitre 1 Campagnes océanographiques & échantillonnage

Figure 1.14 : Localisation des stations en baie de Bousmail de la première mission de la campagne océanographique 2008.

2.3 La Baie d’El Djamila. La baie d’El Djamila se situe à une trentaine de kilomètres à l’ouest d’Alger, elle représente le quart oriental de la baie de Bou Ismail. C’est une baie relativement fermée, limitée à l’Ouest par la presqu’île de Sidi Fredj et à l’Est par Ras Acrata (Figure 1.15). Son rivage est orienté Sud Ouest – Nord Est et ses coordonnées Lambert sont : 2°50’54.744’’ Est et 36°45’43.092’’ (port de Sidi Fredj) 2°53’42.792’’ Est et 36°48’5.796’’ (Ras Acrata), Les vents sont générateurs de vagues et de courants, leur impact croit avec leur vitesse. Lorsque l’action du vent est continue, elle génère de la houle. Les résultats des observations effectuées par l’US naval weather service command (SSMO) au large des côtes d’Alger, notent l’existence de deux périodes distinctes : Une période hivernale : (Octobre – Mars) avec des vents dominants de secteur Ouest et Nord Ouest ; avec des fréquences allant de 60 à 88% par le secteur Ouest et des fréquences de 90 à 99% pour le secteur Nord Ouest. Une période estivale : (Avril – Septembre) avec des vents dominants de secteur Est et Nord Est ; avec des fréquences de 45 à 75% pour le secteur Nord Est. (LEM, 1998).

Chapitre 1 Campagnes océanographiques & échantillonnage

Puisque la côte algérienne est caractérisée par de faibles profondeurs, les courants marins sont relativement faibles. Les données recueillies à partir d’observations enregistrées au large des cotes algériennes par le KMNI (Institut Météorologique Royal Néerlandais) montrant que :  Plus de 73% du temps, les courants ont une vitesse inférieure à 0.5 nœud (0.25 m/s)  Plus de 90% du temps, ces courants ont une vitesse inférieure à 1 nœud (0.5 m/s)  Dans seulement 1% du temps, des courants d’une vitesse plus grande que 2 nœuds (1 m/s) ont été observés. En hiver : les houles les plus importantes et les fréquences observées viennent de l’Ouest avec les plus grandes amplitudes entre 2 et 2.5 m. Les houles maximales peuvent atteindre les 4 à 6 mètres. En été : les directions les plus observées sont d’origine Est, ainsi que les houles Nord Est avec une fréquence moins importante et des amplitudes généralement plus faibles, de 0.5 à 1m. Le secteur Nord a une répartition assez régulière durant l’année.

Figure 1.15 : Situation géographique de la baie d’El Djamila.

 Dynamique sédimentaire. La dynamique sédimentaire est la résultante d’actions hydrodynamiques (ou fluides) et solides, réagissant l’un sur l’autre (Broman et al., 1988).Son équilibre est très sensible à tout changement pouvant entraver son processus. On note la dominance du sable grossier surtout au voisinage du port d’El Djamila, ces sédiments sont bien classés (AlSid ChiKh et al., 2009).

Chapitre 1 Campagnes océanographiques & échantillonnage

Au niveau de la côte à l’est du port d’El Djamila, le dynamisme est important, provoqué par l’intensité des houles de l’Ouest, Nord – Ouest et Ouest – Nord – Ouest. Ces houles ont contribué au démantèlement de la falaise du Ras Acrata et du platier rocheux. Ces houles de secteur Ouest – Nord–Ouest sont d’incidence frontale sur le site, engendrant un courant de retour qui prend les sédiments de la côte et les dispersent au large. Ainsi les sédiments les plus fins se déposent au large. Ces houles provoquent ainsi bien l’érosion de la cote située à l’Ouest du port d’El Djamila (Zéralda, Sidi Fredj, Moretti, Staouéli, etc.…) que le charriage des apports de l’Oued Mazafran. L’incidence oblique des houles du secteur Ouest engendre une dérive littorale qui entraîne les matériaux sableux vers l’Est dans le domaine infralittoral. La dérive littorale s’écoulant de l’Ouest présente un impact très important en charriant les sédiments vers l’Est. (Houma et al., 2006; AlSid ChiKh et al.,2009; Millot,1985)

Figure 1.16 : Répartition sédimentologique de la baie d’El Djamila (Campagne 2006)

 Bathymétrie. Les isobathes du centre de la baie sont pratiquement parallèles à la côte, avec une faible pente, au niveau de Ras Acrata (à l’Est) et Sidi Fredj (à l’Ouest). Un resserrement des isobathes qui se traduit par une pente moins douce qu’au centre de la baie, ceci étant normal vu que les deux zones sont rocheuses et accidentées. (Figure 1.16). Plus à l’ouest (Moretti) entre les isobathes 5m et 15m, on a une large zone régulière à pente très douce.

Chapitre 1 Campagnes océanographiques & échantillonnage

 Prélèvement d’eau et localisation des stations. Dans la baie d’El Djamila les prélèvements ont été effectués sur 21 stations réparties en 7 radiales en période d'hiver et une autre période en Avril 2006. (Campagne 2006) Les échantillons destinés à l’analyse granulométrique et des carbonates ont été récupérés dans des sachets en plastiques préalablement étiquetés puis rapportés au laboratoire.

Figure 1.17 : Localisation des stations dans la baie d’El Djamila. (Campagne 2006)

3. Analyse et mesure des paramètres physico-chimiques. 3.1 Température (T). C’est une caractéristique physique importante, elle joue un rôle dans la solubilité des sels et surtout des gaz, dans la détermination du pH pour la connaissance de l’origine de l’eau des mélanges éventuels. Sa mesure est nécessaire pour accéder à la détermination du champ de densité et des courants (Rodier,1997). D’une façon générale, la température des eaux superficielles est influencée par la température de l’air et ceci d’autant plus que leur origine est moins profonde. Par sa contribution à la détermination de la densité des eaux (Gaujous, 1995), sa mesure est nécessaire à la détermination de la stratification verticale, la valeur de saturation des gaz dissous (en particulier l’oxygène) et la circulation océanique (Aminot & Kérouel, 2004). La température joue un rôle important dans les cycles biologiques par son influence sur ses activités dont dépend la production totale et sur la répartition des espèces (preferendums thermiques). Dans les océans, la température décroit de la surface vers le fond. Elle varie en fonction des autres descripteurs physico-chimiques, telle que la pression.

Chapitre 1 Campagnes océanographiques & échantillonnage

Dans les eaux de surface, sa variation dépend essentiellement des phénomènes climatiques (Aminot et Chausse-Pied, 1983). La mesure de la température est indispensable pour le traitement ou l’interprétation d’autres paramètres tel que : la saturation des gaz dissous et la mesure du pH. (Aminot et Kérouel, 2004).

3.2 Oxygène dissous (OD). L’oxygène moléculaire dissous est un paramètre important du milieu qui gouverne la majorité des processus biologiques des écosystèmes aquatiques. La concentration en oxygène dissous est la résultante des facteurs physiques (température, échange air-mer et la salinité), chimiques (oxydation chimique) et biologiques (photosynthèse, respiration et régénération). (Rodier, 2005) La teneur en oxygène dissous peut subir des variations importantes. Elle dépend de la température et de la salinité de l'eau, de la pression et de la température de l'air. Le déficit en oxygène est évalué par la teneur en matière oxydable (Burns & Saliot, 1986). Dans les eaux de surface l'oxygène joue un rôle fondamental dans le maintien de la vie aquatique et dans les phénomènes d'auto- épuration. Par exemple, quand la température augmente, la solubilité de l'oxygène diminue et les bactéries plus nombreuses consomment plus d’oxygène, d'où la diminution de la teneur en oxygène dissous. La mesure de la température en degré Celsius (C°) et l’oxygène dissous en mg/l, à été effectué in situ par la méthode électrochimique. La concentration de l’oxygène de l’eau est sous influence des processus biologiques. Ces derniers permettent soit, sa saturation dans les zones eutrophes (accroissement important du phytoplancton), une eau très aérée est généralement sursaturée en oxygène ou la sous-saturation de l'eau dans les zones riches en matières carbonées dégradables par des micro-organismes (oxydation de la matière organique, nitrification de l’azote ammoniacal) (Aminot & Chausse- Pied, 1983). Dans le cas de leur absence, sa concentration dans l’eau de mer en contact de l’air n’est qu’en fonction de la pression atmosphérique, la température et de la salinité de l’eau, on parle de la concentration d’équilibre ou saturation (Rodier, 1997; Aminot & Kérouel, 2004). ♦ Mesure de la Température et de l’Oxygène dissous. Nous avons utilisé l’oxymètre de type OXI 330I/SET Wissenschaftlich Technische Werkstatten (WTW pour mesurer l’oxygène dissous et température. Cet appareil est muni d’une sonde électrolytique que l’on plonge dans la bouteille de prélèvement, ensuite les valeurs de l’oxygène dissous et la température s’affichent par une unité de mg/l et °C avec une précision de ± 0,5 % lecture. L’oxymètre donne aussi la valeur du pourcentage de saturation en oxygène dissous.

Chapitre 1 Campagnes océanographiques & échantillonnage

3.3 Potentiel d’hydrogène (pH). C’est un paramètre chimique caractérisant l’acidité ou la basicité d’un milieu. Il résulte de la composition ionique de l'eau, et essentiellement de la présence des carbonates issus de l'échange de dioxyde de carbone (CO2) à l’interface air-mer, ainsi que de la dissolution du calcaire (Aminot & Kérouel, 2004). En théorie, le pH est défini comme le cologarithme décimal de l’activité de + l’ion H .Le pH dépend de la teneur en dioxyde de carbone; c’est à dire une modification de CO2 (Respiration, photosynthèse, échange air- océan) entraînera donc une modification du pH. (Ramade, 2000). En plus des processus physiques, chimiques, biologiques, l'accumulation de matières organiques d'origine continentale et la contamination par des rejets urbains ou industriels contribuent à la modification du pH naturel. En l'absence d'influences externes, le pH est le reflet des équilibres entre les espèces chimiques majeures du milieu, mais il est également l'indicateur de certaines pollutions directes ou indirectes (Aminot & Kérouel, 2004). En moyenne, le pH de l’eau de mer, voisin de 8,2 donc il tend vers un milieu basique. Le pH a été mesuré à l’aide d’un pH mètre de terrain de type 315/SET (WTW) d’une précision de ± 0,01 muni d’une électrode de verre à compensation de température. (Rodier,2005)

3.4 Salinité S (Pratical Salinity Unit). La salinité est importante dans le milieu marin, par son influence sur la densité de l’eau de mer, elle permet de connaître la circulation océanique, d’identifier les masses d’eaux d’origines différentes et de suivre leurs mélanges au large comme à la côte ou dans les estuaires. La salinité est une propriété de l’eau de mer qui est fondamentale à l’étude du milieu marin, (Aminot & Kérouel, 2004), il forme avec la température deux descripteurs de base des masses d’eaux (bon traceur du mélange des eaux) (Aminot & Chausse-Pied, 1983). Elle correspond à la teneur en sels dissous de l'eau de mer peut être mesurée et exprimée de différentes manières suivant que l'on considère l'ensemble des corps ; ou seulement les sels dominants (Rodier,1996). Les mesures de salinité ont été réalisées par la méthode conductimétrique grâce à un salinomètre à induction (portable) de type Beckman industrial. Elle est mesurée à l’aide d’un salinomètre ASE BROWN BOUERI (ABB) KENT EIL 5005 type MC5 entre les bornes : 0 PSU et 39.5 PSU. L’étalonnage est réalisé à l’aide d’un thermomètre indiquant la température d’une eau normale à 35 PSU.

Chapitre 1 Campagnes océanographiques & échantillonnage

3.5 Conductivité électrique (C) La conductivité électrique d'une eau est la conductance d'une colonne d'eau comprise entre deux électrodes métalliques (Rodier, 2005). La conductivité de l'eau de mer est très élevée en raison de la forte concentration en sels dissous (Aminot & Kérouel, 2004), du fait qu’elle permet d’évaluer la charge totale en électrolytes d’une eau (Ramade, 2000). La conductivité est également fonction de la température de l'eau. Les résultats de mesure doivent donc être présentés en termes de conductivité équivalente à 20 ou 25°C. Mesuré sur le terrain, ce paramètre permet de caractériser l’eau. La conductivité d'un échantillon peut être déterminée par comparaison avec la conductivité d'une eau de mer standard (eau de mer normale) dont la salinité est de 35 % (Rodier, 2005).

3.6 Transparence de l’eau. Pour une description complète et satisfaisante d’une masse d’eau, la mesure de la transparence du milieu est indispensable, c’est-à-dire la pénétration de la lumière (Aminot & Chausse-Pied, 1983). La connaissance de ce facteur a une double importance, il détermine l'intensité lumineuse pénétrant sous la surface, donc l'épaisseur de la couche photosynthétique productive, où s'élabore la matière vivante grâce à la photosynthèse. Il permet également une approche de la quantité de particules en suspension (Aminot & Chausse-Pied, 1983). Son principe repose sur la mesure de la profondeur de disparition du disque de Secchi, ce dernier détermine la "profondeur de Secchi" (Rodier ,2005). Cette méthode sert à évaluer la profondeur de pénétration verticale de lumière dans l'eau. Ainsi la transparence permet de définir la turbidité du milieu, qui selon la norme ISO7027 (AFNOR, 1999 in Aminot & Chausse-Pied, 1983) c'est la réduction de transparence d'un liquide due à la présence de substances non dissoutes.

 Paramètres indicateurs de la pollution. 3.7 Turbidité (Tu). La turbidité minérale se définit comme "l'expression de la propriété optique qui fait que la lumière est dispersée et absorbée plutôt que transmise en ligne droite à travers un échantillon," cette dispersion étant provoquée par l'interaction de la lumière avec les particules en suspension dans l'échantillon. La turbidité varie inversement avec la limpidité, elle croit et décroît selon que la concentration de solides en suspension augmente et diminue.

Chapitre 1 Campagnes océanographiques & échantillonnage

Cependant, la quantité et la couleur de la lumière dispersées par chaque particule dépendent de la taille, de la forme, de la composition et de l’indice de réfraction de ces dernières. Des solutions de concentrations égales de solides en suspension, mais de composition différente, ne dispersent pas forcément la même quantité de lumière.De ce fait, la turbidité est liée aux solides en suspension.La mesure s’effectue à l’aide d’un turbidimètre terrain qui donne la turbidité ou la NTU (Nephelometric Turbidity Unit). (Halmann, 1996) La turbidité d’une eau est due à la présence des matières en suspension finement divisées : Argiles, limons, grains de silice, matière organiques, etc. (Rodier, 1996). La description d’une masse d’eau ne saurait être satisfaisante sans une référence à la transparence du milieu, c’est à dire à la pénétration de la lumière. La connaissance de ce facteur a une double importance : ♦ Il détermine l’intensité lumineuse pénétrant sous la surface. ♦ Il permet également une approche de la quantité de particules en suspension.

3.8 Matières en suspension (MES). D’après Ivanoff (1972), en plus des substances dissoutes, l’eau de mer contient des matières en suspension d’origines minérales ou organiques, vivantes ou détritiques, de nature biogénique, terrigène, éolienne ou météoriques. Les matières en suspension dans les eaux de mer sont donc de dimensions très variables. Elles comportent tous les composés ayant un diamètre supérieur à 0.45 µm et elles peuvent être un indice de pollution. Elles sont transportées au sein de la masse d’eau qu’elle soit douce, marine ou résiduaire. (Aminot & Chausse-Pied, 1983). D’une part, les particules réduisent la transparence de l’eau de ce fait la production primaire photosynthétique, d’autre part elles présentent une surface de contact importante pour des échanges physico-chimiques ou biologiques avec l’eau de mer. (Mertes et al.,1993).

Des teneurs élevées en matières en suspension peuvent empêcher la pénétration de la lumière, diminuent l'oxygène dissous et limitent alors le développement de la vie aquatique en créant des déséquilibres entre diverses espèces. Elles peuvent être aussi responsables de l'asphyxie des poissons par colmatage des branchies. (Rodier, 1997; Berne & Cordonnier., 1991) Elles peuvent aussi interférer sur la qualité d'une eau par des phénomènes d'adsorption notamment de certains éléments toxiques, et de ce fait être une voie de pénétration de toxiques plus ou moins concentrés dans l'organisme (Sirone et al., 1986). Selon leur nature, elles sont également une source nutritive non négligeable pour la faune.

Chapitre 1 Campagnes océanographiques & échantillonnage

Elles peuvent être aussi considérées comme des transporteurs importants des polluants, fertilisants, toxiques et biologiques (Lacaze, 1996(a)). Dans les océans, la concentration en matières en suspension est faible : elle diminue de la surface jusqu’au fond. Par contre, les plus importantes teneurs en matières en suspension sont aux niveaux des milieux côtiers et estuariens. L’analyse consiste à faire passer sur une membrane filtrante qui aura été préalablement pesée P1, une quantité connue d'effluent à analyser. Après passage à l'étuve à 110°C, la membrane est à nouveau pesée P2. La différence entre P2 et P1 représentera la quantité de matières retenues sur la membrane filtrante, puis séchée lors du séjour en étuve ; se sont les MES, elles s'expriment en mg/l. La concentration de la matière en suspension (MES) s’obtient donc par l’expression :

MES (mg/l) = P2 – P1 / V (1.1)

P1 : le poids du filtre avant filtration (mg).

P2 : le poids du filtre après la filtration (mg). V : volume d’eau de mer filtrée en litres.

3.9 La Demande Chimique en Oxygène (DCO). Elle correspond à la quantité d'oxygène nécessaire pour oxyder dans des conditions opératoires définies, les matières organiques présentes dans un échantillon donné. La DCO constitue la mesure de tout ce qui est susceptible de demander de l’oxygène en partie les sels minéraux oxydables, les sels de métaux et la majeure partie des composés organiques, elle permet donc d’évaluer la quantité totale de pollution organique. (Burns &Villeneuve, 1982; Volhardt & Schore, 1995). L'oxydation est réalisée ici par un oxydant chimique énergique ayant un pouvoir d'oxydation puissant (le bichromate de potassium à chaud en milieu acide) en présence d'un catalyseur (ions Ag2+). Ce dosage se fait à 140-150°C durant deux heures. La quantité de réactif consommé pour l'oxydation des matières organiques présentes, rapportée en mg/l d'oxygène, correspond à la DCO. Le dosage ne renseigne pas sur la nature des éléments présents et peut être faussé selon la teneur en chlore (ions Cl-).L'interférence des chlorures peut être éliminée partiellement (cela dépend de la concentration) par l'ajout de sulfate de mercure (Hg II) à la prise d'essai. (Rodier, 1997)

3.10 Matière organique particulaire (MOP). Les facteurs physiques, biologiques et chimiques (disponibilité d’éléments nutritifs) contrôlent l’activité biologique des espèces trophiques primaires de l’environnement marin.

Chapitre 1 Campagnes océanographiques & échantillonnage

Les nutriments sont assimilés par le phytoplancton pendant la photosynthèse et produisent la matière organique considérée comme une source d’énergie et de nutriments pour les microorganismes (bactéries, protozoaires), elle correspond à la fraction endogène qui est facilement dégradée. La fraction endogène correspond à la matière organique produite par l’assimilation des nutriments par le phytoplancton lors de la photosynthèse. Cette matière organique qui est facilement dégradable serra source d’énergie et de nutriments pour les microorganismes (bactéries, protozoaires) (Boulahdid, 1987). Reste la fraction exogène formée par les débris des animaux et des végétaux possède une certaine résistance à la dégradation bactérienne. Cette fraction est nécessaire au fonctionnement des cycles biogéochimiques par la régénération des sels nutritifs (Lacaze, 1980; Aminot & Kérouel, 2004).

La méthode de mesure de la matière organique consiste à préparer les filtres de 0.45 µm de diamètre de pores de la même façon que pour les filtres de la matière en suspension. (Conditionnement des filtres puis filtration de l’eau de mer et séchage à l’étuve à 70°C pendant deux heures). Les filtres sont alors pesés avec précision dans des creusets (P1). Ensuite les creusets avec filtres sont passés au four à moufle à 450°C pendant 2 heures. Les creusets et filtres sont à nouveau pesés (P2). La différence de ces deux poids obtenus P1 et P2 nous donne le poids de la matière organique brûlée : MOP (mg) = P1- P2 (1.2)

P1: Poids du creuset et du filtre avant séchage

P2: Poids du creuset et du filtre après séchage. La teneur en matière inorganique particulaire est obtenue par la différence de poids des filtres avec les creusés avant et après calcination, ainsi la soustraction de la concentration de la matière inorganique particulaire de celle de la matière en suspension permet de connaître la masse de matière organique particulaire. La MOP est majoritairement d’origine phytoplanctonique.

4. Analyse des Nutriments. Les éléments nutritifs qui limitent l’activité photosynthétique des organismes photosynthétiques sont : l’azote, le phosphore et le silicium sou leur forme oxydée, d’où leur appellation « éléments bio-limitants » (Copin Montégut, 1996). Les sels nutritifs, dans l’eau de mer ont plusieurs origines qu’on peut regrouper en deux types de sources (externes et internes).

Chapitre 1 Campagnes océanographiques & échantillonnage

• Source externe : elle regroupe tous les apports continentaux déversant en mer, qu’ils soient par voie éolienne ou par voie fluviatile ; • Source interne : elle représente l’origine la plus importante, elle est assurée par des flux verticaux et leur régénération à partir de la matière organique issue de la photosynthèse effectuée par les organismes autotrophes dans la couche euphotique (Levitus et al, 1993). Ainsi par les excrétions des microorganismes marins libèrent une certaine forme de sels nutritifs. La production primaire des eaux de surface est basée sur les sels nutritifs et la lumière, ainsi ils reflètent la richesse et la fertilité des eaux marines. Ce sont donc des traceurs chimiques non conservatifs et leur variation est gouvernée par les facteurs physiques, chimiques et biologiques (Jacques & Tréguer, 1986). Pour cela, ils forment un outil très important pour la caractérisation et l’identification des masses d’eau et la compréhension de certains phénomènes océaniques : circulation des eaux, production primaire marine, diffusion des sédiments marins.

. L’Azote moléculaire Prélevé de l’atmosphère, il constitue un élément essentiel des structures vivantes. Selon son degré - - + d’oxydation, il existe sous trois formes : nitrates (NO3 ), nitrites (NO2 ) ammonium (NH4 ), et de composés organiques tels que l’urée ou les acides aminés. Ce sont les formes d’azote utilisables par le phytoplancton (Jaquet ,2008; Copin-Montégut,1996; Hutchinson, 1957).

+  L’ammonium (NH4 ) L’azote ammoniacal provient des excrétions animales et de la décomposition bactérienne des composés organiques azotés. Dans les eaux marines, l’azote ammoniacal se trouve à des concentrations inférieures au µmole/l. En effet, il est présent sous deux formes en solution, + l’ammoniac (NH3) et l’ammonium (NH4 ) dont des proportions relatives dépendant du pH, de la température et de la salinité du milieu (Aminot & Chausse-Pied,1983). Ces deux espèces traduisent un équilibre acido-basique. A proximité des émissaires urbains, l’ammonium devient un bon traceur de pollution urbaine avec des concentrations pouvant atteindre plusieurs centaines de micromoles par litre. (Lacaze,1996(b).

-  Les nitrates (NO3 ) Les nitrates sont une forme oxydée stable de l’azote en solution aqueuse et elles sont la forme la plus répondue dans l’océan (65% du stock de l’azote).

Chapitre 1 Campagnes océanographiques & échantillonnage

Leur concentration varie entre 0 μmole/Là la surface et à plus de 45 µmole/L dans les eaux profondes. Mais dans les estuaires, lorsque la salinité décroît par l’effet des apports terrigènes, leur concentration peut atteindre plusieurs centaines de micromoles par litre. Les nitrates résultent de l'oxydation des nitrites par des bactéries (nitrobacter) lors de la réaction de nitratation. Elles entrent dans le cycle de l’azote comme support principale de la croissance phytoplanctonique. (Aminot & Chausse-Pied,1983).

-  Les nitrites (NO2 ) Etant dans le cycle de l’azote, un ion en état transitoire au même titre que l’ammonium, expliquant ainsi les faibles concentrations rencontrées en milieu marin qui sont de l’ordre de zéro à quelques micromoles par litre d’azote nitreux. Les concentrations des nitrites connaissent des variations saisonnières, qui varient en hiver entre 0.5 et 1 µmol/l et atteignent des valeurs très faibles en été (< à 0,01µmol/l) suite au développement du phytoplancton. Les nitrites proviennent des deux réactions suivantes : (Aminot & Chausse-Pied,1983)  L’oxydation de l’ammonium par la réaction de nitrosation qui est exothermique opérée par des bactéries (Nitrosomonas) : + 3 - NH4 + /2O2 NO2 + 2H + 2H2O Nitrosation  La réduction des nitrates dans les milieux anoxiques ou pauvres en oxygène dissous, opérée par les bactéries anaérobiques, selon la réaction suivante: - - NO2 + ½ O2 NO3 Nitratation

3-  Les phosphates (PO4 ) Dans l’eau de mer, le phosphore existe sous forme organique et inorganique, dissous et 3- - particulaire. Les Orthophosphates présentent la forme la plus abondante PO4 (10 %) et HPO4

(90%) et (1%) de H2PO4 (Aminot & Chausse-Pied,1983). A l’état d’équilibre, elles se trouvent avec des teneurs assez faibles en surface (0 à 1 µmol/L) à cause de leur consommation par le phytoplancton (bloom printanier) (Copin-Montégut, 1996), et ces teneurs augmentent avec la profondeur au dessous de la couche euphotique pour atteindre un maximum qui correspond au minimum de l’oxygène dissous, avec une légère fluctuation selon la région océanique.  La silice dissoute. L’élément nutritif silicium entre dans la composition des squelettes de certaines espèces phytoplanctoniques (Diatomées, Radiolaires…) (Aminot & Chausse-Pied,1983).

Chapitre 1 Campagnes océanographiques & échantillonnage

A pH moyen de l’eau de mer (~8.2), les formes majoritaires dissoutes dans l'eau de mer étant à - 95 % sous les formes d'acide orthosilicique, Si(OH)4, 5 % Si(OH)3 (Aminot & Kérouel, 2004). La distribution verticale de l’acide silicique diffère de celle du phosphore ou de l’azote. Les concentrations augmentent lentement avec la profondeur pour atteindre généralement leur maximum au fond (Guy, 2006). Les silicates sont régénérés à différentes vitesses et par différents processus et, à présent, il y a toujours une incertitude sur les facteurs qui contrôlent le budget marin des silicates (Jacques & Tréguer, 1986). - - 3- + Les méthodes utilisés pour le dosage des sels nutritifs (NO3 , NO2 , PO4 , SiO2 et NH4 ) est le dosage par colorimétrie à flux continu et automatisé sur l’appareil « Auto Analyser San Plus » S.F.A.S troisième génération selon les protocoles définis par SKALAR®1998.

5. Couleur de l’eau et paramètres biologiques. La théorie de la mesure optique de la couleur de l’eau est basée sur le fait que les constituants de l’eau, qu’ils soient de la matière organique ou inorganique particulaire ou des substances dissoutes, affectent sa couleur (Bukata et al.,1995). Le principe de mesure de la couleur de la surface des océans dépend des différentes particules en suspension (phytoplancton et sédiment), ainsi que de certaines substances dissoutes colorées (substances jaunes ou CDOM (Colored Dissolved Organic Matter) (Gohin et al, 2006; Jacquet, 2000). La couleur de la mer s'étend du bleu au vert. Le bleu indigo caractérise les mers tropicales et équatoriales, lorsqu'il y a peu de production biologique. A des latitudes plus grandes, la mer est bleu-vert voire verte dans les régions polaires. Les eaux côtières sont en général verdâtres. Il y a deux facteurs contribuant à la couleur bleue de l'océan aux faibles latitudes, lorsqu'il y a peu de production biologique. En eau profonde, lorsque l'on regarde sous l'eau, la lumière que l'on voit est celle diffusée par les molécules d'eau. La diffusion étant plus importante pour les petites longueurs d'onde que pour les grandes longueurs d'onde (principe de Rayleigh), l'eau parait bleue.

Tableau 1.1 : Couleur de l’eau en fonction des particules présentes (Hoareau, 2005). Substance dans l'eau Couleur absorbée Apparition de l'eau Matière jaune (Gelbstoff) Le bleu Jaunâtre MOP Le bleu Jaune Chlorophylle Les deux extrémités du spectre (rouge et violet) Verte

Chapitre 1 Campagnes océanographiques & échantillonnage

 Chlorophylle. La chlorophylle est un composé chimique indispensable à la photosynthèse. Sa présence dans tous les organismes végétaux, associée à l’énergie solaire, lui permet de synthétiser ses propres matières organiques carbonées à partir du carbone minéral. Dans les milieux aquatiques, les algues possèdent une diversité de pigments dont les plus importants sont les chlorophylles a, b, c1, c2 et d. La chlorophylle a est le pigment photosynthétique principal du phytoplancton qui est considéré comme étant un bon indicateur de la santé de l'océan et de son niveau de productivité et de la biomasse phytoplanctonique (Aminot & Chaussepied,1983). La concentration de chlorophylle est utilisée pour l’estimation de la production primaire (Eppley & Peterson, 1979).  Les phéopigments Dans les milieux strictement marins, les phéopigments (groupes de pigments chlorophylliens) résultent du broutage et de la dégradation de cellules et, par conséquent, ne sont pas physiologiquement actifs. La mesure des phéopigments est utilisée comme critère de l’état physiologique des populations phytolanctoniques, plus la proportion de phéopigments est élevée par rapport à la chlorophylle a, plus les cellules algales sont vieilles, dégradées ou broutées par le zooplancton.

Chapitre 1 Campagnes océanographiques & échantillonnage

Les phéopigments sont rarement absents dans les eaux côtières et toujours présentes en eaux estuariennes turbides. (Aminot & Kérouel, 2004).

Figure 1.18 : Structure chimique de la chlorophylle.

La mesure de la concentration de chlorophylle a est donc utilisée pour estimer la biomasse phytoplanctonique dans la mesure où la synthèse organique d'origine végétale ne peut se faire qu'en passant par l'intermédiaire de ce type de chlorophylle. L'analyse de la chlorophylle est réalisée par la méthode fluorimétrique pour l’extraction des pigments à l’aide du méthanol. La sensibilité a été considérablement accrue ainsi que le pouvoir de discrimination entre chlorophylle et phéopigments grâce à l'acidification des extraits (Lemaire, 2002). Cette technique d'analyse de la chlorophylle appliquée par Levy (1977) et préconisée par le C.O.I de l'UNESCO (1977), (Marchand, 1983) et elle a été décrite par Raimbault (1992). La mesure de l'intensité de fluorescence est établie des conditions opératoires pour la mesure de la fluorescence des mélanges de pigments présents dans la chlorophylle.

Ces conditions permettent la lecture des intensités de fluorescence (IF) et exigent d’opérer dans les plus fortes longueurs d’onde d’excitation (450 nm) et la longueur d’onde d’émission (670 nm). Les concentrations de la chlorophylle a et ses phéopigments sont évaluées d’après les formules de Lorenzen (1966) in Aminot et Chausse-Pied, 1983).

Chapitre 1 Campagnes océanographiques & échantillonnage

6. Le phytoplancton marin. Le mot “phytoplancton” signifie “plancton végétal”, le plancton étant lui-même défini comme l’ensemble des organismes microscopiques compris entre 0,2 et 100 µm, et qui flottent plus ou moins passivement dans les eaux (transporté par les courants) (Messié, 2006). Les organismes phytoplanctoniques, sont des organismes autotrophes qui produisent leur propre matière organique par photosynthèse (Del Rocio,1988). Par ce mécanisme, le phytoplancton capte l’´energie lumineuse, le CO2 dissous et les éléments nutritifs (macro et micro-nutriments) présents de l’eau de mer, afin de fabriquer l’oxygène et de la matière organique carbonée (Messié, 2006), ainsi jouant le rôle de pompe biologique dans la fixation du gaz carbonique, participant ainsi au cycle du carbone. Le phytoplancton est constitué d’un ensemble hétérogène de microalgues unicellulaires, les cellules pouvant être solitaires ou groupées en colonies. La taille des cellules phytoplanctoniques varie de quelques microns jusqu’à quelques centaines de microns. Leur forme est extrêmement variée, la diversité morphologique étant souvent liée à une adaptation à la mobilité (flottaison, et mouvements verticaux). Le nombre d’espèces phytoplanctoniques marines a été estimé à 3910 ± 465 espèces, correspondant à 489 ±15 genres répartis dans 15 classes. Les deux classes de phytoplancton marin les plus riches en espèces sont celles des diatomées (164 genres et 1365 à 1783 espèces) et des dinoflagellés (115 à 131 genres et 1424 à 1772 espèces).

 Le phytoplancton dans le cycle du carbone.

La concentration de CO2 dans l’atmosphère et celle dans les océans sont en équilibre. Lors de la photosynthèse, le phytoplancton produit une diminution de la concentration de CO2 dans les eaux océaniques et libère de l’oxygène en tant que déchet. Cette diminution a pour conséquence de permettre aux océans l’absorption de CO2 additionnel provenant de l’atmosphère. De plus, lors de la mort du phytoplancton, ces organismes tombent vers le fond des océans et sont recouverts par d’autres organismes morts ainsi que des sédiments. En piégeant le carbone de cette manière, les océans jouent le rôle d’un important puit. (Jaquet et al.,1999) La biologie est intimement liée aux processus physiques de la circulation océanique. En effet, l'activité biologique (photosynthèse) dépend de la disponibilité en lumière mais aussi de celle en nutriment (nitrate, phosphate, azote) et en CO2. Ce sont les phénomènes d'advection et de diffusion qui fournissent, en grande partie, ces matières premières.

Chapitre 1 Campagnes océanographiques & échantillonnage

Le phytoplancton sous l'effet de la lumière et en presence de nutriment et de CO2 se développe, produit de la matière organique par photosynthèse et respire (production primaire brute). Le phytoplancton est une espèce autotrophe car il produit lui même sa matière organique. La croissance du phytoplancton s'appelle le bloom phytoplanctonique. Dans l a maj eure parti e des océans, il continue jusqu'à l'épuisement total des nutriments présents dans la couche euphotique . (Oubelkheir, 2001; Moore & Abbott, 2000; Ngansoumana, 2006). Cependant, la production primaire est traduite par la production autotrophe qui signifie la synthèse de la matière organique à partir de matière minérale par l’activité des organismes photosynthétiques ou chimiosynthétiques, en transformant l’énergie lumineuse en énergie chimique potentielle stockée dans les composants organiques des tissus du vivant (Frontier & Pichod-Viale, 1998), et peut atteindre plus de 100 m de profondeur dans des eaux très claires. On distingue deux types de productions primaires: la production régénérée (PR) et la production nouvelle (PN). (Lacaze, 1996(b)).

 Le phytoplancton dans la chaîne alimentaire. Le phytoplancton représente le premier maillon de la chaîne alimentaire dans les océans. Cela signifie qu’il est brouté par le zooplancton herbivore, lui-même brouté par le zooplancton carnivore, et ainsi de suite jusqu’aux échelons trophiques supérieurs. Le contrôle de la biomasse phytoplanctonique s’effectue donc à deux niveaux : • Contrôle en amont : disponibilité des éléments indispensables à la croissance du phytoplancton à savoir lumière, CO2, et les nutriments. • Contrôle en aval (par le niveau trophique supérieur) : broutage par le zooplancton

Dans la couche euphotique, le CO2 (carbone inorganique dissous) est toujours présent à cause de la proximité de la surface, ou les échanges entre le CO2 océanique dissous et CO2 atmosphérique s’effectuent librement. (Pourriot, 1995; Ramade, 1998)

 Dynamique spatiale et temporelle d’un bloom. Dans les écosystèmes océaniques hauturiers, généralement oligotrophes (ie. pauvres en nutriments), les efflorescences phytoplanctoniques sont observées au printemps, lorsque les conditions sont favorables à la formation d’une couche de mélange qui permet au phytoplancton de se maintenir dans les eaux de surface, riches en nutriments et où la disponibilité en énergie lumineuse est importante.

Chapitre 1 Campagnes océanographiques & échantillonnage

Ce bloom printanier épuise le milieu en sels nutritifs et entraîne une chute de la biomasse phytoplanctonique. (Raimbault et al.,1988) Cependant, en milieu côtier, les apports terrigènes permettent le maintien de concentrations élevées en sels nutritifs dans le milieu et plusieurs blooms successifs peuvent être observés. La dynamique du phytoplancton est ainsi plus complexe en domaine côtier.

 L’impact du phytoplancton sur l’écosystème marin. Une diminution de phytoplancton entraînerait une diminution de tous les organismes marins et terrestres dépendants directement ou indirectement de lui, une surabondance de phytoplancton peut aussi avoir des conséquences néfastes. En effet, un “bloom" de phytoplancton réduira la quantité de lumière solaire parvenant au fond de l’eau, voire même l’empêchera de pénétrer jusqu’au fond. Ce manque de lumière aura pour conséquence un déclin massif de la végétation aquatique submergée, qui constitue elle-même une “pouponnière“ vitale pour certaines espèces de poissons et d’invertébrés dont la perte peut provoquer de graves résultats écologiques. De plus, lors de la mort de ce “bloom“ de phytoplancton, l’accumulation massive de ces organismes en décompostition aura pour effet de diminuer la quantité d’oxygène présente dans les eaux profondes. La plupart des organismes marins ayant besoin d’oxygène pour vivre, une telle diminution aura pour eux des conséquences néfastes . (Jaquet et al.,1999; Videau et al.,1998)

7. Télédétection et couleur de l’eau. La couleur des océans est déterminée par les interactions de la lumière solaire incidente avec les substances et les particules présentes dans l’eau. La matière en suspension est en grande partie composée de phytoplancton ainsi que de particules inorganiques et de substances dissoutes. Le phytoplancton est un organisme photosynthétique contenant de la chlorophylle, un pigment absorbant la lumière dans les longueur d’ondes rouge et bleue et la transmettant dans le vert, ce qui explique sa couleur. (Morel,1988) La théorie de la mesure optique est basée sur le fait que les constituants de l’eau, qu’ils soient de la matière organique ou inorganique particulaire ou des substances dissoutes, affectent sa couleur (Bukata et al.,1995; Froidefond et al., 2002(a)). Les eaux côtières sont en général verdâtres. Il y a deux facteurs contribuant à la couleur bleue de l'océan aux faibles latitudes, lorsqu'il y a peu de production biologique.

Chapitre 1 Campagnes océanographiques & échantillonnage

De plus les composantes rouges et jaunes de la lumière solaire sont absorbées en quelques mètres, la seule composante susceptible d'être diffusée est donc le bleu. Dans les régions où la productivité biologique est importante, la chlorophylle contenue dans le phytoplancton absorbe la composante bleue et la lumière se décale vers le vert. L’analyse de cette couleur de l’eau se fait à l’aide de capteurs placés sur des plateformes satellitaires en orbite autour de la Terre (Antoine et al., 2003 ; Bricaud et al., 2002). L a l umi ère sol ai re pénétrant dans l 'océan est peti t à peti t absorbée et l a l i mi te de l a couche euphotique est définie comme la profondeur à parti r de l aquel l e 1% de l a l umi ère sol ai re incidente reçue est mesurée. En théorie, elle peut atteindre 100 m d'épaisseur dans de l’ eau pure mais est beaucoup moins profonde à cause de la présence de particules en suspension (plancton par exempl e). L’absorption de l’eau élimine en premier lieu les longueurs d’ondes les plus courtes (rouge) mais permet la transmission des longueurs d’ondes les plus longues (bleu), ce qui explique la couleur généralement bleue de la mer . Cette couleur est toutefois altérée par la présence de matières en suspension organiques, telles que le phytoplancton vivant, de matières en suspension minérales, telles que les sédiments et les détritus, et de matière organique dissoute. Dans les zones chargées de matières en suspension variées la couleur apparaît plutôt brune. (Morel,1988) Les propriétés optiques d’une eau de mer, notamment les coefficients totaux d’absorption et de rétrodiffusion, résultent de la somme des contributions respectives des substances contenues dans l'eau (Sathyendranath & Morel, 1983) : a(λ) = aw(λ) + ay(λ) + aph(λ) + as(λ) (1.3) bb(λ) = bbw(λ) + bbph(λ) + bbs(λ) (1.4) où aw, ay, aph et as sont, respectivement, les coefficients d’absorption de l’eau pure (indice w), des matières organiques colorées dissoutes (MODC) ou substances jaunes (indice y), des particules phytoplanctoniques (indice ph) et des particules minérales (indice s) ; bbw, bbph et bbs sont, respectivement, les coefficients de rétrodiffusion de l’eau pure, des particules phytoplanctoniques et des particules minérales. Toutes les espèces phytoplanctoniques contiennent de la chlorophylle a, accompagnée d’un cortège de pigments accessoires. Cette chlorophylle, qui absorbe préférentiellement dans le bleu, provoque le changement de couleur qui permet de la quantifier, et elle est utilisée comme indice des propriétés optiques des eaux. (Morel & Maritorena.,2001)

Chapitre 1 Campagnes océanographiques & échantillonnage

Figure 1.19: Variation des différents coefficients d'absorption des particules phytoplanctoniques.

Le graphe représente les spectres d’absorption de différentes espèces phytoplanctoniques, normalizes par leur maximum. D’après Bricaud et al. (1988) pour le spectre moyen des diatomées, Morel et al. (1993) pour les spectres de Prochlorococcus et Synechococcus. Pour le spectre moyen des 14 espèces, 3 spectres ont été pris de Bricaud et al. (1983), 3 spectres de Bricaud & Morel (1986), et 8 spectres de Bricaud et al. (1988). (Figure 1.20)

Figure 1.20: Spectres d’absorption de différentes espèces phytoplanctoniques

Chapitre 1 Campagnes océanographiques & échantillonnage

L’intensité du rayonnement émit par la surface des océans résultant de ces interactions (water-leaving radiance) est mesuré par des radiomètres dans certaines longueur d’ondes données. Ces mesures peuvent ensuite être mises en relation avec les divers constituants de la colonne d’eau interférant avec la lumière visible, tels que la chlorophylle. La concentration de chlorophylle peut par la suite être utilisée pour estimer la production primaire qui est la quantité de matière organique, et donc de carbone, fixée lors de la photosynthèse chlorophyllienne.

L’utilisation de capteurs placés en orbite autour de la Terre permet une vue d’ensemble globale qu’il serait impossible à obtenir à partir d’un bateau ou d’une installation terrestre. De plus, le passage régulier des satellites au-dessus d’une zone donnée permet une surveillance constante et donc le suivi autant spatial que temporal d’un phénomène donné. Les buts fondamentaux de la télédétection dans le domaine de la couleur des océans sont d’une part de mesurer la concentration de la chlorophylle et d’autre part de déterminer avec précision la productivité primaire du phytoplancton. (Régouboff & Rose, 1957; Moore & Abbott, 2000; Morel, 2001) La manière principale de déterminer la concentration de la chlorophylle est de mesurer la quantité de lumière absorbée pour une longueur d’onde particulière, 443 nm. Des algorithmes analytiques développés par les chercheurs en optique océanographique permettent de convertir ces mesures en concentration de chlorophylle a. Il existe d’autres molécules de chlorophylle, appelés b, c, d, et e, mais la chlorophylle a prédomine et est la plus importante. (Myint et al.,2002)

La mesure de la fluorescence naturelle de la chlorophylle permet d’évaluer l’état physiologique du phytoplancton, sa santé, et donc sa capacité a effectuer la photosynthèse. Le capteur SeaWiFS, conçu pour une mission globale sur la couleur des océans ne possède pas le canal permettant de mesurer la fluorescence, mais le capteur MODIS peut faire cette mesure sur la bande 14 (à 676.7 nm). Les données de SeaWiFS ne permettent que de déterminer la concentration de la chlorophylle a. Les données de MODIS permettront de rafiner ces estimations en incorporant des données sur l’état physiologique des producteurs primaires eux-mêmes, le phytoplancton, grâce à la fluorescence naturelle de la chlorophylle lors de son exposition à la lumière (Myint et al.,2002) La couleur de la surface des océans dépend des différentes particules en suspension (phytoplancton et sédiment), ainsi que de certaines substances dissoutes colorées (substances jaunes ou CDOM (Colored Dissolved Organic Matter) (Videau et al.,1998).

Chapitre 1 Campagnes océanographiques & échantillonnage

La mesure par SeaWiFS des radiances dans différentes longueurs d'ondes permet d'obtenir une information quantitative sur les concentrations en éléments contenus dans l'eau. En plus des 6 canaux dans le visible, SeaWiFS mesure deux radiances dans le proche infrarouge (765 nm et 865 nm). (Weber et al., 2005) Les capteurs type « couleur de l'eau » sont des capteurs passifs ; le signal mesuré par le capteur satellite correspond à la réflectance de l'irradiance solaire par la couche supérieure océanique, mais aussi à la diffusion atmosphérique qui représente plus de 80% du signal dans les eaux claires. (Froidefond et al., 2003)

Le signal corrigé de l'effet atmosphérique est représentatif à 90% d'une couche d'épaisseur égale à l'inverse du coefficient d'atténuation diffuse. Selon les espèces dissoutes et en suspension, cette profondeur peut varier de quelques dizaines de centimètres en zone estuarienne, à plus d'une dizaine de mètres dans les eaux claires océaniques. (Tassan,1994; Weber et al.,2004) Ces capteurs mesurent l’intensité des rayonnements par la surface des océans (water-leaving radiance) dans différentes gammes de longueurs d’onde (bandes). La radiance de l’eau ainsi mesurée tient compte des interactions avec la colonne d’eau et les particules. Chaque composant ayant une signature spectrale qui lui est propre, il est possible, à partir de ces mesures, d’en déterminer la concentration (Morel et Prieur, 1977 ; Gordon et Clark, 1981). La détermination de ces concentrations permettra d’estimer la productivité primaire du phytoplancton et donc d’évaluer son état de santé qui est le témoin direct d’une éventuelle pollution des eaux.

CHAPITRE II

Modélisation des mesures satellitaires

Chapitre2 Modélisation des mesures satellitaires

Tous les corps réfléchissent et émettent des flux d’énergie sous forme de rayonnements électromagnétiques. La variation relative de l’énergie réfléchie ou émise en fonction de la longueur d’onde, constitue la signature spectrale de l’objet considéré dans un état donné. Le spectre peut être utilisé pour l’identifier et déterminer son état. Pour un satellite, qui effectue des mesures dans un certain nombre de bandes spectrales, la signature spectrale d’un objet correspondra aux différents niveaux radiométriques enregistrés dans chacune d’entre elles. (Guyot, 1989 ; Abdellaoui, 2009; Abdellaoui, 1985(b)). Le principe de la télédétection est la détection du rayonnement électromagnétique qui véhicule l’information du système sol- atmosphère soit par réflexion soit par émission à partir d’un radiomètre embarqué par le satellite. Le signal obtenu par le radiomètre est la résultante des propriétés physiques, biologiques et géométriques des objets situés au sol. Pour une meilleure exploitation des mesures satellitaires, il faut répondre aux questions suivantes : A quel point de la surface terrestre la mesure correspond-elle ? Quelle est la valeur de la mesure de ce point ? Répondre à ces deux questions nécessite de définir : Quelles sont exactement les quantités physiques mesurées par le système de mesure ? Comment le système de mesure perturbe-t-il ce qu’il est censé mesurer ? Avec quel modèle peut-on décrire les perturbations ? Comment caractérise-t-on la qualité de mesure ? Comment la télédétection peut nous informer sur la qualité de l’eau ? Dans ce travail, on détermine la quantité physique mesurée par le système de prise de vue (capteur) qui est un rayonnement solaire réfléchi par le système sol- atmosphère moyenné d’une certaine façon dans la bande spectrale considérée du capteur. Pour cela, on décrit les différents facteurs affectant une mesure satellitaire en se basant sur les travaux de (Richter et al., 1990; Tanré et al.,1990; Létourneau & O'Neill,1992; Popp,1994).

Ainsi, après la caractérisation des données relatives au spectre du rayonnement électromagnétique, à la réflexion, à l’émission et à la transmission atmosphérique, on détermine et on développe selon les propriétés optiques des éléments qui composent les surfaces naturelles, les radiations réfléchies par la surface de l’eau et les radiations captées par les satellites. Cette modélisation est suivie par une étude détaillée des facteurs qui affectent les propriétés optiques des eaux de mer. (Abdellaoui et al.,2005)

Chapitre2 Modélisation des mesures satellitaires

I. Modélisation de l’interaction du rayonnement électromagnétique avec l’atmosphère. Le but de la modélisation est de comprendre comment les différents éléments qui composent le système de mesure se combinent pour réaliser une mesure. La forme et le contenu d’un modèle dépendent de leur finalité. Le modèle est construit pour décrire et caractériser le système de mesure, pour comprendre les phénomènes dont il est le siège et pour prévoir leur comportement sous l’effet d’une action extérieure ou sous l’effet d’une modification partielle du système lui-même. Le modèle développé consiste à décomposer le milieu sol-atmosphère en sous-ensembles en interaction avec le spectre solaire et le capteur embarqué par le satellite.

La source irradie l’objet et ce dernier réfléchit la radiation dans toutes les directions, une partie de cette radiation est captée. Le rayonnement capté par un radiomètre embarqué par le satellite, est composé de deux principaux termes : une brillance engendrée par la surface dans le champ de vision du capteur et une brillance qui n’est pas engendrée par la surface dans le champ de vision.

Le premier terme est l’information utile, il est dû à l’éclairement solaire direct et indirect. Le second terme, considéré comme le bruit est dû à l’éclairement diffusé par l’atmosphère. Soit un pixel donné de coordonnée image (x,y) et une bande spectrale b, la radiation qui excite le capteur -2 -1 -1 Kλ(x,y,b) (w.cm µm sr ) selon Teillet (Teillet,1986) s’écrit sous la forme suivante :

Kλ(x,y,b) = C(x,y) Rλ(x,y, b) + Hλ(b) + ∆λ(x,y,b) (2.1) C(x,y) : est une constante multiplicative qui décrit le facteur de forme c’est à dire l’orientation topographique de la surface par rapport à la position du soleil pendant la prise de vue, Rλ(x,y, b) : est la radiation réfléchie par le sol proportionnel à la réflectance moyenne du pixel (x,y) dans la bande spectrale b, Hλ(b) : est la diffusion du système sol-atmosphère ( bruit) en considérant la terre comme étant un corps noir et ∆λ(x,y,b) représente une variable résiduelle qui engendre l’effet du voisinage et Rλ(x,y,b) est donnée par la relation suivante :

Rλ(x,y,b)=Sλ(b)Tλ(b)Gλ(b) ρλ(x,y) (2.2)

Sλ(b) : représente le facteur de gain du système dans le canal b (sensibilité du capteur), Tλ(b) : est la transmittance atmosphérique de la terre au satellite dans le canal b, Gλ(b) : est la radiation globale et ρλ(x,y,b) : réflectance du pixel (x,y) ( supposé lambertien) dans le canal b.

Chapitre2 Modélisation des mesures satellitaires

Cette quantité énergétique (Rλ(x,y, b)) est transformée en compte numérique, qui englobe toutes les informations sur le système sol-atmosphère, les conditions géométriques de prise de vue et les propriétés optiques du capteur. Il est évident que l’absorption et la diffusion atmosphérique varient à travers une image à cause des trois effets suivants: (Durand et al.,1988; Abdellaoui et al., 2008). • Changement dans les conditions atmosphériques à travers une image. • Changement d’observation par rapport à la position du soleil. • Variation dans la radiation moyenne dans la zone entourant le pixel observé à chaque instant.

Le terme ∆λ(x,y,b) est une variabilité résiduelle inexpliquée et contient, entre autre, la contribution de la lumière provenant du sol et celle provenant du ciel. Il est donc nécessaire de trouver un moyen pour analyser les différents types d’informations afin de pouvoir les quantifier et les qualifier (Becker,1978). Pour ce faire, il faudrait décortiquer le processus de prise d’image, estimer ses multiples composantes, déterminer à quel niveau les différentes catégories d’information se confondent pour n’en faire qu’une seule. (Bougeur ,1953; Bariou,1978; Bukata et al.,1995)

1. Spectre solaire. Le soleil est la source de l’énergie en télédétection passive, le rayonnement solaire véhicule l’information du milieu naturel par ses propriétés intrinsèques (longueur d’onde ; polarisation, déphasage). La connaissance de la distribution spectrale de la radiation qui atteint le haut- atmosphère est très importante pour diverses applications (Becker,1978). Le spectre solaire a fait l’objet de plusieurs mesures au sol, par avion et par satellite. (Chadin,1988) -2 -1 Si on suppose que l'atmosphère est transparente, le spectre solaire E0λ (w.cm µm ) qui atteint le sol ne subit aucune transformation dans sa trajectoire, en tenant compte de la trajectoire elliptique de la Terre autour du soleil, l’irradiance spectrale en haute atmosphère est en fonction de latitude du lieu (latitude = ϕ), de la déclinaison de l’axe de rotation de la terre (déclinaison =δ) et de l’heure (h). Le spectre solaire au sol est donné par la relation suivante (Ratto,1986):

Eλ = E0λ (1+f) cos (θz) (2.3)

E0λ : est le spectre solaire en dehors de l'atmosphère terrestre, λ : la longueur d'onde d'émission du rayonnement, 1 : unité astronomique (1UA= 1.496x 108 km), f : est le facteur de correction de la distance soleil- sol (ce facteur dépend du numéro de jour et cos(θz) est l’angle zénithal).

Chapitre2 Modélisation des mesures satellitaires

2. Atténuation du spectre solaire par l’atmosphère. En atmosphère à ciel clair, la concentration des gaz et des aérosols varie avec le changement des conditions météorologiques et la position géographique. Les gaz et les aérosols absorbent et diffusent la radiation solaire d’une manière sélective sur tout le chemin optique. Les gaz, principalement l’ozone, les gaz carboniques et la vapeur d’eau sont les corps responsables d’absorption du spectre solaire. Les molécules d’air et les aérosols sont les corps responsables de la diffusion de la radiation solaire dans toutes les directions (Kondratie, 1969; Prieur & Morel, 1975). Les effets d’absorption et de diffusion sont présentés par les fonctions de transmittances

(sans dimension) Tλ, selon la loi de Bouguer (Bouguer, 1953) :

Tλ = Iλ/ I0λ (2.4)

Iλ est la radiation spectrale de sortie et I0λ est la radiation spectrale d’entrée. La diffusion se produit lors de l’interaction entre le rayonnement incident et les particules ou les grosses molécules de gaz présentes dans l’atmosphère (gouttelettes d’eau, poussières, fumées…). Dans le cas où les particules suspendues sont négligeables devant la longueur d’onde, le phénomène qui se produit est la diffusion de Rayleigh. (Fröhlich & Brusa,1981) La diffusion d’une particule s’effectue indépendamment des autres particules. Le rayonnement sera diffusé dans toutes les directions ; la radiation diffusée vers l'avant est égale à la radiation diffusée vers l'arrière. (Bonn & Rochon, 1996; Sathyendranath, 1981; Tanre et al., 1990)

La fonction de transmittance spectrale de Rayleigh, Trλ est inversement proportionnelle à quatrième puissance de la longueur d’onde (Tanre et al.,1990). La diffusion moléculaire est importante dans les longueurs d’ondes courtes du visible. Les aérosols sont des petites particules suspendues dans l’atmosphère. La vapeur d’eau condensée, la poussière, les polluants, les cristaux, les particules d’origine volcanique etc.. sont des aérosols.

Les aérosols naturels sont des particules de rayon d’ordre 10-3 jusqu'à 102 µm et les petites particules atteignent 1µm. La distribution des aérosols dans l’atmosphère est très variable. Pour caractériser la présence des aérosols dans l’atmosphère, on utilise un des trois paramètres : le nombre d’aérosols par centimètre cube, la turbidité atmosphérique (0.0 <β <0.5) ou la mesure météorologique (la visibilité, qui se mesure en km). Les aérosols ont une taille de plus en plus importante, elle varie de 10-1 à 100 µm.

Chapitre2 Modélisation des mesures satellitaires

Il est nécessaire d'utiliser la théorie de Mie, car il est évident que celle de Rayleigh ne s'applique plus dans ce cas. Dans la diffusion par les aérosols, la fonction de phase n’est pas symétrique d’une part, d’autre part, la première diffusion dépend largement de l’albédo de diffusion ω (0 ≤

ω ≤ 1.0) et du facteur F (θz) qui indique la proportion du rayonnement diffusé vers l’avant par l’aérosol par rapport au rayonnement totalement diffusé par ce dernier.

2.1 Radiations solaires au sol. Le calcul des différentes radiations dues à l’interaction du spectre solaire avec l’atmosphère de la terre se calcule aisément en utilisant le chemin optique du rayonnement solaire et les propriétés spectrales de l’atmosphère terrestre. La quantité de rayonnement solaire qui arrive au sol est en fonction des paramètres atmosphériques. (Deschamps et al.,1983) • Perturbations atmosphériques. La transmission de l'atmosphère due á la combinaison des effets d'absorption et de diffusion est donnée par la relation : τλ = τrλ τaλ τoλ τgλ τ waλ (2.5)

L'éclairement spectral direct d'une surface normale au faisceau lumineux incident est donné par

Ibλ = I0nλ .cos(θ z )τ λ (2.6)

Considérons une atmosphère de RAYLEIGH irradiée par un faisceau monochromatique. La radiation qui arrive au niveau du sol pour une première diffusion est 1 − τrλ , dans ce cas la radiation diffusée dans toutes les directions est :

Ionλ cos(θ z )τ maλ [(1-τ rλ ).τ aλ ] (2.7)

Sachant que pour la diffusion de RAYLEIGH la moitié de la radiation incidente est diffusée vers l'avant, la radiation diffusée qui arrive au niveau du sol sera : (Dekker, 1993)

I drλ = I onλ cos(θ z ).τ maλ [0.5(1−τ rλ )τ aλ ] (2.8)

L’'énergie diffusée sera ω0 (1 − τaλ ) , le terme ω0 dépend de la nature et de la matière des aérosols, de ces dimensions et de ces propriétés optiques.

2.2 Radiation globale à la surface.

On appelle Iλ , la radiation directe qui atteint la surface en parcourant le chemin optique le plus court. La radiation spectrale diffusée par l’atmosphère de la terre est composée d’une radiation de diffusion de Rayleigh et d’une radiation de diffusion de Mie.

Chapitre2 Modélisation des mesures satellitaires

Gλ est la somme de la radiation directe corrigée par l'angle zénithal et la radiation diffusée totale, sa relation est : Gλ = Iλ cos θz + Dλ

(2.9) θ Gλ=Eλ Cos( z)TO3λ Tgλ Twλ (Trλ Taerλ + Taλ 0.5(1- Trλ )+TO3λTgλTwλTrλwF(1 - Taλ)) (2.10) où:

To3λ , Tgλ, Twλ ,Trλ , Taer sont respectivement les fonctions de transmittance d’ozone, de mélange des gaz, de la vapeur d’eau, de Rayleigh et des aérosols. (Bricaud et al., 1981; Bonn & Rochon,1992; Tanre et al.,1990)

Les transmitances spectrales par absorption par les molécules d’air CO2, O2 et par la vapeur d’eau sont données par les relations : 0.45 τgλ = exp[−1.41 K gλ m a /(1+118.93 K gλ m a ) ] (2.11)

0.45 τ waλ = exp[− 0.2385 K waλ wm r /(1+ 20.07 K waλ wm r ) ] (2.12)

K gλ et K waλ sont respectivement les coefficients d’absorption des gaz et de la vapeur d’eau. Le coefficient de transmission de l’ozone sous forme de loi de Bouguer :

τoλ = exp(−K oλl m r ) (2.13)

KOλ est le coefficient d’atténuation par absorption par l’ozone, l est la quantité de l’ozone en Cm.

La transmission atmosphérique par absorption peut être caractérisée par le coefficient de transmission donnée par : τmaλ = τoλ τgλ τ Waλ (2.14)

Pour les molécules d’air, si p est la pression locale en millibars, la masse optique relative est :

− −1 p m = [cos θ + 0.15(93.885 − θ ) 1.253 ] (2.15) r z z 1013.25 La masse optique relative de la vapeur d’eau :

−1.452 −1 M w = [cos θz + 0.0548(92.650 − θz ) ] (2.16)

Chapitre2 Modélisation des mesures satellitaires

En supposons que l’ozone est concentré à une latitude Z3, re est le rayon de la terre, la masse

1  Z   Z  2  3  2 3 optique relative de l’ozone est : m o = 1+  /cos θz + 2  (2.17)  re   re  2.3 Bruit atmosphérique. Lorsqu’un signal est enregistré, il représente la partie de la radiation spectrale diffusée par les molécules d'air et les aérosols vers l'extérieur du système sol - atmosphère (Popp, 1994).

Ce signal est appelé bruit atmosphérique Hλ(b) qui est: Hλ(b)= E(λ) Tat-sat(λ) (2.18) Tat-sat(λ) est la transmittance spectrale de l’atmosphère, telle que, son chemin optique se calcule en remplaçant l’angle zénithal par l’angle de visée.

Figure 2.1 : Influence de l’atmosphère sur le rayonnement solaire direct.

3. Modélisation du rayonnement réfléchi par le sol.

Une partie du rayonnement global Gλ(b) qui atteint le sol est réfléchie vers le capteur par le coefficient de réflectance ρλ(x,y,b). Le problème majeur pour déterminer le rayonnement réfléchi est le développement d’un modèle qui engendre toutes les propriétés du sol affectant d’une façon directe sa signature spectrale (condition d’éclairement, rugosité, nature des sols etc..) ou indirecte (couleur, salinité, humidité etc.) . Les radiomètres embarqués par les satellites comportent trois éléments, un système optique qui conditionne la visée du système, un filtre spectral qui conditionne le domaine spectral et un

Chapitre2 Modélisation des mesures satellitaires détecteur qui a pour fonction la transformation du signal optique en une forme de donnée numérique. (Bukata et al.,1995; Chadin,1988; Deschamps et al.,1983). Le système optique est composé d'une lunette mince avec un angle d’ouvertureα, un détecteur doté d'une sensibilité spectrale Si(λ) (avec i qui indique le nombre de fenêtres spectrales). Le capteur transforme l'énergie qui l'excite en compte numérique. La partie essentielle pour la mesure radiométrique est la fonction de pondération spectrale Si(λ). (Tamiru & Girandier., 1986; Tanre et al.,1990).

Figure 2.2 : Les paramètres angulaires dans une mesure satellitaire.

La radiation spectrale qui atteint le capteur est transformée en quantité numérique appelée compte numérique CN ou brillance B. . Radiations captées. L’information spectrale des radiomètres est déterminée par les longueurs d’onde enregistrées par le capteur. La largeur des bandes spectrales de chaque radiomètre définie la résolution spectrale. Théoriquement, le rayonnement qui atteint le satellite est la contribution de la radiation réfléchie par le sol passant à travers l'atmosphère et le bruit atmosphérique. La radiation captée qui se transforme en signal électrique est donnée par la relation suivante :

B= (1/π) ∫[( C(x,y) Tλ (b)Gλ(b) ρλ(x,y) (1-s ρλ(x,y)) + Hλ(b) ) Sλ(b) dλ / ∫ Sλ(b) dλ (2.19)

Chapitre2 Modélisation des mesures satellitaires

(1/π) est un coefficient de normalisation, Tλ(θv) facteur de transmission direct du rayonnement en direction du capteur, s : l’albédo sphérique de l’atmosphère et S(λ) fonction de sensibilité optique du capteur les autres paramètres son déjà définis (Sturm ,1980).

Le capteur a une réponse spectrale δλ, le signal enregistré au niveau du capteur est :

∞ I λ ρλ I0λ cos θz (2.20) L = ∫ Tatm + ρaλ δλ dλ 0 π π La luminance au niveau du satellite est la somme de la luminance intrinsèque de l’atmosphère La et la luminance de la cible qui représente l’eau de mer dans notre cas. (Deschamps et al.,1983)

II. Détermination de la réflectance des eaux de mer par simulation des données satellites. 1. Propriétés optiques des eaux de mer. La télédétection multispectrale apporte une solution avantageuse aux problèmes posés par l'étude bathymétrique (Becker,1978). L’eau présente un certain nombre de propriétés qui vont influer de façon significative sur le transfert du rayonnement électromagnétique en son milieu. La figure 2.4 représente la complexité de l’interaction du rayonnement électromagnétique avec la masse d’eau. L’éclairement solaire incident (Es) et le rayonnement diffus provenant du ciel

(Ec) pénètrent la masse d’eau à un angle zénithal solaire θ0, une partie est réfléchie de façon spéculaire (rθ0) et une autre est transmise à la masse d’eau. La partie transmise dans l’eau avec un angle de réfraction (θw), est diffusée selon un angle de diffusion (θs) ou absorbée par ses composantes. Le signal retourné au capteur est donc fonction des propriétés optiques apparentes qui sont influencées par des propriétés optiques inhérentes à la masse d’eau (Dekker,1991; Mikhaylov & Zolotarev,1970).

 Propriétés optiques inhérentes Les propriétés optiques inhérentes sont attribuables tant à la nature intrinsèque de la masse d’eau pure qu’aux particules en suspension ou en solution qu’elle contient. Ces propriétés sont caractérisées par différents coefficients : le coefficient d‘absorption, le coefficient de diffusion, le coefficient de rétrodiffusion, le coefficient d’atténuation totale et l’albédo de diffusion. Tous ces coefficients varient de façon significative en fonction de la longueur d’onde d’observation. (Jerlov, 1964; Mikhaylov& Zolotarev,1970; Guyot ,1989)

Chapitre2 Modélisation des mesures satellitaires

 Propriétés optiques apparentes. Les propriétés optiques apparentes sont dépendantes des propriétés optiques inhérentes et de l’éclairement ambiant. Les propriétés optiques apparentes de la masse d’eau sont les différentes mesures d’éclairement, de luminance, de réflectance et d’atténuation diffuse. (Ackleson,1996; Bostater ,1992; Bricaud & Zaneveld ,1995). Les deux coefficients que l’on retrouve généralement dans les écrits sur le sujet sont la réflectance volumique (R) et le coefficient d’atténuation diffuse (Kd). (Prieur & Morel,1975; Prieur & Sathyendranath,1981)

Capteur Diffusion et absorption par les particules Soleil atmosphériques

Es r(θ0)

θ0

Réflexion sur la Ec crête des na =1 vagues Indice de réfraction de l'air

Diffusion par les particules θ W dans l'eau θs

sinθ 0 nW = Absorption θ sin W dans l'eau L'indice de réfraction de l'eau

Figure 2.3 : Schéma du rayonnement solaire dans la masse d’eau. (Curran et al., 1988; Sturm,1980, Bachari,1999)

2. Propriétés optiques de l’eau dans le domaine des courtes longueurs d’onde. Lorsque le rayonnement solaire atteint une surface d’eau, une fraction importante de l’éclairement incident est réfléchie spéculairement sans être affectée spectralement, la réflexion

Chapitre2 Modélisation des mesures satellitaires spéculaire ne produit donc qu’un déplacement global du niveau de réflectance sans affecter sa variation en fonction de la longueur d’onde. (Spitzer & Dirks,1987; Teillet,1986)

L’éclairement qui n’est pas réfléchi par la surface de l’eau est réfracté et dirigé vers le bas. Une partie du flux réfracté est absorbée par l’eau, l’autre est rétrodiffusée.

Si Ei(λ) est l’éclairement incident à la longueur d’onde λ, Ea(λ) l’éclairement absorbé par l’eau,

Msp(λ) l’excitance de l’eau due à la réflexion spéculaire et Md(λ) l’excitance de l’eau due aux processus de la diffusion, nous pouvons écrire :

Ei(λ)−Ea(λ)=Msp(λ)+Md(λ) (2.21)

M sp(λ) La composante de la réflectance due à la réflexion spéculaire : ρsp(λ)= (2.22) Ei(λ)

M d(λ) La composante de la réflectance due à la diffusion en volume d’eau : ρv(λ)= (2.23) Ei(λ)  Le coefficient d’absorption.

L’énergie du flux lumineux absorbé par unité de distance représente le coefficient d’absorption de l’eau. Lorsqu’un flux de lumière parallèle ϕ(λ) traverse une lame d’eau d’épaisseur dx, une fraction dϕ(λ) du flux incident, proportionnelle à dx et à ϕ(λ) est absorbée.

On définit ainsi le coefficient d’absorption de l’eau aw(λ) tel que :

dϕ(λ)=−aw(λ).ϕ(λ).dx (2.24)

-1 aw(λ) : a pour dimension l’inverse d’une longueur (m ). Si à la distance x=o, le flux incident est

égal à ϕ0(λ), le flux qui sera absorbé à la distance x est alors donnée par :

ϕ(λ)=ϕ0(λ)exp(−aw(λ).x) (2.25)  Le coefficient de diffusion.

De la même manière, ou définit un coefficient de diffusion total bw(λ) tel que :

ϕ(λ) = ϕ 0 (λ)exp(− bw (λ).x) (2.26) Il est caractérisé par la somme des diffusions ayant lieu à l’intérieur de la masse d’eau. (Baban et al.,1993; Bariou,1978; Becker,1978)

 L’Albédo de diffusion.

Chapitre2 Modélisation des mesures satellitaires

L’albédo de diffusion est une valeur scalaire provenant du ratio du nombre d’interactions diffusées sur le nombre d’interactions totales (diffusées et absorbées). Nous retrouvons ce ratio b b dans l ‘équation suivante : ω = = (2.27) 0 c a + b où : a est l’absorption totale (m-1) b est le coefficient de diffusion c = a + b : est le coefficient d’atténuation totale. (Bricaud, 1988)  Le coefficient d’atténuation dans l’eau. Dans un milieu naturel, l’absorption et la diffusion interviennent de façon simultanée à l’intérieur de la masse d’eau et il est plus aisé de mesurer un paramètre global, soit le coefficient d’atténuation.

Le coefficient d’atténuation totale Cw est défini comme la somme des coefficients d’absorption et de diffusion. cw (λ) = aw (λ) + bw (λ) (2.28)

L’étude de la variation de cw(λ) pour l’eau de mer pure de 0,186 à 2,65µm, montre que l’atténuation est minimum (ou la transmission maximum) dans le visible vers 0,5µm.

Nous considérons le trajet de la lumière dans l’eau de longueur l1 :

l1=1/cw(λ) (2.29)

Le flux qui sera absorbé à la distance l1 sera : ϕ(λ) = ϕ 0 (λ)exp(− cw (λ)..l1 ) (2.30)

La longueur l1, qui est la longueur d’atténuation exponentielle, est donc telle que le flux absorbé varie exponentiellement avec le flux incident. (Curran,1985; Dekker,1995) Dans l’infrarouge thermique, l’émissivité de l’eau est très élevée. Elle est supérieure à 0,99 et varie entre 10 et 12,5 µm. Ce domaine spectral est donc particulièrement bien adapté à la mesure de la température des surfaces d’eau car il correspond au maximum de transmission de l’atmosphère dans la fenêtre de l’infrarouge thermique. L’émissivité moyenne pour l’eau de mer est de 0,975 entre 8 et 14µm. (Bricaud et al., 1981)

3. Propriétés optiques des surfaces d’eau. La réflectance et l’émissivité des surfaces d’eau dépendent des propriétés optiques de l’eau ainsi que de celles des substances dissoutes ou en suspension. Celles-ci peuvent être séparées en 3 catégories principales :

Chapitre2 Modélisation des mesures satellitaires

• Le phytoplancton vivant et les détritus biogènes qui lui sont associés. • Les particules minérales en suspension. • La matière organique dissoute (substance jaune).

Les particules minérales et les détritus biogènes sont parfois englobés sous le terme général de tripton (particules non vivantes). (Sturm,1980; Spitzer & Dirks,1987;Tassan,1988)

3.1. Substances dissoutes ou en suspension. 3.1.1. Propriétés optiques du phytoplancton vivant et des détritus biogènes associés. Dans les conditions naturelles, il est très difficile de séparer les effets du phytoplancton et des détritus biogènes sur le coefficient d’absorption de façon globale. Le coefficient d’absorption du phytoplancton ap (λ) dépend tout d’abord de la concentration en chlorophylle, aussi pour faciliter les comparaisons entre différents types de phytoplancton. Le coefficient d’absorption spécifique

* a p (λ) (Bhargava,1991) :

* 2 −1 λ λ γ a p ( ) = a p ( ) p [m .mg(chl a + phéo a ) ] (2.31) -3 γ p est la concentration en pigments (chlorophylle a + phéophytine a) exprimées en mg.m . Le coefficient d’absorption spécifique du phytoplancton varie très largement en fonction de la longueur d’onde et du type d’algues considérées. Lorsqu’on passe de la chlorophylle seule à des algues dont la taille augmente, on constate un lissage progressif du spectre sur lequel les deux pics d’absorption de chlorophylle sont à 430 et 680 nm et disparaissent progressivement. (Bricaud et al.,1981; Bricaud ,1988)

Les cellules du phytoplancton et les particules correspondant aux détritus biogènes provoquent une diffusion de Mie de la lumière. Comme elle varie en λ-1, elle est moins dépendante de la longueur d’onde et ainsi la couleur de l’eau glisse progressivement vers le vert avec l’accroissement de la concentration en phytoplancton. (Doerffer & Fisher, 1994) La seule partie de la diffusion qui intervient dans la réflectance des surfaces d’eau est la rétrodiffusion, c’est à dire celle pour laquelle les rayons diffusés font un angle compris entre 90 et 180°. De la même manière que le coefficient de diffusion, on définit le coefficient de

Chapitre2 Modélisation des mesures satellitaires

* rétrodiffusionbbp (λ),le coefficient spécifique de rétrodiffusion bbp (λ)et l’efficacité rétrodiffusion

* λ bbp ( ) bbp (λ) : bbp = (2.32) λ bbp ( )

3.1.2. Propriétés optiques des particules minérales en suspension. Les particules minérales en suspension sont constituées par les particules terrigènes apportées par les fleuves et par les sédiments remis en suspension par les courants, les vagues et les houles. Leur influence est prépondérante dans de nombreuses zones côtières, sur les plateaux continentaux et dans les panaches fluviaux. La variation du coefficient d’absorption des particules non chlorophylliennes en fonction de la longueur d’onde, montre que l’absorption est très forte dans le bleu et présente par contre un minimum entre 500 et 600 nm. (Prieur & Sathyendranath, 1981) La diffusion de la lumière par les particules en suspension ne suit pas une loi simple car certaines sont absorbantes. De plus, leur distribution de taille est tronquée comparativement à une distribution statistique normale (sédimentation) ; aussi, la diffusion suit-elle une loi en λ-0,7 à λ-1,3, selon les échantillons d’eau considérés. (Aranuvachapun & Walling,1988; Bhargava & Mariam,1991)

3.1.3. Propriétés otiques de la substance jaune. La matière organique dissoute ou substance jaune provient essentiellement du lessivage des terres et elle est due à la décomposition des végétaux. Elle est présente en concentration élevée dans les zones où les apports d’eaux douces sont importants (eaux côtières et certaines mers intérieures comme la Baltique). Une partie de la substance jaune provient également, en quantité beaucoup plus faible, de la dégradation du phytoplancton in situ. (Prieur & Sathyendranath, 1981) L’absorption de la lumière par la substance jaune varie exponentiellement avec la longueur d’onde : a y (λ) = a y (λ0 )exp[ - P(λ - λ0 )] (2.33)

La pente P, lorsque λ est exprimé en nm, est égale à 0,014 varie relativement peu selon le type d’eau et selon que la substance jaune est d’origine biogène ou terrigène. La diffusion moléculaire due à cette substance est négligeable devant celle de l’eau pure. (Prieur & Morel,1975)

Chapitre2 Modélisation des mesures satellitaires

3.2 Modélisation de la signature spectrale de l'eau de mer. L’eau de mer pure est dépourvue de toute particule ou substance dissoute colorée, elle est caractérisée par la couleur bleu indigo due à sa combinaison entre forte absorption dans le rouge et importante diffusion dans les petites longueurs d’onde. Le spectre d’absorption et de diffusion de l’eau de mer pure. Nous avons utilisé les courbes expérimentales présentées par Bricaud et al.,1981. Nous avons digitalisés ces courbes en précisant pour chaque point M (longueur d’onde, absorption). Ces courbes sont mises dans un fichier numérique pour les différents coefficients d’absorption. Les résultats de cette discrétisation est la représentation graphique de ces coefficients selon le spectre il faut noter que l’échelle de représentation est une échelle logarithmique. Dans la courbe suivante le choix du fond est prédéfini par la bande spectrale choisie qui s’étend du visible jusqu'au proche infrarouge. Pour les longueurs d’onde allant de λ=380nm à 600nm, la diffusion et l'absorption moléculaire de l'eau pure sont définies par leurs coefficients respectifs en figure 2.3.  Les eaux du Cas1. Ce sont les eaux du large, elles représentent 95% de l’océan mondial. En plus de l’eau de mer pure elles contiennent du phytoplancton et des particules associées (particules non algales ou sédiments). Les propriétés optiques des eaux du cas1 sont généralement indexées sur la concentration en chlorophylle.

Figure 2.4 : Spectres d’absorption et de diffusion de l’eau de mer pure tracé en s’inspirant des travaux de Pope & Fry (1997) et Morel (1974)

Chapitre2 Modélisation des mesures satellitaires

Le spectre d’absorption du phytoplancton (Figure.2.6) résulte du spectre d’absorption des différents pigments présents dans la cellule, il résulte principalement de la superposition du spectre d’absorption de la chlorophylle a (Chl a) et du spectre d’absorption de la caroténoïde.  La chlorophylle présente deux principales bandes d‘absorption : Bleu autour de 440nm et Rouge vers 675 nm.  La Caroténoïde : absorbe dans le bleu et le bleu-vert. L’effet conjugué de Chl a et caroténoïde est responsable de la transition de la couleur du bleu au vert. Le coefficient d’absorption spécifique du phytoplancton varie très largement en fonction de la longueur d’onde et du type d’algue considérée. Lorsqu’on passe de la chlorophylle seule à des algues dont la taille augmente, on constate un lissage progressif du spectre sur laquelle les deux pics d’absorption de chlorophylle à 430 et 680 nm et qui disparaissent progressivement.

0 380 395 410 425 440 455 470 485 500 520 535 550 565 580 595 -0,5

-1

-1,5 a(m-1) -2 b(m-1) c(m-1) -2,5

-3

-3,5 Figure 2.5 : Coefficients d’absorption, de diffusion et d'atténuation de de l’eau pure dans le spectre du visible. (Bricaud et al., 1988, Houma et al,2009)

Chapitre2 Modélisation des mesures satellitaires

Figure 2.6: Spectres d’absorption de la moyenne de 14 espèces phytoplanctoniques normalisées par leur maximum (Bricaud et al., 1988; Morel & Gentili,1993, Houma et al,2009).

 Les eaux du Cas2 Ce sont les eaux du cas 1 en plus des sédiments et substances jaunes qui sont optiquement actifs ; ces substances dissoutes colorées d’origine organique proviennent essentiellement du lessivage des terres et elle est due à la décomposition des végétaux. Elle est présente en concentration élevée dans les zones où les apports d’eaux douces sont importants (eaux côtières et certaines mers intérieures comme la baltique). Une partie de la substance jaune provient également, en quantité beaucoup plus faible, de la dégradation du phytoplancton in situ. Ces substances présentent vers les courtes longueurs d’onde (le bleu en visible) une absorption nettement plus importante et tendent à décaler la couleur des eaux côtières du bleu vers le jaune brun.

0,12

0,1 ap aph 0,08 ad

0,06

0,04

0,02

400 420 440 460 480 500 520 540 560 580 600 620 640 660 680 700

Figure 2.7 : Coefficient d’absorption (p : particules ; ph:phytoplancton ; d :détritus)

4. Réflectance des surfaces marines. 4.1. Spectre de réflectance des surfaces marines. La réflectance diffuse des surfaces marines dépend des propriétés optiques de l’eau de mer ainsi que celle des substances dissoutes ou en suspension. Elle est fonction du coefficient de rétrodiffusion global de la mer bb(λ) et de son coefficient d’absorption a(λ).

ρ(λ) = F[bb (λ) a(λ)] (2.34) F dépend de la fonction de diffusion en volume de l’eau et de la distribution angulaire de l’énergie radiative. Une relation particulièrement simple a été établie par Prieur et Morel, 1975:

Chapitre2 Modélisation des mesures satellitaires

ρ(λ) = 0,33(1 + ∆)[(bb (λ)) a(λ)] (2.35) dans laquelle  dépend des variations angulaires de la diffusion et de l’éclairement incident, mais qui reste inférieur à 5 %. Les coefficients a(λ) et bb(λ) étant dans propriétés inhérentes à un milieu marin donné sont, de ce fait, strictement additifs et peuvent être décomposés comme la somme des contributions partielles des différentes substances.

Pour déterminer la teneur de l’eau de mer en différents éléments à partir de données satellitaires, il est nécessaire de s’appuyer sur des modèles de réflectance que l’on inverse. (Doerffer & Schiller,1997) La contribution, au niveau du capteur, des photons ayant pénétré dans l’océan s’exprime par le produit de la luminance marine Lw à la sortie de l’océan par la transmission diffuse de l’atmosphère, dont une expression approchée, est établie empiriquement. Les modèles de réflectance utilisent en entrée les paramètres thématiques et permettent de déduire la réflectance d’un objet. L’inversion d’un modèle à déduire les paramètres thématiques à partir des données de réflectance.

4.1.2. Influence du fond sur la réflectance de la mer. La réflectance du fond peut affecter de façon sensible la réflectance de surfaces d'eau peu profondes (zones côtières par exemple).L'évaluation de cet effet est non seulement importante pour permettre une estimation correcte de la concentration en matériaux dissous ou en suspension, mais elle peut également servir au développement de méthodes de télédétection destinées à cartographier les types de fonds marins et la profondeur de l'eau. (Smith & Baker, 1981) Des résultats de simulation sur modèles effectués par Spitzer et Dirks (1985), avec 3 types de fonds différents : sable, boue et végétation pour des eaux marines claires montrent que l’effet du fond est mesurable jusqu’à une profondeur de l’ordre de 20m dans le domaine du visible et que l’effet est maximum vers 550nm dans les 3 cas présentés. L’analyse bathymétrique, à l’aide d’images satellites, a été élaborée, dans les années soixante-dix à l’aide d’images MSS de Landsat, puis étendue à l’imagerie HRV de SPOT.

Chapitre2 Modélisation des mesures satellitaires

On regroupe généralement les algorithmes d’analyse bathymétrique en trois catégories selon le nombre de canaux spectraux utilisés : méthode à canal spectral, méthode du rapport de deux canaux spectraux et méthode multi-canal. (Olivon,1986; Prieur & Morel,1975; Ratto,1986)

5. Problèmes posés par l’étude bathymétrique. L’eau présente un certain nombre de propriétés qui influent de façon significative sur le transfert du rayonnement électromagnétique en son milieu et chaque bande spectrale possède un pouvoir de pénétration différent. Il est donc nécessaire de soulever ces problèmes. Les conditions d’observation peuvent changer de façon significative l’aptitude d’un capteur à observer le fond. La qualité de l’eau est un des facteurs primordiaux. Plus l’eau sera riche en éléments nutritifs et en matières en suspension, plus l’analyse bathymétrique sera rendue difficile. Les conditions atmosphériques peuvent interférer de deux façons sur le signal. Tout d’abord, la présence d’un voile atmosphérique réduira les composantes descendante et ascendante du signal électromagnétique dans l’atmosphère ; ensuite les perturbations engendrées à l’interface air- eau réduiront le pouvoir de transmission du rayonnement. Finalement, l’angle d’incidence du rayonnement solaire, fonction de la période d’observation, modifiera lui aussi sensiblement son pouvoir de transmission. (Sturm,1980; Tanre et al.,1990;Tassan,1988)

5.1. Propriétés optiques des eaux marines. Le rayonnement électromagnétique se propageant dans un tel milieu subit simultanément une absorption et une diffusion. Si l'absorption est surtout provoquée par les solutés (sels minéraux et substances jaunes), la diffusion est essentiellement due aux particules en suspension. Son caractère est influencé par la taille des corps diffuseurs. Les particules en général, les floculats surdimensionnés ou les individus des planctons en particuliers, constituent des obstacles géométriques au milieu desquels la lumière ne peut se propager qu'au prix d'un trajet complexe imposé par les diffusions multiples. Au cours de ce trajet, l’énergie des photons est progressivement absorbée. (Tableau 2.1) Ainsi les effets conjugués de l’absorption et de la diffusion déterminent une atténuation sélective du rayonnement solaire, dont l’intensité et la qualité varient en fonction de la composition de l’eau. (Becker,1978).

Chapitre2 Modélisation des mesures satellitaires

5.2. Eclairement au dessous de l’eau. L'éclairement peut être défini comme la différence entre la qualité d'énergie incidente à la surface, et la quantité d'énergie perdue au cours du cheminement des rayons lumineux.

E(λ)=ϕi(λ)−[ϕr(λ)+ϕa(λ)] (2.36) avec ϕ i : intensité du rayon incident à la surface ; ϕ r : pertes dues à la réflexion spéculaire ;

ϕ a : Pertes dues à l'atténuation ; λ : longueur d'onde. La répartition spectrale de l'éclairement sous-marin varie de façon complexe avec la profondeur, en relation avec le caractère sélectif de l'atténuation. Brièvement, on peut dire que l'éclairement du fond s'appauvrit aux deux extrémités du spectre visible à mesure que la tranche d'eau s'épaissit et on a deux pics, un à 500 nm correspondant à la fenêtre de transmittance maximum de l’eau de mer et à 570 nm correspondant à celle du phytoplancton. Tableau 2.1 : Tableau synoptique des composantes de l’atténuation d’après Jerlov (Jerlov ,1964) Absorption Diffusion Constituant Caractère Dépendance de λ Caractère Dépendance de λ Invariable à Invariable, petite λ-4 ( Loi de Molécule d’eau température et à Très forte comparée à Rayleight ) pression constante l’absorption Sels minéraux Négligeable dans le Croissante avec la

dissous visible diminution de λ Croissante avec la Substances jaunes Variable diminution de λ Variable, petite Particules fines Croissante avec la Généralement comparée à la Variable (0.5 à 100 µm) diminution de λ indépendante de λ diffusion Grosses particules Très petite (100 µm à 1 comparée à la Très forte indépendante de λ mm) diffusion

5.3. Les composantes du signal radiométrique.  Première approche.

Le signal total St reçus par un capteur opérant à haute altitude au-dessus de l'eau peut être décomposé dans un premier temps, en deux termes (Becker,1978). :

St =Sa +S e (2.37)

Chapitre2 Modélisation des mesures satellitaires

avec S a : Composante atmosphérique ; S e : Composante eau. En général, pour les enregistrements effectués à haute altitude, la composante atmosphérique est prédominante. Dans le cas particulier des données de satellite, la composante atmosphérique peut être affectée d'un facteur 10 et la composante eau d'un facteur 1, ce qui signifie qu'une incertitude de 1 % sur le signal total peut provenir d'une erreur de 10 % dans l'estimation de la composante eau. Dans un deuxième temps, il est possible d'analyser la composante eau mesurée près de la surface.

S e = S s + S d + S f (2.38) avec S s : réflexion spéculaire à la surface; S f : réflectance du fond dans les eaux peu profondes; S d : composante due à la réflexion diffuse par la surface, la rétro- diffusion par les molécules d'eau, les solutés et les particules en suspension.  Radiance atmosphérique. L'intensité de la rétrodiffusion atmosphérique est la proportionnelle à la densité des aérosols (nucléi-hydroscopiques) et des poussières en suspension dans l'air, qui croit en se rapprochant de la surface terrestre. Les nucléi-minéraux sont répartis de façon à peu près homogène au-dessus des océans avec toutefois une concentration plus élevée au-dessus du littoral. Leur influence est petite devant celle de la vapeur d'eau. Par contre, les voiles de brouillard ont une distribution très irrégulière. Ils sont fréquents près des côtes. Ils réduisent considérablement les possibilités d'observation car leur forte réflectance perturbe les nuances du signal de l'eau. (Abdellaoui et al.,1986-a; D’Sa & Miller, 2003)  Couleur de la mer. La répartition spectrale du rayonnement diffus réfléchi celle de la rétrodiffusion par les composants de l'eau de mer et celle de la réflectance du fond contribuent à la couleur de l'eau. Particulièrement lorsque le ciel est pur, le rayonnement diffus renforce la couleur bleue de la mer. Lorsqu’il est couvert, on observe un glissement de la longueur d’onde dominante vers la région du spectre comprise entre 0.5 et 0.57 µm. Par ailleurs, la répartition spectrale de l’émission atmosphérique varie avec l’angle d’élévation solaire, la couleur de la mer se modifie au cours de la journée avec le mouvement du soleil. Pour définir une couleur de la mer indépendante de l’état de ciel, il ne faut considérer que la répartition spectrale de la rétrodiffusion par l’eau à laquelle s’associe, dans les eaux peu profondes, celle de la réflectance du fond. La première varie surtout en fonction de la

Chapitre2 Modélisation des mesures satellitaires concentration des turbidités terrigènes et de l’activité biologique, tandis que la seconde est influencée par la nature du fond. (Létourneau & O’Neill, 1992)

6. Etude du rayonnement sur le trajet sol atmosphère satellite. Nous venons de voir comment le rayonnement solaire est influencé par l’atmosphère sur le trajet soleil -sol ; la deuxième partie du modèle (sol - satellite) que nous allons développer, consiste à évaluer le rayonnement qui parvient au satellite. Ce rayonnement est la résultante du rayonnement réfléchi par le sol et de celui diffusé par l’atmosphère. 6.1. Radiation réfléchie par la surface d’eau. Dans notre travail, la surface terrestre étudiée est l’eau de mer. Le rayonnement atteignant la surface terrestre, va être réfléchi vers le capteur du satellite ; la quantité réfléchie dépend de la nature du sol et donc de sa réflectance.

L’éclairement global à la surface Gλ pénètre la masse d’eau, une partie est réfléchie de façon spéculaire : I1=Gλ ρs(λ) (2.39)

avec : ρs(λ) : la fréquence de l’eau . 6.2. Radiation diffusée d’un volume d’eau. La partie transmise dans la masse d’eau est diffusée ou absorbée par ces composantes. La quantité de la radiation réfléchie par un volume d’eau s’écrit sous la forme suivante :

I = (Gλ −I1−I2 )ω0 (2.40) avec : Gλ : radiation globale atteignant la surface.

I1 : radiation réfléchie spéculairement à la surface.

I2 : radiation réfléchie par le fond.

ω0 : albédo de diffusion de l’eau.

6.3. Radiation diffusée du fond. Une partie du rayonnement qui atteint le fond de la mer peu profonde peut être réfléchi à son tour. Cette quantité est décrite par la formule suivante :

I2=(Gλ −Gλ ρs )exp−k.z.cos(ϑz ).Ra.exp−k.z.cos(ϑv ) (2.41)

-kzf avec Ra : réfléctance du fond ; e : transmittance de l’eau ; k : coefficient d’atténuation. z : la profondeur ; f : est un facteur géométrique qui tient compte de la longueur d’onde du chemin traversant l’eau (Figure 2.8).

f =cosθz : cas du trajet soleil-cible et f =cosθv : cas du trajet cible-satellite.

Chapitre2 Modélisation des mesures satellitaires

6.4. Radiation totale diffusée à la surface de l’eau. Les techniques d’extraction de la profondeur de l’eau sont développées sous la base d’un simple modèle de réflectance de l’eau qui tient compte pour une part majeure du signal capté par le détecteur multispectral, suivant ce modèle, la radiation dans une seul bande d’une longueur d’onde peut être écrite comme suit :

 1  1   Ieλ =Gλ ρs +Gλ ρs.ω0 −1− −1Ra exp−kz(cosϑz +cosϑv )  ρs  ρs  

+Gλ(1−ρs )Ra exp−kz(cosϑz +cosϑv) (2.42)

θ I

Surface de l’eau θ z

Absorption dans l’eau Fond

Figure 2.8 : Trajet du rayonnement dans une masse d’eau. (Sathyendranath, 1981)

La radiation réfléchi par la surface de l’eau en direction du satellite passe à travers l’atmosphère d’une manière directe avec un angle de vue θv et subit des atténuations analogues à celles rencontrées dans la direction soleil- cible avant d’être captées par le satellite.

Gλ(sat ) =Ieλ.τ'λ (2.43)

Chapitre2 Modélisation des mesures satellitaires

Ieλ : rayonnement réfléchi à la surface de l’eau; τ'λ : transmittance spectral total du deuxième trajet. D’où : τ'λ =τ'rλ.τ'oλ.τ'ωλ.τ'gλ.τ'aλ (2.44) Une partie du rayonnement réfléchi est diffusé vers la terre, une partie est diffusée vers le capteur en suivant les processus de la diffusion de Rayleigh et la diffusion de Mie. Soit

τ'daλ =τ'ωλ.τ'oλ.τ'gλ.[Fcω0(1−τ'aλ )τ'rλ ] (2.47) ; τ'drλ =τ'ωλ.τ'oλ.τ'gλ.[0.5(1−τ'rλ )τ'aλ ] (2.45)

6.5. Radiation totale arrivant au satellite. La quantité d’énergie qui atteindra le capteur du satellite est la somme de celle issue du sol et celle diffusée par l’atmosphère. La radiation émise par la surface et qui atteint le capteur est :

R(sol−atm) = [I eλ (τ 'λ +τ 'daλ +τ 'drλ )]/π (2.46) I .cosϑ La radiation diffusée par l’atmosphère : R = oλ z ρ (2.47) (atm−sat ) π aλ La radiation atteignant le satellite est composée de la radiation globale spectrale réfléchie par le sol en passant de nouveau à travers l’atmosphère R(sol-atm) et une partie de la radiation diffusée par l’atmosphère terrestre R(atm-sat). (Bariou,1978; Bhargava & Mariam,1991; Bricaud ,1988)

Donc la radiation qui atteint le capteur est : Rλ =R(sol−atm)+R(atm−sat) (2.48)

Rλ =(Ieλ.τ'atm+Ioλ cosϑz ρaλ ) π (2.52) ; avec τ'atm =τ'λ+τ'drλ+τ'daλ (2.49)

Si le capteur a une réponse spectrale δλ , le signal enregistré au niveau du capteur est :

λ2 Ieλτ'atm Ioλ.cosϑz Lλ = + ρaλ δλdλ ∫( π π ) (2.50) λ1 avec : Lλ : Radiation calculée pour le canal λ. ∆λ : Bande spectrale du canal.

δλ : Sensibilité du canal.

7. Conclusion. Dans une mesure satellitaire, le signal qui est délivré par un satellite ne correspond pas exactement au flux de rayonnement qui est réfléchie ou émis par la cible visée car il subit une série d’altérations qui sont dues aux effets de l’atmosphère et à la géométrie de la visée.

Chapitre2 Modélisation des mesures satellitaires

Dans le cas de l’eau, nous avons analysé l’effet des paramètres atmosphériques sur la mesure effectuée dans chaque canal et nous avons essayé de mettre au point une méthode de correction radiométrique qui nécessite de prendre en considération les paramètres atmosphériques d’une seule image pour trouver des relations de réflectance de l’eau de mer. En effet, le quotient du rayonnement solaire qui atteint la surface dépend de la position du soleil par rapport à un observateur terrestre et de l’inclinaison de cette surface par rapport à l’horizon. Les données enregistrées par un radiomètre au sol ou à bord d’un satellite représentent une série de flux élémentaires de rayonnement provenant des différents composants de la scène observée. Nous avons développée une formulation analytique du signal satellitaire dans le spectre solaire, en utilisant la signature spectrale de l’eau et les propriétés optiques des substances dissoutes ou en suspension. Les analyses spectrales permettent de mettre au point, le modèle plus ou moins complexe qui relie des paramètres thématiques aux données de télédétection. (Abdellaoui et al.,2004; Durand, 2000; Bachari,1999).

CHAPITRE III

Simulation des mesures satellitaires

Chapitre 3 Simulation des données satellitaires

Un modèle d'interaction du spectre solaire avec le système sol- atmosphère est développé afin de calculer les différentes composantes du rayonnement solaire au sol et en haute atmosphère. (Abdellaoui, 1985(a); Bachari ,1999) Dans cette recherche, nous nous intéressons à l’application du modèle de simulation du transfert radiatif à travers l’atmosphère dans des conditions réalistes qui permettent d’évaluer l’importance des effets de l’atmosphère et des conditions de prise de vue sur les images satellitaires. L’objectif principal de cette application est donc l’analyse des mesures satellitaires, en suivant leurs variations avec les paramètres atmosphériques. La signature spectrale de l'eau est utilisée dans ce cas pour simuler les mesures des satellites destinés à l'étude des eaux marines (Gordon, 1974 ; Gordon & Clark, 1981; Becker & Rffy, 1990; Guyot & Fagu ,1992) La première partie est qu’un modèle analytique de simulation de transfert radiatif dans l’eau couplé à un modèle atmosphérique, peut simuler adéquatement le signal d’une masse d’eau à l’attitude du satellite afin d’analyser les effets des paramètres de l’atmosphère et de l’eau peu profonde. Ce modèle détermine le rayonnement diffus par une masse d’eau dans le logiciel de Simulation des données satellitaires SDDS (Bachari ,1999), sa principale fonction est le calcul de la radiance spectrale réfléchie par l’eau de mer au niveau du capteur. (Bachari al.,1997(b)) Pour déterminer les différentes radiations de l’eau reçues au niveau des satellites, les données d’entrée sont des paramètres astronomiques, géographiques et atmosphériques (Figure 3.1). Une banque des signatures spectrales est introduite, elle englobe les principaux objets au sol qui ont une réflectance dans les bandes du spectre électromagnétique. La combinaison des signatures spectrales et les différentes radiances, nous permet de calculer les radiances spectrales réfléchies par les surfaces. (Bachari et al.,1997). Les résultats de simulation dépendent du choix des paramètres d’entrées. Le logiciel permet de montrer l’influence des effets des différents paramètres et les caractéristiques des structures sur le signal qui atteint les capteurs embarqués à bord des satellites.Pour mettre en évidence l’effet d’un paramètre donné sur la mesure satellitaire, des données fixes sont attribués pour l’ensemble des variables dans le cas d’un ciel clair et pour des conditions géométriques bien définies. (Meharrar, 2001) La seconde partie est procédée à partir des images SPOT, IRS1C et LANDSAT TM et MSS, en appliquant la méthode de la matrice de covariance (méthode qui peut assurer une correction localement spécifique dans le sens où elle se rapporte aux pixels d’une région donnée de l’image) le bruit atmosphérique est estimé par le biais d’un programme ayant pour données d’entrées des images de différents canaux et en sortie les bruits atmosphériques de ces canaux.

Chapitre 3 Simulation des données satellitaires

Figure 3.1: Organigramme de la simulation des données satellites

Chapitre 3 Simulation des données satellitaires

2. Analyse de la variation de la luminance avec les conditions angulaires. La quantité physique mesurée par le système de prise de vue (capteur) est un rayonnement solaire réfléchi par le système sol-atmosphère moyenné d’une certaine façon dans la bande spectrale considérée du capteur. Elle dépend des conditions angulaires d’éclairement et de prise de vue. (Bachari et al.,1997)

2.1 Effet de l’angle zénithal solaire. L’angle zénithal intervient dans tous les éléments de calcul des différentes transmittances et radiations, il dépend de la latitude du lieu, de l’inclinaison du soleil et de l’heure.

cos(θz) = cos(δ).cos(latitude).cos(15(12-heure)) + sin(latitude)sin(δ) (3.1) L’angle zénithal détermine l’éclairement reçu par la surface de la cible et intervient dans tous les éléments de calcul des différentes transmittances et radiations. La radiation captée, pour tous les canaux, décroît si l’angle zénithal solaire tend vers une position horizontale, elle est donc maximale lorsque le soleil est au zénith (Figure 3.2). Le tableau suivant montre le contraste angulaire (zénithal-solaire) des radiances :

Tableau 3.1: Contrastes angulaires des radiances sur les canaux Spot et Landsat. Canal XS1 XS2 TM1 TM2 TM3 MSS4 Eau 0,435 0,441 0,419 0,442 0,433 0,436

Figure 3.2: L’effet de l’angle zénithal solaire sur la luminance apparente.

Chapitre 3 Simulation des données satellitaires

2.2. Effet de l’angle zénithal d’observation. L’angle zénithal d’observation détermine la longueur du trajet atmosphérique effectué par le rayonnement. Les résultats de la simulation montrent que la radiation captée devient faible si l’angle d’observation tend vers une position horizontale. La croissance de l’angle zénithal d’observation a pour conséquence une augmentation de la masse atmosphérique, donc une diminution de transmittance. Le tableau suivant montre le contraste de la luminance apparente pour différents capteurs.

Tableau 3.2: Contrastes de luminances apparentes sur les canaux SPOT et Landsat. Canal XS1 XS2 TM1 TM2 TM3 MSS4 Eau 0,892 0,216 1,293 0,691 0,131 0,893

Dans le cas de surface à signature spectrale faible comme l’eau, le bruit atmosphérique devient important devant le rayonnement réfléchi si l’angle d’observation croit vers une position horizontale. La contribution atmosphérique augmente, en conséquence la luminance au niveau du capteur augmente .La luminance atteint son maximum à un angle zénithal d’observation de

[60°,70°] puis commence à diminuer si θV diverge de 70° (Figure 3.3).

Figure 3.3 : L’effet de l’angle zénithal d’observation sur la luminance apparente.

3. L’analyse des effets atmosphériques. La composition de l’atmosphère perturbe le chemin du rayonnement électromagnétique entre la source d’une part, entre la terre et le satellite d’autre part. Les effets atmosphériques résultent l’absorption et la diffusion, exercées conjointement par les deux constituants majeurs : les gaz et les aérosols. (Abdellaoui, 1986(b))

Chapitre 3 Simulation des données satellitaires

3.1. Effet de l’humidité relative. La présence de la vapeur d'eau dans l'atmosphère dépend de la position géographique du lieu et de son altitude par rapport au sol. L’analyse des données simulées montre l’insensibilité des canaux XS1, XS2, TM1, TM2, TM3, MSS4 à l’augmentation ou la diminution de la vapeur d’eau dans l’atmosphère terrestre. Le passage d’une atmosphère sèche à une atmosphère humide entraîne une faible diminution de la mesure dans les canaux XS3 et TM4.On conclut que les constructeurs des radiomètres embarqués par les satellites SPOT et LANDSAT ont évité les fenêtres d’absorption du rayonnement par la vapeur d’eau. Le tableau suivant donne la variation entre la luminance apparente pour les deux extrêmes quantités de la vapeur d’eau. (Figure 3.4)

Tableau 3.3: Variation des luminances apparentes en fonction de l’humidité relative sur les canaux Spot et Landsat. Canal XS1 XS2 XS3 TM1 TM2 TM3 TM4 MSS4 Eau 0.000 0,005 0,099 0.000 0.000 0,018 0,086 0.000

La luminance apparente au niveau du système SPOT, LANDSAT est donc pratiquement indépendante de l’état humide de l’atmosphère parce que les bandes spectrales utilisées ne contiennent pas les fenêtres d’absorptions totales du rayonnement par la vapeur d'eau.

Figure 3.4 : L’effet de l’humidité relative sur la luminance apparente. 3.2. Effet du paramètre de diffusion Fc. La diffusion de Mie a une influence importante sur le signal mesuré au niveau du capteur, par la présence du paramètre de diffusion Fc. L’atmosphère absorbe dans le domaine de courte longueur d’onde et devient de plus en plus transparente par la suite.

Chapitre 3 Simulation des données satellitaires

L’information se dégrade dans les canaux en fonction du paramètre de diffusion Fc. (Figure3.5). Le tableau suivant montre que pour une surface à faible réflectance comme le cas de l’eau, la dégradation dans les canaux devient de plus en plus comparable, surtout pour les canaux XS1 et MSS4. Tableau 3.4: Variation des luminances apparentes en fonction de la turbidité atmosphérique sur les canaux Spot et Landsat. Canal XS1 XS2 XS3 TM1 TM2 TM3 MSS4 Eau 0,297 0,334 0,315 0,293 0,309 0,325 0,297

Figure 3.5 : L’effet de paramètre de turbidité atmosphérique Fc sur la luminance apparente.

4. Présentation de l'Outil développé sous logiciel « SDDS » Le logiciel de « Simulation des données satellitaires » SDDS (Figure 3.6) développé en langage ‘Visual Basic 4’, sa principale fonction est le calcul de la radiance spectrale réfléchie par la cible au niveau du capteur et la détermination du rayonnement diffus par une masse d’eau. Le calcul de luminance et de la réflectance de l'eau de mer a nécessité le développement de ce modèle de simulation du transfert radiatif à travers l’atmosphère dans des conditions réalistes qui permettent d’évaluer l’importance des effets de l’atmosphère et des conditions de prise de vue sur les images satellitaires. Pour déterminer la luminance et la réflectance des surfaces marines corrigées des effets atmosphériques. Les données d’entrées sont des paramètres astronomiques et atmosphériques. a. Données astronomiques : * Le jour : valeur entre 1 pour le 1er Janvier et 365 pour 31 Décembre. * Heure : heure du prélèvement. * Latitude : valeur entre 0 et 360°

Chapitre 3 Simulation des données satellitaires

* Béta0 : caractérise l’inclinaison de la surface par rapport à l’horizon, entre 0° et 90°. * Phi : L’angle Azimutal solaire entre -90° et +90°. * Z : Altitude du lieu en Km.

Figure 3.6 : Présentation du logiciel « SDDS » d’application de la simulation des données satellites. b. Données atmosphériques : * Ozone : quantité d’ozone présente dans l’atmosphère, entre 0 et 0.5. * Humidité relative : entre 0 et 1. * Température : en degré Kelvin T= T°C +273 * Visibilité : en kilomètres. * Altitude de l’ozone : caractérise la position du centre de gravité de la couche d’Ozone. * Alpha : relié à la distribution et le diamètre de la particule d’aérosol généralement, valeur entre 0.5 et 2.5. * Fc : facteur qui dépend des dimensions des particules, de leur nature et de la longueur d’onde entre 0 et 1. * Wo : dépend de la nature de la matière, des aérosols, ses dimensions et ses propriétés optiques ; il varie entre 0.7 et 1. 4.1 Analyse de l’interaction du rayonnement avec la masse d’eau. L’eau de mer, du point de vue optique, peut être définie comme un milieu absorbant trouble (Bukata et al.,1988) . Le rayonnement électromagnétique se propageant dans un tel milieu subit simultanément une absorption et une diffusion. Il apparaît que le signal mesuré par un capteur opérant au-dessus de l’eau est une association de plusieurs sources de radiance : la rétrodiffusion dans l’atmosphère, la réflexion spéculaire à la surface de l’eau et la couleur de l’eau. Nous utilisons le modèle qui permet de suivre le rayonnement solaire dans la trajectoire soleil – atmosphère – mer – profondeur – capteur et de simuler les observations des différents satellites (Spot, Landsat MSS, Landsat TM ) dans le domaine de la bathymétrie des zones côtières. (Figure 3.7)

Chapitre 3 Simulation des données satellitaires

Les données d’entrées seront fixées selon les propriétés du lieu étudié et de son état atmosphérique.

Figure 3.7: Application de SDDS, les paramètres d’entrée sont des données atmosphériques pour l’analyse d’un échantillon d’eau de mer en baie d’Alger.

 L’effet de la profondeur. Les capteurs permettent de mesurer la radiométrie c’est à dire l’intensité du rayonnement solaire réfléchi par le sol et les fonds marins à travers la couche d’eau. Cette intensité est mesurée dans le spectre visible pour des bandes de fréquence bien précises (Figure 3.8).

xs1 xs2 xs3 100

80 -2

40 Luminance m w 20

0 0 10 20 30 40 50 60 Profondeur (m)

Figure 3.8 : Variation de la radiation en fonction de la profondeur de l’eau

Sur les courbes, nous avons remarqué que plus la profondeur est grande, plus le rayonnement est absorbé et plus le niveau de radiométrie est faible. La résolution spectrale permet d’observer dans les eaux claires des objets jusqu'à des fonds de 22 à 25 m sur le canal XS1, et jusqu’à des fonds de 5 à 7m sur le canal XS2. Le canal XS3 quand à lui n’apporte aucune information bathymétrique puisque l’infrarouge est absorbé par l’eau.

Chapitre 3 Simulation des données satellitaires

 L’effet de la nature du fond et la qualité de l’eau. En général, pour différents types de fonds, la signature spectrale de l’eau varie. Le type de fond végétation ou sable n’affecte pas sur le signal mesuré au niveau du capteur. La réflectance du fond, au cour de son ascension vers la surface, subit une atténuation sélective. Tout cela a pour effet un écrasement de la réponse spectrale du fond qui rend les discriminations difficiles dés que la profondeur augmente. (Figure 3.9 et Figure 3.10). Si le fond est proche, sa réflectance est perceptible à la surface, il modifie la couleur de l’eau. S’il est à une profondeur trop importante, il reçoit une quantité de lumière trop faible et sa réflectance n’est pas assez intense pour entraîner des modifications perceptibles. On observe une atténuation beaucoup plus importante pour les eaux côtières riches en matières en suspensions d'origine organique. Dans l'eau claire l'atténuation est minimale pour la couleur bleue, alors que dans l'eau trouble elle est minimale pour les couleurs verte et jaune. (Figure 3.11)

sable 110 végétation 105

100

95 -2 90

75 Luminance m w 70

60 0 10 20 30 40 50 60 (m) Profondeur

Figure 3.9 : Variation de la radiation en fonction du type de fond de l’eau (XS1)

sable végétation

-2 80

70 Luminance m w

60 0 10 20 30 40 50 60 Profondeur (m)

Figure 3.10 : Variation de la radiation en fonction du type de fond de l’eau. (XS2).

Chapitre 3 Simulation des données satellitaires

4.2 Conversion en réflectance des données satellitaires brutes. L’étalonnage des comptes numériques en réflectance de l’ensemble terre- atmosphère est effectué selon la méthode proposée par le guide des utilisateurs SPOT. Il est obtenu par une transformation linéaire de comptes numériques en luminances : L= Cn/G (3.2) 2 Où L : est la luminance en W/m /sr Cn : le compte numérique G : le gain d’étalonnage absolu du capteur. Les différents récepteurs photographiques ou non, aéroportés ou satellitaire ne peuvent fournir que des valeurs de flux réfléchis par les objets de la surface terrestre, et non des valeurs de réflectance (Girard & Girard,1999). Chaque pixel d’une image représente un compte numérique entre 0 et 255 qui se traduit en une couleur à l’aide d’une distribution présélectionnée modifiable en traitement d’image (Ferrari & Tassan,1992). Toutes les interprétations des comportements spectraux des sols et des végétaux s’appuient sur les travaux de réflectance. Il est donc nécessaire de pouvoir transformer des valeurs de luminance en valeur de réflectance (Gordon & Morel,1983)

Figure 3.11 (a,b) : Evolution du coefficient d'atténuation en fonction de la longueur d'onde et de l'énergie relative pour une eau claire et pour une eau trouble riche en matières organiques.

5. Signature spectrale de l’eau de mer. Si la surface est composée totalement d’eau, les comptes numériques diminuent d’un canal à un autre quelque soit l’état de l’atmosphère pour les différents satellites. Si le sol est totalement sableux les comptes numériques augmentent timidement pour tous les canaux. L'eau absorbe davantage les grandes longueurs d'onde du rayonnement visible et du proche infrarouge.

Chapitre 3 Simulation des données satellitaires

Ainsi, l'eau paraît généralement bleue ou bleu-vert car elle réfléchit davantage les petites longueurs d'onde, elle paraît encore plus foncée si elle est observée sous les longueurs d'onde du rouge ou du proche infrarouge. Lorsque les couches supérieures de l'eau contiennent des sédiments en suspension, la transmission diminue, la réflexion augmente et l'eau paraît plus brillante. La couleur de l'eau se déplacera légèrement vers les plus grandes longueurs d'onde. Nous confondons parfois l'eau qui contient des sédiments en suspension avec l'eau peu profonde et claire, car ces deux phénomènes paraissent très semblables.

Figure 3.12 : Application de la luminance de l'eau de mer par simulation. La chlorophylle dans les algues absorbe plus de bleu et réfléchit plus de vert. L'eau paraît donc plus verte quand elle contient des algues. L'état de la surface de l'eau (rugueuse, lisse, vagues, débris flottants, etc.) peut aussi susciter des problèmes dans l'interprétation à cause de la réflexion spéculaire et des autres influences sur la couleur et la brillance. (Barnard et al.,1997; Bhargava & Mariam ,1990; Bricaud et al.,1998)

Figure 3.13 : Simulation de la radiation réfléchie par l’eau de mer sur le spectre électromagnétique.

Chapitre 3 Simulation des données satellitaires

La réflectance marine est largement déterminée par les propriétés optiques inhérentes de l’eau. Variant avec la longueur d’onde, la réflectance de l’eau est le résultat des absorptions et diffusions par l’eau pure, les pigments chlorophylliens et les particules associées, les particules en suspension et les substances organiques dissoutes. La chlorophylle étant fortement absorbante dans le bleu, les eaux riches en pigments chlorophylliens apparaissent relativement vertes. A partir de ces propriétés, nous distinguons les signatures spectrales de l’eau de mer variables en fonction de la concentration en chlorophylle. (Djagoua et al.,2004; Doerffer,1990)

o Nous remarquons que dans le cas de l’eau pure, le signal enregistré diminue du canal XS2 par rapport au canal XS1 puis diminue rapidement d’une manière spectaculaire dans le troisième canal du satellite SPOT.

o Pour le cas de l’eau de mer, le signal enregistré augmente légèrement à partir du canal XS1, il devient plus important sur le canal XS2 pour une eau de mer chargée où l’absorption est plus importante dans le bleu.

La réflectance enregistre une très forte valeur pour le vert et le proche infrarouge où elle devient plus importante en augmentant avec la longueur d’onde. Cela nous incite à réaliser une analyse multispectrale dans le domaine du visible afin de classer les eaux selon leurs charges et leurs degrés de pureté. Les canaux XS1, XS2, TM1, TM2 et MSS4 sont cependant les plus adaptés pour l’étude de la qualité des eaux de mer et les plus utilisés pour la mise en valeur de la pollution des zones côtières par rapport aux autres canaux des satellites.

6. Simulation des données satellites SPOT XS et Landsat. Pour un canal Spot le compte numérique est donné par la formule suivante: (Curran& Novo,1988) :

CNXS1 = 0.536 . LXS1 (3.3)

CNXS2 = 0.388 . LXS2 (3.4)

CNXS3 = 0.589 . LXS3 (3.5) Cn ⋅π π ⋅ L La réflectance, est obtenue par : ρ = = (3.6) G ⋅ cos(ϑZ ) ⋅ Es cos(ϑZ ) ⋅ Es

Chapitre 3 Simulation des données satellitaires où Es : l’éclairement solaire équivalent correspondant à la bande spectrale considérée θs : L’angle zénithal solaire (Curran & Novo,1988) La variation de la réflectance en fonction des comptes numériques des canaux HRV SPOT donne les droites d’ajustements linéaires suivantes : (Figure 3.14)

XS1 XS2 XS3 1 ,4

1 ,2

1 ,0

0 ,8

0 ,6

0 ,4 Réflectance 0 ,2

0 ,0 0 50 100 150 200 250 300 Com pte numérique

Figure 3.14 : Relation linéaire d’étalonnage en réflectance dans les canaux satellites XS SPOT.

 Application aux données Landsat TM &MSS. En connaissant les valeurs des luminances minimales et maximales calculées pour un canal donné et pour chaque type de capteur (données fournies par le constructeur) les données sont exprimées en milliwatts par centimètre carré par stéradian par micromètre, pour un canal

LMax − LMIN Landsat donné : Lλ = . CN + L (3.7) 255 MIN

LMAX est la luminance minimum nécessaire pour saturer la réponse du détecteur (CN = 255) et

LMin la luminance pou laquelle CN = 0 dans la bande spectrale considérée, pour le cas du satellite Landsat 5 TM. (Faid,1990; Benabadji et al.,1995) La relation entre le comte numérique d’un pixel CN et la luminance est aussi linéaire, nous pouvons écrire la relation précédente sous la forme : Lλ = a1 . CN + a 0 (3.8) a0 et a1 sont appelés coefficients de calibration, ils sont donnés dans le tableau suivant : Pour pouvoir transformer des valeurs de luminance en valeurs de réflectances, nous pouvons estimer que dans un canal donné les variations entre les valeurs de luminance pour des objets différents au niveau du sol. La transformation se base sur les différences observées sur les

Chapitre 3 Simulation des données satellitaires réflectances d’au moins deux surfaces identifiées sur l’image (Baban & Serwan,1993), nous avons porté notre choix sur les trois surfaces suivantes : 1. Une zone de l’eau de la mer de 1000 pixels. 2. Une zone qui représente une végétation dense. 3. Une zone qui représente un sol sableux. A fin de nous permettre de trouver une relation linaire entre le compte numérique d’un pixel et ça luminance apparente au niveau du capteur, et pour tenir compte des écarts entre les résultats simulés et les résultats réels. Nous avons calculé par simulation les valeurs radiométriques des surfaces choisies. (Bachari et al.,1997)

Tableau 3.5: Relations de conversion en comptes numériques et en réflectances (application eau de mer) Canaux Comptes numériques Réflectance XS1 CN = 1,23 L + 0,22 Réf = 3,0604.10-3 CN – 0,3418 XS2 CN = 1,24 L – 0,08 Réf = 3,2166.10-3 CN – 0,2676 XS3 CN = 1,32 L – 0,59 Réf = 4,7972.10-3 CN – 0,2136 TM1 CN = 1,6611 L + 2,4917 Réf = 2,3320.10-3 CN – 0, 3904 TM2 CN = 0,8547 L + 2,3932 Réf = 4,3850.10-3 CN – 0, 3307 TM3 CN = 1,2407 L + 1,4888 Réf = 3,4250.10-3 CN – 0, 2654 TM4 CN = 1,227 L + 1,8405 Réf = 4,1144.10-4 CN – 0, 2801 TM5 CN = 95,525 L + 3,4234 Réf = 5,0293.10-3 CN – 0, 2285 TM7 CN = 177,55 L – 21,9809 Réf = 4,9826.10-4 CN – 9, 5667 MSS4 CN = 4,792 L – 1,437 Réf = 8,0244.10-4 CN – 0,3496 MSS5 CN = 7,216 L – 2,164 Réf = 3,6758.10-4 CN – 0,2717 MSS6 CN = 8,881 L – 4,4405 Réf = 3,9660.10-4 CN – 0,2436 MSS7 CN = 10,583 L – 3,175 Réf = 4,5686.10-4 CN – 0,2246

♦Application au satellite Landsat MSS. La grandeur réflectance contient toutes les informations sur les propriétés optiques de la scène terrestre observée .Les paramètres b et bo dépendent des conditions atmosphériques et astronomiques. Les résultats de conversion donnent les coefficients de calibration des canaux dans le tableau (3.6) :

Tableau 3.6 : Comptes numériques et luminances calculées sur des canaux XS SPOT. XS1 XS2 XS3 Surface L (w.m-2) CN L (w.m-2) CN L (w.m-2) CN Eau 37,953 52 28,23 33 12,94 11 Sable 60,85 81 62,97 78 60,82 71 Végétation 58.898 63 42.934 55 108.301 154

Chapitre 3 Simulation des données satellitaires

Tableau 3.7: Coefficients de calibration pour les différents canaux de Landsat MSS.

Canal b bo MSS4 8 ,0244.10-4 -0.3496 MSS5 3 ,6758.10-4 -0.2717 MSS6 3.9660.10-4 -0.2436 MSS7 4,5689.10-4 -0.2246

7. Estimation du bruit atmosphérique et correction radiométrique. Le simple étalonnage des données d’un capteur, en luminances (valeurs absolues mesurées en Wm-2 Sr-1 µm-1) ou en réflectances (valeurs relatives), ne fournit donc pas une information sur la surface mais un signal composite. L’objet des corrections atmosphériques est d’extraire de ce signal une information indépendante des effets de l’atmosphère et des variables dans le temps et l’espace. Ce bruit atmosphérique est l’information inutile pour la télédétection, il peut être calculé et retranché à partir des données satellitaires.

Nous avons pris une zone de test assez homogène pour laquelle la réflectance de la surface (eau) est relativement constante pour tous les pixels de même bande spectrale. D’après le modèle, il suffit de supposer que le bruit atmosphérique H est nul pour en déduire le facteur de forme C puis calculer H pour chaque canal. Par simulation, on a obtenu le rayonnement mesuré (L) pour un pixel donné de bande spectrale bien déterminée. En comparant avec la formule du modèle de la méthode de la matrice de covariance, on peut avoir le facteur de forme C qui est égal :

1   1   (3.8) ⋅ 1 − ω0 1 −  ⋅ (1 − Ra ⋅ exp(− k ⋅ Z ⋅ (cos(ϑZ ) + cos(ϑV )))) π   ρs   d’où on obtient la moyenne de C pour calculer les différents Hj. 7.1. Application des corrections d’images aux satellites SPOT et TM &MSS Landsat. Pour corriger les images satellites des effets atmosphériques, nous procédons aux étapes suivantes :

♦ Conversion Radiométrique (Lλ - CN) ♦ Conversion en compte numérique. (CN)

Chapitre 3 Simulation des données satellitaires

♦ Conversion en Réflectance au niveau du sol (correction radiométrique CN - ρ) Pour les mêmes conditions de simulation citées auparavant, les constantes a et b sont calculées en utilisant les signatures spectrales de l’eau pour les données HRV SPOT, les résultats figurent sur le tableau suivant :

Tableau 3.7: Coefficients de correction radiométrique sur les canaux XS Spot. Canal XS1 XS 2 XS 3 a 0. 0024 0,0025 0,0031 b − 0,0500 −0,0433 −0,0217 La correction des images brutes utilisées nécessite l’application des étapes suivantes : La même méthode a été directement appliquée sur les comptes numériques des enregistrements et SPOT 1986 et Landsat TM 1993. Le passage de l’image initiale à l’image corrigée peut être obtenu en transformant les valeurs de réflectance en compte numérique sachant que pour une surface homogène la réflectance moyenne est donnée par : Luminance globale ρ = (3.9) Eclairement global

Signature Spectrale

Image Brute Luminance

Réflectance au niveau de la mer CN

Relation Réflectance - CN Image corrigée

Figure 3.15 : Etapes de correction des images satellites des effets atmosphériques.

Une fois que nous avons la valeur de la luminance globale, nous utilisons les équations de transformation des luminances apparentes en comptes numériques pour calculer les comptes

Chapitre 3 Simulation des données satellitaires numériques des images corrigées. Dans le cas des enregistrements utilisés, l’éclairement global d’une surface est calculé par simulation dans les conditions des images utilisées. A partir de ça, le passage des comptes numériques des images brutes aux images corrigées peut être reformulé comme suit :

1  ρ  =  −  CN Cor  * Eclairement global a 0  (3.10) a1  π  Dans les conditions atmosphériques correspondants aux enregistrements utilisés, l’éclairement global d’une surface, pour les données Spot et Landsat sera : (Tableau 3.8)

Tableau 3.8 : Eclairement global d’une surface calculé par simulation sur les canaux SPOT. Canal XS1 XS2 XS3 TM1 TM2 TM3 Eclairement 529.3 503.2 328.9 328.9 328.9 328.9 w. m - 2 Sr - 1 Dans les mêmes conditions de prise d’image, nous avons simulé la luminance observée sur les canaux satellites. A partir des surfaces choisies, nous avons déterminé les relations entre les luminances apparentes simulées et les comptes numériques correspondants sur les images traitées. Pour les trois canaux du capteur HRV, on donne les relations de conversion radiométrique. La correction des comptes numériques donne les conversions suivantes :

CNXS1=1.23 LXS1 + 0.22 (3.11)

CNXS2= 1.24 LXS2 -0.08 (3.12)

CNXS3 =1.32 LXS3 -0.59 (3.13)

La réflectance moyenne ρ qui est relié avec la luminance par la relation :

ρ = a CN + b (3.14)

Chapitre 3 Simulation des données satellitaires

Figure 3.16 : Paramètres de conversion Luminance- Compte numérique - Réflectance sur le canal XS1 du satellite SPOT HRV. Dans ce cas le terme ρ contient toutes les informations sur les propriétés optiques et la structure de la scène terrestre observée. Les paramètres a et b dépendent des conditions atmosphériques et astronomiques (Figure 3.16). Des résultats précis peuvent être obtenus en utilisant un grand nombre possible de signatures spectrales.

7.2 Qualité des corrections radiométriques. D’après le critère de M.Rouquet, on peut estimer la qualité de la correction en comparant les propriétés des images brutes et corrigées. (Prieur & Morel,1975) Pour une image donnée, l’effet atmosphérique est minimum si le contraste et le rapport de l’écart type à la moyenne sont maximum, ce critère quantitatif est d‘ailleurs appliqué systématiquement pour la sélection de donnée de bonne qualité.

0.7 Relation Compte numérique - Reflectance au niveau du sol

0.6

0.5

0.4

0.3 TETAV0

Reflectance TETAV30 0.2 TETAV60

0.1

0.0 0 50 100 150 200 250 Compte numérique

100

Chapitre 3 Simulation des données satellitaires

Figure 3.17 : Relation Compte numérique- réflectance au niveau du sol.

Il constitue en même temps une méthode de correction atmosphérique primaire qui tend à minimiser les effets atmosphériques. Les propriétés des images brutes et corrigées sont regroupées au tableau suivant : (Bachari,1999) Tableau 3.9 : Statistiques des corrections radiométriques des comptes numériques des canaux SPOT HRV.

Image CNmin CNmax CNmax- CNmin Ecart-type (σ) Moyenne (m) V=(σ/m)*100 XS1 Brute 38 254 216 18,23 65,10 28 XS1 Corrigée 29 255 226 24,99 38,76 64 XS2 Brute 25 235 210 21,04 55,26 38 XS2 Corrigée 11 255 244 32,80 58,58 56 XS3 Brute 17 213 206 26,40 57,85 46 XS3 Corrigée 14 255 241 37,28 67,39 55 Par une simple analyse comparative des résultats exprimés au tableau 3;9, nous remarquons que le critère employé est justifié pour les images corrigées. L’application des corrections atmosphériques est bien montrée dans le graphe déterminant la relation linéaire d’étalonnage reliant la réflectance et le compte numérique pour les deux canaux de Spot XS1 et XS2 pour les images corrigées et les images non corrigées (Figure 3.18).

1 ,4 xs1nc xs1cor 1 ,2 xs2nc xs2cor 1 ,0

0 ,8

0 ,6

0 ,4

Réflectance 0 ,2

0 ,0 0 50 100 150 200 250 300 Com pte Num érique Figure 3.18 : Relation linéaire d’étalonnage en réflectance, avant et après correction atmosphérique.

Cette méthode simple de correction revient à substituer à la relation linéaire d’étalonnage une autre relation linéaire appliquée aux deux images SPOT, cette nouvelle relation d’étalonnage aboutit à corriger les réflectances mesurées.

101

Chapitre 3 Simulation des données satellitaires

7.3 Application sur les images satellites. Nous présentons des images XS Spot et TM brutes d’Oran puis corrigées par la méthode proposée. Les images corrigées sont nettement claires et présentent moins de bruit atmosphérique. L’application de la correction des images est très bien distinguée sur les différents domaines du spectre électromagnétique, les bandes XS1, XS2 et XS3 du satellite SPOT donnent des valeurs de radiances corrigées à un écart type important par rapport aux radiances corrigées sur les images Landsat de la même région. (Figure 3.19 et Figure 3.20)

8. Conclusion. La simulation est un moyen efficace pour comprendre un phénomène complexe comme la mesure d’un rayonnement par un radiomètre embarqué par un satellite. Ce travail avait pour objectif, le développement d’un modèle physique interprété par programme. L’analyse des mesures simulées a permis de comprendre le comportement de la mesure satellitaire selon l’état de l’atmosphère, la nature des sols, les angles d’observation et les propriétés optiques des capteurs du système SPOT et LANDSAT TM & MSS. (Abdellaoui et al.,2007)

Figure 3.19 : Image XS1 brute de la baie d’Oran . Figure 3.20 : Image XS1 corrigée de la baie d’Oran.

Les remarques les plus importantes qui résultent de cette étude sont:  Les mesures simulées dans tous les canaux de SPOT et TM sont insensibles à la variation de la quantité et dépendent largement de la contenance d'aérosols dans l’atmosphère. Ce résultat est important, dans le sens où il montre qu’il est possible de suivre la pollution en utilisant les images SPOT et LANDSAT TM même dans les régions côtières ;

102

Chapitre 3 Simulation des données satellitaires

 L’angle zénithal et la topographie des sols jouent les rôles les plus importants dans la mesure satellitaire, ce résultat montre qu’il est indispensable de faire une étude préliminaire sur la zone d’étude pour le choix d’images ;  L'étude de variation des données simulées avec la signature spectrale, montre que le satellite TM offre plus de combinaisons pour la cartographie ;  L’augmentation de la turbidité se traduit par une dégradation remarquable de la mesure satellitaire pour tous les canaux.

Cette étude nous a permis de constater que la mesure satellitaire est une mesure physique complexe, délicate, géométrique et radiative. Pour toute application qui nécessite des images satellitaires multispectrales une étude préalable sur la zone d’étude du point de vu conditions et disponibilité des données météorologiques est nécessaire afin de définir l’objectif à atteindre dans les meilleures conditions. Plus finement, l’étude des variations spatiales de réflectance du plan d’eau permet de renseigner sur la profondeur d’eau .En effet, le signal radiométrique résulte d’une intégration depuis la surface jusqu’à une certaine profondeur d’eau déterminée par la seule limite de pénétration de la lumière. Les capteurs permettent dans ce cas de mesurer la luminance réfléchie par le sol et les fonds marins à travers une couche d’eau. Cette intensité est mesurée dans le spectre visible pour des bandes de fréquence bien précise. (Houma, 2005(b))

103

CHAPITRE IV

Modélisation de base de données et PollutionGIS

104

Chapitre 4 Modélisation de base de données & PollutionGIS

A l'interface entre l'océan, la terre et l'atmosphère, les systèmes littoraux sont généralement complexes. Leur fonctionnement repose sur divers paramètres environnementaux et anthropiques intervenant à des échelles spatio-temporelles variées (Holligan, 1994). Dans ces conditions, la compréhension des processus s’appuie sur une modélisation de la réalité qui peut se concevoir à trois échelles dans une optique de gestion intégrée des zones côtières (Cuq, 2000; Combeau, 2004).

L'utilisation de techniques de recueil de données de plus en plus automatisées - sondeur multifaisceaux, stations de mesures de paramètres physico-chimiques, télédétection, etc. - associée aux potentialités de la modélisation numérique accroissent considérablement le volume de données disponibles en milieu marin et particulièrement sur le littoral. Néanmoins, elles restent très hétérogènes tant par leur forme que par leur contenu (Cicin-Sain & Knecht, 1998; Sherin et al., 2000). En effet, comparativement aux systèmes terrestres, les systèmes marins restent difficiles à étudier, notamment en raison de leur caractère dynamique qui implique d'importantes contraintes techniques. (Boulahdid et al.,2006; Salomon, 2003; BenFdhila,2004)

Dans le cadre de cet enjeu stratégique, les SIG constituent un élément clé, en particulier grâce aux potentialités qu’ils offrent pour l'intégration de données spatialisées de source, d'échelle et de nature varies (Abdellaoui, 2009). Leur champ d’application s’étend aux systèmes de gestion, de cartographie, de modélisation et d’aide à la décision. (Abdellaoui et al., 2005). Leur utilisation est devenue courante pour la gestion des zones côtières et marines: aménagement, gestion du patrimoine environnemental, érosion côtière, lutte antipollution, navigation maritime, gestion portuaire, etc. … (Wright & Bartlett, 1999; Populus & Loubersac, 2000). L’intégration de données océanographiques dans les systèmes d’information géographique (SIG) est problématique, les modèles établis entre les données océanographiques et les SIG dans de nombreuses applications au domaine marin ont été décrits par de nombreux chercheurs (Davis & Davis, 1988; Li & Saxena,1993; Lockwood & Li, 1995). Le problème provient du fait que le suivi et la surveillance des éléments retrouvés en mer sont totalement différents dans le cas des éléments « terrestres » (Gohin & Oger-Jeanneret, 2006).Pour remédier à la situation, nous proposons un nouveau outil spatial qui permet de gérer efficacement les bases de données océanographiques et les relations spatiales qui existent entre les élements. (Bachari et al.,2008(b))

Dubois (2000), signale aussi que la publication des travaux introduisant la géostatistique dans les sciences environnementales faisant appel aux systèmes d’informations géographiques, a permis à cette discipline de se propager dans pratiquement toutes les branches scientifiques.

105

Chapitre 4 Modélisation de base de données & PollutionGIS

Selon Mitas et Mitasova (1999), les méthodes d’interpolation ont été intégrées à des applications SIG pour soutenir la transformation entre les représentations discrètes et continues, spatiales et temporelles, typiquement pour transformer des points ou des lignes en une représentation Raster. Cet outil permet en fait la description des variations spatio-temporelles caractérisant les variables en valorisant ainsi l’information collectée à travers une restitution cartographique mettant en évidence les hétérogénéités spatiales, les variations saisonnières et interannuelles des répartitions de phénomènes (Ferrandis et al., 2000).

Dans ce contexte, le développement des systèmes d’information dans le but d’effectuer une analyse spatiale nécessite la spécification des objectifs à atteindre et la modélisation du domaine d’étude. Il est donc indispensable de parvenir à des approches au niveau de l'acquisition des données et à celui de leur archivage pour aboutir à des bases d’information géographique cohérentes. La réflexion sémantique (concernant le choix des couches thématiques et de leurs attributs, des typologies, de la qualité des données) et technique (choix des outils, structuration des bases de données) initiée au cours de ce travail fait appel aux Systèmes de gestion des Bases de données (Laurini & Thompson, 1992). Cela nous oblige à se baser sur une représentation de la réalité à étudiée. Le recours à la modélisation est depuis longtemps une pratique indispensable au développement de logiciel. (Ledoux & Gold, 2006) Dans ce chapitre, nous présentons la méthodologie appliquée pour le développement d'un outil de gestion des Bases de données basé sur la réalisation d’un Système d’Information Marin (SIM) qui peut permettre aux différents acteurs (océanographes et décideurs) l’acquisition de données marines. Le premier pôle de ce système est l'outil POLGIS (pollution GIS) développé dans de travail dans le but d'étudier la pollution marine des zones côtières. L'objectif est de permettre à l'utilisateur d'intégrer des bases de données sécurisées et illimitées dans le temps et dans l'espace grâce au programme ORACLE utilisé. PolGIS permet aussi de simplifier la démarche d'analyse des données et en particulier l'introduction des opérations de programmation pour la modélisation des paramètres océaniques destinés au contrôle, la gestion et la surveillance de la qualité des eaux marines. (Abdat & Mahdaoui, 2007) Le travail a fait appel aux principes du Data Mining Spatial et ses concepts dont nous donnons un bref aperçu en annexe. Les choix techniques retenus pour notre projet sont: • Utilisation de JAVA comme langage de programmation. • Utilisation de Net Beans comme environnement de développement. • Construction de la base de données sous ORACLE.

106

Chapitre 4 Modélisation de base de données & PollutionGIS

• Utilisation de SQL comme langage d’interrogation de données. • Utilisation du logiciel SIG MapInfo version 8.5.

1. Méthodologie du développement de PolGIS. Avec le développement de la cartographie numérique, le volume des bases de données spatiales ne cesse d’augmenter. Les données spatiales sont de plus en plus utilisées dans des applications décisionnelles. Seulement, la nature et le volume de données de base dépassent les capacités humaines d’analyse. Le Data Mining est reconnu comme un moyen très efficace d’analyse avancée de données, permettant d’extraire des connaissances cachées depuis des grandes masses de données. (Combeau, 2004) Étant donné le volume croissant des données spatiales, le Data Mining spatial permet d’extraire des propriétés spatiales cachées dans ces données et présente donc un intérêt certain pour les applications spatiales décisionnelles. Le Data Mining spatial (DMS) vise à intégrer le caractère spatial des données et l’interaction avec l’environnement géographique, il est donc à caractère spatial. Cette méthode consiste à effectuer des modifications au niveau des algorithmes classiques afin que ces derniers puissent accepter plusieurs tables de données en entrée, au lieu d’une seule table, dans le but d’assurer une analyse multi-relationnelle. (Bachari et al.,2008(b)) La figure 4.1 présente la méthodologie choisie dans cette thèse dans le but de la gestion de la base de données marine et la modélisation à partir des relations spatiales et temporelles.

Évaluation du modèle Modélisation

Données Data Mining Pertinentes Sélection Entrepôt de données Préparation de données Bases de Intégration de données données

Figure 4.1 : Processus et méthodologie de manipulation et gestion des données.

107

Chapitre 4 Modélisation de base de données & PollutionGIS

1.1 L’analyse spatiale. Par opposition aux données classiques, les données spatiales sont interdépendantes. Cette caractéristique résulte du fait que ces dernières décrivent des phénomènes qui sont en forte interaction dans l’espace.

Lors du Data Mining spatial, l’analyse spatiale est caractérisée par la prise en compte des relations spatiales entre objets, les méthodes classiques du Data Mining présentent une insuffisance pour ce type d’analyse. Les relations spatiales sont essentiellement extraites dans le but d’être exploitées lors de l’analyse spatiale ou utilisées dans les requêtes. Ces relations mettent en évidence l’influence du voisinage qui peut être classée en deux types : intra-thèmes comme l’auto corrélation spatiale des mesures des phénomènes géographiques (exemple : les températures de l’eau entre deux zones maritimes proches ont des valeurs proches), et inter-thèmes tel que l’impact de la pollution marine sur la localisation des espèces animales et végétales (Zeitouni, 2006).

1.2 Principe de développement. Notre projet consiste à concevoir et à implémenter une base de données marine, comportant un module d’analyse de données locales ou globales à différents caractères numériques ou topographiques pour la caractérisation et le suivi de la pollution marine. (Loic et al., 2006) Cependant, des bases de données marines issues des campagnes océanographiques et des études que nous avons effectuées et comportant une variété de mesures sont intégrées dans ce système.  Partie cartographie Une carte est caractérisée par un identifiant, un nom, une échelle, etc et couvre une région donnée. La carte peut être décomposée en carte administrative, carte maritime ou carte topographique. Les photos et les images satellitaires sont caractérisées par un spectre et une résolution. On distingue deux types de photos, aérienne et terrestre. (Gohin & Oger-Jeanneret,2006) Les cartes, les photos ou les images satellitaires peuvent être prises soit par les équipes de recherche lors des sorties sur terrain ou bien copiées à partir de source documentaire fiable. Les cartes, les photos ou les images satellitaires peuvent être divisées selon leur couverture (exemple : carte état, carte wilaya, carte régionale).  Partie données Pour l’étude de la pollution marine, on utilise des données locales et des données régionales rattachées à une région précise. Les données locales sont de trois types : physiques, chimiques et biologiques.

108

Chapitre 4 Modélisation de base de données & PollutionGIS

Pour une région donnée, on lui attribue des données météorologiques et des données météorologiques marines telles que la turbidité, la température de l’eau, etc.  Partie pollution La pollution peut être de type : urbain, industriel et agricole et peut être causée par des sources humaines, chimiques, physiques ou biologiques. Chaque unité polluante est identifiée par un numéro et une localisation géographique (Latitude, Longitude) et est rattachée à une commune donnée. (Houma, 2007)  Organisation des sorties Lors des sorties sur terrains les équipes de chercheurs effectuent dans chaque station plusieurs mesures. À une date et à une heure donnée, et pour chaque paramètre, une seule mesure peut être prise. Une station est caractérisée par ses coordonnées géographiques (Latitude, Longitude). Dans une station donnée, plusieurs mesures de paramètres peuvent être prises par un ou plusieurs matériels de prise de mesure. Les mesures locales peuvent se faire sur un bateau ou bien être calculées dans un laboratoire.  Partie analyse Une règle d’association est caractérisée par un support et une confiance, la co-localisation quand à elle, est caractérisée par un ratio. L’utilisateur peut effectuer des analyses plusieurs fois dans la même journée. Les règles d’association peuvent être validées par un expert du domaine de la pollution marine. Ci-dessous la description préliminaire des cas d’utilisation énumérés précédemment : Gérer les données  Intention : organiser les données.  Action : ajouter, rechercher, modifier, supprimer ou afficher des données. Gérer les cartes, les photos et les images satellitaires  Intention : gérer les cartes, les photos et les images satellitaires.  Action : ajouter, supprimer, rechercher ou afficher des cartes. Construire les règles d’association  Intention : visualiser les règles d’association.  Action : préparer les données, construire l’ensemble des élements fréquents, extraire les règles et les visualiser. Valider les règles d’association  Intention : valider les règles d’association.  Action : effectuer des recherches, comparer le résultat avec des cas similaires.

109

Chapitre 4 Modélisation de base de données & PollutionGIS

Ce cas d’utilisation est rajouté car les règles d’association extraites vont être utilisées dans un but décisionnel. Comme la pollution marine est un domaine assez sensible, il est important d’avoir une forte précession, d’où la nécessite de valider les règles d’association par un expert. Construire la co-localisation  Intention : visualiser des objets co-localisés sur une carte.  Action : préparer les données, calculer la distance entre les objets géographiques, générer la table d’instance, visualiser les cartes de co-localisation. Visualiser l’analyse  Intention : visualiser les règles d’association construites auparavant.  Action : rechercher et récupérer l’analyse. Gérer les profils  Intention : créer les différents profils des utilisateurs du système.  Action : créer, modifier ou supprimer un profil.

. La gestion des cartes, des photos et des images satellitaires. (Figure 4.2) Titre : Gérer les cartes, les photos et les images satellitaires But : insertion, manipulation et restitution des cartes, photos ou images satellitaires. Résumé : ajouter, visualiser, rechercher ou supprimer une carte, photo ou une image satellitaire. Acteurs : le décideur, l‘administrateur.

. La gestion des données. (Figure 4.3) Titre : Gérer les données But : gérer les paramètres, les mesures, les stations, etc. Résumé : ajouter, modifier, rechercher, visualiser et éventuellement supprimer une donnée existante. Acteurs : le décideur, l‘administrateur.

2. Diagramme de classes participantes du cas d’utilisation : Gérer les cartes, les photos et les images satellitaires D’après la description initiale des besoins, et la description textuelle des cas d’utilisation on identifie les classes et associations : (Figure 4.4)

110

Chapitre 4 Modélisation de base de données & PollutionGIS

 Analyse L’analyse consiste à étudier précisément la spécification fonctionnelle de manière à obtenir une idée de ce que va réaliser le système en terme de métier. Cette étape commence par découper le système en catégorie, le modèle statique et dynamique sont définis afin de constituer diagramme de classe complet du système.  Découpage en catégorie Cette phase marque le démarrage de l’analyse objet du système à réaliser. Elle utilise la notion de package pour définir des catégories de classes d’analyse et découper le modèle UML en blocs logiques, les plus indépendants possibles. Une catégorie consiste en un regroupement logique de classes à forte cohérence interne et faible couplage externe (Roques et al., 2004). Les catégories les plus importantes de notre système sont : Catégorie « Données » : modélise les paramètres et leurs différentes mesures ainsi que le matériel utilisé pour prendre les mesures. Catégorie « Source d’information » : contient les différentes sources de données externes. Catégorie « Cartographie » : cette catégorie s’occupe de tout ce qui est en relation avec les cartes, les photos et les images satellitaires. Catégorie « Pollution » : met l’accent sur la modélisation de la pollution à savoir les différents polluant et les différentes sources de pollution. Catégorie « Localisation » : définit les classes Région, Station, Pays, Zone et Commune. Catégorie « Personnel » : définit les classes Personne, Equipe et Profil. Catégorie « Analyse » : regroupe l’ensemble des règles d’association extraites.

S ystè m e

Visualiser une carte

Administrateur <> <>

Rechercher une carte <>

<> Gérer les cartes, les donnés et les images satellitaires

Décideur

<> Supprimer une carte

Insérer une carte

Figure 4.2 : Diagramme de cas d’utilisation « Gérer les cartes, les photos et les images satellitaires ».

111

Chapitre 4 Modélisation de base de données & PollutionGIS

1..1 Commune Station Paramétre - Nom : String - Nom_s : String - Lat : Double - Nom_d : String - Lat : Double - Lon : Double - Lon : Double 0..* - Altitude : Float 1..1 1..* 1..1 2..*

1..1 Par_loc Region Par_reg - Seuil_min : Float - Nom_reg : String - Seuil_max : Float - lat : Double - lon : Double

Mesure_reg 1..* - Valeur : Float - Unite : String Par_bio Par_phys Par_chi Zone 0..* - Nom_zone : String Mesure_loc - Lat : Double - Valeur : Float - Lon : Double - Unite : String - Type_ech : String 1..* Par_met Par_met_m 1..* 0..* 0..* Par_bact Par_zoo Par_phyto 1..1 Pays - Nom_pays : String - Idf_zone : String 1..1 - Lat : Double - Lon : Double Polluant Date_heure - Nom_poll : String - Date : Date - Type_poll : String - Heure : String 1..*

Materiel 1..* - Nom : String - Type_mat : String - Precision : String - Nom_fab : String - Date_acquis : Date

Mesure_bat Mesure_lab - Nom_bat : String - Nom-lab : String - Fond : Float - Localli : String

0..1 1..* Equipe Source_poll - Nom_e : String - Nom_src : String - Nb_pers : int 0..1 - Nom_resp : String Source - Titre : String 0..1 0..1 - Année : Integer - Auteur : String 0..* * - Edition : String 0..* Oueds_egouts - Occasion : String Bateau_poll Personne - Organisme : String Unité_poll - Degre_danger : String - Type_bat : String - Nom : String - Type : String - Categorie : String - Proprio : String - Prenom : String - Lat : Float - Blacklisted : Boolean - Grade : String - Long : Float - Domaine : String - Degre_danger : String - Date_naiss : Date - Lieu_naiss : String - Numéro de rue : int - Rue : String - Ville : String

Figure 4.3 : Diagramme de classes participantes et Description textuelle « Gérer les données». ( Bachari & Houma,2008(a))

112

Chapitre 4 Modélisation de base de données & PollutionGIS

Cartographie - Nom : String - Chemin : String

Carto-pays Carto_reg Carto_wil Carto_com - Nom-etat : String - Nom-reg : String - Nom_wil : String - Nom_com : String

Photo Image_sat Carte - Spectre : String - Spectre : String - Echelle : String - Resolut : Integer - Resollut : Integer

1..*

Carte_mar Carte_topo Carte_adm 1..1

Sat - Nom_sat : String - Type_sat : String - Alltitude : Float - Resol_spec : Float - Resol_optic : Float Photo_ter Photo_aer - Altitude : Float

Figure 4.4 : Diagramme de classes participantes du cas d’utilisation « Gérer les cartes, les photos et les images satellitaires». (Bachari & Houma,2008(a))

3. Identification des scénarios Un scénario est un chemin particulier pris lors de l’exécution d’un cas d’utilisation. (Bachari & Houma., 2008(a); Houma & Bachari, 2008(C)) Parmi tous les scénarios possibles nous avons choisi : A. Le diagramme de séquences du scénario « Insérer une donnée » Ce diagramme est un scénario du cas d’utilisation : Gérer les données. L’utilisateur demande d’ajouter une donnée et insère toutes les informations relatives à cette donnée. Le système envoie une commande d’insertion au SGBD (Système de Gestion de bases de données). Le SGBD vérifie si la donnée existe déjà. Si la donnée existe, le système renvoie un message d’erreur. Si non, il insère la donnée en affichant un message de validation.

113

Chapitre 4 Modélisation de base de données & PollutionGIS

Donnée Cartographie Pollution << Catégorie>> << Catégorie>> << Catégorie>>

Paramètre Carte Polluant Mesure Photo Source polluant Matériel Image satellitaire Unités polluantes Oueds / Égouts

Source d’information << Catégorie>>

Source

Localisation Personnel Analyse << Catégorie>> << Catégorie>> << Catégorie>>

Règle d’association Région Station Équipe Pays Zone Personne Commune Profil

Figure 4.5 : Découpage en catégorie.

B. Le diagramme de séquences du scénario «Rechercher une donnée » L’utilisateur commence par insérer le nom ou l’identifiant de la donnée. Le système envoie une commande de recherche au SGBD. Le SGBD recherche la donnée. Si le SGBD ne trouve pas la donnée il envoie un message d’erreur au système qui le transmet à l’utilisateur. Si non, il affiche les informations relatives à la donnée. Les méthodes de chaque classe sont décrites dans le tableau ci-dessous. ( Houma & Bachari, 2008(C))

Tableau 4.1 : Méthodes associées au diagramme de classe.

Classe Méthodes Description

Ajouter() Ajouter un paramètre local.

Par_loc Supprimer() Supprimer un paramètre local.

Modifier() Modifier un paramètre local.

Chercher() Chercher les informations sur un paramètre existant.

Afficher() Afficher un paramètre local.

114

Chapitre 4 Modélisation de base de données & PollutionGIS

Ajouter() Ajouter un paramètre régional.

Par_reg Supprimer() Supprimer un paramètre régional.

Modifier() Modifier un paramètre régional.

Chercher() Chercher les informations sur un paramètre existant.

Afficher() Afficher un paramètre régional.

Ajouter_eq() Ajouter une nouvelle équipe.

Equipe Supprimer_eq() Supprimer une équipe existante.

Modifier_eq() Modifier les informations concernant une équipe existante.

Chercher_eq() Chercher les informations sur une équipe existante.

Afficher_eq() Afficher les informations d’une équipe.

Ajouter_pr() Ajouter une nouvelle personne.

Personne Supprimer_pr() Supprimer les informations d’une personne existante.

Modifier_pr() Modifier les informations d’une personne existante.

Chercher_pr() Chercher les informations sur une personne existante.

Afficher_pr() Afficher les informations sur une personne. Ajouter_sr() Ajouter une nouvelle source externe de données.

Source Supprimer_sr() Supprimer les informations d’une source existante.

Modifier_sr() Modifier les informations d’une source existante.

Chercher_sr() Chercher les informations sur une source existante.

Afficher_sr() Afficher les informations sur une source existante.

Ajouter_mb() Ajouter une mesure effectuée sur bateau.

Mesure_bat Supprimer_mb() Supprimer une mesure existante.

Modifier_mb() Modifier une mesure existante.

Chercher_mb() Chercher les informations sur une mesure existante.

Afficher_mb() Afficher des mesures effectuées.

Imprimer_mb() Lancer l’impression d’un ensemble de mesures.

Ajouter_ml() Ajouter une mesure effectuée ou calculée dans un laboratoire. Mesure_lab Supprimer_ml() Supprimer une mesure existante.

Modifier_ml() Modifier une mesure existante.

Chercher_ml() Chercher les informations sur une mesure existante.

115

Chapitre 4 Modélisation de base de données & PollutionGIS

Afficher_ml() Afficher des mesures effectuées.

Imprimer_ml() Lancer l’impression d’un ensemble de mesures.

Ajouter_mr() Ajouter une mesure régionale.

Mesure_reg Supprimer_mr() Supprimer une mesure existante.

Modifier_mr() Modifier une mesure existante.

Chercher_mr() Chercher les informations sur une mesure existante.

Afficher_mr() Afficher des mesures effectuées.

Imprimer_mr() Lancer l’impression d’un ensemble de mesures.

Ajouter_ca() Ajouter une carte (scannée ou téléchargée).

Carte Supprimer_ca() Supprimer une carte existante.

Modifier_ca() Modifier les informations descriptives d’une carte.

Chercher_ca() Chercher les informations sur une carte existante.

Afficher_ca() Afficher une carte stockée.

Calculer_coo() Calculer les coordonnées géographiques (lat / long) qui délimitent une carte géo-référencée.

Affiche_point() Afficher des points géographiques sur une carte.

Ajouter_ph() Ajouter une photo (scannée ou téléchargée).

Photo Supprimer_ph() Supprimer une photo existante.

Modifier_ph() Modifier les informations descriptives d’une photo.

Chercher_ph() Chercher les informations sur une photo existante.

Afficher_ph() Afficher une photo stockée.

Ajouter_im() Ajouter une image satellitaire (scannée ou téléchargée).

Image_sat Supprimer_im() Supprimer une image existante.

Modifier_im() Modifier les informations descriptives d’une image.

Chercher_im() Chercher les informations sur une image existante.

Afficher_im() Afficher une image satellite stockée.

Calculer_co_im() Calculer les coordonnées géographiques (lat / long) qui délimitent une image satellite géo-référencée.

Ajouter_sat() Ajouter un satellite.

Sat Supprimer_sat() Supprimer un satellite existant.

Modifier_sat() Modifier les informations descriptives d’un satellite.

116

Chapitre 4 Modélisation de base de données & PollutionGIS

Chercher_sat() Chercher les informations sur un satellite existant.

Afficher_sat() Afficher les informations sur un satellite.

Ajouter_st() Ajouter une station.

Station Supprimer_st() Supprimer une station existante.

Modifier_st() Modifier les informations descriptives d’une station.

Chercher_st() Chercher les informations sur une station existante.

Afficher_st() Afficher les informations sur une station.

Afficher_ip_st() Afficher les image/photo de la station.

Ajouter_zn() Ajouter une zone.

Zone Supprimer_zn() Supprimer zone existante.

Modifier_zn() Modifier les informations descriptives d’une zone.

Chercher_zn() Chercher les informations sur une zone existante.

Afficher_zn() Afficher les informations sur une zone.

Afficher_ipc_zn() Chercher et afficher les images satellite/photo/cartes qui couvrent une zone.

Ajouter_py() Ajouter un pays.

Pays Supprimer_py() Supprimer un pays existant.

Modifier_py() Modifier les informations descriptives d’un pays.

Chercher_py() Chercher les informations sur un pays existant.

Afficher_py() Afficher les informations sur un pays.

Afficher_ipc_py() Chercher et afficher les images satellite/photo/cartes qui couvrent un pays.

Ajouter_rg() Ajouter une région.

Région Supprimer_rg() Supprimer une région existante.

Modifier_rg() Modifier les informations descriptives d’une région.

Chercher_rg() Chercher les informations sur une région existante.

Afficher_rg() Afficher les informations sur une région.

Afficher_ipc_rg() Chercher et afficher les images satellites /photos/cartes qui couvrent une région.

Ajouter_cm() Ajouter une commune,

Commune Supprimer_cm() Supprimer une commune existante.

117

Chapitre 4 Modélisation de base de données & PollutionGIS

Modifier_cm() Modifier les informations descriptives d’une commune.

Chercher_cm() Chercher les informations sur une commune existante.

Afficher_cm() Afficher les informations sur une commune existante.

Afficher_ipc_cm() Chercher et afficher les images satellites/photos/cartes qui couvrent une commune.

Ajouter_oe() Ajouter un oued ou un égout.

Supprimer_oe() Supprimer un oued / égout existant.

Oueds_égouts Modifier_oe() Modifier les informations descriptives d’un oued ou d’un égout.

Chercher_oe() Chercher les informations sur un oued ou un égout existant.

Afficher les informations sur un oued ou un égout. Afficher_oe() Chercher et afficher les images satellites/photos/cartes d’un Afficher_ipc_oe() oued ou d’un égout.

Ajouter_up() Ajouter une unité polluante.

Unité_poll Supprimer_up() Supprimer une unité polluante existante.

Modifier_up() Modifier les informations descriptives d’une unité polluante.

Chercher les informations sur une unité polluante. Chercher_up() Afficher les informations sur une unité polluante. Afficher_up() Chercher et afficher les images satellites/photos/cartes d’une Afficher_ipc_up() unité polluante.

Ajouter_bp() Ajouter un bateau polluant.

Bateau_poll Supprimer_bp() Supprimer un bateau polluant existant.

Modifier_bp() Modifier les informations descriptives d’un bateau polluant.

Chercher les informations sur un bateau polluant. Chercher_bp() Afficher les informations sur un bateau polluant. Afficher_bp()

Ajouter_pl() Ajouter un polluant.

Polluant Supprimer_pl() Supprimer un polluant existant.

Modifier_pl() Modifier les informations descriptives d’un polluant.

Chercher_pl() Chercher les informations sur un polluant.

Afficher_pl() Afficher les informations sur un polluant.

Ajouter_rg() Ajouter une règle d’association.

118

Chapitre 4 Modélisation de base de données & PollutionGIS

Règle Supprimer_rg() Supprimer une règle existante.

Chercher_rg() Chercher les informations sur une règle.

Afficher_rg() Afficher les informations sur une règle.

Imprimer_rg() Lancer l’impression d’un ensemble de règles.

Ajouter_pf() Ajouter un profil.

Supprimer_pf() Supprimer un profil existant.

Profil Modifier_pl() Modifier les informations descriptives d’un profil.

Chercher_pf() Chercher les informations sur un profil.

Afficher_pf() Afficher les informations sur un profil.

Ajouter_mt() Ajouter un matériel.

Matériel Supprimer_mt() Supprimer un matériel existant.

Chercher_mt() Chercher les informations sur un matériel.

Afficher_mt() Afficher les informations sur un matériel.

4. Conception de PolGIS. La conception est l’étape qui suit l’analyse, elle se situe sur la branche du milieu. Elle consiste à modéliser et à détailler tous les éléments de modélisation issus du niveau supérieur. Elle est décomposée en deux étapes : la conception préliminaire et la conception détaillée.

 Conception préliminaire La conception préliminaire décrit l’architecture globale du système. C’est une étape délicate car elle fusionne l’étude des deux branches (fonctionnelle et technique), en intégrant le modèle d’analyse dans l’architecture technique.  Architecture générale L’architecture générale de notre système est composée de trois modules : • Le module d’acquisition. • Le module d’analyse. • Le module de visualisation. • a) Module d’acquisition. Ce module nous permet d’introduire des données à références spatiales et non spatiales, ainsi que l’importation de cartes créées (digitalisées), en utilisant un logiciel SIG tel que MapInfo.

119

Chapitre 4 Modélisation de base de données & PollutionGIS

b) Module d’analyse. Comme son nom l’indique, ce module permet d’analyser les données stockées dans la base de données. Il procède à l’extraction des règles d’association, il permet de détecter les associations entre les objets à référence spatiale et quelques objets descriptifs. Les techniques d’extractions de règles d’association spatiales découvrent des relations intéressantes entre les objets selon des propriétés spatiales et non spatiales. Ce sous module opère en deux étapes : le prétraitement et le calcul. La figure 4.6 présente l’architecture générale de notre système PolGIS.

BDR

SGBDR

Visualiser les règles Règle d’associations Données d’association

Visualiser les cartes de co-

localisation

Visualiser les Co- cartes/photos/ Cartes localisation images sat

Visualiser les données

Module Module Module Acquisition Analyse Visualisation

Figure 4.6 : Architecture générale du système PolGIS.

5. Le prétraitement des données dans PolGIS. Dans cette phase, le système procède à l’extraction des observations de pollution à partir des mesures stockées dans la base de données, ainsi que les différentes informations nécessaires pour le processus d’extraction des règles d’association. Une mesure est considérée comme étant une observation de pollution si sa valeur dépasse un seuil maximal ou diminue au-dessous d’un seuil minimal.

120

Chapitre 4 Modélisation de base de données & PollutionGIS

Dans ce cas le prétraitement consiste à récupérer les coordonnées géographiques (latitude, longitude) des unités polluantes, des polluants et des sources de pollution et de les stocker sous forme de matrice.

 Constructeur de la co-localisation. Ce sous module permet de construire une éventuelle co-localisation entre les différentes unités polluantes, les polluants et les sources de pollution tel que les oueds et les égouts. L’utilisateur pourra à tout moment modifier les paramètres de calcul (la distance ou le ratio) afin de visualiser une nouvelle co-localisation. Ce sous module comporte lui aussi deux étapes qui sont : le prétraitement et le calcul.  Le calcul : commence par la recherche des objets candidats à la co-localisation suivi de la génération de la table et enfin la déduction des objets co-localisés.  Module d’affichage. Le dernier module de cette architecture prend en charge l’affichage de tous les états de sortie de notre application à savoir : l’affichage des données descriptives, des cartes ainsi que l’affichage des résultats de l’analyse. Pour l’affichage des cartes vectorielles, nous avons développé nous même un sous module indépendant affichant les cartes au format Shape (SHP). Ce dernier est un format standard exploité par les logiciels SIG les plus puissants comme MapInfo ou ArcGis. Nous avons utilisé les composants de la bibliothèque GéoTools pour développer ce sous module. GéoTools est une bibliothèque JAVA open source qui permet de manipuler des données géographiques, de superposer les différentes couches et de gérer les cartes au format SHP. En ce qui concerne l’affichage des cartes raster, nous avons utilisé les librairies standards de JAVA.

 Conception détaillée. La conception détaillée est une activité qui s’inscrit dans l’organisation définie par la conception préliminaire. Elle consiste à construire et à documenter précisément les classes, les interfaces, les tables et les méthodes qui constituent le codage de la solution (Roques & Vallée, 2004). Le passage du diagramme de classe vers le modèle relationnel s’effectue en suivant des règles de passage décrites dans (Abdat & Mahdaoui, 2007). Après application des règles de passage nous obtenons les tables suivantes accompagnées d’un dictionnaire de donnée.

121

Chapitre 4 Modélisation de base de données & PollutionGIS

Tableau 2.4 : Dictionnaire de données dans POLGIS. (Bachari et al., 2008)

Tables Nom de l’attribut Codification Type Longueur Identifiant du paramètre local. idf_parloc AN 10 Nom du paramètre local. nom_parloc AN 20 Par_loc Type du paramètre local (physique, type_parloc A 10 chimique, biologique). Valeur minimale d’une concentration seuil_min_parloc N 8 normale. Valeur maximale d’une concentration seuil_max_parloc N 8 normale. Identifiant du paramètre régional. idf_parreg AN 10 Par_reg Nom du paramètre régional. nom_parreg AN 20 Type du paramètre régional (météo, météo type_parreg A 12 marine). Identifiant de l’équipe. idf_equipe AN 10 Equipe Nom de l’équipe. nom_equipe A 20 Nombre de personne dans l’équipe. nb_personnes N 3 Identifiant du responsable de l’équipe. idf_responsable AN 10 Identifiant de la personne. idf_personne AN 10 Personne Nom de la personne. nom_personne A 20 Prénom de la personne. prenom_personne A 20 Date de naissance de la personne. date_naiss D - Lieu de naissance de la personne. lieu_naiss A 20 Grade de la personne. grade A 20 Statut de la personne statut A 11 Domaine d’études ou de recherche de la domaine A 20 personne. Rue où réside la personne. rue AN 50 La ville où réside la personne. ville A 40 Le code postal de la ville où réside la code postal N 5 personne. 10 Adresse électronique de la personne. mail AN

Numéro de téléphone de la personne. tel N 10

Identifiant de l’équipe de la personne. idf_equipe AN 10

122

Chapitre 4 Modélisation de base de données & PollutionGIS

Identifiant d’une source externe idf_src AN 10 Source d’information. Titre d’une source externe d’information. titre AN 50 Année d’apparition, d’édition ou de la année_edition N 4 publication. Auteur de la source d’information. auteur A 40 Éditeur de la source d’information. édition AN 40 Occasion de l’édition ou de la publication. occasion AN 30 Organisme d’accueil ou de recherche. organisme A 20 Identifiant de la mesure effectuée sur idf_mesurebat AN 10 Mesure_bat bateau. Valeur de la mesure effectuée sur bateau. valeur_mesurebat N 8 Unité de la mesure effectuée sur bateau. unité_mesurebat A 10 La profondeur de la prise de mesure. fond N 4 Le type de l’échantillon de la mesure. type_ech_mesurebat A 10 La source de la mesure (interne / externe). src_mesurebat A 7 Identifiant de la source externe d’une Idf_src AN 10 mesure. Numéro séquentiel représentant une num_obser N 6 observation. A 20 Nom du bateau sur lequel la sortie en mer a Nom_bateau

été effectuée.

Identifiant de l’équipe responsable de la idf_equipe AN 10 prise de mesure. Identifiant de la mesure effectuée dans le idf_mesurelab AN 10 Mesure_lab laboratoire. Valeur de la mesure effectuée dans le valeur_mesurelab N 8 laboratoire. Unité de la mesure effectuée dans le unite_mesurelab A 10 laboratoire. Le type de l’échantillon de la mesure. type_ech_mesurelab A 10 Nom du laboratoire. nom_lab A 20 Localisation du laboratoire (ville). ville_lab AN 20 La source de la mesure (interne / externe). src_mesurelab A 7 Identifiant de la source externe d’une Idf_src AN 10 mesure.

123

Chapitre 4 Modélisation de base de données & PollutionGIS

Identifiant de l’équipe responsable de la idf_equipe AN 10 prise de mesure. Identifiant de la mesure régionale. idf_mesurereg AN 10 Mesure_reg Valeur de la mesure régionale. valeur_mesurereg N 8 Unité de la mesure régionale. unite_mesurereg A 10 La source de la mesure (interne / externe). src_mesurereg A 7 Identifiant de la source externe d’une Idf_src AN 10 mesure. Identifiant de l’équipe idf_equipe AN 10

Identifiant de la carte. idf_carte AN 10 Carte Nom de la carte. nom_carte A 20 Date de création de la carte. dat_carte D 8 Echelle de représentation de la carte. echelle AN 10 Type de la carte (topologique, type_carte A 20 administrative, maritime). Couverture de la carte (région, pays, etc.). couverture_carte A 7 Nom de la couverture de la carte. nom_couverture A 20 La source de la carte (interne / externe). src_carte A 7 Identifiant de la source externe d’une carte. Idf_src AN 10 Identifiant de l’équipe interne responsable idf_equipe AN 10

de la création de la carte. chem_carte

AN Chemin de stockage de la carte. 100 Identifiant de la photo. idf_photo AN 10 Nom de la photo. nom_photo A 20 Date de prise de la photo. dat_photo D 8 Photo Le spectre de la photo. spectre_photo AN 10 La résolution de la photo. resolution_photo AN 10 Le type de la photo (terrestre / aérienne). type_photo A 9 Couverture de la photo (région, pays, etc.). couverture_photo A 7 Nom de la couverture de la photo. La source de la photo (interne/externe). nom_couverture A 20 Identifiant de la source externe d’une photo. src_photo A 7 Identifiant de l’équipe interne responsable Idf_src AN 10 de la prise de la photo. idf_equipe AN 10 Chemin de stockage de la photo chem_photo AN 100

124

Chapitre 4 Modélisation de base de données & PollutionGIS

Identifiant de l’image satellite. idf_img AN 10 Nom de l’image satellite. nom_img A 20 Image_sat Date de prise de l’image satellite. dat_img D 8 Le spectre de l’image satellite. spectre_img AN 10 La résolution de l’image satellite. resolution_img AN 10 Couverture de l’image satellite (région, couverture A 7 pays, etc.). Nom de la couverture de l’image satellite. nom_couverture A 20 Identifiant du satellite utilisé pour la prise idf_sat AN 10 de l’image. chem_img AN 100 Chemin de stockage de l’image satellitaire. Identifiant du satellite. idf_sat AN 10 Nom du satellite. nom_sat A 20 Satellite Type du satellite. type_sat A 20 Altitude du satellite. altitude_sat N 10 Résolution optique du satellite. resol_opti AN 10 Résolution spectrale du satellite. resol_spec AN 10 Identifiant de la station. idf_stat AN 10 Nom de station. nom_stat A 20 Station Latitude de la station. lat_stat N 7 Longitude de la station. lon_stat N 7 Identifiant de la commune à laquelle idf_commune AN 10 appartient la station. Identifiant de la zone. idf_zone AN 10 Nom de la zone. nom_zone A 20 Zone Latitude utilisée pour délimiter les lat_zone N 7 frontières de la zone. Longitude utilisée pour délimiter les lon_zone N 7 frontières de la zone. Nom du pays. nom_pays A 20 Identifiant de la zone à laquelle le pays idf_zone AN 10 Pays appartient. Latitude utilisée pour délimiter les lat_pays N 7 frontières du pays. Longitude utilisée pour délimiter les lon_pays N 7 frontières du pays.

125

Chapitre 4 Modélisation de base de données & PollutionGIS

Identifiant de la région. idf_region AN 10 Nom de la région. nom_region A 20 Région Le pays auquel appartient la région. pays A 20 Latitude utilisée pour délimiter les lat_region N 7 frontières de la région. Longitude utilisée pour délimiter les lon_region N 7 frontières de la région. Identifiant de la commune. idf_commune AN 10 Nom de la commune. nom_commune A 20 Commune Identifiant de la région à laquelle appartient idf_region AN 10 la commune.

Latitude utilisée pour délimiter les lat_commune N 7 frontières de la commune. Longitude utilisée pour délimiter les lon_commune N 7 frontières de la commune. Identifiant de l’oued ou de l’égout. Idf_oe AN 10 Oueds_égouts Nom de l’oued ou de l’égout. Nom_oe A 20 Type (oued / égout). Type_oe A 5 Identifiant de la commune. idf_commune AN 10 Degré de danger (élevé, moyen, bas). degre_danger_oe A 5 Identifiant de l’unité polluante. idf_unite AN 10 Unité_poll Nom de l’unité polluante. nom_unite A 20 Degré de danger (élevé, moyen, bas). degre_danger_unite A 5 Catégorie de l’unité polluante categorie A 10 (Agroalimentaire, métallurgie, etc.). Latitude de la station. lat_unite N 7 Longitude de la station. lot_unite N 7 Identifiant de la commune à laquelle idf_commune AN 10 appartient l’unité polluante. Identifiant du bateau polluant. idf_bateau AN 10 Bateau_poll Nom du bateau polluant. nom_bateau A 20 Type du bateau polluant (pétrolier, type_bateau A 20 voyageur, etc). Propriétaire du bateau polluant (organisme propriétaire A 20 ou entreprise).

126

Chapitre 4 Modélisation de base de données & PollutionGIS

Identifiant du polluant. idf_polluant nom_poll AN 10 Polluant Nom du polluant. type_poll A 20 Type du polluant. A 10 Le mot de passe du profil. mot_pass AN 20 Profil Le nom d’utilisateur du profil. user AN 20 La designation du profi. designation A 14 (administrateur,decideur, expert). Identifiant du matériel. idf_materiel AN 10 Matériel Nom du matériel. nom_materiel AN 20 Précision du matériel. precision_mat AN 5 Nom du fabricant du matériel. nom_fab A 20 Date d’acquisition du matériel. date_aquis D 8 Identifiant du paramètre local. Idf_par AN 10 Par_mes_stat Identifiant de la station ou la mesure locale Idf_station AN 10 a été effectuée. Date de la prise de mesure. dat D 8 Heure de la prise de mesure. Heure AN 5 Identifiant de la mesure locale. Idf_mes AN 10 Identifiant du paramètre régional. Idf_par AN 10 Par_mes_reg Identifiant de la région où la mesure a été Idf_region AN 10 effectuée. Date de la prise de mesure. dat D 8 Heure de la prise de mesure. Heure AN 5 Identifiant de la mesure régionale. Idf_mes AN 10 Identifiant d’un polluant. Idf_poll AN 10 Polluant_src Identifiant de la source de du polluant. Idf_source AN 10 Identifiant de la mesure. Idf_mesure AN 10 Mesure_mat Identifiant du matériel utilisé Idf_materiel AN 10

5.1. Justification des choix techniques.  Choix du langage de programmation. Une des décisions les plus importantes dans la conception et la réalisation d’un logiciel est le choix du langage de programmation. Notre choix c’est porté sur le langage JAVA car c’est un langage orienté objet, simple et portable qui comporte de nombreuses bibliothèques d’objets dédiées à la gestion des interfaces utilisateurs. De plus JAVA est un langage gratuit disponible avec une bonne documentation en langue française.

127

Chapitre 4 Modélisation de base de données & PollutionGIS

 Choix du SGBD. (Système de gestion de Base de données) Pour le SGBD notre choix c’est porté sur ORACLE 10g vue qu’il assure un grand niveau de sécurité et de fiabilité. Il est aussi bien adapté aux bases de données volumineuses et au langage JAVA.  Choix du logiciel SIG. (Système d'information Géographique) En ce qui concerne le logiciel SIG, MapInfo professionnel version 8.5 a été choisi pour sa facilité d’utilisation et la multitude de fonctions offertes pour gérer et personnaliser les cartes, ainsi qu’un ensemble de cartes prêtes à l’emploi. MapInfo professionnel comporte aussi un traducteur universel permettant la conversion des différents formats d’images notamment le format SHAPE utilisé pour notre application. . Choix de l’outil de modélisation. Pour générer les diagrammes UML, nous avons utilisé la version 12.0 du logiciel POWER AMC, car ce dernier est puissant et agréable à utiliser.

6. Présentation des interfaces de l’application Notre outil PolGIS, est un Système d’Information Marine et d’aide à la décision, conçu pour l’analyse de la pollution marine. Dans ce qui suit, nous présenterons ses principales interfaces.

Figure 4.7 : Fenêtre de démarrage du Système PolGIS.

. Fenêtre d’accueil Cette fenêtre présente la porte d’entrée de notre application (Figure 4.8). Elle permet d’accéder au gestionnaire de données, à la partie cartographie, à lancer une analyse et gérer les profils ou quitter totalement l’application.

128

Chapitre 4 Modélisation de base de données & PollutionGIS

Figure 4.8 : Fenêtre d’accueil dans PolGIS.

. Fenêtre de Cartographie. Cette fenêtre permet de visualiser sur une carte vectorielle de la baie d’Alger les différentes stations de mesure qui existent. L’affichage des cartes géo référencées permet de visualiser les coordonnes géographiques de chaque point sur la carte. Cette fenêtre offre aussi des fonctionnalités cartographiques de base.

Figure 4.9 : Fenêtre «Cartographie» dans POLGIS. . Fenêtre Gestion de données. Cette fenêtre permet d’ajouter, modifier ou supprimer des données. Elle permet aussi d’effectuer une recherche sur les différents types de mesure, suivant plusieurs critères (Figure 4.10).

o Fenêtre Ajouter une mesure régionale. Cette fenêtre offre à l’utilisateur la possibilité d’ajouter une mesure régionale.

129

Chapitre 4 Modélisation de base de données & PollutionGIS

o Fenêtre de Co-localisation. La fenêtre de co-localisation (est utilisée pour calculer la co-localisation spatiale entre les points de pollution, les sources de pollution ainsi que les différentes unîtes industrielles polluantes.

o Fenêtre d’extraction des règles d’association. Cette fenêtre permet de lancer l’extraction des règles d’association selon un support et une confiance préalablement fixés par l’utilisateur. L’élaboration d’une procédure d’analyse spatiale d’une variable avec un SIG implique fréquemment des traitements d’interpolation des données. Selon les logiciels plusieurs outils peuvent être disponibles et adaptés au problème à traiter.

Parmi celles-ci, le Krigeage est une méthode géostatistique qui permet l’estimation de valeurs locales en considérant l'organisation spatiale des variables étudiées. C’est donc une méthode d’interpolation qui peut générer des surfaces, estimées à partir d’un échantillon de points géoréférencés. Par rapport à d’autres méthodes d’interpolation telles les Splines ou les inverses distance, le Krigeage se distingue par ses caractéristiques d’estimation non biaisée et d’estimation d’une variance associée. L’implémentation des techniques de Krigeage permet d’exploiter ces méthodes sans transferts multiples de données puis de résultats à chaque traitement entre un SIG et un logiciel spécifique géostatistique. En restant dans un environnement SIG, l’utilisateur bénéficie également d’un accès aux fonctions de représentations et à des outils d’analyses complémentaires. Les fonctionnalités de l’Application du Krigeage sont : – Traitement géostatistique par Krigeage Ordinaire – Traitement sur un ensemble ou une sélection du jeu des données, – Résultats en GRID géoréférencés, – Enregistrement des résultats : sous formes graphique, cartes.

Figure 4.10 : Fenêtre «Gestion de données» dans POLGIS.

130

Chapitre 4 Modélisation de base de données & PollutionGIS

Figure 4.11: Fenêtre «Ajouter une mesure régionale» dans POLGIS. .

Figure 4.12 : Fenêtre de «Co-localisation» dans POLGIS.

Figure 4.13 : Fenêtre d’extraction des règles d’association dans POLGIS.

131

Chapitre 4 Modélisation de base de données & PollutionGIS

7. Conclusion Aujourd’hui, les méthodes d’analyse de données faisant appel aux techniques du Data Mining spatial, et en particulier l’extraction des règles d’association et la recherche d’objets co-localisés, sont de plus en plus utilisées. Leur intégration dans les systèmes de gestions de données géographiques augmente la puissance et la qualité de l’analyse effectuée. Vue la qualité de la connaissance extraite, l’utilisation de telles techniques s’avère aussi bien intéressante que pertinente, en particulier pour la découverte et la classification des problèmes liés à la pollution marine. D'autre part les satellites d'observation de la terre et les données de télédétection constituent aujourd'hui des ressources inestimables pour ce genre de données. L'intégration de données issues de capteurs satellites dans un Système d'Information Marin est devenue primordial pour le suivi de la qualité des eaux côtières. La modélisation des paramètres satellitales devient donc nécessaire pour l'extraction des informations prises in situ ou à partir de capteurs satellitaires. Les applications de leur données océnographiques sur la couleur, la température, la hauteur dynamique et les vagues couvrent tout le spectre de l’océanographie, chimie, biologie, physique, géophysique. Cependant, ce travail avait pour objectif le développement d'un logiciel d'application Marine basé sur Système de Gestion de base de données qui permet de gérer, de manipuler et d'extraire l'information utile pour la surveillance des zones côtières.

132

CHAPITRE V

Analyse et Modélisation des Paramètres Terrain-Image

133

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

L’océanographie est la science qui s’intéresse aux océans et à l’interaction des différents phénomènes biologiques et physiques qui y surviennent. Afin d’étudier la variation spatiale des propriétés de l’eau (par exemple la température, la salinité et l'oxygène dissous), des échantillons doivent être recueillis. La collecte de ces échantillons, qui représentent en fait la valeur d’un attribut à une position donnée (x, y, profondeur) lui est affecté un ensemble de paramètres descriptif de la qualité des eaux marines. (Houma et al.,2009(b)) En effet, le contrôle de la qualité de l'eau est fondé naturellement et traditionnellement sur des mesures et des prélèvements in situ. Des images satellites étalonnées à partir des données mesurées in situ fournissent une information quantitative et continue sur le milieu aquatique et peuvent être employées pour estimer, avec une approximation raisonnable, les facteurs affectant la qualité de l’eau. (Houma et al., 2004(b); Mueller, 2000; Forget et al.,1999) Cependant, cette partie est consacrée à la modélisation basée sur les applications de la télédétection aux sciences de la mer. Des mesures satellitaires sont modélisées avec les constituants et les propriétés de l'eau de mer. (Antoine et al.,2008; Chris & Clark,1993; Doxaran, 2002(a); Gailhard , 2003). L’objectif de ce travail consiste donc à établir des modèles entre les propriétés optiques de l’eau de mer, les paramètres physico-chimiques et les paramètres biologiques. (Houma, 1997) Afin de repérer les zones de pollution marine, plusieurs campagnes océanographiques sont réalisées afin d'établir des modèles entre les mesures in situ (Morel & Gentili,2009) et les paramètres des images issues des capteurs embarqués sur les satellites destinés aux applications marines. (Abdellaoui, 2009). Nous présentons dans ce chapitre des relations exprimant les variables indicatrices de la qualité des eaux du littoral Algérois et la réflectance calculée de chaque pixel à partir d’un modèle physique de correction radiométrique. Les mesures in- situ sont effectuées pour des zones de différentes qualités d’eaux et leurs réflectances sont calculées à partir des images satellite à haute résolution et des images de résolution moyenne. (Fargion & Mueller, 2000) Les meilleures corrélations sont obtenues sur les canaux visibles: (Bachari & Houma, 2005)  Matières en suspension r² (0,84- 0,88);  Oxygène dissous r² (0,70- 0,77) ;  Turbidité r² (0,84- 0,90);  chlorophylle r² (0,89- 0,90). Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Finalement, des relations sont établies avec les réflectances de l'eau de mer. (Lahet,1999) L’inversion de ces relations permet d’obtenir des images transformées à partir du logiciel de traitement d’image afin d’estimer pour chaque pixel le degré de pollution du milieu. (Munday & Alfoldi, 1979; Kaufmann & Sendra, 1992;Clark, 1993; Mobley,1999) Nous présentons dans ce chapitre : (a) Les mesures physico- chimiques des stations de différentes qualités d’eaux. (b) Les résultats des analyses obtenus et la distribution des paramètres en utilisant les outils de cartographie et l'outil PolGIS pour la gestion des bases de données marines. (c) Les résultats des réflectances obtenus à partir des données numériques, Spot, Seawifs, et Landsat TM et MSS. (Morel & Be´langer, 2006) (d) Les différentes relations de l’analyse corrélative entre les paramètres et les réflectances dans chaque bande spectrale du satellite. (Houma, 1997; Houma et al.,1996) (e) Les images satellites traitées et transformées en images indicatrices de la pollution marine.

I. APPLICATION EN BAIE D’ALGER. . Modélisation des paramètres des campagnes océanographiques 2009. 1. Analyse et variation des paramètres physico-chimiques en baie d’Alger. Les données acquises lors des trois campagnes en mer en baie d’Alger sont résumées dans les deux tableaux suivants, sous forme de valeurs moyennes et extrêmes. Les sites analysés dans cette baie et les paramètres physico-chimiques mesurés sont donnés et précisés au chapitre 1. L'analyse des échantillons est réalisée pour chaque station en surface et à différentes profondeurs, Un bilan des paramètres analysés est donné (Tableaux 5.1 et 5.2), correspondant à la plus récente campagne. La banque de données 2009 est utilisée dans l'outil PolGIS.

Tableau 5.1: Valeurs statistiques des paramètres physicochimiques lors de la première campagne2009. T (°C) pH S (PSU) C (mS/cm) [O ] (mg/L) O (%) 2 2 D(m) 1 m 25 m 1 m 25 m 1 m 25 m 1 m 25 m 1 m 25 m 1 m 25 m Minimum 14,5 14,20 7,39 7,81 35,6 35,10 44,5 44,5 6,43 8,02 73 71,50 6 Maximum 17,7 16,30 8,29 8,29 37,2 37,20 51,75 51,75 10,63 9,49 104 89,60 12 Moyenne 15,49 14,63 8,15 8,18 36,78 36,79 45,94 45,94 9,21 8,71 90,92 85,48 9,00 Ecart-type 0,49 0,46 0,18 0,11 0,36 0,63 1,48 1,48 0,78 0,43 7,26 5,99 1,78

135

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Tableau 5.2: Valeurs statistiques des paramètres physicochimiques lors de la deuxième campagne2009. T (°C) pH S (PSU) C (mS/cm) D(m) 1m 5m 10m 1m 5m 10m 1m 5m 10m 1m 5m 10m

Minimum 17,4 17,2 17,1 8,1 8,1 8,08 35,7 36,2 36,3 45,3 47,1 46,8 4 Maximum 21 19,6 18,1 8,3 8,31 8,28 36,7 36,7 36,6 50,7 48,9 47,7 16 Moyenne 18,80 18,03 17,69 8,09 8,24 8,23 36,43 36,53 36,52 48,24 47,76 47,31 10 Ecart-type 1,50 0,7 0,27 2,77 0,05 0,05 0,26 0,12 0,10 1,3 0,58 0,24 0,85

1.1 Température. La variation thermique est un paramètre qui détermine la distribution des niches écologiques dans le milieu marin. Les valeurs de température de surface des deux campagnes, se situent entre un minimum de 14,5°C au niveau de la station D2 et un maximum de 17,7°C au niveau de P3, pour la 1ère sortie et entre un minimum de 17,4°C (station 9) et un maximum de 21°C enregistré au niveau de la côte dans la station 12, avec des moyennes qui sont respectivement de 15,49 °C et 18,80°C. Les fluctuations de la température seraient dues probablement à l’influence des facteurs météorologiques et hydrodynamiques que subissent les eaux superficielles. Dans l’ensemble les valeurs sont de niveau saisonnier. (Chebli,1980; Chouikhi,1993)

Figure 5.1. Température dans les eaux superficielles de la baie d’Alger.

En surface, les plus fortes valeurs se situent dans le port d’Alger, par contre pour la seconde campagne, les faibles valeurs de températures se situent entre les oueds El Harrach et El Hamiz. A 5m de profondeur (campagne 2), la température varie entre 17,8°C à la station S3 et 19,6°C au niveau de la station 5 (Figure 5.1), avec une moyenne de 18,03°C et un écart type de 0,7. A 25m de profondeur, l’intervalle de température varie de 14,2°C au niveau de la station AB à 16,3°C au niveau de D2 avec une moyenne 14,63°C.

136

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Dans cette couche, la variation de la température est presque à l’opposé de sa variation en surface, cela est du probablement à l'influence des conditions météorologique ou au brassage des eaux superficielles qui sont en contact directe avec l’atmosphère.

Figure 5.2: Température dans les profondeurs de la baie d’Alger.

1.1 Potentiel d’hydrogène pH. Les valeurs du potentiel d'Hydrogène sont pratiquement homogènes dans l’ensemble des stations (7,39 - 8,29). Les valeurs les plus élevées sont observées aux stations C2 et AB; alors que les plus faibles sont observées aux stations situées à proximité de Oued El- Harrach. La variation du pH est due probablement aux apports d’eaux continentales et aux rejets industriels. Lors de la 2ème campagne (Figure 5.3), et à 5m de profondeur, le potentiel d'hydrogène connait des valeurs plus importantes avec un minimum de 8,1 au niveau de la station (S3) située à proximité du port d’Alger et ses différents rejets domestiques (Hussein Dey) .La variation du pH est très significative entre les périodes post estivale et printanière.

Figure 5.3 : Variation du pH en baie d'Alger lors de la campagne printanière.

137

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

1.2 Salinité. Les valeurs de la salinité varient pour les différentes campagnes, et connaissent des valeurs moyennes de 35,1 PSU à 36,78 PSU. La baie d’Alger semble toujours baignée par les eaux nettement atlantiques amenées par le courant océanique, la salinité serait du type atlantique et inférieure à 38 PSU. (Figure 5.4 & Figure 5.5)

Figure 5.4 : Variation de la salinité en surface et dans les profondeurs de la baie d’Alger.

Figure 5.5 : Distribution spatiale de la salinité en surface de la baie d’Alger.

1.3 Conductivité électrique. Les stations 9 et 13, marquent respectivement les valeurs minimales et maximales dans les couches de 5m et 10 m de profondeur (Campagne2, 2009). Les conductivités mesurées présentent des moyennes de 47,76 et 47,31 mS/cm et des écart types de 0,85 et 0,24. A 25 m de profondeur lors de la première campagne, la conductivité diminue jusqu'à 44,5 mS/cm au niveau de la station C1 et à 46,5 mS/cm au niveau de la station F2. (Figure 5.6)

138

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

15 50.1 36.82 16 4 11 49.4 1 5 9 36.8 14 13 12 48.7 z i 8 m 17 a 36.78 r 2 48 e H 18 g l l E A ' d d e 47.3 u t 6 10 36.76 r O o 3 P 7 46.6

36.74 Oued El Harrach 45.9

3.06 3.08 3.1 3.12 3.14 3.16 3.18 3.2 3.22 3.24 45.2 C (mS/cm) Longitude Figure 5.6 : Variation de la conductivité en surface lors de la 2ème campagne en baie d’Alger.

1.4 L’oxygène dissous (O2dissous). Pendant da période post hivernale, les résultats montrent que les eaux de la baie sont largement oxygénées, et cela par les fortes valeurs des concentrations en O2 dissous qui varient entre une valeur minimale de 6,43 mg/l au niveau de la station portuaire P1 et une valeur maximale de 10,63 mg/l au niveau de la station D6 et qui correspondent à des saturation en oxygène de 73% à 104%. En surface, la teneur moyenne de l’oxygène dissous est de 9,21 mg/l correspondante à 90,92% de saturation. Les fortes concentrations peuvent être expliquées par la l'agitation importante des eaux pendant la période de la campagne. (Figure 5.7) Ainsi que les concentrations minimales d’oxygène dissous retrouvées pourraient être expliquées par la présence de fortes teneurs des matières en suspension en surface et des déchets des matières organiques solides et liquides rejetés essentiellement par des unités industrielles.

Figure 5.7 : Distribution de l’oxygène dissous en surface de la baie d’Alger.

139

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Par contre, les eaux de 25 m de profondeur se caractérisent par des teneurs d’oxygène dissous comprises entre 8,02 mg/l au niveau de la station H2 et de 9,49mg/l au niveau de la station H3 correspondant aux valeurs de 71,50 et 89,60% de pourcentage de saturation en O2 respectivement et une valeur moyenne de 8,71 mg/l. (Figure 5.8) En absence d’activité biologique, la concentration d’oxygène dissous tend vers la saturation de l’eau (Aminot et al., 1997), qui est en fonction de la température et de la salinité (à pression atmosphérique normale). Ainsi, les teneurs de l'oxygène dissous dans les eaux de la baie sont supérieures à 5mg/l et cela est dû à l’important phénomène de brassage des eaux donc à l’échange air-mer et à l’activité photosynthétique. (Leroy,1999) Pendant la période post hivernale (Mars), le taux de saturation en surface est comprises entre 73% et 104 %, ces valeurs diminuent à 25 m de profondeur et varient entre 71,50% et 89,60 %. On peut noter qu’aucune hypoxie notable des eaux des fonds n’a jamais été mise en évidence par les mesures effectuées, même à proximité de l’embouchure d’oued El Harrach, probablement en raison du mélange intense des eaux (Aminot et al., 1997).

Figure 5.8 : Distribution de l’oxygène dissous à 25 m de profondeur en baie d’Alger.

1.5 Turbidité Tu. La turbidité varie entre 80 NTU et 116 NTU en surface de l'eau .Les valeurs les plus

élevées sont enregistrées au niveau des stations X (Port d’Alger) et E1 (El-Harrach), alors que la plus faible valeur est enregistrée au niveau de la station C1 (Hamma). Les apports de Oued El- Harrach et les rejets dans le port d’Alger seraient à l’origine de cette turbidité et à la concentration importante des matières en suspension qui se limite surtout aux eaux côtières.

140

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Nous avons choisie les points les plus variés qui représentent l'évolution de ce paramètre indicateur de la pollution marine en surface de l'eau. (Figure 5.9)

Figure 5.9: Turbidité en surface de la baie e d’Alger.

Variation des paramètres particulaires. Les résultats des analyses des différents paramètres particulaires effectuées au laboratoire de Pollution Marine lors des deux campagnes en mer 2009 , nous ont permis de résumer leurs valeurs extrêmes, leur moyennes ainsi que leur écart- types dans les tableaux suivants :

Tableau 5.3 : Valeurs extrêmes et moyennes des paramètres particulaires lors de la première campagne2009. [Phéo a] (µg/L) [Chlo a] (µg/L) MES (mg/L) % MOP 1 m 25 m 1 m 25 m 1 m 25 m 1 m 25 m Minimu m 0,01 0,01 0,01 0,02 10,16 9,83 4,71 4,45 Maximum 0,15 0,10 0,14 0,09 31,56 29,60 32,18 29,07 Moyenne 0,06 0,04 0,06 0,04 19,71 18,38 19,13 18,18 Ecart type 0,04 0,03 0,03 0,02 5,92 5,60 6,81 6,88

Tableau 5.4 : Valeurs extrêmes et moyennes des paramètres particulaires lors de la deuxième campagne2009.

[Phéoa] (µg/L) [Chlo a] (µg/L) MES (mg/l) % MOP 1 m 5 m 10 m 1 m 5 m 10 m 1 m 5 m 10 m 1 m 5 m 10 m Minimum 0,02 0,02 0,02 0,03 0,03 0,02 85,6 73,6 78,8 45,8 38,61 44,95 Maximum 0,42 0,28 0,11 0,35 0,35 0,11 115,2 110,9 118 66,4 66,8 68,04 Moyenne 0,64 0,09 0,05 0,1 0,1 0,05 94,76 91,65 102,96 56,77 56,98 57,56 Ecartype 0,31 0,06 0,03 0,09 0,09 0,02 6,85 8,64 10,65 9,64 9,15 8,64

141

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

1.6 Les matières en suspension. Pour les variations des matières en suspension entre les différentes campagnes, de grandes fluctuations sont marquées. En surface, une moyenne de 19,71 mg/l et un écart type de 5,92 sont enregistrés lors de la première campagne avec des valeurs extrêmes suivantes : 10,16 mg/l en F5 et 31,56 mg/l en D3. Lors de la troisième campagne, une moyenne de 94,76 mg/l et un écart type de 6,85 sont enregistrés, avec une concentration minimale de 85,6 mg/l de matières en suspension au niveau de la station 7 et un maximum de 115,2 mg/l en station S 12. Les matières en suspension augmentent au fur à mesure que l’on s’approche de la côte, ceci peut être dû aux eaux usées et à l’oued El-Harrach et à la mise en suspension des éléments fins par les houles vu les faibles profondeurs. La distribution des MES dans l’eau de mer dépend essentiellement de l’état de la mer, des courants et de l’agitation. Les cartes des paramètres physico-chimiques décrivent cet état et le nombre de classes choisie est représentatif de la distribution spatiale des indicateurs de la pollution en baie d’Alger. A 25 m de profondeur, la valeur de 9,83 mg/l est enregistrée au niveau de la station I1 lors de la seconde campagne et une concentration de 29,6 mg/l comme teneur maximale au niveau de la station D2 qui représente une moyenne de 18,38 mg/l de matières en suspension.

Figure 5.10 : Variation des matières en suspension dans les profondeurs de la baie d’Alger.

1.7 La chlorophylle a et phéopigments. Les valeurs de la chlorophylle a varient entre 0,01 µg/l au niveau de la station AB et 0,14 µg/l au niveau de la station E4, avec une moyenne de 0,06 µg/l et un écart type de 0,02. La station 12 contient 0,35 µg/l de chlorophylle.

142

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

A 5 m de profondeur, les valeurs extrêmes, de moyenne et l’écart type sont les mêmes que celles de la surface. Par contre à 10 m de profondeur, la valeur minimale est 0,02 µg/g au niveau de la station 15 et le maximum de 0,11 µg/l au niveau de la station 4, avec une moyenne de 0,05 µg/l et un écart type de 0,02. La figure 5.12 illustre cette variation lors de la 2ème campagne océanographique. La distribution de la chlorophylle totale est donnée en figure 5.14. A 25 m de profondeur; la chlorophylle a moyenne décroit jusqu'à 0,04 µg/l au niveau de la station F5 et atteint la teneur de 0,09 µg/l au niveau de la station F2.

15 112 36.82 16 4 11 107 1 5 9 36.8 14 13 12 102

z i 97 8 m 2 17 a 36.78 r e H 18 g l l 92 E

A ' d

d e 10 u t 6 87 36.76 r O o 3 7 P 82

36.74 Oued El Harrach 77

3.06 3.08 3.1 3.12 3.14 3.16 3.18 3.2 3.22 3.24 72 Longitude [MES] (mg/L)

Figure 5.11 : Distribution de la matière en suspension en surface de la baie d’Alger.

. Les phéopigments. Les phéopigments sont mesurés après acidification des extraits de chlorophylle. Les différentes variations des teneurs dans les profondeurs sont présentées sur la figure 5.16.

Figure 5.12 : Variation de la concentration de la chlorophylle a en surface et en profondeurs de la baie d’Alger.

143

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

15 36.82 16 4 11 0.36 5 1 9 36.8 14 13 12

g 8 l 2 17 iz 0.24 36.78 A ' 18 m a d H t l r E o d P 6 10 e u 36.76 3 O 7 0.12

36.74 Oued El Harrach 0 3.06 3.08 3.1 3.12 3.14 3.16 3.18 3.2 3.22 3.24 [Chlo a] (µg/L) Longitude Figure 5.13 : Distribution de la chlorophylle a en surface de la baie d'Alger.

15 0.35 36.82 16 4 11 0.3 5 1 9 36.8 14 13 12 0.25

g 8 l 2 17 iz 0.2 36.78 A ' 18 m a d H t l r E 0.15 o d P 6 10 e u 36.76 3 O 7 0.1

0.05 36.74 Oued El Harrach

0 3.06 3.08 3.1 3.12 3.14 3.16 3.18 3.2 3.22 3.24 [Chlo totale] (µg/L) Longitude Figure 5.14: Distribution de la chlorophylle totale en surface de la baie d'Alger.

36.84 AB D1 H1 I1 F1 0.1

36.82 A1 H2 B1 C1 D2 F2 0.09

0.08 B2 C2 F3 36.8 D3 E1 G1 H3 I2 0.07

G2 z E2 H4 i D4 I3 m 0.06 36.78 P3P1 C3 F4 a H

l E 0.05 P2 D5 E3 H5 C4 F5 ed 36.76 u 0.04 C5 D6 E4 O 0.03

36.74 Oued El Harrach 0.02

0.01 3.04 3.06 3.08 3.1 3.12 3.14 3.16 3.18 3.2 3.22 3.24 [Chlo a] (µg/L) Longitude Figure 5.15: Distribution de la chlorophylle a à 25 m de profondeur de la baie d'Alger.

144

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure5.16 : Variation de la concentration des phéopigments à différentes profondeurs lors de la 2ème campagne en baie d’Alger. 1.8 La matière organique particulaire (MOP). La baie est caractérisée par de fortes valeurs de matière organique, celles-ci varient en surface de 45,8 % pour la station 17 et atteint 66,4 % pour la station 14 avec une moyenne de 56,77 % et un écart type de 9,64. (Fig. 5.16) Les couches de 5m et 10 m de profondeur, présentent aussi des moyennes de 56,89 % et 57,56 % de matière organique. (Figure 5.19) La station 7 est caractérisée par la valeur maximale en MOP avec 68,04 %. Alors que la couche de 25 m de profondeur connait des valeurs comprises entre 4,45 % en niveau de la station H2 et de 29,07 % au niveau de la station C1, avec une moyenne de 18,18 % et un écart type de 6,88. La variation verticale de MOP pendant la période printanière est relativement faible et les plus faibles valeurs (< 39 %) sont enregistrées au niveau de la station 17 dans les eaux de la baie.

15 67 36.82 16 4 11 64 5 1 9 36.8 14 12 13 61

l 8 2 17 z 58 A i

36.78 ' 18 m d a

t H r l 55 o E P d 6 10 e 36.76 u 3 O 7 52

49 36.74 Oued El Harrach 46 3.06 3.08 3.1 3.12 3.14 3.16 3.18 3.2 3.22 3.24 % MOP Longitude Figure 5.17: Distribution de la matière organique en surface de la baie d'Alger.

145

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.18 : Variation des pourcentages de la matière organique particulaire dans les profondeurs de la baie d’Alger.

36.84 AB D1 H1 I1 F1 64 36.82 A1 H2 B1 C1 D2 F2 56

B2 C2 F3 48 36.8 D3 E1 G1 H3 I2

G2 z 40 E2 H4 i D4 I3 m 36.78 P3P1 C3 F4 a H 32

l E P2 D5 E3 H5 C4 F5 ed 24 36.76 u C5 D6 E4 O 16

36.74 8 Oued El Harrach

0 3.04 3.06 3.08 3.1 3.12 3.14 3.16 3.18 3.2 3.22 3.24 [MOP] (mg/L) Longitude Figure 5.19: Distribution de la matière organique à 25 m de profondeur en baie d'Alger.

2. Extraction de la réflectance de l'eau de mer. 2.1 Données et conditions atmosphériques. Les bandes spectrales visibles des satellites peuvent servir pour mettre en évidence l’ampleur de la pollution de la zone côtière puisque l’eau réfléchit le rayonnement solaire dans cette partie visible du spectre électromagnétique (Guyot, 1989; Houma et al.,2004(b)). Nous avons utilisé les images satellite SPOT et LANDSAT de la même période de prélèvement des échantillons. L’observation est réalisée dans les différentes bandes spectrales. L’image englobe la zone analysée et présente une bonne résolution spatiale où la surface élémentaire est de 5 mètres.

146

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Pour notre étude, nous avons utilisé le logiciel de traitement d’images satellites PCSATWIN développé par Bachari et al.(1997) et qui permet de réaliser une analyse multispectrale. Lors de la prise des images et des échantillons cités, nous avons noté les données des conditions atmosphériques enregistrées au niveau de la Station de l’Office National de Météorologie. Les conditions météorologiques sont presque stables (mer non agitée) durant toutes les campagnes et présentent une température d’air de l’ordre de 20°C, une vitesse de vent inférieure à 4m/s et un taux d’humidité de 75%. Nous avons utilisé ces informations comme étant des données d’entrée pour le calcul de la réflectance. 2.2 Calage et échantillonnage. L’image satellite est calée dans l'outil de cartographie. Au moment de l’échantillonnage, des photos sont prises pour les régions étudiées. En utilisant le même logiciel, chaque point d’échantillonnage lui a été affecté ses coordonnées images. (Figure 5.20) Pour minimiser les erreurs, nous avons pris la moyenne radiométrique du pixel et de ses proches voisins tel que: 1 CN ( i, j ) = [(CN ( i, j ) + CN ( i -1, j ) + CN ( i +1, j ) + CN ( i, j-1) + CN ( i, j +1 )] (5.2) 5 Où i et j sont les coordonnées image du pixel. CN : compte numérique du pixel Nous avons donc calé les photos des lieux par rapport à l’image satellite et nous avons positionné les points d’échantillonnage sur l’image satellite .En ces lieux, nous avons calculé les réflectances de chaque pixel à partir du modèle développé. 2.3 Modélisation de la réflectance. La radiation atteignant le satellite est composée de la radiation globale spectrale réfléchie par le sol en passant de nouveau à travers l’atmosphère R sol-atm et une partie de la radiation diffuse par l’atmosphère terrestre vers le satellite R atm-sat ; la radiation qui atteint le capteur est :

R capteur = R sol-atm + R atm- sat (5.3)

Avec : R sol-atm = Gλ(θs) Tλ (θv) ρλ /(1-ρ λ ω ) (5.4)

ρλ est le coefficient de réflectance, Gλ est le rayonnement global qui atteint le sol, il représente la somme d’un rayonnement direct et d’un rayonnement diffusé par les molécules d’air et les aérosols vers le sol ; Tλ (θv) est la fonction de transmission de la radiation en haut atmosphère ; ω est l’albédo sphérique pour l’atmosphère qui explique les multiples réflexions entre la surface du

147

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image sol et l’atmosphère; θs est l’angle solaire de zénith en degrés et θv est l’angle de vue du capteur au moment de la prise de l’image.

Figure 5.20 : Les points d’échantillonnage sur l'Image satellite SpotXS 2009 de la baie d’Alger.

Quand la réflectivité de l’eau est faible, l’équation (1) peut être approximativement linéaire :

R capteur(λ) = R atm- sat (λ) + Gλ (θs) Tλ (θv) ρλ (5.3a) La brillance simulée dans le cas général est donnée par :

∫Rcapteur(λ).S(λ).dλ ∆λ Bsimulée= (5.5) : S (λ) représente la bande spectrale. ∫S(λ)dλ ∆λ

Si la brillance réelle d’une image donnée est Bimage , on doit avoir une relation du premier ordre d’approximation telle que : B simulée = Cj. Bimage (5.6)

∫Rcapteur(λ).S(λ)dλ ∆λ Bimage= (5.7) ∫E0(λ)(1+ f)cos(θ)S(λ)dλ ∆λ

Cj est le facteur de calibration du capteur ; E0(λ) (1+f) est l’irradiance moyenne en dehors de l’atmosphère solaire exprimée en unité w cm-2 µm-1; (1+f) est la distance terre-soleil en unités astronomiques; f est le coefficient donné par la relation de ( Gurney & de Hall, 1983) tel que pour un jour spécifique : f =0.0167 sin(2π (j- 93.5))/365) (5.8) où j est le nombre de jours de l’année.

2.4 Calcul de la réflectance à partir de l’image satellite.

148

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Les propriétés optiques de l’eau douce et de l’eau de mer propre sont semblables. Nous avons utilisé la signature spectrale de l’eau de mer à partir de la bibliothèque des signatures spectrales de l’eau du logiciel 5S développé par TANRE. (Tanre et al.,1990); dont on s’est inspiré pour calculer les réflectances . Pour chaque pixel, nous avons comparé le compte numérique calculé au compte numérique mesuré afin d’obtenir les facteurs de calibration Cj dans chaque canal. Pour extraire la réflectance de chaque pixel de l’image, on transforme l’image compte numérique

(CN) en image Luminance par la relation : L = Cj. Bimage (5.9) Quant à calculer la radiation réfléchie par l’eau qui atteint le satellite, nous avons utilisé la radiation globale spectrale Gλ qui atteint le sol et la signature spectrale de l’eau pure pour obtenir la radiation réfléchie par l’eau ; celle-ci traverse à nouveau l’atmosphère et subit l’effet des différents constituants par leurs transmittances caractéristiques. La radiation en haut- atmosphère

E est exprimée ainsi : E = π. Cj. Bimage (5.10) Dans notre modèle, on considère que le système sol - atmosphère diffuse la radiation d’une manière isotropique. La réflectance présente une valeur moyenne < ρ > : E = Π. L = A + K < ρ> (5.10a) Pour toute l’image, la luminance est calculée par la formule :

Π .L = Ratm- sat + Rsol – atm (5.10b) ⇒ Π . L = A + K < ρ > (5.10c) λ2 λ2 ∫Rcapteur s(λ)dλ ∫G λTλs(λ)dλ λ1 λ1 A= λ2 et K = λ2 (5.11) et (5.12) ∫s(λ)dλ ∫s(λ)dλ λ1 λ1 Nous employons le modèle inverse pour calculer la réflectance Refj pour chaque pixel des sites étudiés en utilisant la relation suivante:

πCjBimage− RcapteurSλdλ ∫∆λ Re f j = (5.13) ∫GλTλ Sλdλ

Les valeurs des réflectances de l'eau de mer pour quelques stations sont regroupées dans le (Tableau 5.5).

3. Résultats et discussion.

149

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

L’application de la composante principale (ACP) sur l’ensemble des données met en relief les différentes familles corrélées entre elles. L’analyse permet de montrer le regroupement des différents paramètres physicochimiques et optiques fortement liés entre eux. Nous observons ainsi une forte liaison entre les canaux visibles des satellites et les paramètres indicateurs de la pollution tels que la turbidité et les matières en suspension. (Figure 5.22a et Figure 5.22b)

Tableau 5.5 : Réflectances de l'eau calculées pour les trois canaux SPOTXS.

Profondeur Réf SPOT1 Réf SPOT2 Réf SPOT3 1 0.375 0.275 0.024

5 0.387 0.287 0.021

10 0.287 0.255 0.012

15 0.265 0.115 0.016

25 0.215 0.105 0.012

25 0.198 0.287 0.011 50 0.107 0.103 0.010 75 0.119 0.136 0.005

3.1 Analyse physico-chimique. Les teneurs élevées en matières en suspension totales contenues dans les eaux de la baie d'Alger peuvent empêcher la pénétration de la lumière, nuisant ainsi à la photosynthèse et à la reproduction d’algues nécessaires au biotope aquatique (Van de Hulst, 1957). Les faibles teneurs en oxygène dissous dans l’eau de mer sont préoccupantes, montrent une consommation excessive de l’oxygène qui traduit des conséquences très graves et fatales sur la vie aquatique en entraînant un phénomène d’eutrophisation du littoral (des pullulations d’algues vertes Ulva –Enteromorpha ou de phytoplancton bloom). (Castaing et al., 1979; Clark, 1981)

Le résultat est aussi appréciable pour la turbidité vu que l’effet combiné de l’absorption et de la diffusion dans l’eau réduit le rayonnement solaire réfléchi et diminue alternativement l’oxygène dissous disponible. La régression linéaire DO= - 0,1208 Tu + 6.3210 (r2 = - 0.78) explique l’accroissement de la consommation de l’oxygène dû dans ce cas à la multiplication des algues et du plancton qui réduit le passage de la lumière et qui s’accompagne d’une modification profonde de la faune, tant en quantité qu’en qualité. (Westerholm et al.,1988)

150

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

L’évolution remarquable de la teneur d’oxygène dissous avec la turbidité provoque l’eutrophisation des milieux et peut aller jusqu’à l’élimination de certaines espèces et la limitation de la vie aquatique en ces zones excessivement polluées. (Bachari & Houma, 2005; Houma,2005) De plus, la turbidité est une grandeur elle-même dépendante de la matière en suspension et de la matière organique Tu = 49,668-0.0181*MES (r² = - 0.8103) ; les valeurs élevées de turbidité peuvent donc favoriser le développement de plusieurs microorganismes tels que les Saprophytes qui se multiplient au dépens de cette charge en matière organique. (Figure 5.21) Les valeurs de pH, de conductivité et de température ne donnent pas forcément une idée sur la qualité ou la charge de l’eau. La basicité remarquable des différents endroits peut être liée à la contamination des milieux par les bactéries ou par des pigments chlorophylliens très sensibles à la lumière et au potentiel d’hydrogène.

Certaines bactéries ont une préférence marquée pour la multiplication en milieu basique, nous citons les Escherichia Coli qui se reproduisent à partir d’un pH variant de 4,4 à 9 ou encore les Vibrio qui peuvent se développer jusqu’un pH optimal de 9. La mesure de conductivité ne permet pas dans notre cas de proposer des conclusions car si les sels minéraux sont dans l’ensemble de bons conducteurs, les matières organiques et colloïdales n’ont que peu de conductivité. En ce qui concerne la température, sa variation est aussi importante pour les eaux usées à cause de son effet sur la solubilité de l’oxygène. Les élévations du pH et de la température peuvent être nuisibles pour les poissons et peuvent provoquer des altérations importantes dans la flore et la faune. (Boni, 2002)

Figure 5.21: Taux de liaison Turbidité et Matières en suspension. (Base de données 2009)

151

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

3.2 Analyse des réflectances. La réflectance au niveau des points pollués est relativement forte par rapport à celle des points de moindre pollution, ceci explique parfaitement que la mesure satellite des zones chargées est plus importante que celle des zones moins chargées. Ces résultats prouvent l’existence d’un lien entre la réflectance, la qualité et la charge de l’eau. Cependant, la mesure multispectrale est aussi importante pour les points proches de Oued El Harrach et d'autres dans la zone du port d'Alger, une zone qui est caractérisée par une forte hétérogénéité radiométrique expliquée par l’existence de déchets industriels et urbains. (Houma et al.,2004(a); Belkessa et al.,2008). La réflectance est relativement élevée pour le port touché par la pollution du second rejet se situant à proximité et créant donc une forte pollution d’origine bactérienne et chimique. La forte présence des matières en suspension dans les lieux diminue la visibilité et limite l’introduction des rayons solaires dans le milieu aquatique, par ailleurs, la turbidité et les matières en suspension qui ont un effet commun lié à l'élévation du signal de retour influent sur les valeurs de réflectance. (Tableau 5.5)

Le spectre de réflectance de l’eau se trouve entièrement entre 0,4µm et 0,7µm, où le maximum de réflexion est enregistré dans les faibles longueurs d’ondes du spectre visible, précisément vers 0,5µm (Guyot, 1989).La réflectance des eaux turbides et polluées est d’une façon générale plus haute que la réflectance des eaux claires. (Bricaud ,1988) Notons aussi que pour les faibles profondeurs de l’eau de mer propre la réflectance du fond doit être prise en compte. Par contre dans notre cas où les zones sont saturées de matières en suspension, la contribution du fond dans le signal capté par le satellite devient négligeable sous l’effet de l’absorption et la diffusion volumique. En plus, il faut signaler que les rejets de la ville d’Alger déversent directement leurs déchets sur la surface marine, ce qui minimise encore l’effet de la profondeur sur la réflectance.

3.3 Modélisation des paramètres. Toutes les corrélations sont effectuées en considérant que les paramètres sont normaux à 95%. Une forte liaison est obtenue dans notre cas entre les réflectances dans les portions du vert et rouge du spectre électromagnétique. (Tableau 5.6)

152

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Les bandes spectrales SPOT(XS1), Landsat(TM1) et Landsat(TM2) donnent les meilleurs coefficients de corrélation avec les luminances et les réflectances des canaux correspondants ; elles sont donc les mieux adaptées pour le suivi de la qualité des eaux. (Houma et al.,2004(b)) L’ajustement linéaire entre les variables réflectances des différents canaux et les paramètres physico-chimiques a donné des relations à forte corrélation, à moyenne corrélation et à faible corrélation. Nous distinguons que les meilleurs résultats des coefficients de corrélation sont sur Spot(XS1) ; TM1 et TM2 du satellite Landsat (Houma et al.,2004(b)).

Tableau 5.6 : Corrélations réflectances de l'eau de mer obtenues pour les canaux visibles des satellites. Banque de données (Campagnes océanographiques 2009). Zone Fonctions Conversions radiométriques R

Ref (TM1) = f (Turbidité) Turbidité = -0,4910 + ,66095 * Ref (TM1) 0,83484 Ref (XS1) = f (Turbidité) Turbidité = 2,3508 + ,81176 * Ref (SpotXS1) 0,84471 Ref (XS1) = f (MES) MES = 2231,0 - 36,11 * Ref (SpotXS1) - 0,8402 d’Alger

Ref (TM2) = f (Turbidité) Turbidité = 1,0311 + 1,0591 * Ref (TM2) 0,84143 Ref (XS1) = f (Chlr) Ref(XS1) = 20,425 + 37,807 * Chlr 0,90024 Ref (TM1) = f (Chlr) Ref(TM1) = 26,311 + 51,135 * Chlr 0,89201 Labaie Ref (TM2) = f (Chlr) Ref(TM2) = 17,290 + 24,511 * Chlr 0,89651

Les plus faibles valeurs sont observées sur le canal XS3, TM4, TM5 et TM6 ce qui est tout a fait logique puisque l’absorption de l’eau devient très importante dans cette bande infrarouge. (Abdellaoui et al.,2007; Bukata et al.,1981).Les bandes 1 à 3 de Landsat TM permettent une bonne vision du degré de turbidité des eaux côtières avec une résolution de 30 m, alors que la bande 6 révèle les variations de la température marine avec une résolution de 60 m. (Jaquet & Weber,2002)

 Application aux satellites SPOT et Landsat TM.

153

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.22a : Corrélation de la turbidité à SPOT1. Turbidité = 2,3508 + ,81176 * Ref (SpotXS1); R= 0,84471 Figure 5.22b : Corrélation de la matière en suspension à SPOT1. MES = 2231,0 - 36,11 * Ref (SpotXS1) ; R= - 0,8402 De point de vue optique, les substances qui influencent la réflectance sont classées en trois catégories, le phytoplancton vivant (dépend de la concentration en chlorophylle et les détritus qui lui sont associés), les particules minérales en suspension, et la matière organique dissoute (substance jaune) (Austin, 1974; Bricaud, 1988; Ferrari & Tassan,1992;Morel et al.,2007(a)) . La turbidité est liée à la matière en suspension, avec une certaine proportion relative attribuable à la chlorophylle-a mettant en évidence la relation entre l’apport d’éléments nutritifs et la prolifération d’algues. D’autre part, la matière organique dissoute représente une très forte absorption dans le bleu ce qui permet de donner à l’eau une coloration jaune-brun et de montrer que la diffusion moléculaire est négligeable (Ferrari & Tassan,1992) ; où une partie de la substance jaune peut provenir de la dégradation du phytoplancton in situ. Les cellules du phytoplancton et les particules correspondant aux détritus biogenèses provoquent une diffusion de Mie de la lumière, moins dépendante de la longueur d’onde ; ainsi la couleur de l’eau de mer peut glisser progressivement vers le vert avec l’accroissement de la concentration en phytoplancton qui varie en fonction du type d’algue. La distribution de la teneur en chlorophylle dans l’eau de mer est mise en relation avec la turbidité (Bricaud,1990), ceci peut bien expliquer les bonnes corrélations trouvées sur le deuxième canal vu que les eaux où domine le phytoplancton présentent un maximum de réflectance dans le jaune vers 565 nm. (Tableau 5.6)

154

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Il y a donc une réflexion considérable dans ce domaine spectral qui justifie que les canaux visibles peuvent servir pour étudier la couleur de l’eau de mer et pour en déduire la concentration en sédiments et la concentration en chlorophylle. (Houma et al., 2009(b))

Figure 5.23a : Courbe de corrélation de la turbidité à Landsat TM1. Turbidité = - 0,4910 + ,66095 * Ref (TM1); R= 0,83484 Figure 5.23-b : Courbe de corrélation de la Turbidité à Landsat TM2 Turbidité = 1,0311+ 1,0591 * Ref (TM2); R=0,84143 L'ensemble des résultats des analyses corrélatives est donné par la matrice des paramètres mesurés en baie d'Alger. Nous présentons la matrice de corrélation de la matière en suspension dans l’eau de mer de surface et de la turbidité aux données satellitaires (Tableau 5.7).

Tableau 5.7 : Corrélation Matière en suspension et turbidité aux données satellitaires Landsat et Spot.

3.4 Images et cartes de pollution. En utilisant le logiciel PCSATWIN développé par Bachari et al., 1997, nous avons transformé l’image réflectance en image indicatrice de la distribution des matières en suspension, de la turbidité et de la chlorophylle a en baie d'Alger. (Figure 5.24)

155

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

L'image traitée permet d'estimer dans certaine mesure la pollution des eaux de mer dans la majorité des lieux, couvrant ainsi la quasi totalité de la région d'étude. En effet, il existe une forte liaison entre les réflectances et les mesures des paramètres de pollution. L'inversion des modèles obtenus permet d'obtenir la spatialisation de la concentration des mesures chimiques, physiques et biologiques de l'eau de mer.

Figure 5.24 (a, b): Logiciel de traitement d'Images satellites et application d'entrée pour une image Landsat TM, canal TM2

Figure 5.25 : Spatialisation de la concentration de la Matière en Suspension. Image SPOT transformée en image MES. Application du modèle MES (mg/l) = 2231,0 - 36,11* Ref (SpotXS1)

Nous remarquons que plus la concentration des matières en suspension est élevée et plus la réflectance de l'eau de mer devient importante, ce qui nous amène à déduire que la pollution est indiquée par des valeurs radiométriques élevées. (Houma et al., 2004(c); Houma et al.,2006)

156

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

En réalité, la couleur de l’eau de mer qui est l’un des descripteurs organoleptiques évidents (Jaquet & Zand,1989), reste toujours un facteur important de différenciation qui renseigne sur la lueur de l’eau, sur sa qualité et qui peut servir comme un indicateur de sa transparence.

Figure 5.26 : Spatialisation de la Turbidité. Image SPOT traitée en image turbidité. Application du modèle : Turbidité(NTU) = 2,3508 + 0,81176*Ref (SpotXS1).

Figure 5.27 : Spatialisation de la turbidité, image Landsat TM traitée en image turbidité. Application du modèle : Turbidité = 1,0311 + 1,0591*Ref (TM2).

La distribution de la turbidité est moins représentative dans le cas du canal 2 de Landsat TM, alors que le coefficient de corrélation calculé dans cette bande spectrale est identique à celui trouvé sur SPOTXS1. Nous distinguons donc une répartition moyenne du paramètre, ce qui est logique vu la résolution moyenne des satellites Landsat. (Bachari & Mennad,2008)

157

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Les figures (5.25 ,5.26, 5.27 et 5.28) liées au taux de matières en suspension, à la turbidité de l’eau et à la chlorophylle a, nous permettent de classer clairement les zones polluées et celles chargées par la distinction de la couleur de chaque région à partir de l’image satellitaire transformée, soit plusieurs classes observées indiquant un degré différent de pollution. Nous concluons que le canal1 SPOTXS peut être donc bien destiné aux diverses applications marines.

Figure 5.28 : Spatialisation de la concentration de la chlorophylle a. Image SPOT traitée en image chlorophylle a. Inversion du modèle : Ref(XS1)= 20,425 +37,807*Chl_a. En perspective, nous essayons d’appliquer nos résultats sur des zones ultérieures afin de valider l’approche développée et trouver l’intervalle de confiance pour chaque paramètre indicateur de pollution. Nous considérons que cette approche est prometteuse pour l’étude de la qualité des eaux côtières et devient indispensable pour la mise au point d’une carte de pollution. (Abdellaoui et al.,2007; Houma et al., 2008)

B. II. Résultats de la Modélisation des Paramètres de la campagne océanographique 2003. 1. Modélisation statistique : réflectances et paramètres La matrice de corrélation de la matière en suspension et les différentes réflectances est donnée en (Tableau 5.8). (Houma et al., 2004(a))

Tableau 5.8 : Matrice de corrélation de la matière en suspension dans les bandes spectrales.

158

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

2. Cartes de pollution. L’inversion des meilleures corrélations trouvées dans la modélisation des paramètres satellitaires et les paramètres indicateurs de la pollution dans les eaux de la baie d'Alger, permet d’exprimer le paramètre choisi en fonction de la réflectance de l'eau de mer dans le canal satellite considéré. (Tableau 5.9) Nous présentons les résultats dans le cas de la matière en suspension et de la turbidité de l’eau de mer. Ces équations sont appliquées dans PCSATWIN pour obtenir les images radiométriques transformées en images indicatrices de la pollution. La dégradation des couleurs obtenues montre clairement la variabilité et la distribution spatiale du paramètre sur toute la baie. (Houma et al., 2004 (c); Bachari et al.,2004) L’inversion des relations linéaires concerne un seul canal, les équations obtenues sont utilisées pour convertir les scènes d’images de la zone d’étude en une image montrant la distribution spatiale du paramètre indicateur de la pollution en baie d’Alger. (Froidefond et al.,2002(b); Bachari et al.,1998, Bricaud,1988) Tableau 5.9 : Résultats des analyses corrélatives de la baie d’Alger. Campagne 2003

Fonctions Régression linéaire Corrélation Ref (TM2) = f (MES) Ref2 = 0.05673 + 0.0049 * MES R = 0.85312 Ref (MSS4) = f (MES) Ref4 = 0.06187 + 0.00054 * MES R = 0.85338 Ref (XS1) = f (TU) Ref1 = 0.31423 + 0.0004 * TU R = 0.83507 Ref (TM2) = f (TU) Ref2 = 0.6340 + 0.00039 * TU R = 0.83796 Ref (MSS4) = f (TU) Ref4 = 0.06930 + 0.00043 * TU R = 0.83512 Ref (XS1) = f (MES) Ref1 = 0.31350 + 0.00005 * MES R = 0.85386 Ref (TM1) = f (MES) Ref1 = 0.06448 + 0.00061 * MES R = 0.85508 Ref (TM1) = f (TU) Ref1 = 0.7300 + 0.0049 * TU R = 0.83021

La figure 5.31 est déduite à partir de l’image satellite, une extraction d’informations est réalisée dans ce cas pour obtenir une carte de pollution montrant la distribution d’un paramètre donné.

159

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

MES_MG_L vs. MSS4 (Suppr. des Obs. à VM) TU__NTU_ vs. SPOT_XS1 (Suppr. des Obs. à VM) MSS4 = ,06187 + ,00054 * MES_MG_L SPOT_XS1 = ,31423 + ,00004 * TU__NTU_ Corrélation: r = ,85388 Corrélation: r = ,83507 0,092 0,316

0,316 0,088 0,316

0,316 0,084 0,316

0,315 MSS4 0,080

SPOT_XS1 0,315

0,076 0,315 0,315 Régression Régression 0,072 0,315 26 30 34 38 42 46 50 54 IC à 95% 15 20 25 30 35 40 45 50 55 IC à 95% MES_MG_L TU__NTU_ Figure 5.29 : Figure5.30 : Corrélation de la matière en suspension à MSS4. Corrélation de la turbidité à SPOT1. MSS4= 0.06187 + 0.00054*MES ; R = 0.85338 SPOT1= 0.31423 + 0.0004 * TU. R = 0.83507.

Les images transformées montrent la variation de la pollution sur toute la baie d’Alger. La spatialisation de la matière en suspension et de la turbidité est bien distinguée sur les figures 5.31 ; 5.32 et 5.33. Les scènes XS1 et TM1 donnent les meilleures spatialisations des paramètres. Les images brutes sont corrigées des effets atmosphériques puis traitées à partir des meilleurs modèles obtenus (Tableau 5.10).

La spatialisation de la pollution est observée à travers les différentes classes distinguées sur les images; une simulation de la matière en suspension et de la turbidité est possible à partir des images traitées où à chaque pixel image est affecté non plus une valeur radiométrique mais plutôt la concentration du paramètre indicateur de la pollution marine.

Tableau 5.10 : Modélisation MES et Turbidité dans Spot et Landsat TM et MSS.

Fonctions Conversions radiométriques R

Ref (MES) = f (XS1) MES = - 4277 + 13680 * XS1 R = 0.85386 Ref (MES) = f (TM1) MES = - 65.41 + 1190.7 * TM1 R = 0.85508 Ref (MES) = f (MSS4) MES = -71.56 + 1341.5 * MSS4 R = 0.85312 Ref (TU) = f (XS1) TU = -5149 +16421* XS1 R = 0.83507 Ref (TU) = f (TM1) TU = -92.42 + 1418.9 * TM1 R = 0.83021 Ref (TU) = f (TM2) TU = -102.3 + 1781.6 * TM2 R = 0.83796 Ref (TU) = f (MSS4) TU = -100.7 + 1610.4 * MSS4 R = 0.83512

160

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.31: Spatialisation de la matière en suspension à partir du modèle MES = - 65.41 + 1190.7 * TM1; R = 0.85508

La cartographie déduite à partir des images satellites traitées est donnée en utilisant le Système d'information géographique POlGIS destiné à la pollution marine. (Houma et al.,2009(b))

Figure 5.32: Cartographie de la matière en suspension (Landsat TM1) à partir de PolGIS système.

161

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.33: Spatialisation des matériaux en suspension .Image SPOT traitée. MES mg/l) =- 4277+ 13680* XS1

Figure 5.34: Cartographie de la Matière en suspension (SPOTXS1) à partir de PolGIS système.

Figure 5.35: Turbidité en baie d'Alger sur Landsat TM à partir du modèle

162

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

TU (NTU) =-102.3 + 1781.6*TM2.

Figure 5.36: Cartographie de la Matière en suspension (LandsatTM2) à partir de PolGIS système.

Figure 5.37 : Turbidité en baie d'Alger sur SPOTXS à partir du modèle Tu (NTU) = -5149 +16421* XS1.

La cartographie déduite à partir de l'image satellitaire traitée est donnée en figure suivante:

163

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.38 : Cartographie de la turbidité en baie d’Alger. (Campagne 2003) (Houma et al., 2004(b))

III. APPLICATION EN BAIE DE BOUSMAIL. Nous présentons les différentes relations trouvées et le coefficient de corrélation des différents ajustements entre les réflectances et les paramètres indicateurs de la pollution. Les résultats sont significatifs et importants sur les canaux visibles et proche infrarouge des satellites permettent d'estimer la pollution de la baie de Bousmail. Les mesures obtenues sur cette baie lors des deux campagnes océanographiques 2008 et 2003 et à différentes périodes chacune sont présentées en Annexe. . La première partie est consacrée à l’étude des variations des paramètres mesurés pour l’évaluation du taux de la pollution dans cette zone. . La deuxième partie traite l’application des résultats obtenus au logiciel corrélatif à l’image satellitaire pour donner des cartes de polluants et d’indicateurs de pollution de l’eau de mer. Les sites étudiés et l’échantillonnage effectué est décrit au Chapitre 1. (Gilliot, 2000)

A. Variation des paramètres physico-chimiques. Dans notre étude, on se limite à prendre en considération les paramètres mesurés in situ telles que la température, la salinité, le pH et l’oxygène dissous, ainsi que la détermination de la matière en suspension et la matière organique particulaire réalisées au laboratoire (Tableau 5.11). A. Résultats de la sortie du 04/Avril/2008

164

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

1. Salinité. (banque de données 2008) La salinité varie selon la température, la profondeur les apports en eau douce ainsi que la circulation océanique. Au niveau des eaux de surface, La salinité est comprise entre 36.08 ‰ à la station b71 et 38.06 ‰ à la station b82, avec une moyenne de 37.29 ‰. Dans les eaux profondes la salinité varie selon la profondeur, avec une valeur de 36.18 ‰ comme minimum au niveau de b30 à une profondeur de 85m, et de 38.08 ‰ comme maximum au niveau de la station b81 à 5m de profondeur avec une moyenne de 37.16 ‰.

Tableau 5.11 : Mesures réalisées en baie de Bousmail lors de la première campagne.

Stations S1 S2 S3 S4 S5 Moyenne Ecart type T (°K) 294,63 294,60 293,20 293,60 294,30 294,07 0,64 pH 7,69 7,80 7,59 8,36 8,38 7,96 0,38 Oxygène dissous (mg/l) 5,43 5,96 2,76 12,44 9,98 7,31 3,86 Saturation en oxygène (%) 53,40 45,00 33,50 140,30 114,15 77,27 47,06 Conductivité (mS /cm) 48,23 49,60 47,90 48,50 50,00 48,85 0,91 Salinité (‰) 36,00 36,15 35,30 35,50 36,60 35,91 0,52 MES (mg/l) 188,00 82,80 116,80 91,20 126,80 121,12 41,50 Taux de MOP dans l'eau (%) 72,34 43,48 54,79 52,63 41,01 52,85 12,37 Heure de prélèvement 11h30 12h 12h55 13h30 14h40 - -

Les valeurs de salinité varient très peu entre les stations, elles sont relativement moyennes, ce qui correspond aux remontées des courants d’origine atlantique (36‰ < S‰< 38.) qui font partie des 3 types de masse d’eaux en Méditerranée.

Figure 5.39 : Distribution spatiale de la salinité en surface dans la baie de Bousmaïl.

165

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.40 : Distribution spatiale de la salinité en profondeur dans la baie de Bousmaïl.

2. Température. La valeur de la température dans la baie de Bousmaïl reste homogène dans toutes les stations. En surface, sa valeur est comprise entre 21 °C au niveau de la station b2 et 27 °C au niveau de la station b87, avec une moyenne de 24.36°C. Dans les eaux profondes, elle varie entre

15 °C au niveau de la station b20 à une profondeur de 150 m, et 16.9 °C au niveau de la station b82 à 100m de profondeur. Les températures enregistrées tout au long de la baie présentent une moyenne de 19.08 °C. (Figure 5.41 et Figure 5.42)

Figure 5.41 : Distribution spatiale de la température en surface dans la baie de Bousmaïl.

3. Oxygène dissous. La teneur de l'oxygène dissous des eaux de surface de la baie de Bousmaïl, varie de 2.8 mg/l au niveau de la station b72 et de 7.4 mg/l au niveau de la station b3, avec une moyenne de 5.19 mg/l. Les plus faibles concentrations sont mesurées à l'est de la baie d'El-Djamila.

166

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Ces faibles concentrations en oxygène dissous sont dues probablement au nombre important de rejets d'eau usées présents dans la région. Dans les eaux profondes, la concentration en oxygène dissous varie, avec une concentration de 4.2 mg/l comme minimum au niveau de b77 à une profondeur de 5m, et de 6.0 mg/l comme maximum au niveau de la station b26 à 180m de profondeur avec une moyenne de 6.3 mg/l. En plus de la pollution qui existe près de la côte, la consommation de l’oxygène par les microorganismes et la température élevée de la masse d’eau pourraient expliquer les faibles teneurs en oxygène dissous. (Lacaze,1996(a) ;Kankou ,2004).

Figure 5.42 : Distribution spatiale de la température en profondeur dans la baie de Bousmaïl.

4. Matière organique particulaire. Le taux de la matière organique particulaire dans la baie de Bou-Ismaïl varie entre 41.01 % au niveau de la station S5 (Azur plage) à 72.34 % au niveau de la station S1 (Bassin A du port de Bouharoun) due à la pollution au niveau du port causée les différents rejets et déversement des navires, avec une moyenne de 52.85 % et un écart type de 12.37.

Figure 5.43 : Distribution spatiale de l’oxygène dissous en surface dans la baie de Bousmaïl.

167

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.44 : Distribution spatiale de l’oxygène dissous en profondeur dans la baie de Bousmaïl

. Résultats de la Campagne océanographique 2007 : (Echantillonnage Décembre 2007) Une quatrième campagne a concerné l'analyse de 15 stations en surface et en profondeur le 10 Décembre 2007. Les paramètres analysés sont enregistrés au Tableaux 5.12 et 5.13. 1. Oxygène Dissous. Pour les concentrations en oxygène dissous, les teneurs maximales sont relevées au niveau du Chenoua (S3) et de la zone de Douaouda marine (S14) ainsi qu’au niveau de certaines stations avoisinantes, ceci serait dû à l’agitation des eaux causées par l’hydrodynamisme qui caractérise cette région. Les teneurs minimales (5.81 mg/l ; 4 mg/l) sont enregistrées au niveau de Bousmail (S10) et du Chenoua (S1), indiquant une forte consommation d’oxygène dans les processus de reminéralisation de la matière provenant des rejets urbains et des petites usines implantées dans la région.

B. Modélisation des paramètres physico-chimiques et des données satellitaires. 1. Extraction de la luminance de l’eau par simulation SDDS. Les réflectances sont obtenues à partir des luminances des pixels des stations analysées dans la baie d’Alger. Le modèle de simulation regroupe l’ensemble des données géométriques et atmosphériques, les résultats obtenus en luminance des canaux des satellites donnent la radiométrie des zones. (Figure 5.45) Dans notre étude, nous allons simuler les luminances captées par les radiomètres embarqués à bord des satellites dans différents canaux, pour cela, on utilisera le logiciel SDDS qui va nous calculer les luminances apparantes des surfaces marines interceptées par les capteurs des

168

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image satellites : SPOTXS ; NOAA-AVHR ; LANDSAT TM et LANDSAT MSS; les conditions géométriques et atmosphériques étant établies au préalable (Bachari et al.,1997; Houma,2005(a))

Tableau 5.12 : Mesures et positionnement des Stations de Prélèvements de la Campagne 4.

MES Turbidité Stations Emplacement de la station Latitude Longitude T(°C) MO (mg) (mg/l) (NTU) B1 Kef-el-Hammouch 36°38' 75 2°25' 00 16 141,6 0,0856 72 B2 Baie de Chenoua 36°37' 75 2°26' 00 15,9 149,6 0,0879 63 B3 Tipaza 36°37' 75 2°30' 00 15,8 148,8 0,0831 59 B4 Bou-Ismail 36°38' 15 2°35' 00 15,7 149,6 0,0848 56 B5 Large de Bou-Ismail 36°39'' 75 2°35' 00 15,5 148 0,0846 38 B6 Bou-Ismail 36°39' 25 2°40' 00 15,8 134,4 0,0819 80 B7 Large de Fouka marine 36°40' 00 2°40' 00 15,7 136 0,0813 67 B8 Large de Fouka marine 36°42' 25 2°40' 00 16 149,6 0,0856 34 B9 Douaouda marine 36°41' 60 2°45' 00 16,1 150,4 0,0831 39 B10 Douaouda marine 36°42' 50 2°45' 00 16 157,6 0,0858 41 B11 Embouchure de l’oued Mazafran 36°43' 00 2°48' 20 16,6 61,6 0,0851 145 B12 Large de l’oued Mazafran 36°44' 50 2°47' 80 16,3 152 0,0852 56 B13 Plage ouest (Centre thermale) 36°45' 50 2°50' 00 17,1 152 0,2896 33 B14 Plage Est (Moretti) 36°46' 00 2°51' 60 16,8 216,8 0,0745 42 Embouchure de l’oued Beni B15 36°46' 60 2°53' 00 16,7 150,4 0,0805 158 Messous

Tableau 5.13 : Positionnement des Stations de Prélèvement de la Deuxième Campagne (25 décembre 2007) Station Emplacement de la station Latitude Longitude T (°C) B 16 Kef-el-Hammouch 36°38' 75 2°25' 00 20,1 B 17 Embouchure de l’oued Nador 36°36' 60 2°26' 05 19,6 B 18 Baie de Chenoua 36°37' 75 2°26' 00 19,5 B 19 Large de Tipaza 36°38' 55 2°31' 40 19,7 B 20 Bouharoun 36°38'' 00 2°38' 80 18,7 B 21 Bou-Ismail 36°39' 25 2°40' 00 18,4 B 22 Douaouda marine 36°41' 06 2°45' 00 19,2 B 23 Douaouda marine 36°42' 00 2°46' 30 18,4 B 24 Embouchure de l’oued Mazafran 36°43' 00 2°48' 20 18,8 B 25 Large de l’oued Mazafran 36°44' 50 2°47' 80 19 B 26 Plage Ouest 36°44' 60 2°49' 40 18,6 B 27 Embouchure de l’oued Beni Messous 36°46' 60 2°53' 00 17,3 B 28 Sidi Fredj (Centre Thalassothérapie) 36°46' 00 2°49' 70 19,3 B 29 Large de Sidi Fredj 36°48' 00 2°49' 40 18,5

Pour déterminer les différentes radiations au niveau des stations étudiées, on considère les paramètres d’entrées qui sont des paramètres astronomiques, géographiques et atmosphériques caractérisant principalement les coordonnées géographiques des points et les données météorologiques au moment de l’échantillonnage.

169

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

(a)

(b) Figure 5.45 (a,b) : Application des paramètres atmosphériques et coordonnées d'une station de prélèvement ; b) Résultats des luminances simulées de la station sur les canaux satellites.

Tableau 5.14 : Paramètres atmosphériques et astronomiques de la zone d’étude.

Paramètres atmosphériques Paramètres astronomiques Ozone Cm 0.30 Jour 264 Humidité relative % 80 Heure 10 : 40 Température K T°C+273 Latitude 36°44′ 98″ Visibilité Km 25 Longitude 3° 08′ 13″

Altitude de l’ozone 200 β0 0

Alpha ( α ) 1.5 θv 10°

Fc 0.9 ϕ 30°

Wo 0.9 ψ 60°

170

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

L’objectif de cette partie est la modélisation entre les luminances calculées à partir du logiciel SDDS et les résultats des mesures in situ. Nous déterminons l'ajustement des paramètres dans chaque canal SPOT, TM et MSS de Landsat. (Houma et al.,2008)

Tableau 5.15: Valeurs de la luminance pour les trois canaux du satellite SPOT.

TETA V 10 30 Stations Spot 1 Spot 2 Spot 3 Spot 1 Spot 2 Spot 3 B 1 50,682 37,853 9,539 50,439 38,428 10,155 B 2 50,680 37,864 9,636 50,437 38,440 10,258 B 3 50,680 37,852 9,557 50,437 38,427 10,174 B 4 31,221 21,634 4,957 30,729 21,655 5,268 B 5 50,684 37,865 9,590 50,441 38,441 10,210 B 6 31,221 21,634 4,957 30,729 21,655 5,268 B 7 50,684 37,861 9,570 50,441 38,436 10,188 B 8 31,221 21,626 4,906 30,728 21,646 5,513 B 9 50,688 37,863 9,535 50,445 38,438 10,150 B 10 31,221 21,626 4,906 30,728 21,646 5,213 B 11 50,690 37,860 9,488 50,447 38,434 10,100 B 12 31,221 21,626 4,906 30,728 21,646 5,213 B 13 50,696 37,864 9,445 50,453 38,438 10,054 B 14 31,221 21,620 4,866 30,728 21,639 5,170 B 15 50,699 37,886 9,555 50,456 38,461 10,172

Tableau 5.16 : Valeurs de la luminance pour les canaux du satellite LANDSAT (TM & MSS).

TETA V 10 30 Stations TM 1 TM 2 MSS4 TM1 TM2 MSS4 B 1 54,457 48,162 50,608 54,048 48,043 50,363 B 2 54,455 48,159 50,605 54,047 48,041 50,360 B 3 54,455 48,159 50,605 54,047 48,041 50,360 B 4 34,171 29,391 31,179 33,593 28,972 30,687 B 5 54,458 48,164 50,610 54,050 48,046 50,365 B 6 34,171 29,391 31,179 33,593 28,972 30,687 B 7 54,458 48,163 50,609 54,049 48,045 50,364 B 8 34,171 29,391 31,179 33,593 28,972 30,687 B 9 54,461 48,169 50,613 54,052 48,051 50,369 B 10 34,171 29,391 31,179 33,593 28,972 30,687 B 11 54,462 48,171 50,616 54,054 48,053 50,371 B 12 34,171 29,391 31,179 33,593 28,972 30,687 B 13 54,466 48,179 50,662 54,058 48,061 50,377 B 14 34,171 29,391 31,179 33,593 28,972 30,687 B 15 54,467 48,182 50,624 54,060 48,064 50,380

171

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Tableau 5.17 : Résultats des taux de liaison dans les eaux de mer de Bousmaïl. Fonctions Droites d’ajustement Coefficient de corrélation Lum (XS1) = f(MES) Lum 1 = 41.139 + 0.01062*MES R= 0.61467 Lum (TM1) = f(MES) Lum1= 55.163 + 0.01167*MES R= 0.55689 Lum (XS1) = f( MO) Lum1= 41.476 +10.777*MO R= 0.55213 Lum (XS2) = f (MO) Lum2= 18.212 – 1.638 *MO R= -0.4000 Lum (XS3) = f (MO) Lum3= 6.2084 – 0.2519 *MO R= -0.0929 Lum (TM1) = f (MO) Lum1= 55.504 +11.994 *MO R=-0.50623 Lum (TM2) = f(MO) Lum2= 33.035 + 8.2717 *MO R= 0.55504 Lum (MSS4) = f( MO) Lum4=41.685 -10.897*MO R=0.60919 Lum(XS2/XS3)= f ( MES) Lum2/3= 2.8399 +0.0007* MES R= 0.75388

2. Application sur une image Landsat TM1 L'image disponible couvre toute la baie d'étude, après la correction radiométrique portée sur l'image brute de la baie, l'inversion de la relation de distribution de la matière en suspension donne l'image convertie matériaux en suspension (Figure 5.46).

Figure 5.46-a : Image Landsat TM brute de la baie de Bousmail. Figure 5.46 -b : Image Landsat TM convertie en image matière en suspension. Scène du canalTM1.

. Campagne océanographique 2003 Les teneurs en matière organique sont assez élevées pour la compagne 1, proportionnelle à la teneur de la matière en suspension avec un intervalle de [74.5 – 289.6] mg/l .Une teneur moyenne de 97.24 mg/l et un écart type de 5.06. Les teneurs de toutes les stations sont homogènes, tournent autour de 74.5mg/l à 87.9mg/l sauf pour la station 17 (plage ouest) où une concentration maximale de 289.6 mg/l est remarquée. En effet cette station est le lieu qui reçoit de nombreux déchets urbains et portuaires. Les taux de matière organique de la compagne 2 sont entre 3.6 mg/l et 6.3 mg/l avec une moyenne de 5.02 mg/l et un écart type de 0.81.

172

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Les teneurs en matière organique augmentent d’ouest en est avec un maximum enregistré à l’embouchure de l’oued Beni Messous et au large de Sidi Fredj. La plus faible concentration est enregistrée au niveau de Tipaza.

Ras Acrata

Sidi Fredj

O.Mazafran 36°40' Bou Ismail Mont > 5.3 mg Chenoua 5.1 - 5.3 mg Berard 4.7 - 5.1mg Tipaza 3.6 - 4.7 mg 2°50'

Figure 5.47 : .Répartition de la matière organique (mg/l) dans la baie de Bousmail (2ème campagne). Les teneurs en matières en suspension varient de 61.6 à 216.8 mg/l avec une valeur moyenne de 146.56 mg/l et un écart type de 3.87 (sortie1). Les valeurs sont mesurées par rapport à 125 ml d’eau de mer. La plus forte teneur se localise à la plage Est (en face du Sheraton: Station18), ceci s’expliquerait par la localisation de cette station entre les rejets urbains et le port de Sidi Fredj.

Ras Acrata

El Djamila

Sidi Fredj

O.Mazafran 36°40' Bou Ismail 216.8mg/l Mont Bouharoun 152mg/l Chenoua 148-150.4mg/l Berard 134.4-141.6mg/l Tipaza 61.6mg/l 2°50' Figure 5.48 : Concentration des MES (mg/l) dans la baie de Bousmail (1ére campagne)

Lors de l’échantillonnage, nous avons remarqué une très forte turbidité de l’eau de mer due à la présence visible des traces d’effluents (traces de matières et débris flottants).Les teneurs sont fortes et supérieures à la normale, dues probablement aux facteurs hydrodynamiques.

173

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

 Modélisation propriétés optiques aux paramètres. Campagne 2007 Nous présentons les différentes relations trouvées et le coefficient de corrélation des différents ajustements linéaires entre les réflectances et les paramètres indicateurs de la pollution dans les différentes bandes spectrales.

Tableau 5.18 : Résultats des analyses corrélatives sur les canaux SPOT et TM. Fonctions Droites d’ajustement des Régressions Coefficient de linéaires corrélation L (XS1) = f(MES) Lum 1 = 41.139 + 0.01062*MES R= 0.61467 L (TM1) = f(MES) Lum1= 55.163 + 0.01167*MES R= 0.75123 L (XS1) = f( MO) Lum1= 41.476 +10.777*MO R= 0.55213 L(XS2) = f (MO) Lum2= 18.212 – 1.638 *MO R= -0.4000 L(XS3) = f (MO) Lum3= 6.2084 – 0.2519 *MO R= -0.0929 L(TM1) = f (MO) Lum1= 55.504 +11.994 *MO R=-0.50623 L(TM2) = f(MO) Lum2= 33.035 + 8.2717 *MO R= 0.55504 L(MSS4) = f( MO) Lum4=41.685 -10.897*MO R=0.60919 L(XS1/XS2)=f( MES) Lum1/2= 2.9739 – 0.8506*MES R=-0.9044 L(XS2/XS3)=f( MES) Lum2/3= 2.8775 – 0.0337*MES R=-0.3429 L(XS2/XS3)= f ( MES) Lum2/3= 2.8399 +0.0007* MES R= 0.75388

Avec: Lum1/2: Rapport des luminances sur les canaux SPOT1 et SPOT2; Lum2/3: Rapport des luminances sur les

canaux SPOT2 et SPOT3 et Lum2/3: Rapport des luminances sur les canaux SPOT1 et SPOT2

. Sortie2 (Campagne océanographique 2007) Les résultats sont moyens par rapport à la matière en suspension et à la matière organique. Nous avons un coefficient de corrélation de (r2 ≈ 0.61) pour la matière en suspension sur le canal XS1 SPOT et un coefficient de corrélation maximum (r2 ≈ 0.60) pour la matière organique sur le canal MSS4 du satellite Landsat. L’amélioration des résultats est constatée pour les rapports des réflectances sur les canaux satellites. Nous avons de meilleurs résultats, les coefficients de corrélation augmentent jusqu’à (r2≈ 0.79) pour la matière en suspension sur XS1/XS3 et (r2 ≈ 0.83) pour la matière organique. Les matrices donnant les coefficients de corrélation des différents paramètres sur les canaux satellites sont présentées en tableau 5.19.

 Cartes de pollution et application PCSATWIN. Les images transformées montrent la variation de la pollution sur toute la baie. La spatialisation de la matière en suspension est donnée dans les figures 5.49 et 5.50. La transformation des images luminances des satellites SPOT, TM et MSS en images indicatrices des paramètres en appliquant les transformations inverses est possible. En utilisant le logiciel de traitement d’images satellites PCSATWIN, nous avons transformé l’image réflectance en une

174

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image image qui permet d'estimer dans une certaine mesure la distribution de la concentration totale de la matière en suspension au niveau de la baie de Bousmaîl. La pollution est indiquée par des valeurs radiométriques élevées.

Tableau 5.19 : Matrices de corrélation de la matière en suspension aux données satellitaires.

Figure 5.49 : Image SPOT Panchromatique transformée image matière en suspension. Zone Est de la baie de Bousmail. MES = - 1310 + 35.590* SPOT1

175

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.50 : Image SPOT Panchromatique transformée image matière en suspension corrélée au rapport des canaux SPOT1/SPOT2.

Figure 5.51: Cartographie des Matériaux en suspension (SPOT1/SPOT2).

C. Application à la couleur de l'eau-Modélisation de la chlorophylle et du phytoplancton marin en baie d'Alger. Les effets majeurs de l’eutrophisation en milieu marin côtier reportés sont généralement liés à l’accroissement de la biomasse phytoplanctonique et blooms nuisibles, la réduction de la transparence de l’eau, l’élévation du pH et la diminution de l’oxygène dissous dans la colonne d’eau. (Nezan et al.,1997; Smith et al.,1999).

176

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

La biomasse phytoplanctonique et la production primaire montrent une corrélation positive avec l’ensemble des nutriments quelle que soit la période considérée. Le taux de croissance phytoplanctonique est positivement corrélé avec les nutriments lorsque l’ensemble des radiales est pris en compte. Pourtant, le traitement par saison indique qu’il n’y a aucune relation significative entre le taux de croissance phytoplanctonique et les nutriments excepté en Avril-Mai 2009 avec les phosphates et les silicates. Cette absence de relation, alors que la biomasse phytoplanctonique augmente, suggère un faible contrôle descendant sur les organismes phytoplanctoniques. (Officer & Ryther.,1980; Smith et al.,1999; Howarth et al.,2000; Anderson et al., 2002; Jaquet & Severine, 2008).

1. Les éléments nutritifs. Dans la baie d’Alger, le comportement des sels nutritifs ne peut être expliqué que par l’influence des paramètres suivants : les apports continentaux surtouts près de la côte et l’activité biologique (recouvrant à la fois la consommation par le phytoplancton et la régénération par les microorganismes qui est responsables de la dégradation de la matière organique. (Margalef et al.,1979; Aminot et al., 1997; Bonnet et al.,2008). + De fortes concentrations en NH4 sont mesurées dans la zone portuaire et peuvent être dues aux différents rejets déversés au niveau des bassins ainsi qu' au large de la baie. Alors qu’à l’embouchure des oueds El Harrach et El Hamiz, sont enregistrées de faibles valeurs. Pendant le mois de Mai, les valeurs maximales sont enregistrées à l’embouchure d’oued El Harrach qui est due à l’influence continentale sur la baie (Aminot et al., 1997) (max au niveau de la station 6 de 9,06 µmol/l) . A la surface, le courant de surface entraine l’ammonium au large de la baie et cela par une diminution de la côte vers le large. Les faibles valeurs enregistrées au niveau de la station 12 pourraient s’expliquer par un brassage de l’eau en période hivernale et l’utilisation préférentielle des espèces aquatiques de la forme ammoniacal d’azote qui est la forme la plus réduite et la plus avantageuse d’un point de vue énergétique (Levitus et al., 1993; Copin-Montegut, 1996; Aminot & Kérouel, 2004) . Nitrates et nitrites. Les nutriments, issus des activités humaines, les plus fréquemment à l’origine du phénomène d’eutrophisation sont l’azote et le phosphore (Lacaze 1996(b); Smith et al. 1999; Howarth et al. 2000, Anderson et al., 2002). Les activités humaines ont en effet profondément altéré les cycles de l’azote et du phosphore.

177

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

A 25 m de profondeur, parait l’influence et l’évolution du panache d’oued El Harrach qui est - pauvre en NO2 , alors que les teneurs sont élevées à l’embouchure d’oued El Hamiz mais sont plus élevées sur les deux extrémités Ouest et Est de la baie. Une gamme de 0,04 à 0,22 µmol/l est enregistrée en Mai à la surface, avec la plus forte teneur dans la station 11. En général, les concentrations augmentent verticalement surtout en zone côtière entre les deux oueds mais une exception est observée pour la station 11 qui diminue de la surface vers le fond. (Aminot et al.,1997; Aminot & Kérouel, 1978) Ces résultats varient en surface dans la gamme de 0,03 à 0,16 µmol/l et de 0,10 à 0,4 µmol/l en profondeur. La première campagne est caractérisée par des concentrations élevées en nitrates en surface à l’extrême Ouest de la baie (port et la pointe Pescade), ce qui peut être dû soit à un apport terrigène soit à la dégradation de la matière organique. (Saliot &Marty, 1980) L’explication du maximum de nitrates trouvé au niveau de la station 12 correspondant au maximum de chlorophylle a, laisse supposer qu'il ya un apport extérieur au milieu, exemple zone d’upwelling très riche en nitrates. (Marchand & Kantin, 1996; Martin & Saliot, 1992) . Les silicates N’étant pas un facteur limitant à la plupart des espèces phytoplanctoniques (Aminot et al., 1997), par contre il est nécessaire aux espèces à squelettes siliceux, principalement les diatomées. La silice (Si) est un élément important nécessaire à la croissance du phytoplancton. En comparant les valeurs des deux sorties, le silicate variant de 0,04 à 3,66 µmol/l et de 0,1 à

1,25 µmol/l. Cette dernière est riche en SiO2 pendant les deux périodes. Alors que les faibles valeurs de milieu de la baie en surface peuvent s’expliquer par une faible biomasse phytoplanctonique (Diatomées et radiolaires). L’enrichissement du milieu en ce nutriment peut entraîner des efflorescences algales nuisibles ou toxiques (Officer & Ryther,1980). A l’inverse, un manque de silice peut exacerber le phénomène d’eutrophisation en réduisant le rôle des diatomées dans le réseau trophique côtier. (Officer & Ryther,1980). . Les phosphates A la surface, les plus fortes teneurs en phosphates sont mesurées à l’embouchure d’oued El Harrach (0,8 µmol/l). Cet élément se comporte comme traceur des apports continentaux (Aminot et al., 1997) qui sont enrichis en Phosphate par les lessives ménagères. D'autre part, le phosphore peut être issu du recyclage de la matière organique par minéralisation ou des différents processus biologiques. (Héral et al., 1983)

178

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.52 (a, b) : Concentrations des nitrates à la surface (a) et à 5m de profondeur (b) en baie d'Alger (campagne Avril 2009)

Figure 5.53 (a, b) : Concentrations des nitrates à la surface (a) et à 5m de profondeur (b) en baie d'Alger (campagne Avril 2009).

2. Etude des paramètres biologiques. 2.1 Etude qualitative des populations phytoplanctoniques. Le phytoplancton de la wilaya d'Alger se caractérise, par la prépondérance de trois principaux groupes floristiques : les Diatomées, les Dinoflagellés et les Coccolithophoridés (Ricard,1987). Les résultats d'analyse des échantillons analysés par la méthode d'Utermhôl, nous ont permis de distinguer les principaux groupes taxinomiques suivants : 1. Les Diatomées : elles sont des petites algues unicellulaires siliceuses. Leur forme et structure très diverses, elles sont extrêmement nombreuses et comprennent plusieurs milliers d'espèces. Il est composé essentiellement d'espèce préférant les eaux froides.

179

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

En effet, nous avons inventorié 32 genres déterminés jusqu'à l'espèce dans la limite de la possibilité (58 espèces sont déterminées). Parmi les genres les plus fréquents (Figure 5.54), nous énumérons par ordre d'importance :  Genre Amorpha : l’espèce A.hendaye déterminée.  Genre Cematotheca : ce genre est représenté par deux espèces qui sont : C. minima et C.weissflogii.  Genre Cerataulina : pour ce genre nous avons identifié l’espèce Cerataulina pelagica.  Genre Grammatophora : nous avons identifié les espèces suivantes : G.oceanica (et la variété macilenta) qui est présente au niveau de la station 11, G.elongatum, G. arctica et G.marina.  Genre Guinardia : identification de l’espèce G.flaccida au niveau des stations 4,7 et 11. Cette espèce est plus fréquente au niveau de la station 11.  Genre Leptocylindrus: il est représenté par Leptocylindrus minimus et Leptocylindrus danicus, qui sont présent dans tous les échantillons étudiés. L.danicus représente l’espèce la plus dominante et présente dans toutes les stations étudiées.  Genre Licmophora : ce genre est représenté par les espèces suivantes : L.abbreviata, L.communis, L.paradoxa, L.dalmatica var. tenella et L.gracilis var. minor. L’espèce L.paradoxa présente une densité cellulaire plus importante au niveau de la station 4.  Genre Navicula : avec une présence rare, cette espèce est difficile à identifier, donc nous avons répertorié Navicula sp.  Genre Pleurisigma : deux espèces sont identifiées, P.directum et P.normanii.  Genre Rhizosolenia : L'analyse microscopique montre que l’espèce Rhizosolenia alata Brightw est fréquente, ainsi que la présence de Rhizosolenia delicatula et Rhizosolenia robusta Norm, qui sont deux espèces moins fréquentes.  Genre Thalassiosira : une seule espèce Thalassiosira decipiens présente seulement au niveau de la station 15.  Genre Thalassiothria : l’espèce T.longissima a été identifiée.  Genre Nitzschia : Ce genre comme Leptocylindrus est très fréquent, avec une diversité importante (9 espèces déterminées), les principales sont : Pseudo-nitzschia galaxia, N.longissima, N.delicatissima complex: qui sont des espèces inventoriées dans presque toutes les stations. Ces espèces sont accompagniées par diverses autres espèces telles que : N.pengens, N.multistriata, N.pacifica, N.sigmoidea, N.subpacifica, N.sigma avec deux variété (sigmate et rigidula), Pseudo-N.lineola, Pseudo-N.heimii et N.obtusa var. brevissi. Nous avons rencontré plusieurs genres présents au niveau des stations étudiées. Ces genres sont représentés chacun par une seule espèce telles que : Achanthes (A.longipes), Actinocyclus

180

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

(A.octanarius), Cematodescus (C.minima), Climacosphenia (C.moniligera), Cochlodinium (C.polykrikoides), Minidiscus (M.trioculatus), Corythodinium (C.tesselatum), Paralina (P.sulcata), Rhabdonema (R.minutum), Sinophysis (S.ebriolum), Synedra (S.robusta), Triceratium, Tropidoneis (T.vitrea var.Mediterranea Grum), Tryblioptychus (T.hainanensis, Zygabikodinium (Z.lenticulatum), Coscinodiscus sp., Ceartaulus sp. et Surirella sp.

Figure 5.54 : Photos des espèces de diatomées identifiées sous microscope inversé (Grossissement x 40).

2. Les Dinoflagellés: Ou les Péridiniens, qui sont le deuxième élément essentiel du microplancton méditerranéen présentent une variété extraordinaire aussi bien au point de vue de leur morphologie externe et interne que de leur mode de vie (Trégouboff, 1957; Carmelo & Tomas, 1997). Dans ce groupe, nous avons pu identifier 83 genres, et nous distinguons : o Dinoflagellés cuirassés : ou les Péridiniens, il existe une membrane fondamentalement cellulosique, imprégnée de diverses substances et surtout de pectine et de cellulose, et qui est la membrane sécrétrice de la thèque. Ce groupe montre une plus grande diversité spécifique que les Gymnodiniens. Dans ce groupe le genre Ceratium domine avec 14 espèces récences, notre analyse a aboutie à l’identification des genres suivants :  Genre Alexandrium : présence d’une espèce A.minitum déjà identifié sur le littoral algérien  Genre Ceratium : ce genre regroupe des espèces de grande taille océanique ainsi certaines sont de bonnes indicatrices hydrologiques (Frost, 1938 in Touahria, 1999). Pour notre étude ce genre est très fréquent et représente pour le groupes des dinoflagellés le genre le plus diversifié (14 espèces) et parmi les espèces identifiées, nous avons : C.furca qui best le plus fréquent, C.euarcuatum, C.extensum, C.lineatum, C.fusus, C.incisum, C.longipes, C.macroceros,

181

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

C.massiliense, Cpentagonum tenerum, C.teres, Ctrichoceros et C.tripos ainsi que la présence de sa variété C.tripos var. tripodioïdes.  Genre Ceratocorys : l’espèce Ceratocorys horrida le représente, mais avec une fréquence d’apparition très faible.  Genre Corythodinium : 2 espèces au niveau des stations 11 et 7, respectivement C.reticulatum et C.tesselatum.  Genre Dinophysis: ce genre est représenté par 4 espèces qui sont : D.caudata, D.acuminata, D.sphaerica et D.rotundata.  Genre Noctiluca : d'une taille assez importante il comprend l’espèce N.scintillans.  Genre Oxytoxum : ce genre est représenté par deux espèces : O.gigas et O.ovum.  Genre Podolampas : pour ce genre, seule espèce présente P.elegans.  Genre Prorocentrum : ce genre est présent avec 11 espèces, il est fréquent dans les stations étudiées et parmi les espèces identifiées, nous avons : P.mican Ehrenberg, P.balticum, P.gracile, P.cornutum, P.lima, P.minimum, P.nanum, P.ovum, P.rotundatum, P.triestinum et enfin Procentrum Ehrenberg.  Genre Protoceratium : pour ce genre, nous avons identifié Protoceratium sp. et la présence de kystes de Protoceratium au niveau de la station 7.  Genre Protoperidinium : ce genre est assez diversifié (avec 9 espèces) et comporte les espèces suivantes : P.globulus, mais aussi cette espèce présente deux variété ovatum et la var. guarnerense. En plus de ces espèces nous avons identifié : P.granii qui est présente au niveau de toutes les stations étudiées. Ainsi, nous déterminons : P.minusculum, P.pellucidum, P.pyriforme, P.seratus, P.tuba, P.reticulatum, P.turbinatum et P.variegatum.  Genre Scripsiella : ce genre fréquent dans presque l'ensemble des stations sauf pour la station 15, l’espèce identifiée est Scripsiella trochoida. Enfin, pour les genres suivants, ils ne sont représentés que par une seule espèce chacun : Chattonella (C.subsalsa), Fragilidinium (F.mexicanum), Herdmania (H.littoralis), Pheopolykrikos (P.hartmannii), Pryninesium (Pryninesium sp.), Pyramimonas (P.nephroïdea) et le genre Pyrophacus par l’espèce P.horologium.

o Dinoflagellés nus : Un Péridinien nu (Gymnodinien) typique est globuleux, avec une extrémité plus ou moins acuminée et l'autre plus large, arrondie. Son corps est divisé par un sillon transversal, ou ceinture, à peu près circulaire et équatoriale (Trégouboff, 1957). Ils sont de petites tailles (< 1,8 µm) (Touahria, 1999). Selon la classification établit par (Touahria, 1999), ce groupe renferme les genres suivants : Amphidinium, Cochlodinium, Gymnidinium, Gyrodinium, Katodinium, Torodinium... Lors de nos analyses, nous avons déterminé les genres suivants :

182

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

 Genre Amphidinium : pour lequel nous avons identifié deux espèces : A.extensum et A.sphenoides.  Genre Cochlodinium : ce genre est représenté par deux espèces peu fréquentes, qui sont : C.polykrikoïdes et C.pupa.  Genre Gymnodinium : du point de vue de la densité cellulaire, ce genre représente la plus grande densité par rapport aux autres genres, avec la présence de deux espèces qui sont : G.conicum, G.coeruleum et la présence d’une espèce non identifiée.  Genre Gyrodinium : ce genre par contre est le plus important du point de vue diversité, notons la présence de 7 espèces qui sont : G.britannicum, G.fusiforme, G.lachryma, G.opimum,G.pingue, G.spiralea et enfin la présence de kystes de G.uncatenum.  Genre Katodinium : rencontré qu'une seule fois par l’identification de l’espèce K.glaucum.

Figure 5.55: Espèces des genres Nitzschia et Cerataulina identifiées sous microscope inversé (Grossissement x 40).

o Les Coccolithophorides. Ces flagellés calcaires sont extrêmement abondants dans les eaux tempérées froides et chaudes .Ce groupe est recensé dans les eaux méditerranéennes (Trégouboff, 1957). Lors de notre étude, nous avons identifié la présence de l’espèce Coccolithophoridea sp.

o Les Nano-flagellés Les individus de ce groupe sont des organismes de petite taille dont l'identification au microscope inversé est une tâche difficile. Nous avons pu établir l'identification de certains individus tels que : Nephrolsmis minuta, Chlamydomonas coccoïdes, Imantonia rotunda et Parapedinella sp.

183

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.56 : Espèces de dinoflagellés identifiées sous microscope inversé (Gx40).

2.2 Etude quantitative des populations phytoplanctoniques. Cette étape est réalisée au même temps que l’identification des cellules phytoplanctoniques. En comptant le nombre de cellules totales, et en intégrant le volume d’échantillon sédimenté, en détermine la densité cellulaire totale de chaque échantillon (Leboulanger et al.,2002; Frontier, 1969; Touahria, 1999). La figure représente la carte de distribution des densités cellulaires totales de chaque échantillon. L’étude quantitative du dénombrement des cellules phytoplanctoniques a donné une densité cellulaire totale qui varie d’une station à l’autre, on note que cette densité varie entre une valeur minimale de 15150 Cell./l au niveau de la station 7 due à l’apport de Oued El Harrach riche en matières en suspension et à la faible transparence de l’eau et un maximum de 49080 ind./l au niveau de la station 3 qui peut être expliquée par une richesse excessive du milieu en apports nutritifs. Et le reste des stations marque des valeurs moyennes en densité totale.

184

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.57 : Espèces des genres Protoperidinium et Ceratium identifées sous microscope inversé (Gx40 et Gx20). Le tableau 5.20 donne les valeurs du nombre des individus, de densité cellulaire et le pourcentage des groupes phytoplanctoniques recensés au niveau de chaque station. Remarquant que les groupes les plus importants sont les diatomées et les dinoflagellés, par contre les autres sont minoritaires (inférieures à 0,1 %). D’une façon générale, le groupe des diatomées est dominant dans la majorité les stations, soit 99% (correspondant à 40490 ind./l) de diatomées par rapport à et 80,2% soit 39360 cell/l au niveau de la station3. Ces pourcentages élevés de diatomées peuvent expliquer un bloom phytoplanctonique en cette période.

Le dépouillement des échantillons a mis en évidence les espèces prédominantes au niveau de chaque station (Tableau 5.20), ainsi au niveau de la station 7, Leptocylindrus danicus avec 49,06 % est la diatomée la plus abondante et avec 32, 74% l’espèce dominante par rapport à la densité cellulaire totale de l’échantillon, alors que Scrippsiella trochoïdea forme 27,38% des dinoflagellés recensés au niveau ce cette station et 9,11% de la densité totale du phytoplancton.

185

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.58 : Carte de la distribution des densités cellulaires totales des populations phytoplanctoniques dans la baie d’Alger à 5 m de profondeur.

Tableau 5.20 : Nombre de cellules, densité cellulaire (en nombre de Cell./L) et pourcentage de chaque groupe phytoplanctonique calculé de quelques stations.

Groupes phytoplanctoniques Stations Etude Diatomées Dinoflagellés Autres Nombre de cellules 1968 486 2 S3 Densité cellulaire (Cell./L) 39360 9720 40 % 80,2 19,8 0,08 Nombre de cellules 504 413 S4 Densité cellulaire (Cell./L) 10080 8206 % 54,96 45,04 Nombre de cellules 1011 504 S7 Densité cellulaire (Cell./L) 10110 5040 % 66,73 33,27 Nombre de cellules 872 514 3 S11 Densité cellulaire (Cell./L) 17440 10280 60 % 62,91 37,09 0,22 Nombre de cellules 4049 17 24 S15 Densité cellulaire (Cell./L) 40490 170 240 % 99 0,42 0,59

Remarquant que L.danicus est la diatomée dominante au niveau des stations 4 et 11 avec respectivement les pourcentages suivants (36,71% et 28,44%), alors que pour les dinoflagellés :

186

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Alexandrium minitum (14,04%) et Scrippsiella trochoïdea (22,76%) dominent au niveau de cette station.Pour la station 3 se n’est pas L.danicus l’espèce dominante mais L.minimus avec un pourcentage 36,23% (par rapport aux diatomées). Par ailleurs, la station 15 est caractérisée par d’autres genres dominants car nous avons l’espèce Pseudo-nitzschia galaxia avec 46,13% et Protoperidinium granii avec 29,41%. Ces espèces forment respectivement (45,67 et 0,12% de la densité cellulaire totale des populations phytoplanctoniques.

Tableau 5.21 : Espèces dominantes et leurs pourcentages par rapport à leur groupe phytoplanctonique et à la densité cellulaire totale de quelques stations. Pourcentage/ Pourcentage Stations Groupes Espèce dominante groupe total Diatomées Leptocylindrus minimus 36,23 29,05 S3 Dinoflagellés Scrippsiella trochoïdea 48,35 0,58 Diatomées Leptocylindrus danicus 36,71 20,17 S4 Dinoflagellés Alexandrium minitum 14,04 6,32 Diatomées Leptocylindrus danicus 49,06 32,74 S7 Dinoflagellés Scrippsiella trochoïdea 27,38 9,11 Diatomées Leptocylindrus danicus 28,44 17,89 S11 Dinoflagellés Scrippsiella trochoïdea 22,76 8,44 Pseudo-nitzschia galaxia 46,13 45,67 S15 Diatomées Dinoflagellés Protoperidinium granii 29,41 0,12

Les teneurs en chlorophylle a sont liées aux floraisons phytoplanctoniques (Gaumer , 1981). D’après Gaumer (1981), les coccolithophoridés sont dominants au large des côtes algériennes et forment jusqu’à 80% du volume du phytoplancton, à tous niveaux. Le pourcentage de flagellés calcaires est plus faible dans la flore côtière proche d’Alger que dans la flore du large ( Gaumer, 1981), sans doute à cause du caractère atlantique des eaux de la baie (Bernard & Bertoldo, 1958 ; Bucalossi, 1960, in Gaumer, 1981) ou de la faible profondeur des eaux côtières.

L’étude du cycle annuel des populations phytoplanctoniques au large d’Alger, a montré l’existence de deux poussées qui se traduisent par un développement important des coccolithophoridés et des diatomées : l’une printanière où dominent Coccolithus huxleyi, Skeletonema costatum, Thalassiosira decipiens, Talassionema nitzshioides, l’autre automnale due à la multiplication active de Anthosphaera bicornu, Skeletonema costatum Nitzshia closterium, Septocylindrus danicus (Lalami-Taleb, 1971, in Gaumer, 1981). Pour la baie d'Alger, Lecal (1957), Taleb (1970) et Gaumer (1981) inventorient respectivement 17. 13 et 55 espèces. Au sein du groupe des Dinoflagellés, les genres majeurs qui apparaissent sont : erainim. Protoperniiiim, et Oxyliim. Les autres genres potentiellement toxiques sont : Peridinium, Gon\ aiiltix. Phalacroma, Gymnodmium, Prorocentrum, Dinophysis.

187

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

• Genre Dinophysis : Le g. Dinophvsis renferme 20 espèces dont certaines produisent des toxines diarrhéiques (ou DSP). Ces espèces sont bien représentées dans les eaux superficielles de la baie d'Alger en période estivale. D. accuminata est une espèce du large, très commune et la plus abondante du g. Dinopfn'xis. de plus elle est considérée comme indicatrice des eaux atlantiques (Lecal, 1957). • Genre Prorocentrum : Le g Prorocentrum renferme 8 espèces. Tellai (1964) signale la présence et 1'abondance des espèces du g. Prorocentrum, notamment P. micans, au printemps en baie d'Alger. Il est à noter qu'au sein du g Prorocentnim, parmi les espèces à grand pouvoir toxique et susceptible de provoquer un phénomène d'eaux colorées (P.gibbosum, P.minimum). • Genre Aîexandrium : Dont certaines espèces produisent des toxines paralysantes (ou PSP). • Genre (.Jymnodinium : Huit espèces appartiennent au g. Gymnodiniiim Les espèces du g. Gymnodimum sont présentes à tous les niveaux, de la surface jusqu'en profondeur (Lecal, 1957). En baie d'Alger, Pincemin (1966) signale la présence permanente des espèces du g. GymnoJiiiiiim, et également leur abondance Les espèces du g. Gynniodinivm sont, selon Taleb (1970) les principales responsables des poussées printanières et automnales des Dinoflagellés au large d'Alger. Pour les inventaires des Diatomées, Gaumer (1981) révèle des diversités très proches, respectivement 53 et 61 espèces. La diversité minimale des Diatomées en baie d'Alger (16 espèces) est celle notée par Tellai (1964). Au sein du groupe des Diatomées, trois genres essentiels se dégagent : Chaetoceros, NUzschia et Rhizosolenia. Le Genre F'ft'mid-nnzshia est potentiellement toxique ; dont certaines espèces produisent des toxines amnesiantes (ou ASP)

3. Modélisation de la couleur de l'eau, chlorophylle a et phytoplancton marin. Ce qui permet de quantifier la concentration de ce phytoplancton à partir de mesures satellites réalisées depuis l’espace, c’est son effet sur la «couleur de la mer ». En effet, le phytoplancton contient de la chlorophylle qui lui permet d’utiliser l’énergie lumineuse pour engendrer le processus de photosynthèse. Cette chlorophylle à la particularité d’absorber plutôt les longueurs d’onde du bleu et beaucoup moins celles du vert. Par conséquent, plus la chlorophylle est abondante, plus le rayonnement est atténué dans le bleu, et plus les eaux apparaissent vertes. C’est ainsi que les eaux de mer ont une couleur bleu indigo tirant sur le violet (très peu de phytoplancton) ; la couleur tendra simplement vers un beau bleu profond s’il ya un peu plus de phytoplancton. Plus près des côtes ou près des embouchures ; la couleur de l’océan est également modifiée par la présence de sédiments en suspension et de substances dissoutes aux propriétés d’absorption plutôt diverses. (Hochman et al.,1994; Abin et al.,1996; Gross, 2001)

188

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.59: Taux de liaison des diatomées et phéopigments.

Figure 5.60: Taux de liaison des diatomées et chlorophylle.

Tableau 5.22: Modélisation de la chlorophylle, densité cellulaire et concentration des espèces phytoplanctoniques dans la baie d'Alger.

De point de vue optique, les substances qui influencent la réflectance sont classées en trois catégories, le phytoplancton vivant (dépend de la concentration en chlorophylle et détritus qui lui sont associés), les particules minérales en suspension, et la matière organique dissoute (substance jaune).

189

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

La turbidité est liée à la matière en suspension, avec une certaine proportion relative attribuable à la chlorophylle-a mettant en évidence la relation entre l’apport d’éléments nutritifs et la prolifération d’algues. (Sladecek,1973; Grepma,1988) D’autre part, la matière organique dissoute représente une très forte absorption dans le bleu ce qui permet de donner à l’eau une coloration jaune-brun et de montrer que la diffusion moléculaire est négligeable (Ferrari & Tassan, 1992) où une partie de la substance jaune peut provenir de la dégradation du phytoplancton in situ. Les cellules du phytoplancton et les particules correspondant aux détritus biogenèses provoquent une diffusion de Mie de la lumière, moins dépendante de la longueur d’onde ; ainsi la couleur de l’eau de mer peut glisser progressivement vers le vert avec l’accroissement de la concentration en phytoplancton qui varie en fonction du type d’algue.

4. Analyse des réflectances de l'eau de mer. Le spectre de réflectance de l’eau se trouve entièrement entre 0,4µm et 0,7µm, où le maximum de réflexion est enregistré dans les faibles longueurs d’ondes du spectre visible, précisément vers 0,5µm (Guyot,1989) . La réflectance des eaux turbides et polluées est, d’une façon générale, plus haute que la réflectance des eaux claires. (Bricaud,1988). La distribution de la teneur en chlorophylle dans l’eau de mer est mise en relation avec la turbidité (Bricaud,1988), ceci peut bien expliquer les taux de liaison trouvés sur les canaux visibles Spot et Seawifs vu que les eaux où domine le phytoplancton présentent un maximum de réflectance dans le jaune vers 565 nm. Il y a donc une réflexion considérable dans ce domaine spectral qui justifie que les canaux visibles peuvent servir pour étudier la couleur de l’eau de mer et pour en déduire la concentration en sédiments et la concentration en chlorophylle a.

Ce pigment photosynthétique principal du phytoplancton est considéré comme étant un bon indicateur de la santé de la mer et de son niveau de productivité et de la biomasse phytoplanctonique (Aminot & Chaussepied,1983) est bien déterminé sur les images satellites traitées. Les modèles de simulation considérés par les fortes liaisons entre les réflectances, la chlorophylle a, et la concentration des diatomées dans les portions du vert et proche infrarouge du spectre électromagnétique confirment la performance des bandes spectrales visibles des satellites pour le suivi de la qualité des eaux. (Tableau 5.22).

190

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

. Spatialisation des paramètres et images satellites. En utilisant le logiciel PCSATWIN d’images satellites développé par (Bachari et al.,(1997) et qui permet de réaliser une analyse multispectrale. Nous avons transformé l’image réflectance en image qui permet d'estimer dans certaine mesure la concentration de la chlorophylle et celle des espèces phytoplanctoniques dominantes dans la région. (Jaquet,1989) En réalité, la couleur de l’eau de mer qui est l’un des descripteurs organoleptiques) , reste toujours un facteur important de différenciation qui renseigne sur la lueur de l’eau, sur sa qualité et qui peut servir comme un indicateur de sa transparence. L'image de la chlorophylle a et celle de la concentration des diatomées, nous permettent de classer clairement les zones par la distinction de la couleur de chaque région à partir de l’image satellitaire transformée, soit plusieurs classes observées indiquant les intervalles limites de concentration du paramètre. (Figures 5.62, 5.63 et 5.64) La spatialisation des paramètres est donc réalisée sur les images satellites traitées. Les diatomées sont fortement corrélées à la chlorophylle dans divers ajustements qui permettent de valider la spatialisation traitée sur l’imagerie satellite. (Jaquet, 2005 ; Antoine., 1998 ; Bricaud, 2008; Potier, 2006)

Figure 5.61 : Image satellite SPOT5 traitée de la baie d’Alger.( Avril 2009)

191

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.62 : Matière en suspension en baie d’Alger. (MES = 78,650 – 0,1697 * XS1)

Figure5.63 : Chlorophylle en baie d’Alger. Ref (XS1) = 20,425 + 37,807 * Chlr ;r2= 0,90024)

Figure 5.64: Diatomées en baie d’Alger. (RefXS1(SPOT) = 26,311 + 51,135 *Cdiatom ; r2= 0 ,8920)

192

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

5. Couleur de la mer des eaux du Cas1 sur une image Seawifs. La répartition spectrale du rayonnement réfléchi par les composants de l'eau de mer et celle de la réflectance du fond contribuent à la couleur de l'eau. Particulièrement lorsque le ciel est clair, le rayonnement diffus renforce la couleur bleue de la mer. Lorsqu’il est couvert, on observe un glissement de la longueur d’onde dominante vers la région du spectre comprise entre 0.5 et 0.57 µm (Froidefond et al., 1995). L'image SeaWIFS (Sea-viewing Wied-Field-of-View) couvrant le bassin ouest de la Méditerranée (eaux du cas1) comprenant une partie de l’Afrique du Nord et les côtes sud européennes, est traitée pour la spatialisation de la chlorophylle. Les images brutes des six canaux du visible sont corrigées des effets atmosphériques et présentent les résultats suivants des images des scènes traitées sur PCSATWIN. (Gordon et al.,1988)

Figure 5.65: Chlorophylle sur le Canal1 SeaWIFS.

C'est le canal qui présente la plus grande richesse spectrale, la surface marine apparaît sous une multitude de classes de pixels allant du gris clair au plus foncé et du jaune. Dans cette image apparaissent différents panaches d’autant plus clairs en s’éloignant des côtes, elles traduisent une turbidité due à des substances organiques dissoutes (gelbstoff). Le gelbstoff (substance jaune) décrit la matière organique amorphe de grand poids moléculaire, il absorbe fortement dans la région bleue du spectre. (Figure 5.65) La chlorophylle possède une particularité d’absorber la lumière bleue de longueur d’onde égale à 443 nm, l’absorption est due à une présence de la chlorophylle qui apparaît le long des eaux côtières. Nous remarquons la richesse en phytoplancton des eaux se trouvant sur la partie occidentale du bassin entre les côtes nord africaines et sud espagnoles. (Figure 5.66)

193

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Figure 5.66: Chlorophylle sur le Canal2 SeaWIFS.

Figure 5.67: Chlorophylle sur le Canal3 de l'image SeaWIFS.

Sur la troisième scène de l'image SeaWIFS , le canal est considéré sensible à la présence de la chlorophylle (Figure 5.67) . Nous remarquons le tracé des courants de surface près des côtes sur les deux rives du bassin, constituant une multitude de tourbillons, en particulier le long des côtes Algériennes. Elles sont dues aux remontées des eaux profondes (upwelling), selon le modèle des courants de surface en Méditerranée occidentale (Millot,1995). Les deux canaux 4 et 5 (Figure 5.67) sont fortement corrélés et présentent la même information spectrale. Nous constatons la présence de trois classes de pixels du violet au rouge à l'ouest et la

194

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image couleur verte sur le bassin algérien et auprès des côtes françaises. Les différentes classes présentent des concentrations en chlorophylle variables.

Figure 5.68: Chlorophylle sur le Canal4 et 5 de l'image SeaWIFS.

• Discussion et Conclusion Barnabe et Barnabe-quet (1997) expliquent que la concentration de la chlorophylle dépend d’une part, de la taille et le nombre des êtres photosynthétiques et d’autre part, de la température, de la flottabilité du phytoplancton et des mouvements des masses d’eau. Les numérations cellulaires ont révélé la prépondérance quasi –exclusive pendant la période printanière du développement, grâce à la multiplication d’espèces de petites et moyennes tailles de Diatomées (Leptocylindrus danicus, Nitzschia sp….). Cependant, la variation spécifique des surfaces cellulaires des espèces dominantes permet d’avoir des informations relatives à la capacité photosynthétiques des peuplements étudiés, et l’estimation de la production primaire phytoplanctoniques par rapport aux densités cellulaires et à la concentration de la chlorophylle. Nous distinguons une forte abondance des espèces phytoplanctoniques et des concentrations importantes en chlorophylle. (Touahria, 1999). Lors de campagne MEDIPROD V, réalisée en juin 1986 au large de nos côtes, les concentrations en chlorophylle supérieures à 1µg/l ont été mesurées (Taupier,1988), et les dosages de ce pigment par la méthode des fractionnements (Raimbault et al., 1988) ont montré que ces petites formes (Fraction inférieur de 10 µm) représentaient jusqu’à 85% de la chlorophylle totale. C’est ainsi que nous avons admis l’hypothèse selon laquelle les différentes poussées observées au cours du printemps résultaient principalement de deux phénomènes hydrologiques distincts :

195

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

 Le mélange hivernal des eaux serait à l’origine de la poussée phytoplanctonique du mois de mars ;  Des upwellings côtiers –probablement associés à des tourbillons anticycloniques- provoqueraient les enrichissements d’Avril et Juin. (Lee,1998)

Ce travail nous a permis de voir l’impact de la dynamique particulière du courant algérien sur l’abondance et la distribution des peuplements phytoplanctoniques. Au cours de la campagne MEDIPROD V, une forte corrélation entre les structures de ce courant, les concentrations en sels nutritifs et les concentrations en chlorophylle avait été mise en évidence. L’étude des écosystèmes nécessite généralement deux approches différentes : l’une purement quantitative qui consiste à déterminer la capacité photosynthétique, la productivité et la teneur en chlorophylle a et la seconde qualitative, elle détermine la composition spécifique des populations, la distribution et la succession des espèces dans l’espace et dans le temps.

En milieu marin, ces deux approches sont associées à des mesures physiques (température, énergie lumineuse), physico-chimiques (salinité, pH), et des analyses chimiques (nutriments), qui permettent d’estimer indirectement la fertilité d’une eau, c'est-à-dire la capacité à assurer le développement du phytoplancton. Le rapport entre la concentration d'un élément de la cellule constitue le facteur de concentration qui varie avec les organismes, leur état physiologique et les éléments étudiés. Les plus importants de ces rapports sont ceux de N et P, éléments essentiels pour la régulation des populations pélagiques. Le rapport N/P dans l'eau de mer est une valeur d'intérêt certain. Il donne, en effet, une idée de la consommation par les organismes et de la régénération par les bactéries (Souza, 1985).

D'autre part, ce qui permet de quantifier la concentration de ce phytoplancton à partir de mesures satellites réalisées depuis l’espace, c’est son effet sur la couleur de l’océan (Weber & Jaquet., 2002). Le phytoplancton contient de la chlorophylle (comme les plantes terrestres), qui lui permet d’utiliser l’énergie lumineuse pour engendrer le processus de photosynthèse (Sevrin,1997).Cette chlorophylle à la particularité d’absorber plutôt les longueurs d’onde du bleu et beaucoup moins celles du vert.

196

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

Par conséquent, plus la chlorophylle est abondante, plus le rayonnement est atténué dans le bleu, et plus les eaux apparaissent vertes (Yang & Gordon,1997) .C’est ainsi que les eaux de mer ont une couleur bleu indigo tirant sur le violet (très peu de phytoplancton) ; la couleur tendra simplement vers un beau bleu profond s’il ya un peu plus de phytoplancton. (Rios et al.,1995) • Plus près des côtes ou près des embouchures ; la couleur de l’océan est également modifiée par la présence de sédiments en suspension et de substances dissoutes aux propriétés d’absorption plutôt diverses. • L’effet des différentes substances sur la couleur de l’eau doit être examiné, sur le plan expérimental, afin de pouvoir quantifier les composés particulaires et dissous. • L’accent est mis sur la quantification des particules minérales (terrigènes), mais sans négliger l’effet des autres substances, tel que le phytoplancton et les matières organiques dissoutes. (Sathyendranath et al.,1989) • Les particules minérales rétrodiffusent fortement la lumière, mais le phytoplancton et les matières organiques absorbent certaines parties du spectre, en particulier les faibles longueurs d’onde, et la réflectance : ainsi, le taux de lumière émergeant de la surface s’en trouvera diminué.

L’analyse par les Systèmes d’Information, nous a permis d’établir des règles d’association entre la couleur de l’eau ; la chlorophylle et la densité des espèces phytoplanctoniques dans la baie d’Alger. L'analyse statistique a été utilisée pour apprécier la distribution des données dans l’espace, pour appréhender leur degré d’homogénéité, pour étudier son évolution qualitative et quantitative, et de visualiser les observations. Nous avons présenté les paramètres environnementaux les plus importants pour surveiller la qualité de l’eau de mer. L’analyse spatiale des différents paramètres, nous a permis de conclure que : - la zone d’études représente un taux de pollution élevé. - la concentration de la matière polluante est caractérisée par les fortes teneurs des paramètres indicateurs de la pollution. L’ensemble des résultats est utilisé pour réaliser des cartographies par interpolation spatiale qui nous a permis de déterminer les zones les plus polluées et les zones à faible pollution.

197

Chapitre 5 Analyse et Modélisation des Paramètres Terrain-Image

• La concentration de la matière en suspension augmente au fur à mesure que l’on s’approche de la côte et atteint un maximum auprés des embouchures des oueds, • La richesse des eaux côtières en sels nutritifs par rapport aux eaux du large, • les concentrations des sels nutritifs suggèrent l'influence des rejets dans les baies, • La couleur des eaux ne dépend pratiquement que de la concentration en chlorophylle liée au phytoplancton en suspension. L’estimation de la chlorophylle à partir de la réflectance spectrale de ces eaux est actuellement bien établie. • Les eaux côtières quant à elles contiennent très souvent, en plus du phytoplancton, de la matière organique dissoute et des particules non organiques, tels les sédiments en suspension provenant des rivières affluentes et du fond. Ces particules modifient les interactions de la lumière avec l’eau et donc également le signal reçu par le satellite.

L’estimation de la concentration de ces matières en suspension ainsi que de la chlorophylle est de ce fait beaucoup plus difficile. L’intérêt croissant pour la cartographie des paramètres tels que la concentration en chlorophylle et la matière en suspension dans les eaux côtières s’explique par le nombre et la diversité des applications qui peuvent bénéficier de ces données. Citons la détection des efflorescences algales et l’évaluation et le suivi du degré d’eutrophisation. (Ferrari et al.,1992, Jaquet et al.,1992; Cokacar et al., 2004)

Les données chlorophylle liées à la « couleur de l’eau » peuvent apporter des informations précieuses sur la concentration en chlorophylle en milieu côtier, mais il existe des limites à cet outil (O'Reilley et al.,1998). Tout d’abord, la concentration telle que la perçoit le capteur est « moyennée » sur la hauteur de la colonne d’eau traversée par le rayonnement qui sera ensuite capté par le satellite : c’est la profondeur de pénétration, dépendant de la composition de l’eau, généralement une dizaine de mètres en milieu côtier. (Morel,1991; Morel & Gentili,1996) En effet, l’analyse corrélative entre les réflectances calculées à partir des images, les mesures in situ et les résultats des analyses au laboratoire montre bien les fortes corrélations obtenues sur les canaux visibles des satellites (Arfi et al., 2002 ; John et al., 2002; Houma et al.,2009 (a)). Les relations des différents ajustements sont hautement significatives, elles rendent possible l’interpolation de la pollution de l'eau de mer, la distribution de la couleur de l’eau, de la chlorophylle et celle des espèces phytoplanctoniques.

198

CHAPITRE VI

Modélisation de la bathymétrie par mesures satellitaires

198

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

La profondeur des fonds marins est une donnée essentielle pour un grand nombre de domaines d’activité: scientifique, économique et politique. La bathymétrie – la science de la mesure des profondeurs de l’océan – a des applications aussi diverses que la gestion des resources minérales et vivantes et l’aménagement des habitats sous-marins. (Tassan & Sturm, 1986; David, 1988; Grid-Geneva, 2000) Des études nombreuses ont été menées à ce jour ,tant sur les données LANDSAT que SPOT , pour définir les conditions dans lesquelles la bathymétrie de l’environnement côtier peut être perçue au travers de l’image satellitaire (Millard,1986) .Ces recherches soulèvent le problème essentiel de l’atténuation de la lumière dans l’eau, et , pour la plupart,tentent de définir la formule mathématique prenant en compte la presque totalité des paramètres qui conditionnent la perception du fond : absorption des différentes longueurs d’onde par l’eau , nature des fonds, turbidité des eaux, etc. (Sugimura & Tanaka ,1998)

Par ailleurs, l’établissement des relevés bathymétriques dans les zones côtières pose de nombreux problèmes matériels .Les méthodes traditionnelles utilisent des moyens tels que les sondes multifaisceaux sur les navires, qui nécessitent de longues campagnes s’avérant onéreuses. Ces méthodes restent bien sûr irremplaçables pour ce qui concerne la bathymétrie des zones profondes et pour les relevés ponctuels, mais il n’est pas toujours possible d’utiliser ces moyens classiques de sondage, soit en raison des difficultés d’accès et de navigation, soit à cause des limites d’utilisation des échosondeurs.

Des expériences antérieures ont montré que l’estimation de la bathymétrie est réservée aux eaux claires et peu profondes : dans une situation presque idéale, on peut proposer un maximum de 40m de pénétration pour la bande XS1 (500-590 nm), de 8m pour la bande XS2 (610-680 nm) et de 0.5m au maximum pour la bande XS3 (790-890 nm). (Minghelli-Roman et al.,2007) Ces chiffres sont variables en fonction de la clarté des eaux, les matières en suspension entraînant une diffusion de plus en plus importante en relation avec leur concentration et occultant le signal lumineux rétrodiffusé par le fond. (Lemoalle,1978) Avec les spatio cartes marines, la donnée spatiale devient la base de la carte. Dans les eaux tropicales coralliennes, la grande transparence de la mer permet de déterminer la bathymétrie jusqu’à des profondeurs de vingt mètres et même davantage. (Loubersac et al.,1989)

199

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

La classification d’une première image suggérait la possibilité de relier la luminance à la bathymétrie (Seguis, 1991). L’analyse bathymétrique, à l’aide d’images satellites, a été élaborée dans les années soixante-dix à l’aide d’images MSS de Landsat, puis étendue à l’imagerie HRV de SPOT. (Krishnamoorthy et al.,1988)

Dans de nombreuses études de télédétection, la courbe bathymétrique est tracée indirectement à partir de couples de coordonnées : surface en eau, planimétrie sur l’image satellitaire, et altitude du plan d’eau. (Lemoalle ,1978; Puech ,1992). Du fait des difficultés de programmation d’images et de son coût, la courbe est souvent définie sur un très petit nombre de points. Clarck et al (1988 ,1990) ont montré que l’on pouvait, avec des images TM et dans de très bonnes conditions expérimentales établir une bathymétrie avec une précision d’environ 2m jusqu’à une profondeur d’environ 15 m. (Froidefond et al., 2004 ). Loubersac et al. (1991) ont, quant à eux, utilisé une image HRV pour dresser une carte bathymétrique (Loubersac et al.,1992). Ibrahim et Cracknell (1990) ont vérifié et validé l’hypothèse du modèle de réflectance de l’eau profonde proposée par Spitzer & Dirks (1986) et par LeGouic (1987). Le modèle est utilisé de manière opérationnelle en milieu marin à partir des comptes numériques MSS de Landsat et HRV de SPOT. (Morel & Gentili, 2004) Nous nous proposons de présenter dans cette partie : (a) la bathymétrie de la baie de Bousmail et de la baie d’Alger ; (b) les résultats des réflectances obtenus à partir des données numériques SPOT HRV et Landsat TM et MSS et (c) les différentes relations de l’analyse corrélative entre les profondeurs et les réflectances dans chaque bande spectrale des satellites. (d) les images satellites transformées en images bathymétriques. (Bachari & Houma, 2006(b).

A. Détermination de la bathymétrie dans la baie d'Alger. 1. Analyse physico-chimique et cartographie. Des échantillons d’eau de mer ont été récoltés à chaque station et à 2 ou 3 niveaux de profondeur dont le positionnement exact est relevé par le système GPS. (Figure 6.3) (Houma et al.,2008). Le prélèvement a été effectué durant la période du mois d’avril 2002, soit trois échantillons pris en chaque point des lieux cités pour mesurer et analyser les paramètres in situ (Ouillon ,1997) suivants : température (T), salinité (S), oxygène dissous (OD), matière en suspension (MES), turbidité (Tu) et potentiel d’hydrogène (pH) (Rodier, 2005).

200

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Le résultat donné pour chaque paramètre est la moyenne de trois mesures successives. (Tableau 6.1) 2. Cartes bathymétriques. Le nombre de stations s’élève dans ce cas à 50 stations, les analyses de l’eau de mer sont effectuées à plusieurs profondeurs Z où la nature du fond est aussi déterminée par analyse des sédiments. Nous présentons les résultats pour les premières stations (Tableau 6.1). Pour l’établissement de la carte bathymétrique, nous représentons les figures sous différentes dimensions pour distinguer la spatialisation des différents fonds en baie d’Alger. (Figure 6.1)

Nous constatons que la profondeur s’accroît très rapidement, quant à la nature du fond, elle est assez variée, on distingue d’une part, les fonds rocheux, qui se trouvent aux extrémités de la baie, d’autre part, les fonds vaseux et sableux, au centre.

Tableau 6.1 : Analyses physico-chimiques, bathymétrie et fonds des premières stations en baie d’Alger.

N° Heure Positionne- Z T°C pH S O2 MES Nature du Station ment (PSU) (mg/l) (mg/l) fond 03° 08 00 1 21.3 8.3 37.645 8.83 16.68 1 14.03.50 Sable fin 36° 45 10 5 21.7 8.12 37.921 9.65 19.46 1 22.9 8.19 37.929 7.66 16.01 03° 08 00 2 14.36.47 16 20.3 7.93 37.969 7.25 12.08 Sable vaseux 36° 45 50 20 20.0 7.83 37.929 7.18 22.07 1 21.9 8.13 38.221 7.23 20.44 03° 06 00 5 21.5 8.18 38.337 7.33 16.51 3 15.09.02 Vaseux 36° 45 50 10 20.50 8.21 38.381 7.73 31.48 20 20.02 8.21 38.421 7.97 16.87 03° 05 60 1 22.3 8.18 38.249 7.5 18.83 4 15.33.08 Rocheux 36° 45 70 16 19.9 8.09 38.309 7.4 22.14 03° 03 30 1 22.5 8.16 37.949 7.91 20.01 5 16.12036 Sable fin 36° 48 45 16 20.7 0.02 37.977 7.97 16.94

201

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

La figure suivante présente les isobathes de la baie d’Alger.

MER MEDITERRANEE ' 50 ° 36 Cap Caxine Cap Matif ou

Baie d'Alger zimaH- lE deuO Port d'Alger

' 45 6° 3

ch d ra ue ar 0 2,4Km O H l- Echelle: E 1/120 000 3°00' 3°05' 3°10' 3°15' LEGEND E

0m 10m 20m 30m 40m 50m 60m 70m 80m 90m 100m110m120m130m 140m

Figure 6.1 : Carte bathymétrique de la baie d’Alger déduite à partir des données terrain 2004.

Pour le site étudié, la profondeur de l'eau est telle que le rayonnement solaire ne peut pratiquement pas interagir avec le fond de la mer. (Morel, 1982) Concernant la simulation des données satellites, il est nécessaire de connaître la nature du fond. L’application de l'outil de Simulation des Données satellites nécessite la détermination de la sédimentologie de la zone d’étude (Nanu & Robertson, 1990), en effet, trois faciès sédimentaires existent dans la sédimentologie de la baie d’Alger.

Tableau 6.2. Table de donnée représentant les résultats des analyses chimiques dans POlGIS.

202

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Figure 6.2: Données cartographiques, paramètres physico_chimiques et sédiments dans la baie.

Figure 6.3 : Base de données des échantillons d'eau de mer et de sédiments analysés.

Figure 6.4: Répartition sédimentaire de la baie d’Alger (Campagne 2006)

203

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

3. Extraction et calcul de la réflectance de l’eau. 3.1 Analyse de la variation de la luminance. La simulation des données satellitaires permet de calculer la radiance spectrale réfléchie par la cible au niveau du capteur et de déterminer le rayonnement diffus par une masse d’eau. La luminance dans ce cas dépend de la profondeur, de la nature du fond et de la qualité de l’eau. (Bachari & Houma,2008(a); Gentien et al.,1995; Froidefond et al.,1991 ) . Les valeurs simulées sont en fonction de l’angle zénithal dans les différents canaux des satellites utilisés. (Figure 6.5)

Figure 6.5 : Luminance simulée en fonction de l’angle zénithal.

3.2 Application aux stations. Dans les eaux très claires, le fond est visible de façon satisfaisante jusqu’à des profondeurs pouvant atteindre une vingtaine de mètres .Il est imperceptible dans les eaux très troubles, car sa part dans le signal émergent est très faible. La signature spectrale du fond varie avec les différents types de fonds, de sable, de vases ou de roches. (Mobley, 1994; Morel et al.,2007(b)) (Figure 6.6) Nous avons effectué une série d’observations simultanées afin d’obtenir un ensemble de couples de mesures comportant chacun : - une valeur de la radiance dans un canal donné (la réflectance Ref ) - une valeur de la profondeur Z Nous nous intéressons dans cette partie à suivre la variation des quantités luminances et réflectances en fonction de la profondeur des stations dans les différents canaux des satellites.

204

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Le principe de la mesure bathymétrique se base nécessairement sur le modèle de réflectance reliant l’intensité du signal radiométrique mesuré par le satellite à la profondeur.

Figure 6.6 : Réflectance de l’eau de mer en fonction de la profondeur et du type de fond. a) cas du sable, b) cas de la boue, c) cas de la végétation.

Pour calculer la radiation réfléchie par l’eau à différentes profondeurs, nous avons utilisé la radiation globale spectrale qui atteint le sol et la signature spectrale de l’eau pour les données des canaux SPOT HRV et LANDSAT. Les résultats des études menées sur la bathymétrie sont directement liés aux caractéristiques des satellites SPOT et Landsat. Les capteurs permettent de mesurer la radiométrie, l'intensité du rayonnement solaire réfléchi par le sol et les fonds marins à travers la couche d'eau. (Abdellaoui et al.,1984; Lunven,2003; Bachari & Houma 2006(a)).

Cette intensité est mesurée dans le spectre visible pour des bandes de fréquence bien précises. Sur les images, nous remarquons que plus la profondeur est élevée, plus le rayonnement est absorbé et plus le niveau de radiométrie mesuré est faible. Nous définissons les bandes spectrales nécessaires qui peuvent être utilisées pour déterminer la bathymétrie de la baie, en transformant des images satellites brutes en images indicatrices de la profondeur de l’eau.

205

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Figure 6.7 : Luminance en fonction de la profondeur de l’eau, Application au satellite SPOT.

Figure 6.8 : Variation de la luminance TM Landsat en fonction de la profondeur.

4. Corrélation et ajustement des fonctions représentatives. Après avoir donné les résultats et les réflectances calculées dans bandes spectrales des satelllites, nous procédons à l'analyse mathématique qui a pour but de chercher des éventuelles relations entre les réflectances et les profondeurs des stations.

 Modèle monobande. L’ajustement des valeurs dans le cas des mesures SPOT, TM et MSS susceptibles d’être corrélés avec la profondeur donne les meilleurs coefficients de corrélations sur les canaux visibles. Les fortes corrélations sont obtenues sur XS1( r2 ≈ -0.85), TM1( r2 ≈ -0.65), TM2( r2 ≈ -0.58) et MSS4 ( r2 ≈ -0.84) .L’analyse des données montre donc la sensibilité des canaux à l’étude bathymétrique de la zone côtière algérienne. (Tableau 6.3)

206

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

 Conversion en profondeur - application PCSATWIN. Nous définissons les bandes spectrales nécessaires qui peuvent être utilisées pour déterminer la bathymétrie en transformant des images satellites brutes en images indicatrices de la profondeur par l’application des droites d’ajustement obtenues à partir des meilleures régressions et les valeurs des coefficients de corrélation calculés. (Bachari et al.,1997) Tableau 6.3 : Corrélation des réflectances et bathymétrie sur les canaux satellites. SPOT XS1 XS2 XS3 - 0.8558 - 0.2366 - 0.0060 Coefficient de Landsat TM corrélation TM1 TM2 TM3 TM4 TM5 TM6

-0.6525 - 0.5810 - 0.2062 - 0.1787 - 0.1781 - 0.1542 2 r Landsat MSS MSS4 MSS5 MSS6 MSS7 - 0.8405 - 0.4228 - 0.0341 - 0.0356

Figure 6.9 : Corrélation de la profondeur au canal SPOT1.Application baie d’Alger

 Rapport des réflectances sur les canaux SPOT. La combinaison des canaux XS donne de bons résultats pour la détermination de la bathymétrie dans le domaine du visible et du proche infrarouge de la baie d’Alger. Le rapport des canaux est susceptible d’apporter des informations bathymétriques complémentaires, les bonnes valeurs des coefficients de corrélation peuvent être liées à la meilleure correction atmosphérique déduite du rapport des deux scènes de l’image. (Tableaux 6.4 et 6.5)

207

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Tableau 6.4 : Matrice des corrélations significatives des profondeurs- Rapport réflectances dans la baie d’Alger.

Les meilleures valeurs sont obtenues pour les rapports des canaux XS1/XS2 et XS1/XS3.

PROF vs. XS1_XS2 (Suppr. des Obs. à VM) XS1_XS3 vs. PROF (Suppr. des Obs. à VM) XS1_XS2 = 3,9472 - ,0809 * PROF PROF = 39,024 - 2,993 * XS1_XS3 Corrélation: r = -,8531 Corrélation: r = -,8060 5,0 40

4,5 35

4,0 30 3,5 25 3,0 20 2,5 PROF

XS1_XS2 15 2,0 10 1,5

1,0 5 Régression Régression 0,5 0 0 5 10 15 20 25 30 35 40 IC à 95% 1 3 5 7 9 11 13 IC à 95% PROF XS1_XS3 Figure 6.10 : Courbe de corrélation de la profondeur de la baie d’Alger à SPOT1/SPOT2. XS1/XS2 = 3.9472- 0.0809 * PROF ; R= -0.8531 Figure 6.11 : Courbe de corrélation de SPOT1/SPOT3 à la profondeur de la baie d’Alger. PROF= 39.024 - 2. 993*XS1/XS3 ; R= -0.8060

5. Analyse statistique des paramètres. Nous avons développé des modèles de qualité des eaux afin de corréler les mesures terrain avec la radiométrie des différents canaux. Une série de modèles de régression linéaires simples et multiples a été réalisé pour déterminer la meilleure relation entre le taux de matière en suspension, la turbidité, la profondeur et la valeur radiométrique des canaux utilisés. 5.1 Conversion en profondeur. Pour la variable Z qui indique la bathymétrie la corrélation est bonne et positive avec la température du fond. Cela s’explique par la variation de la température qui décroît rapidement avec la profondeur. La même remarque est retenue en ce qui concerne la salinité. Cette variable est corrélée avec la luminance du canal4 (CN4). Cette corrélation est positive de l’ordre de 0.71.

208

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

L’ensemble des résultats expérimentaux des données satellitaires est présenté sous forme de matrice de corrélation entre les différents paramètres mesurés in situ. (Tableaux annexes)

Tableau 6.5 : Résultats des analyses corrélatives de la baie d’Alger. Rapports des réflectances sur les canaux SPOT XS.

Fonctions Droites d'ajustements linéaires Corrélation

Ref (XS1/XS2) = f( PROF) XS1/XS2= 3.9472- 0.0809 * PROF R = - 0.8531

Ref (XS1/XS3) = f( PROF) XS1/XS3= 10.547 -0.2170* PROF R = -0.8060

 Analyse en composantes principales La matrice de corrélation peut servir comme une première lecture pour la recherche des relations entre les paramètres mesurés et les données satellitaires. Nous avons utilisé l’analyse en composantes principales (ACP) pour déterminer les familles de paramètres fortement liés. Les résultats sont présentés dans la figure suivante :

Poids Factoriels, Fact. 1 vs. Fact. 2 Rotation: Sans Rot. Extraction: Facteurs Principaux (comm. = R² multiple) 1,0

SALINLIT 0,8 DENSS 0,6 TS OXYGF MESF OXYGSMESS 0,4 CN1_MINCN1 0,2

Fact. 2 Fact. CN2 TF Z 0,0 CN4_MINCN4 -0,2 SF DENSF CN3 -0,4

-0,6 -1,0 -0,6 -0,2 0,2 0,6 1,0 1,4 Fact. 1 Figure 6.12 : Analyse en composante principale des paramètres mesurés et les données satellitaires.

Le tracé des deux contours indique les familles de paramètres fortement liés :

1. La première famille est présentée par la matière en suspension MES, oxygène dissousO2 et température de surface Ts. 2. La deuxième famille regroupe la température en profondeur Tf, la bathymétrie Z, et les

différences des comptes numériques des stations CN1-CNmin et CN4-CN4min.

209

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

 Ajustement exponentiel des paramètres.

Les quantités CN4-CNmin et CN1-CN1min sont les luminances corrigées des effets atmosphériques. Le maximum de MES est dans ce cas une anomalie indiquant la convergence hydrodynamique des courants. Nous remarquons que la variable profondeur Z représente le barycentre de la distance séparant les luminances mesurées au niveau des pixels. Nous n’avons pas pris en considération les données qui correspondent aux profondeurs supérieures à 70 m puisque pour les profondeurs qui dépassent les 50 mètres n’enregistrent aucun effet du fond marin. L’ensemble des données est corrigé et analysé par une régression exponentielle. Les résultats dans ce cas sont mieux présentés et la courbe d’ajustement est presque parfaite où le coefficient de corrélation atteint les 88%.

CN4- min CN4 = 7.968 exp (0.009*Z) (6.1) Cette équation introduit la correction des données satellitaires des effets atmosphériques en retranchant de chaque donnée la radiométrie minimale enregistrée dans une image. La radiométrie minimale correspond à une absorption totale du rayonnement qui atteint le sol et le compte numérique enregistré correspond au rayonnement diffusé par l’atmosphère en direction du capteur.

Figure 6.13 : Ajustement de luminance du canal4 corrigé des effets atmosphériques en fonction de la profondeur des stations. L’effet de la profondeur est remarquable sur les données radiométriques. Pour la profondeur Z=0 nous avons : CN4-CN4min=8 ; par contre pour une bathymétrie de 10 mètres la valeur diminue jusqu’à 3.205. L’inversion de l’équation (7.6) donne :

210

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

1 CN4 - CN4min Z = ln (6.2) 0.09 7.968 Nous obtenons la conversion logarithmique des comptes numériques des stations en données profondeur Z : Z = - 23.076 +11.11ln ( CN 4 - CN 4min) (6.3)  Modèle à variable multiple. Au juste la mesure satellitaire dépend du rayonnement réfléchi par le fond marin et de la qualité de l’eau. Une analyse régressive multiple entre les comptes numériques mesurés et les matières en suspension nous a donné les résultats suivants : Z = −140.029 − 0.91* MES + 3.584* XS1+ 2.478* XS2 (6.4) Cette relation lie la bathymétrie de l’eau au taux de matière en suspension. L’intensité de l’atténuation est fortement influencée par la quantité de particules en suspension. Le coefficient d’atténuation augmente de façon proportionnelle avec la charge particulaire exprimée en milligrammes de matières en suspension par litre d’eau filtrée. (Olivon, 1986) Nous obtenons aussi de bons coefficients de corrélations multiples et polynomiales entre les trois variables profondeur et réflectances des canaux satellites SPOTXS. Z = −148.8 − 2.76 XS1+17.93 XS2 − 0.014 XS1² + 0.57 * XS1* XS2 − 2.04* XS2² (6.5)

5.2 Extraction d’images bathymétriques. Les corrélations multiples et polynomiales sont variables. Les canaux fortement corrélés avec la profondeur de l’eau peuvent établir différents modèles empiriques statistiques qui passent nécessairement par l’acquisition d’un nombre suffisamment grand de données expérimentales. Le but de ces modèles est de déterminer la profondeur (Z) en fonction de fonction de la radiance. Il est possible de rechercher un ajustement pour les valeurs d’un seul canal, ou de plusieurs canaux. Dans le cas des mesures LANDSAT, on pourra étudier plusieurs fonctions dans les six canaux TM et les quatre canaux MSS.  Modèle à plusieurs canaux. Il nous a semblé intéressant de reprendre les calculs des coefficients de corrélation en associant les canaux 1 et 4 dans une fonction polynomiale : Z= f( CN1, CN4) : 2 2 (6.6) Z = -148.822- 2.768CN1 +17.379CN4 - 0.014CN1 + 0.752CN1 * CN4 - 2.004CN4 L’équation développée (6.6), nous permet de réaliser une extraction directe de la bathymétrie en combinant les deux scènes de l’image satellite.

211

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Figure 6.14 : Variation polynomiale de la profondeur sur les canaux visible et proche infrarouge.

Pour réaliser l’extraction de la bathymétrie, il faudra charger l’image puis appliquer l’équation de conversion en profondeur sur l’ensemble de l’image.

Figure 6.15 : Application de la conversion pour une image satellite SPOT XS brute de la baie d’Alger.

L’image résultante est une carte bathymétrique où pour chaque pixel de coordonnées (latitude, longitude), une valeur associée de radiance est corrélée avec la profondeur. L’équation (6.6) développée, nous permet de réaliser une extraction directe de la bathymétrie en combinant les deux images satellites une prise dans le canal 1 et l’autre prise dans le canal 2. La carte est une présentation à trois dimensions de la baie d’Alger, elle est mise en forme topographique pour indiquer que fond de la baie est un terrain accidenté. L’intérêt majeur de l’application des images satellites est la continuité de l’information.

212

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Figure 6.16 : Carte bathymétrique de la baie d’Alger extraite d’une image satellite SPOTXS et une projection des stations des mesures.

Figure 6.17: Carte bathymétrique extraite à partir d’une image satellite SPOTXS de la baie d'Alger.

B. Détermination de la bathymétrie dans la baie de Bousmail. 1. Carte bathymétrique de la baie. (Campagne 2007) Le nombre de stations s’élève dans ce cas à 131 stations, la mesure des paramètres in situ a concerné la température (T), la salinité (S), l'oxygène dissous (OD), les matières en suspension (MES) et la nature du sédiment. Le Tableau 1 présente quelques résultats ; la suite de résultats est présentée en annexe /

213

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Figure 6.18 : Situation des stations bathymétriques dans la baie de Bousmail.

Tableau 6.6: Température, bathymétrie et fond des premières stations en baie de Bousmail. N° station Latitude Longitude Profondeur Nature du fond T(°C) (m) 01 36°38'58.67"N 2°24'2.45"E 45 Vases 16,6 02 36°37'54.03"N 2°24'28.69"E 14 Roches 16,7 03 36°36'40.58"N 2°24'36.86"E 10 Sables fins 16,8 04 36°38'57.55"N 2°25'0.39"E 58 Vases 16,5 05 36°37'58.46"N 2°25'3.76"E 41 Vases 16,6 06 36°37'5.31"N 2°25'2.21"E 22 Sables fins 16,7 07 36°36'11.75"N 2°25'4.99"E 5 Sables fins 16,8 08 36°38'59.33"N 2°26'0.21"E 64 Vases 16,7 09 36°37'59.12"N 2°25'59.99"E 55 Vases 16,7 10 36°37'4.04"N 2°26'2.56"E 40 Sables grossiers 16,7 11 36°36'25.71"N 2°26'1.45"E 20 roches 16,8 12 36°35'52.33"N 2°26'0.69"E 2 Sables fins 16,9 13 36°38'59.31"N 2°27'0.06"E 72 Vases 16 14 36°37'58.17"N 2°26'58.25"E 62 Vases 15,5 15 36°36'58.03"N 2°27'2.33"E 47 Sables grossiers 15,9 16 36°35'59.57"N 2°26'58.99"E 10 Sables fins 16,9 17 36°38'58.51"N 2°27'59.68"E 80 Vases 16,1 18 36°37'58.68"N 2°27'58.55"E 70 Vases 16 19 36°37'0.29"N 2°27'58.51"E 55 Vases 16 20 36°35'55.02"N 2°28'1.23"E 15 Sables fins 16,6

2. Analyse de la variation de la luminance. Nous nous intéressons dans cette partie à suivre la variation des quantités luminances et réflectances en fonction de la profondeur des stations dans les différents canaux des satellites.

214

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Le capteur embarqué à bord d’un satellite mesure le rayonnement solaire réfléchi par le système sol-atmosphère dans une bande spectrale déterminée. Cette mesure dépend des conditions de prise de vue (éclairement, inclinaison..), de la profondeur, de la nature du fond et de la qualité de l’eau. Notre étude bathymétrique se focalise sur les images multibandes des capteurs du satellite SPOT et les capteurs TM et MSS du satellite LANDSAT.

Tableau 6.7 : Paramètres d’entrées pour le SDDS

Paramètres atmosphériques Paramètres astronomiques Ozone Cm 0.30 Jour 344 Humidité relative % 80 Heure 11.26.00 Température K T°C+273 Latitude 36°38'58.67"N Visibilité Km 20 Longitude 2°24'2.45"E Altitude de l’ozone 200 β0 0 Alpha ( α ) 1.5 θv 10° Fc 0.9 ϕ 45° ω0 0.9 ψ 60° Ces paramètres correspondent à une atmosphère claire et à une pression normale

Figure 6.19 : Données atmosphériques et astronomiques dans le logiciel SDDS.

Les résultats de la luminance obtenus pour les premières stations sur les différents canaux satellitaires sont regroupés dans les tableaux ci-dessous.

215

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Tableau 6.8 : Luminances L (w.m-2) sur les trois canaux SPOT HRV. Téta V 10 20 Stations Prof SPOT 1 SPOT 2 SPOT3 SPOT 1 SPOT 2 SPOT 3 1 1 49,463 23,237 5,2607 49,401 23,536 5,3053 2 1,5 48,476 21,265 5,0766 48,435 21,544 5,0993 3 1,5 48.451 21.692 5.2331 48.412 21.975 5.2583 4 1,5 48.451 21.692 5.2331 48.412 21.975 5.2583 5 1,5 48,996 21,938 5,2943 48,957 22,224 5,3198 6 2 47,567 19,736 4,9991 47,545 19,990 5,0104 7 2 47,567 19,737 5,0061 47,545 19,991 5,0174 8 2 35,627 15,095 3,8516 35,612 15,289 3,8612 9 4 44.602 16.728 5.0852 44.668 16.884 5.0860 10 4,5 43,973 16,279 5,0888 44,020 16,414 5,0892 11 4,5 43.965 16.271 5.0829 44.012 16.406 5.0832 12 4,5 43.985 16.291 5.0971 44.032 16.427 5.0974 13 5 32.129 10.226 2.3493 32.093 10.306 2.3495 14 5 32,303 10,156 2,3292 32,266 10,235 2,3293 15 5 32,129 10,226 2,3493 32,093 10,306 2,3495 16 5 32,481 11,916 3,8032 32,524 12,002 3,8034 17 5,5 31,71 10,014 2,3491 31,684 10,083 2,3492 18 6 31,313 9,8473 2,3490 31,295 9,9059 2,3491 19 8 29,908 9,4613 2,3490 29,917 9,4914 2,3490 20 8,5 29,912 11,107 3,8071 29,992 11,134 3,8071

Figure 6.20 : Radiation en fonction de la profondeur de l’eau (SPOT)

Sur les courbes de luminance, nous remarquons que plus la profondeur est importante, plus le rayonnement est absorbé et plus le niveau de radiométrie mesuré est faible. ( Houma,2007) La résolution spectrale permet d’observer dans les eaux claires, le fond de façon satisfaisante jusqu'à des profondeurs pouvant atteindre 50m sur les canaux XS1, TM1, MSS4 ; 20 à 30m sur le canal TM2, et jusqu'à des fonds de 5 à 7m sur les canaux XS2, MSS5, TM3. (Bachari et al.,2004)

216

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Quant aux canaux XS3, MSS6, MSS7, TM4, TM5, TM7, ils n’apportent aucune information bathymétrique puisque la mer présente une réflectance nulle dans le canal infrarouge, pour ces bandes spectrales le signal enregistré correspond uniquement à l’effet de l’atmosphère, ce qui laisse à dire que la contribution de ces canaux dans le domaine bathymétrique n’est d’aucune utilité. (Houma et al.,2009(b)).

Tableau 6.9 : Luminances sur les canaux LANDSAT-TM. (L(w.m-2)

Stations Prof TM1 TM2 TM3 TM4 TM5 TM7

1 1 56,722 43,984 55,955 55,955 0,3156 0,1718 2 1,5 56,349 42,584 15,605 5,3412 0,2525 0,1525 3 1,5 56.191 42.681 15.983 5.0567 0.2633 0.1564 4 1,5 41.837 31.365 10.051 2.6286 7.9460 9.5536 5 1,5 42,097 31,976 11,976 4,1271 0,1975 0,1172 6 2 41,477 30,488 9,5502 2,5502 5,2039 8,9392 7 2 55,816 41,381 14,703 5,2578 0,2328 0,1473 8 2 41,703 31,087 11,279 4,0466 0,1799 0,1122 9 4 53.782 37.804 13.202 5.3326 0.2233 0.1459 10 4,5 53,347 37,067 12,985 5,3355 0,2234 0,1461

11 4,5 53.340 37.058 12.977 5.3298 0.2228 0.1459

12 4,5 53.359 37.080 12.997 5.3435 0.2241 0.1465 13 5 39.530 26.652 7.7092 2.4878 3.0225 0.0852 14 5 39,814 26,736 7,6532 2,467 2,9832 8,5437 15 5 39,53 26,652 7,7092 2,4878 3,0225 0,0852 16 5 39,635 27,243 9,5896 3,9883 0,1664 0,1091 17 5,5 39,237 26,179 7,6135 2,4875 3,013 8,5288 18 6 38,952 25,741 7,5402 2,4874 3,0088 8,5301 19 8 37,885 24,265 7,382 2,4873 3,0056 8,5325 20 8,5 37,634 24,531 9,2449 3,9922 0,1665 0,1092

Figure 6.21: Variation de la radiation en fonction de la profondeur de l’eau (LANDSAT-TM)

217

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Tableau 6.10 : Luminances sur les canaux LANDSAT MSS. (L(w.m-2)

Stations Prof TM1 TM2 TM3 TM4 TM5 TM7 1 1 56,722 43,984 55,955 55,955 0,3156 0,1718 2 1,5 56,349 42,584 15,605 5,3412 0,2525 0,1525 3 1,5 56.191 42.681 15.983 5.0567 0.2633 0.1564 41.837 31.365 10.051 2.6286 7.9460 9.5536 4 1,5 5 1,5 42,097 31,976 11,976 4,1271 0,1975 0,1172 6 2 41,477 30,488 9,5502 2,5502 5,2039 8,9392 7 2 55,816 41,381 14,703 5,2578 0,2328 0,1473 8 2 41,703 31,087 11,279 4,0466 0,1799 0,1122 9 4 53.782 37.804 13.202 5.3326 0.2233 0.1459 10 4,5 53,347 37,067 12,985 5,3355 0,2234 0,1461

11 4,5 53.340 37.058 12.977 5.3298 0.2228 0.1459

53.359 37.080 12.997 5.3435 0.2241 0.1465 12 4,5 13 5 39.530 26.652 7.7092 2.4878 3.0225 0.0852 14 5 39,814 26,736 7,6532 2,467 2,9832 8,5437 15 5 39,53 26,652 7,7092 2,4878 3,0225 0,0852 16 5 39,635 27,243 9,5896 3,9883 0,1664 0,1091 17 5,5 39,237 26,179 7,6135 2,4875 3,013 8,5288 18 6 38,952 25,741 7,5402 2,4874 3,0088 8,5301 19 8 37,885 24,265 7,382 2,4873 3,0056 8,5325 20 8,5 37,634 24,531 9,2449 3,9922 0,1665 0,1092

Figure 6.22 : Radiation en fonction de la profondeur de l’eau (LANDSAT-MSS) Les droites d’ajustement linéaires donnent les meilleurs résultats sur la bande spectrale XS1 du satellite SPOT (HRV) fonctionnant dans le visible et ceci dans le cas de la profondeur et des matières en suspension. Les taux de liaison sont élevés plus particulièrement dans le vert où la réflectance de l’eau est plus importante. Par contre les canaux XS2 et XS3 fonctionnent respectivement dans le rouge et le proche infrarouge, présentent ainsi une faible réflexion. Le satellite Landsat donne une forte liaison sur les bandes spectrales TM1, TM2 et MSS4. (Bachari et al.,2004; Houma,2007; Houma et al., 2009(a))

218

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

3. Modélisation de la profondeur et mesures satellitaires. L'analyse statistique des paramètres donne les éventuelles relations d’ajustement entre les réflectances des stations et leurs profondeurs. (Figure 6.23)

Figure 6.23 (a, b,c,d,e) : Courbes de corrélation de la profondeur aux canaux XS SPOT et LANDSAT, Droites de liaison et coefficients de corrélation.

219

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Les résultats sont résumés dans le tableau 6.11. Tableau 6.11 : Relations profondeur- mesures satellitaires.

Fonctions Droites d’ajustement Corrélation Régression linéaire Réf (XS1) = f(PROF) XS1 = 0,1703+0,0023*PROF R= 0,9054 Réf (XS2) = f(PROF) XS2 = 0,1958+0,0007*PROF R = 0,7679 Réf (MSS4) = f(PROF) MSS4 = 0,1816+0,0019*PROF R = 0,8717 Réf (MSS6) = f(PROF) MSS6 = 0,2164+0,0001*PROF R = 0,5677 Réf(TM1) = f(PROF) TM1 = 0,1751+0,0023*PROF R = 0,8967 Réf(TM2) = f(PROF) TM2 = 0,1789+0,002*PROF R = 0,8500 Réf(TM3) = f(PROF) TM3 = 0,2025+0,0005*PROF R = 0,6805 Réf(TM4) = f(PROF) TM4 = 0,2765+1,4253E-5*PROF R = 0,5234 Réf(TM5) = f(PROF) TM5 = 0,6983-0,015*PROF R= -0,3205 Réf(TM7) = f(PROF) TM7 = 0,3241-0,0025*PROF R= -0,3402

. Corrélations logarithmiques et polynomiales. Nous avons réalisé une autre série traitement mathématique à savoir, logarithmique et polynomiale. Ces dernières nous montrent une bonne corrélation de la luminance en fonction de la profondeur.

Figure 6.24 : Courbe de corrélation logarithmique de la profondeur à la luminance de Spot XS1.

Figure 6.25 : Courbe de corrélation polynomiale de la profondeur à la luminance de Spot XS1.

220

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Le modèle calculé fourni une image où chaque pixel du domaine maritime est représenté non seulement par une radiométrie mesurée mais aussi par une profondeur calculée. (Thomas, 1978; Girard & Girard,1989; Doxaran et al.,2002(a); Bachari & Houma,2005; Abdellaoui,2009)

4. Modèles d'inversion en profondeur - Application PCSATWIN . En sachant que notre étude est validée sur un intervalle où la profondeur n’excéde pas les 40 mètres avec la radiométrie de la bande spectrale TM1 Landsat, et les 20 mètres avec la radiométrie de la bande spectrale TM2. Le modèle de liaison obtenu entre le compte numérique et la profondeur est : (équation 6.7) TM1 : Prof = 3,528 + 2,68400.exp (-(CN-43)/2,872) (6.7) Où Prof : est la profondeur calculée pour le pixel de compte numérique CN. Le modèle fourni une image ou chaque pixel du domaine maritime est représenté non plus par une radiométrie mesurée mais par une profondeur calculée. En nous référent à une carte bathymétrique réelle de notre zone étudiée nous avons pu comparer avec une application faite dans le logiciel PCSATWIN les valeurs des radiations sur les images XS1 brutes et corrigées de SPOT. La quantification de ces images montre par notre formule qu’il y a une convergence considérable des résultats entre l’image corrigée et celle de la carte bathymétrique réelle par rapport à l’image brute convertie en profondeur (Fig7.11 et Fig7.12). L’application des corrections atmosphériques est bien montrée sur les images déterminant la relation linéaire d’étalonnage reliant la réflectance et le compte numérique pour les deux canaux de Spot XS1 et XS2. Cette méthode simple de correction revient à substituer à la relation linéaire d’étalonnage une autre relation linéaire appliquée aux images. Cette nouvelle relation d’étalonnage aboutit à corriger les réflectances mesurées.

Figure 6.26: Image satellitaire brute de la baie de Bou-Ismail sur le canal LANDSAT-TM1 (Scène corrigée des effets atmosphériques)

221

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Figure 6.27 : Image satellite LANDSAT-TM1 de la baie de Bousmail en conversion bathymétrique

Figure 6.28 : Carte bathymétrique de la baie de Bousmail extraite à partir d’une image satellite LANDSAT-TM1

222

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

C. Validation du modèle de simulation de la bathymétrie aux données satellites dans la baie de Zemmouri. La figure présente les 126 stations choisies couvrant toute la baie de Zemmouri (Est d'Alger). Il est affecté à chaque station ses coordonnées géographiques, la température de l'eau ainsi que la nature du fond.

Figure 6.30 : Stations de prélèvements dans la baie de Zemmouri.

. Variations des luminances avec la profondeur

Figure 6.31 : Luminances en fonction de la profondeur de l’eau sur LANDSAT-TM.

La résolution spectrale permet d’observer le fond de façon satisfaisante jusqu’à des profondeurs atteignant : - 35m sur les canaux XS1, TM1, MSS4 ; ce qui explique d’ailleurs que les meilleures valeurs de rayonnement on été obtenues sur ces trois canaux - 20 à 30m sur les canaux TM2, XS2, MSS5. - et jusqu’à des fonds de 5 à 7m sur le canal TM3. Quand aux canaux TM4, TM5, TM7, MSS6, MSS7et XS3; ils n’apportent aucune information bathymétrique. La validation des résultats est donnée par le bilan récapitulatif des modèles présentés en Tableau 6.12.

223

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Tableau 6.12 : Bilan des corrélations de la bathymétrie simulée à la réflectance des stations dans la baie de Zemmouri.

Satellite Bande Ajustement exponentiel corrélation spectrale SPOT XS1 Ref(XS1) =29,6954*exp (-0,0062* prof) -0,7852 TétaV= 10 XS2 Ref (XS2) =13,248*exp (-0,0024*prof) -0,3981 XS3 Ref (XS3) =2,88185*exp (-0,0003*prof) -0,1823 SPOT XS1 Ref (XS1) =28,6682-*exp (-0,0061*prof) -0,7556 TétaV=20 XS2 Ref(XS2) =14,053*exp (-0,0035*prof) -0,4866 XS3 Ref (XS3) =2,7543*exp (0,0005*prof) 0,2152 SPOT XS1 Ref(XS1) =29,5804*exp (-0,0061*prof) -0,7926 TétaV=30 XS2 Ref(XS2) =14,1499-*exp (-0,0041*prof) -0,5164 XS3 Ref( XS3) =2,7543*exp (0,0005*prof) 0,2152 LANDSAT MSS4 Ref (MSS4) =29,7014*exp(-0,0062*prof) -0,7899 TétaV=10 MSS5 Ref(MSS5) =13,9656*exp (-0,0037*prof) -0,5368 MSS6 Ref (MSS6) =5,138*exp(-0,0002*prof) -0,3463 MSS7 Ref MSS7) =1,747*exp (-0,0002*prof) -0,1426 TM1 Ref (TM1) = 35,0481*exp (-0,0059*prof ) - 0,8102 TM2 Ref(TM2) = 25,5034*exp (-0,0058*prof) - 0,7164 TM3 Ref(TM3) = 7,4198*exp(-0,0018*prof) - 0,2318 TM4 Ref(TM4) = 2,5093*exp(-0,0022*prof) - 0,1215 TM5 Ref(TM5) = 4,8825*exp(-0,008*prof) - 0,1590 TM7 Ref (TM7) = 2,5355*exp(-0,0045*prof) - 0,2322 LANDSAT MSS4 Ref(MSS4) = 29,1991*exp (-0,006*prof) -0,7579 TétaV=20 MSS5 Ref (MSS5)=13,9881*exp (-0,0038*prof) -0,5298 MSS6 Ref (MSS6)=5,1341*exp (-0,0002*prof) -0,2588 MSS7 Ref( MSS7) =1,7676*exp (-0,0004*prof) -0,2581 TM1 Ref (TM1) = 35,9662*exp (-0,0059*prof) - 0,8559 TM2 Ref (TM2) = 25,4181*exp (-0,0058*prof) - 0,7129 TM3 Ref (TM3) = 7,4896*exp(-0,0036*prof) - 0,4244 TM4 Ref (TM4) = 2,4838*exp(-0,0022*prof) - 0,1326 TM5 Ref(TM5) = 4,468*exp (-0,0073*prof) - 0,1678 TM7 Ref(TM7) = 2,4843*exp(-0,0031*prof) - 0,1704 LANDSAT MSS4 Ref(MSS4)=29,1139*exp (-0,0059*prof) -0,7607 TétaV=30 MSS5 Ref (MSS5)=13,9899*exp (-0,0038*prof) -0,5265 MSS6 Ref (MSS6)=5,162*exp(-0,0003*prof) -0,3896 MSS7 Ref (MSS7) =1,777*exp(-0,0005*prof) -0,2690 TM1 Ref(TM1) = 46,6845*exp(-0,0092*prof) - 0,9390 TM2 Ref(TM2) = 31,2749*exp(-0,0094*prof) - 0,8562 TM3 Ref(TM3) = 7,5686*exp(-0,0039*prof) - 0,4423 TM4 Ref (TM4) = 2,5061*exp(-0,0027*prof) - 0,1594 TM5 Ref (TM5) = 4,4384*exp(-0,0097*prof) - 0,2331 TM7 Ref (TM7) = 2,551*exp (-0,0039*prof) - 0,2195

224

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

. Application du modèle à la température de surface de l'eau de mer (SST) La méthode est appliquée sur image LandsatTM afin de chercher des relations avec la température, le meilleur résultat est obtenu sur le canal TM6 de Landsat: L(TM6) = 0,26127 - ,0071 *TEMP avec un taux de corrélation R= 0,9998 Le canal TM6 apporte plus d’informations sur la température des eaux puisque l’infrarouge est absorbé par l’eau. Cette bande spectrale indique, entre autres, en zone côtière, la limite de la télédétection appliquée dans les sciences de la mer. A 685 nm apparaît également un pic de luminance, caractéristique de la chlorophylle. (Morel et al.,1999; Faour et al.,2004)

Figure 6.32(a,b,c,d) : Image de la température de surface enregistrée par le radiométre infra-rouge de Landsat. Scènes observées dans différents angles de la région d'étude.

Les cartes thermo-graphiques obtenues en baie de Bou Ismail et dans la région de Gouraya à Cherchell mettent en évidence une couche d’eaux chaudes s’étendant sur plus de 200 km, elles aient l’aboutissement d’un front thermique où la formation intermédiaire d'une masse d’eau froide, dont la couleur tend vers le bleu et une masse d’eau chaude dont la couleur tend vers le rouge. (Houma & Bachari, 2008 (b))

225

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Ce front thermique révèle la présence d’une zone de pêche importante en petits pélagique qui s’explique par une remontée d’eau froide des fonds qui rentre en fusion avec une masse d’eau chaudes de surface et ayant un phénomène d'Upwelling. Ce phénomène physique est le siège d’une forte production phytoplanctonique qui permet aux bancs de poissons pélagiques de se concentrer pour se nourrir, donnant à cette région de fortes potentialités de pêche. • Les images SST sont principalement utilisées par les flottilles de pêche. Il est bien connu que certaines espèces de thon se nourrissent dans les eaux chaudes des fronts thermiques du large, et le saumon dans les eaux froides des fronts thermiques de la côte. • L'eau de mer est chauffée en surface par le rayonnement solaire mais celui-ci n'y pénètre pas profondément. Cela induit une stratification thermique particulièrement forte de la couche de surface. La température des eaux de mer décroît donc fortement avec la profondeur. L'eau profonde est froide et relativement homogène. (Gagliardini et al.,1984; Millot, 1989)

D. Conclusion. La connaissance de la topographie du fond marin est très importante pour plusieurs applications posées par l’étude bathymétrique. Les techniques classiques utilisent le sondage comme un moyen de cartographie du fond marin mais cette technique est coûteuse. L’utilisation du modèle de simulation développé montre pour chaque satellite d’Observation (SPOT, Landsat MSS & TM) les possibilités qu’ils peuvent offrir en domaine de bathymétrie. Lorsque les eaux littorales sont chargées de troubles abondants, il est impossible de recueillir dans le visible des informations sur la profondeur des fonds littoraux. Lorsque les eaux sont peu turbides et peu profondes, il est possible de déterminer la profondeur et en utilisant les bandes spectrales proches de 0,55µm, comme le canal TM1 et TM2 de Thématic Mapper de Landsat ou le canal XS1 HRV. Une estimation correcte de la concentration en matériaux dissous ou en suspension peut également servir au développement de méthodes de télédétection destinées à cartographie les types de fonds marins et la profondeur de l'eau. L’analyse corrélative a rendu réalisable la détermination de la bathymétrie à partir du satellite SPOT. En application, un ensemble de relations statistiques est obtenu pour déterminer la bathymétrie d’une zone côtière de l’Algérie.

226

Chapitre 6 Modélisation de la bathymétrie par mesures satellitaires

Le rayonnement électromagnétique en jour clair et pour une mer non agitée peut pénétrer jusqu’à 25 mètres de profondeur et sera rétrodiffusé en direction du capteur. Le modèle fournit des images mono-canal où chaque pixel du domaine maritime est représenté non plus par une radiométrie in- situ mais plutôt par une profondeur calculée. • Un certain nombre d'espèces de poissons ont une préférence pour les eaux de mer qui ont une gamme de température spécifique et limitée. Les pêcheurs, peuvent donc s'appuyer sur les images et cartes de température de surface de la mer pour repérer les zones de pêche optimales. • Cette information est largement utilisée par les pêcheurs, afin de localiser les fronts thermiques et zones de fort gradient. Les mesures quantitatives des températures de surface de la mer et de la sont toujours liées à l'état de la mer et à la réflectance de surface. (Faour et al.,2004)

227

Conclusion

228

Conclusion générale

La télédétection est une technique efficace pour le suivi spatio-temporel du milieu naturel. Son utilisation est très prometteuse, elle permet de couvrir une superficie importante plus rapidement que les méthodes traditionnelles. Notre travail avait pour but l’utilisation des images satellites pour caractériser la pollution et les polluants des eaux de mer. Pour atteindre cet objectif nous avons adopté la démarche suivante : - Comprendre le processus de la mesure satellitaire. - Suivre la pollution et les polluants in situ. - Modélisation des mesures satellitaires et les mesures in situ. - Spatialisation et cartographie des paramètres. Dans la première partie de notre travail, nous avons développé un modèle de transfert radiatif qui prend en compte les paramètres géométriques de la mesure, les propriétés spectrales de l’atmosphère terrestre et les propriétés spécifiques pour différents capteurs (SPOT, LANDSAT et IRS1C). La diffusion du rayonnement par l’eau de mer s’effectue à la surface (diffusion spéculaire) et par diffusion volumique. Le modèle développé est implanté dans un code numérique (S.D.D.S); il permet de simuler les mesures satellitaires en tenant compte des différents facteurs responsable de la mesure. L’analyse pour un pixel eau de mer, nous a permis de conclure que :

o Seules les mesures en courtes longueurs d’onde peuvent nous informer sur la qualité d’eau.

o La mesure satellitaire est indépendante de la nature du fond. Suivre la trace des polluants à partir des images satellites est limité à la pollution de surface. Les polluants qui émergent vers les fonds marins ne peuvent pas être caractérisés par la télédétection multispectrale. Ce résultat est de taille puisqu’il limite notre action et nous oblige à ne pas suivre la trace des métaux lourds.

o La mesure satellitaire est entachée par le bruit atmosphérique qui influe d’une manière significative la radiométrie pour un pixel eau de mer. Nous avons utilisé la technique de matrice de covariance pour minimiser les effets de bruit atmosphérique afin de rendre la mesure par satellite similaire à une mesure effectuée à la surface. Cette technique est appliquée sur les images satellites. La comparaison avec les images brutes montre une très bonne amélioration de la netteté des images corrigées.

229

Conclusion générale

L’analyse par des mesures in situ de la pollution est réalisée sur plusieurs sites représentatifs de la côte Algérienne (Baies d'Alger , Bousmail ElDjamila, Zemmouri ). Certains paramètres sont mesurés au moment de l’échantillonnage, par contre, d’autres analyses sont effectuées après analyse au laboratoire. Ces zones sont caractérisées par des déversements anarchiques des eaux usées et des rejets industriels. Nous avons présenté les paramètres environnementaux les plus importants pour surveiller la qualité de l’eau de mer. L’analyse spatiale des différents paramètres, nous a permis de conclure que : - les zones d’études représentent un taux de pollution élevé. - la concentration de la matière polluante dans ces zones est caractérisée par de fortes teneurs en matières en suspension, turbidité de l’eau, matière organique et sels nutritifs. L’ensemble des résultats est utilisé pour réaliser des cartographies par interpolation spatiale. Les mesures effectuées in situ et les réflectances extraites des images satellites sont assemblées dans des tableaux à deux variables et plusieurs modalités. La première variable représente les lieux d’échantillonnage et la seconde variable représente les paramètres physico-chimiques. L’analyse statistique multidimensionnelle est effectuée par le biais de la technique Analyse en Composante Principale, (ACP). Cette technique nous a donné des regroupements pour certains paramètres et des dispersions pour d’autres. En effet, l’analyse corrélative entre les réflectances calculées à partir des images, les mesures in situ et les résultats des analyses au laboratoire montre bien les fortes corrélations obtenues sur les canaux visibles IRS1C, SPOT et LANDSAT. Les relations des différents ajustements sont hautement significatives, elles rendent possible l’interpolation des valeurs mesurées sur le terrain, donc une véritable cartographie des variables et indices de la qualité des eaux. Une surveillance directe des populations phytoplanctoniques, couplée avec l’utilisation de capteurs satellitaires, peut améliorer grandement notre connaissance de l’état des eaux côtières. L'utilisation des systémes d'information marin consiste en la réalisation en temps presque réel d’une carte des anomalies de la biomasse phytoplanctonique en milieu côtier, calculée à partir d’images satellites et vérifiée par des mesures in situ. Toutefois pour rendre ce produit opérationnel, il est nécessaire de s’intéresser à la représentativité des données in situ et satellites, et de mieux cerner les propriétés statistiques d’une masse d’eau.

230

Conclusion générale

La télédétection contribue à relever ce défi, en offrant une large gamme de produits standard sur le statut environnemental côtier, grâce notamment aux capteurs ‘couleur de l’océan’ (SeaWiFS, MODIS, MERIS…). Toutefois l’utilisation conjointe des données satellites et paramètres terrain est nécessaire pour un suivi efficace de la variation à cours et long terme des risques d’eutrophisation, en eaux côtières. Les données satellites sont obtenues à des échelles spatiales et temporelles très différentes de celles des données in situ. Leur localisation dans le temps et l’espace est très précise ; le présent travail s’intéressera à l’analyse de ces données satellites et in situ, et à leur assimilation dans un outil de cartographie. Ce travail nous a montré la possibilité d’estimer certains paramètres physico-chimiques et des paramètres indicateurs de la pollution à partir des images satellitaires qui peuvent être un moyen de suivi de la pollution des zones côtières ; l’image révèle en effet une vision globale et instantanée de l’état du milieu et permet de situer l’échantillon dans son milieu. L’analyse corrélative a rendu réalisable la détermination des paramètres indicateurs de la pollution à partir des satellites La spatialisation des valeurs mesurées sur le terrain facilite en effet le suivi environnemental de la qualité des eaux et les interventions sur le milieu. La capacité des bandes spectrales visibles est cependant très remarquable, elles peuvent servir à d’autres études plus approfondies pour établir de véritables cartes de pollution qui peuvent donner des informations sur la qualité des eaux côtières par le biais des satellites mis en orbite. La télédétection spatiale, s'appuyant sur des mesures au sol et combinée aux Systèmes d'Information Géographique, apporte aujourd'hui une contribution décisive aux diverses questions qui se posent en matière d'environnement et d'aménagement du territoire, l’utilisation rationnelle des technologies spatiales et leurs applications au service du développement durable de la région deviennent une nécessité. Le suivi de la pollution des zones côtières nécessite des analyses au niveau des laboratoires, ces analyses sont coûteuses en argent et en temps. Nous avons présenté un travail qui peut répondre à une éventuelle possibilité d'utiliser l'imagerie satellitaire pour la quantification de la pollution aquatique. La télédétection offre, en effet, beaucoup de potentiel pour le suivi de la qualité des eaux ; les images à très hautes résolutions spatiale et spectrale fournissent une information quantitative et continue sur le milieu. D’autre part, l’observation continue du milieu nécessite le traitement de plusieurs scènes.

231

Conclusion générale

Des images de différentes périodes sont alors nécessaires pour corréler les valeurs spectrales des sites sur l’image aux résultats des analyses chimiques des prélèvements; mais malheureusement jusqu’à présent, il n’est pas toujours pas d’obtenir plusieurs images à haute résolution aux époques désirées. Les résultats reliant les paramètres aux réflectances sont obtenus pour le moment en utilisant une seule image de la zone d'étude; cela implique que nos résultats sont à l’étape expérimentale et nécessitent un approfondissement afin de déterminer l’intervalle de confiance de l’application en comparant les paramètres physico-chimiques calculés à partir de l’image aux paramètres physico-chimiques mesurés. Nous avons prévu de prendre ce problème dans le cadre de notre activité de recherche. Dans ce document nous avons tenté de montrer que la télédétection, par sa nature synoptique, répétitive et multispectrale, est un outil potentiellement intéressant pour rendre plus facile les applications en océanographie. La technologie actuelle des satellites et capteurs permet dans certaines mesures l’application efficace aux sciences de l’eau. Des utilisations pré-opérationelles voient actuellement le jour, les données d’observation de la Terre sont et seront de plus en plus intégrées dans des systèmes dédiés à l’étude des eaux côtières.

En perspective, nous essayons de combiner les imageurs optiques et les données pour mieux modéliser les propriétés optiques de l'eau de mer, les paramètres de pollution et les données satellites. L’outil et concepts développés dans cette thèse sont une contribution à cette vision, ils peuvent ouvrir la voie à de nouvelles applications pluridisciplinaires pour le suivi de la qualité des eaux.

232

Références Bibliographiques

233

Références bibliographiques Abdat N., Mahdaoui L., 2007. Pratique des systèmes d’information avec UML. Editions pages bleues, Alger. Abdellaoui A., Becker F., Olory-Hevhinger E., et Raffy M., 1984. Influence des conditions de mesure sur l’estimation de l’inertie thermique et de l’évapotranspiration à partir des données Météosat ; Proc. du Iième Colloque Intern. « Signatures spectrales d’objets en télédétection », Bordeaux (France) ; 12-16 sept. 1983 ; éd. INRA ; les colloques de l’INRA, n°23 ; pp 475-484. Abdellaoui A., 1985(a). The fundamental problems for the energy balance study by satellite imagery; Proc. ISLSCP Conference, Roma (Italy); 2-6 dec. Abdellaoui A., 1985(b). Modélisation de la relation température de l’air – température de surface en vue de l’extension spatiale des modèles d’analyse des paramètres de surface ; Proc. Of the 3rd Intern. Colloquium on Spectral Signatures of Objects in Remote Sensing; Les Arcs (France) ; 16-20 dec. 1985 ; ESA SP-247 ; pp 171-174. Abdellaoui A., Becker F., and Olory-Hechinger E., 1986(a). Use of METEOSAT for mapping thermal inertia and evapotranspiration over a limited region of Mali ; Journal of Climate and Applied Meteorology ; Vol. 25 ; N°11, nov. 1986; pp 1489-1506 Abdellaoui A., 1986(b). Détermination des variations spatio temporelles du bilan énergétique au sol par télédétection visible et infra rouge. Thèse de doctorat ès sciences physiques et chimiques ; Université Louis Pasteur Strasbourg. Abdellaoui A., Ozer A, Ileana G. Patru., et Ielenicz M., 2004. Imagerie satellitale et suivi du risque naturel en Roumanie : glissement de terrain sur la vallée de Prahova ; Revista de Géomorphologie ; Vol. 6 / 2004 ; pp 53-59. Abdellaoui A., Ileana G. Patru, Ielenicz M., et Ozer A., 2005. Opportunité de l’utilisation satellitale moyenne résolution dans le cas de faible étendue ; cas des volcans de boue. Revista de Géomorphologie ; Vol. 7 / 2005 ; pp 141-150. Abdellaoui A., Benblidia N., Ileana G. Patru, Ielenicz M., et Ozer A., 2007. La technique de clonage de pixels pour l’analyse de phénomènes de faible étendue par image satellitale : application aux mouvements de terrain sur la vallée de la Prahova (Roumanie) ; Revue Télédétection ; Vol. 6, n°3 ; pp 233-246. Abdellaoui A., Benkouider F., Benblidia N., et Bensaid A., 2008. Dynamique paysagère en milieu oasien ; cas de la ville de Laghouat (Algérie) ; Les XIièmes Journées Scientifiques du Réseau Télédétection de l’AUF ; Télédétection et gestion de l’environnement ; Antananarivo (Madagascar) ; 3-7 novembre 2008. Abdellaoui A., 2009 .Potentialité de l’imagerie satellitale moyenne résolution pour le suivi du transport de sable en milieu oasien ; Séminaire international « Dynamiques des Paysages et Télédétection : Aspects Environnementaux et Développement Durable », Manouba, Tunisie, 9-11 Juin 2009. Abin M., Morel A., and Gentili B., 1996. Remote sensing of sea surface sun-induced chlorophyll fluorescence: Consequences of natural variations in the optical characteristics of phytoplankton and the quantum yield of chlorophyll a fluorescence, Int. J. Remote Sens., 17, 2417– 2448, doi:10.1080/01431169608948781

234

Références bibliographiques Ackleson S.G., 1996. Diffuse attenuation in optically shallow water: effects of bottom reflectance .In Ocean Optics XIII, Halifax, Canada, SPIE, 2963, pp .326-330. Ahn Y.H., 1990 .Propriétés optiques des particules biologiques et minérales présentes dans l'Océan. Thèse de doctorat, Université Pierre et Marie Curie, Paris, 208 p. Ahn Y.H., Bricaud A., and Morel A., 1992. Light backscattering efficiency and related properties of some phytoplankters. Deep-Sea Research, vol. 39, p. 1835-1855. Aissat H., 1999. Post-Traitement et Groupement Hiérarchique des Règles d’Associations", Rapport de stage, LISA : INSA Lyon, 1999. Al Sid Chikh S., Belkessa R., Houma F., et Amrouche L., 2009. Diagnostic du littoral ouest algérois pour une gestion intégrée; The 5th International Symposium onSandy beaches, which will be held in Rabat, Morocco 19-23 October 2009. Aminot A., et Kérouel R., 1978. Premiers résultats sur l'hydrologie, l'oxygène dissous et les pigments photosynthétiques en manche occidentale après l'échouage de l’AMOCA Journée spéciale "AMOCO CADIZ", 7 Juin 1978, Publications du C.N.E.X.O, Série "Actes de Colloques ", 6 : 51-68, Brest, France, 18 P. Aminot A. et Chausse-Pied M., 1983. Manuel des analyses chimiques en milieu marin. Edition : CNEXO, Brest, France, 395 P. Aminot A., Guillard J-F., et Kérouel R., 1997. La baie de Seine : hydrologie, nutriments et chlorophylle (1978-1994). Edition : Ifremer, France, 148 P. Aminot A., et Kérouel R., 2004. Hydrologie des écosystèmes marins : paramètres et analyses. Edition : Ifremer, France, 336 P. Anderson DM., Glibert PM., et Burkholder JM., 2002. Harmful algal blooms and eutrophication: nutrient sources, composition, and consequences. Estuaries 25: 704-726. Antoine D., et Morel A.,1996(a). Oceanic primary production: I. Adaptation of a spectral light- photosynthesis model in view of application to satellite chlorophyll observations, Global Biogeochem. Cycles, 10, 43–55, doi:10.1029/95GB02831. Antoine D., J. M. Andre´., and A. Morel., 1996(b). Oceanic primary production: II. Estimation at global scale from satellite (Coastal Zone Color Scanner) chlorophyll, Global Biogeochem.Cycles, 10, 57–69, doi:10.1029/95GB02832. Antoine D., 1998. Apports de la télédétection spatiale de la « couleur de l’océan » à l’océanographie ; Océanis, Vol. 24 no 2, 1998, p. 81-150. Antoine D., D’Ortenzio F., Hooker S.B., Be´cu G., Gentili B., Tailliez D., et Scott A.J., 2008. Assessment of uncertainty in the ocean reflectance determined by three satellite ocean sensors (MERIS, SeaWiFS and MODIS-A) at an offshore site in the Mediterranean Sea (BOUSSOLE Project). J. Geophys. Res., 10.1029/2007JC004472. Arabie P., Hubert L.J., et DeSoete G., 1996 .Clustering and Classification. Word scientifique. Singapore. Arfi R., Bouvy M., and Ménard F., 2002. Environmental variability at a coastal station near Abidjan : Oceanic and continental influences. P. 103-118, in Mc Glade, J.M., Cury, P., Koranteng,K.A. and Hardman-Mountford, N.J. (réd.) The Gulf of Guinea Large Marine

235

Références bibliographiques Ecosystem: Environmental forcing and sustainable development of marine resources. Elsevier, Amsterdam, 392 p. Arnaud M., et Emery X., 2000. Estimation et interpolation spatiale: méthodes déterministes et géostatistiques. Hermes Sciences Publications. Paris. 221p. Aranuvachapun S., and Walling D.E.,1988. Landsat MSS radiance as a measure of suspended sediment in the lowerYellow River (Hwang Ho). Remote Sensing of Environment, Vol. 25, p.145-165. Arnone R.A., and Gould R.W., 1998. Coastal monitoring using ocean color. Sea Technology, vol. 39, p. 18-27. Austin R. W., 1974. Inherent spectral radiance signatures of the ocean surface. In S.Q.Duntley, R.W.Austin, W.H.Wilson,C.F.Edgerton and S.E.Mora, “Ocean Color Analysis”. Scripps Institute of Oceanography (SIO), Ref. 74-10, La Jolla, p.2.1-2.21. Baban Serwan M.J., 1993. Detecting water quality parameters in Norfolk Broads, U.K., using Landsat imagery. Int.J.Remote Sensing, 14: 1247-1267 . Bachari N.E.I., Benbadji N., et Abdellaoui A., 1997(a). Développement du logiciel d'analyse spectrale et temporelle des images satellite type SPOT, LANDSAT et METEOSAT. Logiciel PCSATWIN (remote sensing pictures multispectral analyser) A.M.S.E.J Volume 38, N° 1,2. p 15-38. Bachari N.E.I., Belbachir A.H ., et Benbadji N.,1997(b).Numerical Methods for Satellite Imagery Analysis, AMSE.,J Volume.38, N°1,2, pp 49-60. Bachari N.E.I., Abdelghani F and Houma F., 1998. Validity of satellite image to the monitoring of marine quality .Application to the Oran city, Algeria. Proceedings of 27 th International Symposium on Remote Sensing of Environnement ,June 8-12 ,1998 Toms , Norway ,pp 172-176. Bachari N.E.I.,1999. « Méthodologie d’analyse des données satellitaires en utilisant des données multi-sources » Thèse de Doctorat d’état en Physique; Rayonnement-Matière, 11 avril 1999 , Oran USTO, Algérie.222p. Bachari N.E.I., Belkessa R., et Houma F., 2004.Contribution of multispectral satellite imagery to the bathymetric analysis of coastal sea bottom. MWWD-IEMES 3rd International Conference on Marine Waste Water Discharges and Marine Environtment CATANIA 27/09-2/10. Bachari N.E.I., et Houma F., 2005. Combination of data soils and data extracted of satellites images for the survey of the bay of Algiers, MS’05 Rouen, 6-8 Juillet 2005,France. Bachari N.EI., et Houma F., 2006(a). Approche SIG pour l'analyse de la pollution marine de la baie d'Alger. Rapport du premier congrès Méditerranéen d'Océanologie, du 20-22 Novembre 2006, Sidi Fredj- Alger Algérie. P:58. Bachari N.E.I., et Houma F., 2006(b). Détermination des cartes bathymétriques des zones côtières à partir des images satellites. Rapport du premier congrès Méditerranéen d'Océanologie, du 20-22 Novembre 2006, Sidi Fredj- Alger Algérie. P:16.

236

Références bibliographiques Bachari N.E.I., et Houma F., 2008(a).Contribution of satellites visible and infrared images for the follow-up of the inshore water quality; International Conference on “Monitoring & Modeling of Marine pollution” (INCOMP 2008) ; KISH 1-3 /12 2008 Bachari N.E.I., et Mennad M., 2008(b). Development of a tool integration marine data and satellite image. Proceeding pp 43-46 , International Conference on “Monitoring & modelling of marine pollution” 1-3 December 2008, Kish Island- Islamic Republic of IRAN Bailey S.W., et Werdell P. J., 2006. A multi-sensor approach for the on-orbit validation of ocean color satellite data products. Remote Sensing of Environment, 102, 12−23. Bariou R., 1978. Manuel de télédétection : photographies aériennes, images radar, thermographie –satellites UER, Géographie et Aménagement de l’Espace, Université de Rennes. SODIPE EDIT. S.P. Paris, 349 p. Barnard A.H., Stegmann P.M., and Yoder J.A., 1997. Seasonal surface ocean variability in the South Atlantic Bight derived from CZCS and AVHRR imagery. Continental Shelf Research,vol. 17, n° 10, p. 1181-1206. Becker F., 1978. Physiques fondamentales de la télédétection. Ecole d'été de physique spatiale C.N.E,S. Becker F., et Rffy M., 1990. Modèles et modélisation en télédétection, Télédétection spatiale: Aspects physiques et modélisation.,pp 37-162, Toulouse, Cepadues-édition, 1032 pages. Belkessa R., 1999. Causes et conséquences de l’érosion marine sur la côte Algérienne. Revue symbiose Alger. Belkessa R., 2005. Les ports algériens : ensablement, pollution et dragage des sédiments. Thèse de doctorat Université de Constantine. 412 p. Belkessa R., Houma F., Ciortan R., and Mezouar K., 2008. Protection Works Of The Sea Coast In Algéria, Copedec VII, Dubai,UAE, Paper No: S-26. Benbadji N., Bachari N.E.I., et Abdellaoui A., 1995. Mise au point d'un système expert d'analyse des images satellitales; mémoire de magister, pp 114-123 & pp 130-134, Univ USTO.,Oran. BenFdhila M., 2004. Système d’Information Géographique. Centre d’Information, de Formation, de Documentation et d’Etudes en Technologies des Communications «CIFODE’ Com », Tunisie, 43 P. Benhamida F., Rabia MC., et Nouira S., 2001. Analyse de la couleur des eaux des côtes orientales tunisiennes : traçage et suivi des panaches chlorophylliens par télédétection. 224pages. Berne F., et Cordonnier J., 1991. Traitement des eaux : Epuration des eaux résiduaires de raffinage. Conditionnement des eaux de réfrigération. (TECHNIP, Eds.) 306p. Benzohra M., 1993. Les structures hydrodynamiques le long des côtes Algériennes. Centre d’Océanologie de Marseille, 33 p. Bhargava D.S., and Mariam D.W., 1990. Spectral reflectance relationships to turbidity generated by different clay materials. Photogrammetry Engineering and Remote Sensing, vol. 56, p. 225-229.

237

Références bibliographiques Bhargava D.S., et Mariam D.W., 1991. Effects of suspended particle size and concentration on reflectance measurements .Photogrammetric Engineering and Remote Sensing, Vol.57, n°5, p.519-529. Binet D., 1983. Phytoplancton et production primaire des régimes côtiers à upwelling saisonniers dans le golfe de Guinée. Océanographie Tropicale, vol. 18, n° 2, p. 231-335. Boni L., 2002. Microalghe tossiche del Medio ed Alto Adriatico (Microalgues toxiques de la mer Adriatique). Bolonie, Italie, 34 P. Bonn F., et Rochon G., 1992. Précis de télédétection ; vol.1 : Principes et méthodes. Presse de l’Université du Québec et AUPELF, Saint-Foy, 485 p. Bonn F., et Rochon G., 1996. Précis de Télédétection Vol 2, Applications Thématiques. Presses de l’Université du Québec UREF, Canada, 633 pages. Bonnet S., Guieu C., Bruyant FO., Wambeke .V., Raimbault. P., et Moutin C., 2008. Nutrient limitation of primary productivity in the Southeast Pacific. (BIOSOPE cruise) Biogeosciences, 5, 215–225. Bougeur P., 1953. Essai d'optique sur la graduation de la lumière Ann.Pys.8. Boulahdid M., 1987. Analyse des sels nutritifs dans l’eau de mer. Etude du mélange des masses d’eaux et de l’oxydation de la matière organique dans l’océan. Thèse de Doctorat, Université de Paris VI, France, 266 P. Boulahdid M., Houma F., and Belkessa R., 2006. SEADATANET A- Paneuropeen infrastructur of oceanographic data management. Bordin P., 2002. SIG concepts, outils et données. Edition : Lavoisier, France, 259 P. Bostater C., 1992. Remote sensing methods using aircraft and ships for estimating optimal bands and coefficients related to ecosystem responses. In 1st Thematic Conference on Remote Sensing for Marine and Coastal Environments, New Orleans (Louisiana), 15-17 June 1992, p. 1- 13. Bricaud A., Morel A., and Prieur L., 1981. Absorption by dissolved organic matter of the sea (yellow substance) in the UV and visible domains Limnology and Oceanography, vol. 26,no 1, p. 43-53. Bricaud A., Morel A. et Prieur L., 1983 .« Optical efficiency factors of some phytoplankters », Limnol. Oceanogr., no 28, p. 816-832. Bricaud A., et Morel A., 1986. « Light attenuation and scattering by phytoplanktonic cells : a theoretical modeling », Appl. Opt., no 25, p. 571-580. Bricaud A., and Morel A., 1987. Atmospheric corrections and interpretation of marine radiances in CZCS imagery: Use of a reflectance model, Oceanol. Acta, SP, 33– 50. Bricaud A., 1988. Modèles de réflectance diffuse de l’océan; Applications à la détermination satellitaire des concentrations des substances présentes dans l’océan de la mer ; Remote Sensing from space physical aspects and Modeling, Toulouse 88, pp .605-623. Bricaud A., and Stramski D., 1990. Spectral absorption coefficients of living phytoplankton and nonalgal biogenous matter: a comparison between the Peru upwelling area and the Sargasso Sea. Limnology and Oceanography, vol. 35 p. 563-582.

238

Références bibliographiques Bricaud A., and Zaneveld R.C., 1995. In situ methods for measuring the inherent optical properties of ocean waters. Limnology and Oceanography, vol. 40, n° 2, p. 393-410. Bricaud A., Morel A., Babin M., Allali K., and Claustre H., 1998. Variations of light absorption by suspended particles with chlorophyll-a concentration in oceanic (Cas 1) waters: Analysis and implications for bio-optical models. Journal of Geophysical Research, vol. 103, p. 31033-31044. Bricaud A., Bosc E., et Antoine D., 2002. Algal biomass and sea surface temperature in the Mediterranean basin. Intercomparison of data from various satellite sensors, and implications for primary production estimates. Remote Sens. Environ. 81, 163–178. Brickley P.J., and Thomas A.C., 2004. Satellite-measured seasonal and inter-annual chlorophyll variability in the Northeast Pacific and Coastal Gulf of Alaska. Deep-Sea Research II : Topical Studies in Oceanography, vol. 51, p. 229-245. Broman D., Colmsjő A., Ganning B., NÄF C., and Zebǘhr Y., 1988. A multi-sediment -trap study on the temporal and spatial variability of polycyclic aromatic hydrocarbons and lead in a anthropogenic influenced archipelago. Environ.Sci.Technol., Vol.22, N°10, pp.1219-1228. Bukata R.P., Jerome J.H., Bruton J.E., Jain S.C., and Zwick, H.H., 1981. Optical water quality model of lake Ontario. 1: Determination of the optical cross sections of organic and inorganic particulates in Lake Ontario. Applied Optics, vol. 20, p. 1696-1703. Bukata R.P., Jerome J.H., and Burton J.E., 1988. Particulate concentrations in lake St- Clair as recorded by a shipborne multispectral optical monitoring system. Remote Sensing of Environment, vol. 25, p. 201-229. Bukata R.P., Jérome J.H., Kondratyev C., and Poszdnyakov D.V., 1995. Optical properties and remote sensing of inland and coastal waters. CRC Press, Boca Raton, Florida. Burns K.A., and Villeneuve J.P.,1982. Dissolved and particulate hydrocarbons in water from spring sampling of the Var river estuary (S. France).Toxicological and Environmental Chemistry, Vol.5, pp.195-203. Burns K.A. and Saliot A, 1986. Petroleum hydrocarbons in the Mediterranean sea: A mass Balance. Marine Chemistry, 20, Elsevier Science Publishers B.V, pp.141-157. Campbell J.W., Blaisdell J.M., and Daryi M., 1995. Level-3 SeaWIFS Data Products: Spatial and Temporal Binning Algorithms. NASA Tech. Memo. 104566, vol. 36,Hooker, S.B, Firestone, E.R. & Acker, J.G., Eds. NASA Goddard Space Flight Center, Greenbelt, Maryland, 73 pp., plus color plates. Campillo-Campbell C., and Gordoa A., 2004. Physical and biological variability in the Namibia upwelling system: October 1997-October 2001. Deep Sea Research II: Topical Studies in Oceanography, vol. 51, p. 147-158. Carder K.L., Hawes S.K., Baker K.A., Smith R.C., Steward R.G., and Mitcell B.G., 1991. Reflectance model for quantifying chlorophyll a in the presence of productivitydegradation products. Journal of Geophysical Research, vol. 96, p. 20599-20611. Carmelo R., et Tomas., 1997. Identifying marine phytoplankton. Edition: Academic Press, France, 858 P.

239

Références bibliographiques Castaing G P., Allen G.P., Houdart M., and Moign Y., 1979. Etude par télédétection de la dispersion en mer des eaux estuariennes de la Gironde et du Pertuis de Maumusson. Oceanologica Acta, vol. 2, no 4, p. 459-468. Chadin A.,1988. Les modèles d’interaction rayonnement-atmosphère et détemination de paramètres météorologiques et climatologiques à partir d’observation satellitaires. Télélédétection spatiale : Aspects Physiques et Modélisation, Cepadues Editions, p 1031. Chebli L., 1980. La pollution en méditerranée : Aspects juridiques des problèmes actuels, office des publications Universitaires, Alger, 234p. Chouikhi A., Izdar E., et Menio M., 1993. Circulation des eaux et pollution des côtes méditerranéennes des pays du Maghreb. Workshop sur la Circulation des Eaux et Pollution des côtes Méditerranéennes du Maghreb, tenu à Rabat, Maroc du 9-11 Novembre 1992. Edition : UI, publie par : INOC, IZMIR, Turquie, 307 P. Chris D., and Clark R.K., 1993. Satellite Remote Sensing for marine pollution investigation, Marine Pollution Bulletin, Volume26, pp.357-368. Cicin-Sain B., and Knecht R.W., 1998. Integrated coastal and ocean management, concepts and practices. Washington D.C., Covels, Ca, Island Press, 517 p. Cipollini P., and Corsini G., 1994.The effect of yellow substance on pigment concentration retrieval using ‘blue to green’ ratio.Proceeding of IEEE International Geoscience and Remote Sensing Symposium, IGARSS-94, Pasadena, 8-12 August 1994, p. I-772-777. Clark D.K., 1981. Phytoplankton algorithms for the Nimbus-7 CZCS. In Gower, J.R.F. (réd.) Oceanography from Space.Plenum Press, New-York, p. 227-238. Clark D.K., T H Fay., and Walker C L., 1988. Bathymetry using Thematic Mapper Imagery, SPIE Proccedings, Vol.925, Ocean Optics IX, p.229-231. Clark D.K., Fay TH., and Walker CL., 1990. Shallow Water Bathymetry Models Using Multispectral Data, Journal of imaging Technology, vol.16, n05, oct., p. 170-175. Clark D.K, 1993. Satellite Remote Sensing for marine pollution investigation, Marine Pollution Bulletin, volume 26 pp.357-368. Cokacar T., Oguz T., and Kubilay N., 2004. Satellite-detected early summer coccolithophore blooms and their interannual variability in the Black. Deep Sea Research I : Oceanographic Research Papers, vol. 51, n° 8, p. 1017-1031. Combeau C., 2004. Audit du système d'information géographique, Analyse de l'existant et développement d'outils appliqués. Conservatoire régional des rives de la Loire et de ses affluents, Académie de Toulouse, France, 45 P. Copin-Montégut G., 1996. Chimie de l’eau de mer. Collection «synthèse». Edition : Institut Océanographique de Paris, France, 319 P. Cross A.M., 1991. Monitoring marine pollution using AVHRR data observations of the coast of Kuwait and Saudi Arabia during January 1991, Int.J.Rem. Sens .13, pp.781-788. Cuq F., 2000. Systèmes d'information géographique et gestion intégrée des zones côtières. in Populus J. et Loubersac L.,(Eds.), CoastGIS'99 : Geomatics and coastal environment.9-11 Sept. 1999, Brest (France), ed. IFREMER, SHOM, série Actes de colloques, n°25, pp. 18-29.

240

Références bibliographiques Curran P.J., and Novo E.M.M., 1988. The Relationship Between Suspended Sediment Concentration and Remotely Sensed Spectral Radiance: A Review », Journal of Coastal Research, vol4, n°3, été, p.351-368. Davis B. E., andDavis P. E., 1988. Marine GIS: Concepts and Considerations », Proceedings GIS/LIS’88, Falls Church, VA, USA. Dekker A.G., 1991.The remote sensign Loosdrecht Lakes project. Institute of Earth Sciences ,Vrije Universiteit Amsterdam, The Netherlands , Mars, 105 pages. Dekker A.G.,1993. Detection of optical water quality parameters for eutrophic waters by high resolution remote sensing. Proefschrift Vrije Universiteit Amsterdam, 222 pages. Dekker A.G., 1995. Remote sensing for water quality research and developement. EARSeL Newsletter, 23: 10-17. Del Rocio Morales–Loo M., 1988. Effets des hydrocarbures sur le phytoplancton marin. Thèse en Océanologie .Université d’Aix-Marseille 2,352 p. Deschamps P.Y., Herman M., and Tanré D., 1983. Modeling of the atmospheric effects and its application to the remote sensing of ocean color. Appl. Opt., 22: 3751-3758. Deustch M., and Estes JA., 1980. LANDSAT detection of oil from naturel seeps, J . Americ. Soc. Photogram, 66(10), 1313 p. In Chris D.Clark (1993) Satellite Remote Sensing for marine pollution investigation, Marine Pollution Bulletin, volume 26 pp.357-368. Dilip K Barua., Steven A., Kuehl Miller., Richard L., and Williard S. Moore., 1994. Suspended sediment distribution and residual transport in the coastal ocean off the Ganges– Brahmaputra river mouth, Marine Geology120, 41-61. Djagoua Éric Valère., Affian F., Larouche P., et Saley M., 2004. Variabilité Saisonnière Et Interannuelle De La Chlorophylle En Surface De La Mer Sur Le Plateau Continental De La Côte d’ivoire À L’aide Des Images De Seawifs. Publication Télédétection, 2006, vol. 6, n° 2, p. 143-151 Contemporary Publishing International ; Publié sous l’enseigne Éditions Scientifiques GB. Doerffer R., and Schiller H.,1997. Pigment index, sediment and gelstoff retrieval from directional water leaving radiance reflectances using inverse modelling technique. Algorithms Theoretical Basis Document, ATBD 2.12, Rapport ESA, Meris ESL GKSS Research Center, Geesthacht, p. 245-327. Doerffer R.,1990. How to derive concentrations of chlorophyll, suspended matter and gelbstoff in case II water. In Proceedings of ICES’90, ed. ICES. Doerffer R., and Fisher J., 1994. Concentration of chlorophyll, suspended matter and gelbstoff in case II waters derived from coastal Zone Color Scanner data with inverse modelling methods .J.Geophys.Res.,99(C4) : 7457-7466. Doxaran D., 2002(a). Télédétection et modélisation numérique des flux sédimentaires dans l’estuaire de la Gironde. Thèse de doctorat, Université de Bordeaux-1, 280 p. Doxaran D., Froidefond J.M., Lavender S.J., and Castaing P., 2002(b). Spectral signature of highly turbid waters. Applicationwith SPOT data to quantify suspended particulate matter.Remote Sensing of Environnement, vol. 81, p.149-161.

241

Références bibliographiques Doxaran D., Froidefond J.M., and Castaing P., 2003. Remote sensing reflectance of turbid sediment-dominated waters.Reduction of sediment type variations and changing illumination conditions effects using reflectance ratios.Applied Optics, vol. 42, p. 2623-2634. D’Sa E.J., and Miller R.L., 2003. Bio-optical properties in waters influenced by the Mississippi River during low flowconditions. Remote Sensing of Environment, vol. 84, p. 538-549. Dubois G., 2000. Intégration de Systèmes d’Information Géographique (SIG) et de méthodes géostatistiques. Applications à la cartographie de pollutions radioactives dans l’environnement. Thèse de doctorat. Université de Lausanne. Facultés des sciences. Lausanne. 258p Durand D., Bijaoui J., and Cauneau F.,1988. Deriving sea-floor reflectance and water attenuation properties from hyperspectral remote sensing of shallow-waters: an inverse scheme. In Proceedings of the 5th ERIM Int. Conference on Remote sensing for Marine and Coastal Environments, ERIM, Ann Arbor, Michigan, I., pp.I-369-I-376. Durand Dominique., 2000. Suivi et simulation de la qualité de l’eau en milieu littoral par modélisation et télédétection. Thèse Doctorat Université de Nice Sophia Antipolis.197p. Estep L., 1994. Bottom influence on the estimation of chlorophyll concentration in water remotely sensed data .Int. J. Remote Sens., 15(1):205-214. Faid A., 1990. Développement d’une méthode de correction atmosphérique in imagerie multi temporelle dans le domaine visible et proche infrarouge, application aux images Landsat 5 Thematic Mapper, Thèse de magister , centre national des techniques spatiales. Fargion G.S., McGowan J.A., and Stewart R.H., 1993. Seasonality of chlorophyll concentrations in the California current: A comparison of two methods. California Cooperative Oceanic Fisheries Investigations Reports, vol. 34, p. 35-50. Fargion G.S., and Mueller J.L., 2000. Ocean Optics Protocols for Satellite Ocean color sensor validation, Revision 2. SeaWiFS Technical Report Series. NASA technical memorandum 209966, NASA Goddard Space Flight Center, Greenbelt (Maryland) 184 p. Farmer C.T., Moore C.A., Zika R.G., and Sikorski R.J., 1993. Effects of low and high Orinoco River flow on the underwater light field of the Eastern Caribean Basin. Journal of Geophysical Research, vol. 98, no C2, p. 2279-2288. Faour G., Shaban A., Jaquet J., 2004 Apport de La Bande Infrarouge Thermique du Capteur Etm+ De Landsat-7dans La détection de La Pollution de L’eau de Mer Sur Le Littoral Libanais , Télédétection, 2004, vol. 4, n° 2, p. 197–209. Feldman G.C., Kuring N., Ng C., Esaias W., McClain C., Elrod J., Maynard N., Endres D., Evans R., Brown J., Walsh S., Carle M., et Podesta G., 1989. « Ocean color : availability of the global data set »,EOS, no 70, p. 634. Ferrari GM., Tassan S., 1992 .Evaluation of the influence of yellow substance absorption of the remote sensing of water quality in the Golf Naples: a case study. Int. J. Remote Sensing 1992, Vol, 13, N 12:2177-2189. Fingas M., and Brown C.E., 2000. Review of oil spill Remote Sensing in proceedings of the Fifth International Conference on Remote Sensing for Marine and coastal Environments, Environmental Reaserch Institute of Michingan, Ann Arbor,Michingan,pp.1211-1218.

242

Références bibliographiques Fröhlich C., and Brusa R.W.,1981. Solar radiation and its variations in time.Sol.Phys.74, pp 209-215. Froidefond J.M., Castaing P., Mirmand M., and Ruch, P., 1991. Analysis of the turbid plume of the Gironde estuary (France) based on SPOT radiometric data. Remote Sensing of Environment, vol. 36, p. 149-163. Froidefond J.M., Hermida J., et Zaragosi S.,1995. Interprétation des réflectances dans les bandes SeaWiFS sur le plateau continental Aquitain. Journal de recherché océanographique, vol. 20, n° 3-4, p. 103-109. Froidefond J.M., Castaing P., and Jouanneau J.M., 1996. Distribution of suspended matter in a coastal upwelling area: Satellite data and in-situ measurements. Journal of Marine Systems, vol. 8, p. 91-105. Froidefond J.M., Castaing P., and Prud’homme R., 1999.Monitoring suspended particulate matter fluxes and patterns with the AVHRR/NOAA-11 satellite. Application to the Bay of Biscay. Deep-Sea Research II, Special issue Ecofer, vol. 46, p. 2029-2055. Froidefond J.M., Lavender S., Laborde P., Herbland A., and Lafon V., 2002(a). SeaWiFS data interpretation in a coastal area in the Bay of Biscay. International Journal of Remote Sensing, vol. 23, p. 881-904. Froidefond, J.M., Gardel, L., Guiral, D., Parra, M. and Ternon J.F., 2002(b). Spectral Remote Sensing reflectances of coastal waters in French Guiana under the Amazon influence. Remote Sensing of Environment, vol. 80, p. 225-232. Froidefond J.M., Doxaran D., et Miller P., 2003. Opération 2 : Acquisition et traitement d’images satellites. Rapport final.Programme Interrégional Loire Grandeur Nature. Loire Estuaire, Cellule de Mesures et Bilans, DGO(UMR-EPOC),Talence, 173 p. Froidefond J.M., et Doxaran D., 2004. Télédétection optique appliquée à l’étude des eaux côtières. Journal Télédétection, Vol 4, n°2, p157-174. Forget P., Ouillon S., Lahet F., and Broche P.,1999. Inversion of reflectance spectra of non- chlorophyllous turbid coastal waters. Remote Sensing of Environment, vol. 68, p. 264-272. Gagliardini D.A., Karszenbaum H., Legekis R., and Klemas V., 1984. Application of Landsat MSS, NOAA/TIROS AVHRR,and Nimbus CZCS to study the La Plata River and its interaction with the ocean. Remote Sensing of Environment,vol. 15, p. 21-36. Gailhard I., 2003. Analyse de la variabilité spatio temporelle des populations microalgales côtières observées par le "Réseau de Surveillance du Phytoplancton et des Phycotoxines" (REPHY). Thèse de Doctorat de l'Université de la Méditérannée Aix Marseille II, Sciences de l'environnement marin. 293 pages Gaujous D., 1995. La pollution des milieux aquatiques : aide-mémoire. Edition : Technique et documentation, 217 P. Gaumer G., 1981. Evolution annuelle des communautés microplanctoniques de la baie d’Alger. Variations de la composition spécifiques liées à la nature du facteur nutritionnel limitant de la biomasse algale. Thèse de doctorat, spécialité : Océanographie biologique, Université Pièrre et Marie Curie, France, 91 P.

243

Références bibliographiques Gentien P., Lunven M., Lehaître M., and Duvent J.L., 1995. In-situ depth profiling of particle sizes. Part I : Deep Sea Research. Oceanographic Research Papers, vol. 42, no 8, p. 1297- 1312. Gilliot JM., 2000. Introduction aux SIG. Introduction & Information Spatiale. DAA AGER Département AGER. Institut National Agronomique Paris-Grignon. Girard M.C., et Girard C.M., 1989. Télédétection appliquée. Zones tempérées et intertropicales. Edition Masson, collc. scien. Agronomiques, 257p. Girard MC., et Girard C.M., 1999. Traitement des données de télédétection. Dunod, Paris. Grid-Geneva., 2000. Quarterly Bulletin n°2, Remote Sensing Training for Lebanon’s Environment Observatory. Grimalt J.O., et Albaiges J., 1988. Aerosol transport of polynuclear aromatic hydrocarbons over the Mediterranean sea. Naturwissenschaften, 75, pp.39-42. Gohin F., et Oger-Jeanneret H., 2006. Intégration dans un SIG de données issues de capteurs satellites en comparaison de données in situ pour le suivi de la qualité des eaux côtières. Rapport de contrat Ifremer-Agence de l’Eau Loire-Bretagne, Brest, France, 66 P. Gohin F., Druon J.N., and Lampert L., 2002. A five channel chlorophyll concentration algorithm applied to SeaWiFS data processed by SeaDas in coastal waters. International Journal of Remote Sensing, vol. 23, p. 1639-1661. Gordon H.R., 1974. Mie theory models of light scattering by ocean particulates. In Gibbs, R.J. (réd.) Suspended solids in Water. Plenum, New York, p. 73-86. Gordon H.R., and McCluney W.R.,1975(a). Estimation of the depth of sunlight penetration in the sea for Remote Sensing. Appl. Optics, vol. 14, p. 413-416. Gordon H.R., Clark D.K., Brown J.W., and Jacobs M.M., 1975(b). Computed relationships between the inherent and apparent optical properties of a flat homogenous ocean. Applied Optics,vol. 14, p. 417-427. Gordon H.R., et Clark D.K., 1981. Clear water radiances for atmospheric correction of Coastal Zone Color Scanner imagery », Appl. Opt., no 20, p. 4175-4180. Gordon H.R., et Morel A.Y., 1983. Remote assessment of ocean color for interpretation of satellite visible imagery.Springer-Verlag, New York, 114 p. Gordon H.R., Brown O.B., Evans R.H., Brown J.W., Smith R.C., Baker K.S. and Clark D.K., 1988. A semi-analytical radiance model of ocean color. Journal of Geophysical Research, vol. 93, p. 10909-10924. Grepma Group., 1988. Satellite (AVHRR/NOAA-9) and ship studies of a coccolithophorid bloom in the Western English channel. Marine Nature, vol. 1, no 1, p. 1-14. Gross L., 2001. Inversion des mesures satellitales de la couleur de l’océan à l’aide des réseaux de neurones. Thèse de Doctorat ; Méthodes Physique de Télédétection Guy J., 2006. Ecologie du plancton. Edition : TEC & DOC, Lavoisier, Paris, France, 283 P. Guyot G., 1989. Signatures spectrales des surfaces naturelles Paradigme, Caen (1989). Guyot G., and Fagu X.,1992. Radiometric corrections for quantitative analysis of multispectral, multitemporal and multisystem satellite data,Int, J, Remo.Sens .

244

Références bibliographiques Halmann M.M.,1996. Photodegradation of waters pollutants. (CRC Press, Eds.) 301p. HANS H., JOHAN H., JORDANS V., STEEF P., MACHTELD R.,2000. Towards operational airborne remote sensing of water quality in the Netherlands. International Archives of Photogrammetry and Remote Sensing. Vol.XXXIII, PartB7.Amsterdam 2000.Pages 489-494. Héral M., 1983. Caractéristiques saisonnières de l'hydrobiologie du complexe estuarien de Marennes-Oléron (France). Revue Trav. Institut des Pêches maritimes, I.S.T.P.M., Laboratoire «Cultures marines», 17390 La Tremblade, France, 27 P. Hoareau A., 2005. Origine, typologie et dynamique des panaches chlorophylliens en Meditérranée orientale. Rapport de stage, Université de Genève, Allemagne, 102 P. Hochman H.T., Muller Karger F.E., and Walsh J.J., 1994. Interpretation of the coastal zone color scanner signature of the Orinoco River plume. Journal of Geophysical Research,vol. 99, no C4, p. 7443-7455. Holligan P.M.,1994. Land Ocean Interaction In the Coastal Zone (LOICZ) :Implementation Plan - Science Plan. IGBP, 215 p. Houma F., Bachari N.E.I., et Belbachir A.H., 1996.Analyse corrélative entre les paramètres physico-chimiques mesurés au sol et les réflectances calculées à partir des images satellites : Journées Francophones des jeunes physico-chimistes 16-17-18 juillet 1996, Villeneuve d’Ascq. Houma F., 1997. Caractérisation de la pollution aquatique à partir d’un modèle radiométrique à base d’images satellites SPOT. Mémoire Magister USTO. Oran. Houma F., Boulahdid M., et Khouider A., 2004(a). Développement d’une méthodologie pour caractériser et déterminer la pollution des eaux de mer par les hydrocarbures en utilisant des images satellites. Rapport du 37e Congrès de la CIESM Barcelone, volume 37, p208. Revue européenne de la géographie Cybergéo. Houma F., Belkessa R., Khouider A., Bachari N.E.I, et Derriche Z., 2004(b). Etude Corrélative des Paramètres Physico- Chimiques et des Données Satellites IRS1C pour Caractériser la Pollution Aquatique. Application à la baie d’Oran, Algérie. Revue Sciences de l’eau, volume 17/4, 429- 446. Houma F., Boulahdid M., Belkessa R., and Khouider A., 2004(c) .The development of a methodology to Characterise and Determine the Sea Water Pollution by Hydrocarbons Using Sattelite Images. MWWD 2004- 3rd International Conference on Marine Waste Water Disposal and Marine Environment. IEMES 2004-1st International Exhibition on Materials Equipment and Services. Catania (1) Sep.27-Oct.2, 2004. Houma F., 2005(a). The development of a methodology to characterise and determine the sea water pollution by hydrocarbons using satellite images. 3red International Conference on Marine Waste Discharges and Marine Environment. CIESM Espagne 2004; INOC Izmir Turkey 12- 14/11/2005. Houma F., 2005(b). Caractérisation des polluants de la côte oranaise et algéroise par analyse physico-chimique et corrélation avec les données satellites. Thèse Doctorat d'état. FSB/USTHB. 178p.

245

Références bibliographiques Houma F., 2007. Caractérisation des polluants de la côte oranaise et algéroise par analyse physico-chimique et corrélation avec les données satellites. Thèse de doctorat, USTHB Alger, Océnographie biologique et Environnement Marin, 225 P. Houma F., Belkessa R., and Bachari N.E.I., 2006. Contribution of multispectral satellite imagery to the bathymetric analysis of sea bottom Application to Algiers city, Algeria. 3éme congrés International, Physique des interactions, Rayonnement – Matières PIRM III. 05-07 Avril 2006 Settat - El Djedida Maroc. Houma F., et Bachari N.E.I., 2008(b) .Utilisation des techniques satellitaires pour l’identification des fronts thermiques. Application à la baie d’Alger et la baie d’El Djamila. International Conference on “Monitoring & Modeling of Marine pollution” (INCOMP 2008) ; KISH 1-3 /12 . Houma F., et Bachari N.E.I., 2008(C). Vers le développement d’un Système d’Information Marin SIM. Modélisation des Paramètres pour la caractérisation des eaux côtières. Proceeding Congrés International "Les Impacts Anthropiques sur le Milieu Marin",27 et 28 Octobre, Alger , P33. Houma F.,Touahria T., Madi F., et Bachari N.E.I ,2009(a). Surveillance du Phytoplancton et Modélisation de la Couleur des Eaux Marines : Une Contribution à La Gestion Intégrée de la Zone Côtière Algéroise. IZMIR 2009 Houma F., Abdellaoui A., Bachari N.E.I., and Belkessa R., 2009(b).Contribution of Multispectral Satellite Imagery to the Bathymetric Analysis of Coastal sea bottom. Application to Algiers bay, Algeria. Journal Physical Chemical News, Maroc (in press). Howarth R., Anderson D., Cloern J., Elfring C., Hopkinson C.S., Lapointe B., Malone T., Marcus N., McGlathery K., Sharpley A., and Walker D., 2000 . Nutrient Pollution of coastal rivers, bays, and seas. Issues in Ecology n°7, 17 p. Humborg C., Fennel K., Pastuszak M., and Fennel W., 2000. A box model approach for a long-term assessment of estuarine eutrophication, Szczecin Lagoon, southern Baltic. J. Mar. Syst., 25 (3-4):387-403. Hutchinson G. E., 1957. A treatise on Limnology. Vol. 1. Geography, Physico and Chemistry. John Wiley and Sons, Inc., New York, 1115 p. Ibrahim M., Cracknell A P., 1990. Bathymetry using Landsat MSS data of Penang Island in Malaysia. International Journal of Remote Sensing, vol.2, n°4, p.557-559. IOCCG, (International Ocean-Colour Coordinating Group) 2000. Remote sensing of ocean colour in coastal and other optically complex waters. In: Stuart, V. (Ed.), Reports of International Ocean Colour Coordinating Group. IOCCG, Dartmouth,Canada, pp. 140. Ishiguro E., Tatsuno K.,Kawakatsu, M., Hirayama S.,Washid, D.A., Kongo S.,Shimada K., Higashi M.,Habano A., Azuma T.,Kikukawa H., Moriyama M.,Taifileichig A., Peckalibe P., Sulog T., Liyeg F., and KanemasuE.T. 2001. Studies on the evaluation of water depth around seashore and the land classification in Yap Islands using satellite data. p. 77–85.In: The Progress Report of the 1999 Survey of the Research Project Social Homeostasis of Small Islands in an Island-Zone. (paper no. 34, part I,sec. 2, report 2).

246

Références bibliographiques Ivanoff A., 1972. Paramètres physico-chimiques des eaux de mer. Edt Librairie Vuibert. Tome I. 208p. Ivanoff A., 1975. Introduction à l'océanographie. Propriétés physiques et chimiques des eaux de mer. Librairie Vuibert,Paris, Tome II, 338 p. Jacques G., et Treguer P., 1986. Ecosystème pélagique marin. Collection d’écologie, Edition : Masson, Paris, France, 243 P. Jacquet S., 2000. Dynamique Des Populations Picoplanctoniques Marines. Thèse Docteur de L’université de Paris 6. Océanologie Biologique et Environnement marin. Jacquet S., 2005. Impact des apports en nutriments sur le réseau trophique planctonique du lagon sud-ouest de Nouvelle-Calédonie. Thèse de doctorat, université de Paris 6, France, Océanologie Biologique et Environnement Marin; 278 pages. Jaquet J.M., 1989. Limnologie et télédétection : Situation actuelle et développements futurs. Revue des Sciences de l’eau, 2 : p 457- 481. Jaquet J.M., et Zand B., 1989.Colour Analysis of Inland Waters Using Landsat TM Data. ESA, SP-1102: 57 – 67. Jaquet J.M., Tassan, S., Barale V., et Sabaji, L., 1999. Bathymetric and bottom effects on CZCS chlorophyll-like pigment estimation : data from the Kerkennah Shelf (Tunisia). Int. J. Remote Sensing, 1999, vol. 20, n° 7, p.1343-1362. Jaquet J.M., Barbara W., 2002. Suivi multi-temporel de la concentration de la chlorophylle en Méditerranée Orientale à l’aide de SeaWiFS et de Landstat TM; Rapport de stage au GRID; Université de Genève; 86 pages. Jaquet Jean-Michel., 2005.Origine, Typologie et Dynamique des Panaches Chlorophylliens en Méditerranée Orientale. Unité de Télédétection et SIG ; Rapport prospection du domaine marin 2005 Sciences de la Terre ; Université Genève. Jaquet Séverine., 2008. Impact des apports en nutriments sur Le réseau trophique Planctonique du lagon sud-ouest de Nouvelle-Calédonie. Thèse de l’université Pris VI ; Océanologie Biologique et Environnement Marin. Jerlov N.G., 1964. “Optical Classification of Ocean Water”, dans physical Aspect of Light in the sea. Univ. Hawaii Press, Honolulu, Hawaii, p.44-49. Jerlov N.G., 1976. Marine optics. Elsevier, Amsterdam,Oceanography Series no 14, 231 p. John A.W.G., Reid P.C., Batten S.D., and Anang E.R., 2002. Monitoring Levels of “Phytoplankton colour” in the Gulf of Guinea Using Ships of Opportunity. P. 141-146, in McGlade, J.M.,Cury, P., Koranteng, K.A. and Hardman-Mountford, N.J. (réd.)The Gulf of Guinea Large Marine Ecosystem: Environmental forcing and sustainable development of marine resources. Elsevier, Amsterdam, 392 p. Kankou M., 2004. Vulnérabilité des eaux et des sols de la rive droite du fleuve Sénégal en Mauritanie – étude en laboratoire du comportement de deux pesticides. Thèse de Docteur de l’Université de Limoges, France, 159 P. Kirk J.T.O., 1994.Light and photosynthesis in aquatic ecosystems. seconde édition, cambridge University Press, 509 p.

247

Références bibliographiques Krishnamoorthy R., Gnappazham L., and Navamuniyammal M.,1988. Indian Remote Sensing Satellite Data Application Potential in Coastal Studies, 27th International Symposium on Remote Sensing of Environment, p.119-122. Kaufmann Y.J., and Sendra C., 1992. Algorithm for automatic corrections to visible and near-IR satellite imagery Int.J .Rem.Sens., 9, 1357-1381. KondratieV.,1969. Radiation in the atmosphère .Academin.Press. Lacaze J.C.,1996(a). La pollution des mers. Edition: DOMINOS Flammarion, France,128p Lacaze J.C.,1996(b). L’eutrophisation des eaux marines et continentales: causes, manifestations, conséquences et moyens et lutte. Edition : Ellipses, France 191 P. Lacaze J. C., 1980. La pollution pétrolière en milieu marin. Ecologie appliquée et sciences de l’environnement 3.Edition Masson Paris, pp 3-13. Lahet F., 1999. Caractérisation optique d’eaux côtières méditerranéennes: mesure, modélisation et inversion de réflectances. Application aux observations satellitales. Thèse de doctorat, Université de Toulon et du Var, 194 p. Lambert Castel F., et Penot M., 1981. Actions des pétroles de l’Amoco Cadiz sur la croissance et certains aspects du métabolisme d’une algue phytoplanctonique Pavlova lutheri (DROPP) Green. In Indices Biochimiques et milieux marins .Actes du colloque des journées du GABIM, 14, CNEXO, Brest, pp.411-422. Leboulanger C., Dorigo U., Jacquet S., Le Berre B., Paolini G. et Humbert J.F., 2002. Application of a submersible spectrofluorometer for rapid monitoring of freshwatercyanobacterial blooms: a case study. Aquat. Microb. Ecol., 30: 83-89. Leclaire L., 1972. La sédimentation holocène sur le versant Méridional du bassin Algéro- Baléares (Précontinent Algérien). Tome XXIV. Edition de Muséum, Paris, France, 391 P. Ledoux H., et Gold C., 2006. La modélisation de données océanographiques à l’aide du diagramme de Voronoï tridimensionnel GIS Research Centre, School of Computing, University of Glamorgan Pontypridd CF37 1DL, Wales, UK rapport Géomatique – 16/2006. SIG 3D; 20 pages. Lee, Z., Carder K.L., Mobley C.D., Steward R.G., and Patch J.S., 1998. Hyperspectral remote sensing for shallow waters ; 1 : A semi-analytical model. Applied Optics, vol. 37, p. 6329- 6338. Legouic M., 1987. Utilisation de Spot en hydrographie.SPOT1 : Utilisation des images, bilan, résultats. Paris, Novembre 1987,Cepadues -Editions,Toulouse,p.1063-1068. Lemaire E., 2002. Biomarqueurs pigmentaires dans les estuaires macro tidaux européens. Thèse de Doctorat, Spécialité : Bio géochimie de l’Environnement, Université de Bordeaux, France, 236 P. Lemoalle J.,1978. Application des images Landsat à la courbe bathymétrique du lac Tchad. Cahier ORSTOM, série Hydrobiologie, Vol XII, n°1,p.31-37. Leroy J.B., 1999. La pollution des eaux. Edition : le point des connaissances actuelles, France, 126 P. Leroy M., 1992. Capteurs imageurs optiques C.N.E.S.

248

Références bibliographiques Létourneau G., et O’neill N.T., 1992. « Evaluation de l’applicabilité d’un modèle optique de la qualité des eaux à des données radiospectrométriques », 15e Symposium canadien sur la télédétection ,Toronto. Levitus S., 1993. Distribution of nitrate, phosphate and silicate in the world oceans. Programme Océanographique, Vol. 31, 245-273 P. Li R., and Saxena N. K.,1993. «Development of an Integrated Marine Geographic Information System »,Marine Geodesy, vol. 16, p. 293-307. Lockwood M., and Li R., 1995. « Marine Geographic Information Systems;What SetsThem Apart ? » , Marine Geodesy, vol. 18, p. 157-159. Loic L., Gohin F., et Oger-Jeanneret., 2006. Intégration dans un SIG de données issues de capteurs satellites en comparaison de données in situ pour le suivi de la qualité des eaux côtières. Rapport IFREMER. Loubersac L., Burban P.Y., Lemaire O., Varet H., et Chenon F., 1991. « Integrated Study of Aitutaki’s Lagoon (Cook Island) Using SPOT Satellite Data and in-situ Measurements: Bathymetric Modelling », Geocarto International, vol.6, n°2, p. 282-283. Loubersac L., Burban PY., Lemaire O., Chenon F., and Varet H., 1989. « Nature des fonds et bathymétrie du lagon de l’atoll d’Aitutaki (îles Cook) d’après des données SPOT-1 », Photo- interprétation, n°5/6, p.29-40. Lunven M., Gentien P., Kononen K., Le Gall E., and Danielou M.M., 2003. In situ video and diffraction analysis of marine particles. Estuarine, coastal and shelf science, vol. 57, no 5- 6,p. 1127-1137 Maouche S., 1987. Mécanismes hydrosédimentaires en baie d’Alger (Algérie) : approche sédimentologique, géochimique et traitement statistique. Thèse de 3ème cycle, Univ. Perpignan, 214p Margalef R., Estrada M., and Blasco D., 1979. Functional morphology of organisms involved in Red Tides,as adapted to decaying turbulence. In: Taylor DL, Seliger HH (eds) Developments in Marine Biology, Proceedings of the Second International Conference on Toxic Dinoflagellate Blooms, Key Biscayne,Florida, October 31 -November 5, 1978 -"Toxic Dinoflagellate Blooms". Elsevier North-Holland: 89-94. Marchand M., 1983. Estimation des hydrocarbures dans l’eau et les organismes marins par spectrofluorimétrie UV. In C.N.E.X.O. Manuel des analyses chimiques en milieu marin, pp329- 336. Marchand M., et Kantin R., 1996. Contaminants chimiques en milieux aquatiques : aspects généraux ; nature, origine, effets et analyses. Edt Institut Océanographique. 430 p. Martin J.M., et Saliot A., 1992. Bilan des apports fuviatiles et atmosphériques d’éléments et composés chimiques en Méditerranée occidentale.3ème rencontre de l’agence régionale pour l’environnement, Province ,Alpes,Côte d’Azur ,pp.61-66 . McClain, C.R., Cleave M.L., Felsman G.C., Gregg W.W., Hooker S.B and Norman K., 1998. Sciences quality SeaWiFS data for global biosphere research. Sea Technology, vol. 39, no 9, p. 10-16.

249

Références bibliographiques Meharrar K., 2001. Développement d’une méthodologie d’analyse multi date des données satellitaires, Thèse de Magister, Physique et Rayonnement, USTO, Oran, 188p. Mertes L.A.K., Smith M.O., and Adams J.B., 1993. Estimating suspended sediment concentrations in surface waters of the Amazon river wetlands from Landsat images. Remote Sensing of Environment, vol. 43, no 3, p. 281-301. Messié M., 2006. Contrôle de la dynamique de la biomasse phytoplanctonique dans le Pacifique tropical ouest. Thèse de doctorat. Université de Toulouse III, France, 266 P. Mikhaylov B.A., and Zolotarev V.M.,1970. Emissivity of liquid water. Atmos. Ocean Physics 6:52. Minghelli-Roman A., Polidori L., Mathieu-Blanc S., Loubersac L, and François Cauneau ., 2007. Bathymetric Estimation Using MeRIS Images in Coastal Sea waters .IEEE Geoscience And Remote Sensing Letters, Vol. 4, No. 2, April 2007 Miller R.L., Mckee, B. A., et D'SA E., 2005. Monitoring bottom sediment resuspension and suspended sediments in shallow coastal waters. In R. L. Miller (Ed.), Remote sensing of coastal aquatic environments (pp. 259−276). Millot C.,1985. Some Features of the Algerian Current , J.Geophys.Res.,90 , C4,pp.7169-7176. Millot C.,1987. Circulation in the western Mediterranean sea. Oceanologica Acte. Vol 10; .n°2, p: 143- 149. Millot C.,1989. La circulation générale en Méditerranée occidentale : aperçu de nos connaissances et projets d’études. Annales de géographie, n° 459, XXVIIIe année, pp. 497- 515. Millot C., et Taupier-Letage I., 2005. Circulation in the Mediterranean Sea. The Handbook of Environmental Chemistry, Vol1 (The Natural Environment and the Biological cycles), Springer- Verlag Editor. Mobley C.D., 1994. Light and water. Radiative transfer in natural waters. Academic Press Inc., San Diego, 592 p. Mobley C.D., 1999. Estimation of the remote-sensing reflectance from above-surface measurements. Applied Optics,vol. 38, p. 7442 - 7455. Morel A., 1974. Optical properties of pure water and pure sea water. In Jerlov, N.G. and Steemann Nielsen, E. (réd.) Optical aspects of oceanography. Academic Press, London, p. 1-24. Morel A., and Prieur L.,1977. Analysis of variations in ocean color. Limnology and Oceanography, vol. 22, no 4, p. 709-722. Morel A., 1980. In-water and remote measurements of ocean color. Boundary-Layer Meteorology, vol. 18, p. 177-201. Morel A., 1982. Télédétection dans le domaine visible: Couleur de l'Océan et son interprétation. In CNES. L'Océanologie Spatiale. Cepadues Éditions, Toulouse, p. 643-688. Morel A., 1988. Optical modeling of the upper ocean in relation to its biogenous matter content (Case 1 waters). J. Geophys. Res., 93, 10, 749-10, 768. Morel A., 1991. Optics of marine particles and marine optics. In Demers, S. (réd.) Optical Aspects of Oceanography. Nato ASISeries, G27, Springer Verlag, Berlin, p. 141-189.

250

Références bibliographiques Morel A. and Gentili B., 1993. Diffuse reflectance of oceanic waters ; II : Bidirectional aspects. Applied Optics, vol. 32,p. 6864-6879. Morel A., and Gentili B.,1996. Diffuse reflectance of oceanic waters. II. Implication of bidirectionality for the remote sensing problem. Applied Optics, vol. 35, p. 4850-4861. Morel M., Andral B., Berthome JP., et Joanny M., 1999. Surveillance de la qualité de l’environnement littoral. Bilans et prospectives. Propositions pour une meilleure coordination des réseaux. IFREMER. P : 36. Morel A., and Maritorena S., 2001. Bio-optical properties of oceanic waters: A reappraisal. California Journal of Geophysical Research, Vol. 106, NO. C4, Pages 7163–7180, April 15, 2001. Morel A., and Gentili B., 2004. Radiation transport within oceanic (case1) water; Journal Of Geophysical Research, VOL. 109, C06008, doi:10.1029/2003JC002259, 22pages . Morel A., and Be´langer S., 2006. Improved detection of turbid waters from ocean color sensors information. Remote Sensing of Environment 102, 237–249. Morel A., Huot Y., Gentili B., Werdell J., Stanford B Hooker., and Bryan A Franz., 2007. Examining the consistency of products derived from various ocean color sensors in open ocean (Case 1) waters in the perspective of a multi-sensor approach. CNRS and Université P & M Curie, France; Remote Sensing of Environment ; ELSEIVER 111,69–88. Morel A., Gentili B., Claustre H., Babin M., Bricaud A., Ras J., and Tie`che F., 2007. Optical properties of the ‘‘clearest’’ natural waters. Laboratoire d’Océanographie de Villefranche, Universite´ Pierre et Marie Curie and CNRS, Limnol. Oceanogr., 52(1), 2007, 217– 229 ; E 2007, by the American Society of Limnology and Oceanography, Inc. Morel A., et Gentili B., 2009. A simple band ratio technique to quantify the colored dissolved and detrital organic material from ocean color remotely sensed data Elseiver; Remote Sensing of Environment 113 (2009) 998–1011. Moore J.K., and Abbott M.R., 2000. Phytoplankton chlorophyll distributions and primary production in the Southern Ocean, Journal of Geophysical Research, 105, 28709-28722. Munday J.C., and Alfoldi T.T.,1979. Landsat test of diffuse reflectance models for aquatic suspended solids measurement. Remote Sensing of Environment, vol. 8, p. 169-183. Mueller J.L., 1997. SeaWiFS algorithm for the diffuse attenuation coefficient K490 using water leaving radiance at 490 and 555 nm. NASA/GSFC Technical Memorandum 2000-206892, Hooker (Ed.) Greenbelt, V.11, p. 24-27. Mueller J. L., 2000. SeaWIFS Algorithm for the Diffuse Attenuation Coeficient K(490) Using Water-Leaving Radiances at 490 and 555 nm. SeaWIFS Postlaunch Calibration and Validation Analyses, Part 3, in: SeaWIFS Postlaunch Technical Report Series, vol. 11, 2000. Myint S.W., et Walker N.D., 2002. Quantification of surface suspended sediments alonga river dominated coast with NOAA AVHRR and SeaWIFS measurements: Louisiana, USA. Int. J. Remote Sensing, 2002, vol. 23, n° 16, p. 3229-3249. Nanu L., et Robertson., 1990. «Estimating suspended sediment concentrations from spectral reflectance data », International Journal of Remote Sensing, vol.11, n°5, p.913-920.

251

Références bibliographiques Nezan E., Piclet G., et Grossel H., 1997. Guide pratique à l’usage des analyses du Réseau National de Surveillance du Phytoplancton. Edition : Ifremer, France, 29 P. Ngansoumana BA., 2006. La Communauté Phytoplanctonique du Lac de Guiers (Senegal): Types d’associations Fonctionnelles et Approches Expérimentales des facteurs de regulation. Thèse de Doctorat de 3e Cycle de l’Université Cheikh Anta Diop de Dakar (Sénégal), 155 pages. Novo E.M.M., Hanson J.D., and Curran P.J., 1989. The effect of sediment type on the relationship between reflectance and suspended sediment concentration. International Journal of Remote Sensing, vol. 10, p. 1283-1289. Novo E.M.M., Steffen C.A., and Braga C.Z.F.,1991. Results of a laboratory experiment relating spectral reflectance to total suspended solids. Remote Sensing of Environment, vol. 36, p. 67-72. Officer CB., et Ryther JH., 1980. The possible importance of silicon in marine eutrophication. Mar Ecol Progr Ser 3:83-91. Oubelkheir K., 2001. Caractérisation biogéochimique de provinces océaniques à l'aide d'indicateurs bio-optiques à diverses échelles spatio-temporelles Thèse de Docteur de l'Université de la Méditerranée; Océanographie. O'Reilley J.E., Maritorena A.S., Mitchell B.G., Siegel D.A.,Carder K.L., Garver, S.A., Kahru M., and McClain C.,1998. Ocean color chlorophyll algorithm for SeaWiFS. Journal of Geophysical Research, vol. 103, no C11, p. 24937-24953. Olivon P., 1986. Premiers résultats concernant l’utilisation des données multi spectrales pour l’étude bathymétrique des lagunes méditerranéennes (GRTM) et laboratoire de géomorphologie de l’EPHE, Paris.597-627. Ouillon S., Forget Ph., Froidefond J.M., and Naudin J.J., 1997. Estimating suspended matter concentrations from SPOT data and from field measurements in the Rhône river plume. Marine Technology Society Journal, vol. 31, no 2, p. 15-20. Peliz A., and Fiuza A., 1999. Temporal and spatial variability of CZCS-derived phytoplankton pigment concentration off the western Iberia Peninsula.International Journal of Remote Sensing, vol. 20, n° 7, p. 1363-1403. Populus J., and Loubersac L., 2000. CoastGIS'99: Geomatics and coastal environment.9-11 Sept. 1999, Brest (France), ed. IFREMER-SHOM, série Actes de colloques n° 25, 318 p. Popp T., 1994. Atmospheric correction of satellite images in the solar spectral range, J. Research. Centre. Potier C., 2006. Combinaison multi-capteurs de données de couleur de l’eau : Application en océanographie opérationnelle. Thèse de Doctorat de L’université Toulouse III ; Traitement d’Image en Océanographie Spatiale. Pourriot R., et Meybeck M., 1995. Limnologie générale, Masson, Paris. 956 p. Prieur L., Morel A., 1975. Relations théoriques entre le facteur de réflexion diffuse de l’eau de mer, à diverses profondeurs, et les caractéristiques optiques. UGGI. XVIe Ass. Gle. Grenoble. Août 1975. Symposium Interdisciplinaire d’Optique Océanique.I.S.30, n°13 : 250-251.

252

Références bibliographiques Prieur L., et Sathyendranath S.,1981. « An optical classification of coastal and oceanic waters based on the spectral absorption curves of phytoplancton pigments, dissolved organic matter and other particulate materials » , Limmology and Oceanography, vol.26, n°4, p 671-689. Provost J.N., Collet C. and Rostaing P., 2004. Hierarchical Markovian segmentation of multispectral images for the reconstruction of water depth maps. Computer Vision and Image Understanding 93(2): 155–174. doi:10.1016/j.cviu.2003.07.00 . Puech C., 1992. Télédétection et milieux sahéliens .Rapport du Laboratoire commun de télédétection CEMAGREF/ENGREF, Montpellier, France, 18p. Raimbault P., Rodier M., and Taupier-L., 1988. Size fraction of phytoplankton in the Ligurian Sea and the Algerian Basin (MediterraneanSea): Size distribution versus total concentration, Mar. Microb. Food Webs, 3, 1–7. Raimbault P., 1992. Origin of high phytoplankton concentration in deep chlorophyll maximum (DCM) in a frontal region of the Southwestern Mediterranean Sea (Algerian Current). Deep-Sea Research I. Vol. 40. N° 4. Pp.791-804. 1993. Ramade F., 1998. Dictionnaire encyclopédique des sciences de l’eau. Edt Ediscience international. 487 p. Ramade F., 2000. Dictionnaire encyclopédique des pollutions. Edition: Ediscience International, France, 690 p.p428

Rangama Y., 2004 Variabilité spatio-temporelle des flux air-mer de CO2 dans l’océan sud : apport des mesures satellitaires. Thèse de Doctorat de L’université Paris 6 UFR 924 ; Méthode Physique en Télédétection, 214 pages. Ratto C.F., 1986. Sun-earth astronomical relationships and the extraterrestrial solar radiation. Université di Genova. Régouboff G. et Rose M., 1957. Manuel de planctonologie Méditerranéenne. Tome I texte, Centre national de la recherche scientifique, Paris, 587 P. Ricard M., 1987. Altas du phytoplancton marin. Volume II: Diatomophycées. Paris, France, 297 P. Richter R., 1990. Atmospheric correction of Landsat TM, MSS and SPOT images: Actor user manual DLR-IB 552-14. Ritchie J.C., Cooper C.M., and Shiebe F.R., 1990. The relationship of MSS and TM digital data with suspended sediments, chlorophyll and temperature in Moon Lake, Mississipi. Remote Sensing of Environment, vol. 33, p. 137-148. Rodier J., 2005. L’analyse de l’eau : eaux naturelles, eaux résiduaires et eaux de mer. Edition : DUNOD, 8ème édition, Paris, 1384 P. Rodier J., 1997. L’analyse de l’eau (eaux naturelles, eaux résiduaires et eaux de mer) 8èmeEdition Dunod, Paris. Rodier J., 1996. L’analyse de l’eau (eaux naturelles, eaux résiduaires et eaux de mer) 8èmeEdition Dunod, Paris. Roques P., et Vallée F., 2004. UML 2 en action de l’analyse des besoins à la conception J2EE. Edition Eyrolls.

253

Références bibliographiques Saliot A., and Marty J.C., 1980.Etude de l’interface air/mer: Constituants organiques de l’eau sous-jacente , la microcouche de surface ,l’écume et les aérosols .Océanis , Fasc.Hors-série,Vol.5, pp.485-490. Saliot A., Bouloubassi I., et Lipiatou E.,1992. Stratégie d’échantillonnage et d’analyse appliquée à l’étude des polluants organiques dans les eaux côtières. Hydroécol. Appl., tome 4, Vol.2, pp. 9-21. Salomon. J.N., 2003. Danger pollutions !. Collection « Scieteren », Presse Universitaire de Bordeaux, France, 170 P. Sathyendranath S., 1981. Influence des substances en solution et en suspension dans les eaux de mer sur l’absorption et la réflectance. Modélisation et application à la télédétection. Thèse 3e cycle. Université Paris VI. Sathyendranath S., and Morel A., 1983. Light emerging from the sea – interpretation and uses in remote sensing. In Cracknell, A.P. (réd.) Remote Sensing Applications in Marine Science and Technology. NATO ASI Series, Reidel Publish,Dordrecht, p. 329-357. Sathyendranath S., Platt T., Caverhill C.M., Warnock R.E., and Lewis M.R.,1989. Remote sensing of oceanic primary production: computations using a spectral model. Deep Sea Research, vol. 36, p. 431-453. Schmitz-Pieffer A., Viehoff T., and Grassl H., 1990. Remote sensing of coastal waters by airborne lidar and satellite radiometer ; Part 2 : Measurements. International Journal of Remote Sensing, vol. 11, p. 2185-2204. Seguis L., Chevillotte H., Gascuel C., Boivin P., et Braudeau E., 1991. Contribution de l’imagerie satellitaire à l’optimisation des aménagements hydro-agricoles dans la moyenne vallée du Sénégal. In Dubois JM., Cavayas F., et Lafrance P(réd).Télédétection appliquée à la cartographie thématique et topographique .Actes des journées scientifiques de Montréal,1991, Editions AUPELF et les presses de l’Université du Québec, p.129-137. Sevrin-Reyssac J., 1997. Instabilité du phytoplancton dans les étangs de pisciculture. Lephénomène d es eaux claires. Exp. Environ. Bot., 38: 211-221. Siron R., Del R.M., Loo M., et Giusti G., 1986. Formation et évolution de fractions pétrolières solubles dans l’eau, lors de tests de phytotoxicité .C.R.A Acad.Sc.t.303, Série III, N°16, Pris, pp.661-664. Sladecek V.,1973. System of water quality from biological point of view.Ergebn.Limnol.7, 1- 218. Smith R.C., et Baker K.S., 1981. Optical properties of the clearest natural waters (200-800 nm). Applied Optics, vol. 20,no 2, p. 177-184. Smith VH., Tilman GD., et Nekola JC.,1999. Eutrophication: impacts of excess nutrient inputs on freshwater, marine,and terrestrial ecosystems. Environ poll 100: 179-196. Souza L.,1985. Accumulation de sels nutritifs dans la microcouche de surface : Influence possible des facteurs abiotiques et biotiques du milieu .Oceanologica Acta, N°3, pp.47-58. Spitzer D. et Dirks R.W.J., 1985. Contamination of the reflectance of natural waters by solar- induced fluorescence of dissolved organic matter .Appl. Optics, 24:444-445.

254

Références bibliographiques Spitzer D., et Dirks R.W.J., 1986. Classification of composition and bathymetry of shallow waters by passive remote sensing. Pro. Symp .Rem.Sens.for Res.Devel. Envir.Manag. Enschede: 775-777. Spitzer D., Dirks R.W.J., 1987. Bottom influence on the reflectance of the sea. Int.J. Remote sensing, 8:779-790. Stringer W.J., 1992. Detection of petroleum spilled from the Exxon Valdez, INT.J.of Remote Sensing, vol.13 p 799. Stump F, R.P., and Pennock, J.R., 1989. Calibration of a general optical equation for remote sensing of suspended sediments in a moderatly turbid estuary. Journal of Geophysical Research,vol. 94, no C10), p. 14363-14371. Sturm B.,1980. “Optical properties of water applications of remote sensing to water quality determination”, dans G. Fraysse (dir), Remote Sensing Applications in Agriculture and Hydrology. Balkema, Rotterdam, p.471-495. Stumpf R.P. and Holderied K. 2003. Determination of water depth with high-resolution satellite imagery over variable bottom types. Limnological Oceanography 48:7–556. Sugimura T., et Tanaka S., 1998. Change Detection of Small Size Area Using IRS1-C/Pan and the Other Different Spatial Resolution Sensors. 27th International Symposium on Remote Sensing of Environment, p.396-398. Tamiru B., et Girandier I., 1986. Réflexions sur la correction radiométrique des images en télédétection. Télédétection et gestion des ressources. L’aspect opérationnel, Vol .V, pp 571-581. Tanre D., Deroo C., Duhaut P., Herman M., Morcette J.J., Perbos J., Dechamps P.Y.,1990. Technical note, Description of a computer code to simulate the satellite signal in the solar spectrum: The SSSSS, Int, J. Rem. Sens, 11, 659-668. Tassan S., and Sturm B., 1986. An algorithm for the retrieval of sediment content in turbid coastal waters from CZCS data.International Journal of Remote Sensing, vol. 7, no 5, p. 643-655. Tassan S., 1988. «The Effect of Dissolved “yellow substance” on the Quantitative Retrieval of Chlorophyll and Total Suspended Sediment Concentrations from Remote Measurements of water Color », International Journal of Remote sensing, n°9, p. 787-797. Tassan S., 1994. Local algorithms using SeaWiFS data for the retrieval of phytoplancton pigments, suspended sediment and yellow substance in coastal waters. Applied Optics, vol. 33, no 12, p. 2369-2378. Tassan S., and Ferrari G.M., 1995. Proposal for the measuremnt of backward and total scattering by mineral particles suspended in water. Applied Optics, vol. 34, no 36,p. 8345-8353. Taupier-Letage I., Puillat I.,Millot C., et Raimbault P.,2003. Biological response to mesoscale eddies in the Algerian Basin, J.Geophys.Res.108(C8), 3245. Teillet P.M., 1986. Image correction for radiometric effects in remote sensing. Int. J. Remote sensing, Vol. 7. No.12, pp 1637-1651. Thomas Y.F.,1978. Utilisation des données LANDSAT pour la mise en évidence de la turbidité en zones littorales : limite des méthodes. CNEXO (Centre National d’Exploitation des Océans), Colloque n° 5, Brest, 6-8 Février 1978, Publications Scientifiques et techniques, p. 109-121.

255

Références bibliographiques Touahria T.,1999. Etude de la biomasse, de la composition et de la structure des peuplements phytoplanctoniques de la mer d’Alboran Est. Thèse de magister, spécialité Océanographie, USTHB, Algérie, 200 P. Van de Hulst H.C.,1957. Light scattering by small particles. Dover Publications, New York, 470 p. Videau C., Ryckaert M., et L’helguen S.,1998. Phytoplancton en baie de Seine. Influence du panache fluvial sur la production primaire; Oceanologica Acta - Vol. 21 – No 6; pages 906-921. Ref: 0399 1784/98106/O Elsevier, Paris Volhardt K.P et Schore N.E., 1995. Traité de chimie organique. De Boeck Université, (W.H.Freeman, 2èmeEds.) ,1156p. Walker N., 1996. Satellite assessment of Mississipi river plume variability: Causes and predictability. Remote Sensing of Environment, vol. 58, p. 21-35. Weber O., Jouanneau J.M., Ruch P., and Mirmand M.,1991.Grain-size relationship between suspended matter originating in the Gironde estuary and shelf mud-patch deposits. Marine Geology, vol. 96, p. 159-165. Weber B., Jaquet J.M., 2002. Suivi multi-temporel de la concentration de la chlorophylle en Méditerranée Orientale à l’aide de SeaWiFS et de Landstat TM. Rapport de stage au GRID. Weber B., Jaquet J.M., et Faour G., 2004. Cartographie et Origine des Panaches chlorophylliens Côtiers en Méditerranée Orientale à Partir des d Seawifs et d’ETM+ DE LANDSAT-7; Télédétection, 2004, vol. 4, n° 2, p. 175–195. Weber B., Jaquet J.M., et Faour G., 2005. Couleur de l’eau en zone côtière de la Méditerranée orientale : comparaison et interprétation des données SeaWiFS et Landsat TM. Télédétection, vol. 5, no 1-2-3 Westerholm R.N., Alsberg T.E., Frommelin A.B., and Strandell M.E., 1988. Effect of fuel polycyclic aromatic contents on the emissions of polycyclic aromatic hydrocarbons and other mutagenic substances from a gasoline-fueled automobile. Environ. Sci . Technol., Vol.22, N°8 , pp.925-930. Yang H., and Gordon H.R., 1997. Remote sensing of ocean color: assessment of water-leaving radiance bi-directional effects on atmospheric diffuse transmittance. Applied Optics, vol. 36p. 7887-7897. Zeitouni K., 2006. Analyse et extraction de connaissances des bases de données spatiotemporlles). Habilitation à diriger des recherches université de versailles Saint-Quentin- en-Yvelines ,France. Zhiqiang Chen., Chuanmin Hu., et Frank Muller-Karger., 2007. Monitoring turbidity in Tampa Bay using MODIS/Aqua 250-m imagery. ELSEIVER, Remote Sensing of Environment 109, 207–220. UNEP., 1995. Guidelines for integrated Management of Coastal and Marine Areas. Rapport Technique. PAC/CAR (PAM-PNUE). Split, Croatia. P748. UNESCO., 1997. Guide méthodologique d’aide à la gestion intégrée des zones côtières. IOC, Manuals and Guides n°36.

256

Références bibliographiques UNESCO.,2000. Guide méthodologique pour l’élaboration de cartes de vulnérabilité des zones côtières de l’Océan Indien. IOC, Manuels et guides n°38. LEM., 1998. Laboratoire d’Etudes Maritime, Etude de délimitation d’une zone d’extraction de sable en baie d’Alger. UNEP/IOC/IEA.,1992. Determination of petroleum hydrocarbons in sediments. Reference Methods for Marine Pollution Studies N°20, 76p. U.N.E.P.,Reagent and laboratory-ware clean-up procedures for low-level contaminant monitoring. Reference methods for marine pollution studies N°65. pp 3.5. U.N.E.P/I.C.O/I.A.E.A., 1995. Reagent and laboratory-ware clean-up procedures for low-level contaminants monitoring. Reference Methods for marine pollution, n°65.

257

Annexes

258

ANNEXES

Annexe I

1. Data Mining spatial Le Data Mining spatial est un processus d’extraction d’informations (en tenant compte des relations spatiales) non triviales, implicites, non connues précédemment et potentiellement utiles et cela à partir d’importants volumes de données. Le Data Mining se propose alors d’utiliser un ensemble d’algorithmes issus de disciplines scientifiques diverses : statistique, intelligence artificielle, bases de données, mathématiques, etc. (Wike)

Statistiques Technologie Visualisation des bases de données Data

Science de Science de l’information Autres l’apprentissage disciplines

Figure 1.1 : Les différentes interactions du Data Mining.

L’extraction de connaissances à partir de données est un cadre précisant la démarche à suivre pour exploiter les données, quelles que soient leurs formes, en vue d’en extraire de la connaissance: 1) Accès aux données, stockées sous une forme structurée (bases de données, fichiers tabulaires) ou non structurée (textes, images, etc.). 2) La préparation des données, en vue du traitement. 3) Utilisation des techniques du Data Mining. 4) Évaluer et valider les connaissances extraites. 5) Déploiement des connaissances en vue d’une utilisation effective.

2. Les approches du Data Mining Spatial Deux approches ont été développées pour le DMS, le Data Mining monothématique et le Data Mining multi-thèmes. Ces approches dépendent essentiellement de la nature des relations considérées: . Pour la première approche, les méthodes focalisent l’analyse sur les relations intra-thème, pour cela, elles procèdent par estimations et comparaisons des variables avec les valeurs du voisinage. Ceci est toujours possible car dans chaque thème, les données sont décrites par des variables qui sont aussi bien similaires que comparables. La deuxième approche connue sous le nom d’approche multi-thèmes est nettement différente par rapport à la première, elle a pour objectif de chercher à décrire ou à expliquer un phénomène par un autre ayant lieu au même endroit ou au voisinage de cet endroit. En effet, l’analyse sur un thème qui ne prend pas en considération la relation de ce dernier avec les autres couches thématiques est souvent insuffisante (Zeitouni et al., 2006). 3.Techniques du Data Mining spatial. Le Data Mining spatial repose sur une collection de techniques, ces dernières sont présentées dans ce qui suit: 3.1. Classification Permet de prédire si un élément est membre d’un groupe ou d’une classe prédéfinie, et aussi de classer des objets partageant des propriétés communes (exemple : classification des zones maritimes par rapport aux types de pollution). 3.2. Clustering Le Clustering consiste à organiser les données en groupes, selon leur similarité et leurs propriétés spatiales de telle sorte que les éléments d’un même groupe soient les plus semblables possibles et ceux appartenant à des groupes distincts soient les plus différents possibles (Pris).

259

ANNEXES

Dans le cas d’une analyse spatiale, les critères de similarité sont basés sur la localisation des objets suivant leurs distances métriques (exemple : chercher les zones maritimes proches touchées par un certain polluant). Dans ce même cas, le Clustering cherche beaucoup plus à découvrir des endroits ou des zones dans lesquels un phénomène anormal a été observé, plutôt qu’à classer ou regrouper les données . 3.3. Règles d’association Issues de la recherche en bases de données pour retrouver les corrélations entre les objets, les règles d’association sont basées sur les algorithmes et des des implications de la forme : si X alors Y, telles que X et Y sont des ensembles d’observations spatiales et non spatiales. La signification intuitive est que si on a l’ensemble X, alors on a tendance à avoir l’ensemble Y. Plus formellement une règle d’association est du type : X ═>Y(s, c), telle que s représente le support et c représente la confiance (exemple : si la valeur du PH est anormale  présence de pollution chimique). 3.4. Caractérisation La caractérisation est l’induction des propriétés caractéristiques d’un sous-ensemble de données. Appliquée à des bases de données spatiales, la caractérisation découvre en plus le niveau d’extension de ces propriétés aux voisins. L’extraction des règles d’association demeure l’un des principaux procédés de l’extraction de connaissances à partir de données. Cette méthode fut développée à l’origine pour l’analyse des bases de données concernant des domaines visant à regrouper des produits, des attributs ou des services du secteur industriel, en passant par les problèmes environnementaux, notamment les problèmes liés à la pollution marine qui constituent le noyau de notre présente étude. La nécessité d’évaluer la qualité de la connaissance extraite sous forme de règles d’association s’impose du fait que ces dernières serviront après leur validation comme informations d’aide à la décision ayant un impact potentiel sur l’organisation (Aissat.,1999;Bayardo et al.,1999). 3.5. Identification des acteurs, des messages et des cas d'utilisation. Un acteur représente l’abstraction d’un rôle joué par des entités externes qui collaborent avec le système. Les acteurs du système identifiés dans un premier temps sont :  Décideur : gère les données et les cartes, lance l’analyse afin de visualiser les règles d’association ou bien la co-localisation.  Expert : valide les règles d’association.  Administrateur : crée les profils utilisateurs et attribue les droits d’accès. Il possède en plus tous les privilèges que les autres utilisateurs peuvent avoir. Un message représente la spécification d’une communication unidirectionnelle entre les objets qui transportent de l’information avec l’intention de déclencher une activité chez le récepteur (Roques et al.,2004). Le système émet les messages suivants: • Les règles d’association sous forme textuelle. • Les règles d’association sous forme graphique. • Les cartes, photos ou images satellitaire. • Les données. • La co-localisation des objets géographiques sur les cartes. Le système reçoit les messages suivants : • Les insertions, suppressions, visualisations, recherches et modifications des données. • Les insertions, recherches, visualisations et suppressions des cartes, photos ou images satellitaire. • Lancement d’une analyse. • Les créations, suppressions, modifications des profils utilisateurs. • Validation des règles d’association.

Pour constituer les cas d’utilisation, il faut considérer l'intention fonctionnelle de l'acteur par rapport au système dans le cadre de l'émission ou de la réception de chaque message. En regroupant les intentions fonctionnelles en unités cohérentes, on obtient les cas d'utilisations représentés en tableau2.2

260

ANNEXES

Modélisation du contexte. À partir des informations obtenues lors des deux dernières étapes nous allons modéliser le contexte de notre application. Ceci va nous permettre dans un premier temps de définir le rôle de chaque acteur dans le système. (Bachari et al.,2008)

Tableau.1 : Description des besoins fonctionnels des utilisateurs finaux.

Utilisateurs finaux Description des besoins fonctionnels

L’application doit permettre à cet utilisateur de : • S’authentifier. • Insérer, modifier, supprimer, rechercher et visualiser des Décideur données. • Insérer, supprimer, rechercher et visualiser des cartes, des photos et des images satellitaires. • Lancer une analyse. L’application doit permettre à cet utilisateur de : Expert • S’authentifier. • Lancer une analyse. • Valider les règles d’association. L’application doit permettre à cet utilisateur de : • S’authentifier. Administrateur • Créer, modifier et supprimer des profils utilisateurs. • Utiliser la totalité des autres fonctionnalités du système.

Tableau 2.2 : Liste des acteurs et des messages par cas d’utilisation.

Cas d’utilisation Acteur Messages émis/reçus pas les acteurs

Émet : insertion, suppression, Gérer les données Décideur, modification des données, rechercher une donnée et la administrateur consulter. Reçoit: données. Émet : insertion, suppression des cartes, photos, images Gérer les cartes, les photos Décideur, satellitaires, les rechercher et les consulter. et les images satellitaires administrateur Reçoit : cartes, photos, images satellitaires. Émet : lancement d’une analyse. Construire les règles Décideur, Reçoit : les règles d’association extraites. d’association administrateur Émet : lancement de la visualisation. Visualiser l'analyse Décideur, Reçoit : les règles d’association sous forme graphique, Les administrateur règles d’association sous forme textuelle, la co-localisation des objets géographiques sur la carte. Valider les règles Expert, Émet : validation des règles d’association. d’association administrateur Émet : lancement d’une analyse. Construire la co- Décideur, Reçoit : la co-localisation des objets géographiques sur la carte. localisation administrateur Émet : création, modification, suppression de profils. Gérer les profils Administrateur

 Développement du modèle statique. Le développement du modèle statique constitue la deuxième étape d’analyse. Les classes établies sommairement dans les diagrammes de classes candidates, puis réorganisées lors du découpage en catégories, vont être complétées et optimisées. Pour l’obtention du modèle statique il faut : • Affiner les classes. • Affiner les associations.

261

ANNEXES

• Ajouter les attributs.  Développement du modèle dynamique Afin de construire le modèle dynamique, on établit pour chaque classe les étapes suivantes : • Identifier les scénarios. • Formaliser les scénarios. • Construire les diagrammes d’états.

Tableau2 : Les principales sources de pollution des eaux (Ramade200)

Type de pollution Nature physicochimique Source ou agent causal I. Pollution Physique : Rejet d’eau chaude, radio- Centrales électriques, thermique, pollution isotope installation nucléaires radioactive II. Pollution Chimique Pollution par les engrais Nitrates, phosphates Agricoles, lessives Pollution par des éléments Cadmium, Mercure, Plomb Industrie, agriculture, toxiques combustions (pluies acides) Pollution par les pesticides Insecticides, herbicides Agriculture Pollution par les détersifs Agents tensioactifs Effluents domestiques Pollution par les hydrocarbures Pétrole brut et ses dérivés Industries pétrolières, transports Pollution par les composés Industrie, agriculture organochlorés PCB, insecticides, solvants Pollution par les divers autres chlorés Industries, usages dispersifs en composés organiques de Très nombreuses particulier domestiques pour synthèse molécules>120 000 certains III. Matières organiques Glucides, Lipides, Acides Effluents domestiques, fermentescibles nucléiques agricoles, industries agroalimentaires, industries de bois IV. Pollution Bactéries, virus entériques, Effluents urbains, élevage, microbiologique champignons abattoir

Tableau 3 : Les principaux mécanismes impliquant les nutriments (Aminot & Kéroul, 2004) Liens entre les principaux descripteurs d’hydrologie des écosystèmes marins côtière. mécanismes consommation production 3- photosynthèse NID, PO4 , H2 SiO2 NOP, POP, BSi 3- Minéralisation (excès de N, NOP, POP, NOD, POD NH4, PO4 , NOP, NOD P) Minéralisation (excès de C) NOP, POP, NOD, POD NOP, POP

Sécrétion, excrétion NOD, NOP, POP NH3 3- Rupture des cellules NOP, POP NOD, POD, PO4 + - Nitrification NH4 NO2 - - Nitrification NO2 NO3 - + - Dénitrification NO3 N2, N2O ,NH4 ,NO2

Dissolution BSi H4SiO4

. Indispensable (+++) : dont on ne peut pas se passer pour interpréter le descripteur à étudier. . Souhaitable (++) : dont la mesure permet une interprétation plus poussée, si nécessaire. . Eventuel (+) : non indépendant du descripteur étudier, peut aider à l’interprétation.

262

ANNEXES

Annexe II

Tableau 1 : Les valeurs des comptes numériques pour les trois canaux de SPOT en fonction de Téta V. Téta V 10 Stations CN1 CN2 CN3 122 61,05949 28,50151 6,354124 69 59,84548 26,07595 6,111112 105 59,81473 26,60116 6,317692 110 59,81473 26,60116 6,317692 116 60,48508 26,90374 6,398476 54 58,72741 24,19528 6,008812 131 58,72741 24,19651 6,018052 12 44,04121 18,48685 4,494112 84 55,08046 20,49544 6,122464 99 54,30679 19,94317 6,127216 79 54,29695 19,93333 6,119428 130 54,32155 19,95793 6,138172 89 39,73867 12,49798 2,511076 94 39,95269 12,41188 2,484544 59 39,73867 12,49798 2,511076 7 40,17163 14,57668 4,430224 127 39,2233 12,23722 2,510812 35 38,73499 12,032179 2,51068 49 37,00684 11,557399 2,51068 104 37,01176 13,58161 4,435372 25 36,61816 13,51642 4,433392 128 45,23431 16,70827 5,61994 3 35,5702 11,368594 2,51068 16 35,66368 11,288767 2,481508 40 35,5702 11,368594 2,51068 115 34,35619 11,292457 2,51068 30 33,81868 11,246086 2,51068 121 41,61073 16,57297 5,614264 20 33,12496 13,327 4,431148 98 40,49881 16,56313 5,614264 44 31,65388 11,243011 2,51068 126 31,21723 13,34053 4,451608 88 38,67964 16,55698 5,607532 109 30,8839 13,32946 4,443028 64 40,25773 17,41429 5,935156 6 30,56533 13,31593 4,43722 74 30,28735 13,31839 4,438276 78 37,27006 16,55575 5,61334 93 36,68212 16,55575 5,607532 83 35,42506 16,55575 5,61334 87 34,5493 16,55575 5,609512 97 26,5789 13,32823 4,44382 108 34,07452 16,55575 5,614264

263

ANNEXES

10 27,2923 13,31593 4,44118 34 26,98234 13,31347 4,43788 82 37,27006 16,55575 5,61334 113 33,26272 16,55575 5,61334 15 26,63794 13,31593 4,441048 53 32,89372 16,55575 5,614264 102 32,81131 16,55575 5,611492 14 32,14957 16,55452 5,604628 23 24,8323 10,804885 2,391748 72 32,09668 16,55575 5,614264 43 32,04625 16,55575 5,61532 63 31,99828 16,55575 5,61532 33 31,90726 16,55698 5,619016 67 31,50997 16,55575 5,614264 57 31,45462 16,55575 5,614264 47 31,22461 16,55575 5,616244 62 31,20616 16,55575 5,616244 32 31,83838 16,9924 5,811076

Tableau 2 : Les valeurs de réflectance pour les trois canaux de SPOT en fonction de Téta V. Téta V 10 Stations Réf1 Réf2 Réf3 122 0,15493354 0,17592204 0,183118 69 0,15864889 0,1837241 0,18428377 105 0,158743 0,18203471 0,18329277 110 0,158743 0,18203471 0,18329277 116 0,15669146 0,18106143 0,18290523 54 0,16207063 0,18977346 0,18477453 131 0,16207063 0,18976951 0,1847302 12 0,20701628 0,2081352 0,19204085 84 0,17323176 0,20167437 0,18422932 99 0,1755995 0,2034508 0,18420652 79 0,17562961 0,20348245 0,18424388 130 0,17555433 0,20340332 0,18415396 89 0,22018377 0,227399 0,20155387 94 0,21952879 0,22767595 0,20168115 59 0,22018377 0,227399 0,20155387 7 0,21885874 0,22071265 0,19234733 127 0,22176101 0,22823776 0,20155513 35 0,22325544 0,22889729 0,20155577 49 0,22854427 0,23042447 0,20155577 104 0,22852921 0,22391339 0,19232263 25 0,22973378 0,22412308 0,19233213 128 0,20336492 0,21385618 0,18664002 3 0,23294096 0,23103178 0,20155577 16 0,23265487 0,23128855 0,20169571 40 0,23294096 0,23103178 0,20155577 115 0,23665632 0,23127668 0,20155577

264

ANNEXES

30 0,23830131 0,23142584 0,20155577 121 0,21445452 0,21429138 0,18666725 20 0,24042437 0,22473237 0,1923429 98 0,21785744 0,21432304 0,18666725 44 0,24492647 0,23143573 0,20155577 126 0,24626279 0,22468885 0,19224475 88 0,22342483 0,21434282 0,18669955 109 0,24728291 0,22472446 0,19228591 64 0,21859524 0,21158519 0,18512787 6 0,24825786 0,22476798 0,19231377 74 0,24910859 0,22476007 0,1923087 78 0,22773871 0,21434677 0,18667169 93 0,22953804 0,21434677 0,18669955 83 0,23338515 0,21434677 0,18667169 87 0,23606532 0,21434677 0,18669005 97 0,26045793 0,22472842 0,19228211 108 0,23751834 0,21434677 0,18666725 10 0,25827465 0,22476798 0,19229477 34 0,25922325 0,22477589 0,1923106 82 0,22773871 0,21434677 0,18667169 113 0,24000277 0,21434677 0,18667169 15 0,26027725 0,22476798 0,1922954 53 0,24113206 0,21434677 0,18666725 102 0,24138427 0,21434677 0,18668055 14 0,24340946 0,21435073 0,18671348 23 0,26580323 0,23284501 0,20212631 72 0,24357132 0,21434677 0,18666725 43 0,24372566 0,21434677 0,18666219 63 0,24387246 0,21434677 0,18666219 33 0,24415102 0,21434282 0,18664446 67 0,24536689 0,21434677 0,18666725 57 0,24553628 0,21434677 0,18666725 47 0,2462402 0,21434677 0,18665775 62 0,24629667 0,21434677 0,18665775 32 0,24436182 0,21294225 0,18572311

Tableau 3 : Les valeurs des comptes numériques pour les six canaux de LANDSAT-TM en fonction de Téta V. Téta V 10 Stations CN1 CN2 CN3 CN4 CN5 CN7 122 96,9933401 39,9529915 22,6141989 8,8179582 32,4725525 7,59893 69 96,3504944 38,7384628 20,6352824 8,3661768 27,03718 4,527315 105 96,0830573 38,8213687 21,0980635 8,5661778 28,011535 5,166495 110 72,3642104 29,2341988 13,8151545 5,0418657 695,349185 1614,8348 116 72,606731 29,6846257 16,1811694 6,8811387 21,8692775 1,63367 54 71,7412979 28,4692423 12,9967888 4,9574481 466,633678 1519,91657 131 95,4385505 37,6957288 19,5471885 8,2777101 25,4037025 3,72834 12 71,9339855 28,9136863 15,3412155 6,793899 20,3981925 2,397135 84 91,9602071 34,5991507 17,7742282 8,3826186 24,7350275 3,5863 99 91,2176954 33,9641086 17,5211254 8,3866677 24,7541325 3,62181

265

ANNEXES

79 91,2060677 33,9564163 17,5111998 8,3796738 24,70637 55,96355 130 91,2359675 33,9760744 17,5360138 8,3964837 24,821 3,675075 89 68,3908592 25,136767 11,0091874 4,8929079 6,2987025 1458,73284 94 68,8675949 25,2085618 10,9407007 4,8673863 288,001928 7,155475 59 68,3908592 25,136767 11,0091874 4,8929079 6,2987025 1458,73284 7 68,3975036 25,5914674 13,3384776 6,7338987 19,31876 2,87652 127 67,8875459 24,7273657 10,8982688 4,8926625 291,039623 1458,91039 35 67,3975214 24,3487336 10,8139012 4,8925398 290,743495 1459,07018 49 65,5686503 23,0760853 10,634496 4,8924171 290,523788 1459,38977 104 64,9889264 23,2641193 12,9474089 6,7389294 19,3283125 2,858765 25 64,5254795 22,9965982 12,9196172 6,7364754 19,3474175 2,84101 128 79,9172321 27,6769354 15,6340207 7,8928002 23,082445 1,970595 3 63,9225002 22,094035 10,5728332 4,8924171 290,514235 1459,44304 16 64,2447536 22,0931803 10,5058354 4,8644415 286,655025 1462,19506 40 63,9225002 22,094035 10,5728332 4,8924171 290,514235 1459,44304 115 62,4324935 21,316258 10,551245 4,8924171 290,514235 1459,44304 30 61,7398148 20,9854891 10,5464063 4,8924171 290,514235 1459,44304 121 75,1830971 25,4854846 15,595559 7,8881376 23,02513 1,91733 20 60,0056264 20,8299337 12,8636617 6,7345122 19,31876 2,858765 98 73,5502358 24,8692459 15,5918369 7,8881376 23,02513 1,91733 44 58,7166128 19,7419006 10,5397065 4,8924171 290,514235 1459,44304 126 57,1319234 19,7991655 12,8882275 6,7531626 19,4429425 2,752235 88 70,6848383 23,9222383 15,5893555 7,8826161 22,967815 1,84631 109 56,5953881 19,6265161 12,8773094 6,7454325 19,39518 2,787745 64 96,3504944 38,7384628 20,6352824 8,3661768 27,03718 4,527315 6 56,0754638 19,4632684 12,8656468 6,7397883 19,376075 2,8055 74 55,6070336 19,3273711 12,867756 6,7407699 19,376075 2,8055 78 68,2629545 23,2401877 15,5918369 7,8874014 23,0155775 1,899575 93 67,1932061 22,9718119 15,5893555 7,8948861 22,967815 1,84631 83 64,8593606 22,4495902 15,5918369 7,8874014 23,0155775 1,899575 87 62,9324846 22,0820692 15,5905962 7,8842112 22,98692 1,8108 97 47,7616583 17,854723 12,8774334 6,746046 19,39518 2,787745 108 61,9374857 21,9136933 15,5918369 7,9004076 23,02513 1,91733 10 49,8264056 18,0316459 12,8671356 6,7429785 19,4047325 2,76999 34 49,1287436 17,9196802 12,8644061 6,7402791 19,3856275 2,8055 82 68,2629545 23,2401877 15,5918369 7,8874014 23,0155775 1,899575 113 59,9906765 21,6282235 15,5918369 7,8874014 23,0155775 1,899575 15 48,3148046 17,8025863 12,8668875 6,7428558 19,4047325 2,76999 53 59,0754104 21,5119843 15,5918369 7,8881376 23,02513 1,91733 102 58,8644507 21,487198 15,5905962 7,8858063 22,9964725 1,88182 14 57,1053458 21,3042922 15,5881148 7,8802848 22,9391575 1,828555 23 45,6354503 16,6530148 10,1919383 4,7753613 6,1840725 1402,60928 72 56,959169 21,290617 15,5918369 7,8881376 23,02513 1,91733 43 56,8179755 21,2786512 15,5918369 7,8889965 23,0346825 1,91733 63 56,6801042 21,2666854 15,5918369 7,8889965 23,0346825 1,91733 33 55,7399216 21,2444632 15,5943183 7,892064 23,0728925 1,95284 67 55,2332861 21,1581385 15,5918369 7,8881376 23,02513 1,91733 57 55,0555484 21,1478821 15,5918369 7,8881376 23,02513 1,91733 47 54,3130367 21,1060018 15,5930776 7,8897327 23,044235 1,935085 62 54,2499149 21,1034377 15,5930776 7,8897327 23,044235 1,935085 32 55,1917586 21,5119843 15,9826574 8,0784453 23,732015 2,503245

266

ANNEXES

Tableau 4 : Les valeurs de réflectance pour les six canaux de LANDSAT-TM en fonction de Téta V. Téta V 10 Station Réf1 Réf2 Réf3 Réf4 Réf5 Réf7 122 0,1642115 0,1555061 0,1879463 0,2762074 0,0651857 0,22112835 69 0,1657106 0,1608318 0,1947241 0,2764068 0,0925219 0,22253165 105 0,1663343 0,1604683 0,1931391 0,2763185 0,0876215 0,22223963 110 0,2216466 0,2025080 0,2180831 0,2778743 3,2686196 0,51315342 116 0,2210811 0,2005329 0,2099794 0,2770623 0,1185128 0,22534635 54 0,2230992 0,2058623 0,220886 0,2779115 2,1183407 0,46978908 131 0,1678373 0,1654042 0,1984508 0,2764458 0,1007371 0,22289667 12 0,2226499 0,2039134 0,2128563 0,2771009 0,1259113 0,22569515 84 0,175 9488 0,1789827 0,2045232 0,2763995 0,1041001 0,22296156 99 0,1776803 0,1817673 0,2053901 0,2763977 0,1040040 0,22294534 79 0,1777074 0,1818011 0,2054241 0,2764008 0,1042442 0,19903249 130 0,1776377 0,1817149 0,2053391 0,2763934 0,103 6677 0,22292100 89 0,2309125 0,2204752 0,2276935 0,2779400 0,1968219 0,44183668 94 0,2298007 0,2201604 0,2279281 0,2779513 1,2199480 0,22786905 59 0,2309125 0,2204752 0,2276935 0,2779400 0,1968219 0,44183668 7 0,2308970 0,2184814 0, 2197157 0,2771273 0,1313401 0,22591416 127 0,2320862 0,2222705 0,2280734 0,2779401 1,2352255 0,44191779 35 0,2332289 0,2239308 0,2283623 0,2779402 1,2337362 0,44199080 49 0,2374939 0,2295113 0,2289768 0,2779402 1,2326312 0,44213681 104 0,2388458 0,2286868 0,2210551 0,2771251 0,1312921 0,22590605 25 0,2399265 0,2298599 0,2211503 0,2771262 0,1311960 0,22589794 128 0,2040330 0,2093366 0,2118534 0,2766158 0,1124114 0,22369971 3 0,2413327 0,2338176 0,2291880 0,2779402 1,2325832 0,44216114 16 0,2405812 0,2338214 0,2294175 0,2779526 1,2131741 0,44341843 40 0,2413327 0,2338176 0,2291880 0,2779402 1,2325832 0,44216114 115 0,2448074 0,2372282 0,2292619 0,2779402 1,2325832 0,44216114 30 0,2464227 0, 2386786 0,2292785 0,2779402 1,2325832 0,44216114 121 0,2150730 0,2189461 0,2119852 0,2766178 0,1126997 0,22372404 20 0,2504668 0,2393607 0,2213419 0,2771271 0,1313401 0,22590605 98 0,2188808 0,2216483 0,2119979 0,2766178 0,1126997 0,22372404 44 0,2534728 0,2441317 0,2293015 0,2779402 1,2325832 0,44216114 126 0,2571683 0,2438806 0,2212578 0,2771188 0,1307156 0,22585738 88 0,2255629 0,2258009 0,2120064 0,2766203 0,1129879 0,22375649 109 0,2584195 0,2446377 0,22 12952 0,2771223 0,1309558 0,22587360 64 0,1657106 0,1608318 0,1947241 0,2764068 0,0925219 0,22253165 6 0,2596320 0,2453535 0,2213351 0,2771247 0,1310519 0,22588172 74 0,2607244 0,2459494 0,2213279 0,2771243 0,1310519 0,22588172 78 0,2312107 0,2287917 0,2119979 0,2766181 0,1127477 0,22373216 93 0,2337054 0,2299686 0,2120064 0,2766148 0,1129879 0,22375649 83 0,2391479 0,2322585 0,2119979 0,2766181 0,1127477 0,22373216 87 0,2436414 0,2338701 0,2120022 0,2766195 0,1 128918 0,22377271 97 0,2790198 0,2524070 0,2212947 0,2771220 0,1309558 0,22587360 108 0,2459617 0,2346084 0,2119979 0,2766124 0,1126997 0,22372404 10 0,2742048 0,2516312 0,2213300 0,2771233 0,1309077 0,22586549 34 0,2758317 0,25212 22 0,2213394 0,2771245 0,1310038 0,22588172 82 0,2312107 0,2287917 0,2119979 0,2766181 0,1127477 0,22373216

267

ANNEXES

113 0,2505017 0,2358602 0,2119979 0,2766181 0,1127477 0,22373216 15 0,2777298 0,2526356 0,2213309 0,2771234 0,1309077 0,22586549 53 0,2526361 0,2363699 0,2119979 0,2766178 0,1126997 0,22372404 102 0,2531281 0,2364786 0,2120022 0,2766188 0,1128438 0,22374027 14 0,2572303 0,2372806 0,2120107 0,2766213 0,1131321 0,22376460 23 0,2839781 0,2576765 0,2304926 0,2 779919 0,1973984 0,41619607 72 0,2575712 0,2373406 0,2119979 0,2766178 0,1126997 0,22372404 43 0,2579004 0,2373931 0,2119979 0,2766174 0,1126516 0,22372404 63 0,258222 0,2374455 0,2119979 0,2766174 0,1126516 0,22372404 33 0,2604145 0,2375430 0,2119894 0,2766161 0,1124595 0,22370782 67 0,2615959 0,2379215 0,2119979 0,2766178 0,1126997 0,22372404 57 0,2620104 0,2379665 0,2119979 0,2766178 0,1126997 0,22372404 47 0,263742 0,2381501 0,2119937 0,2766171 0,1126036 0, 22371593 62 0,2638892 0,2381614 0,2119937 0,2766171 0,1126036 0,22371593 32 0,2616928 0,2363699 0,2106594 0,2765338 0,1091445 0,22345636

Tableau 5 : Les valeurs de compte numérique pour les 4 canaux de LANDSAT-MSS en fonction de Téta V. Téta V 10 Stations CN4 CN5 CN6 CN7 122 234,554624 165,781184 73,365941 40,9116614 69 230,102856 150,216272 69,2646952 37,8933898 105 230,007016 153,138752 71,243382 39,0797441 110 169,987216 102,655616 37,3295073 17,398352 116 171,951936 114,194 52,2797827 28,5073271 54 225,65588 140,164384 68,3535046 37,2266608 131 225,65588 140,1716 68,428105 37,3557734 12 168,674208 106,588336 51,4600664 27,8871633 84 211,241544 120,132768 69,2478213 37,8372999 99 208,193832 117,015456 69,2433808 37,8986813 79 208,155496 116,979376 69,1723328 37,8182505 130 208,256128 117,130912 69,3437361 38,0055696 89 151,662608 73,553488 35,7247106 16,1516746 94 152,477248 73,070016 35,4405186 15,98023 59 151,662608 73,553488 35,7247106 16,1516746 7 153,382936 85,178464 50,6252524 27,4723097 127 149,640384 72,045344 35,7033962 16,149558 35 147,733168 70,840272 35,6882985 16,149558 49 141,024368 67,9488208 35,6589912 16,1484997 104 141,105832 79,261344 50,6119309 27,5030004 25 139,586768 78,842816 50,5817355 27,5231081 128 172,9918 97,835328 63,7664681 34,8793514 3 135,4944 66,709112 35,6509983 16,1484997 16 135,8538 66,2357424 35,3366109 15,9601223 40 135,4944 66,709112 35,6509983 16,1484997 115 130,860536 66,1621392 35,648334 16,1484997 30 128,814352 66,0142112 35,6474459 16,1484997 121 159,200424 96,80344 63,7158464 34,7989206 20 126,260216 77,486208 50,5559806 27,4903008 98 154,983464 96,709632 63,7149583 34,7989206 44 120,610448 65,73856 35,6474459 16,1484997

268

ANNEXES

126 119,038672 77,515072 50,7469221 27,6818531 88 148,09736 96,630256 63,8375161 34,7057902 109 117,768792 77,442912 50,6678812 27,5993057 64 153,306264 101,688672 67,2371629 36,7705335 6 116,561208 77,35632 50,6092666 27,5643818 74 115,506968 77,363536 50,6199238 27,5707316 78 142,739904 96,615824 63,7069654 34,786221 93 140,50204 96,601392 63,8375161 34,7057902 83 135,872968 96,601392 63,7069654 34,786221 87 132,30772 96,594176 63,6758819 34,7322477 97 101,20764 77,71712 50,6740979 27,6098887 108 130,553848 96,601392 63,7149583 34,7354226 10 135,4944 66,709112 35,6509983 16,1484997 34 102,832128 77,32024 50,6137071 27,5813146 82 142,739904 96,615824 63,7069654 34,786221 113 127,30008 96,601392 63,7069654 34,786221 15 101,480784 77,334672 50,6403501 27,6183551 53 125,843312 96,601392 63,7149583 34,7989206 102 124,559056 96,594176 63,6918677 34,7587052 14 122,896232 96,58696 63,6359174 34,6645165 23 94,369456 63,0679184 34,1092567 15,4066314 72 122,685384 96,601392 63,7149583 34,7989206 43 122,48412 96,601392 63,7229512 34,8126785 63 122,29244 96,601392 63,7229512 34,786221 33 121,923456 96,601392 63,7540347 34,8655935 67 120,332512 96,601392 63,7149583 34,7989206 57 120,107288 96,601392 63,7149583 34,7989206 47 119,182432 96,601392 63,7309441 34,8264364 62 119,10576 96,601392 63,7309441 34,8264364 32 121,568848 99,163072 65,6945332 36,9493862

Tableau 6 : Les valeurs de réflectance pour les 4 canaux de LANDSAT-TM en fonction de Téta V. Téta V 10 Stations Réf4 Réf5 Réf6 Réf7 122 0,16138399 0,21076215 0,21428297 0,2059091 69 0,16495626 0,2164835 0,21592183 0,20728803 105 0,16503317 0,21540926 0,21513114 0,20674603 110 0,21319546 0,23396585 0,22868313 0,21665139 116 0,21161889 0,22972457 0,222709 0,21157614 54 0,1685247 0,22017838 0,21628594 0,20759263 131 0,1685247 0,22017572 0,21625613 0,20753364 12 0,21424907 0,23252026 0,22303656 0,21185947 84 0,18009134 0,2275416 0,21592857 0,20731365 99 0,18253694 0,22868746 0,21593035 0,20728561 79 0,1825677 0,22870072 0,21595874 0,20732235 130 0,18248695 0,22864502 0,21589024 0,20723678 89 0,22789986 0,24466321 0,22932441 0,21722095 94 0,22724616 0,24484092 0,22943797 0,21729927 59 0,22789986 0,24466321 0,22932441 0,21722095

269

ANNEXES

7 0,2265194 0,2403901 0,22337015 0,212049 127 0,22952257 0,24521757 0,22933292 0,21722191 35 0,231053 0,24566053 0,22933896 0,21722191 49 0,23643641 0,24672337 0,22935067 0,2172224 104 0,23637104 0,24256512 0,22337547 0,21203498 25 0,23758999 0,24271896 0,22338754 0,21202579 128 0,21078446 0,23573769 0,21811892 0,20866502 3 0,24087387 0,24717906 0,22935386 0,2172224 16 0,24058548 0,24735307 0,22947949 0,21730846 40 0,24087387 0,24717906 0,22935386 0,2172224 115 0,24459227 0,24738012 0,22935493 0,2172224 30 0,24623421 0,2474345 0,22935528 0,2172224 121 0,22185121 0,23611699 0,21813915 0,20870177 20 0,24828375 0,24321762 0,22339783 0,21204078 98 0,22523507 0,23615147 0,2181395 0,20870177 44 0,25281735 0,24753582 0,22935528 0,2172224 126 0,25407861 0,24320701 0,22332153 0,21195327 88 0,23076075 0,23618065 0,21809053 0,20874431 109 0,25509761 0,24323353 0,22335311 0,21199098 64 0,22658092 0,23432128 0,21673203 0,20780101 6 0,25606662 0,24326536 0,22337654 0,21200694 74 0,25691259 0,24326271 0,22337228 0,21200404 78 0,23505979 0,23618596 0,2181427 0,20870757 93 0,23685554 0,23619126 0,21809053 0,20874431 83 0,2405701 0,23619126 0,2181427 0,20870757 87 0,24343099 0,23619391 0,21815512 0,20873223 97 0,26838694 0,24313274 0,22335063 0,21198615 108 0,24483837 0,23619126 0,2181395 0,20873077 10 0,24087387 0,24717906 0,22935386 0,2172224 34 0,26708339 0,24327863 0,22337476 0,2119992 82 0,23505979 0,23618596 0,2181427 0,20870757 113 0,24744932 0,23619126 0,2181427 0,20870757 15 0,26816776 0,24327332 0,22336412 0,21198228 53 0,24861829 0,23619126 0,2181395 0,20870177 102 0,24964883 0,23619391 0,21814873 0,20872014 14 0,25098315 0,23619657 0,21817109 0,20876317 23 0,27387417 0,24851749 0,22996994 0,21756133 72 0,25115234 0,23619126 0,2181395 0,20870177 43 0,25131384 0,23619126 0,21813631 0,20869548 63 0,25146765 0,23619126 0,21813631 0,20870757 33 0,25176374 0,23619126 0,21812389 0,2086713 67 0,25304038 0,23619126 0,2181395 0,20870177 57 0,25322111 0,23619126 0,2181395 0,20870177 47 0,25396325 0,23619126 0,21813311 0,20868919 62 0,25402477 0,23619126 0,21813311 0,20868919 32 0,25204829 0,23524964 0,21734846 0,2077193

270

ANNEXES

Tableau 7 : Valeurs de luminance des six canaux de LANDSAT en fonction de Téta V (10 et 20) pour 1m de profondeur. Téta V 10 20

Station Prof TM1 TM2 TM3 TM4 TM5 TM7 TM1 TM2 TM3 TM4 TM5 TM7 1 1 39.392 33.754 16.637 5.7397 0.8437 0.1509 39.163 33.608 17.751 5.8817 0.8751 0.1543 2 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.281 41.604 24.352 8.7592 1.0943 0.1902 3 1 39.392 33.754 16.637 5.7397 0.8437 0.1509 39.163 33.608 17.751 5.8817 0.8751 0.1543 4 1 27.362 19.722 9.5440 3.1342 0.0835 3.0958 27.362 19.722 9.5440 3.1342 0.0835 3.0958 5 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.281 41.604 24.352 8.7592 1.0943 0.1902 6 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.281 41.604 24.352 8.7592 1.0943 0.1902 7 1 49.473 41.703 24.137 8.5465 1.0546 0.1859 49.281 41.604 24.352 8.7591 1.0943 0.1902 8 1 22.777 15.847 6.2332 1.5931 1.3320 1.4086 22.777 15.847 6.2332 1.5931 1.3320 1.4125 9 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 10 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.281 41.604 24.352 8.7592 1.0943 0.1902 11 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.281 41.604 24.352 8.7592 1.0943 0.1902 12 1 27.362 19.722 9.5439 3.1342 8.3520 3.0958 27.362 19.722 9.5439 3.1342 8.3520 3.1035 13 1 22.777 15.847 6.2332 1.5931 1.3320 1.4644 22.777 15.847 6.2332 1.5931 1.3320 1.4740 14 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 15 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.281 41.604 24.352 8.7592 1.0943 0.1902 16 1 49.473 41.703 24.137 8.5465 1.0546 0.1859 49.281 41.604 24.352 8.7591 1.0943 0.1902 17 1 27.362 19.722 9.5439 3.1342 8.3520 3.0958 27.362 19.722 9.5439 3.1342 8.3520 3.1035 18 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 19 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 20 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 21 1 38.970 23.967 9.5461 3.1342 0.0835 3.1589 39.058 24.083 9.5466 3.1342 8.3520 3.1731 22 1 22.777 15.847 6.2332 1.5931 1.3320 1.4086 22.777 15.847 6.2332 1.5931 1.3320 1.4125 23 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 24 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 25 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 26 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 27 1 22.777 15.847 6.2332 1.5931 0.0133 1.4086 22.777 15.847 6.2332 1.5931 0.0133 1.4125 28 1 22.777 15.847 6.2332 1.5931 0.0133 1.4086 22.777 15.847 6.2332 1.5931 0.0133 1.4125 29 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 30 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 31 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 32 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 33 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 34 1 22.777 15.847 6.2332 1.5931 0.0133 1.4086 22.777 15.847 6.2332 1.5931 0.0133 1.4125 35 1 22.777 15.847 6.2332 1.5931 0.0133 1.4086 22.777 15.847 6.2332 1.5931 0.0133 1.4125 36 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 37 1 49.473 41.703 24.137 8.5465 1.0546 0.1859 49.281 41.604 24.352 8.7591 1.0943 0.1902 38 1 49.473 41.703 24.137 8.5465 1.0546 0.1859 49.281 41.604 24.352 8.7591 1.0943 0.1902 39 1 49.473 41.703 24.137 8.5465 1.0546 0.1859 49.281 41.604 24.352 8.7591 1.0943 0.1902 40 1 27.362 19.722 9.5439 3.1342 8.3520 3.0958 27.362 19.722 9.5439 3.1342 8.3520 3.1035 41 1 22.777 15.847 6.2332 1.5931 0.0133 1.4086 22.777 15.847 6.2332 1.5931 0.0133 1.4125 42 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 43 1 39.391 33.754 17.636 5.7388 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 44 1 49.473 41.703 24.137 8.5465 1.0546 0.1859 49.281 41.604 24.352 8.7591 1.0943 0.1902 45 1 39.373 33.739 17.629 5.7370 0.8433 0.1508 39.145 33.593 17.743 5.8789 0.8747 0.1543 46 1 22.777 15.844 6.2321 1.5928 0.0133 1.4078 22.777 15.844 6.2321 1.5928 0.0133 1.4117 47 1 22.777 15.844 6.2321 1.5928 0.0133 1.4078 22.777 15.844 6.2321 1.5928 0.0133 1.4117 48 1 39.372 33.738 17.628 5.7361 0.8431 0.1508 39.144 33.592 17.741 5.8780 0.8746 0.1543 49 1 39.372 33.738 17.628 5.7361 0.8431 0.1508 39.144 33.592 17.741 5.8780 0.8746 0.1543 50 1 39.372 33.738 17.628 5.7361 0.8431 0.1508 39.144 33.592 17.741 5.8780 0.8746 0.1543 51 1 39.372 33.738 17.628 5.7361 0.8431 0.1508 39.144 33.592 17.741 5.8780 0.8746 0.1543 52 1 22.767 15.840 6.2303 1.5924 1.3314 1.4080 22.767 15.840 6.2303 1.5924 1.3314 1.4118 53 1 22.767 15.840 6.2303 1.5924 1.3314 1.4080 22.767 15.840 6.2303 1.5924 1.3314 1.4118 54 1 22.767 15.840 6.2303 1.5924 1.3313 1.4080 22.767 15.840 6.2303 1.5924 1.3313 1.4118 55 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.282 41.605 24.352 8.7592 1.0943 0.1902 56 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.282 41.605 24.352 8.7592 1.0943 0.1902 57 1 39.392 33.755 17.637 5.7398 0.8437 0.1509 39.164 33.609 17.751 5.8817 0.8751 0.1543 58 1 22.783 15.852 6.2350 1.5936 0.0133 1.4085 22.783 15.852 6.2350 1.5936 0.0133 1.4124 59 1 22.783 15.852 6.2350 1.5936 0.0133 1.4085 22.783 15.852 6.2350 1.5936 0.0133 1.4124 60 1 22.777 15.847 6.2332 1.5931 1.3320 1.4086 22.777 15.847 6.2332 1.5931 1.3320 1.4125 61 1 22.777 15.847 6.2332 1.5931 1.3320 1.4086 22.777 15.847 6.2332 1.5931 1.3320 1.4125 62 1 39.391 33.754 17.636 5.7389 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 63 1 39.391 33.754 17.636 5.7389 0.8435 0.1509 39.162 33.608 17.750 5.8808 0.8750 0.1543 64 1 22.778 15.847 6.2332 1.5931 0.0133 1.4086 22.778 15.847 6.2332 1.5931 0.0133 1.4125

271

ANNEXES

65 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 66 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 67 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 68 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.282 41.605 24.352 8.7592 1.0943 0.1902 69 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.282 41.605 24.352 8.7592 1.0943 0.1902 70 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 71 1 26.409 18.886 8.9880 2.8902 7.1947 2.8332 26.409 18.886 8.9880 2.8902 7.1947 0.0284 72 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 73 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 74 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 75 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.282 41.605 24.352 8.7592 1.0943 0.1902 76 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.282 41.605 24.352 8.7592 1.0943 0.1902 77 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 78 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 79 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 80 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 81 1 22.777 15.847 6.2332 1.5931 1.3320 1.4086 22.777 15.847 6.2332 1.5931 1.3320 1.4125 82 1 22.777 15.847 6.2332 1.5931 1.3320 1.4086 22.777 15.847 6.2332 1.5931 1.3320 1.4125 83 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.282 41.605 24.352 8.7592 1.0943 0.1902 84 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.282 41.605 24.352 8.7592 1.0943 0.1902 85 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 86 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 87 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 88 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 89 1 49.473 41.703 24.137 8.5466 1.0546 0.1859 49.282 41.605 24.352 8.7592 1.0943 0.1902 90 1 49.473 41.703 24.137 8.5465 1.0546 0.1859 49.282 41.605 24.352 8.7591 1.0943 0.1902 91 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 92 1 27.362 19.722 9.5439 3.1342 0.0835 3.0959 27.362 19.722 9.5439 3.1342 0.0835 3.1035 93 1 27.362 19.722 9.5438 3.1342 8.3519 3.0959 27.362 19.722 9.5439 3.1342 8.3519 3.1035 94 1 22.778 15.848 6.2333 1.5932 1.3320 1.4087 22.778 15.848 6.2333 1.5932 1.3320 1.4126 95 1 39.392 33.755 17.637 5.7390 0.8435 0.1509 39.163 33.609 17.750 5.8810 0.8750 0.1544 96 1 39.392 33.755 17.636 5.7390 0.8435 0.1509 39.163 33.609 17.750 5.8809 0.8750 0.1544 97 1 39.392 33.755 17.637 5.7390 0.8435 0.1509 39.163 33.609 17.750 5.8810 0.8750 0.1544 98 1 22.778 15.848 6.2333 1.5932 1.3320 1.4087 22.778 15.848 6.2333 1.5932 1.3320 1.4126 99 1 22.783 15.852 6.2352 1.5936 1.3325 1.4085 22.783 15.852 6.2352 1.5936 1.3325 1.4124 100 1 22.778 15.848 6.2333 1.5932 1.3320 1.4087 22.778 15.848 6.2333 1.5932 1.3320 1.4126 101 1 39.392 33.755 17.636 5.7390 0.8435 0.1509 39.163 33.609 17.750 5.8809 0.8750 0.1544 102 1 39.439 33.788 17.689 5.7763 0.8496 0.1509 39.212 33.643 17.803 5.9190 0.8813 0.1544 103 1 39.392 33.755 17.636 5.7390 0.8435 0.1509 39.163 33.609 17.750 5.8809 0.8750 0.1544 104 1 22.778 15.848 6.2333 1.5932 1.3320 1.4087 22.778 15.848 6.2333 1.5932 1.3320 1.4126 105 1 22.778 15.848 6.2333 1.5932 1.3320 1.4087 22.778 15.848 6.2333 1.5932 1.3320 1.4126 106 1 22.778 15.848 6.2333 1.5931 1.3320 1.4087 22.778 15.848 6.2333 1.5931 1.3320 1.4126 107 1 39.392 33.755 17.636 5.7390 0.8435 0.1509 39.163 33.609 17.750 5.8809 0.8750 0.1544 108 1 39.392 33.755 17.636 5.7390 0.8435 0.1509 39.163 33.609 17.750 5.8809 0.8750 0.1544 109 1 39.393 33.756 17.638 5.7399 0.8437 0.1509 39.165 33.610 17.752 5.8819 0.8752 0.1544 110 1 22.783 15.852 6.2352 1.5936 1.3325 1.4085 22.783 15.852 6.2352 1.5936 1.3325 1.4124 111 1 22.783 15.852 6.2352 1.5936 1.3325 1.4085 22.783 15.852 6.2352 1.5936 1.3325 1.4124 112 1 22.783 15.852 6.2352 1.5936 1.3325 1.4085 22.783 15.852 6.2352 1.5936 1.3325 1.4124 113 1 27.363 19.723 9.5441 3.1343 8.3521 3.0960 27.363 19.723 9.5441 3.1343 8.3521 3.1036 114 1 22.783 15.852 6.2353 1.5936 1.3325 1.4085 22.783 15.852 6.2353 1.5936 1.3325 1.4124 115 1 22.783 15.852 6.2353 1.5936 1.3325 1.4085 22.783 15.852 6.2353 1.5936 1.3325 1.4124 116 1 27.363 19.723 9.5441 3.1343 8.3524 3.0960 27.363 19.723 9.5441 3.1343 8.3524 3.1036 117 1 22.778 15.848 6.2334 1.5932 1.3320 1.4087 22.778 15.848 6.2334 1.5932 1.3320 1.4126 118 1 27.363 19.723 9.5442 3.1343 8.3523 0.0309 27.363 19.723 9.5442 3.1343 8.3523 3.1036 119 1 27.363 19.723 9.5442 3.1343 8.3523 0.0309 27.363 19.723 9.5442 3.1343 8.3523 3.1036 120 1 27.363 19.723 9.5442 3.1343 8.3523 0.0309 27.363 19.723 9.5442 3.1343 8.3523 3.1036 121 1 27.363 19.723 9.5443 3.1343 8.3524 3.0960 27.363 19.723 9.5443 3.1343 8.3524 3.1036 122 1 27.363 19.723 9.5443 3.1343 8.3524 3.0960 27.363 19.723 9.5443 3.1343 8.3524 3.1036 123 1 27.363 19.723 9.5443 3.1343 8.3524 3.0960 27.363 19.723 9.5443 3.1343 8.3524 3.1036 124 1 27.363 19.723 9.5441 3.1343 8.3522 3.0960 27.363 19.723 9.5441 3.1343 8.3522 3.1036 125 1 22.783 15.852 6.2353 1.5936 1.3325 1.4085 22.783 15.852 6.2353 1.5936 1.3325 1.4124 126 1 27.363 19.723 9.5442 3.1343 8.3523 3.0960 27.363 19.723 9.5442 3.1343 8.3523 3.1036

272