Auteur(s) :

Marius MASSALA MBINDZOUKOU, Bruno NKOUMAKALI, Luckin OBIANG OBIANG.

Volume/Numéro :

Résumé :

L’agriculture au Gabon est essentiellement constituée de petites exploitations disséminées sur de vastes territoires ruraux. Elle joue un rôle clé dans la sécurité alimentaire du pays. Toutefois, l’enclavement de ces zones rend difficile leur suivi et leur caractérisation. Cette étude propose une méthodologie de cartographie des zones agricoles et des principales cultures dans la commune de Lébamba et ses environs. L’approche intègre des relevés GPS menés de juillet à novembre 2024 sur 51 parcelles (246 points de terrain), combinés à des images drone et à l’imagerie satellitaire Sentinel-2. Ces données ont été testées à travers trois scénarios expérimentaux : Sentinel-2 et données GPS, Sentinel-2 et données drone, et Sentinel-2 Fusion multi-sources. Les classifications ont été réalisées via des algorithmes d’apprentissage automatique (Forêts Aléatoires, XGBoost et Réseaux de Neurones Artificiels). Les résultats démontrent que l’usage des images drone, couplé à l’algorithme des Forêts Aléatoires, offre les meilleures performances avec une précision globale de 99,88 % (kappa de 0,9964) pour l’identification des zones agricoles et de 94,74 % pour la distinction fine des cultures (kappa de 0,8941). Ce travail propose une méthodologie reproductible, dont la portée pour la planification des politiques publiques agricoles au Gabon reste à éprouver.

No. de téléchargement :

0

Mots clés:

télédétection ; drone ; Sentinel-2 ; apprentissage automatique ; forêt aléatoire ; agriculture vivrière ; Lébamba ; Gabon.

Abstract:

Agriculture in Gabon is essentially composed of smallholder farms scattered across vast rural territories. It plays a key role in the country’s food security. However, the isolation of these areas makes their monitoring and characterization difficult. This study proposes a methodology for mapping agricultural areas and main crops in the commune of Lébamba and its surroundings. The approach integrates GPS surveys conducted from July to November 2024 across 51 plots (246 ground points), combined with drone images and Sentinel-2 satellite imagery. These data were tested through three experimental scenarios: Sentinel-2 and GPS data, Sentinel-2 and drone data, and Sentinel-2 multi-source fusion. Classifications were performed using machine learning algorithms (Random Forests, XGBoost, and Artificial Neural Networks). The results demonstrate that the use of drone imagery, coupled with the Random Forest algorithm, offers the best performance with an overall accuracy of 99.88% (kappa of 0.9964) for the identification of agricultural areas, and 94.74% for fine crop discrimination (kappa of 0.8941). This work provides a reproducible methodology, the scope of which for public agricultural policy planning in Gabon remains to be tested. Keywords: remote sensing; drone; Sentinel-2; machine learning; random forest; subsistence agriculture; Lébamba; Gabon.