12°13′–12°24′ N · 2°42′–2°52′ O — Province du Sanguié, Burkina Faso
Forêt classée · Télédétection
Suivi de la déforestation dans la Forêt Classée de Tiogo
Classification supervisée KNN sur images Sentinel-2 (saison sèche, 2017 et 2025), avec validation par matrice de confusion et coefficient Kappa.
EauForêt galerieSavane arboréeSavane arbustiveSol nu
−47,5 %
Couvert ligneux perdu (2017–2025)
−7,85 %/an
Taux de déforestation (méthode FAO)
30 669 ha
Superficie de la forêt classée
Contexte
Une forêt protégée depuis 1940, sous pression croissante
La Forêt Classée de Tiogo, dans la province du Sanguié, constitue l'une des principales forêts classées du Centre-Ouest du Burkina Faso. Malgré son statut de protection légale, elle subit des défrichements agricoles, l'exploitation du bois et, depuis les années 2010, une expansion rapide de l'orpaillage artisanal.
Les études antérieures (Coulibaly, 2018 ; Kaboré, 2020) documentaient une perte de 47 à 49 % des savanes arborées entre 1990 et 2019 — mais aucune n'intégrait la période récente 2017–2025, marquée par une intensification des pressions. Ce projet comble cette lacune temporelle et méthodologique.
Carte 1 — Situation géographique de la zone d'étude
Méthodologie
De l'image satellite à la carte validée
Deux images Sentinel-2 (niveau L2A, réflectance de surface) ont été acquises en saison sèche pour limiter les biais phénologiques — 19 février 2017 et 12 février 2025, toutes deux avec une couverture nuageuse quasi nulle.
01
Prétraitement (SNAP)
Resampling à 10 m, extraction de la zone d'étude par shapefile, masquage des nuages via la bande SCL.
02
Indices spectraux
Calcul du NDVI (végétation), NDWI (eau libre) et BSI (sols nus), empilés avec les bandes B2, B3, B4, B8, B11.
03
Classification supervisée KNN
5 classes : forêt galerie, savane arborée, savane arbustive, sol nu, eau. ~250 polygones d'entraînement par date.
04
Validation indépendante
142 (2017) et 144 (2025) points de validation, matrice de confusion et coefficient Kappa via scikit-learn.
05
Analyse de la dynamique
Comparaison pixel à pixel (rasterio), matrice de transition et taux de déforestation annuel (formule FAO).
Figure 1 — Chaîne de traitement complète, de l'image brute à la cartographie finale
Résultats
Précision de la classification
La classification 2017 atteint une précision globale de 70,4 % (Kappa 0,617) ; celle de 2025, 73,2 % (Kappa 0,664) — un accord jugé « substantiel » selon l'échelle de Landis et Koch. La principale confusion se situe entre savane arborée et savane arbustive, deux strates spectralement proches en saison sèche.
Figure 2 — Matrice de confusion, classification 2017 (142 points)Figure 3 — Matrice de confusion, classification 2025 (144 points)
Occupation du sol, 2017 vs 2025
En 2017, la savane arborée dominait avec 67,2 % de la superficie. En 2025, elle n'en représente plus que 32,4 %, dépassée par la savane arbustive (35,7 %) — signe d'une dégradation progressive plutôt que d'une déforestation brutale et directe.
2017
67,2 % savane arborée
Image Sentinel-2 de référence, classification KNN initiale.
2017 → 2025
−47,5 % couvert ligneux
Dégradation progressive : éclaircissement de la canopée avant conversion.
2025
32,4 % savane arborée
Savane arbustive devenue dominante (35,7 %).
Carte 2 — Occupation du sol, 2017Carte 3 — Occupation du sol, 2025
Dynamique de la déforestation
Seuls 8 509 ha de savane arborée (39,8 % de sa superficie initiale) ont conservé leur statut entre 2017 et 2025. La majeure partie s'est dégradée vers la savane arbustive (8 445 ha) ou le sol nu (3 610 ha) — un éclaircissement progressif de la canopée avant conversion complète.
Figure 4 — Matrice de transition 2017 → 2025 (en hectares)Figure 5 — Évolution des superficies par classe, 2017–2025
Le taux de −7,85 %/an est nettement supérieur aux tendances des décennies précédentes (moins de 2 %/an entre 1990 et 2019), suggérant une accélération récente de la déforestation — probablement liée à l'expansion agricole et à l'essor de l'orpaillage artisanal depuis 2012.
En cours
Prochaine étape
Comparer KNN et deep learning
Un modèle CNN a déjà été entraîné sur EuroSAT (94,8 % de précision test) comme base de transfer learning. L'étape suivante consiste à adapter ce modèle — via un U-Net — aux 8 canaux utilisés dans ce projet (bandes Sentinel-2 + indices spectraux), puis à l'évaluer sur les mêmes points de validation que la classification KNN, pour une comparaison directe et rigoureuse entre les deux approches.
