Cartographie et Modélisation de l’Érosion Hydrique dans le Bassin-Versant de Ogo (Nord-est du Sénégal) par Approche Statistique Bivariée de la Valeur Informative et Ratio de Fréquence

  • Amadou Tidiane Dia Laboratoire Leïdi “Dynamique des Territoires et Développement”, Université Gaston Berger (UGB), Saint-Louis, Sénégal
Keywords: Water erosion, frequency ratio, information value, catchment area

Abstract

Le bassin versant de Ogo connait des contraintes climatiques, écologiques fortes et changeantes. La dynamique de dégradation actuelle est de plus en plus marquée par une intensification de l’érosion hydrique. C’est dans cette perspective que le présent travail a été réalisé pour mesurer la vulnérabilité du bassin versant de Ogo face à cette morphodynamique. Pour ce faire nous avons adopté parmi de nombreuses méthodologies disponibles dans les revues scientifiques comme la théorique de l’évidence, la logistique régression, le processus de l’analyse hiérarchique (AHP), la méthode bivariée dont le ratio de fréquence et la valeur informative qui fait d’office de méthode de référence dans la présente étude. Dans l’application de cette méthode, nous avons procédé par le recensement des différents paramètres d’entrés dont les différents facteurs causatifs à l’érosion hydrique et la cartographie d’inventaire des différentes formes d’érosion recensé dans le bassin versant de Ogo. Ces données ont été traitées, stockées et analysées dans un logiciel du système d’information géographique afin de rendre l’application assez souple. La susceptibilité à l’érosion hydrique dans le bassin-versant de Ogo ayant été appréhendé par la méthode de la valeur informative a montré que : le bassin versant de Ogo est très vulnérable à l’érosion hydrique, ce que l’approche descriptive des différentes formes d’érosions par la cartographie d’inventaire confirme. Les classes de susceptibilité sont reparties ainsi qu’il suit : très faible, faible, moyenne, forte et très fortes. La classe forte occupe 30,45 % de surface de susceptibilité tandis que la classe très forte occupe 20,28 % par rapport à l’ensemble de la zone étudiée et la classe moyenne occupe 27,89 %. Les résultats obtenus par la cartographie de la susceptibilité dudit bassin face à l’érosion hydrique ont été soumis à la validation par l’analyse de la courbe de ROC. Suite au croisement des données de l’inventaire sur la carte de susceptibilité, les surfaces des pixels pondérées obtenues sont déterminées par le calcul des Area under curver qui communique une information sur le taux de réussite ou d’échec de la méthode. Un taux inférieur ou égale à 60 % signifie l’échec de la méthodologie par la non précision des résultats obtenue ; par contre, un taux supérieur ou égale à 70 % signifie un niveau de précision de la méthode réussit. Le taux obtenu est de 78 %, révélant ainsi un bon résultat.

The Ogo watershed is subject to strong and changing climatic and ecological constraints. The current degradation dynamics are increasingly marked by an intensification of water erosion. It is in this perspective that the present work was carried out with the aim of measuring the vulnerability of the Ogo watershed to this morphodynamic. In order to do so, we adopted among many methodologies available in scientific journals such as the evidence theory, logistic regression, the hierarchical analysis process (AHP), the bivariate method whose frequency ratio and informative value act as reference method in the present study. In the application of this method, we proceeded by listing the different input parameters including the different causative factors of water erosion and the inventory mapping of the different forms of erosion identified in the Ogo catchment. These data were processed, stored and analysed in a Geographic Information System software to make the application flexible enough. The susceptibility to water erosion in the Ogo catchment area having been apprehended by the information value method showed that : the Ogo catchment area is very vulnerable to water erosion, a fact confirmed by the descriptive approach of the different forms of erosion by inventory mapping. The susceptibility classes are divided into very low, low, medium, high and very high. The strong class occupies 30.45% of the susceptibility area, while the very strong class occupies 20.28% of the entire study area and the medium class occupies 27.89%. The results obtained by mapping the susceptibility of the said basin to water erosion were subjected to validation by ROC curve analysis. Following the cross-referencing of the inventory data with the susceptibility map, the weighted pixel areas obtained are determined by calculating the Area under curver, which provides information on the success or failure rate of the method. A rate of less than or equal to 60% means the failure of the methodology due to the non-precision of the results obtained, whereas a rate of more than or equal to 70% means a successful precision rate of the method. The rate obtained is 78%, thus revealing a good result.

Downloads

Download data is not yet available.

Metrics

Metrics Loading ...

PlumX Statistics

References

1. Anna M., (2021) : Landslide susceptibility mapping of Gdynia using geographic information system-based statistical models p. 37
2. Abderrazzak Es-S., Brahim E. M., Abdelouahed El O. T., Mustapha N. & Riyaz A. M., (2022) : Landslide susceptibility mapping using GIS-based bivariate models in the Rif chain (northernmost Morocco) p.32
3. Abderrazzak Es-S., Brahim E. M., Riyaz A. M., Abdelouahed E. O. T., Mustapha N., (2022) : Spatial prediction of landslide susceptibility using Frequency Ration (FR) and Shannon Entropy (SE) models: a case study from northern Rif, Morocco. P. 30
4. Abhishek G., (2021) : Soil erosion susceptibility assessment using logistic regression, decision tree and random forest: study on the Mayurakshi river basin of Eastern India p. 16
5. Arabameri A., Pradhan B., Rezaei K. (2019b) Gully erosion zonation mapping using integrated geographically weighted regression with certainty factor and random forest models in GIS. J Environ Manage 232:928–932. https://doi.org/10.1016/j.jenvman.2018.11.110
6. Arora A., Pandey M., Siddiqui M., Hong H., Mishra V. (2019) : Spatial food susceptibility prediction in Middle Ganga Plain: comparison of frequency ratio and Shannon’s entropy models. Geocarto Int. Spatial flood susceptibility prediction in Middle Ganga Plain: comparison of frequency ratio and Shannon’s entropy models: Geocarto International: Vol 36, No 18 (tandfonline.com) Spatial flood susceptibility prediction in Middle Ganga Plain: comparison of frequency ratio and Shannon’s entropy models: Geocarto International: Vol 36, No 18 (tandfonline.com)
7. Modeste M., Abdellatif K., Joseph A., (2021) : Spatial modeling of food susceptibility using machine learning algorithms p. 18
8. Sunil S., Raju S., Gautam T., Jagabandhu R., (2021) : Modeling gully erosion susceptibility in Phuentsholing, Bhutan using deep learning and basic machine learning algorithms p. 21
9. Suhua Z., Syed M. A., Xin T., (2021) : A comparative study of the bivariate, multivariate and machine-learningbased statistical models for landslide susceptibility mapping in a seismicprone region in China p. 20
10. Fatna M., Abederrahmane B., Riheb H., Debi P. K., and Farid Z., (2018) : GIS-based landslide susceptibility assessment using statistical models: a case study from Souk Ahras province, N-E Algeria p. 21
11. Modeste M., Abdellatif K., and Nadia M., (2018) : A GIS-based approach for gully erosion susceptibility modelling using bivariate statistics methods in the Ourika watershed, Morocco p. 14
12. Allam H., et B., (2020) : Cartographie de l’aléa et risque glissement de terrain par plusieurs méthodes Cas d’étude : La commune de Mila : mémoire de fin d’études de master, Université Frères Mentouri, Constantine 1. p. 134
13. Roukh Z. E. A., (2020) : Cartographie algébrique d’aléa multirisque du Littoral Oranais, NO de l’Algérie Risques: (Sismique, glissement de terrain, inondation) ; thèse de doctorat à l’Université d’Oran 2 Faculté des Sciences de la Terre et de l’Univers p. 289
14. Cao C., Xu P., Wang Y., Chen J., Zheng L., Niu C., (2016) : Flash Flood hazard susceptibility mapping using frequency ratio and statistical index methods in coalmine subsidence areas. Sustainability 8:948 Carrara A, Guzzetti F, Cardinali M (1999) Use of GIS technology in the prediction and monitoring of landslide hazard. Nat Hazards 20:117–135
15. Confort M., Aucelli PPC., Robustelli G., Scarciglia F., (2011) : Geomorphology and GIS analysis for mapping gully erosion suscceptibility in the Turbolo stream catchment (Northern Calabria Italy). Nat Hazards 56:881–898. Geomorphology and GIS analysis for mapping gully erosion susceptibility in the Turbolo stream catchment (Northern Calabria, Italy) | SpringerLink
16. Khosravi K., Melesse A., Shahabi H., Shirzadi A., Chapi K., Hong H., (2019) : Flood susceptibility mapping at Ningdu catchment, China
using bivariate and data mining techniques. Extrem Hydrol Clim Variabil 419–434
17. Pradhan B., (2009) : Flood susceptible mapping and risk area delineation using logistic regression, GIS and remote sensing. J Spat Hydrol 9:1–18
18. Gayen A., Pourghasemi HR., Saha S., Keesstra S., Bai S., (2019) : Gully erosion susceptibility assessment and management of hazard prone areas in India using diferent machine learning algorithms. Sci Total Environ 668:124–138. https://doi.org/10.1016/j.scitotenv. 2019.02.436
19. Zhu M., (2014) Soil erosion assessment using USLE in the GIS environment: a case study in the Danjiangkou Reservoir Region, China. Environ Earth Sci. https://doi.org/10.1007/s12665-014-3947-
Published
2023-02-28
How to Cite
Tidiane Dia, A. (2023). Cartographie et Modélisation de l’Érosion Hydrique dans le Bassin-Versant de Ogo (Nord-est du Sénégal) par Approche Statistique Bivariée de la Valeur Informative et Ratio de Fréquence. European Scientific Journal, ESJ, 19(6), 222. https://doi.org/10.19044/esj.2023.v19n6p222
Section
ESJ Natural/Life/Medical Sciences