Contribution de la géomatique à l’analyse de la qualité des nappes souterraines : Approche intégrée des indices spectraux appliquée au site minier de Tortiya (Nord de la Côte d’Ivoire)
Abstract
L’exploitation minière exerce une pression significative sur les écosystèmes et les ressources en eau souterraine ; particulièrement dans les zones de socle cristallin fissuré comme le site minier de Tortiya (nord de la Côte d’Ivoire). Le but de cette étude est donc de contribuer au diagnostic et au suivi des nappes souterraines en contexte minier à travers l’intégration des indices NDVI, MNDWI et NDTI appliquée au site minier de Tortiya. Les indices spectraux NDVI (végétation), MNDWI (plan d’eau à la surface et recharge de la nappe) et NDTI (turbidité et sols exposés) ont été calculés à partir d’images Sentinel-2 (10m) grâce à une extraction automatique via Google Earth Engine (GEE). Le croissement de ces indices intégrés à QGIS a permis d’établir une carte de vulnérabilité environnementale pour l’identification des zones d’activités minières, haldes et zones de références. Les résultats obtenus mettent en évidence une forte hétérogénéité spatiale avec
des surfaces fortement endommagées. Environ 70% de la surface du site minier est délabré avec des zones présentant des conditions favorables au transfert de contaminants liées à la dégradation de la couverture végétale, à l’intensification de l’érosion des sols et à la modification des dynamiques hydrologiques de surface. De façon spécifique, le taux de vulnérabilité du site est de 42,39% au Nord ; 30,79% au Sud et de 26,83% au Centre. Enfin, l’approche intégrée des indices spectraux offre un outil efficace pour la gestion durable des ressources en eau et la surveillance environnementale dans les sites miniers. Cette méthodologie peut être appliquée à d’autres régions minières et étendue à des séries temporelles de contrôle et suivi de l’évolution des impacts environnementaux.
Mining activities exert significant pressure on ecosystems and groundwater resources, particularly in fractured crystalline basement regions such as the Tortiya mining site in northern Côte d’Ivoire. The aim of this study is therefore to contribute to the assessment and monitoring of groundwater systems in mining environments through the integration of the NDVI, MNDWI, and NDTI indices applied to the Tortiya mining area. The spectral indices NDVI (vegetation), MNDWI (surface water bodies and groundwater recharge), and NDTI (turbidity and exposed soils) were derived from Sentinel-
2 imagery (10 m resolution) using automated extraction through Google Earth Engine (GEE). The integration and overlay of these indices within QGIS enabled the production of an environmental vulnerability map for the identification of mining activity zones, waste dumps, and reference areas. The results reveal strong spatial heterogeneity, with extensive areas showing severe environmental degradation. Approximately 70% of the mining site surface is degraded, with zones exhibiting conditions favorable to contaminant transfer due to vegetation cover loss, intensified soil erosion, and alterations in surface hydrological dynamics. Specifically, the site vulnerability rate is estimated at 42.39% in the northern sector, 30.79% in the southern sector, and 26.83% in the central sector. Finally, the integrated spectral index approach provides an effective tool for sustainable water resource management and environmental monitoring in mining areas. This methodology can be applied to other mining regions and extended to time-series analyses for monitoring and assessing the evolution of environmental impacts.
Downloads
PlumX Statistics
References
2. Allechy, F. B., Lasm, T., Ta, M. Y., Kouamé, K. F., Oga, M. S., & Jourda, J. P. (2016). Cartographie de la vulnérabilité à la pollution des aquifères du socle précambrien : cas de la région d’Oumé (Centre-Ouest de la Côte d’Ivoire). European Scientific Journal, 12(20), 374–
394. https://doi.org/10.19044/esj.2016.v12n20p374
3. Ashok, A., Rani, H. P., & Jayakumar, K. V. (2021). Monitoring dynamic changes of wetlands using Landsat imagery based on NDVI and MNDWI indices. Remote Sensing Applications: Society and Environment, 23, 100547. https://doi.org/10.1016/j.rsase.2021.100547
4. Bronick, C. J., Lal, R. (2005). Structure et gestion des sols : une synthèse. Geoderma, 124(1–2), 3–22. https://doi.org/10.1016/j.geoderma.2004.03.005
5. Briffa, J., Sinagra, E., & Blundell, R. (2020). Pollution by heavy metals in the environment and their toxicological effects on humans. Heliyon, 6(9), e04691. https://doi.org/10.1016/j.heliyon.2020.e04691
6. Bruijnzeel, L. A. (2004). Fonctions hydrologiques des forêts tropicales
: les arbres empêchent-ils de voir le sol ? Agriculture, Ecosystems et Environment, 104(1), 185–228. https://doi.org/10.1016/j.agee.2004.01.015
7. Chowdhury, M., de la Calle, I., Laiz, I., & Ruescas, A. B. (2025). Near real-time global turbidity monitoring using Sentinel-2 data and machine learning techniques. Remote Sensing, 17(22), 3716. https://doi.org/10.3390/rs17223716
8. Demková, L., Jezný, T., & Bobuľská, L. (2017). Assessment of soil heavy metal pollution in a former mining area – Before and after the end of mining activities. Soil & Water Research, 12(4), 229–236. https://doi.org/10.17221/107/2016-SWR
9. Fisher, A., Food, N., & Danaher, T. (2016). Comparaison des méthodes d'indice d'eau Landsat pour la classification automatisée de l'eau dans l'est de l'Australie. Remote Sensing of Environment, 175 (15), 167-182. https://doi.org/10.1016/j.rse.2015.12.055
10. Gavrilescu, M. (2021). Interactions entre l'eau, le sol et les plantes dans un environnement menacé. Water, 13(19), 2746. https://doi.org/10.3390/w13192746
11. Gyssels, G., Poesen, J., Bochet, E., & Li, Y. (2005). Impact of plant roots on the resistance of soils to erosion by water: A review. Progress in Physical Geography: Earth and Environment, 29(2), 189–217. https://doi.org/10.1191/0309133305pp443ra
12. Jaywant, S. A., & Arif, K. M. (2024). Remote sensing techniques for water quality monitoring: A review. Sensors, 24(24), 8041. https://doi.org/10.3390/s24248041
13. Jourda, JP, Saley, MB, Djagoua, EV, Kouamé, KJ, Biémi, J. et Razack,
M. (2006) Utilisation des données ETM+ de Landsat et d'un SIG pour l'évaluation du potentiel en eau souterraine dans le milieu fissuré précambrien de la région de Korhogo (nord de la Côte d'Ivoire) : Approche par analyse multicritère et test de validation. Télédétection, 5, 339-357.
14. Kuenzer, C., Dech, S., & Wagner, W. (2015). Remote Sensing Time Series: Revealing Land Surface Dynamics. Springer. https://doi.org/10.1007/978-3-319-15967-6
15. Lal, R. (2001). Soil degradation by erosion. Land Degradation & Development, 12(6), 519–539. https://doi.org/10.1002/ldr.472
16. Lapworth, D. J., Boving, T., Brauns, B., Dottridge, J., Hynds, P., Kebede, S., Kreamer, D., Misstear, B., Mukherjee, A., Re, V.,
Sorensen, J., & Ruz Vargas, C. (2023). Qualité des eaux souterraines : enjeux mondiaux, menaces émergentes et nouvelles approches. Hydrogeology Journal, 31(1), 15–18. https://doi.org/10.1007/s10040-
022-02542-0
17. Lyapustin, A. I., Wang, Y., Laszlo, I., Hilker, T., Hall, F. G., Sellers,
P. J., Tucker, C. J., & Korkin, S. V. (2012). Multi-angle implementation of atmospheric correction for MODIS (MAIAC): 3. Atmospheric correction. Remote Sensing of Environment, 127, 385–
393. https://doi.org/10.1016/j.rse.2012.09.002
18. MacDonald, A. M., Calow, R. C., MacDonald, D. M. J., Darling, W. G., & Dochartaigh, B. É. Ó. (2009). What impact will climate change have on rural groundwater supplies in Africa? Hydrological Sciences Journal, 54(4), 690–703. https://doi.org/10.1623/hysj.54.4.690
19. Panagos, P., Borrelli, P., Poesen, J., Ballabio, C., Lugato, E., Meusburger, K., Montanarella, L., & Alewell, C. (2015). The new assessment of soil loss by water erosion in Europe. Environmental Science & Policy, 54, 438–447. https://doi.org/10.1016/j.envsci.2015.08.012b
20. Quemada, C., Pérez-Escudero, J. M., Gonzalo, R., Ederra, M., Santesteban, L. G., Torres, N., & Iriarte, J. C. (2021). Remote sensing for plant water status monitoring: A review. Remote Sensing, 13(11), 2088. https://doi.org/10.3390/rs13112088
21. Rahmati, O., Falah, F., Naghibi, S. A., Biggs, T., Soltani, M., Deo, R. C., Cerdà, A., Mohammadi, F., & Bui, D. T. (2019). Land subsidence modelling using tree-based machine learning algorithms. Science of the Total Environment, 672, 239–252. https://doi.org/10.1016/j.scitotenv.2019.03.496
22. Razagui, A., & Bachari, N. E. I. (2014). Analyse spatio-temporelle de l’indice de végétation NDVI calculé à partir des images satellites NOAA et MSG. Revue des Energies Renouvelables, 17(3), 497–506. https://doi.org/10.54966/jreen.v17i3.463
23. Saaty, T. L. (1990). How to make a decision: The analytic hierarchy process. European Journal of Operational Research, 48(1), 9–26. https://doi.org/10.1016/0377-2217(90)90057-I Original version published by McGraw-Hill, New York, 1980.
24. Soro, T. D., Djè Kouakou, B., Ahoussi Kouassi, E., Soro, G., Amani Michel Kouassi, Kouadio, K. E., Oga Yéi, M.-S., & Soro, N. (2013). Hydroclimatologie et dynamique de l’occupation du sol du bassin versant du Haut Bandama à Tortiya (Nord de la Côte d’Ivoire). Institut des Sciences de l’Environnement, 13(3), 1-12.
https://doi.org/10.4000/vertigo.14468
25. Sur, K., Verma, V. K., Panwar, P., Shukla, G., Chakravarty, S., & Nath, A. J. (2024). Monitoring vegetation degradation in India using remote sensing and machine learning: A multisensor, multitemporal, and multiscale approach. Frontiers in Forests and Global Change, 7, 1382557. https://doi.org/10.3389/ffgc.2024.1382557
26. Smentek, A., Kaczmarek, A., Eksert, P., & Blachowski, J. (2025). Monitoring surface water dynamics in mining areas using remote sensing indices: Literature review and comparative analysis. Water, 17(19), 2826. https://doi.org/10.3390/w17192826
27. Tran, T. V., Reef, R., & Zhu, X. (2022). Revue des indices spectraux pour la télédétection des mangroves. Remote Sensing, 14(19), 4868. https://doi.org/10.3390/rs14194868
28. Nations Unies (2022) Eaux souterraines : rendre l’invisible visible. Rapport mondial des Nations Unies sur la mise en valeur des ressources en eau 2022. https://www.unwater.org/publications/un-world-water-development-report-2022/ . Consulté en Janvier 2026.
29. Yapi, Y. H. A., Dongui, B. K., Trokourey, A., Barima, Y. S. S., Essis, Y., & Atheba, P. (2014). Évaluation de la pollution métallique des eaux souterraines et de surface dans un environnement minier aurifère à Hiré (Côte d’Ivoire). International Journal of Biological and Chemical Sciences, 8(3), 1281–1289. https://doi.org/10.4314/ijbcs.v8i3.41
30. Yoboué, K. K. M. (2015). Tortiya, quand le diamant fait perdre la tête (Rapport). Groupe de Recherche et de Plaidoyer sur les Industries Extractives (GRPIE) & Partenariat Afrique Canada. https://impacttransform.org/wp-content/uploads/2017/09/GRPIE-and-PAC_Tortiya-November-2015.pdf . Consulté en décembre 2025
31. Zhang, J., Zhang, W., Mei, Y., & Yang, W. (2019). Geostatistical characterization of local accuracy for remote sensing land cover change classification using reference samples with complex configurations. Remote Sensing of Environment, 223, 63–81. https://doi.org/10.1016/j.rse.2019.01.008.
Copyright (c) 2026 Ahou Christiane Colombe Kra, Avy Stéphane Koffi, Kassi Olivier Shaw, Mohamed Jalal El Hamidi
This work is licensed under a Creative Commons Attribution 4.0 International License.
