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

Authors

  • Amadou Tidiane Dia Laboratoire Leïdi “Dynamique des Territoires et Développement”, Université Gaston Berger (UGB), Saint-Louis, Senegal

Keywords:

Erosion hydrique, ratio de fréquence, valeur informative, bassin versant, Ogo

Abstract

Le bassin versant de Ogo connait par 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 dans le but de 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 traiter, stocker et analyser 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, chose confirmer par l’approche descriptive des différentes formes d’érosions par la cartographie d’inventaire. Les classes de susceptibilité sont reparties de 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 taux 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.

References

Anna Malka, (2021= : Landslide susceptibility mapping of Gdynia

using geographic information system-based statistical models p. 37

Abderrazzak Es-Smairi, Brahim El Moutchou, Abdelouahed El

Ouazani Touhami, Mustapha Namous & Riyaz Ahmad MirA,

(2022) : Landslide susceptibility mapping using GIS-based bivariate

models in the Rif chain (northernmost Morocco) p.32

Abderrazzak Es-Smairi, Brahim El Moutchou, Riyaz Ahmad Mir,

Abdelouahed El Ouazani Touhami, Mustapha Namous, (2022) :

Spatial prediction of landslide susceptibility using Frequency Ration

(FR) and Shannon Entropy (SE) models: a case study from northern

Rif, Morocco. P. 30

Abhishek Ghosh, (2021) : Soil erosion susceptibility assessment

using logistic regression, decision tree and random forest: study

on the Mayurakshi river basin of Eastern India p. 16

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

:928–932. https://doi.org/10.1016/j.jenvman.2018.11.110

Arora A, Pandey M, Siddiqui MA, Hong H, Mishra VN (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)

Modeste Meliho, Abdellatif Khattabi, Joseph Asinyo, (2021) : Spatial

modeling of food susceptibility using machine learning algorithms p.

Sunil Saha, Raju Sarkar, Gautam Thapa, Jagabandhu Roy, (2021) :

Modeling gully erosion susceptibility in Phuentsholing, Bhutan using

deep learning and basic machine learning algorithms p. 21

Suhua Zhou, Syed Muntazir Abbas, Xin Tan, (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

Fatna Mahdadi, Abederrahmane Boumezbeur, Riheb Hadji, Debi

Prasanna Kanungo and Farid Zahri, (2018) : GIS-based landslide

susceptibility assessment using statistical models: a case study from

Souk Ahras province, N-E Algeria p. 21

Modeste Meliho, Abdellatif Khattabi and Nadia Mhammdi, (2018) :

A GIS-based approach for gully erosion susceptibility modelling

using bivariate statistics methods in the Ourika watershed, Morocco

p. 14

Allam Houssam et Boukercha, (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

Roukh Zine El Abidine, (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

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

:117–135

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

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

Pradhan B, (2009) : Flood susceptible mapping and risk area

delineation using logistic regression, GIS and remote sensing. J Spat

Hydrol 9:1–18

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.

02.436

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

Downloads

Published

2023-01-21

How to Cite

Dia, A. T. (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. ESI Preprints, 1, 435. Retrieved from https://esipreprints.org/index.php/esipreprints/article/view/273

Issue

Section

Preprints