Occupation du sol au Maroc de 1985 à 2022 : 26 cartes GLC_FCS30D à 30 m
Explorez l’évolution de l’occupation du sol au Maroc de 1985 à 2022 avec GLC_FCS30D : 26 cartes à 30 m, 35 classes, changements urbains, agricoles et forestiers et méthodes d’analyse dans QGIS.
Entre 1985 et 2022, les villes marocaines se sont étendues, les périmètres agricoles ont évolué et les paysages forestiers, pastoraux et arides ont connu des transformations parfois lentes, parfois beaucoup plus visibles.
Pour les étudier sur plusieurs décennies, il faut disposer de cartes comparables dans le temps.
GLC_FCS30D apporte cette profondeur historique avec 26 cartes d’occupation du sol à environ 30 mètres de résolution et 35 classes, produites principalement à partir des séries Landsat.
La collection publiée sur Kharita couvre une emprise nationale continue du Maroc, régions du Sud incluses. Elle contient les millésimes 1985, 1990 et 1995, puis une carte pour chaque année de 2000 à 2022.
- Cartes disponibles
- 26
- Classes fines
- 35
- Résolution nominale (m)
- 30
- Échantillons de validation mondiale
- 84 526
GLC_FCS30D et préparation Kharita
جارٍ تحميل الخريطة…
Pourquoi cette série est intéressante
De nombreuses cartes mondiales d’occupation du sol ne représentent qu’une année ou proposent une résolution spatiale relativement grossière.
GLC_FCS30D combine trois caractéristiques particulièrement intéressantes pour une analyse historique :
- une résolution nominale de 30 m ;
- une nomenclature détaillée de 35 classes ;
- une série couvrant 1985 à 2022.
Le produit exploite les observations Landsat disponibles, une détection continue des changements, des modèles de classification adaptés localement et une optimisation de la cohérence temporelle.
Les surfaces imperméables et les zones humides sont également renforcées par des produits thématiques spécifiques.
26 cartes, mais pas 26 années consécutives
Le calendrier est important.
Les cartes disponibles sont :
- 1985 ;
- 1990 ;
- 1995 ;
- puis chaque année de 2000 à 2022.
Cela représente 3 cartes historiques avant 2000 et 23 cartes annuelles entre 2000 et 2022.
En cartes
Calendrier de la collection GLC_FCS30D
▸ Voir les données
| 1985, 1990 et 1995 | 3 |
|---|---|
| Cartes annuelles 2000–2022 | 23 |
Cette différence est importante avant toute analyse temporelle.
Avant 2000, on ne dispose pas d’une carte pour chaque année.
À partir de 2000, la série devient annuelle et permet une lecture plus régulière des changements.
Quelle est la précision du produit ?
Les auteurs ont évalué la carte 2020 à l’aide de 84 526 échantillons de validation répartis à l’échelle mondiale.
L’exactitude globale publiée atteint :
- 80,88 % lorsque la nomenclature est regroupée en 10 grands types ;
- 73,04 % pour 17 classes LCCS de niveau 1.
En %
Zhang et al., Earth System Science Data, validation mondiale de GLC_FCS30D
▸ Voir les données
| 10 grands types | 80,88 |
|---|---|
| 17 classes LCCS | 73,04 |
Ces valeurs ne constituent pas une validation spécifique au Maroc.
Elles indiquent les performances globales du produit et doivent être utilisées comme un repère méthodologique, pas comme la précision garantie de chaque pixel marocain.
Le jeu de données en bref
| Propriété | Valeur |
|---|---|
| Producteur | Aerospace Information Research Institute, Chinese Academy of Sciences |
| Produit | GLC_FCS30D |
| Variable | classe d’occupation du sol |
| Période | 1985–2022 |
| Millésimes | 1985, 1990, 1995, puis chaque année de 2000 à 2022 |
| Nombre de cartes | 26 |
| Résolution nominale | 30 m |
| Source satellitaire principale | Landsat 5, 7, 8 et 9 |
| Nomenclature | 35 classes fines |
| Type de pixel | entier catégoriel UInt8 |
| Couverture | Maroc complet et continu, régions du Sud incluses |
| Licence | CC BY 4.0 |
| DOI du dataset | 10.5281/zenodo.8239305 |
Attention au calendrier avant 2000
Les trois premières cartes ne doivent pas être interprétées comme des photographies prises exactement en 1985, 1990 ou 1995.
À cause du nombre plus faible d’images Landsat 5 disponibles, les auteurs ont regroupé des observations dans une fenêtre de cinq ans autour des dates nominales.
La carte 1995, par exemple, mobilise des images acquises approximativement entre 1993 et 1997.
Il serait donc incorrect d’affirmer qu’une transition observée entre les cartes 1990 et 1995 s’est produite précisément en 1995.
À partir de 2000, les fichiers sont annuels et offrent une lecture temporelle plus fine. Ils restent néanmoins des classifications produites à partir d’un ensemble d’observations et non des photographies correspondant à une date unique.
Comment lire les pixels ?
Chaque pixel contient un code de classe, et non une quantité physique.
Le code 190 signifie par exemple surface imperméable et bâtie, tandis que 210 correspond à un plan d’eau.
Une valeur de 210 n’est donc pas supérieure à une valeur de 190 au sens physique.
Les nombres servent uniquement d’identifiants de classes.
Les principales familles d’occupation du sol
| Codes | Famille | Exemples de classes |
|---|---|---|
| 10–20 | agriculture | cultures pluviales, vergers, cultures irriguées |
| 51–92 | forêts | feuillus, conifères, peuplements mixtes, ouverts ou fermés |
| 120–122 | formations arbustives | arbustif sempervirent ou caducifolié |
| 130–153 | herbacées et végétation clairsemée | prairies, lichens, couvert clairsemé |
| 181–187 | zones humides | marais, plaine inondée, mangrove, estran |
| 190 | surfaces imperméables | bâtiments, routes et autres surfaces artificielles |
| 200–202 | terrains nus | surfaces consolidées ou non consolidées |
| 210 | eau | plans d’eau permanents de l’année considérée |
| 220 | neige et glace | couverture permanente classifiée |
Les valeurs 0 et 250 sont des valeurs de remplissage et ne représentent aucune occupation du sol.
La légende bilingue jointe aux fichiers fournit pour chaque code son nom français, son nom anglais et sa couleur.
Comment comparer correctement deux années ?
Une erreur classique consiste à soustraire directement les codes des pixels.
Par exemple :
210 - 190 = 20
Ce calcul n’a aucune signification thématique.
Une transition entre le code 190 et le code 210 signifie seulement qu’un pixel classé comme surface imperméable à la première date est classé comme eau à la seconde.
Pour étudier les changements, il faut construire une matrice de transition.
Elle permet par exemple de compter les passages :
- culture pluviale → surface imperméable ;
- forêt fermée → formation arbustive ;
- terrain nu → culture irriguée ;
- plan d’eau → zone humide ;
- zone humide → plan d’eau.
Workflow recommandé
- Choisir deux millésimes réellement disponibles.
- Vérifier que les deux rasters utilisent exactement la même grille.
- Exclure les valeurs de remplissage.
- Croiser le code initial et le code final de chaque pixel.
- Construire une table des transitions.
- Calculer les surfaces dans une projection métrique adaptée.
- Examiner les transitions importantes avec Landsat, Sentinel-2 ou une autre source indépendante.
- Regrouper les 35 classes en grandes familles lorsque le niveau de détail n’est pas nécessaire.
Le rééchantillonnage doit utiliser le plus proche voisin.
Une interpolation bilinéaire créerait des valeurs intermédiaires qui ne correspondent à aucune classe réelle.
Que montre le calcul national entre 1985 et 2022 ?
Pour comparer les deux extrémités de la série, les cartes 1985 et 2022 ont été reprojetées au plus proche voisin dans la projection équivalente EPSG:6933, sur une grille de 30 m.
Les valeurs de remplissage ont été exclues.
Chaque pixel valide de cette grille métrique représente 900 m².
La surface classée analysée atteint environ 682 676 km² pour chacun des deux millésimes.
| Grande famille | Surface 1985 | Surface 2022 | Évolution dérivée |
|---|---|---|---|
| surfaces imperméables | 558,0 km² | 2 891,5 km² | +2 333,5 km² (+418,2 %) |
| forêts | 16 208,1 km² | 14 183,8 km² | −2 024,3 km² (−12,5 %) |
| formations arbustives | 15 967,2 km² | 17 813,0 km² | +1 845,8 km² (+11,6 %) |
| terrains nus | 400 035,6 km² | 398 317,8 km² | −1 717,8 km² (−0,4 %) |
| cultures | 91 713,6 km² | 90 618,0 km² | −1 095,6 km² (−1,2 %) |
Le tableau donne les valeurs absolues. Le graphique suivant permet de voir plus directement le sens et l’ampleur du changement net.
En km²
Analyse Kharita de GLC_FCS30D après reprojection EPSG:6933 et exclusion des valeurs de remplissage
▸ Voir les données
| Surfaces imperméables | 2 333,5 |
|---|---|
| Forêts | -2 024,3 |
| Formations arbustives | 1 845,8 |
| Terrains nus | -1 717,8 |
| Cultures | -1 095,6 |
Le changement le plus spectaculaire en proportion concerne les surfaces imperméables.
Elles passent d’environ 558 km² en 1985 à 2 891,5 km² en 2022 dans le produit classifié.
En km²
Analyse Kharita de GLC_FCS30D, comparaison 1985–2022
▸ Voir les données
| 1985 | 558 |
|---|---|
| 2022 | 2 891,5 |
Cela représente une augmentation dérivée d’environ 2 333,5 km², soit +418,2 % par rapport à la valeur de départ.
Cette forte augmentation est cohérente avec l’expansion des agglomérations et des infrastructures, mais le pourcentage est également amplifié par une surface initiale relativement faible.
Il ne faut pas interpréter chaque changement de classe comme une transformation réelle certaine.
Comment interpréter le recul des forêts ?
Le groupe forestier passe d’environ 16 208,1 km² en 1985 à 14 183,8 km² en 2022, soit une évolution nette de −2 024,3 km² dans le produit classifié.
Cela ne signifie pas automatiquement que 2 024 km² de forêt ont été définitivement déboisés.
Une partie des pixels peut avoir été reclassée vers :
- forêt ouverte ;
- formation arbustive ;
- végétation clairsemée ;
- autre classe proche.
Des différences de classification entre années peuvent également intervenir.
La matrice détaillée des transitions et l’examen d’images satellites restent donc indispensables avant d’attribuer une cause au changement.
Les formations arbustives progressent dans la classification
Les formations arbustives passent d’environ 15 967,2 km² à 17 813 km².
L’évolution nette est de +1 845,8 km², soit environ +11,6 %.
Cette évolution est particulièrement intéressante à examiner avec le recul du groupe forestier.
Mais elle ne suffit pas à démontrer qu’une forêt s’est transformée en formation arbustive : seule la matrice pixel par pixel des transitions permet de mesurer ce passage précis.
Les terrains nus dominent largement la surface classifiée
Les terrains nus couvrent environ :
- 400 035,6 km² en 1985 ;
- 398 317,8 km² en 2022.
La variation nette n’est que de −0,4 %.
Cette domination explique aussi pourquoi il serait peu lisible de placer les surfaces absolues de toutes les familles dans un même graphique : les terrains nus écraseraient visuellement les catégories beaucoup plus petites.
Le graphique d’évolution nette permet une comparaison plus utile.
Les cultures restent relativement stables à l’échelle nationale
Les surfaces regroupées dans la famille des cultures passent d’environ 91 713,6 km² à 90 618 km².
L’évolution nette est de −1 095,6 km², soit environ −1,2 %.
Ce bilan national masque cependant les transitions locales.
Une surface agricole peut disparaître dans une région tandis qu’une autre apparaît ailleurs.
Une analyse agricole pertinente doit donc examiner les transitions spatiales, pas seulement comparer deux totaux nationaux.
Ces chiffres ne sont pas des statistiques officielles
Les surfaces présentées ici sont des statistiques dérivées du produit GLC_FCS30D classifié.
Elles ne remplacent :
- ni l’inventaire forestier national ;
- ni les statistiques agricoles officielles ;
- ni les données cadastrales ;
- ni les statistiques urbaines officielles.
Elles permettent surtout :
- de détecter des tendances ;
- de repérer des territoires ayant beaucoup changé ;
- de sélectionner des zones pour une analyse plus détaillée ;
- de comparer plusieurs périodes avec une méthodologie cohérente.
Cas d’usage pour le Maroc
Mesurer l’expansion urbaine
La classe 190 permet d’étudier l’augmentation des surfaces imperméables autour des grandes agglomérations et des villes intermédiaires.
Une analyse sérieuse doit distinguer une tendance persistante des petites oscillations de classification.
Les résultats peuvent ensuite être comparés à des limites urbaines et à des images satellites à plus haute résolution.
Suivre les transitions agricoles
La distinction entre cultures pluviales, cultures irriguées et cultures arborées est particulièrement utile.
GLC_FCS30D peut être croisé avec :
- CHIRPS pour les précipitations ;
- ERA5-Land pour l’humidité du sol ;
- les séries d’évaporation ;
- MODIS pour l’évapotranspiration ;
- des données d’irrigation.
L’objectif n’est pas de conclure automatiquement qu’un changement climatique provoque un changement agricole, mais de repérer des relations spatiales et temporelles à examiner.
Mettre les pertes arborées Hansen en contexte
Hansen indique l’année d’une perte brute de couvert arboré, mais ne précise pas nécessairement ce qui remplace les arbres.
GLC_FCS30D peut aider à rechercher si une zone est ensuite classée comme :
- culture ;
- formation arbustive ;
- terrain nu ;
- surface bâtie.
Les deux produits utilisent toutefois des méthodes et des nomenclatures différentes.
Leur intersection permet d’orienter l’analyse, pas de prouver seule la cause d’une transformation.
Observer les zones humides et les retenues
La nomenclature distingue plusieurs types de zones humides.
Dans les estuaires, lagunes, sebkhas ou retenues, une transition entre eau et zone humide peut refléter :
- une variation réelle du niveau de l’eau ;
- la saison des observations ;
- une différence entre images utilisées ;
- une confusion spectrale.
Ces changements doivent être confrontés à des séries hydrologiques ou à des images datées.
Étudier les paysages arides des régions du Sud
Dans les milieux arides et semi-arides, la frontière entre :
- terrain nu ;
- végétation clairsemée ;
- herbacées ;
- formations arbustives
peut évoluer avec la pluie et la phénologie.
Une oscillation sur une seule année ne doit donc pas automatiquement être interprétée comme un changement durable de l’occupation du sol.
Il vaut mieux rechercher des tendances persistantes sur plusieurs années.
Combiner GLC_FCS30D, Esri et Dynamic World
GLC_FCS30D n’est pas le seul produit disponible pour étudier l’occupation du sol.
Les séries peuvent être complémentaires :
- GLC_FCS30D : 1985–2022, 30 m, 35 classes ;
- Esri Impact Observatory Land Cover : 2017–2025, 10 m, neuf classes simples ;
- Google Dynamic World : disponible depuis juin 2015, 10 m et probabilités de classes issues de Sentinel-2.
En m
GLC_FCS30D, Esri Impact Observatory Land Cover et Google Dynamic World
▸ Voir les données
| GLC_FCS30D | 30 |
|---|---|
| Esri Land Cover | 10 |
| Dynamic World | 10 |
La résolution n’est cependant qu’une partie du choix.
GLC_FCS30D offre une profondeur historique beaucoup plus importante et une nomenclature fine.
Les produits à 10 m apportent davantage de détail spatial sur les années récentes.
Pour prolonger une analyse historique après 2022, on peut donc utiliser GLC_FCS30D pour la période longue puis comparer les années récentes avec Esri ou Dynamic World.
Il ne faut toutefois pas simplement concaténer les séries.
Il faut d’abord :
- établir une correspondance entre les nomenclatures ;
- harmoniser la résolution d’analyse ;
- comparer les produits pendant leurs années communes ;
- mesurer leurs désaccords ;
- décider quelles transitions sont suffisamment fiables pour l’étude.
Utilisation dans QGIS
Afficher une année
- Ajoutez le COG correspondant au millésime choisi.
- Utilisez un rendu Palettisé / valeurs uniques.
- Importez la légende fournie avec les codes et leurs couleurs.
- N’utilisez pas un dégradé continu : les nombres sont des classes, pas des quantités.
Comparer deux années
Pour construire une matrice de changement, créez par exemple un identifiant de transition :
classe_1985 * 1000 + classe_2022
Un pixel possédant le code 10 en 1985 et 190 en 2022 obtient ainsi un identifiant différent d’un pixel passant de 190 à 10.
Vous pouvez ensuite calculer une table de fréquence pour tous les identifiants de transition.
Calculer les surfaces
Les rasters doivent être reprojetés dans un système approprié avant de convertir des pixels en hectares ou kilomètres carrés.
À 30 m, un pixel représente approximativement 900 m² uniquement dans une grille réellement métrique à 30 × 30 m.
Dans un raster en coordonnées géographiques, la taille au sol d’un pixel exprimé en degrés varie avec la latitude.
Il ne faut donc pas multiplier directement tous les pixels d’un fichier en degrés par 900 m².
Limites à respecter
- Une classe est une estimation algorithmique, pas un relevé cadastral.
- Les exactitudes publiées sont globales et ne constituent pas une validation spécifique au Maroc.
- La précision varie selon les classes et les régions.
- Les changements entre classes proches peuvent refléter une confusion de classification.
- En milieu aride, pluie et phénologie peuvent modifier fortement l’apparence de la végétation.
- Avant 2000, les cartes sont espacées de cinq ans et utilisent des fenêtres pluriannuelles d’observation.
- La série s’arrête en 2022 et ne documente pas directement les changements de 2023 à 2026.
- Une résolution de 30 m ne permet pas de décrire systématiquement une petite parcelle, une route étroite ou un bosquet isolé.
- Une transition importante doit être vérifiée sur l’imagerie et, pour une décision opérationnelle, à partir d’informations locales.
À retenir
GLC_FCS30D apporte surtout trois choses à l’analyse territoriale du Maroc :
la profondeur historique, avec une série qui commence en 1985 ;
le niveau de détail thématique, avec 35 classes ;
la possibilité de mesurer des transitions, grâce à des cartes produites avec une méthodologie cohérente.
Le calcul national 1985–2022 montre notamment une forte progression des surfaces classées comme imperméables, ainsi que des évolutions dans les groupes forestiers, arbustifs, agricoles et de terrains nus.
Ces résultats constituent des signaux géographiques à analyser, et non des statistiques administratives définitives.
Sources et attribution
- GLC_FCS30D — dépôt officiel Zenodo et fichiers source
- Article scientifique dans Earth System Science Data
- DOI de l’article et méthodologie
- Guide utilisateur officiel GLC_FCS30D
Attribution recommandée : Zhang et al. / Aerospace Information Research Institute, Chinese Academy of Sciences, GLC_FCS30D 1985–2022, CC BY 4.0, DOI 10.5281/zenodo.8239305.
Les figures utilisées dans cet article proviennent de l’article scientifique de Zhang et al. publié sous licence CC BY 4.0.
نقاش