Skip to contentKHARITA CHALLENGES LAUNCHđ Kharita Challenges is live â Solve real GIS challenges, build your skills, earn verifiable certifications, and showcase your work.
Explore Kharita Challenges Données ouvertesFrançais··16 min read·By Kharita
Occupation du sol au Maroc de 1985 Ă 2022 : 26 cartes GLC_FCS30D Ă 30 m
Explorez lâĂ©volution de lâoccupation du sol au Maroc de 1985 Ă 2022 avec GLC_FCS30D : 26 cartes Ă 30 m, 35 classes, changements urbains, agricoles et forestiers et mĂ©thodes dâanalyse dans QGIS.
âșSommaire29 sections29 sections
Entre 1985 et 2022, les villes marocaines se sont étendues, les périmÚtres 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 dâoccupation du sol Ă environ 30 mĂštres de rĂ©solution et 35 classes, produites principalement Ă partir des sĂ©ries 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.
GLC_FCS30D Maroc en quelques chiffres- Cartes disponibles
- 26
- Classes fines
- 35
- RĂ©solution nominale (m)
- 30
- Ăchantillons de validation mondiale
- 84âŻ526
GLC_FCS30D et préparation Kharita
Pourquoi cette série est intéressante
De nombreuses cartes mondiales dâoccupation du sol ne reprĂ©sentent quâune annĂ©e ou proposent une rĂ©solution spatiale relativement grossiĂšre.
GLC_FCS30D combine trois caractéristiques particuliÚrement 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 modÚles 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.
RĂ©partition des 26 cartes dans le tempsEn cartes
Calendrier de la collection GLC_FCS30D
➠Voir les données
| 1985, 1990 et 1995 | 3 |
|---|
| Cartes annuelles 2000â2022 | 23 |
|---|
Cette différence est importante avant toute analyse temporelle.
Avant 2000, on ne dispose pas dâune carte pour chaque annĂ©e.
à partir de 2000, la série devient annuelle et permet une lecture plus réguliÚre des changements.
Quelle est la précision du produit ?
Les auteurs ont Ă©valuĂ© la carte 2020 Ă lâaide de 84 526 Ă©chantillons de validation rĂ©partis Ă lâĂ©chelle mondiale.
Lâexactitude globale publiĂ©e atteint :
- 80,88 % lorsque la nomenclature est regroupée en 10 grands types ;
- 73,04 % pour 17 classes LCCS de niveau 1.
Exactitude globale publiée pour la carte 2020En %
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 ĂȘtre utilisĂ©es comme un repĂšre mĂ©thodologique, pas comme la prĂ©cision garantie de chaque pixel marocain.
Chaßne méthodologique publiée par les auteurs : séries Landsat, détection des changements, classification locale et optimisation temporelle.Zhang et al., Earth System Science Data, CC BY 4.0Le jeu de données en bref
| Propriété | Valeur |
|---|
| Producteur | Aerospace Information Research Institute, Chinese Academy of Sciences |
| Produit | GLC_FCS30D |
| Variable | classe dâoccupation du sol |
| PĂ©riode | 1985â2022 |
| Millésimes | 1985, 1990, 1995, puis chaque année de 2000 à 2022 |
| Nombre de cartes | 26 |
| RĂ©solution 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 premiĂšres cartes ne doivent pas ĂȘtre interprĂ©tĂ©es comme des photographies prises exactement en 1985, 1990 ou 1995.
Ă cause du nombre plus faible dâimages Landsat 5 disponibles, les auteurs ont regroupĂ© des observations dans une fenĂȘtre 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 dâaffirmer quâune transition observĂ©e entre les cartes 1990 et 1995 sâest produite prĂ©cisĂ©ment en 1995.
Ă partir de 2000, les fichiers sont annuels et offrent une lecture temporelle plus fine. Ils restent nĂ©anmoins des classifications produites Ă partir dâun ensemble dâobservations et non des photographies correspondant Ă une date unique.
Chaque pixel contient un code de classe, et non une quantité physique.
Le code 190 signifie par exemple surface impermĂ©able et bĂątie, tandis que 210 correspond Ă un plan dâeau.
Une valeur de 210 nâest donc pas supĂ©rieure Ă une valeur de 190 au sens physique.
Les nombres servent uniquement dâidentifiants de classes.
Les principales familles dâoccupation du sol
| Codes | Famille | Exemples de classes |
|---|
| 10â20 | agriculture | cultures pluviales, vergers, cultures irriguĂ©es |
| 51â92 | forĂȘts | feuillus, conifĂšres, peuplements mixtes, ouverts ou fermĂ©s |
| 120â122 | formations arbustives | arbustif sempervirent ou caducifoliĂ© |
| 130â153 | herbacĂ©es et vĂ©gĂ©tation clairsemĂ©e | prairies, lichens, couvert clairsemĂ© |
| 181â187 | zones humides | marais, plaine inondĂ©e, mangrove, estran |
| 190 | surfaces imperméables | bùtiments, routes et autres surfaces artificielles |
| 200â202 | terrains nus | surfaces consolidĂ©es ou non consolidĂ©es |
| 210 | eau | plans dâeau permanents de lâannĂ©e considĂ©rĂ©e |
| 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.
Une erreur classique consiste Ă soustraire directement les codes des pixels.
Ce calcul nâa aucune signification thĂ©matique.
Une transition entre le code 190 et le code 210 signifie seulement quâun pixel classĂ© comme surface impermĂ©able Ă la premiĂšre date est classĂ© comme eau Ă la seconde.
Pour Ă©tudier les changements, il faut construire une matrice de transition.
Elle permet par exemple de compter les passages :
- culture pluviale â surface impermĂ©able ;
- forĂȘt fermĂ©e â formation arbustive ;
- terrain nu â culture irriguĂ©e ;
- plan dâeau â zone humide ;
- zone humide â plan dâeau.
Workflow recommandé
- Choisir deux millésimes réellement disponibles.
- VĂ©rifier que les deux rasters utilisent exactement la mĂȘme 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 dĂ©tail nâest pas nĂ©cessaire.
Le rééchantillonnage doit utiliser le plus proche voisin.
Une interpolation bilinéaire créerait des valeurs intermédiaires qui ne correspondent à aucune classe réelle.
IntensitĂ© des changements et bilan global des grandes classes entre 1985 et 2022 dans lâĂ©tude source. Les rĂ©sultats marocains prĂ©sentĂ©s ci-dessous ont Ă©tĂ© recalculĂ©s uniquement sur lâemprise nationale.Zhang et al., Earth System Science Data, CC BY 4.0Que 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 mĂ©trique reprĂ©sente 900 mÂČ.
La surface classĂ©e analysĂ©e atteint environ 682 676 kmÂČ pour chacun des deux millĂ©simes.
| Grande famille | Surface 1985 | Surface 2022 | Ăvolution dĂ©rivĂ©e |
|---|
| surfaces impermĂ©ables | 558,0 kmÂČ | 2 891,5 kmÂČ | +2 333,5 kmÂČ (+418,2 %) |
| forĂȘts | 16 208,1 kmÂČ | 14 183,8 kmÂČ | â2 024,3 kmÂČ (â12,5 %) |
| formations arbustives | 15 967,2 kmÂČ | 17 813,0 kmÂČ | +1 845,8 kmÂČ (+11,6 %) |
| terrains nus | 400 035,6 kmÂČ | 398 317,8 kmÂČ | â1 717,8 kmÂČ (â0,4 %) |
| cultures | 91 713,6 kmÂČ | 90 618,0 kmÂČ | â1 095,6 kmÂČ (â1,2 %) |
Le tableau donne les valeurs absolues. Le graphique suivant permet de voir plus directement le sens et lâampleur du changement net.
Ăvolution nette des principales familles entre 1985 et 2022En kmÂČ
Analyse Kharita de GLC_FCS30D aprĂšs reprojection EPSG:6933 et exclusion des valeurs de remplissage
➠Voir les données
| Surfaces impermĂ©ables | 2âŻ333,5 |
|---|
| ForĂȘts | -2âŻ024,3 |
|---|
| Formations arbustives | 1âŻ845,8 |
|---|
| Terrains nus | -1âŻ717,8 |
|---|
| Cultures | -1âŻ095,6 |
|---|
Le changement le plus spectaculaire en proportion concerne les surfaces imperméables.
Elles passent dâenviron 558 kmÂČ en 1985 Ă 2 891,5 kmÂČ en 2022 dans le produit classifiĂ©.
Expansion des surfaces impermĂ©ables classifiĂ©esEn kmÂČ
Analyse Kharita de GLC_FCS30D, comparaison 1985â2022
➠Voir les données
Cela reprĂ©sente une augmentation dĂ©rivĂ©e dâenviron 2 333,5 kmÂČ, soit +418,2 % par rapport Ă la valeur de dĂ©part.
Cette forte augmentation est cohĂ©rente avec lâexpansion des agglomĂ©rations et des infrastructures, mais le pourcentage est Ă©galement amplifiĂ© par une surface initiale relativement faible.
Il ne faut pas interpréter chaque changement de classe comme une transformation réelle certaine.
Le groupe forestier passe dâenviron 16 208,1 kmÂČ en 1985 Ă 14 183,8 kmÂČ en 2022, soit une Ă©volution nette de â2 024,3 kmÂČ dans le produit classifiĂ©.
Cela ne signifie pas automatiquement que 2 024 kmÂČ de forĂȘt ont Ă©tĂ© dĂ©finitivement dĂ©boisĂ©s.
Une partie des pixels peut avoir été reclassée vers :
- forĂȘt ouverte ;
- formation arbustive ;
- végétation clairsemée ;
- autre classe proche.
Des différences de classification entre années peuvent également intervenir.
La matrice dĂ©taillĂ©e des transitions et lâexamen dâimages satellites restent donc indispensables avant dâattribuer une cause au changement.
Les formations arbustives passent dâenviron 15 967,2 kmÂČ Ă 17 813 kmÂČ.
LâĂ©volution nette est de +1 845,8 kmÂČ, soit environ +11,6 %.
Cette évolution est particuliÚrement intéressante à examiner avec le recul du groupe forestier.
Mais elle ne suffit pas Ă dĂ©montrer quâune forĂȘt sâest transformĂ©e en formation arbustive : seule la matrice pixel par pixel des transitions permet de mesurer ce passage prĂ©cis.
Les terrains nus dominent largement la surface classifiée
Les terrains nus couvrent environ :
- 400 035,6 kmÂČ en 1985 ;
- 398 317,8 kmÂČ en 2022.
La variation nette nâest que de â0,4 %.
Cette domination explique aussi pourquoi il serait peu lisible de placer les surfaces absolues de toutes les familles dans un mĂȘme graphique : les terrains nus Ă©craseraient visuellement les catĂ©gories beaucoup plus petites.
Le graphique dâĂ©volution nette permet une comparaison plus utile.
Les cultures restent relativement stables Ă lâĂ©chelle nationale
Les surfaces regroupĂ©es dans la famille des cultures passent dâenviron 91 713,6 kmÂČ Ă 90 618 kmÂČ.
LâĂ©volution nette est de â1 095,6 kmÂČ, soit environ â1,2 %.
Ce bilan national masque cependant les transitions locales.
Une surface agricole peut disparaĂźtre dans une rĂ©gion tandis quâune autre apparaĂźt 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.
- ni lâinventaire 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 dâusage pour le Maroc
Mesurer lâexpansion urbaine
La classe 190 permet dâĂ©tudier lâaugmentation des surfaces impermĂ©ables autour des grandes agglomĂ©rations et des villes intermĂ©diaires.
Une analyse sérieuse doit distinguer une tendance persistante des petites oscillations de classification.
Les rĂ©sultats peuvent ensuite ĂȘtre comparĂ©s Ă des limites urbaines et Ă des images satellites Ă plus haute rĂ©solution.
Suivre les transitions agricoles
La distinction entre cultures pluviales, cultures irriguées et cultures arborées est particuliÚrement utile.
GLC_FCS30D peut ĂȘtre croisĂ© avec :
- CHIRPS pour les précipitations ;
- ERA5-Land pour lâhumiditĂ© du sol ;
- les sĂ©ries dâĂ©vaporation ;
- MODIS pour lâĂ©vapotranspiration ;
- des donnĂ©es dâirrigation.
Lâobjectif nâest pas de conclure automatiquement quâun changement climatique provoque un changement agricole, mais de repĂ©rer des relations spatiales et temporelles Ă examiner.
Mettre les pertes arborées Hansen en contexte
Hansen indique lâannĂ©e dâune perte brute de couvert arborĂ©, mais ne prĂ©cise pas nĂ©cessairement ce qui remplace les arbres.
GLC_FCS30D peut aider à rechercher si une zone est ensuite classée comme :
- culture ;
- formation arbustive ;
- terrain nu ;
- surface bĂątie.
Les deux produits utilisent toutefois des méthodes et des nomenclatures différentes.
Leur intersection permet dâorienter lâanalyse, pas de prouver seule la cause dâune 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 rĂ©elle du niveau de lâeau ;
- la saison des observations ;
- une différence entre images utilisées ;
- une confusion spectrale.
Ces changements doivent ĂȘtre confrontĂ©s Ă des sĂ©ries hydrologiques ou Ă des images datĂ©es.
Ătudier les paysages arides des rĂ©gions du Sud
Dans les milieux arides et semi-arides, la frontiĂšre entre :
- terrain nu ;
- végétation clairsemée ;
- herbacées ;
- formations arbustives
peut évoluer avec la pluie et la phénologie.
Une oscillation sur une seule annĂ©e ne doit donc pas automatiquement ĂȘtre interprĂ©tĂ©e comme un changement durable de lâoccupation du sol.
Il vaut mieux rechercher des tendances persistantes sur plusieurs années.
Combiner GLC_FCS30D, Esri et Dynamic World
GLC_FCS30D nâest pas le seul produit disponible pour Ă©tudier lâoccupation du sol.
Les sĂ©ries peuvent ĂȘtre complĂ©mentaires :
- GLC_FCS30D : 1985â2022, 30 m, 35 classes ;
- Esri Impact Observatory Land Cover : 2017â2025, 10 m, neuf classes simples ;
- Google Dynamic World : disponible depuis juin 2015, 10 m et probabilités de classes issues de Sentinel-2.
RĂ©solution nominale de trois produits dâoccupation du solEn 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 rĂ©solution nâest cependant quâune 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 aprÚs 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.
- Ă©tablir une correspondance entre les nomenclatures ;
- harmoniser la rĂ©solution dâanalyse ;
- comparer les produits pendant leurs années communes ;
- mesurer leurs désaccords ;
- dĂ©cider quelles transitions sont suffisamment fiables pour lâĂ©tude.
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.
- Nâutilisez pas un dĂ©gradĂ© continu : les nombres sont des classes, pas des quantitĂ©s.
Comparer deux années
Pour construire une matrice de changement, créez par exemple un identifiant de transition :
classe_1985 * 1000 + classe_2022
Un pixel possĂ©dant le code 10 en 1985 et 190 en 2022 obtient ainsi un identifiant diffĂ©rent dâun pixel passant de 190 Ă 10.
Vous pouvez ensuite calculer une table de fréquence pour tous les identifiants de transition.
Calculer les surfaces
Les rasters doivent ĂȘtre reprojetĂ©s dans un systĂšme appropriĂ© avant de convertir des pixels en hectares ou kilomĂštres carrĂ©s.
Ă 30 m, un pixel reprĂ©sente approximativement 900 mÂČ uniquement dans une grille rĂ©ellement mĂ©trique Ă 30 Ă 30 m.
Dans un raster en coordonnĂ©es gĂ©ographiques, la taille au sol dâun pixel exprimĂ© en degrĂ©s varie avec la latitude.
Il ne faut donc pas multiplier directement tous les pixels dâun fichier en degrĂ©s par 900 mÂČ.
Limites Ă 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 phĂ©nologie peuvent modifier fortement lâapparence de la vĂ©gĂ©tation.
- Avant 2000, les cartes sont espacĂ©es de cinq ans et utilisent des fenĂȘtres pluriannuelles dâobservation.
- La sĂ©rie sâarrĂȘte en 2022 et ne documente pas directement les changements de 2023 Ă 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 ĂȘtre vĂ©rifiĂ©e sur lâimagerie et, pour une dĂ©cision opĂ©rationnelle, Ă partir dâinformations locales.
Ă retenir
GLC_FCS30D apporte surtout trois choses Ă lâanalyse 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, grùce à des cartes produites avec une méthodologie cohérente.
Le calcul national 1985â2022 montre notamment une forte progression des surfaces classĂ©es comme impermĂ©ables, ainsi que des Ă©volutions 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
Attribution recommandĂ©e : Zhang et al. / Aerospace Information Research Institute, Chinese Academy of Sciences, GLC_FCS30D 1985â2022, CC BY 4.0, DOI 10.5281/zenodo.8239305.
Les figures utilisĂ©es dans cet article proviennent de lâarticle scientifique de Zhang et al. publiĂ© sous licence CC BY 4.0.
