Introduction

1Les forêts tropicales, autrefois couvrant 12 % de la surface terrestre, occupent moins de 6 % depuis le début du 21e siècle (Brandon, 2014). Malgré cette réduction, elles hébergent environ les deux tiers de la biodiversité mondiale et procurent des avantages essentiels au bien-être humain à tous les niveaux — local, régional et global (Gardner et al., 2009). Cependant, les activités humaines ont entraîné une déforestation et une dégradation des forêts, provoquant un taux d'extinction des espèces 100 fois supérieur au rythme naturel au cours du siècle dernier (Ceballos et al., 2015). Ainsi, les aires protégées sont cruciales pour la conservation de la biodiversité des forêts tropicales face à cette menace (Havyarimana et al., 2017). Pourtant, seulement environ 10 % du biome des forêts tropicales se trouve dans des zones strictement protégées (Schmitt et al., 2009). De plus, la viabilité à long terme de ces réserves est fortement influencée par les activités humaines dans les zones adjacentes (Wittemyer et al., 2008). L'avenir des espèces forestières tropicales reste donc incertain, d'autant plus que peu de régions des tropiques ont échappé aux impacts humains (Kareiva et al., 2007). En Afrique subsaharienne, les forêts du bassin du Congo qui constituent le deuxième plus grand écosystème forestier tropical après l'Amazonie, n'échappe pas à cette tendance.

2En effet, ce bassin soutient les moyens de subsistance de 60 millions de personnes qui y vivent ou résident à proximité (de Wasseige, 2014). Cependant, les activités humaines dans cette région entraînent une déforestation représentant 0,15 % de la surface forestière du bassin du Congo, contre 0,51 % en Amérique tropicale et 0,58 % en Asie tropicale (Bellassen et Gitz, 2008). En République Démocratique du Congo (RDC), qui possède environ 152 millions d’hectares de forêts (60 % du territoire), ces forêts sont capables de stocker 140 Gt (Gigatonne) de CO2 (Potapov et al., 2012). Cependant, elles sont menacées principalement par l’agriculture sur brûlis et l’exploitation pour le bois de chauffe (Misser, 2013 ; Useni et al., 2017).

3Pour conserver sa riche biodiversité, la RDC a établi un réseau de 51 aires protégées couvrant environ 11 % du territoire national (Pélissier et al., 2015). Ces aires protégées font face à des problèmes récurrents de gestion et de durabilité des ressources (Doumenge et al., 2015). De nombreuses études révèlent que les menaces sur les aires protégées sont principalement dues aux activités anthropiques (Kyale et al., 2019 ; Useni et al., 2020 ; Mangaza et al., 2022). Les pratiques agricoles non durables, l’exploitation forestière industrielle et artisanale, ainsi que la chasse, sont identifiées comme les principaux moteurs de la déforestation en RDC. Ces transformations se manifestent par des changements dans la structure du paysage et une perte progressive de biodiversité (Kalambay et al., 2016).

4La pression sur la diversité biologique est particulièrement forte dans les zones à populations pauvres. Le défi de la gestion durable des aires protégées est lié à la compréhension de la dynamique des paysages, afin de trouver un compromis entre la préservation de l’environnement et la survie des communautés riveraines (Potapov et al., 2012 ; Wabasa, 2017 ; Useni et al., 2020). Cette question est cruciale pour le Parc national de la Salonga (PNS) en RDC, le plus grand parc forestier d’Afrique (36 000 km²).

5Des études antérieures ont examiné l'impact des activités humaines dans le PNS sur les ressources naturelles via des enquêtes ou inventaires (WCS, 2014 ; Wabasa, 2017 ; Tingu et al., 2019). Cependant, peu ont abordé les changements dans la dynamique paysagère des forêts primaires du PNS qui sont des écosystèmes naturels préservés de toute perturbation significative d'origine humaine depuis plusieurs siècles, favorisant l'émergence d'une biodiversité mature et stable. Les avancées en imagerie satellite et en apprentissage automatique facilitent désormais cette analyse, permettant une étude plus précise des changements environnementaux au fil du temps (Crowley et Cardille, 2020). Bien que cette approche ait été utilisée dans diverses aires protégées en RDC (Kalambay et al., 2016 ; Kisangala et al., 2019 ; Kyale et al., 2019 ; Useni et al., 2020) et en Afrique (Soulama et al., 2015), son application dans la Salonga a été entravée par des nuages, nécessitant des corrections d'images significatives. Malgré ces défis, de telles analyses sont cruciales pour mieux comprendre l'impact des activités humaines dans la région et orienter les décisions de gestion à long terme des ressources naturelles.

6Cette étude vise à quantifier la dynamique spatio-temporelle du paysage dans le bloc sud du PNS entre 2002 et 2020, et à analyser l'impact des villages sur cette évolution. Cet objectif permet de tester l'hypothèse selon laquelle le développement des activités agricoles dans le PNS entraîne une modification de la structure spatiale par la régression de la couverture de forêt primaire. De plus, l'étude vérifie si la présence des villages contribue à cette régression, avec une diminution progressive de la disparition de la forêt primaire à mesure que l'on s'éloigne des zones habitées.

Méthodologie

Site d’étude

7Le Parc national de la Salonga (PNS), créé en 1970, est situé entre les latitudes 1° et 3°30' Sud et les longitudes 20° et 23° Est (figure 1). Il est constitué de deux blocs de grandes forêts ombrophiles et s’étend sur 36 000 km² (Van Krunkelsven et Draulans, 2000). Ce parc se localise dans les provinces du Sankuru, de Maindombe, du Kasaï et de la Tshuapa. On trouve à l’intérieur neuf villages dont un dans le bloc nord (Kinki Botonganji) et huit dans le bloc sud (Iyamba, Luapa, Ila, Nsese, Ediki, Bosanja, Isambo Botongola and Bokumu Beke (Ibesoa, 2008).

8La majeure partie du parc est occupée par de basses terres inondables et traversée au nord par les rivières Lomela et Salonga, qui se jettent dans la Ruki, affluent du fleuve Congo. Au sud, les principales rivières sont la Lukenie et le Sankuru, affluents du Kasaï, qui se jettent dans le fleuve Congo à Kwamouth. Les précipitations mensuelles, de l’ordre de 2100 mm au nord et de 1700 mm au sud, sont bien réparties tout au long de l’année, avec une diminution légère entre juin et août (Reinartz et al., 2006). La forêt semi-décidue constitue le type de forêt prédominant sur les terres sèches du PNS, dominées par les peuplements de Scorodophloeus zenkeri et de Gilbertiodendron dewevrei. Les forêts secondaires de tous âges y sont moins fréquentes (Van Krunkelsven et Draulans, 2000).

9Le parc regorge d’importantes espèces animales endémiques : Afropavo congensis, Pan paniscus, Loxodonta cyclotis et Mecistops cataphractus. La population riveraine du PNS, de plus en plus croissante, vit dans 700 villages qui ont des populations comprises entre 300 et 500 habitants (Wabasa, 2017). La pratique de l’agriculture sur brûlis, la pêche illicite dans les cours d’eau traversant le parc, la chasse de la faune pour la consommation familiale et la commercialisation, la recherche de bois d’énergie pour la préparation des mets constituent les activités principales réalisées dans le PNS (WCS, 2014 ; Tingu et al., 2019). Ces activités mettent en péril les services écologiques, sociaux et économiques du parc à l'étude (UICN – PACO, 2010).

Méthodes

Données utilisées

Tableau 1. Caractéristiques des images Landsat TM, ETM + et OLI

Satellites et Capteurs	λ	Résolution spatiale	Etendue de la scène
Landsat TM	0,45-0,52 µm 0,52-0,60 µm 0,63-0,69 µm 0,76-0,90 µm 1,55-1,75 µm 10,4-12,5 µm 2,08-2,35 µm		185 × 185 km²
Landsat ETM+	0,45-0,52 µm 0,52-0,60 µm 0,63-0,69 µm 0,76-0,90 µm 1,55-1,75 µm 10,4-12,5 µm 2,08-2,35 µm	30 m	185 × 185 km²
Landsat OLI	0,433-0,453 µm	30 m	185 × 185 km²
	0,45-0,515 µm 0,525-0,6 µm 0,63-0,68 µm 0,845-0,885 µm 1,56-1,66 µm 2,1-2,3 µm

λ est la longueur d'onde (Farah et al., 2021).

Traitement des données

11Pour améliorer la qualité des images Landsat acquises, les corrections radiométriques ont été effectuées à l’aide du Fast Line-of-Sight Atmospheric Analysis of Spectral Hypercubes (FLAASH). Ce module avancé de correction atmosphérique utilise l'algorithme de transfert radiatif MODTRAN4, basé sur l'équation standard de radiance spectrale pour chaque pixel du capteur (Anderson et al., 2002). Il s'applique à la gamme de longueurs d'onde du rayonnement solaire, en excluant l'émission thermique, et suppose une surface lambertienne et plane ou ses équivalents. Ce module intègre les effets du rayonnement réfléchi par la surface terrestre et diffusé par l'atmosphère jusqu'au capteur, offrant ainsi une correction précise des influences atmosphériques sur les données spectrales. La différence entre ces deux radiances résulte de l'effet de contiguïté, un mélange spatial de radiance entre pixels adjacents causé par la diffusion atmosphérique (López-Serrano et al., 2016). Cette correction radiométrique a été réalisée à l’aide du logiciel ENVI 5.3.

12De plus, concernant les corrections géométriques, les images Landsat de 2002, 2007 et 2014 ont ensuite été soumises à un processus d'ortho-rectification en référence à l'image Landsat de 2020 afin de corriger les distorsions géométriques inhérentes aux images satellitaires, permettant ainsi l'obtention d'images géoréférencées avec une précision accrue (Saito et Miura, 2019). Le processus d'ortho-rectification a nécessité l'application de l'algorithme Random Sample Consensus (RANSAC) pour identifier les points de contrôle correspondants entre l'image Landsat et les données de terrain, le calcul des transformations nécessaires, l'application de ces transformations, la correction des effets topographiques, la validation du processus, et enfin la génération de l'image ortho-rectifiée (Lee et Yum, 2019).

Traitement des images

13En vue de réaliser la classification des images Landsat, des compositions colorées fausses couleurs ont été effectuées pour une analyse plus efficace et une interprétation visuelle plus aisée des résultats (Phan et al., 2020). Pour les images Landsat TM et ETM+, la composition colorée a été réalisée en associant les bandes proches infra-rouge (PIR), rouge (R), et vert (V) (Caloz et Collet, 2001), tandis que pour l'image Landsat OLI, les bandes moyen infra-rouge (MIR), proche infra-rouge (PIR), et rouge (R) ont été combinées (Issiaka et al., 2016). Les canaux proches infra-rouge et rouge ont été préférés en raison de leur capacité à discriminer efficacement la végétation (Useni et al., 2020). Pour une visualisation optimale, un ajustement des étendues de couleur et des contrastes a été réalisé. Par la suite, trois classes d'occupation du sol dominantes dans le PNS ont été retenues, à savoir la forêt primaire, la forêt secondaire, les champs-habitats (figure 2, tableau 2). Les zones d'entraînement des différentes classes d’occupation du sol ont été déterminées lors des travaux de terrain réalisés entre janvier et février 2020. Pour les zones inaccessibles du domaine de chasse, des images à haute résolution obtenues via des images d'archives de Google Earth Pro ont été utilisées (Phan et al., 2020). Ces zones d’entraînement ont été collectées à l’aide d’un GPS de type Garmin 64 st (précision de plus ou moins 3 mètres).

14Ces zones d'entraînement ont été ensuite représentées sous forme de points sur l'image composite, se répartissant en 350 pour la forêt primaire, 250 pour la forêt secondaire, 150 pour les champs-habitats indépendamment sur toutes les images. Ces aires d'entraînement ont été utilisées pour effectuer une classification supervisée en utilisant l'algorithme du maximum de vraisemblance (Caloz et Collet, 2001). Cet algorithme est crucial, car il offre une méthode statistiquement solide pour assigner les pixels aux classes d’occupation du sol en se fondant sur la distribution de probabilité des données d'entraînement, ce qui augmente la précision et la fiabilité des résultats de classification (Otukei et Blaschke, 2010). Ces analyses ont été réalisées sous ArcGIS 10.8.1.

Tableau 2. Description des classes d'occupation du sol

Classe d’occupation	Description
Forêt primaire	Aussi appelée forêt vierge, qui est une forêt composée d'espèces indigènes où aucune trace d'activité humaine passée ou présente n’est visible.
Forêt secondaire	Une forêt qui a repoussé, en une ou plusieurs phases après avoir été détruite par les activités anthropiques.
Champs-habitats	Parcelles cultivées et terres agricoles pouvant être normalement cultivées pendant les années ordinaires ou mises en jachère pour être défrichées après quelques années dans un système de rotation des cultures. Terrain nu avec une végétation clairsemée et un sol à découvert. Terres résidentielles avec une végétation minimale, des surfaces imperméables.

Validation de la classification

15Après les travaux de classification, des missions de terrain ont été effectuées dans la zone d’étude, leurs validations ayant été effectuées du 15 juillet au 20 août 2020. Ensuite, ces points ont été utilisés pour vérifier la qualité des classifications des images Landsat. Cette qualité des classifications a été évaluée à travers la précision globale, qui caractérise la proportion de pixels correctement classés, et le coefficient Kappa, qui correspond au rapport entre les pixels correctement classés et l'ensemble des pixels considérés (Hubert-Moy et al., 2001). Cet indice a été critiqué par Pontius et Millones (2011) en raison de sa tendance à surestimer l'accord au hasard, pouvant conduire à une sous-estimation de la précision de la classification. Néanmoins, son utilisation dans cette étude a été motivée par la capacité à tester les différences significatives entre deux coefficients indépendants, le positionnant ainsi comme une mesure essentielle d'évaluation de la précision (Congalton et Green, 2009). Sa valeur varie généralement entre 0 et 1 (Lillesand et al., 2008). Un coefficient Kappa supérieur à 0,80 indique un accord fort (presque parfait), une valeur entre 0,40 et 0,80 indique un accord modéré à substantiel, tandis qu'une valeur inférieure à 0,40 indique un accord faible à médiocre (Congalton et Green, 2009). Cette analyse a été réalisée sous le logiciel ArcGIS 10.8.1., qui a été également utilisé pour la mise en page cartographique.

Analyse de la dynamique paysagère

16Trois indices de structure spatiale, qui renseignent sur la fragmentation du paysage entre deux dates (Barima et al., 2009), ont été calculés pour déterminer les rapports existants entre la structure paysagère et les processus écologiques de manière quantifiable. Il s’agit du nombre de taches, de l’aire totale des taches et de l’indice de perturbation défini comme le rapport de l’aire cumulative des classes anthropiques dans le paysage et de l’aire cumulative des classes naturelles. La quantification du changement spatio-temporel intervenu entre classes d’occupation du sol a été réalisée à l’aide de la matrice de transition (Mama et al., 2013). Le rapport entre la somme des valeurs en dehors de la diagonale et la valeur sur la diagonale de la matrice de transition, a été utilisé pour exprimer les dynamiques de conversion de chaque type de classe d’occupation du sol (Bogaert et al., 2014), par le moyen de leur stabilité. Enfin, à partir de l’aire et du nombre de taches, les processus de transformation spatiale ont été identifiés à l’aide d’un arbre de décision de Bogaert et al. (2004). La différenciation entre la dissection et la fragmentation a été effectuée en utilisant la valeur t théorique = 0.75, où t calculé (le rapport entre l’aire finale et l’aire initiale) ≤ 0.75 indique la fragmentation et t > 0.75 suggère la dissection (de Haulleville et al., 2018).

17Afin de quantifier le changement de composition du paysage autour de six villages se trouvant au sein du PNS, la proportion de la forêt primaire et de la forêt secondaire a été calculée dans les zones tampons comprises entre 0-2 km, 2-4 km et 4-6 km du centre géométrique (centroïde) des villages retenus (Useni et al., 2018 ; Useni et al., 2020b). Ces rayons couvrent des distances proches (0-2 km), moyennement éloignées (2-4 km) et éloignées (4-6 km) des villages se trouvant au sein du parc (figure 3). Le rayon maximal de 6 km a été fixé aléatoirement pour déterminer l’impact des villages sur le paysage forestier. Le test de Kolmogorov-Smirnov a été utilisé pour évaluer l’ajustement de données à la loi normale (Steinskog et al., 2007). Ensuite une transformation Box-Cox a été réalisée pour normaliser les données afin d’utiliser l’analyse de la variance (ANOVA) pour évaluer l’effet année et l’effet de la distance sur la proportion des forêts primaires et des forêts secondaires (Khoji et al., 2022). Ces analyses statistiques ont été réalisées sous le logiciel R, avec une valeur seuil de probabilité de 5%.

Résultats

Précision des classifications

18Le tableau 3 présente les matrices de confusion. Il en résulte des valeurs de précision globale variant entre 84,0% et 91,5%, et celles du coefficient Kappa entre 0,79 et 0,89. En général, ces résultats suggèrent une bonne discrimination entre les différentes classes d'occupation du sol, ce qui les rend appropriés pour une analyse. Cependant, des confusions subsistent : la matrice de confusion a montré que 6%, 2%, 9%, et 3% des pixels de forêt secondaire ont été confondus avec la forêt primaire en 2002, 2007, 2014, et 2020 respectivement. De plus, 10%, 11%, 8%, et 11% des pixels de forêt primaire ont été confondus avec la forêt secondaire sur ces mêmes périodes. Des confusions ont également été observées entre les forêts secondaires et les champs-habitats. Cette confusion peut être attribuée d’une part à la similitude des signatures spectrales et des structures forestières entre les forêts secondaires matures et les forêts primaires. D'autre part, les similitudes entre les cultures et les forêts secondaires qui sont encore jeunes contribuent également à ces erreurs de classification.

Tableau 3. Précision des classifications supervisées des images Landsat de 2002, 2007, 2014 et 2020 appuyée sur l'algorithme du maximum de vraisemblance

2002
Classes	Forêt primaire	Forêt secondaire	Champs-habitats	Total
Forêt primaire	81	10	9	100
Forêt secondaire	6	88	6	100
Champs-habitats	0	0	97	100
Total	87	98	125	400
Précision du producteur (%)	93,10	89,80	77,60
Précision de l’utilisateur (%)	81,00	88,00	97,00
Précison globale (%)	88,25
Kappa (%)	84,33
2007 (%)
Classes	Forêt primaire	Forêt secondaire	Champs-habitats	Total
Forêt primaire	89	11	0	100
Forêt secondaire	2	97	1	100
Champs-habitats	0	0	95	100
Total	91	108	106	400
Précision du producteur	97,80	89,81	89,62
Précision de l’utilisateur	89,00	97,00	95,00
Précision globale	92,75
Kappa	90,33
2014 (%)
Classes	Forêt primaire	Forêt secondaire	Champs-habitats	Total
Forêt primaire	87	8	2	100
Forêt secondaire	9	81	7	100
Champs-habitats	0	1	98	100
Total	96	92	110	400
Précision du producteur	90,63	88,04	89,09
Précision de l’utilisateur	87,00	81,00	98,00
Précision globale	90,25
Kappa	87,00
2020 (%)
Classes	Forêt primaire	Forêt secondaire	Champs-habitats	Total
Forêt primaire	89	11	0	100
Forêt secondaire	3	80	10	100
Champs-habitats	0	4	87	100
Total	92	96	105	400
Précision du producteur	96,74	83,33	82,86
Précision de l’utilisateur	89,00	80,00	87,00
Précision globale	86,75
Kappa	82,33

Les valeurs des colonnes réfèrent aux données classifiées et celles des lignes aux données de référence (terrain). Les paramètres de précisions sont en pourcentage (%).

Évolution paysagère et conversion des classes d’occupation du sol dans le bloc sud du PNS

19Les proportions des classes d’occupation du sol du paysage du bloc sud du PNS permettent de constater des évolutions différentes durant la période de 2002 à 2020. Les états de l’occupation du sol (figure 4) permettent d’observer que la forêt secondaire et les champs-habitats sont caractérisés par une dynamique progressive, notamment vers le centre sud, contrairement à la forêt primaire dans le paysage du PNS, quoique dominante, qui affiche une dynamique régressive.

20En 18 ans, la matrice paysagère reste dominée par les forêts primaires, quoique progressivement dégradées en forêts secondaires et en champs-habitats (tableau 4). En effet, il est observé sur cette période, une perte totale de 10,8% (soit annuellement 0,6%) des superficies de forêts primaires, dont 0,5% entre 2002 et 2007 ; 3,7% entre 2007 et 2014 et 6,9%entre 2014 et 2020. Ainsi, le taux annuel de perte de forêt primaire est de 0,09% entre 2002 et 2007 ; 0,5% entre 2007 et 2014, et 0,9% entre 2014 et 2020, correspondant respectivement à 62,85 km², 463,41 km² et 843,68km² des forêts). On assiste à un gain de 13,5% des forêts secondaires et 9,3% des champs-habitats par an. Le taux annuel de déforestation (perte de forêts primaires et secondaires confondues) est évalué à 0,006%.

21Très peu de changement est observé entre la période de 2002 à 2007, caractérisée par la conversion de 0,40 % et 0,08 % des forêts primaires, respectivement en forêts secondaires et champs-habitats. Sur la période de 2007 à 2014, il a été noté 3,52 % de superficies de forêts primaires converties en forêts secondaires ; ces dernières ont été converties à hauteur de 0,04% en champs-habitats. Au fil du temps, entre 2014 et 2020, il a été observé une perte nette de 6,42% des forêts primaires, converties en forêts secondaires à 6,02 % et 0,40 % en champs-habitats. Bien plus, 0,77 % des forêts secondaires se sont dégradées au profit des champs-habitats, durant cette même période.

22L’analyse de l’indice de stabilité montre des valeurs élevées entre 2002-2007 caractéristiques d’une stabilité des classes dans le paysage alors que les périodes 2007-2014 et 2014-2020 montrent des valeurs faibles indiquant une instabilité des classes, synonyme de l’impact humain sur le paysage (tableau 4).

Tableau 4. Matrices de transition (en pourcentage) des classes d’occupation du sol issue de la classification des images Landsat de 2002, 2007, 2014 et 2020

	Forêt primaire	Forêt secondaire	Champs /habitats	Total
2002/2007
Forêt primaire	95,64	0,40	0,08	96,12
Forêt secondaire	0	3,74	0	3,74
Champs /habitats	0	0,00	0,14	0,14
Total	95,64	4,14	0,22	100,00
Indice de stabilité	199,25	9,35	1,75
2007/2014
Forêt primaire	92,12	3,52	0,0	95,64
Forêt secondaire	0	4,1	0,04	4,14
Champs/habitats	0	0	0,22	0,22
Total	92,12	7,62	0,26	100,00
Indice de stabilité	26,17	1,15	5,50
2014/2020
Forêt primaire	85,7	6,02	0,4	92,12
Forêt secondaire	0	6,85	0,77	7,62
Champs /habitats	0	0	0,26	0,26
Total	85,70	12,87	1,43	100,00
Indice de stabilité	13,35	1,01	0,22

Images Landsat de 2002, 2007, 2014 et 2020 observées au sein du Parc National de la Salonga. 1%= 131,4 km2.

Dynamique structurale du paysage du PNS

23Entre les périodes 2002-2007 et 2014-2020, la suppression a été le processus caractéristique des forêts primaires, car il est noté une diminution simultanée de l’aire totale et du nombre de taches (tableau 5). En revanche entre 2007 et 2014, la dissection a été le processus de transformation spatiale dominant des forêts primaires d’autant plus que la diminution de l’aire totale des taches est accompagnée de l’augmentation du nombre de taches (tableau 4). Par ailleurs, durant les périodes 2002-2007, 2007-2014 et 2014-2020, le processus de transformation spatiale des forêts secondaires et des champs-habitats a été la création, étant donné qu’il est observé l’augmentation du nombre de taches et de leur aire totale de façon simultanée (tableau 4).

24Entre 2002 et 2020, il a été noté une multiplication par près de 12 des valeurs de l'indice de perturbation , qui sont ainsi passées de 0,0014 en 2002 à 0,017 en 2020, traduisant ainsi l’importance du phénomène de dégradation du milieu et donc de l’anthropisation des classes d’occupation naturelle.

Tableau 5. Valeurs du nombre de taches (n) et de l’aire totale (at) en km2 par année et par classe d’occupation du sol dans le bloc Sud du Parc National de la Salonga en 2002, 2007, 2014 et 2020

Indices	Forêt primaire	Forêt secondaire	Champs-habitats
n2002	525142	224070	10728
at2002	12636,82	491,68	18,19
n2007	501132	307828	11582
at2007	12573,97	543,23	29,50
PTS 2002-2007	Suppression	Création	Création
n2014	663363	604011	12631
at2014	12110,56	1001,87	34,27
PTS 2007-2014	Dissection	Création	Création
n2020	524584	1171534	146459
at2020	11266,88	1691,83	187,98
PTS 2014-2020	Suppression	Création	Création

Les processus de transformation spatiale (PTS) ont été identifiés sur la base de l’arbre de décision (12).

Dynamique de l’occupation du sol autour des villages ciblés dans la partie sud du PNS

25L’analyse de la variance montre une différence significative au niveau de la proportion des classes d’occupations du sol autour des villages, entre rayons (p<0,01). Au cours des quatre dates retenues, quel que soit le village (figure 5), la proportion de la forêt primaire a diminué (p<0,05), passant en moyenne de 97,2% en 2002 à 74,0% en 2020 dans la zone tampon comprise entre 0 et 2 km ; de 99% à 92% dans la zone tampon comprise entre 2 et 4 km et de 99,2% à 94,0% dans la zone tampon comprise entre 4 à 6 km (p<0,001). Pendant la même période, la proportion de la forêt secondaire a augmenté (p<0,01), passant de 2,3% à 14,2% dans la zone tampon comprise entre 0 et 2 km ; 0,7% à 5,5 % dans celle comprise entre 2 et 4 km et de 0,7 % à 5,2% dans la zone tampon comprise entre 4 et 6 km (p<0,05). Globalement, la proportion de la forêt secondaire a, quant à elle, augmenté, particulièrement entre 2007 et 2014. De plus, le complexe champs-habitats a augmenté autour des villages (p<0,05) entre 2002 et 2020 tout en diminuant en s’éloignant des villages (p<0,05), passant de 0,37% à 11,87% entre 0 et 2 km, 0,11% à 1,64% entre 2 et 4 km, et 0,02% à 0,61% entre 4 et 6 km. Globalement, ces résultats suggèrent une transformation de l'occupation du sol autour des villages au fil du temps, caractérisée par une diminution de la forêt primaire puis une augmentation de la forêt secondaire et du complexe champs-habitats.

Discussion

Approche méthodologique

26L'utilisation des images Landsat de 2002 à 2020 a permis de quantifier la dynamique des forêts primaires du bloc sud du PNS. Ces images, largement utilisées en Afrique pour cartographier la dynamique spatio-temporelle des paysages forestiers et urbains, ont répondu à l'objectif de l'étude (Diallo et al., 2011 ; ICCN, 2016). La classification des images satellitaires a été soutenue par la connaissance des observations sur le terrain, réduisant la confusion entre pixels proches thématiquement (Foody, 2010). Cependant, certaines confusions ont été observées entre les classes d’occupation du sol, sans affecter négativement les tendances générales de l’évolution de l'occupation du sol. L'évaluation de la composition des paysages autour des villages a utilisé une approche basée sur des zones tampons, efficace dans plusieurs études (Bamba et al., 2010 ; Havyarimana et al., 2017). Bien que l'utilisation de multiples indices de structure spatiale soit généralement requise, seuls l'aire et le nombre de taches ont été calculés, pertinents pour mettre en évidence la fragmentation des paysages (Bogaert et Mahamane, 2005). Il est à noter que plusieurs indices de structure spatiale sont corrélés, rendant le recours à plusieurs indices parfois non optimal en raison de la redondance créée (Bogaert et al., 2002).

Dynamique paysagère des forêts primaires du bloc sud du PNS en RD Congo

27Entre 2002 et 2020, les forêts primaires du bloc sud du PNS ont régressé, perdant respectivement 0,5%, 3,7%, et 6,9% de leur superficie aux intervalles de 2002-2007, 2007-2014 et 2014-2020. Simultanément, les forêts secondaires ont augmenté, avec une expansion des champs-habitats. En combinant les forêts primaires et secondaires, le taux de déforestation annuel est de 0,006%, bien en deçà de la moyenne nationale en RDC (0,18 à 0,46%) (de Wasseige et al., 2012 ; Cabala et al., 2022). Comparativement, ce taux est inférieur à celui observé dans d'autres régions comme la réserve de biosphère de Yangambi (Kyale et al., 2019) et la forêt néphéliphile du mont Oku au Cameroun (Momo et al., 2012), attribuable à des différences d'échelle temporelle et d'intensité de pression anthropique.

28Bien que le taux de déforestation global soit bas, les forêts primaires ont régressé rapidement, particulièrement de 2014 à 2020, avec une perte annuelle de 0,6%, dépassant la moyenne nationale (0,2-0,3%) et la moyenne sous-régionale (0,15% en 2008 dans le bassin du Congo). Cette accélération est attribuable à des différences méthodologiques et d'échelles temporelles (Useni et al., 2017). Les populations locales, en constante croissance, malgré la présence d'ONG proposant des alternatives économiques, cherchent à subsister sans se préoccuper de la durabilité des ressources dans un contexte économique précaire (Vermeulen et al., 2011).

29La diminution de la couverture des forêts primaires observée dans cette étude confirme les tendances similaires signalées dans d'autres régions, notamment la forêt de Mayombe avec le parc marin de Mangrove dans le Kongo Central (Kisangala et al., 2019). Elle reflète également les tendances générales des forêts congolaises, telles que la régression de la forêt de Miombo dans l'Arc cuprifère katangais, la plaine de Lubumbashi, et la réserve de biosphère de Lufira (Bamba et al., 2010 ; Cabala et al., 2018 ; Useni et al., 2020 ; Cabala et al., 2022 ; Mpanda et al., 2022).

30Dans le bloc sud du PNS, l'exploitation des ressources naturelles, telles que le bois, le gibier et les terres agricoles non appropriées, incite les riverains à s'installer de manière permanente, malgré l'opposition de la législation congolaise sur la gestion des parcs nationaux (Kalambay et al., 2016). Les Yaelima revendiquent des droits de résidence et de propriété, motivés par des besoins de subsistance tels que l'habitat, l'agriculture, la pêche et la chasse (Tingu et al., 2019). Cependant, cette présence humaine, associée à des activités telles que l'agriculture sur brûlis, la pêche illicite, la chasse de faune à des fins familiales et commerciales, ainsi que la recherche de bois pour la préparation alimentaire, menace les services écologiques, sociaux et économiques du parc (UICN – PACO, 2010 ; WCS, 2014). Ces activités de subsistance entraînent la dégradation des forêts primaires et la déforestation à proximité des zones d'activités intensives. Les ressources naturelles dans le bloc sud du Parc national de la Salonga sont en danger, mettant en péril des espèces rares, malgré les efforts de conservation déployés par des organisations nationales et internationales pour atténuer la pression sur les ressources naturelles en RDC (UICN – PACO, 2010). Des tendances similaires ont été observées au Cameroun, un autre pays du bassin du Congo, où la croissance démographique continue de menacer les écosystèmes forestiers, comme dans la forêt néphéliphile du mont Oku (Momo et al., 2012).

31La situation socio-économique dans la zone d'étude montre une faible diversification économique, la paupérisation de la population, et la diminution de la main-d'œuvre locale après la fermeture d'entreprises clés, notamment ENTRIAC et SOCOPLAN. Les populations en périphérie, parfois dans le parc, voient ce dernier comme la seule source de survie, exerçant une pression significative, notamment à travers l'agriculture itinérante sur brûlis (Kalambay et al., 2016). Malgré la préservation de certains arbres utiles, la destruction totale d'autres et les incendies réguliers entravent la reconstitution des forêts primaires (Diallo et al., 2011). Les feux, en particulier avec une quantité de combustibles élevée, réduisent la floraison, la fructification et le pourcentage de germination, entraînant la mortalité des plantules (Alvarado, 2012).

32L'avènement du code forestier en 2002 a attiré des partenaires pour soutenir l'Institut congolais pour la conservation de la nature (ICCN) dans la gestion du PNS. Avec des pratiques de chasse de plus en plus restrictives, la majorité des chasseurs sont devenus agriculteurs, intensifiant la pression sur la forêt primaire, surtout après 2007. La mise en culture continue des sols forestiers a diminué le taux de matière organique, réduisant la fertilité du sol (Useni et al., 2020). Les cultures vivrières principales des populations riveraines exigent une grande fertilité des sols, conduisant à considérer les forêts comme les zones les plus favorables à l'agriculture. Les champs responsables de la déforestation se situent le long des routes et autour des villages, facilitant l'activité des paysans.

33L'indice de perturbation (U), multiplié par près de 12 en 18 ans, signale une perturbation croissante des écosystèmes naturels dans le paysage (Keith et al., 2009). La nette progression de la valeur de U confirme l'impact croissant des activités humaines sur la perturbation des forêts du PNS (Mama et al., 2013), soulignant que la zone protégée n'est pas encore entièrement délimitée matériellement. Un constat similaire au Burundi, où l'absence de délimitation matérielle de la réserve naturelle forestière de Bururi (RNFB) et le manque de contrôle ont entraîné l'installation des populations riveraines dans la réserve, provoquant la déforestation (Havyarimana et al., 2017). Les paysages du PNS subissent une dénaturation progressive et radicale sous l'effet des perturbations anthropiques, comme la déforestation et l'agriculture, perdant ainsi leur évolution naturelle.

34Les populations vivant dans les villages du Parc national de la Salonga sont en constante croissance, ce qui accentue la pression sur les ressources forestières et conduit à leur dégradation. Cette situation est exacerbée par des problèmes récurrents de gouvernance des ressources naturelles dans le pays (Polepole, 2013). Bien que la gestion du parc implique la participation des communautés locales, les politiques de gestion s'avèrent globalement inefficaces, et un écart considérable persiste entre les objectifs déclarés et les résultats obtenus (Kambala, 2023).

Implication pour la gestion durable du parc

35Le paysage, un ensemble d’écosystèmes en interaction, reflète la dynamique des conditions écologiques et des pratiques socio-économiques. Dans le PNS, une dégradation rapide, matérialisée par la conversion des forêts primaires en forêts secondaires ou en champs-habitat autour des villages, est observée. Bien que le taux de déforestation soit relativement faible dans le bloc sud du PNS, ces écosystèmes subissent depuis des décennies des perturbations majeures liées à l'agriculture, l'élevage, l'exploitation du charbon de bois, la recherche de bois de feu et les feux de végétation (Vermeulen et al., 2011 ; Tingu et al., 2019). Les forêts tropicales, riches en espèces et importantes pour la conservation du carbone fournissent des services écosystémiques cruciaux (Keith et al., 2009 ; Mangaza et al., 2022). Leur conversion en forêts secondaires diminue ces capacités, y compris pour atténuer les effets du changement climatique (Baccini et al., 2017). Face à la dépendance croissante des populations aux ressources forestières, des modèles économiques durables sont nécessaires pour diversifier les revenus au-delà de l'agriculture itinérante sur brûlis. La prise en compte des intérêts socio-économiques des communautés locales, couplée à une meilleure sécurisation des réserves forestières, peut favoriser la reconstitution du couvert forestier, comme observé au Burundi (Havyarimana et al., 2017). Des politiques axées sur l'aménagement des zones impactées sont cruciales pour préserver les forêts primaires en tant que poumons essentiels de la planète. Ces politiques devraient s'appuyer sur la restauration forestière, l'aménagement des forêts secondaires et la réhabilitation des terres fortement dégradées.

Conclusion

36La présente recherche a mis en exergue la pertinence de l’approche cartographique couplée aux outils d’analyse de l’écologie du paysage à l’évaluation de la dynamique paysagère des forêts primaires du PNS en RDC. Les résultats révèlent une régression de la surface de forêts primaires à travers une dynamique de morcellement et suppression des taches, parallèlement à une augmentation du nombre de taches et de la surface totale des forêts secondaires et champs-habitats. Bien que la forêt primaire demeure dominante dans la matrice paysagère, elle subit des pertes annuelles de l'ordre de 0,61%, principalement en faveur des forêts secondaires et des champs-habitats, indiquant une tendance générale à la dégradation du paysage, particulièrement marquée autour des villages. Ces résultats soulignent la nécessité pour les gestionnaires du PNS d'intégrer, dans les programmes de conservation, des modèles économiques et de développement favorisant la diversification des sources de revenus, tout en planifiant de manière à préserver les différentes fonctions du paysage.

Nos remerciements à l’Académie de recherche et d’enseignement supérieur (ARES) pour le financement des missions de terrain, à travers le projet de recherche pour le développement « Renforcement des capacités de gestion durable de la forêt claire de miombo par l’évaluation de l’impact environnemental de la production de charbon de bois et l’amélioration des pratiques vis-à-vis des ressources forestières (CHARLU, Charbon de Lubumbashi) et le programme d’appui institutionnel avec l’Université de Kinshasa (UNIKIN). Les gestionnaires du Parc national de la Salonga sont remerciés pour les facilités accordées sur les sites.