Navigation – Plan du site

AccueilNuméros25-2Cartographie de la susceptibilité...

Cartographie de la susceptibilité d’inondation, basée sur l’Analyse Hiérarchique des Procédés (AHP) dans les départements de Pikine et de Keur Massar, Sénégal

Flood susceptibility mapping based on the Analytic Hierarchy Process (AHP) in the departments of Pikine and Keur Massar, Senegal
Bocar Sy, Malick Mbow et Saliou Aw

Résumés

L’urbanisation rapide et non maîtrisée dans les zones basses de Pikine et Keur Massar, deux départements du Sénégal, a fortement accru la susceptibilité et l’exposition aux inondations récurrentes. Dans ce contexte, la cartographie de la susceptibilité aux inondations constitue un outil stratégique pour la planification urbaine et la réduction des risques. Cette étude vise à élaborer une carte de susceptibilité aux inondations dans les départements de Pikine et de Keur Massar, au Sénégal, en combinant l’analyse multicritère (AHP) avec des outils de Système d’Information Géographique (SIG). Six facteurs déclencheurs ont été intégrés : la pluviométrie, l’élévation, la pente, la densité de drainage, le type de sol et l’occupation du sol. Les pondérations des critères ont été établies selon la méthode de Saaty, et la carte finale a été obtenue par superposition pondérée. Les données satellitaires Landsat-8 et SRTM, analysées via Google Earth Engine, ont permis de cartographier les zones inondées sur la période 2015-2024, subdivisée en trois sous-périodes. L'indice de différence normalisée modifiée de l’eau (MNDWI) a été utilisé pour détecter les inondations, tandis que l’indice de végétation par différence normalisée (NDVI) a permis d’éliminer les faux positifs liés à la végétation. La carte de fréquence des inondations a ensuite servi à valider la carte de susceptibilité. Les résultats indiquent que 56,60 % de la superficie des départements de Keur Massar et Pikine présentent une susceptibilité élevée à très élevée. En croisant ces données avec les infrastructures, il apparaît que 67,46 % des bâtiments et plus de la moitié du réseau routier et ferroviaire sont fortement inondables. Ces vulnérabilités s’expliquent par une urbanisation non planifiée dans des zones basses, jadis réservées à la rétention d’eau. L’étude souligne l’urgence d’une gestion territoriale intégrée et résiliente.

Haut de page

Texte intégral

Nous exprimons notre profonde gratitude à l’Université de Genève et à l’Université Amadou Mahtar Mbow pour leur appui dans la réalisation de cette recherche. Ce travail a notamment été soutenu par l’Université Amadou Mahtar Mbow à travers l’école Polytechnique de Diamniadio, et par l’Université de Genève dans le cadre du cours de géomatique avancée animée par Bruno Chatenoux et Pierre Lacroix, au sein duquel les premières étapes ont été initiées par l’auteur et les étudiants. Nous adressons également nos sincères remerciements au Professeur Hy Dao pour son accompagnement constant et précieux.

Introduction

1Au cours des dernières décennies, les inondations urbaines ont suscité une attention croissante à l’échelle mondiale en raison de leurs impacts dévastateurs sur les infrastructures, les réseaux de transport et les systèmes socio-économiques (Lee et al., 2015). Cette recrudescence s’explique en grande partie par une urbanisation rapide et souvent mal planifiée. La conversion des surfaces végétalisées en zones imperméables entrave l’infiltration naturelle de l’eau (Barbosa et al., 2012 ; Muneerudeen, 2017 ; Yao et al., 2015). À cela s’ajoutent des systèmes de drainage souvent sous-dimensionnés ou mal entretenus, incapables de gérer efficacement les volumes croissants d’eau pluviale. Les projections climatiques prévoient une aggravation de la fréquence et de l’intensité de ces événements extrêmes, en lien direct avec le changement climatique global, exacerbant ainsi la vulnérabilité des zones urbaines (Ashley et al., 2005 ; Das et Sahoo, 2025 ; Muis et al., 2015).

2Les inondations urbaines peuvent être déclenchées par une diversité de processus hydrologiques et géomorphologiques, incluant les inondations côtières, fluviales, pluviales, ainsi que la remontée des nappes phréatiques (Douglas et al., 2010 ; Green et al., 2024 ; Hughes et al., 2011 ; Wang et al., 2018). Les inondations côtières se produisent généralement lorsque le niveau de la mer, souvent amplifié par les marées ou les tempêtes submerge les infrastructures de protection littorale, menaçant les zones basses situées en bordure de côte (Gallien et al., 2014 ; Green et al., 2024). Les inondations fluviales, quant à elles, résultent du débordement des rivières et fleuves, consécutif à des précipitations prolongées ou intenses dépassant la capacité de rétention des bassins versants (Alvarez et Tan, 2024 ; Douglas et al., 2010). En milieu urbain, ce sont toutefois les inondations pluviales qui prédominent, causées par le ruissellement intense des eaux de pluie sur des surfaces imperméabilisées, combinées à une capacité d’absorption insuffisante des réseaux de drainage souvent saturés ou obsolètes. Ces mécanismes, parfois combinés, complexifient la gestion des risques et exigent une planification urbaine fondée sur une compréhension fine des dynamiques hydriques.

3Au Sénégal, les inondations affectent tant les zones urbaines que rurales (Sy, 2019 ; Sy et al., 2024). Cependant, celles en milieu urbain, notamment à Dakar et ses environs, sont particulièrement préoccupantes en raison de leurs conséquences sur les populations, les infrastructures et les réseaux de transport. Les inondations dans la banlieue dakaroise, comme à Pikine et Keur Massar, sont principalement dues à la combinaison d’un ruissellement accru, causé par l’imperméabilité des sols urbains, et de systèmes de drainage inadéquats. En 2009, des précipitations exceptionnelles ont provoqué des inondations majeures dans plusieurs régions du Sénégal, avec des pertes économiques estimées à environ 125 millions de dollars. Parmi ces pertes, 68 millions de dollars sont attribués aux dommages directs aux infrastructures, et 57 millions de dollars aux pertes économiques indirectes (Gouvernement du Sénégal, 2010) . Les secteurs les plus affectés ont été l’habitat (45%), la santé (16%), l’agriculture (14%), l’éducation (12%) et les transports (9%).

4Bien que des mesures aient été mises en place, notamment la construction de bassins de rétention et la relocalisation des populations (GFDRR, 2014), les inondations persistent à Dakar et sa banlieue et demeurent un enjeu majeur. Une compréhension approfondie de l’aléa d’inondation est cruciale pour concevoir des stratégies d’atténuation plus efficaces (Moon et al., 2024). L’évaluation de cet aléa repose sur des approches géospatiales, incluant la télédétection et les systèmes d’information géographique (Goumrasa et al., 2021), ainsi que sur des modèles hydrologiques (Wang et al., 2018 ; Ozdemir et al., 2013 ; Hénonin et al., 2010). L’intégration de ces outils permet d’identifier avec précision les zones vulnérables et d’optimiser la planification urbaine afin de renforcer la résilience du territoire face aux risques d’inondation.

5Toutefois, ces modélisations hydrologiques sont fortement influencées par les conditions initiales, telles que les précipitations et les caractéristiques topographiques (Ansarifard et al., 2024 ; Cabrera et Lee, 2019). De plus, dans de nombreuses zones urbaines africaines, y compris Dakar, la validation des données et la précision des cartes demeurent un défi majeur (Komi et al., 2017). Cette difficulté résulte surtout du manque de données fiables, de la discontinuité des mesures et de la faible prise en compte des observations locales, ce qui engendre des incertitudes dans les cartes produites. Afin de pallier ces insuffisances, des approches telles que l’évaluation multicritère de la susceptibilité aux inondations sont couramment utilisées.

Cadre conceptuel et justification de l’étude

6La susceptibilité aux inondations désigne la propension d’une zone à être affectée par les inondations, indépendamment de leur période de retour (Sy, 2019). En intégrant divers facteurs influençant les inondations, des cartes de susceptibilité aux inondations sont élaborées pour identifier les régions où les impacts significatifs sont les plus probables (Schumann et al., 2009 ; Shivhare et al., 2024).

7La cartographie de la susceptibilité aux inondations joue un rôle central dans la gestion efficace des risques et la préparation aux catastrophes. Elle fournit des informations stratégiques aux décideurs, urbanistes et autres parties prenantes, leur permettant d’adopter des mesures préventives, d’optimiser la planification urbaine et de mettre en place des interventions ciblées afin de réduire la vulnérabilité des territoires (Seleem et al., 2022).

8Des travaux antérieurs (Sy, 2019) ont cartographié la susceptibilité aux inondations au Sénégal à l’échelle communale. Toutefois, aucune étude, à notre connaissance, n’a encore été menée à l’échelle départementale. Une approche à cette échelle offre une vision plus globale des disparités entre les communes d’arrondissement et favorise une meilleure coordination entre autorités locales et départementales. Cette étude se focalise sur Pikine et de Keur Massar, départements les plus durement touchés par les inondations survenues en 2005, 2009, 2012 et 2022 (GFDRR, 2014 ; Sy et al., 2024).

9Les méthodes d’évaluation incluent des approches qualitatives (MCDA), quantitatives (ratio de fréquence, apprentissage automatique) ou semi-quantitatives (Analise Hierarchique des Procédés - AHP) (Zhao et al., 2019 ; Chen et al., 2011). Compte tenu des limites des approches qualitatives et de l’absence de données historiques complètes pour la zone d’étude, l’AHP, combinant des aspects qualitatifs et quantitatifs, est considéré comme le plus adapté.

10Les archives historiques des inondations et les cartes d’inventaire constituent des références essentielles pour valider les zones sensibles aux inondations (Samanta et al., 2018 ; Shivhare et al., 2024 ; Tehrany et al., 2015). Bien que les mesures de terrain des régions inondées fournissent des données précises, leur nombre limité, leur mauvaise répartition spatiale et la vétusté des informations rendent le suivi difficile à grande échelle (Xu et al., 2020). Cependant, avec les récentes avancées en télédétection et en Systèmes d’Information Géographique (SIG), la cartographie des zones sensibles aux inondations a gagné en précision. En l'absence d'archives historiques d'inondations, les inventaires d’inondations issus des images satellites peuvent être utilisés pour valider les zones identifiées comme sensibles aux inondations par diverses méthodes et modèles (Mahdavi et al., 2019 ; Shivhare et al., 2024). C’est ainsi que dans cette étude, les images historiques satellitaires vont être utilisées pour valider le modèle de susceptibilité.

11De plus, cette étude constitue la première évaluation de l'inondabilité des bâtiments et des infrastructures routières et ferroviaires, y compris le Train Express Régional (TER) dans tout le pays. Cette inondabilité est évaluée en superposant la couche de susceptibilité aux couches de bâtiments et d'infrastructures routières et ferroviaires. Cette approche n'a jamais été appliquée au Sénégal, soulignant ainsi l'importance de l'inondabilité des infrastructures routières et ferroviaires dans ce contexte, notamment en raison des projets routiers et ferroviaires d'impact socio-économique significatif initiés par le gouvernement sénégalais.

12Parmi ces initiatives majeures figurent les projets de transport en commun, notamment le Train Express Régional (TER), conçu pour relier le centre-ville de Dakar à sa banlieue par une ligne ferroviaire. Ce projet traverse notre zone d'étude, où des haltes ont été aménagées. Par conséquent, l'évaluation de l'inondabilité de cette infrastructure est pertinente car elle permettrait aux autorités de développer des stratégies de protection contre les inondations. Ainsi, cette étude vise à (1) utiliser une approche multicritère d'analyse par procédure hiérarchique pour cartographier la susceptibilité aux inondations, (2) valider la modélisation de la susceptibilité en utilisant l’imagerie satellitaire optique des inondations historiques, (3) évaluer l'inondabilité des bâtiments et des infrastructures routières et ferroviaires.

13Bien que la méthode AHP soit largement mobilisée dans la littérature pour la cartographie de la susceptibilité aux inondations, notre recherche présente plusieurs contributions originales. Premièrement, elle constitue la première application de cette approche à l’échelle départementale dans la région de Dakar, offrant une vision plus globale que les travaux précédents menés à l’échelle communale ou nationale. Deuxièmement, le modèle est validé par une série temporelle d’images satellitaires (2015–2024) analysées via Google Earth Engine, permettant d’intégrer la fréquence réelle des inondations dans l’évaluation. Enfin, l’étude innove en croisant la carte de susceptibilité avec les infrastructures bâties, routières et ferroviaires, dont le TER, afin de quantifier leur inondabilité. Ces éléments apportent une valeur ajoutée pratique et opérationnelle à l’approche méthodologique, au-delà de son usage classique.

14Cet article commence par une présentation du cadre d’étude, en explorant les caractéristiques démographiques, socio-économiques et écosystémiques des départements ciblés. Il décrit ensuite la méthodologie, incluant l’évaluation multicritère, la validation des résultats et l’évaluation de l’inondabilité, avant de conclure sur l’analyse de l’inondabilité des infrastructures.

Zone d’étude

15Le Sénégal compte quatorze régions administratives, chacune subdivisée en départements, eux-mêmes composés de communes d’arrondissement. Chaque niveau est dirigé par un maire élu au suffrage universel. La zone d’étude de cet article couvre les départements de Pikine et de Keur Massar. Ils sont délimités à l’est par Guédiawaye et Dakar, à l’ouest par Rufisque, et bordés au nord et au sud par l’océan Atlantique (Figure 1). Avec respectivement 770 314 et 764 597 habitants en 2023, Pikine et Keur Massar figurent parmi les départements les plus peuplés du pays, affichant des densités de 16’389 et 16 991 hab./km² (ANSD, 2023). Leur superficie est de 47 km² pour Pikine et 45 km² pour Keur Massar, avec une altitude maximale de 21 m. Leur urbanisation rapide s’explique par leur proximité avec Dakar, attirant une population croissante en quête d’opportunités économiques et sociales.

Figure 1 : Localisation de la zone d'étude

Figure 1 : Localisation de la zone d'étude

L'encart dans le coin supérieur droit situe notre zone d'étude au Sénégal, plus précisément à Dakar. La carte centrale représente le département de Pikine avec ses 13 communes d'arrondissement en rouge, ainsi que le département de Keur Massar avec ses 5 communes d'arrondissement en vert, sur un fond de relief ombré. Les 19 communes d'arrondissement à la fois de Pikine et de Keur Massar sont numérotées de 1 à 19 (1 à 13 pour le département de Pikine et 14 à 19 pour le département de Keur Massar).

16Le département de Pikine était à l'origine un espace rural. Cette situation a perduré jusque dans les années 1970, où la crise économique a déclenché des migrations à grande échelle depuis les zones rurales, entraînant une urbanisation et une densification rapides. Le taux de croissance démographique était alors de 10%, ce qui en faisait l'une des villes à la croissance et au développement les plus rapides du Sénégal. Cette croissance est principalement attribuée à l'expansion économique et à la migration, favorisées par la proximité de Dakar et les infrastructures de transport en commun. Le profil socio-économique de la plupart des habitants se situe entre la tranche des revenus faibles et celle des revenus moyens (ANSD, 2023).

17On y trouve un large éventail d'activités économiques, notamment le commerce, l'artisanat, l'agriculture urbaine, l'industrie manufacturière et les services (ANSD, 2023). Pikine abrite également plusieurs zones industrielles et commerciales importantes, ce qui en fait un pôle économique majeur dans la région de Dakar. En raison de son caractère urbain, le département de Pikine ne possède pas de cours d'eau naturels majeurs. Cependant, il est traversé par des cours d'eau intermittents ou des canaux de drainage artificiels, conçus pour gérer les eaux pluviales et les écoulements en région urbaine (Ngong et Ba, 2021). En raison de la densité de population et de l'imperméabilisation des surfaces urbaines, la gestion des eaux pluviales est un défi majeur dans le département de Pikine (GFDRR, 2024). Les précipitations peuvent entraîner des inondations localisées, en particulier dans les zones basses ou mal drainées, ce qui peut avoir un impact sur les infrastructures et les habitations (Sy et al 2024). En termes d'écosystèmes, le département de Pikine comprend également des zones côtières importantes, avec des caractéristiques écologiques uniques. Parmi celles-ci, on trouve la zone des Niayes, qui est considérée comme un poumon vert essentiel pour la région de Dakar. Cette zone abrite une diversité d'écosystèmes, notamment des forêts, des zones humides et des terres agricoles, qui jouent un rôle crucial dans la régulation du climat local et dans la préservation de la biodiversité (Ngong et Ba, 2021). En outre, le paysage de dunes environnant s'étend le long de la côte sur une distance d'environ 180 km. Ces dunes côtières abritent des écosystèmes fragiles et des habitats naturels pour une variété d'espèces végétales et animales. Elles contribuent également à la protection des terres intérieures contre l'érosion côtière et les tempêtes, et fournissent des services écosystémiques importants tels que la filtration de l'eau et la stabilisation du sol (Ngong et Ba, 2021).

18Jusqu'en mai 2021, Keur Massar était une commune d’arrondissement du département de Pikine. En mai 2021, il est devenu le cinquième département de la région de Dakar, comprenant cinq communes d’arrondissement (Tableau 1). Commençant comme un espace rural, Keur Massar est une zone urbaine en pleine expansion, avec une population jeune et dynamique. Le profil socio-économique de la plupart des résidents se situe entre les catégories de revenus faibles et moyens (ANSD, 2023). L'agriculture et l'élevage restent des activités économiques très importantes. Les habitants profitent de la qualité du sol et de la nappe phréatique peu profonde pour cultiver des aliments destinés aux marchés urbains de la région. Malgré le développement de la zone urbaine, la croissance démographique rapide a entraîné de nombreux problèmes, notamment en ce qui concerne les infrastructures insuffisantes dans le domaine des eaux usées et de la canalisation. Toute confiance est placée dans la capacité d'absorption du sol, mais l'urbanisation les a rendus pour la plupart imperméables et la capacité de rétention n'est pas élevée. De plus, l'accès à l'eau potable est limité et le système de gestion des déchets solides ne répond pas adéquatement aux besoins de la population. En effet, les lacs Dekh Bu Mag et Mbeubeuss et leurs environs sont utilisés comme décharges à ciel ouvert non seulement pour Keur Massar, mais aussi pour toute la région Dakar (Ngong et Ba, 2021). En termes d'écosystèmes, Keur Massar est une zone côtière dont les principales caractéristiques comprennent la zone des Niayes, considérée comme le poumon vert de Dakar, et le paysage de dunes environnant qui s'étend le long de la côte sur environ 180 km.

Tableau 1 : Communes d’arrondissement des départements de Pikine et de Keur Massar et leur numérotation

Numéro

Commune d’arrondissement

Départements

1

Golf Sud

Pikine

2

Mbao

Pikine

3

Diamaguene Sicap Mbao

Pikine

4

Thiaroye

Pikine

5

Tivaoune Diack Sao

Pikine

6

Thiaroye Gare

Pikine

7

Djidah Thiaroye Kao

Pikine

8

Pikine Nord (Sud)

Pikine

9

Pikine Est

Pikine

10

Guinaw Rail Nord

Pikine

11

Guinaw Rail Sud

Pikine

12

Pikine Ouest

Pikine

13

Daliford

Pikine

14

Yeumbeul Sud

Keur Massar

15

Yeumbeul Nord

Keur Massar

16

Keur Massar Nord

Keur Massar

17

Malika

Keur Massar

18

Jaxaay Parcelles Assainies

Keur Massar

19

Keur Massar Sud

Keur Massar

Méthodologie

19La méthodologie visant, à établir la carte de susceptibilité aux inondations dans les départements de Pikine et de Keur Massar comprend d’une part trois étapes principales. Tout d'abord, il est essentiel d’identifier les facteurs responsables des inondations et de les intégrer dans une base de données. Ensuite, des niveaux de susceptibilité sont attribués à chaque critère. Enfin, la modélisation est réalisée en utilisant une approche d'évaluation multicritère qui intègre la méthode d'analyse hiérarchique (AHP) proposée par Saaty (1990a, 1990b, 1980). D’autre part, la fréquence des inondations a été utilisée pour valider la susceptibilité aux inondations dérivée à l'aide de méthodes d’analyse des procédés hiérarchiques combinées avec un système d'information géographique (AHP-GIS). Pour finir, une approche innovante a également été utilisée en combinant la susceptibilité d’inondation résultante avec les bâtiments ainsi que linéaire de chemin de fer et de route pour identifier leur inondabilité.

Base de données

20Une base de données spatiale (Tableau 2) a été élaborée sur ArcGIS Pro pour étudier la susceptibilité aux inondations. Elle est composée de données pluviométriques provenant d’un jeu de données combinant des observations de précipitations issues de stations météorologiques et des estimations satellitaires par infrarouge, du produit de Climate Hazards Group InfraRed Precipitation with Station data (CHIRPS), d’un modèle numérique de terrain provenant du Projet de Gestion Intégrée des Inondations (PGIIS). Enfin, elle contient les données de la typologie de sol et l’occupation du sol, obtenues respectivement à partir du Système d’Acquisition et de Traitement des données de l’Environnement et des Ressources (SATER) et du Centre de Suivi Ecologique (CSE).

Tableau 2 : Facteurs utilisés pour la susceptibilité d’inondation

Base de données

Facteurs

Années

Type de données

Résolution

Source

Pluviométrie

Intensité mensuelle

2022

CSV

0.05°

CHIRPS

Modèle Numérique terrain

Altitude

2022

Raster

2 m

PGIIS

Pente

Densité drainage

Pédologie

Type de sol

2022

Vecteur

-

SOTER

Occupation du sol

Type d’occupation du sol

2020

Vecteur

-

CSE

21Cette analyse s'inspire de recherches sur la susceptibilité aux inondations dans les zones urbaines qui tiennent compte des particularités des départements étudiés (Chen et al., 2011 ; Hsu et al., 2017 ; Mahmoud et Gan, 2018 ; Sy, 2019 ; Zhao et al., 2019). À partir de ces études, les facteurs suivants ont été identifiés : intensité pluviométrique (P), altitude (A), pente (P.T), densité de drainage (D.D), type de sol (T.S) et type d’occupation du sol (T.O.S) (Figure 2a à 2f). L'identification de ces facteurs, qui influencent les inondations, constitue une étape cruciale dans l'évaluation de la susceptibilité aux inondations. En effet, Keur Massar et Pikine présentent des zones basses et faiblement drainées où de fortes pluies entraînent rapidement des accumulations d’eau (Sy 2019). La faible altitude et les pentes limitées favorisent la stagnation des eaux, tandis que la densité du réseau de drainage, souvent insuffisante, conditionne l’évacuation des eaux pluviales. Le type de sol, majoritairement peu perméable dans certaines zones, limite l’infiltration, et l’occupation du sol, marquée par une urbanisation rapide et non planifiée, augmente les surfaces imperméables, accentuant ainsi le ruissellement (Sy 2019). Ces six facteurs combinés reflètent donc de manière réaliste les conditions physiques et anthropiques qui gouvernent la susceptibilité aux inondations dans ces départements. Ces facteurs ont été retenus en raison de leur contribution significative aux inondations et leur disponibilité dans la zone d'étude.

Figure 2a : Planche cartographique d’un des facteurs de sensibilité : l’intensité pluviométrique

Figure 2a : Planche cartographique d’un des facteurs de sensibilité : l’intensité pluviométrique

Source : auteurs.

Figure 2b : Planche cartographique d’un des facteurs de sensibilité : l’altitude

Figure 2b : Planche cartographique d’un des facteurs de sensibilité : l’altitude

Source : auteurs.

Figure 2c : Planche cartographique d’un des facteurs de sensibilité : la pente

Figure 2c : Planche cartographique d’un des facteurs de sensibilité : la pente

Source : auteurs.

Figure 2d : Planche cartographique d’un des facteurs de sensibilité : la densité de drainage

Figure 2d : Planche cartographique d’un des facteurs de sensibilité : la densité de drainage

Source : auteurs.

Figure 2e : Planche cartographique d’un des facteurs de sensibilité : le type de sol

Figure 2e : Planche cartographique d’un des facteurs de sensibilité : le type de sol

Source : auteurs.

Figure 2f : Planche cartographique d’un des facteurs de sensibilité : le type d’occupation du sol

Figure 2f : Planche cartographique d’un des facteurs de sensibilité : le type d’occupation du sol

Source : auteurs.

Attribution des niveaux de susceptibilité

22La rastérisation et la reclassification, c’est-à-dire le fait de transformer et de simplifier les données spatiales, ont été effectuées afin de regrouper les caractéristiques de chaque facteur en un maximum de cinq classes, où 5 représente un niveau de susceptibilité très élevé, 4 : élevé, 3 : moyen, 2 : faible et 1 : très faible. Cette procédure est essentielle car les facteurs de susceptibilité ont été mesurés à différentes échelles. Le classement est établi en fonction de la contribution présumée de chaque facteur aux inondations, en tenant compte de leur sensibilité respective (Tableau 3). Il est important de souligner que le classement des classes dépend de la caractéristique du facteur et de sa sensibilité aux inondations. Par exemple, en ce qui concerne la topographie, une zone avec une altitude entre 0 et 3 mètres serait classée comme ayant une susceptibilité très élevée, tandis qu'une zone avec une altitude entre 12,1 et 21 mètres serait classée comme ayant une susceptibilité très faible. De même, pour les pentes comprises entre 0 et 4 %, une susceptibilité élevée serait attribuée, tandis que les pentes comprises entre 17,1 et 22 degrés afficheraient une susceptibilité très faible. La classification a été effectuée afin de regrouper les caractéristiques de chaque facteur en cinq classes maximums. Ce tableau présente le classement de ces facteurs causaux. Par exemple, les précipitations de forte intensité contribuent de manière significative aux inondations dans la banlieue dakaroise (Sy, 2019). Donc, les intensités pluviométriques fortes ont un classement plus élevé. En ce qui concerne le facteur altitude, les inondations ont tendance à suivre les pentes abruptes pour se concentrer dans les zones de faible altitude, caractérisées par des pentes douces (Sy, 2019). Ainsi, une zone avec une faible altitude et une faible pente aura un classement plus élevé qu'une zone en haute altitude. De même, la proximité d'une zone de drainage tend à réduire la capacité d'infiltration, ce qui accroît le ruissellement et donc le classement de susceptibilité sera plus élevé.

Tableau 3 : Classement des six facteurs de susceptibilité

Facteurs

Caractéristiques

Classement

Intensité pluviométrique (mm)

67,10-72,18

1

72,19-77,26

2

77,27-82,34

3

82,35-87,42

4

87,43-94,82

5

Altitude (m)

0-3

5

3,1-6

4

6,1-9

3

9,1-12

2

12,1-21

1

Pente (%)

0-4

5

4,1-9

4

9,1-13

3

13,1-17

2

17,1-22

1

Densité de drainage (km/km2)

0–0,92

1

0,93–1,85

2

1,86–2,78

3

2,79–3,70

4

3,71–4,634

5

Pédologie

Dune littoral

1

Ferrugineux tropicaux

2

Halomorphe

4

Hydromorphe

5

Occupation du sol

Culture maraîchère

1

Urbain

2

Steppes

3

Savane arbustives…

4

Lac, mare

5

Modélisation de la susceptibilité aux inondations

23La modélisation AHP comprend deux étapes principales : le calcul de la matrice de comparaison par paire, puis l'attribution des poids à chaque facteur, ce qui permet de déterminer l'indice de susceptibilité et de procéder à la cartographie de la susceptibilité aux inondations. (Figure 3).

Figure 3 : Méthodologie menant à la carte de susceptibilité d'inondation dans les départements de Pikine et de Keur Massar

Figure 3 : Méthodologie menant à la carte de susceptibilité d'inondation dans les départements de Pikine et de Keur Massar

En rose, vert et bleu : établissement de la base de données pour l'analyse par la méthode hiérarchique (AHP) ; en jaune : processus de modélisation AHP.

Matrice de comparaison par paire

24Après avoir classé les différents facteurs, la technique de comparaison par paire pour attribuer des pondérations à chacun d'entre eux a été utilisée. La méthode d'analyse hiérarchique (AHP) a été employée pour évaluer le rôle relatif des facteurs deux par deux. D'autres études sur la susceptibilité aux inondations (Dou et al., 2018 ; Tehrany et al., 2015) ont également recouru à des techniques d'évaluation par paire pour déterminer les poids respectifs des facteurs considérés. Dans cette approche, tous les facteurs impliqués dans les inondations ont été hiérarchisés pour faciliter la comparaison par paire. L'importance relative des facteurs de susceptibilité est évaluée en utilisant une échelle comparative proposée par Saaty (1980). Cette échelle attribue des nombres entiers de 1 à 9, où 1 signifie que les facteurs sont d'égale importance, tandis que 9 indique qu'un facteur est beaucoup plus important que l'autre (Tableau 4).

Tableau 4 : Échelle de comparaison par paire à partir de l’analyse par procédure hiérarchique

Intensité de l’importance

Définition

1

Importance égale

3

Faible importance

L’un par rapport à l’autre

5

Importance essentielle ou forte

7

Importance absolue

9

Valeurs intermédiaires

2,4,6,8

Valeurs pour la comparaison inverse

25L'importance relative d'un facteur par rapport à un autre est fondée sur des études antérieures portant sur les inondations en milieu urbain (Dou et al., 2018 ; Mahmoud et Gan, 2018 ; Sy, 2019). Ainsi, le tableau 5 obtenu représente une matrice de comparaison par paire de dimension 6*6, où les éléments diagonaux sont égaux à 1 car ils comparent l'importance de chaque facteur par rapport à lui-même. Par exemple, la première rangée montre que les précipitations sont considérées comme trois fois plus importantes que la pente et la pédologie, cinq fois plus importantes que l'altitude et sept fois plus importantes que la densité de drainage. Pour déterminer la contribution respective des facteurs à la susceptibilité aux inondations, les pondérations associées à chaque facteur ont été calculées selon la méthode de la somme des rangs (Tableau 5). Les principaux vecteurs propres de la matrice sont utilisés pour optimiser les procédures de calcul des poids. La pondération multicritère de la méthode d'analyse hiérarchique (AHP) est basée sur l'approche proposée par Janssen et Van Herwijnen (1992) :

26Pj est le poids pour chaque facteur, et j est le nombre de facteurs de 1 à 6.

27Ici n = 6 représente le nombre total de facteurs de susceptibilité utilisés

Tableau 5 : Matrice de comparaison par paire et importance relative des facteurs de susceptibilité

Facteur

P

A

P. T

D.D

T. S

T.O. S

Précipitation (P)

1

5

3

7

3

3

Altitude (A)

0,2

1

0,33

3

0,2

0,2

Pente (P.T)

0,33

3

1

5

3

3

Densité de Drainage (D.D)

0,14

0,33

0,2

1

0,2

0,2

Type de sol (T. S)

0,33

3

0,33

3

1

1

Type d’occupation du sol (T.O. S)

0,33

5

0,33

5

1

1

Somme

2,33

17,33

5,19

17,33

8,66

8,4

Normalisation, pondération et index de susceptibilité

28Dans cette étape, la somme des éléments de chaque colonne du tableau 5 est d’abord calculée. Une autre matrice normalisée de comparaison par paire est ensuite créée, de sorte que la somme de chaque colonne soit égale à 1. Pour ce faire, chaque élément de chaque colonne du tableau 5 est divisé par la somme des éléments de cette colonne. Par exemple, 1 divisé par 2,33 donne le résultat correspondant à la première valeur de la première colonne de la matrice normalisée (Tableau 6). La valeur pondérée (Pj) de chaque facteur est ensuite déterminée en calculant la moyenne des lignes de la matrice normalisée de comparaison par paire. Les valeurs obtenues sont ensuite converties en pourcentage, lisibles dans la dernière colonne du tableau 6.

Tableau 6 : Normalisation et pondération obtenue en fonction de la comparaison par paire

Facteur

P

A

P. T

D.D

T. S

T.O. S

Poids

Précipitation (P)

0,429

0,289

0,578

0,292

0,346

0,357

38,2

Altitude (A)

0,086

0,058

0,06

0,125

0,038

0,024

12,5

Pente (P.T)

0,142

0,173

0,193

0,125

0,346

0,357

12,5

Densité de drainage (D.D)

0,060

0,019

0,039

0,042

0,038

0,024

4,2

Type de sol (T. S)

0,142

0,173

0,064

0,208

0,115

0,119

12,3

Type d’occupation du sol (T.O. S)

0,142

0,289

0,064

0,208

0,115

0,0119

20,8

Somme

1

1

1

1

1

1

100

29L'indice de cohérence (CI) doit être calculé et validé avec une valeur acceptable inférieure à 10 % pour assurer la représentativité de la matrice de comparaison par paire. Cet indice permet de vérifier la propriété de transitivité de la matrice et est calculé de la manière suivante :

30α représente la moyenne du vecteur de cohérence, tandis que n est le nombre total de facteurs de susceptibilité utilisés pour la comparaison par paire selon Saaty (1990a, b). Dans notre cas, α est égal à 6,41 et n est égal à 6. Ensuite, le ratio de cohérence a été calculé comme suit :

31CI représente l'indice de cohérence, tandis que RI est l'indice aléatoire qui dépend du nombre de facteurs utilisés dans la matrice des paires (Saaty 1990 a, b ; Saaty 1980). Pour un nombre de facteurs égal à 6, le RI est de 1,24. Le modèle ainsi élaboré a produit un rapport de cohérence de 6,6 %, une valeur conforme aux normes recommandées par Saaty (1980), qui préconisent un taux inférieur à 10 % pour que le modèle soit acceptable.

32Après avoir calculé les poids, un indice de susceptibilité aux inondations (ISI) a été défini sur la base des facteurs et de leur pourcentage d'influence comme suit :

33P représente le poids des facteurs j, tandis que F représente la classe de susceptibilité aux inondations mentionnées dans le tableau 4.

34La carte de l’indice de susceptibilité aux inondations pour les départements de Pikine et de Keur Massar a été obtenue à partir de plusieurs critères contradictoires en utilisant le modèle de sommation linéaire pondérée. Cette carte est générée en intégrant tous les facteurs conditionnant ainsi que leurs poids dans un environnement SIG, selon l’expression suivante ci-dessous. Par ailleurs, le résultat de la susceptibilité aux inondations est classé en cinq catégories afin d’indiquer les niveaux de susceptibilité allant de très élevé à très faible.

Validation du modèle avec les inondations historiques

35La validation du modèle de susceptibilité a été réalisée en s’appuyant sur la cartographie des inondations historiques à partir des images satellite Landsat-8, reconnues pour leur capacité à détecter les zones inondées (Nandi et al., 2017) . Les capteurs OLI (Operational Land Imager) et TIRS (Thermal Infrared Sensor) de Landsat-8 fournissent des données optiques et thermiques à une résolution spatiale de 30 m, permettant une détection précise des étendues d’eau.

36Dans cette étude, les images de niveau 1 acquises entre 2015 et 2024 ont été traitées sur la plateforme Google Earth Engine (GEE). L’approche adoptée combine l’indice MNDWI (calibré à partir des bandes vertes et SWIR) pour identifier les surfaces en eau (Albertini et al., 2022), avec le NDVI pour éliminer les faux positifs liés à la végétation. Les données d’élévation issues du SRTM ont été intégrées pour affiner la détection des zones basses propices à l’accumulation d’eau.

37La période d’analyse a été divisée en trois sous-intervalles (2015–2017, 2018–2020, 2021–2024), permettant de générer une carte d’inondation pour chaque période. Ces cartes ont ensuite été combinées pour produire une carte de fréquence, où les pixels sont classés selon le nombre d’occurrences d’inondation. Enfin, une analyse multi-temporelle a été appliquée en intégrant des seuils de percentile (10e et 40e) pour isoler les zones inondées récurrentes. Des masques de végétation, d’élévation et de cours d’eau permanents ont permis de réduire les erreurs. La superficie inondée a été estimée à l’aide de la fonction ee.Image.pixelArea() de Google Earth Engine.

Bâtiments Potentiellement affectés

38Pour estimer l'étendue des bâtiments affectés, nous avons utilisé la couche bâtiment provenant d’Openbuildings 20221, qui offre une résolution spatiale de 50 centimètres. Pour identifier les bâtiments inondables, nous avons réalisé une intersection spatiale sur ArcGIS Pro entre chaque couche de la susceptibilité des inondation et l'ensemble de données de bâtiments, ce qui a entraîné la création d’une nouvelle couche raster. Enfin, pour calculer le nombre total de bâtiments potentiellement inondables, nous avons additionné les valeurs de pixels dans le raster de bâtiments inondables.

Inondabilité des infrastructures routières et ferroviaires

39Pour estimer l'étendue des infrastructures routières et ferroviaires susceptibles d'être affectées par les inondations, nous avons utilisé la couche de données sur les infrastructures routières et ferroviaires fournie par l'Agence National d’Aménagement du Territoire (ANAT). Pour identifier les tronçons d'infrastructures routières et ferroviaires exposés aux inondations, nous avons effectué une analyse spatiale sur ArcGIS Pro en croisant chaque couche de données sur la susceptibilité aux inondations avec l'ensemble des données sur les infrastructures routières et ferroviaires. Cette opération a abouti à la création d'une nouvelle couche raster. Ensuite, pour déterminer la longueur totale des routes et voies ferrées potentiellement touchées par les inondations, nous avons additionné les valeurs de pixels dans le raster correspondant aux routes et voies ferrées exposées aux inondations.

Résultats

Carte de susceptibilité d’inondation

40Le modèle de susceptibilité aux inondations, basé sur l'analyse multicritère, la méthode d’analyse hiérarchique et le système d'information géographique (AHP-SIG), a permis d’identifier les zones les plus sensibles aux inondations dans les départements de Pikine et de Keur Massar. Cette évaluation repose sur six facteurs de susceptibilité et aboutit à une classification en cinq niveaux : très faible, faible, moyenne, élevée et très élevée.

41L'analyse des résultats (Figure 4, Figure 5) révèle que 56,60 % de la superficie totale des deux départements est soumise à une susceptibilité élevée à très élevée, soit 50,94 km². Par ailleurs, 21,18 % du territoire présente une susceptibilité moyenne (19,05 km²), tandis que 9,40 % de la superficie est classée en susceptibilité faible (8,46 km²). Enfin, 12,82 % du territoire, soit 11,53 km², affiche une susceptibilité très faible.

42L’analyse spatiale des résultats (Figure 4) met en évidence des disparités notables entre les deux départements. Dans le département de Pikine, les communes de Golf Sud (1), Thiaroye (4), Djidah Thiaroye Kao (7), Guinaw Rail Nord (10), Guinaw Rail Sud (11) et Dalifort (13) figurent parmi les zones présentant une forte susceptibilité aux inondations. En revanche, dans le département de Keur Massar, la susceptibilité est encore plus marquée. Les communes de Yeumbeul Nord (15), Keur Massar Nord (16), Jaxxay Parcelles Assainies (18) et Keur Massar Sud (19) se distinguent par une susceptibilité très élevée.

43De manière générale, les résultats indiquent que la susceptibilité élevée aux inondations est plus prononcée dans le département de Keur Massar que dans celui de Pikine. Cette différence pourrait s’expliquer par des facteurs environnementaux et anthropiques spécifiques, tels que la topographie, l’occupation du sol et les dynamiques urbaines propres à chaque département.

Figure 4 : Carte de susceptibilité d’inondation dans les départements de Pikine et de Keur Massar

Figure 4 : Carte de susceptibilité d’inondation dans les départements de Pikine et de Keur Massar

Figure 5 : Histogramme montrant les niveaux de sensibilité aux inondations en en fonction de la superficie

Figure 5 : Histogramme montrant les niveaux de sensibilité aux inondations en en fonction de la superficie

Validation du modèle en utilisant les inondations historiques

44Les images Landstat-8 (OLI&TIRS) pour différentes dates entre 2015 et 2024, couvrant les saisons de pré-inondation et d'inondation, ont été prétraitées afin de générer les cartes d’inondation pour chaque année. Ces cartes ont ensuite été utilisées pour créer la carte de fréquence des inondations pour la période 2015–2024 dans les départements de Pikine et de Keur Massar (Figure 6). La fréquence des inondations est répartie en trois catégories distinctes : fréquence élevée (> 3 occurrences d’inondation), fréquence modérée (2 occurrences) et fréquence faible (1 occurrence). Les zones touchées par les inondations selon ces différentes catégories ont été analysées quantitativement (Tableau 7), et il a été constaté que 0,43% de la zone présente une fréquence d’inondation élevée (> 3 fois), 1,1% une fréquence modérée (2 fois), et 7,83% une fréquence faible (1 fois) dans les départements de Pikine et de Keur Massar.

Figure 6 : Carte de fréquence des inondations basée sur les images Landstat-8 entre 2015 et 2024 dans les départements de Pikine et de Keur Massar

Figure 6 : Carte de fréquence des inondations basée sur les images Landstat-8 entre 2015 et 2024 dans les départements de Pikine et de Keur Massar

Tableau 7 : Couverture des zones inondées obtenue par AHP et la fréquence des inondations obtenues par les images Landstat-8 ainsi que le taux de chevauchement (T.C)

Susceptibilité aux inondations

Très élevée

(36.6Km²)

Elevée

(13.6Km²)

Moyenne

(18.7Km²)

Faible

(8.4Km²)

Très faible

(11.3km²)

Fréquence d'inondation

Superficie

(Km²)

T.C (%)

Superficie

(Km²)

T.C (%)

Superficie

(Km²)

T.C (%)

Superficie

(Km²)

T.C (%)

Superficie

(Km²)

T.C (%)

Faible (1 fois)

2,14

5,85

0,84

6,18

2,44

13,05

0,48

5,71

0,67

5,93

Moyenne (2 fois)

0,31

0,85

0,06

0,44

0,43

2,30

0,057

0,68

0,09

0,80

Élevée (3 fois)

0,013

0,036

0,001

0,007

0,009

0,050

0,01

0,12

0,008

0,07

45Pour valider le modèle AHP-SIG, l’analyse a croisé la carte de fréquence des inondations avec les différentes classes de susceptibilité. Cette approche permet d’évaluer la concordance entre les zones identifiées comme potentiellement inondables et les inondations réellement observées entre 2015 et 2024. Les résultats de cette validation spatiale sont présentés dans la Figure 7, qui illustre la distribution des occurrences d’inondation au sein de chaque classe de susceptibilité.

Figure 7 : Cartographie de la fréquence des zones inondées obtenues par imagerie satellitaire Landstat-8 selon les catégories (très élevée, élevée, modérée, faible, très faible) de susceptibilités dérivées de l’AHP

Figure 7 : Cartographie de la fréquence des zones inondées obtenues par imagerie satellitaire Landstat-8 selon les catégories (très élevée, élevée, modérée, faible, très faible) de susceptibilités dérivées de l’AHP

46L’analyse révèle que la majorité des événements d’inondation documentés se concentrent dans les zones classées à susceptibilité élevée et très élevée, couvrant une superficie totale de 50,2 km². Au sein de ces zones, 0,036 % du territoire a été exposé à des inondations récurrentes (plus de trois occurrences sur la période étudiée), tandis que 0,85 % a connu deux épisodes distincts, indiquant une fréquence modérée. Par ailleurs, 5,85 % de la surface a été inondée au moins une fois entre 2015 et 2024.

47Certaines zones classées « moyennement élevées », comme la commune d’arrondissement de Thiaroye (4), présentent pourtant une fréquence d’inondation élevée. La susceptibilité repose sur des facteurs causaux tels que pluviométrie, la topographie, la pédologie et l’occupation du sol. Cependant, ses données d’entrée, notamment l’occupation du sol, ne reflètent pas toujours les variations locales et temporaires. Les pluies intenses peuvent aussi varier spatialement et ne pas être détectées par les capteurs. Cela illustre la complémentarité entre modèle susceptibilité et télédétection, permettant d’identifier les zones prioritaires pour l’aménagement et l’atténuation des risques.

48Afin de renforcer la fiabilité de la validation de la carte de susceptibilité aux inondations, nous avons calculé l’écart-type (σ) du taux de chevauchement (T.C) entre la fréquence d’occurrence des inondations et les différentes classes de susceptibilité. La valeur obtenue de 3,46 %, pour une moyenne de chevauchement de 2,79 %, traduit un niveau de variabilité modéré. Cette écart type montre une assez bonne stabilité et de concordance entre le modèle de susceptibilité et les inondations historiques issue de la télédétection. La variabilité modérée peut s’expliquer par les différences de résolution spatiale des données utilisées, la précision des algorithmes de détection d’eau, ainsi que les hypothèses inhérentes à l’AHP.

49Ces résultats soulignent la complémentarité entre les approches du modèle AHP et d’observation par satellite, tout en mettant en évidence les incertitudes associées à la cartographie des inondations.

Inondabilité des bâtiments

50L’analyse révèle que 67,46 % des bâtiments des départements de Pikine et de Keur Massar présentent une inondabilité élevé à très élevé, soit un total de 177 468 bâtiments. Par ailleurs, 24,70 % des bâtiments présentent une inondabilité moyenne, tandis que 5,43 % sont faiblement inondables, représentant respectivement 65 056 et 14 294 bâtiments. Enfin, 2,42 % des bâtiments, soit 6 373 unités, sont classés dans la catégorie d’inondabilité très faible (Figure 8, Figure 9).

51L’analyse spatiale de la distribution de l’inondabilité des bâtiments (Figure 8) montre que le département de Keur Massar est plus affecté par l’inondabilité des bâtiments que celui de Pikine. Dans le département de Pikine, les bâtiments situés dans les communes de Golf Sud (1), Guinaw Rail Nord (10), Guinaw Rail Sud (11) et Dalifort (13) sont particulièrement exposés, présentant une inondabilité très élevée. Dans le département de Keur Massar, les communes de Yeumbeul Nord (15), Keur Massar Nord (16), Jaxxay Parcelles Assainies (18) et Keur Massar Sud (14) concentrent également des bâtiments fortement exposés aux inondations.

52Les communes d’arrondissement de Jaxxay Parcelles Assainies (18) et de Keur Massar Sud (19) affichent une inondabilité extrême, avec 100 % de leurs bâtiments classés dans la catégorie de susceptibilité très élevée (Figure 9). Cette situation s’explique en grande partie par la configuration géographique du site, puisque la majorité de ces quartiers est implantée dans des anciens bassins de rétention des eaux pluviales. Cette implantation favorise l’accumulation et la stagnation des eaux, exacerbant ainsi leur inondabilité.

53Dans le département de Pikine, les bâtiments situés dans les communes de Pikine Nord (8), Pikine Est (9) et Pikine Ouest (12) présentent une inondabilité élevée. En revanche, ceux des communes de Diamaguène Sicap Mbao (3), Thiaroye (4) et Tivaouane Diacksao (5) sont davantage caractérisés par une inondabilité modérée (Figure 9). De plus, la classe de susceptibilité très élevée couvre un nombre significatif de bâtiments dans la commune de Guinaw Rail Nord (10), où l’exposition aux inondations est particulièrement marquée par rapport aux autres communes de Pikine (Figure 8, Tableau 1). Une situation similaire est observée dans la commune de Keur Massar Sud (19), qui compte un nombre encore plus élevé de bâtiments exposés à une inondabilité très élevée (Figure 8, Tableau 1).

Figure 8 : Carte d’inondabilité du bâti dans les départements de Pikine et de Keur Massar

Figure 8 : Carte d’inondabilité du bâti dans les départements de Pikine et de Keur Massar

Figure 9 : Histogramme montrant les niveaux de sensibilité aux inondations en en fonction du nombre de bâtiments

Figure 9 : Histogramme montrant les niveaux de sensibilité aux inondations en en fonction du nombre de bâtiments

Inondabilité des routes et des chemins de fer

54L’analyse révèle que 51,95 % des routes, soit 31,47 km, présentent une inondabilité élevée à très élevée. Ensuite, 26,32 % des routes affichent une inondabilité moyenne, correspondant à 15,94 km. Par ailleurs, 1,33 % des routes présentent une inondabilité faible, tandis que 20,40 % des routes sont classées en inondabilité très faible, soit 12,36 km (Figure 10a, Figure 10b, Figure 11a, Figure 11b). Les résultats montrent que plus de la moitié du réseau routier étudié est fortement exposée aux inondations. Les segments de route présentant une inondabilité moyenne couvrent 26,11 % de la zone d’étude (Figure 9) et traversent principalement les communes d’arrondissement suivantes : Mbao (2), Thiaroye (4), Pikine Nord (8), Pikine Est (9), Guinaw Rail Nord (10), Guinaw Rail Sud (11), Dalifort (13), Yeumbeul Sud (14), Yeumbeul Nord (15), Keur Massar Nord (16), Malika (17), Jaxaay Parcelles Assainies (18) et Keur Massar Sud (19). Contrairement à Pikine, où l’inondabilité des routes varie, la quasi-totalité des routes de Keur Massar présentent une inondabilité élevée à très élevée, soulignant ainsi une vulnérabilité accrue dans cette zone (Figure 10a).

55L’analyse révèle que 59,72 % des chemins de fer, soit 8,64 km, présentent une inondabilité élevée à très élevée. Par ailleurs, 28,39 % des linéaires ferroviaires, soit 40,11 km, affichent une inondabilité moyenne. Enfin, 0,11 % des chemins de fer présentent une inondabilité faible (0,02 km), tandis que 11,78 % (1,71 km) sont classés en inondabilité très faible. Les segments ferroviaires les plus exposés aux inondations traversent principalement les communes d’arrondissement suivantes : Pikine Nord (8), Pikine Est (9), Guinaw Rail Nord (10), Yeumbeul Sud (14), Yeumbeul Nord (15), Keur Massar Nord (16), Malika (17) et Keur Massar Sud (19).

56Ces résultats mettent en évidence une forte vulnérabilité du réseau ferroviaire, notamment dans les secteurs de Pikine et Keur Massar, où les infrastructures sont particulièrement exposées aux risques d’inondation. Cette situation souligne l’urgence de mettre en place des stratégies d’aménagement et de gestion adaptées pour renforcer la résilience du réseau ferroviaire face aux aléas hydrologiques.

Figure 10a : Carte d’inondabilité des routes dans les départements de Pikine et de Keur Massar

Figure 10a : Carte d’inondabilité des routes dans les départements de Pikine et de Keur Massar

Figure 10b : Carte d’inondabilité des chemins de fer dans les départements de Pikine et de Keur Massar

Figure 10b : Carte d’inondabilité des chemins de fer dans les départements de Pikine et de Keur Massar

Figure 11a : Histogramme montrant les niveaux de sensibilité au linéaire des routes

Figure 11a : Histogramme montrant les niveaux de sensibilité au linéaire des routes

Figure 11b : Histogramme montrant les niveaux de sensibilité au linéaire du chemin de fer

Figure 11b : Histogramme montrant les niveaux de sensibilité au linéaire du chemin de fer

Discussion

57En se basant sur l'analyse de facteurs naturels, qualitatifs et quantitatifs causatifs des inondations tels que la pluviométrie, l'altitude, la pente, la densité de drainage, la pédologie et l’occupation du sol, le modèle multicritère utilisant l'analyse de comparaison par paire combiné à un système d’information géographique (AHP-SIG) a été déployé pour cibler les zones susceptibles d'être inondées ainsi que les bâtiments, routes et chemins de fer inondables au niveau des départements de Pikine et de Keur Massar. Les résultats obtenus révèlent une corrélation modérée écart-type (σ) 3,46 %, pour une moyenne de chevauchement de 2,79 % entre cette approche et les événements d'inondations historiques, notamment ceux survenus entre 2015 à 2024.Ces modèles de susceptibilité jouent ainsi un rôle crucial dans l'identification des risques d'inondation, offrant ainsi aux autorités locales des outils pour développer des stratégies d'atténuation des impacts des inondations à venir, ainsi que pour prioriser les interventions et orienter l'aménagement du territoire de manière plus pertinente.

Confrontation des résultats avec la littérature

58Nos résultats indiquent que 56,6 % de la superficie des départements de Pikine et Keur Massar présente une susceptibilité élevée à très élevée. Cette proportion est comparable à celles rapportées dans d’autres contextes urbains fortement exposés, tels que Téhéran (Dou et al., 2018), où plus de la moitié des zones urbanisées sont classées à haut risque d’inondation. En revanche, elle est nettement supérieure aux valeurs observées dans des zones semi-urbaines comme le nord de la Malaisie (Tehrany et al., 2015), ce qui traduit la spécificité du contexte dakarois marqué par une urbanisation rapide, anarchique et un déficit de drainage efficace.

59En termes de facteurs explicatifs, l’analyse multicritère par AHP a mis en évidence la prépondérance de l’intensité pluviométrique (38,2 %) et de l’occupation du sol, devant la pente et l’altitude, qui jouent un rôle secondaire en raison de la topographie globalement plane de Dakar. Ces résultats sont cohérents avec ceux de Mahmoud et Gan (2018) en Égypte et de Chen et al. (2011) en Chine, qui soulignent également l’importance déterminante des précipitations et de l’imperméabilisation des sols dans la genèse des inondations urbaines. Ils rejoignent également les conclusions Sy (2019) à Yeumbeul Nord, qui a montré que l’urbanisation non planifiée, le colmatage des canaux étaient perçus par les populations locales comme les principaux déclencheurs des inondations récurrentes. Cette proximité entre nos résultats et ceux de Sy (2019) renforce la validité de la pondération attribuée à ces facteurs dans notre modèle.

60Concernant la validation du modèle, l’originalité de notre approche réside dans l’exploitation d’une fenêtre temporelle étendue de données satellitaires couvrant près d’une décennie (2015–2024). Cette série multi-temporelle a été entièrement traitée et analysée à l’aide de la plateforme Google Earth Engine (GEE), qui offre la capacité de gérer de grands volumes de données géospatiales et d’automatiser les calculs. Cette combinaison a permis de générer une carte de fréquence des inondations, servant de référence indépendante pour confronter les résultats du modèle de susceptibilité. Nous avons ainsi observé une bonne concordance, avec un écart-type modéré de 3,46 %, confirmant la robustesse du modèle. Cette démarche rejoint les recommandations de Samanta et al (2018)  et Shivhare et al (2024)  qui insistent sur l’importance d’intégrer des archives satellitaires pour valider les cartes de susceptibilité. En parallèle, Sy (2019) a montré l’intérêt d’approches participatives, notamment la science citoyenne, pour documenter les inondations de 2005, 2009 et 2012. Ses résultats ont révélé que les données locales estiment souvent des superficies inondées plus vastes que celles issues uniquement de la télédétection, ce qui corrobore les limites inhérentes à la résolution spatiale des images Landsat-8. Toutefois, l’apport combiné de la fenêtre temporelle longue et de l’analyse automatisée via GEE confère à notre validation une solidité et une reproductibilité rarement atteintes dans les études similaires.

61Enfin, notre étude se distingue de la plupart des travaux antérieurs par l’intégration de l’inondabilité des infrastructures critiques, notamment les bâtiments, le réseau routier et ferroviaire, y compris le Train Express Régional (TER). Alors Sy (2019) s’est focalisé sur la susceptibilité et la perception des populations face aux inondations, notre approche élargit la réflexion à l’exposition d’infrastructures stratégiques pour l’économie sénégalaise. Cette différence souligne l’apport opérationnel de notre travail, qui complète les contributions précédentes en fournissant aux décideurs une vision élargie des enjeux humains et structurels exposés aux inondations.

Un modèle pertinent mais perfectible

Amélioration des données d’entrées

62L'une des principales limites du modèle réside dans l'absence de variables cruciales, telles que le niveau de la nappe phréatique, faute de données accessibles ou exploitables. Or, la nappe phréatique constitue un facteur spécifique important dans des zones comme Pikine et Keur Massar (Sy, 2019 ; Pfeifer et al., 2017 ; Ndiaye et al., 2010). L'intégration de ces variables permettrait d'affiner la précision du modèle et d'améliorer la capacité d'anticipation des zones à risque. Ces modèles pourront, par conséquent, être adaptés et évalués dans d'autres départements de la région de Dakar, ou d’autres régions du Sénégal en prenant en compte les particularités locales qui peuvent influencer les facteurs de susceptibilité.

Optimisation de la pondération des facteurs et calcul du rapport de cohérence

63La pondération des couches d'information repose sur la méthode AHP, qui, bien que rigoureuse, demeure subjective car basée sur des jugements d'experts (Sy, 2019 ; Wang et al., 2024). Une approche plus collaborative, impliquant des acteurs locaux et des spécialistes en hydrologie urbaine, permettrait d'enrichir cette pondération et de renforcer la robustesse du modèle. De plus, la couche "pédologie" n'a pas bénéficié de la gamme complète de valeurs de facteur (1 à 5), car elle ne comporte naturellement que quatre types de sols. Elle a donc été limitée à des niveaux allant de 1 à 4, ce qui réduit légèrement son impact relatif dans l'analyse AHP. Toutefois, après le calcul des poids à l'aide de la méthode de comparaison par paires de Saaty, le ratio de cohérence (CR) était de 6,6%. Le CR obtenu est inférieur à la valeur seuil de 10% et indique un niveau élevé de cohérence dans les jugements par paires (Saaty 1980).

Corrélation entre variable et amélioration de la modélisation

64L'analyse des résultats met en évidence une forte influence de la couche « intensité pluviométrique » sur la carte de susceptibilité aux inondations, ce qui suggère une potentielle corrélation avec d'autres facteurs tels que la pente et l'altitude. En parallèle, l'importance des zones urbanisées sur la susceptibilité aux inondations est bien reflétée, en cohérence avec les travaux de (Sy, 2019). Ces observations indiquent la nécessité d'une évaluation plus approfondie des interdépendances entre les variables afin d'éviter toute surreprésentation d'un facteur particulier.

Perspectives pour l’amélioration du modèle et sa validation

65Dans une perspective d'élargissement de l'étude à l'échelle nationale, plusieurs axes d'amélioration peuvent être envisagés :

  • Intégration de données supplémentaires : l'ajout d'informations sur la nappe phréatique, complété par science citoyenne (Sy, 2019) permettrait d'améliorer la fiabilité des prédictions.

  • Association de l'AHP à d'autres techniques avancées : l'intégration de la logique floue (Fuzzy Logic) ou la technique d'ordre de préférence par similitude à la solution idéale (TOPSIS) (Jena et Pradhan, 2020 ; Lee et al., 2015) pourrait affiner l'analyse et réduire la subjectivité liée à la pondération des facteurs. Les résultats pourraient également contribuer à l’élaboration de futures politiques et décisions en se concentrant sur l'algorithme le plus optimal proposé. Cela aboutira en fin de compte à une planification et une adaptation éclairée des risques, en particulier dans les zones à forte sensibilité.

  • Application des modèles d'apprentissage automatique : l'exploitation des techniques de machine learning pourrait permettre le développement de tableaux de bord interactifs et de systèmes d'aide à la décision en open source (par exemple, via Google Earth Engine). Une telle approche favoriserait l'engagement communautaire et le renforcement des capacités locales.

  • Utilisation d’imagerie d’une résolution spatiale beaucoup plus élevée TerrSAR-X pour la validation du modèle : une résolution spatiale beaucoup plus élevée convient de noter que les images Landstat-8 peuvent sous-estimer l’étendue des inondations en raison de leur résolution spatiale (30 m), qui peut ne pas être suffisante pour une quantification précise de l’étendue des inondations.

Vers une approche intégrée de la susceptibilité d’inondation

66La carte de susceptibilité produite constitue un outil essentiel pour appréhender le risque d'inondation. Elle ne se limite pas à la seule analyse du phénomène, mais intègre également l'inondabilité des bâtiments et des infrastructures routières et ferroviaires. Cette approche contraste avec celle adoptée par Sy et al. (2024) à l’échelle nationale, en mettant un accent particulier sur ces infrastructures en raison de leur importance. Il est crucial que la susceptibilité des futurs sites destinés à accueillir des bâtiments et des infrastructures routières et ferroviaires soit rigoureusement prise en compte avant leur construction. Ces installations devraient être implantées dans des zones exemptes de sensibilité très élevée aux inondations.

67Dans une perspective de planification préventive, les cartes d'inondabilité des bâtiments, des routes et des chemins de fer jouent un rôle fondamental. Elles permettent d'orienter la priorisation des interventions dans les communes d'arrondissement les plus vulnérables. Après une inondation, ces cartes facilitent l'identification des habitations à reloger en priorité et des infrastructures nécessitant des mesures d'intervention, telles que l'évacuation des eaux stagnantes.

68Par ailleurs, les infrastructures critiques situées dans des zones à susceptibilité élevée ou très élevée devraient faire l'objet d'une attention particulière de la part des décideurs. Il est primordial d'anticiper les risques avant qu'une catastrophe ne survienne. En outre, la mise en place de mesures de contrôle des inondations peut contribuer à réduire les risques lorsque le relogement des sinistrés s'avère impossible.

69Enfin, pour une évaluation complète du risque d'inondation, il est essentiel d'intégrer les notions de la vulnérabilité : la propension d’un système à subir des dommages lorsqu’il est exposé au phénomène d’inondation (ex. : type d'habitat, précarité socio-économique) et d'exposition (ex. : densité de population, présence d'infrastructures critiques). Une telle approche, déjà préconisée par Sy al. (2024), constitue un levier décisif pour la priorisation des interventions et l'atténuation des impacts des inondations.

Implication pour l’aménagement et la gouvernance locale

70Les résultats obtenus soulignent la nécessité d’une planification urbaine plus rigoureuse, en particulier dans les zones à haute susceptibilité. La création de zones tampons autour des lacs, la régulation du foncier en zone inondable, ainsi que la construction ou la réhabilitation de réseaux de drainage, apparaissent comme des actions prioritaires. Dans ce sens, une meilleure coordination entre les communes de Pikine et de Keur Massar, malgré leur séparation administrative, est indispensable pour faire face à un problème commun. Les dynamiques d’inondation ne s’arrêtent pas aux frontières administratives, ce qui plaide pour une gouvernance intercommunale de la gestion des risques.

Conclusion

71Cette étude visait à identifier les zones à forte susceptibilité aux inondations dans les départements de Pikine et Keur Massar, en combinant une approche multicritère basée sur l’Analyse Hiérarchique de Procédés (AHP) avec une validation spatio-temporelle à l’aide d’images satellitaires Landsat-8. L’intégration de six facteurs causaux a permis d’élaborer une carte de susceptibilité pertinente, renforcée par l’analyse de la fréquence des inondations sur la période 2015–2024 à partir de la plateforme Google Earth Engine. La superposition de cette carte avec les couches du bâti et des infrastructures de transport a permis de produire une cartographie détaillée de l’exposition des populations et des équipements. Les résultats indiquent que près de 74 % de la superficie étudiée présente une susceptibilité moyenne à très élevée, affectant particulièrement les zones densément urbanisées. Plus de 67 % des bâtiments et environ la moitié des infrastructures routières et ferroviaires se trouvent dans des zones à fort risque d’inondation, avec une vulnérabilité accentuée dans les communes de Keur Massar. Au total, 246’624 bâtiments sont exposés à des niveaux de risque élevés à très élevés, abritant environ 80 % de la population de ces deux départements. Ces constats soulignent l’urgence d’une planification urbaine plus résiliente, intégrant systématiquement le risque d’inondation dans les décisions d’aménagement du territoire. Les zones déjà construites devraient faire l’objet d’une évaluation approfondie afin d’identifier des stratégies d’atténuation adaptées (drainage, relocalisation partielle, zones tampons), tandis que les espaces encore vierges ou faiblement occupés devraient être strictement protégés contre toute occupation future non encadrée.

72Dans un contexte d’urbanisation rapide et souvent anarchique, les changements d’usage du sol – qu’ils soient spontanés ou planifiés – contribuent fortement à la vulnérabilité accrue des territoires face aux inondations. Cette pression anthropique, combinée aux effets du changement climatique, entraîne une augmentation prévisible de la fréquence et de l’intensité des événements extrêmes. Ainsi, Pikine et Keur Massar, qui concentrent d’importants enjeux humains, économiques et infrastructurels, resteront exposés si des mesures structurelles et institutionnelles fortes ne sont pas prises. Cette étude constitue une base scientifique solide pour alimenter un système d’alerte précoce en cours de développement, notamment à travers une application mobile visant à informer et alerter les populations à risque. Elle fournit également un outil stratégique d’aide à la décision pour les pouvoirs publics, les collectivités territoriales et les urbanistes, en identifiant les zones prioritaires pour les interventions et les aménagements. À l’échelle nationale, la méthodologie et les résultats peuvent être transposés à d’autres départements du Sénégal ou à des régions similaires dans d’autres pays, à condition d’ajuster les facteurs causaux en fonction des contextes locaux. Une cartographie détaillée de la susceptibilité aux inondations, appliquée à des unités administratives fines, permettra aux parties prenantes de planifier des actions concrètes de résilience, de contrôler l’urbanisation, et de réduire significativement les impacts futurs des inondations. En somme, face à une urbanisation croissante dans des environnements hydrologiquement sensibles, seule une gestion préventive, fondée sur la connaissance fine des risques, pourra assurer la durabilité des territoires et la sécurité de leurs habitants.

Haut de page

Bibliographie

Albertini, C., Gioia, A., Iacobellis, V. et Manfreda, S. (2022). Detection of surface water and floods with multispectral satellites. Remote Sensing, 14(23), 6005.

Alvarez, R. S. et Tan, F. (2024). Combined Fluvial and Pluvial Flooding in an Urban Catchment: A Hydrodynamic Modeling Approach of Davao River, Philippines, in Proceedings of the 8th International Electronic Conference on Water Sciences, 14–16 October 2024, MDPI: Basel, Switzerland.

Ansarifard, S., Eyvazi, M., kalantari, M., mohseni, B., Ghorbanifard, M., Moghaddam, H. J. et Nouri, M. (2024). Simulation of floods under the influence of effective factors in hydraulic and hydrological models using HEC-RAS and MIKE 21. Discover Water, 4(1), 92.

ANSD. (2023). 5ème Recencement général de la population et de l’habitat. Agence Nationale de la Statistique et de la Démographie : Dakar, Sénégal, 1-21.

Ashley, R. M., Balmforth, D. J., Saul, A. J. et Blanskby, J. (2005). Flooding in the future–predicting climate change, risks and responses in urban areas. Water Science and Technology, 52(5), 265‑273.

Barbosa, A. E., Fernandes, J. N. et David, L. M. (2012). Key issues for sustainable urban stormwater management. Water research, 46(20), 6787‑6798.

Cabrera, J. S. et Lee, H. S. (2019). Flood-prone area assessment using GIS-based multi-criteria analysis: A case study in Davao Oriental, Philippines. Water, 11(11), 2203.

Chen, Y.-R., Yeh, C.-H. et Yu, B. (2011). Integrated application of the analytic hierarchy process and the geographic information system for flood risk assessment and flood plain management in Taiwan. Natural hazards, 59, 1261‑1276.

Das, A. et Sahoo, S. N. (2025). Impact of land use and climate change on urban flooding: a case study of Bhubaneswar city in India. Natural Hazards, 1‑20.

Dou, X., Song, J., Wang, L., Tang, B., Xu, S., Kong, F. et Jiang, X. (2018). Flood risk assessment and mapping based on a modified multi-parameter flood hazard index model in the Guanzhong Urban Area, China. Stochastic environmental research and risk assessment, 32, 1131‑1146.

Douglas, I., Garvin, S., Lawson, N., Richards, J., Tippett, J. et White, I. (2010). Urban pluvial flooding: a qualitative case study of cause, effect and nonstructural mitigation. Journal of Flood Risk Management, 3(2), 112‑125. 

GRS. (2010). Rapport d'évaluation des besoins post catastrophes ; Inondations urbaines à Dakar : Rapport préparé par le Gouvernement de la République du Sénégal (GRS), avec l'appui de la banque mondiale, du système des Nations Unies de la Commission Européenne, 1-84.

Gallien, T., Sanders, B. et Flick, R. (2014). Urban coastal flood prediction: Integrating wave overtopping, flood defenses and drainage. Coastal Engineering, 91, 18‑28.

GFDRR. urban flood: recovery and reconstruction since 2009: Rapport World Bank’s Global facility for Disater Reduction and Recovery, 1-48.

Goumrasa, A., Guendouz, M., Guettouche, M. S. et Belaroui, A. (2021). Flood hazard susceptibility assessment in Chiffa wadi watershed and along the first section of Algeria North–South highway using GIS and AHP method. Applied Geomatics, 13(4), 565‑585.

Green, J., Haigh, I., Quinn, N., Neal, J., Wahl, T., Wood, M., Eilander, D., de Ruiter, M., Ward, P. et Camus, P. (2024). A comprehensive review of compound flooding literature with a focus on coastal and estuarine regions. EGUsphere, 2024, 1‑108.

Hénonin, J., Russo, B., Roqueta, D. S., Sanchez-Diezma, R., Domingo, N. D. S., Thomsen, F. et Mark, O. (2010). Urban flood real-time forecasting and modelling: a state-of-the-art review (p. P028). MIKE by DHI conference, Copenhagen, Denmark.

Hsu, T.-W., Shih, D.-S., Li, C.-Y., Lan, Y.-J. et Lin, Y.-C. (2017). A study on coastal flooding and risk assessment under climate change in the mid-western coast of Taiwan. Water, 9(6), 390.

Hughes, A., Vounaki, T., Peach, D., Ireson, A., Jackson, C., Butler, A., Bloomfield, J., Finch, J. et Wheater, H. (2011). Flood risk from groundwater: examples from a Chalk catchment in southern England. Journal of Flood Risk Management, 4(3), 143‑155.

Janssen, M. et Van Herwijnen, M. (1992). Multi-objective Decision Support for Environmental Management : Kluwer Academic Publishers, Dordrecht, p. 232.

Jena, R. et Pradhan, B. (2020). Integrated ANN-cross-validation and AHP-TOPSIS model to improve earthquake risk assessment. International Journal of Disaster Risk Reduction, 50, 101723.

Komi, K., Neal, J., Trigg, M. A. et Diekkrüger, B. (2017). Modelling of flood hazard extent in data sparse areas: a case study of the Oti River basin, West Africa. Journal of Hydrology: Regional Studies, 10, 122‑132.

Lee, M.-J., Kang, J. E. et Kim, G. (2015). Application of fuzzy combination operators to flood vulnerability assessments in Seoul, Korea. Geocarto International, 30(9), 1052‑1075.

Mahdavi, S., Salehi, B., Huang, W., Amani, M. et Brisco, B. (2019). A PolSAR change detection index based on neighborhood information for flood mapping. Remote Sensing, 11(16), 1854.

Mahmoud, S. H. et Gan, T. Y. (2018). Multi-criteria approach to develop flood susceptibility maps in arid regions of Middle East. Journal of Cleaner Production, 196, 216‑229.

Moon, H.-T., Kim, J.-S., Chen, J., Yoon, S.-K. et Moon, Y.-I. (2024). Mitigating urban flood Hazards: Hybrid strategy of structural measures. International Journal of Disaster Risk Reduction, 108, 104542.

Muis, S., Güneralp, B., Jongman, B., Aerts, J. C. et Ward, P. J. (2015). Flood risk and adaptation strategies under climate change and urban expansion: A probabilistic analysis using global data. Science of the Total Environment, 538, 445‑457.

Muneerudeen, A. (2017). Urban and landscape design strategies for flood resilience in Chennai city, [Mémoire de maîtrise].

Nandi, I., Srivastava, P. K. et Shah, K. (2017). Floodplain mapping through support vector machine and optical/infrared images from Landsat 8 OLI/TIRS sensors: Case study from Varanasi. Water Resources Management, 31, 1157‑1171.

Ndiaye, M. L., Pfeifer, H.-R., Niang, S., Dieng, Y., Tonolla, M. et Peduzzi, R. (2010). Impacts de l’utilisation des eaux polluées en agriculture urbaine sur la qualité de la nappe de Dakar (Sénégal). VertigO-la revue électronique en sciences de l’environnement, 10(2).

Ngong et Ba. (2021). Aux origines de Keur Massar. https://www.seneplus.com/societe/aux-origines-de-keur-massar

Ozdemir, H., Sampson, C., de Almeida, G. A. et Bates, P. (2013). Evaluating scale and roughness effects in urban flood modelling using terrestrial LIDAR data. Hydrology and Earth System Sciences, 17(10), 4015‑4030, https://doi.org/10.5194/hess-17-4015-2013.

Pfeifer, H.-R., Amiguet, A., Brandvold, V., Daouk, S., Gueye-Girardet, A., Hitz, C., Ndiaye, M. L., Niang, S., Okuda, T. et Roberts, J. (2017). Water-related risks in the area of Dakar, Senegal: Coastal aquifers exposed to climate change and rapid urban development. Identifying Emerging Issues in Disaster Risk Reduction, Migration, Climate Change and Sustainable Development: Shaping Debates and Policies, 53‑65.

Saaty, T. L. (1980). Analytical Hierarchy Process, McGraw Hill-Company: New York.

Saaty, T. L. (1990a). An exposition of the AHP in reply to the paper “remarks on the analytic hierarchy process”. Management science, 36(3), 259‑268.

Saaty, T. L. (1990b). How to make a decision: the analytic hierarchy process. European journal of operational research, 48(1), 9‑26.

Samanta, S., Pal, D. K. et Palsamanta, B. (2018). Flood susceptibility analysis through remote sensing, GIS and frequency ratio model. Applied Water Science, 8(2), 66.

Schumann, G., Bates, P. D., Horritt, M. S., Matgen, P. et Pappenberger, F. (2009). Progress in integration of remote sensing–derived flood extent and stage data and hydraulic models. Reviews of Geophysics, 47(4).

Seleem, O., Ayzel, G., de Souza, A. C. T., Bronstert, A. et Heistermann, M. (2022). Towards urban flood susceptibility mapping using data-driven models in Berlin, Germany. Geomatics, Natural Hazards and Risk, 13(1), 1640‑1662.

Shivhare, V., Kumar, A., Kumar, R., Shashtri, S., Mallick, J. et Singh, C. K. (2024). Flood susceptibility and flood frequency modeling for lower Kosi Basin, India using AHP and Sentinel-1 SAR data in geospatial environment. Natural Hazards, 120(13), 11579‑11610.

Sy, B. (2019). Approche multidisciplinaire de l’évaluation de l’aléa d’inondation à Yeumbeul Nord, Dakar, Sénégal : la contribution de la science citoyenne.

Sy, B., Bah, F. B. et Dao, H. (2024). Flood Extent Delineation and Exposure Assessment in Senegal Using the Google Earth Engine: The 2022 Event. Water, 16(15), 2201.

Tehrany, M. S., Pradhan, B., Mansor, S. et Ahmad, N. (2015). Flood susceptibility assessment using GIS-based support vector machine model with different kernel types. Catena, 125, 91‑101.

Wang, X., Hou, J., Hu, G., Gao, X. et Shen, R. (2024). A multi-criteria combination approach to determine spatial intervention prioritization of urban flood based on source tracking analysis. Water Resources Management, 38(3), 893‑914.

Wang, Y., Chen, A. S., Fu, G., Djordjević, S., Zhang, C. et Savić, D. A. (2018). An integrated framework for high-resolution urban flood modelling considering multiple information sources and urban features. Environmental modelling & software, 107, 85‑95.

Xu, L., Abbaszadeh, P., Moradkhani, H., Chen, N. et Zhang, X. (2020). Continental drought monitoring using satellite soil moisture, data assimilation and an integrated drought index. Remote Sensing of Environment, 250, 112028.

Yao, L., Chen, L., Wei, W. et Sun, R. (2015). Potential reduction in urban runoff by green spaces in Beijing: A scenario analysis. Urban Forestry & Urban Greening, 14(2), 300‑308.

Zhao, G., Pang, B., Xu, Z., Peng, D. et Xu, L. (2019). Assessment of urban flood susceptibility using semi-supervised machine learning model. Science of the Total Environment, 659, 940‑949.

Haut de page

Notes

1 Pour plus d’information, voir le site internet de Open Buildings [En ligne] URL : https://sites.research.google/open-buildings/?hl=fr

Haut de page

Table des illustrations

Titre Figure 1 : Localisation de la zone d'étude
Légende L'encart dans le coin supérieur droit situe notre zone d'étude au Sénégal, plus précisément à Dakar. La carte centrale représente le département de Pikine avec ses 13 communes d'arrondissement en rouge, ainsi que le département de Keur Massar avec ses 5 communes d'arrondissement en vert, sur un fond de relief ombré. Les 19 communes d'arrondissement à la fois de Pikine et de Keur Massar sont numérotées de 1 à 19 (1 à 13 pour le département de Pikine et 14 à 19 pour le département de Keur Massar).
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-1.jpg
Fichier image/jpeg, 269k
Titre Figure 2a : Planche cartographique d’un des facteurs de sensibilité : l’intensité pluviométrique
Crédits Source : auteurs.
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-2.jpg
Fichier image/jpeg, 176k
Titre Figure 2b : Planche cartographique d’un des facteurs de sensibilité : l’altitude
Crédits Source : auteurs.
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-3.jpg
Fichier image/jpeg, 209k
Titre Figure 2c : Planche cartographique d’un des facteurs de sensibilité : la pente
Crédits Source : auteurs.
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-4.jpg
Fichier image/jpeg, 267k
Titre Figure 2d : Planche cartographique d’un des facteurs de sensibilité : la densité de drainage
Crédits Source : auteurs.
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-5.jpg
Fichier image/jpeg, 225k
Titre Figure 2e : Planche cartographique d’un des facteurs de sensibilité : le type de sol
Crédits Source : auteurs.
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-6.jpg
Fichier image/jpeg, 190k
Titre Figure 2f : Planche cartographique d’un des facteurs de sensibilité : le type d’occupation du sol
Crédits Source : auteurs.
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-7.jpg
Fichier image/jpeg, 206k
Titre Figure 3 : Méthodologie menant à la carte de susceptibilité d'inondation dans les départements de Pikine et de Keur Massar
Légende En rose, vert et bleu : établissement de la base de données pour l'analyse par la méthode hiérarchique (AHP) ; en jaune : processus de modélisation AHP.
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-8.jpg
Fichier image/jpeg, 45k
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-9.png
Fichier image/png, 1,4k
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-10.png
Fichier image/png, 945 octets
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-11.png
Fichier image/png, 969 octets
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-12.png
Fichier image/png, 1,1k
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-13.png
Fichier image/png, 1,5k
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-14.png
Fichier image/png, 1,2k
Titre Figure 4 : Carte de susceptibilité d’inondation dans les départements de Pikine et de Keur Massar
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-15.jpg
Fichier image/jpeg, 296k
Titre Figure 5 : Histogramme montrant les niveaux de sensibilité aux inondations en en fonction de la superficie
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-16.png
Fichier image/png, 11k
Titre Figure 6 : Carte de fréquence des inondations basée sur les images Landstat-8 entre 2015 et 2024 dans les départements de Pikine et de Keur Massar
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-17.jpg
Fichier image/jpeg, 336k
Titre Figure 7 : Cartographie de la fréquence des zones inondées obtenues par imagerie satellitaire Landstat-8 selon les catégories (très élevée, élevée, modérée, faible, très faible) de susceptibilités dérivées de l’AHP
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-18.jpg
Fichier image/jpeg, 419k
Titre Figure 8 : Carte d’inondabilité du bâti dans les départements de Pikine et de Keur Massar
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-19.jpg
Fichier image/jpeg, 433k
Titre Figure 9 : Histogramme montrant les niveaux de sensibilité aux inondations en en fonction du nombre de bâtiments
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-20.png
Fichier image/png, 12k
Titre Figure 10a : Carte d’inondabilité des routes dans les départements de Pikine et de Keur Massar
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-21.jpg
Fichier image/jpeg, 257k
Titre Figure 10b : Carte d’inondabilité des chemins de fer dans les départements de Pikine et de Keur Massar
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-22.jpg
Fichier image/jpeg, 241k
Titre Figure 11a : Histogramme montrant les niveaux de sensibilité au linéaire des routes
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-23.png
Fichier image/png, 11k
Titre Figure 11b : Histogramme montrant les niveaux de sensibilité au linéaire du chemin de fer
URL http://journals.openedition.org/vertigo/docannexe/image/50627/img-24.png
Fichier image/png, 16k
Haut de page

Pour citer cet article

Référence électronique

Bocar Sy, Malick Mbow et Saliou Aw, « Cartographie de la susceptibilité d’inondation, basée sur l’Analyse Hiérarchique des Procédés (AHP) dans les départements de Pikine et de Keur Massar, Sénégal »VertigO [En ligne], 25-2 | Octobre 2025, mis en ligne le 24 octobre 2025, consulté le 18 janvier 2026. URL : http://journals.openedition.org/vertigo/50627 ; DOI : https://doi.org/10.4000/15erk

Haut de page

Auteurs

Bocar Sy

Maitre de conférences titulaire, Géomatique, risques géologiques et climatiquesLaboratoire de Géomatique Appliquée (LGA), Département des Géosciences Appliquées et de l’Environnement, Polytech Diamniadio, Université Amadou Mahtar Mbow, adresse courriel : bocar.sy@uam.edu.sn

Malick Mbow

Ingénieur en Géomatique , Laboratoire de Géomatique Appliquée (LGA), Département des Géosciences Appliquées et de l’Environnement, Polytech Diamniadio, Université Amadou Mahtar Mbow, adresse courriel : mbow.malick@uam.edu.sn

Saliou Aw

Ingénieur en Géomatique, Laboratoire de Géomatique Appliquée (LGA), Département des Géosciences Appliquées et de l’Environnement, Polytech Diamniadio, Université Amadou Mahtar Mbow, adresse courriel : aw.saliou@uam.edu.sn

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont susceptibles d’être soumis à des autorisations d’usage spécifiques.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search