© A. Bégué et al., Hosted by EDP Sciences 2026

1 Introduction

La région du Nord et Centre Bénin est caractérisée par des paysages dominés par l’agriculture et les savanes, et utilisés par l’élevage traditionnel. Sous l’effet conjugué de la pression démographique, de la demande croissante en produits alimentaires et du développement de la culture pérenne de l’anacardier, les exploitations agricoles du Nord Bénin s’étendent de plus en plus sur les espaces naturels (Bidou et al., 2018) tout en optant pour une intensification des systèmes de production. Cette intensification se traduit par l’abandon progressif de la jachère, le recours accru à la mécanisation et à l’usage d’herbicides, entraînant dans certains cas une dégradation des sols et une réduction du couvert arboré (Diogo et al., 2021). Parallèlement, les conditions et potentialités pastorales se détériorent : disparition des pâturages, baisse de la biomasse herbacée disponible, augmentation de la taille des troupeaux et fragmentation des espaces accessibles au bétail (Sounon et al., 2019). Ces transformations des systèmes de production et des filières associées provoquent des bouleversements critiques dans les écosystèmes et la structure spatiale des paysages ruraux (ANOPER, 2014 ; Padonou et al., 2025), générant des conflits fonciers et des tensions entre agriculteurs et éleveurs (Krätli et Toulmin, 2020).

Malgré la reconnaissance de ces enjeux dans les régions Nord et Centre Bénin, les informations fiables et actualisées sur l’état des paysages ruraux restent insuffisantes. L’augmentation de la résolution spatiotemporelle et de la richesse spectrale des données satellitaires offre pourtant une opportunité majeure pour développer des applications innovantes en agriculture et en environnement, permettant de caractériser et de suivre les dynamiques paysagères en lien avec les pratiques agropastorales (Bégué et al., 2018 ; Heiss et al., 2025). Cependant, les services informationnels basés sur la télédétection restent peu développés en Afrique sub-saharienne, malgré les nombreux projets de recherche et développement lancés depuis les années 2000 (Tonneau et al., 2019). Ce faible déploiement s’explique par une stratégie d’offre technologique largement impulsée par les institutions du Nord avec le transfert de produits ne répondant que partiellement à la demande, par des méthodes peu adaptées à la diversité et à la complexité des systèmes agropastoraux et au manque de données de terrain (Bégué et al., 2020), par des difficultés de partenariat et de financement sur le long terme, et par des asymétries relationnelles de pouvoir avec l’exclusion d’importantes formes de savoir (Pritchard et al., 2022). Les cartes d’occupation des sols disponibles (ex. ESA WorldCover, GLAD GLC) distinguent peu de types de cultures ou de végétation naturelle, présentent une précision limitée dans plusieurs régions africaines (Kerner et al., 2024) et sont rarement mises à jour annuellement.

Face à ces limites, trois recommandations fortes émergent dans la littérature scientifique pour renforcer l’usage de l’observation de la Terre : la production de cartes annuelles d’utilisation des sols à une échelle adaptée (1:50 000 à 1:100 000) intégrant données satellitaires, expertise locale et relevés de terrain (Bégué et al., 2020) ; le renforcement des capacités de tous les acteurs, y compris ceux du Nord, en valorisant les savoirs locaux et en adoptant des démarches de co-conception (Pritchard et al., 2022) ; et l’adoption d’une approche transdisciplinaire (Ifejika Speranza et al., 2023).

C’est dans cette optique que s’inscrit le projet européen OBSYDYA (Observatoire des dynamiques agricoles et des paysages ruraux du Bénin ; 2022–2026) porté par un consortium pluridisciplinaire béninois, français et belge. Le projet repose sur trois axes : la création d’une base de données cartographiques des paysages et usages des sols au Nord et Centre Bénin, la co-construction d’indicateurs spatialisés avec les acteurs locaux pour caractériser les systèmes agraires, leurs dynamiques et leur durabilité environnementale, et la mise en place d’un observatoire pilote pour le traitement, le partage et la diffusion d’informations spatialisées. Chaque axe intègre un volet de renforcement des capacités des acteurs en charge de la production et de la diffusion de services d’information géographique et statistique à destination des filières agricoles et pastorales.

L’objectif de cet article est de présenter la démarche d’analyse de besoins informationnels et de production d’indicateurs spatialisés dans les domaines de l’agriculture et de l’élevage– la pression anthropique sur les milieux naturels étant abordée dans Padonou et al. (2025) – et son application à la région Nord et Centre Bénin pour l’année 2023. L’originalité de cette approche repose sur l’utilisation de cartes d’occupation des sols produites localement et annuellement, à partir de données de télédétection, permettant un suivi opérationnel des dynamiques territoriales à différentes échelles, avec un coût accessible pour la collectivité.

2 Démarche générale

La production de services informationnels territoriaux, telle que visée par le projet d’observatoire pilote OBSYDYA, est bâtie sur les postulats que l’occupation des sols est un marqueur des dynamiques agro-sylvo-pastorales, et que la co-construction d’un service informationnel géospatial passe par une production régulière et normalisée d’informations facilement accessibles et utilisables (Tonneau et al., 2019). L’approche présentée dans ce papier se concentre sur l’étape de production de ces informations, à savoir (1) la co-construction d’une liste d’indicateurs spatialisés, et (2) leur calcul à partir des données de cartes d’occupation et d’utilisation des sols (OS) produites par traitement de séries temporelles d’images d’observation de la Terre (OT) et mises à jour annuellement. La co-construction repose sur une démarche originale pilotée par les besoins des utilisateurs, en fonction des dynamiques et des pratiques agropastorales en jeu aux échelles locales et nationales, et complétée par l’expertise des chercheurs en télédétection, garantissant l’utilité et la faisabilité des informations produites.

2.1 Zone d’étude et sites représentatifs des dynamiques territoriales

La zone d’étude couvre environ 98 000 km² et cinq départements du Nord et Centre Bénin (Alibori, Borgou, Atacora, Donga et Collines ; Figure 1). Dans cette zone, six sites de 50 × 50 km² ont été choisis pour proposer des produits de démonstration adaptés aux systèmes agricoles locaux rencontrés dans les quatre principales zones agroécologiques du Nord Bénin (Adegbola et al., 2017). Au nord, le site de Gogounou est une zone de forte intensification agricole, caractéristique de la production cotonnière et de l’élevage (bovins, petits ruminants). À l’Ouest, se situent le site de Pehunco, une zone de diversification du coton avec des systèmes agro-sylvo-pastoraux, et le site de Djougou caractérisé par des systèmes de production à base de céréales et de tubercules (l’igname notamment). Au sud de Gogounou, se trouvent les sites de N’Dali et de Parakou caractérisés par une production vivrière. Au sud de la zone d’étude, le site de Ouesse est une zone de diversification coton-cultures alimentaires-anacarde avec un front agricole.

Fig. 1 (a) Carte d’occupation des sols de la zone d’étude au niveau L0 en 2023, et localisation des six sites d’étude. (b) Détail du site de N’Dali aux niveaux L0 (S2 ; 10 m de résolution) et L1 (S2 et SPOT6/7 ; 1,6 m de résolution). (a) Level L0 land cover map of the study area in 2023, and location of the six study sites. (b) Detailed view of the N’Dali site at levels L0 (S2; 10 m resolution) and L1 (S2 and SPOT6/7; 1.6 m resolution).

2.2 Cartographie de l’évolution de l’occupation des sols

Deux types de cartes d’occupation des sols sont produites chaque année par des chaînes de traitement d’images déployées sur des serveurs mis en place au Bénin par le projet OBSYDYA. À l’échelle de toute la zone, les cartes sont produites à un niveau dit L0 – à 10 m de résolution et une nomenclature en six classes – avec la chaîne de traitement IOTA² (Inglada et al., 2017 ; https://docs.iota2.net/) à partir de séries temporelles d’images Sentinel-2 (Fig. 1a). À l’échelle des sites, les cartes sont produites à un niveau dit L1 – à 1,6 m de résolution et une nomenclature en douze classes – avec la chaîne de traitement MORINGA (Gaetano et al., 2019 ; https://forge.inrae.fr/raffaele.gaetano/) à partir de séries temporelles d’images Sentinel-2 et d’images SPOT6/7 (Fig. 1b). Les chaînes de traitements sont entraînées et évaluées à partir de données de terrain, collectées chaque année sur les sites d’étude par les équipes béninoises du projet OBSYDYA (INRAB et Université de Parakou), selon un protocole standardisé (Jolivot et al., 2021). La précision des cartes a été évaluée par validation croisée en 5 partitions, à partir d’un échantillon de polygones de référence. Elle est de l’ordre de 80 % pour le niveau L0 (Annexe 1, en matériel supplémentaire) et comprise entre 60 % et 80 % pour le niveau L1.

2.3 Co-construction d’indicateurs spatialisés

La sélection des indicateurs repose sur l’analyse des besoins identifiés lors d’un atelier participatif et de consultations, sur une revue de la littérature et sur des critères d’opérationnalité. Trois principes directeurs ont été retenus : (1) les indicateurs doivent être spatialisés, afin de permettre leur utilisation dans des processus de planification territoriale ; (2) ils doivent pouvoir être actualisés annuellement, pour répondre aux exigences du suivi des dynamiques territoriales ; (3) ils doivent pouvoir être construits à partir de l’imagerie satellitaire et des dispositifs de collecte de données de terrain existants, de manière à garantir, à terme, une production d’information à moindre coût à l’échelle nationale.

2.3.1 Atelier participatif et consultations d’acteurs

Le projet OBSYDYA a organisé les 10 et 11 mai 2023 un atelier visant à co-construire les principaux indicateurs spatialisés de l’observatoire OBSYDYA. Cette étape de co-construction a été menée avec 25 participants d’horizons variés (acteurs locaux du monde agricole, élus, services de l’état, ONG et acteurs académiques) qui ont interagi autour de World Cafés et de présentations plénières (Gazull et al., 2023). Elle a permis une représentation partagée de l’état des systèmes agro-sylvo-pastoraux (développement du coton, développement des plantations d’arbres, évolution du couvert forestier, fronts pionniers, etc.), une priorisation des enjeux et une liste d’indicateurs permettant de répondre à ces enjeux. La faisabilité de la production de ces indicateurs aux échelles nationale et locale a été confrontée aux possibilités offertes par la télédétection. Cette analyse a permis d’établir une liste d’indicateurs spatialisés, détaillés en Annexes 2 et 3, en matériel supplémentaire :

• pour les cultures, six enjeux majeurs ont été identifiés (voir Annexe 2, en matériel supplémentaire). Quatre d’entre eux disposent d’indicateurs spatialisés opérationnels : améliorer la productivité et l’intensification agricole, réduire les risques climatiques et biologiques, accéder au foncier, accéder aux marchés. Seul le premier enjeu a été retenu car il repose essentiellement sur les cartes d’occupation des sols produites par le projet ;

• pour l’élevage, huit enjeux principaux ont été définis (voir Annexe 3, en matériel supplémentaire), dont quatre disposent d’indicateurs spatialisés opérationnels : le suivi des zones de parcours, l’accès aux points d’eau, les feux de végétation et l’accès aux marchés.

En complément de cet atelier, une trentaine de consultations d’acteurs agricoles et d’éleveurs ont été menées dans les régions de Ouesse, Parakou, N’Dali et Gogounou. Ces consultations, d’une durée de 20 à 30 minutes, se sont déroulées sur site (villages, pâturages, en transport, parcelles agricoles) avec une partie informelle et une partie dirigée sur l’utilisation des terres et les pratiques associées, la dynamique des ressources (terres agricoles, fourrages, espaces pastoraux, etc.) et sur les relations entre agriculture et élevage. Les éléments recueillis ont permis de confirmer la pertinence des indicateurs proposés lors de l’atelier (Annexe 3, en matériel supplémentaire) et de les affiner ; elles ont notamment permis d’identifier le besoin de prendre en compte la variation intra-annuelle des conditions pastorales liée à l’occupation des sols.

2.3.2 État de l’art

La littérature propose plusieurs indicateurs spatialisés pour analyser les systèmes agricoles sur de vastes étendues (Padonou et al., 2024). Ces indicateurs s’appuient principalement sur l’observation de la Terre, seule source permettant une cartographie exhaustive et un suivi temporel systématique. Les indicateurs sont soit extraits directement des séries temporelles d’images satellite, soit calculés à partir des cartes d’occupation des sols produites elles-mêmes à partir des images satellite (Hunt et al., 2019). Dans le premier cas, on trouve essentiellement des indicateurs d’intensification agricole, tel que le nombre de cultures par an (Löw et al., 2018), la durée de mise en culture au cours d’une année (Estel et al., 2016), le nombre d’années cultivées sur une période donnée (De Beurs et Ioffe, 2014) ou les surfaces irriguées (Siebert et al., 2010) ; ces indicateurs sont essentiellement extraits de séries temporelles d’images satellite par analyse du signal intra-annuel. Dans le deuxième cas, on trouve des indicateurs sur l’utilisation agricole des sols (Guiomar et al., 2018), l’intensification agricole (Arvor et al., 2012), la diversité des cultures (Choudhury et al., 2006) et la capacité de charge des terres (Wang et al., 2023). La plupart des études se concentrent sur la cartographie d’un indicateur isolé. Certaines vont plus loin en proposant une typologie des systèmes agricoles, basées sur la classification statistique (Estel et al., 2016 ; Löw et al., 2018 ; Nelson et Burchfield, 2023 ; Rabelo et al., 2023) ou l’analyse experte d’un ensemble d’indicateurs (Arvor et al., 2013 ; Panigrahy et al., 2005 ; Tong et al., 2024), pour éclairer les dynamiques en cours. Cependant, aucun cadre d’analyse consensuel n’émerge, les besoins en indicateurs variant selon les systèmes étudiés, les dynamiques et enjeux locaux et nationaux et la précision des données disponibles.

Pour les systèmes pastoraux, plusieurs études ont développé des indicateurs spatialisés, tels que la présence d’eau de surface pour l’abreuvement (Slinski et al., 2025), la qualité des pâturages (Jamsranjav et al., 2019) ou le potentiel de production de lait selon les conditions locales (Rahimi et al., 2022). D’autres travaux se sont focalisés sur la structure du paysage et le morcellement des espaces accessibles comme la taille, la forme, et la connectivité de ces espaces (Usman et Nichol, 2022), dans certains cas en combinaison avec un indice de végétation (Brottem et al., 2014). Par ailleurs, des initiatives ont produit des cartes dédiées à la caractérisation des conditions pastorales locales, intégrant par exemple la disponibilité en eau pour l’abreuvement et le bilan fourrager (projet MODHEM au Burkina Faso ; www.modhem.org). La plupart des indicateurs se basent sur des données de terrain collectées par des réseaux d’éleveurs et sur des produits OT existants (cartes OS Copernicus, indices de végétation…), tels que ceux produits par Action contre la faim à travers une plateforme en ligne (Fillol et al., 2020).

Parmi les indicateurs proposés dans la littérature, certains présentent des contraintes d’usage pour les acteurs locaux : une résolution spatiale souvent insuffisante (100 m à 500 m) pour décrire et analyser des paysages de plus en plus fragmentés, et une nomenclature des cartes OS inadaptée (Touré et al., 2004), sans distinction des types de culture ou des pâturages, limitant ainsi le nombre d’indicateurs calculables et leur analyse saisonnière.

2.3.3 Indicateurs retenus

Le croisement des besoins exprimés lors de l’atelier et des consultations, de la revue bibliographique, et des critères de faisabilité opérationnelle, a abouti à un groupe de 21 indicateurs spatialisés (Tab. 1) pour les domaines de l’agriculture (8) et de l’élevage (13).

3 Calcul des indicateurs

Sont présentées dans cette section les méthodes de calcul des indicateurs listés dans le Tableau 1. Ces indicateurs peuvent être calculés à l’échelle d’unités administratives, de zones de compétence d’acteurs locaux (couloirs de passage) ou de limites naturelles (bassin versant, zone agroécologique) à partir des cartes OS au niveau L0. Les indicateurs qui nécessitent des classes détaillées de type de culture (cartes OS au niveau L1) sont quant à eux uniquement calculés à l’échelle des sites.

3.1 Agriculture

Les indicateurs sont calculés à partir des surfaces cultivées et non cultivées (L0 et L1), des cultures annuelles et pérennes (L0 et L1) et des types de culture (L1). Les types de cultures annuelles et leur durée de mise en culture respective (mois/an) sont les légumineuses (5), céréales (5), coton (6) et les racines/tubercules (12). Les types de cultures pérennes sont les vergers et autres plantations. Les cultures alimentaires regroupent les céréales et les racines/tubercules ; les légumineuses en ont été exclues car elles correspondent essentiellement au soja, culture d’exportation qui actuellement n’entre que de manière très marginale dans le régime alimentaire des béninois.

• L’indice d’utilisation agricole des sols SA1 (%) mesure la part des surfaces agricoles (cultures annuelles ca et pérennes cp) dans l’entité de surface A :

$$\text{SA}1=\frac{{{\sum }_{\mathit{i}\in \mathit{A}}}_{}c{a}_i+{{\sum }_{\mathit{i}\in \mathit{A}}}_{}c{p}_i}{A}$$(1)

• L’indice de diversité des cultures SA2 mesure l’abondance relative des cultures c dans l’entité de surface A :

$$\text{SA}2=\frac{1}{{{\sum }_{\mathit{i}\in \mathit{A}}}_{}{p_i}^2},\text{avec}{p}_i=\frac{c_i}{A}$$(2)

• SA3 (%) mesure la part des cultures alimentaires calim dans le domaine cultivé D_c :

$$\text{SA}3=\frac{{{\sum }_{\mathit{i}\in {\mathit{D}}_{\mathit{c}}}}_{}cali{m}_i}{D_c}$$(3)

• La productivité des cultures annuelles SA4 est approchée par la valeur moyenne sur l’année du NDVI MODIS (produit MOD13Q1) calculé sur les terres arables (> 95 % de cultures annuelles dans le pixel MODIS).

• L’indicateur de la pression humaine sur les terres agricoles SA5 (ha/pers) est le rapport entre la surface des cultures alimentaires calim et la population totale P de l’entité spatiale considérée :

$$\text{SA}5=\frac{{{\sum }_{\mathit{i}\in \mathit{A}}}_{}cali{m}_i}{P}$$(4)

• Le ratio des cultures annuelles et pérennes I1 est le rapport de la surface occupée par des cultures annuelles ca à celle occupée par les cultures pérennes cp, dans l’entité spatiale considérée :

$$\text{I}1=\frac{{\sum }_{i\in A}c{a}_i}{{\sum }_{i\in A}c{p}_i}$$(5)

• L’indice d’intensification de l’utilisation agricole des sols I2 évalue le niveau d’utilisation agricole d’une entité de surface A au cours d’une année, avec m_i le nombre de mois de culture par an :

$$\text{I}2=\frac{{\sum }_{i\in A}c{a}_i*\frac{m_i}{12}+{\sum }_{i\in A}c{p}_i}{A}$$(6)

• Le pourcentage de couverture arborée des terres arables I3 (%) correspond à la moyenne des pourcentages de couverture arborée T calculée sur l’ensemble des pixels classés en terres arables de l’entité spatiale de surface A. T est extrait du produit Tropical Tree Cover de 2020 (10 m de résolution), recommandé pour le suivi de la couverture arborée en milieu agricole (Brandt et al., 2023) :

$$\text{I}3=\frac{T}{{\sum }_{i\in A}c{a}_i}$$(7)

3.2 Pastoralisme

À l’exception de PC1, l’ensemble des indicateurs repose sur les cartes OS au niveau L1. Ils sont calculés séparément pour la saison des pluies et la saison sèche afin de tenir compte du caractère saisonnier de l’accessibilité du paysage des différentes OS qui avait été souligné lors des consultations menées auprès des éleveurs et agriculteurs. Ainsi, la classe Cultures annuelles est inaccessible en saison des pluies, alors que la classe Vergers (essentiellement des anacardes) est inaccessible en saison sèche (période de récolte). Les classes de végétation naturelle sont accessibles toute l’année, alors que les classes Racines et tubercules, Sol nu et Eau sont toujours inaccessibles.

• Le nombre de conflits PC1 impactant des éleveurs sur l’année écoulée est calculé à partir des données de Armed Conflict Location and Event Data (ACLED : Raleigh et al., 2023) extraites à partir d’une liste de mots-clés (pastoral, herd, cow, ox, goat, sheep, livestock, pasture, transhumance, cattle, shepherd et flock).

• L’aire totale accessible au bétail PZ1 (ha) est calculée comme la somme des surfaces S_i des classes OS i considérées comme accessibles dans l’entité spatiale A :

$$PZ1={\displaystyle \sum _{i\in A}}{S}_i$$(8)

• La portion de l’aire totale accessible PZ2 (%) dans l’entité spatiale A :

$$PZ2=\frac{PZ1}{A}\times 100$$(9)

• Le nombre de patchs (ensemble de pixels contigus de même classe) accessibles au bétail PZ3, dans l’entité spatiale.

• La proportion des zones centrales PZ4 (%), soit la part des patchs accessibles qui ne sont pas en contact avec un patch inaccessible :

$$PZ4=\frac{Airenoyaux}{PZ1}\times 100$$(10)

• La fragmentation de l’aire accessible au bétail PZ5 est estimée via la probabilité que deux points pris dans l’espace accessible soient séparés par une barrière (deux patchs différents). a_ij est la surface du patch j appartenant à la classe i :

$$PZ5=1-{\displaystyle \sum _{j=1}^n}{\left(\frac{a_{ij}}{A}\right)}^2$$(11)

• La distance moyenne au patch accessible le plus proche PZ6 mesure la dispersion spatiale (ou isolement) des patchs accessibles dans une entité spatiale par le calcul de la distance euclidienne moyenne (ENN, m) entre chaque patch accessible et le patch accessible le plus proche :

$$PZ6=moyenne\left(ENN(patc{h}_{ij}\right)$$

• La partie inaccessible dans les couloirs de passage PZ7 (%), quantifie l’extension des cultures dans les couloirs de passage, réduisant ainsi leur accessibilité :

$$PZ7=\frac{Aireinaccessible}{Airetotaleducouloir}\times 100$$(12)

• L’obstruction du couloir de passage PZ8 (booléen) indique le statut d’un couloir de passage en déterminant s’il peut être entièrement franchi grâce à l’identification de ses extrémités et en utilisant l’algorithme de Dijkstra (1959).

• Le morcellement des couloirs de passage PZ9 est le nombre de patchs accessibles dans un couloir de passage.

• La distance générale aux points d’eau PE1 (m) est la distance moyenne au point d’eau le plus proche. d_i est la distance du pixel i au pixel eau le plus proche et n est le nombre total de pixels considérés :

$$PE1=\frac{{\sum }_{i=1}^n{d}_i}{n}$$(13)

• La distance aux points d’eau en contournant les obstacles PE2 (m) est la distance moyenne au point d’eau le plus proche en contournant les espaces inaccessibles. d_obs est la distance du pixel i au pixel eau le plus proche en tenant compte des obstacles et n est le nombre total de pixels considérés :

$$PE2=\frac{{\sum }_{i=1}^n{d}_{obs}}{n}$$(14)

• L’effet des obstacles sur l’augmentation de la distance aux points d’eau PE3 (%) est la fraction d’augmentation de la distance au point d’eau le plus proche due aux espaces inaccessibles :

$$PE3=100-\left(\frac{PE2}{PE1}\times 100\right)$$(15)

4 Résultats et discussion

Deux exemples de résultats et d’analyses sont présentés à titre illustratif dans les domaines agricole et pastoral. Des analyses thématiques approfondies, sur une base élargie d’indicateurs et un suivi sur trois ans, sont en cours et feront l’objet de publications spécifiques dans les prochains mois.

4.1 Typologie des systèmes agricoles

L’analyse d’un groupe d’indicateurs liés à la production et à l’intensification agricoles a permis de classer les sites d’étude en quatre types (Fig. 2). Les sites de N’Dali et Parakou, à l’est de la zone d’étude et géographiquement contigus, présentent des profils similaires : un faible stock de terres disponibles (fortes valeurs de SA1 et I2), des cultures pour moitié alimentaires (SA3) et diversifiées (SA2), avec une forte représentation des cultures pérennes (faible valeur de I1). Le site de Gogounou, également marqué par un stock limité de terres disponibles, se distingue par une faible diversité de productions essentiellement céréalières. À l’inverse, à l’Ouest, les sites de Pehunco et de Djougou disposent encore de réserves de terres agricoles, avec une diversification moins marquée que dans la zone Est et très orientée vers les cultures alimentaires. Enfin, au sud de la zone, le site de Ouesse se caractérise par une faible extension (contrainte par des espaces naturels protégés) et intensification des surfaces agricoles, mais des productions variées.

Fig. 2 Exemple de typologie des villages basée sur un groupe d’indicateurs agricoles normalisés calculés à partir des cartes d’occupation des sols de 2023 au niveau L1 (S2 et SPOT6/7 ; 1,6 m de résolution). Example of a typology of villages based on a set of standardized agricultural indicators calculated from the 2023 land cover maps at level L1 (S2 and SPOT6/7; 1.6 m resolution).

4.2 Dynamique saisonnière des paysages pastoraux

Une forte variation des conditions pastorales se dégage de la comparaison des six sites sous divers degrés d’intensification agricole (Fig. 3). La variabilité saisonnière de l’accessibilité et de la fragmentation est marquée dans les sites avec une forte part agricole (Gogounou et N’Dali), quand la faible amplitude qui caractérise Ouesse est expliquée par les grandes savanes qui s’y trouvent. Les tendances révélées par ces indicateurs montrent une forte corrélation suggérant qu’accessibilité et fragmentation évoluent similairement à l’échelle des sites. Cependant, les indicateurs liés à l’accès à l’eau pour Djougou et Parakou démontrent que la distance à l’eau n’est pas toujours liée aux obstacles (Parakou) mais aussi à la dispersion des eaux de surface (Djougou).

Fig. 3 Exemples d’indicateurs du contexte pastoral et de ses variations saisonnières pour les six sites d’étude. Les indicateurs sont calculés à partir des cartes d’occupation des sols de 2023 au niveau L1 (S2 and SPOT6/7 ; 1,6 m de résolution) et des données ACLED. Examples of indicators of the pastoral context and its seasonal variation for the six study sites. The indicators are derived from the 2023 land cover maps at level L1 (S2 and SPOT6/7; 1.6 m resolution) and ACLED data.

4.3 Originalités et limites de l’exercice

Les indicateurs définis sur la base des activités de co-construction et des cartes OS du projet OBSYDYA permettent un suivi annuel opérationnel des dynamiques agropastorales à très fine échelle alors que l’analyse de ces dynamiques est en général limitée par la disponibilité d’information sur les changements d’OS pour de grandes régions. La nomenclature utilisée est spécifique aux dynamiques agricoles de la région. Ainsi, ce travail démontre que des données d’OS à très haute résolution spatiale peuvent répondre à une variété de besoins de multiples acteurs de ces territoires (Annexes 2 et 3, en matériel supplémentaire). Ces indicateurs sont produits automatiquement à l’aide d’un plugin QGIS. Leur mise à jour repose principalement sur les cartes d’occupation des sols produites localement par les institutions béninoises du consortium OBSYDYA (INRAB et Université de Parakou) grâce à un transfert de compétences engagé sur le long terme (implication étroite des partenaires à l’ensemble des étapes de la chaîne de production, de la collecte des données de terrain à la conception et diffusion des services informationnels).

Les indicateurs issus des données OT présentent néanmoins certaines limites liées notamment aux erreurs de classification de la carte OS (Annexe 1, en matériel supplémentaire) et à une nomenclature restreinte concernant les types de cultures et les types de parcours pour le bétail. Par ailleurs, les indicateurs élaborés à partir des cartes au niveau L1 nécessitent des images satellite payantes. Enfin, la production de certains indicateurs dépend de la disponibilité d’informations complémentaires, telles que les limites des couloirs de passage ou les données de population locale. Ainsi, la production d’indicateurs pour le suivi des dynamiques interannuelles reste tributaire d’une actualisation régulière des cartes et données annexes, ce qui nécessite la durabilité du savoir-faire, un budget annuel, et une adaptation du processus en cas de changement de source de données (capteur, produit).

5 Conclusions et perspectives

Dans cet article, nous avons présenté le processus de co-construction de 21 indicateurs spatialisés de suivi des dynamiques agropastorales au Bénin à partir de données satellitaires. Ces indicateurs permettront le déploiement d’un service informationnel géospatial issu de données d’observation de la Terre, pour un soutien durable des institutions béninoises en charge de l’élaboration et de la mise en œuvre des politiques agricoles, et des structures d’appui au secteur agricole.

Plusieurs perspectives concernant la production d’indicateurs pour le suivi et la gestion des systèmes agropastoraux se dégagent de cette étude. En premier lieu, il demeure essentiel de renforcer la précision des cartes d’occupation des sols et d’en affiner la nomenclature (jachères, cultures associées, cultures irriguées, plans d’eau temporaires ou de faible superficie, etc.), en mobilisant à la fois des algorithmes de traitement d’images plus performants et des données satellitaires complémentaires (PlanetScope par exemple). Par ailleurs, la base de données existante pourrait être enrichie par de nouveaux indicateurs – notamment ceux identifiés lors de l’étape de co-construction – basés à la fois sur les récents produits OT et sur les résultats scientifiques issus de ce projet ; les recherches en cours portent sur la cartographie des types de systèmes agraires, la mécanisation du travail du sol, la rotation des cultures, l’accessibilité aux marchés, les types d’agroforesterie, la biomasse herbacée disponible pour le bétail et les services écosystémiques. La cartographie détaillée des couloirs de passage existants offrirait l’opportunité d’affiner les indicateurs pastoraux, et le développement de nouveaux indicateurs pourrait soutenir la création de couloirs adaptés aux dynamiques actuelles de ces paysages. Enfin, les indicateurs agricoles et pastoraux produits sur un même territoire pourraient être combinés à ceux des milieux naturels pour identifier des archétypes et des trajectoires territoriaux, favorisant ainsi un suivi intégré de l’état des paysages et de leur conservation.

Ce processus reproductible de cartographie et d’analyse des dynamiques agropastorales peut être déployé dans d’autres régions d’Afrique de l’Ouest, afin de soutenir la mise en œuvre de mesures concrètes, adaptées à leurs contextes et contraintes spécifiques.

Remerciements

Cette étude a été menée dans le cadre du projet OBSYDYA financé par l’Union européenne (DESIRA, #FOOD/2020/417-846). Les auteurs remercient les participants et organisateurs du World Café de Parakou, les consultants de la campagne 2024, Laurent Houéssou de l’Université de Parakou, ainsi que les autorités communales pour avoir partagé les coordonnées des couloirs de passage du site de Gogounou.

Matériel supplémentaire

Annexe 1. Matrice de confusion et précisions des classes d’occupation des sols de la carte 2023 au niveau L0.

Annexe 2. Synthèse de l’atelier participatif « Agriculture » du 10–11 mai 2023 sur les besoins en information et les indicateurs de suivi. Pour chaque indicateur, la faisabilité de production cartographique à partir de données de télédétection est précisé (OUI : indicateur opérationnel ; RECHERCHE : indicateur nécessitant des travaux de recherche sur des proxys, car lien indirect avec les données spatiales ; NON : indicateur non obtenable).

Annexe 3. Synthèse de l’atelier participatif « Élevage » du 10–11 mai 2023 sur les besoins en information et les indicateurs de suivi. Pour chaque indicateur, la faisabilité de production cartographique à partir de données de télédétection est précisé (OUI : indicateur opérationnel ; RECHERCHE : indicateur nécessitant des travaux de recherche sur des proxys, car lien indirect avec les données spatiales ; NON : indicateur non obtenable).

Annexe 4. Traduction en anglais des indicateurs agropastoraux.

Références

Liste des tableaux

Liste des figures

Fig. 1 (a) Carte d’occupation des sols de la zone d’étude au niveau L0 en 2023, et localisation des six sites d’étude. (b) Détail du site de N’Dali aux niveaux L0 (S2 ; 10 m de résolution) et L1 (S2 et SPOT6/7 ; 1,6 m de résolution). (a) Level L0 land cover map of the study area in 2023, and location of the six study sites. (b) Detailed view of the N’Dali site at levels L0 (S2; 10 m resolution) and L1 (S2 and SPOT6/7; 1.6 m resolution).

Dans le texte

	Fig. 2 Exemple de typologie des villages basée sur un groupe d’indicateurs agricoles normalisés calculés à partir des cartes d’occupation des sols de 2023 au niveau L1 (S2 et SPOT6/7 ; 1,6 m de résolution). Example of a typology of villages based on a set of standardized agricultural indicators calculated from the 2023 land cover maps at level L1 (S2 and SPOT6/7; 1.6 m resolution).
Dans le texte

Fig. 3 Exemples d’indicateurs du contexte pastoral et de ses variations saisonnières pour les six sites d’étude. Les indicateurs sont calculés à partir des cartes d’occupation des sols de 2023 au niveau L1 (S2 and SPOT6/7 ; 1,6 m de résolution) et des données ACLED. Examples of indicators of the pastoral context and its seasonal variation for the six study sites. The indicators are derived from the 2023 land cover maps at level L1 (S2 and SPOT6/7; 1.6 m resolution) and ACLED data.

Dans le texte