Cartographie de L'érosion Hydrique Des Sols Et Priorisation Des Mesures de Conservation Dans Le Territoire D'uvira (République Démocratique Du Congo)

12/22/22, 9:15 AM Cartographie de l’érosion hydrique des sols et priorisation des mesures de conservation dans le territoire d’Uvira (Républiqu…
VertigO - la revue
électronique en sciences de
l'environnement
Volume 20 numéro 3 | décembre 2020
Gestion des ressources naturelles : réflexion impertinente autour des ressources
naturelles et de leur finalité
Section courante
Cartographie de l’érosion
hydrique des sols et priorisation
des mesures de conservation
dans le territoire d’Uvira
(République démocratique du
Congo)
Jean Nacishali Nteranya
https://doi.org/10.4000/vertigo.28888
Résumés
Français English
L’érosion des sols est un risque naturel qui est exacerbé par les activités anthropiques en
République démocratique du Congo. Cependant, il existe peu d’information sur la spatialisation
de ce phénomène à l’échelle territoriale. Cette étude est basée sur l’utilisation du modèle USLE
(Universal Soil Loss Equation) et des données en accès libre pour cartographier les zones à
risque d’érosion et faire la priorisation des zones pour la conservation des sols dans le territoire
d’Uvira. Au regard de résultats, 52,79 % du territoire est caractérisé par un risque d’érosion faible
tandis que 47,21 % font face à un risque de perte de sol supérieure à la limite tolérable de
11 t/ha/an dans le contexte des paysages tropicaux et montagneux. Ce risque est accentué par la
perte du couvert végétal au profit de l’extension des zones urbaines et agricoles. Le faible niveau
de sensibilité à l’érosion se trouve au niveau de la plaine de la Ruzizi tandis que les zones situées
dans les plateaux présentent une forte sensibilité en raison de leur relief accidenté et une
pluviosité forte. L’analyse statistique des rapports de fréquence des glissements de terrain montre
l’existence d’une relation entre leur occurrence et les zones d’intensité d’érosion. La modélisation
de la perte de sol en fonction des différentes méthodes de protection de sol montre que
https://journals.openedition.org/vertigo/28888 1/32
l’approche de mise en place des bandes enherbées et l’aménagement des terrasses sont les plus
appropriés pour réduire le risque d’érosion dans ce secteur. Ces méthodes peuvent être associées
aux efforts d’afforestation pour une protection efficace des sols.
Soil erosion is among the natural hazards that are exacerbated by human activities in the
Democratic Republic of Congo (DRC). However, there is little information on the spatialization of
this phenomenon at the territorial level in the DRC. This study assesses the potential use of
Geographic Information System (GIS) techniques and open access data to map areas at risk of
erosion and prioritize areas for soil conservation in Uvira’s territory. In terms of results, 52.79%
of this territory is characterized by a low risk of erosion with an average soil loss of 6.08 t ha-1
year-1 while 47.21% faces a risk of soil loss which excess the tolerable limit of 11 t ha-1 year-1 for
highlands of tropical areas. This risk is accentuated by the loss of vegetation cover in profit of
agricultural activities and urbanization. The low level of sensibility to erosion is found in the
Ruzizi plain while the areas in the plateaus are highly susceptible due to their rugged terrain and
high rainfall intensity. The statistical analysis of the frequency ratios of landslide shows the
existence of a relationship between their occurrence and erosion intensity zones defined on the
basis of the Universal Soil Loss Equation (USLE model). Soil loss modeling for different soil
protection methods shows that the grassland banding and terracing approach are most
appropriate to reduce the risk of erosion in this area. These methods can be combined with
afforestation efforts for effective soil protection in Uvira.
Entrées d’index
Mots-clés : érosion, SIG libre, aménagement du territoire, conservation des sols, République
démocratique du Congo
Keywords : erosion, open GIS, spatial planning, soil conservation, Democratic Republic of
Congo
Texte intégral
Introduction
1 Le territoire d’Uvira, situé en République Démocratique du Congo (RDC), fait partie
intégrante du Rift est-africain. Cette région a subi ces dernières années une
recrudescence des risques hydro-climatiques avec des conséquences souvent
catastrophiques. Le territoire d’Uvira en particulier est en proie à des problèmes
d’érosion (Ongezo et al., 2014) qui menacent les écosystèmes du lac Tanganyika,
dégrade les sols, les ressources hydriques et les infrastructures urbaines. Ce problème
est exacerbé par le contexte topographique, climatique, géologique et démographique
particulier de ce territoire. En effet, le changement d’occupation de terre a favorisé
l’extension des zones agricoles et urbaines au détriment des zones forestières. Par
ailleurs, suite à une croissance démographique galopante dans la cité d’Uvira et suite
aux contraintes foncières, la population qui était jadis concentrée au niveau des plaines
alluviales tend à occuper aussi les zones à forte altitude qui présentent une forte
susceptibilité aux risques d’érosion et au glissement des terrains.
2 Pour maintenir la productivité dans cette zone, assurer l’habitabilité à long terme et
contribuer à la protection de la biodiversité, une gestion durable des terres s’avère
nécessaire. C’est ainsi que les recherches sur la cartographie des risques d’érosion sont
importantes pour la planification de l’aménagement du territoire et la conservation des
ressources afin d’atteindre les objectifs de développement durable dans le territoire
d’Uvira. Plusieurs approches sont utilisées dans la cartographie du risque d’érosion. Il
existe des approches empiriques, semi-empiriques et physiques. L’approche par mesure
directe est la plus fiable, mais demande un coût énorme en termes de temps et d’argent
pour la collecte des données (Ganasri et Ramesh, 2015). C’est ainsi qu’à l’absence des
stations de suivi permanentes de perte de sol par l’érosion, l’approche par la
modélisation utilisant le Système d’Information géographique (SIG) peut permettre de
donner une première approximation du risque d’érosion à l’échelle d’un bassin versant
ou d’un territoire plus large en identifiant les zones à haut risques (Tamene et al., 2017;
Tadesse et al., 2017). Cette approche contribue également à la priorisation des zones
pour la conservation (Singh et Kumar, 2017; Gashaw et al. 2017).
3 Dans le territoire d’Uvira, quelques études ont associé le SIG et le modèle SWAT (Soil
and Water Assessment Tool) pour déterminer les sources de sédiment au niveau des
sous-bassins du Lac Tanganyika. C’est le cas des travaux de Ongezo et al. (2014) dans le
micro-bassin de Mulongwe et de Azanga et al. (2016) dans le micro-bassin versant de
Kalimabenge. Ces travaux ne portent que sur des superficies limitées en raison du
manque des données hydrométéorologiques de terrain (données météorologiques,
données de débit fluvial, des flux de sédiments et des nutriments) qui sont nécessaires
pour calibrer et valider le modèle SWAT sur de vastes étendues et pour une longue
période. Il manque cependant des informations à l’échelle du territoire pour guider le
choix de décideur lors de l’aménagement du territoire d’Uvira. C’est dans ce contexte
que ce travail tente de montrer comment l’intégration des données multisources à accès
libre au travers l’utilisation d’un SIG libre (QGIS et SAGA GIS) et l’Équation universelle
de perte de sol (USLE) de Wischmeier et Smith (1978) offrent une possibilité pour la
cartographie rapide et à moindre coût du risque d’érosion hydrique à l’échelle du
territoire. Cette approche permettra de déterminer les zones prioritaires pour la
conservation des terres.
Matériel et méthode
Milieu d’étude
4 Le territoire d’Uvira est situé dans la province du Sud-Kivu en République
démocratique du Congo (RDC). Il est limité au nord par le territoire de Walungu, au
sud par le territoire de Fizi, à l’est par le Lac Tanganyika et la rivière Ruzizi, à l’ouest
par le territoire de Mwenga (Figure 1). Il présente un réseau hydrographique très dense
constitué du lac Tanganyika et des rivières qui prennent naissance dans la chaîne des
Mitumba située à l’Ouest à plus de 1500 m d’altitude.
Figure 1. Localisation du territoire d’Uvira / Location of the Uvira territory.
5 Le territoire d’Uvira se situe dans la branche occidentale du Rift Est-Africain qui est
caractérisé par une morphologie en escalier des failles faite d’une succession des horsts
et de graben (Ilunga, 1991). Son soubassement géologique est constitué des formations
précambriennes et des formations récentes d’ère quaternaire. Les formations anciennes
sont du burundien, plissées et métamorphisées. On y trouve les gneiss, quartzites,

micaschistes, amphibolites, schistes, granites. Quant aux formations du Quaternaire, on
peut distinguer: les alluvions anciennes sablo-graveleuses, avec de grands blocs des
roches précambriennes; les diverses formations du delta de la Ruzizi et les dépôts de la
plage actuelle (Ilunga, 1991). Son relief est caractérisé par deux grands ensembles
géomorphologiques nettement distincts: la plaine littorale et le versant oriental de la
chaîne des Monts Mitumba (Ilunga et Alexandre, 1982). Se référant aux données
disponibles dans la base des données SOTERCAF, 7 unités des sols sont répertoriées
dans le territoire d’Uvira (Figure 2). Les ferrassols humiques, les acrisols hapliques et
les phaeozems luviques sont les plus prépondérantes et représentent respectivement
40,30; 33,09 et 16,35 % de la superficie totale tandis que les cambisols dystriques, les
mollie fluvisols, solonchaks gleyiques et les vertisols eutriques sont les moins
prépondérantes et représentent respectivement 0,01; 2,95; 3,08 et 4,22 % de la
superficie totale.
Figure 2. Pente (a), Altitude (b), Type des sols (c) et Précipitation annuelle (d) dans le
territoire d’Uvira / Slope (a), Altitude (b), Soil type (c) and Annual precipitation (d) in the
territory of Uvira.
ACh (Haplic Acrisols), CMd (Dystric Cambisols), FLm (Mollie Fluvisols), FRu (Humic Ferralsols), PHI (Luvic
Phaeozems),SCg (Gleyic Solonchaks), VRe (Eutric Vertisols)
6 Le territoire d’Uvira est caractérisé par des altitudes contrastées qui augmentent de
l’est vers l’ouest avec des valeurs allant de 767 m à 3291 m. L’altitude moyenne est de
1945 m. La pente varie entre 0 et 57° avec une moyenne de 12,54°. Les pentes faibles se
trouvent à l’est du territoire au niveau de la plaine de Ruzizi et des rivages du lac
Tanganyika. Par contre, les pentes fortes sont au centre du territoire et dans le versant
oriental de la chaîne des monts Mitumba qui sont entaillés par les cours d’eau qui
prennent naissance et formant des vallées très encaissées. Ce territoire jouit d’un climat
tropical qui est contrasté par son relief qui s’élève progressivement de l’est vers l’ouest.
Ce climat est marqué par une alternance d’une saison de pluie allant du septembre en
avril et d’une saison sèche qui va de mai en août (Ngumbu, 2004). Les précipitations
annuelles varient entre 868 mm et 2041 mm avec une moyenne de 1525 mm. Au niveau
de la cité d’Uvira, les précipitations sont inférieures à 1000 mm, mais avec
l’accroissement de l’altitude, les précipitations sont comprises entre 1000 et 2000 mm
au niveau des hauts plateaux au centre et à l’Ouest (Figure 2).
Données et méthode
7 Les données utilisées (Tableau 1) sont de différentes sources et ont été projetées dans
le système WGS 84, UTM zone 35 Sud. Il s’agit des données climatiques issues de la
base des données Wordclim2.01, les données pédologiques issues de la base des
données Soil and Terrain database of Central Africa (SOTERCAF1.0)2, les données
SRTM (Shuttle Radar Topography Mission) et les images Landsat 7 du 30 août 2016 et
du 19 août 2006 issues du site de l’USGS3pour voir l’évolution de la densité du couvert
végétal sur une période de 10 ans. Ces données ont permis d’estimer les paramètres de
l’Équation universelle des pertes de sol (USLE - Universal Soil Loss Equation) de
Wischmeier et Smith (1978). Ce modèle permet de calculer les pertes en sol annuelles
moyennes possibles à long terme (A) par l’érosion hydrique en fonction des paramètres
climatiques, topographiques, pédologiques et le mode d’usage et de conservation des
terres. Cette équation est définie par:
A = R * K * LS *C * P, A (en t/ha.an)
R l’indice d’érosivité des pluies (MJ.mm/ha.h.an),
K l’indice d’érodibilité des sols (t.ha.h/ha.MJ.mm),
LS le facteur topographique (adimensionnel),
C le facteur de végétation (adimensionnel),
P le facteur de pratique de soutien ou facteur de protection (adimensionnel).
Tableau 1. Données utilisées / Used data.
Type de Facteur Échelle / Taille

Format Source des données
données associé du Pixel
Raster (Géo
SRTM LS 30 m http://earthexplorer.usgs.gov
Tif)
Raster (ESRI Wordclim2.0

Climat R 1 km
grids) http://worldclim.org/version2
Carte Vecteur SOTERCAF1.0

K 1/2000000
pédologique (Shape) www.isric.org
Raster
Landsat 7 C 30 m http://earthexplorer.usgs.gov
(Shape)
8 Le facteur R a été calculé grâce à l’équation R = - 8.12 + (0.562 x P) (Hurni, 1985;

Belayneh et al., 2019), P étant la précipitation moyenne annuelle calculée grâce aux
données climatiques Wordclim2.0 de 1950 à 2000 (Fick et Hijmans, 2017). Le choix de
cette équation est dicté par la disponibilité des données d’entrées et le contexte
(climatique et géographique) du secteur d’étude. En effet, l’équation USLE dans sa

forme originale requiert des données d’intensité de précipitation pour calculer le
facteur R (Wischmeier et Smith 1978). Cependant, suite à l’absence des données
d’intensité des pluies dans certaines régions, c’est notamment le cas pour le secteur
d’Uvira, des équations empiriques des corrélations entre R et la précipitation moyenne
annuelle (P) ont été établies pour faciliter le calcul de R (Lo et al., 1985; Renard et
Freimund, 1994; Roose, 1977; Hurni, 1985; Nguyen, 1996). Ces équations ont été
développées pour être utilisées dans des contextes géographiques et climatiques
spécifiques. En Afrique, Roose (1977) a établi une relation simple entre l’érosivité
annuelle moyenne R (ft tons inch acre-1 h-1 year-1) et la précipitation annuelle P (mm)
pour l’Afrique de l’Ouest (Côte d’Ivoire, Burkinafaso, Sénégal, Niger, Chad, Cameroun
et Madagascar):
9
10 Cette équation a été utilisée dans le passé en R.D. Congo par Ndolo (2015) dans le
bassin versant de la rivière Ndjili. Toutefois, cette relation n’est pas valide dans les
régions montagneuses, dans les zones côtières ainsi que dans les zones tropicales de
transition entre 1 et 2 saisons de pluie (Roose, 1977). Étant donné que le territoire
d’Uvira fait partie des paysages montagneux de la branche occidentale du Rift est
africain, l’équation de Roose (1977) n’est plus applicable dans ce secteur. C’est ainsi
que, dans le cadre de cette étude, l’équation de Hurni (1985), préalablement développée
pour le contexte de l’Éthiopie, a été utilisée. Le choix de cette équation se justifie par le
fait qu’elle est applicable dans les zones montagneuses du Rift est africain, jouissant
d’un climat sub-tropical avec une gamme des variations des précipitations qui est
similaires à celle du territoire d’Uvira. En effet, cette équation a été appliquée dans des
zones montagneuses où les précipitations moyennes annuelles varient entre 1024 mm
et 2091 mm (Gashaw et al., 2017; Belayneh et al., 2019). Dans la cité d’Uvira, il existe
une seule station météorologique qui est basée au Centre de Recherche en
Hydrobiologie (CRH) et dont les précipitations moyennes sont de 1100 mm pour la
période de 1975 à 2008 (Ongezo, 2014). Disposant des données de précipitation
moyenne annuelle uniquement pour une seule station sur l’ensemble du territoire, la
précipitation moyenne correspondant à la station du CRH n’a pas été utilisée pour
calculer R; auquel cas nous aurions une valeur unique de R pour tout le territoire
d’Uvira. De ce fait, les précipitations moyennes annuelles calculées sur base des
données climatiques Wordclim2.0 de 1950 à 2000 (Fick et Hijmans, 2017) ont été
utilisées pour trouver R et pour tenir compte de la variabilité spatiale des précipitations
dans ce secteur.
11 Le facteur topographique LS tient à la fois compte de la longueur de pente (L) et de la
valeur angulaire de la pente (S) qui influencent la vitesse de ruissellement de surface et
jouent un rôle important dans l’érosion et le glissement de terrain (Sarathi et Pani,
2015). Initialement, le facteur L a été défini par Wischmeir et Smith (1978) suivant la
relation L = (λ/22.13)m avec λ la longueur de la pente en mettre et m équivaut à 0,5
pour les pentes plus raide que 5 %; 0,4 pour les pentes comprises entre 3 %-4 %; 0,3
pour les pentes se trouvant entre 1 %-3 % et 0,2 pour les pentes inférieures à 1 % pour
une parcelle élémentaire de 22,13 m. Le facteur S de la raideur de la pente qui reflète
l’influence du gradient de pente sur l’érosion peut être estimé suivant l’équation de
McCool et al. (1978): S=10,8*sinθ+0,03 lorsque tangθ<9% et S=16,8*sinθ-0,5 si tangθ
≥9%, θ est le gradient de la pente en degré. Cependant, pour les zones à topographie
complexe comme le territoire d’Uvira dont la complexité morphologique s’explique par
le contexte de rifting dont il fait partie, l’équation de Desmet et Govers (1996) est la
plus appropriée (Panagos et al., 2015). Cette équation est donnée par :
12 avec Li,j, le facteur de la longueur de pente pour une cellule de grille de cordonnées
(i,j); Ai,j-in étant la surface d’accumulation des flux ou l’aire de contribution à la cellule
de grille d’entrée (i,j) mesurée en m2; D la taille de cellule de grille en mettre,

Xi,j=sinai,j+cosai,j; ai,j est la direction de l’aspect de la cellule de grille de cordonnées
(i,j); m varie entre 0 et 1 et est donné par la relation
13 θ est l’angle de pente en degré.

14 Dans le territoire d’Uvira, le facteur LS a alors été calculé à partir d’un Model
numérique de terrain (MNT) dérivé d’une image SRTM de 30 m de résolution spatiale
grâce à l’outil de géotraitement (Basic terrain analysis) de SAGA GIS 2.3.2 (System for
Automated Geoscientific Analyses) suivant l’équation de Desmet et Govers (1996). Ces
derniers ont développé un algorithme pour calculer le facteur L en se basant sur
l’équation de Foster et Wischmeier (1974), dans laquelle ils considèrent l’accumulation
des flux comme une estimation de la longueur de la pente. Dans un premier temps, un
prétraitement de l’image SRTM par remplissage des cuvettes a été réalisé dans le
logiciel QGIS grâce à l’outil fill sink. Ensuite, le module basic terrain analysis de SAGA
GIS a permis de faire le calcul de LS.
15 L’indice d’érodibilité des sols K (t.ha.h/ha.MJ.mm) est une valeur numérique qui
varie entre 0 et 1. La valeur d’érodibilité de sol proche de 0 représente un sol moins
sensible à l’érosion hydrique (Ganasri et Ramesh, 2015). Dans la forme originale du
modèle USLE, le facteur K est déterminé expérimentalement en considérant la texture
et la structure, le contenu en matière organique et la perméabilité du sol (Wischmeier et
Smith, 1978). Le monographe de sol est la méthode la plus utilisée pour obtenir la
valeur du facteur K en fonction de ces paramètres (Gashaw et al., 2017). Il existe
également des méthodes alternatives qui excluent la structure et la perméabilité des
sols dans le calcul de K. De ce fait, le choix de l’équation ou de la méthode à utiliser lors
du calcul de K dépend de la disponibilité des données pédologiques (Benavidez et al.,
2018). Dans le cadre de cette étude, l’érodibilité K pour les différentes classes texturales
de sol a été calculée grâce à l’équation de William (1995). Le choix de l’équation de
Willian (1995) pour le calcul du facteur K est lié à la disponibilité des données
pédologiques dans le secteur d’étude. En effet, suivant cette équation le facteur K est
calculé en utilisant les propriétés des sols telles que le taux d’argile, de sable, de limon
et la fraction de carbone organique. Ces données peuvent être extraites dans la base des
données SOTERCAF1.0 (Soil and Terrain database for Central Africa). Cette base des
données comprend un shapefile (polygone) des unités pédologiques dont la table
attributaire contient les propriétés des sols des pays d’Afrique Centrale (R.D. Congo,
Burundi et Rwanda) qui ont été compilé par différentes organisations de 1940 à 2001
(Batjes, 2007). Le shapefile de la limite du territoire d’Uvira telle que défini par le
Référentiel géographique commun (RGC) a permis d’extraire (découper) la carte des
unités pédologiques de ce territoire (Figure 2).
16 L’équation de Willian (1995) est donnée par la relation:
17 K = ƒcsand * ƒcl – si * ƒorgc * ƒhisand
18 où fcsand est un paramètre qui donne un facteur d’érodibilité faible pour les sols avec
un contenu en sable élevé et un facteur élevé pour les sols avec peu de sable, fcl-si est un
facteur qui donne un facteur d’érodibilité faible pour le sol avec un grand rapport
argile/silt, forgc est un facteur qui réduit l’érodibilité pour des sols avec un contenu en
carbone organique, fhisand est un facteur qui réduit l’érodibilité de sol pour les sols avec
des contenus en sable extrêmement élevé.
19 Où ms est le pourcentage en sable (diamètre des particules de 0,05-2,00 mm), msilt

est le pourcentage de silt contenu (0,002-0,05 mm de diamètre), mc est le pourcentage
en argile contenu (diamètre des particules <0,002 mm), et orgC est le contenu en
carbone organique (%). Ces paramètres ont été tous calculés suivant les formules
proposées par William (1995) en se basant sur les données relatives à la composition
des sols de la RDC telles que présentées dans la base des données SOTERCAF 1.0. Pour
chaque unité pédologique, les propriétés du sol nécessaire au calcul du facteur K ont été
extraites en se référant à la table attributaire des données. Le tableau 2 contient les
données extraites de la base des données SORTECAF et qui ont été utilisées dans le
calcul de K pour le territoire d’Uvira.
Tableau 2. Propriétés et classification des sols dans le territoire d’Uvira / Soils properties
in Uvira Territory.
Classification des Code % % % C organique %C

sols (FAO) Sable Silte Argile (g.kg-1) organique
Acrisols hapliques ACh 21 29 50 80,8 8,08
Cambisols
CMd 48 15 37 20,4 2,04
dystriques
Mollie Fluvisols FLm 0 43 57 46,9 4,69
Ferralsols
FRu 31 25 44 36,16 3,616
humiques
Phaeozems
PHl 49 22 29 16,4 1,64
luviques
Solonchaks
SCg 35 46 19 24,51 2,451
gleyiques
Vertisols eutriques VRe 10 25 65 25,4 2,54
20 Le facteur C de couverture du sol (adimensionnel) représente les effets de la

couverture végétale du sol et des pratiques de gestion sur l’érosion du sol (Ndolo, 2015).
C’est le rapport entre les pertes en sols nus sous des conditions spécifiques et les pertes
en sols correspondants aux sols sous système d’exploitation (Alexandridis et al., 2014).
Une manière simple de déterminer ce facteur dans les zones où les stations
expérimentales de suivi de perte de sol ne sont pas encore installées, consiste à assigner
des valeurs de C aux types d’occupation de sol en se référant sur les valeurs disponibles
dans la littérature ou les valeurs de C trouvées dans la même région. Cependant, la
définition de classes d’occupation des sols dépend d’un pays à l’autre. À titre illustratif,
une classe forêt peut représenter une forêt tropicale dans un pays et une forêt à pin
dans un autre pays (Benavidez et al., 2018). Pour pallier à ce problème, une approche
de détermination de C en se basant sur les valeurs de NDVI (Normalized Difference
Vegetation Index) a été proposée par plusieurs auteurs (Van der Knijff et al., 2000,
Durigon et al., 2014, De Jong, 1994). En R.D. Congo, les deux approches ont été
appliquées dans l’estimation du facteur C. En effet, Tshikeba et al. (2018) ont estimé les
valeurs du facteur C dans la ville de Kinshasa en assignant les classes d’occupation des
sols obtenues à partir de la carte Glob Land Cover (2008-2012) aux valeurs de C
disponibles sur le site internet de European Space Agency, Climate Change Initiative4.
Par contre, Karamage et al. (2016) ont utilisé la relation C-NDVI pour trouver les
valeurs de C dans le bassin du Lac Kivu. Cette dernière approche a été privilégiée dans
le cadre de cette étude étant donné que les valeurs de C correspondant aux différentes
classes d’occupation de sol ne sont pas disponibles pour le contexte spécifique du
secteur d’étude. Dans le territoire d’Uvira, le facteur C a été calculé grâce à l’équation C
= exp (-a (NDVI / (b - NDVI))), a et b étant les paramètres de forme de la courbe C-
NDVI (Oliveira et al., 2015). Le NDVI a été calculé à partir des images Landsat 7 du
30 août 2016 et de 19 août 2006 pour déterminer l’évolution spatiale de la densité du
couvert végétal sur une période de 10 ans. Les valeurs de a et b ont été obtenues en se
référant aux travaux similaires réalisés en R.D. Congo. Pour ce faire, les valeurs de a=2
et b=1 adoptées par Karamage et al. (2016) dans le bassin du lac Kivu ont été utilisées.
21 Le facteur de pratique de soutien ou de conservation (adimensionnel) a une valeur
qui varie entre 0 et 1, les valeurs qui se rapprochent de 0 indiquent de bonnes pratiques
de conservation et les valeurs qui se rapprochent de 1 indiquent des pauvres pratiques
de conservation (Ganasri et Ramesh, 2015). Ce facteur exprime l’effet des pratiques de
conservation (paillage, afforestation, culture en courbe de niveau, aménagement des
terrasses, etc.) sur la réduction de l’érosion. Selon le projet LADA (Land Degradation
Assessment in Drylands), à l’exception de l’Égypte et de l’Afrique du Sud, dans la
plupart des pays africains, la R.D. Congo y compris, il existe des pauvres pratiques de
gestion de terre (Nachtergaele et al., 2010; Karamage et al., 2016). A l’absence des
données sur le mode de protection de sol, la valeur maximale de P=0,75 proposée par le
projet LADA (Land Degradation Assessment in Drylands) pour les pays africains avec
des aménagements mineurs des terres (Nachtergaele et al., 2010; Karamage et al.,
2016) a été utilisé plutôt qu’une valeur de 1 qui indique une absence des pratiques de
conservation. Dans le territoire d’Uvira, il y a des efforts d’afforestation qui ont été
entrepris sous l’impulsion des organisations non gouvernementales pour suppléer aux
besoins en bois énergie dans ce secteur et pour la promotion des activités
agroforestières. Ces efforts quoique mitigés contribuent en une certaine mesure à la
conservation des sols dans ce territoire.
22 Pour la détermination des zones prioritaires pour la conservation des sols, il s’est
avéré, dans un premier temps de calculer la susceptibilité du terrain à l’érosion en
fonction de la topographie, du climat et de la pédologie (A=RKLS). Ceci a permis de
calculer l’érosion potentielle (de Figueiredo et Fonseca, 1997; Pradhan et al., 2012; Le
Van et al., 2014; Karamage et al., 2018). La spatialisation du risque d’érosion dans le
territoire d’Uvira a exigé l’intégration des facteurs de couverture et de protection de sol
à la démarche précédente. Les différentes cartes issues de cette approche ont ensuite
été comparées de manière visuelle pour déterminer les zones les plus affectées par
l’érosion. Dans cette optique, des classes de perte de sols ont été définies pour prioriser
les zones de conservation. Dans un premier temps, la limite de perte de sol tolérable de
11 t/ha/an pour les paysages montagneux tropicaux (Gashaw et al., 2017) a été adoptée
afin de discriminer les zones qui dépassent la limite tolérable de perte de sol et qui
nécessitent des mesures particulières de conservation. En second lieu, 5 classes
d’intensité d’érosion ont été définies en s’inspirant de la classification de Adinarayana
et al. (1999) et en tenant compte de la limite tolérable de 11 t/ha/an (Gashaw et al.,
2017). Adinarayana et al. (1999) ont distingué quatre classes d’intensité d’érosion pour
les bassins montagneux et hétérogènes en fonction de la perte annuelle de sol: (a) très
sévère (>50 t/ha/an), (b) sévère (40-50 t/ha/an), (c) modérée à sévère (20-
40 t/ha/an), (d) faible à modérée (<20 t/ha/an). Tenant compte de la limite tolérable
de 11 t/ha/an, dans le contexte du territoire d’Uvira, la classe d’intensité faible à
modérée (<20 t/ha/an) a été subdivisée en deux classes: une classe d’intensité
d’érosion faible (Classe I) dont la perte de sol annuelle est inférieure à 11 t/ha/an (0-
10 t/ha/an) et une classe d’intensité d’érosion modérée (Classe II) dont la perte de sol
annuelle est comprise entre 10 et 20 t/ha/an. De 20 à 30 t/ha/an, l’intensité d’érosion a
été considérée comme étant élevée (classe III). Dans le contexte des zones
montagneuses de l’est de l’Afrique, en Éthiopie par exemple, Belayneh et al., (2019) ont
considéré qu’une perte de sol inférieure à 5 t/ha/an correspond à une très faible
intensité d’érosion tandis qu’une perte de sol de 30 à 50 t/ha/an équivaut à l’érosion
sévère (classe IV) et lorsque la perte des sols est supérieure à 50 t/ha/an, l’érosion est
très sévère (Classe V).
23 Pour déterminer l’influence des différentes méthodes de protection de sol
(terrassement, contour, bandes enherbées) sur le risque d’érosion, les valeurs du
paramètre P en fonction de la pente telles que proposées par Shin (1999) pour les
différents modes de protection de sol ont été utilisées. Cette alternative a permis
d’envisager des perspectives d’aménagement du territoire d’Uvira.
24 Les données vectorielles et matricielles étant des différentes sources et de résolution
spatiales différentes, elles ont été découpées suivant les limites du territoire d’Uvira
telles que définies sur la carte administrative de la R.D. Congo dans le Référentiel
géographique commun (RGC) et ont été reprojetées dans le système WGS 84, UTM
(Universal Transverse Mercator) zone 35 Sud. Un processus de rééchantillonnage a
permis d’harmoniser les données matricielles (raster) à une même résolution spatiale
de 30 m. Pour cela, la méthode d’interpolation spatiale basée sur le plus proche voisin a
été appliquée afin de ne pas modifier les valeurs des pixels de l’image raster d’origine.
Dans cette méthode de rééchantillonnage, le pixel prend la valeur du pixel de l’ancien
raster le plus proche et présente l’avantage de ne pas créer de nouvelles valeurs. Tous
les traitements des données ont été réalisées grâce aux logiciels QGIS 2.18.18 (Quantum
GIS) et SAGA GIS 2.3.2 (System for Automated Geoscientific Analysis). De manière
particulière, le logiciel QGIS a été utilisé pour préparer et standardiser les données
d’entrées ainsi que pour faire les calculs (algèbre et statistique spatiale) au moyen des
outils de géotraitement raster calculator et zonal statistics. Par ailleurs, le logiciel
SAGA GIS a permis de calculer le facteur LS grâce à l’outil de géotraitement Terrain
analysis. Cet outil de SAGA GIS comprend le module Basic terrain analysis qui permet
de calculer le facteur LS en utilisant le MNT et ses dérivées comme données d’entrées.
Résultats et discussion
Facteurs de l’érosion hydrique
Le facteur topographique LS
25 L’influence de la longueur de la pente et de son inclinaison sur les processus érosifs
exprimée par le facteur LS (Figure 3) montre que les valeurs se répartissent entre 0,03
et 56,34. Ces valeurs sont modérées (plus de 50 % des valeurs sont supérieures à 5). Les
valeurs les plus faibles se trouvent au niveau de la plaine de Ruzizi et les valeurs les plus
fortes se trouvent au niveau des plateaux à l’Ouest et au centre du territoire. Dans le
territoire d’Uvira, la valeur moyenne de LS est de 2,90 et est inférieure à celle de
4,79 trouvée par Karamage et al. (2016) dans le bassin du Lac Kivu. Les valeurs élevées
du facteur LS exhibent des zones ayant de forts gradients des pentes qui ont une grande
influence sur le facteur LS par rapport à la longueur de la pente. De manière générale,
les zones ayant de forts gradients de pente ont des valeurs élevées du facteur LS du fait
que le gradient de pente est le contrôle majeur des valeurs de LS. Par ailleurs, les
surfaces concaves (zones d’accumulation des flux) ont des valeurs de LS supérieures au
plan convexe (Desmet et Govert, 1996).
Figure 3. Facteur LS / LS Factor.
L’érosivité de pluie R
26 Le territoire d’Uvira jouit d’un climat tropical qui est contrasté par le relief.
L’érosivité de la pluie tout comme la précipitation et l’altitude augmentent
progressivement de l’est vers l’ouest. Le facteur R (Figure 4) varie entre 479,69 et
1138,92 MJ.mm/ha.h.an avec une moyenne de 849,04 MJ.mm/ha.h.an. Dans la plaine
de la Ruzizi et au niveau du littoral du lac Tanganyika où les précipitations ne dépassent
pas 1000 mm, l’agressivité de la pluie est la plus faible. L’agressivité de pluie la plus
élevée se trouve au niveau des hauts et moyens plateaux où les précipitations sont
abondantes (entre 1000 et 2000 mm). Les valeurs de R trouvées dans le Secteur
d’Uvira se rapprochent de celles trouvées par Tshikeba et al. (2018) dans la ville de
Kinshasa où R varie entre 616 à 723 MJ.mm/ha.h.an. Par contre, Karamage et al.
(2016) ont trouvé des valeurs plus élevées dans le bassin du lac Kivu (R moyen=4623
MJ.mm/ha.h.an) où les précipitations moyennes annuelles sont de 1285 mm. Ces
valeurs élevées de R sont liées au fait qu’il a utilisé l’équation proposée par Lo et al.
(1985) qui a été développé dans le contexte d’Hawaï où les précipitations moyennes
annuelles sont inférieures à celles qu’on retrouve dans la région du Kivu.
Figure 4. Facteur R / R Factor.
L’érodabilité des sols K

27 L’érodibilité varie en fonction des types des sols dans le territoire d’Uvira (Tableau 3).
La faible érodibilité des acrisols hapliques (K=0,147) et des ferrasols humiques
(K=0,143) s’explique par leur contenu en matière organique qui est élevé. En dépit de
leur faible taux en matière organique, les cambrisols dystriques présentent l’érodibilité
la plus faible (K=0,13 t.ha.h/ha.MJ.mm) à cause de leur rapport argile-silte qui est
élevé (fcl-si=0,689) et leur taux de sable élevé (fsand=0,20). Par contre, les fluvisols ont
l’érodibilité la plus élevée (K=0,37 t.ha.h/ha.MJ.mm) suite à l’absence des sables
(fsand=0,5).
Tableau 3. Calcul du Facteur K des sols du territoire d’Uvira / Calculation of the K factor in
Uvira Territory.
Classification des Code Facteur

fsand fcl-si forgc fhisand Surface (ha)
sols (FAO) K
Acrisols hapliques ACh 0,207 0,740 0,964 1,000 0,147 111759,60
Cambisols dystriques CMd 0,200 0,689 0,966 0,999 0,133 45,04
Fluvisols mollie FLm 0,500 0,776 0,964 1,000 0,374 9947,94
Ferralsols humiques FRu 0,201 0,737 0,964 1,000 0,143 136080,69
Phaeozems luviques PHl 0,200 0,777 0,970 0,999 0,151 55222,88
Solonchaks gleyiques SCg 0,202 0,901 0,964 1,000 0,176 10413,44
Vertisols eutriques VRe 0,244 0,681 0,964 1,000 0,160 14236,17
28 Les sols du territoire d’Uvira sont fortement érodables. Le facteur K varie entre 0,13
et 0,37 t.ha.h/ha.MJ.mm (Figure 5) avec une moyenne de 0,18 t.ha.h/ha.MJ.mm.
Kamarage et al. (2016) avait trouvé des valeurs de K comprises entre 0,009 et
0,11 t.ha.h/ha.MJ.mm dans le bassin du Lac Kivu. Ceci montre que les sols du territoire
d’Uvira présentent une très grande sensibilité à l’érosion par rapport aux sols du bassin
du Lac Kivu. Les sols développés sur les sédiments lacustres et fluviatiles au niveau des
plaines alluviales et de la zone côtière du lac Tanganyika présentent l’érodabilité élevée
par rapport aux sols développés sur les roches métamorphiques et acides dans les
plateaux.
Figure 5. Facteur K / K Factor.
Le facteur C
29 La faible couverture végétale qui caractérise la zone comprise entre le lac Tanganyika
et le haut plateau explique en partie l’état actuel de l’érosion. Le facteur C (Figure 6)
montre des valeurs comprises entre 0,0075 et 0,689 avec une moyenne de 0,31 qui est
supérieure à celle de 0,15 trouvée par Karamage et al. (2016) dans le bassin du Lac
Kivu. Cette différence en termes de valeurs de C reflète la différence de densité du
couvert végétal dans les deux secteurs. Dans le territoire d’Uvira, il existe des reliques
de forêts qui ont subsisté aux pressions anthropiques et il existe des plantations
agroforestières qui ont été implantées dans ce territoire pour suppléer aux besoins en
bois-énergie. C’est dans ces zones où l’on retrouve les faibles valeurs du facteur C. Les
valeurs le plus élevées de C se trouvent à l’Est et au centre du territoire qui est
caractérisé par une faible couverture végétale suite à une extension urbaine importante
et les activités agricoles surtout pratiquées au niveau de replat qui comprend des
alluvions fertiles. Cependant, suite à l’extension urbaine et à l’accroissement de la
population, l’agriculture de subsistance se fait également sur des zones à forte pente,
accentuant ainsi le risque d’érosion. Les valeurs de C trouvées dans le territoire d’Uvira
se rapprochent de celles trouvées dans la ville de Kinshasa où C varie entre 0 et 0,525
(Tshikeba et al., 2018).
Figure 6. Facteur C / C Factor.
Érosion potentielle
30 L’érosion potentielle est définie pour des conditions maximales de perte en sol, c’est-
à-dire en l’absence de tout couvert végétal (de Figueiredo et Fonseca, 1997). C’est le
processus d’érosion qui ne tient pas compte des facteurs anthropiques et des pratiques
culturales (Le Van et al., 2014). Ce potentiel est défini indépendamment des facteurs
anthropiques (pratiques culturales et du mode de protection de sol). Il est modélisé sur
base de l’équation universelle de perte de sols, en tenant en compte uniquement des
facteurs R, K et LS (de Figueiredo et Fonseca, 1997; Pradhan et al., 2012; Le Van et al.,
2014; Karamage et al., 2018). Le potentiel d’érosion est ainsi calculé suivant la relation
A=RKLS dans laquelle les facteurs C et P sont éliminés. Mathématiquement parlant,
dans l’équation du potentiel de perte de sol, ces facteurs sont considérés comme
équivalent à 1 (Khosrokhani et Pradhan, 2014). De ce fait l’érosion potentielle est
calculée en considérant l’hypothèse selon laquelle la zone d’étude est un sol nu (C=1) où
aucune méthode de protection de sol n’est mise en place (P=1).
31 La carte d’érosion potentielle indique les zones qui sont caractérisées par une
vulnérabilité élevée sur base des facteurs naturels tels que la précipitation, les
propriétés du sol et la topographie et qui ne peuvent pas être facilement contrôlées
(Karamage et al., 2016). Pour déterminer le risque maximum d’érosion hydrique dans
le territoire d’Uvira, la carte de l’érosion potentielle (Figure 7) a été établie. Cette carte
d’érosion potentielle indique les zones qui sont naturellement vulnérables à l’érosion
hydrique suite à une forte intensité de précipitation et suite aux pentes fortes (de
Figueiredo et Fonseca, 1997, Karamage et al., 2016).
Figure 7. Érosion potentielle dans le territoire d’Uvira / Potential Erosion in the Uvira
Territory
32 La susceptibilité du terrain à l’érosion en fonction de la topographie, du climat et de

la pédologique montre que le territoire d’Uvira présente de manière globale deux
grandes potentialités d’érosion (Tableau 4): un potentiel faible correspondant au niveau
de susceptibilité I (24,08 % de surface) et un potentiel extrême correspondant au
niveau de susceptibilité V (69,75 % de surface). Le faible niveau de susceptibilité à
l’érosion se trouve au niveau des replats (plaine de la Ruzizi et zone côtière du lac
Tanganyika), mais les zones situées dans les plateaux au centre et à l’ouest du territoire
présentent une forte susceptibilité en en raison de leur relief accidenté et une pluviosité
forte.
Tableau 4. Perte de sol potentielle, classe de sévérité d’érosion et leur priorité de

conservation dans le territoire d’Uvira / Potential Soil Loss, Erosion Severity Class and
Conservation Priority in Uvira Territory.
Classe
Perte de sol Classe de Surface Pourcentage de Érosion moyenne
de
(tonne/ha/an) Sévérité (ha) surface totale (%) (tonne/ha/an)
priorité
0 à 10 Faible I 80627,2 24,08 4,30
10 à 20 Modérée II 18033,7 5,38 13,73
20 à 30 Élevée III 12366,2 3,69 32,29
30 à 50 Sévère IV 17039,0 5,09 46,11
Très
> 50 V 206787 61,75 171,02
sévère
État du risque d’érosion

33 La situation de l’érosion représente l’état actuel de l’érosion potentielle en tenant en
compte des effets de la végétation et des méthodes de culture. Ainsi, les coefficients C et
P sont inclus dans l’équation de situation de l’érosion (Le Van et al., 2014).
Contrairement à l’érosion potentielle qui ne tient compte que de 3 facteurs naturels
(érosivité de pluie, érodibilité de sol, les facteurs de longueurs et du gradient de pente)
pour indiquer les zones avec une vulnérabilité élevée, le risque d’érosion est estimé en
faisant le produit des facteurs naturels anthropiques (érosivité de pluie, érodibilité de
sol les facteurs de longueurs et du gradient de pente, facteur de couverture du sol et de
pratique de protection) (Karamage et al., 2017).
34 Le risque d’érosion du sol est faible au niveau de la plaine de la Ruzizi à l’est du
territoire d’Uvira. Par contre les zones situées dans les plateaux, à l’ouest du secteur
d’étude, présentent la plus grande intensité d’érosion hydrique (Figure 8). La perte de
sol moyenne sur l’ensemble du territoire d’Uvira est de 76,59 t/ha/an. Cette valeur est
plus de deux fois supérieures à celle de 30 t/ha/an trouvée dans le bassin du Lac Kivu
(Karamage et al., 2016), mais elle est inférieure à celle de 93 t/ha/an trouvée dans le
bassin de Chemoga (Bewket et Teferi, 2009). Ce dernier se trouve dans le bassin du Nil
où des valeurs moyennes de 23,7 t/ha/an ont été également reportées (Gashaw et al.,
2017). Ces différences sont liées aux variations des conditions topographiques locales et
au type d’usage des terres. Par exemple, il est reporté dans de nombreux travaux que les
zones agricoles et les sols nus sont très exposés aux pertes des sols par rapport aux
zones occupées par une végétation naturelle ou semi-naturelle (Karamage et al., 2016;
Belayneh et al., 2019). Par ailleurs, dans les zones soumises au même type d’usage des
terres, les pertes des sols élevées peuvent être attribuées aux variations des conditions
topographiques locales. Dans le territoire d’Uvira, les valeurs les plus élevées des pertes
des sols sont observées au niveau des hauts plateaux qui sont caractérisés par de fortes
pentes et une pluviosité élevée par rapport à la plaine alluviale qui est localisée entre les
escarpements de Mitumba-Itombwe et le lac Tanganyika. L’intensification des activités
agricoles, le feu de brousse, la recherche des bois-énergie ainsi que l’extension des
zones habitées dans les hautes terres sont autant d’activités qui occasionnent une
déforestation et accentuent les processus érosifs dans les hauts plateaux d’Uvira.
Figure 8. État du risque d’érosion dans le territoire d’Uvira / Situation of erosion risk in
Uvira territory
35 Étant donné que l’érosion des sols est à la fois induite par les processus naturels et
anthropiques, le concept de perte de sol tolérable est utilisé comme un proxy pour
informer sur la (non) durabilité des pratiques d’usage des terres (Bamutaze, 2015). La
perte des sols acceptable qui peut maintenir une productivité varie entre 5 et 11 t/ha/an
(Gashaw et al., 2017; Bamutaze, 2015). Une limite générique de 5 t/ha/an pour les sols
tropicaux est souvent utilisée, mais l’application de cette limite a été contestée par
Morgan (2005) qui l’a considérée comme étant trop conservative et restrictive pour les
habitants de la zone montagneuse de la région orientale de l’Afrique. De ce fait, il a
proposé d’utiliser une valeur limite élevée allant jusqu’à 10 t/ha/an (Bamutaze, 2015).
C’est ainsi que Karamage et al. (2016) a utilisé une valeur limite de 10 t/ha/an dans le
bassin du Lac Kivu. D’autres études récentes qui ont été réalisées dans le Rift est-
africain, dont celle de Gashaw et al. (2017) ont utilisé une valeur limite de 11 t/ha/an et
considèrent les pertes des sols inférieures à 5 t/ha/an comme étant très faibles
(Belayneh et al., 2019). Une valeur limite de 11 t/ha/an a été également adoptée dans
cette étude du fait que le territoire d’Uvira se trouve dans un contexte
géomorphologique similaire (Rift est-africain). Dans ce territoire, la surface totale qui
subit un taux d’érosion qui est au-dessus de la limite de maximum tolérable de
11 t/ha/an pour les paysages montagneux tropicaux est de 152 248,9 ha, soit 47 % de la
surface totale du territoire. On observe que le risque d’érosion est faible dans 52,79 %
du territoire avec une perte moyenne de 6,08 t/ha/an tandis que 30,58 % du territoire
fait face à l’érosion sévère avec une perte annuelle de 93,98 t/ha (Tableau 5).
Tableau 5. Situation de perte de sol, classe de sévérité d’érosion et priorité de

conservation dans le territoire d’Uvira / Current soil loss, erosion severity class and
conservation priority in the Uvira territory.
Perte de sol Classe de Classe de Surface Pourcentage Érosion

(tonne/ha/an) Sévérité priorité (ha) de Moyenne
surface totale (tonne/ha/an)
(%)
0 à 10 Faible I 170 391,0 52,79 6,08
10 à 20 Modérée II 20 105,4 6,22 17,24
20 à 30 Élevée III 13 806,6 4,27 27,76
30 à 50 Sévère IV 19 645,4 6,08 42,17
> 50 Très sévère V 98 792,2 30,61 93,98
Comparaison du risque d’érosion et de l’érosion

potentielle
36 La comparaison de la carte du risque d’érosion et de l’érosion potentielle montre
qu’en absence de la couverture de sol et de la protection actuelle de sol (Facteur C et P),
la zone affectée par l’érosion très sévère peut doubler en passant de 30,61 % à 61,72 %
du territoire. Une perte totale de la couverture végétale actuelle peut entrainer une
augmentation de la zone ayant une perte de sol dépassant la limite tolérable de
11 t/ha/an de 53 % à 75 % (Figure 9).
Figure 9. Comparaison de la situation du risque d’érosion et de l’érosion potentielle dans

le territoire d’Uvira / Comparison of the current erosion risk and the erosion potential in
Uvira territory.
37 En raison de la couverture végétale, le risque d’érosion est globalement inférieur à

l’érosion potentielle suite aux efforts d’afforestation en cours dans la partie ouest et sud
du territoire d’Uvira où l’on observe une nette augmentation dans la densité du couvert
végétal (Figure 10). Cependant, le territoire d’Uvira a subi au courant de ces dix
dernières années une déforestation dans la zone comprise entre le lac Tanganyika et le
haut plateau. L’agriculture se pratique au niveau de la plaine qui comprend des
alluvions fertiles, mais suite à l’extension urbaine et à l’accroissement de la population,
l’agriculture de subsistance se fait également sur des zones à forte pente. C’est ainsi
qu’on observe une forte baisse de la densité du couvert végétal à l’est et au nord du
territoire d’Uvira entre 2006 et 2016 (Figure 10). Par ailleurs, suite à la pression
démographique, la population s’installe actuellement sur de fortes pentes, dans des lits
des rivières et sur des sols instables sans tenir compte de toutes les conséquences que
cela peut générer sur leur survie d’une part, et d’autre part, sur l’environnement. Ce qui
contribue à l’aggravation du risque d’érosion dans ce secteur.
Figure 10. Comparaison de la densité de la végétation entre 2006 et 2016 / Comparison of
vegetation density between 2006 and 2016.
Aménagement et protection
38 La carte de l’érosion potentielle est essentielle pour déterminer le risque d’érosion
maximale dans le secteur et pour établir différents scénarios de perte de sol en fonction
du changement d’usage des terres (Pradhan et al., 2012). Ceci permet de mieux prendre
les décisions d’aménagement. Pour déterminer l’influence des différentes méthodes de
protection de sol sur le risque d’érosion les valeurs du paramètre P en fonction de la
pente (Tableau 6) telles que proposées par Shin (1999) et Karamage et al. (2016) ont été
utilisées.
Tableau 6. Valeurs du facteur P suivant différentes pratiques de conservation de terre

telles que proposés par SHIN (1999) / P-factor values for different soil conservation
practices as proposed by SHIN (1999).
Valeurs du facteur P
Pente (°)
Culture en courbe de niveau Bandes enherbées Terrasse
0,0-7.0 0,55 0,27 0,1
7,0-11,3 0,60 0,3 0,12
11,3-17,6 0,8 0,4 0,16
17,6-26,8 0,9 0,45 0,18
>26,8 1 0,5 0,2
39 Les valeurs de P varient entre 0 et 0,2 avec une moyenne de 0,086 pour
l’aménagement des terrasses, entre 0 et 0,5 avec une moyenne de 0,36 pour
l’aménagement par la mise en place des bandes enherbées et entre 0 et 1 avec une
moyenne de 0,72 pour l’aménagement par cultures en courbes de niveau (Figure 11).
Figure 11. Facteur de protection suivant les différentes méthodes de protection de sol
protection par terrasse aménagée (a), bande enherbées (b), culture en courbe de niveau
(c) / Protection factor according to different soil protection methods: terracing (a), strip
cropping (b), contouring (c).
40 La Figure 12 présente la variabilité spatiale du risque d’érosion en fonction des

techniques de protection de sol.
Figure 12. Risque d’érosion suivant les différentes méthodes de protection de sol:
protection par terrasse aménagée (a), bande enherbées (b), culture en courbe de niveau
(c) / Risk of erosion according to different soil protection methods: terracing (a), strip
41 La méthode de bandes enherbées et des terrasses permettraient de réduire

sensiblement la zone à haut risque d’érosion et d’accroitre la zone à faible risque. Par
contre, la méthode de protection par cultures en courbes de niveau ne montre pas de
différence par rapport à l’état actuel du risque d’érosion, quelle que soit la zone
considérée. La méthode de protection de sol par des terrasses est la plus appropriée
pour réduire le risque d’érosion. Elle peut permettre de réduire de 38,69 % la superficie
de la zone caractérisée par une érosion supérieure à la limite tolérable de 11 t/ha/an et
augmenter de 34,60 % la zone à faible risque d’érosion. Par contre, la méthode de
protection par la mise en place des bandes enherbées et celles des cultures en courbes
de niveau permettraient de réduire de 16,64 % et 3,15 % la superficie de la zone
caractérisée par une érosion supérieure à la limite de 11 t/ha/an. La méthode de culture
en courbe de niveau permettrait d’augmenter seulement de 2,81 % la zone à faible
risque d’érosion tandis que la méthode de mise en place des bandes enherbées
permettrait d’augmenter cette zone de 14,88 % (Figure 13).
Figure 13. Variation de surface affectée par l’érosion en fonction de la méthode de

protection adoptée / Variation of area affected by erosion according to the adopted
protection method.
Relation entre la répartition spatiale des

glissements de terrain et les zones d’intensité
d’érosion
42 Bien que le modèle USLE ait été préalablement développé pour la quantification de
l’érosion en nappe et en rigole (Wischmeier et Smith, 1978); dans les deux dernières
décennies, plusieurs auteurs ont démontré qu’il peut exister une relation entre les zones
d’intensité d’érosion définies sur base du modèle USLE et les zones d’occurrence des
glissements de terrain (Lee, 2004 ; Pradhan et al., 2012 ; Khosrokhani et Pradhan,
2014 ; Huang et al., 2020). L’étude récente de Huang et al. (2020) dans la ville de
Ganzhou (Chine) a permis de montrer que les modèles prédictifs de la susceptibilité au
glissement de terrain qui prennent en compte la perte des sols due à l’érosion hydrique
comme facteur de prédisposition sont plus performants que les modèles qui ne tiennent
pas compte de ce processus. D’où la nécessité d’évaluer la relation entre les glissements
de terrain et les zones d’intensités d’érosion dans d’autres régions.
43 La carte de la Figure 14 montre la répartition des glissements de terrain dans le
territoire d’Uvira en se basant sur les données d’inventaire des glissements de terrain
effectué par Butara (2012).
Figure 14. Répartition des glissements de terrains par rapport aux différentes zones
d’érosion / Distribution of landslides in relation to different erosion zones.
44 La répartition spatiale des glissements des terrains est corrélée aux zones d’intensité
d’érosion sur base de rapport de fréquence (Tableau 7). Dans cette approche, le rapport
de fréquence (Frenquency ratio) des glissements de terrain est défini comme le rapport
entre la proportion des glissements de terrain qui occurrent dans chaque classe
d’intensité d’érosion et la proportion de la classe d’intensité d’érosion par rapport à la
surface totale considérée (Lee, 2004 ; Khosrokhani et Pradhan, 2014 ; Huang et al.,
2020). Ce rapport permet de décrire la distribution spatiale des glissements de terrain
dans chaque classe d’intensité d’érosion (Khosrokhani et Pradhan, 2014). Une valeur
du rapport de fréquence égale à 1 est la valeur moyenne. Une valeur du rapport de
fréquence supérieure à 1 indique une forte corrélation entre la zone d’intensité
d’érosion et l’occurrence des glissements de terrain tandis qu’une valeur inférieure à 1
indique une corrélation faible (Lee, 2004; Huang et al., 2020).
Tableau 7. Rapport de fréquence de l’occurrence des glissements des terrains Vs Zone

d’intensité d’érosion (2016) dans le territoire d’Uvira / Frequency of landslide occurrence
Vs Erosion intensity zone (2016) in the Uvira Territory.
Surface
Perte Classe Nombre Glissement Rapport de
Surface totale
de sol d’intensité glissements (%) fréquence
(ha) (%)
(tonne/ha/an) de l’érosion de terrain (a) (b/a)
(b)
0 à 10 Faible (I) 170 391 52,81 14 43,75 0,83
20
10 à 20 Modérée (II) 6,23 2 6,25 0,38
105,2
13
20 à 30 Élevée (III) 4,27 5 15,625 1,71
806,8
19
30 à 50 Sévère (IV) 6,08 2 6,25 0,69
645,4
Très sévère 98
> 50 30,58 9 28,125 2,243
(V) 691,5
45 Le calcul des rapports des fréquences d’occurrence des glissements de terrain dans le
territoire d’Uvira montre que la zone à faible intensité d’érosion hydrique a une faible
occurrence des glissements des terrains avec un rapport de fréquence de 0,83. La zone
ayant une intensité d’érosion modérée est celle ayant la plus faible susceptibilité au
glissement de terrain avec un rapport de fréquence de 0,38. Par contre la zone ayant la
plus grande sévérité de perte de sol est celle ayant également la plus grande occurrence
des glissements de terrain. Cette zone a un rapport de fréquence > 2 indiquant une forte
probabilité au glissement de terrain (Figure 15). Ces résultats corroborent ceux des
études antérieures qui suggèrent que les rapports de fréquence des glissements
augmentent avec les classes d’intensité d’érosion et que les glissements de terrain sont
les plus récurrents dans les zones à forte intensité d’érosion (Lee, 2004 ; Khosrokhani
et Pradhan, 2014 ; Huang et al., 2020). Ceci s’explique par le fait que l’intensité
d’érosion hydrique définie sur base du modèle USLE constitue le résultat des conditions
topographiques, pédologiques, pluviométriques et d’usage des terres qui influencent
également sur l’occurrence des glissements de terrain. Notons toutefois que l’inventaire
des glissements de terrain n’est pas exhaustif dans tout le territoire d’Uvira. C’est ainsi
que cette analyse de fréquence des glissements de terrain a été faite uniquement sur
base de la portion du secteur où les données sont disponibles.
Figure 15. Analyse des rapports de fréquences entre l’occurrence des glissements de
terrain et la répartition des zones d’intensité d’érosion / Analysis of frequency ratios
between the occurrence of landslides and the distribution of erosion intensity zones.
Limite de l’étude
46 Cette étude s’est basée sur l’usage des SIG et des données géospatiales disponibles
(pédologie, topographie, climat, télédétection) pour la modélisation et la cartographie
de l’érosion hydrique dans le territoire d’Uvira en R.D. Congo. Pour cela, l’équation
universelle des pertes des sols (USLE) et les données spatialisées en accès libre ont été
utilisées. Ce qui a permis de faire une première approximation de l’intensité de l’érosion
dans ce secteur. Les données utilisées dans ce travail permettent de faire une analyse de
la variabilité de l’intensité d’érosion à l’échelle du territoire. En conséquence, elles
permettent de prioriser les zones pour la conservation des sols. Cependant, il existe une
nécessité de faire la calibration du modèle USLE en se basant sur des données des
terrains. Il est aussi essentiel d’installer des stations de suivi permanent de l’érosion
hydrique dans le territoire d’Uvira et de comparer les résultats de la modélisation USLE
avec des données issues de ces stations. Ceci permettra de calibrer, de valider et
d’évaluer l’applicabilité du modèle développé.
47 En effet, le modèle USLE a été préalablement élaboré par le département de
l’agriculture des États unis pour anticiper l’érosion hydrique dans les zones agricoles
cultivées ou pas. Actuellement, cette équation est utilisée dans des régions qui se
trouvent dans des contextes différents du contexte d’origine pour lequel le modèle a été
développé. C’est ainsi que des données expérimentales sont nécessaires pour calibrer
les résultats obtenus en appliquant le modèle USLE dans sa forme originale afin de
l’adapter au contexte local. Ces données expérimentales sont rares, voire inexistantes
dans la plupart des territoires de la R.D. Congo. Dans cette région, la plupart des études
sur les processus érosives se sont focalisées sur la description des formes d’érosions et
sur l’analyse de la vulnérabilité des sites face au ravinement. C’est le cas des travaux
d’Ilunga (2006) portant sur les sites majeurs d’érosion dans la cité d’Uvira. Cela est lié
au fait que l’approche de quantification des pertes de sol requiert des données sur les
paramètres quantitatifs avec une bonne résolution spatiale et temporelle. Néanmoins,
ces données sont rares et difficiles à acquérir en R.D. Congo du fait que les mesures
extensives de l’érosion des sols impliquent des coûts élevés en termes de temps et
d’argent. De plus, les guerres à répétition qui ont prévalu dans la partie est de la R.D.
Congo ainsi que les situations d’insécurité dans certaines zones ne permettent pas de
faire des suivis à long terme. De ce fait, l’intégration des données secondaires à accès
libre et des données issues de la télédétection dans le SIG constitue une alternative pour
évaluer les pertes des sols à l’échelle du territoire dans cette région. Plusieurs difficultés
entravent la mise en application de cette approche. C’est notamment le cas de
l’hétérogénéité des données d’entrées qui sont des sources différentes et ont des
résolutions spatiales et/ou temporelles différentes. En outre, le choix des équations
spécifiques pour les paramètres du modèle USLE pose problème. Ce choix est délicat
étant donné qu’à l’heure actuelle il n’existe pas d’équations spécifiques et des valeurs
spécifiques de ces paramètres pour la R.D. Congo.
48 En tenant compte des données disponibles, les équations originales de calcul de R, K
et LS, comme préalablement défini par Wischmeier et Smith (1978) n’ont pas été
appliquées dans le cadre de cette étude. Un choix a été fait sur des équations
développées dans des contextes morphologiques et climatiques similaires au secteur
d’étude. À titre illustratif, différentes équations ont été utilisées en R.D. Congo pour
l’estimation du facteur R. C’est le cas de l’équation de Lo et al. (1985) dans le bassin du
Lac Kivu (Karamage et al., 2016) à l’est de la R.D. Congo, de Renard et Freimund
(1994) et de Roose (1977) dans le bassin de Ndgili (Ngoy, 2015) à l’ouest de la R.D.
Congo, mais dans le cadre de cette étude c’est plutôt la régression proposée par Hurni
(1985) qui a été utilisée. Cette régression établit une relation entre l’érosivité et la
précipitation moyenne annuelle avec un coefficient de corrélation allant de 0,88 à 0,93
(Hurni, 1985).
49 Le facteur LS a été déterminé sur base d’un MNT issus d’une image SRTM de 30 m
de résolution spatiale. Cependant, il est actuellement établi que la résolution spatiale du
MNT-SRTM a une influence sur les valeurs de LS (Panagos et al., 2015, Oliveira et al.,
2013). En effet, la réduction de la résolution spatiale des images SRTM conduit à la
diminution de la valeur moyenne du facteur topographique (Oliveira et al., 2013). Par
ailleurs, les petites longueurs de pente calculées sur les MNT sont surestimées par
rapport aux mesures faites sur terrain (Datta, 2010) et la pente diminue avec
l’augmentation de la taille des cellules (pixels) (Molnar et Julien, 1998). En outre, les
pentes sont surestimées dans les zones planes tandis qu’elles sont sous-estimées dans
les zones à forte pente (Guth, 2010). De ce fait, Wu et al. (2005) ont conclu que les
MNT de 30 m de résolution sont plus adéquats pour l’estimation de l’érosion par
rapport aux MNT de 100 m de résolution qui devraient être utilisés avec précaution, car
ils occasionnent une diminution des pentes et une augmentation de la surface
d’accumulation. Bien que les MNT-SRTM de 30 m de résolution spatiale aient été
utilisés pour le calcul du facteur LS dans le territoire d’Uvira, il est à noter que dans une
même zone géographique, les valeurs de ce facteur peuvent varier en fonction de
l’équation utilisée. Néanmoins, l’équation de Desmet et Govert (1996) est
particulièrement adaptée aux terrains à topographie complexes (Panagos et al., 2015).
50 Le facteur C a été calculé sur base des images Landsat7 de 30 m de résolution
spatiale. Compte tenu de la taille des exploitations agricoles familiales qui est
généralement inférieure à 1 ha dans la région du Kivu, il serait intéressant d’utiliser des
images satellitaires de haute résolution spatiale comme les images Sentinel-2 ou SPOT
afin de prendre aussi en compte les petites parcelles d’exploitation agricole d’au moins
100 m2 dans l’estimation du facteur C. Par ailleurs, cette étude n’a pas tenu compte de
la saisonnalité de la végétation alors qu’elle est susceptible d’influencer sur les valeurs
de C (Alexandridis et al., 2014). Une prise en compte de la saisonnalité dans

l’estimation du facteur C serait alors nécessaire pour améliorer les résultats du modèle
USLE dans ce secteur.
51 Le facteur K a été estimé grâce à l’équation de William (1995) qui requiert des
données sur le contenu en sable, argile, limon et le contenu du sol en matière
organique. Ces données ont été acquises pour les 20 premiers centimètres du sol à
partir de la base des données SOTERCAF. Cette étude n’a pas tenu compte de
l’influence de la position topographique, de l’occupation du sol et de l’état de surface du
sol sur la variabilité spatiale du facteur K. Ces paramètres peuvent être appréhendés par
les facteurs C et P dans la modélisation USLE (Payet et al., 2011). Ces deux facteurs
varient en fonction du changement d’usage de terre. Ce dernier aspect n’a pas été pris
en compte pour analyser la dynamique spatio-temporelle du risque d’érosion hydrique.
Ainsi, la carte du risque d’érosion hydrique qui est présentée dans le cadre de cette
étude est représentative de l’état d’érosion pour l’année 2016.
52 Enfin, le modèle USLE a été préalablement conçu pour la quantification de l’érosion
en nappe et en rigole (Wischmeier et Smith, 1978). Ce modèle ne tient pas compte du
ravinement. Pourtant ce phénomène est d’une grande ampleur dans le territoire d’Uvira
(Ilunga, 2006) et contribue au flux des sédiments dans les rivières. Une cartographie de
sites majeurs de ravinement dans ce secteur s’avère nécessaire afin d’analyser s’il existe
un lien entre les sites de ravinement majeurs et les zones d’intensité d’érosion établies
sur base du modèle USLE.
Conclusion
53 Cette étude est basée sur l’utilisation des données spatiales en accès libre et les SIG
pour la spatialisation des risques d’érosion dans le territoire d’Uvira en RDC. Elle a
permis de montrer que dans le territoire d’Uvira, le risque d’érosion est exacerbé par la
topographie dominée par des pentes raides à l’ouest et au centre, l’érosivité forte, une
forte érodibilité du sol et une faible protection de sol. En outre, l’expansion des zones
urbaines et agricoles dans les zones à pentes raides accentuent le risque d’érosion dans
ce secteur. Les résultats de cette étude indiquent que 47,21 % du territoire d’Uvira subit
une perte de sol qui est supérieure à la limite tolérable de 11 tonne/ha/an. Par ailleurs,
le risque d’érosion est inférieur à l’érosion potentielle en raison du couvert végétal.
54 Les méthodes de protection de sol par l’aménagement des terrasses et des bandes
enherbées sont les mieux adaptées pour faire face au risque d’érosion dans ce territoire.
La vulgarisation de ces méthodes par les autorités locales, l’afforestation des zones à
faible couverture végétale et l’encadrement des efforts déjà entrepris par la population
permettront de protéger de manière durable les sols dans ce territoire. Ainsi,
l’utilisation du modèle USLE, des techniques de SIG et des données multisources à
accès libre peut être appliquée à un coût raisonnable pour la cartographie du risque
d’érosion à l’échelle territoriale, l’analyse de la variabilité de l’intensité d’érosion et
l’identification des zones prioritaires de conservation de sol en République
Démocratique du Congo. Ces informations peuvent être utilisées par les gestionnaires
du territoire en vue de la planification des stratégies de mitigation durable et la mise en
œuvre des pratiques de conservation des sols.
Remerciements
55 Nous remercions le USGS et la NASA pour les images satellitaires et le MNT-SRTM
du secteur d’étude, l’ISRIC avec la base des données SOTERCAF 1.0 pour les données
pédologiques et l’équipe de WordClim pour les données climatiques qu’ils ont mises
gratuitement à la disposition du public et qui ont été nécessaires dans la réalisation de
ce travail. Nous remercions également les deux lecteurs anonymes pour leurs
commentaires qui ont permis d’améliorer la qualité de ce travail.
Bibliographie
Adinarayana J, K.G. Rao, N.R. Krishna, P. Venkatachalam et J.K. Suri, 1999, A rule-based soil
erosion model for a hilly catchment, Catena [en ligne], 37, pp. 309-318, DOI:
https://doi.org/10.1016/S0341-8162(99)00023-5
DOI : 10.1016/S0341-8162(99)00023-5
Alexandridis, T.K., A.M. Sotiropoulou, G. Bilas, N. Karapetsas et N.G.Silleos, 2014, The effects of
seasonality in estimating the C-factor of soil erosion studies, Land Degradation and
Development [en ligne], 16 p., DOI: https://doi.org/10.1002/ldr.2223
DOI : 10.1002/ldr.2223
Azanga, E., M. Majaliwa, F. Kansiime, N. Mushagalusa, K. Karume et M.M. Tenywa, 2016, Land-
use and land cover, sediment and nutrient hotspot areas changes in Lake Tanganyika Basin,
African Journal of Rural Development [en ligne], 1(1): 2016, pp. 75-90, DOI:
https://doi.org/10.22004/ag.econ.263630
DOI : 10.22004/ag.econ.263630
Bakker, M.M., G. Govers, A.V. Doorn, F. Quetier, D. Chouvardas et M. Rounsevell, 2008, The
response of soil erosion and sediment export to land use change in four areas of Europe: The
importance of landscape pattern , Geomorphology [en ligne], Volume 98, Issues 3-4, 15 June
2008, pp. 213-226, DOI: https://doi.org/10.1016/j.geomorph.2006.12.027
DOI : 10.1016/j.geomorph.2006.12.027
Bamutaze, Y., 2015, Revisiting socio-ecological resilience and sustainability in the coupled
mountain landscapes in Eastern Africa, Curr. Opin. Environ. Sustain. [en ligne], 14, pp. 257-265,
DOI :
https://doi.org/10.1016/j.cosust.2015.06.010
DOI : 10.1016/j.cosust.2015.06.010
Batjes, H.B., 2007, SOTER-based soil parameter estimates for Central Africa-DR of Congo,
Burundi and Rwanda (SOTWIScaf, version 1.0). Report 2007/02, ISRIC-Word Soil Information,
Wageningen, [en ligne] URL:
http://www.isric.org/isric/webdocs/docs/isric_report_2007_02.pdf
Belayneh, M.,Yirgu, T. and Tsegaye. D., 2019, Potential soil erosion estimation and area
prioritization for better conservation planning in Gumara watershed using RUSLE and GIS
techniques, Environmental Systems Research [en ligne], 8:20, 17 p., DOI:
https://doi.org/10.1186/s40068-019-0149-x
DOI : 10.1186/s40068-019-0149-x
Benavidez, R., Jackson, B., Maxwell, D., Norton, K., 2018, A review of the (Revised) Universal
Soil Loss Equation ((R)USLE): With a view to increasing its global applicability and improving
soil loss estimates, Hydrol. Earth Syst. Sci. [en ligne], 22, pp. 6059-6086, DOI :
https://doi.org/10.5194/hess-22-6059-2018
DOI : 10.5194/hess-22-6059-2018
Bewket. W., Teferi, E., 2009, Assessment of soil erosion hazard and prioritization for treatment
at the watershed level: case study in the Chemoga watershed, Blue Nile basin, Ethiopia, Land
Degrad Devlop [en ligne], 20, pp. 609-622, DOI : https://doi.org/10.1002/ldr.944
DOI : 10.1002/ldr.944
Butara S., 2012, Glissements de terrain et cause de leur déclenchement : cas de la cite d’Uvira et
sa partie méridionale (Sud-kivu, RDC). Travail de fin d’étude Master.
Claessens, L., Van Breugel, P., Notenbaert, A., Herrero, M., Van De Steeg, J., 2008, Mapping
potential soil erosion in east Africa using the universal soil loss equation and secondary data,
IAHS Publ. 2008, pp. 398-407.
Datta, P.S, Schack H.K., 2010, Erosion Relevant Topographical Parameters Derived from
Different DEMs—A Comparative Study from the Indian Lesser Himalayas, Remote Sensing [en
ligne], 2, pp. 1941-1961, DOI : https://doi.org/10.3390/rs2081941
DOI : 10.3390/rs2081941
de Figueiredo, T., Fonseca, F., 1997, Les sols, les processus d’érosion et l’utilisation de la terre en
montagne au Nord-Est du Portugal: Approche cartographique sur quelques zones du Parc
Naturel de Montesinho, Réseau Eros Bull, 17, pp. 205-217
De Jong, S.M., 1994, Application of Reflective Remote Sensing for Land Degradation Studies in a
Mediterranean Environment, Netherlands Geographical Studies, University of Utrecht.
Desmet, P. Govers, G.A., 1996, GIS procedure for automatically calculating the ULSE LS factor on
topographically complex landscape units, J. Soil Water Conserv,51, pp. 427-433.
Durigon, V.L., Carvalho, D.F., Antunes, M.A.H., Oliveira, P.T.S., Fernandes, M.M., 2014, NDVI
time series for monitoring RUSLE cover management factor in a tropical watershed,
International Journal of Remote Sensing [en ligne], 35, pp. 441‑453, DOI :
http://dx.doi.org/10.1080/01431161.2013.871081
DOI : 10.1080/01431161.2013.871081
Fick, S.E. and Hijmans, R.J., 2017, Worldclim 2: New 1-km spatial resolution climate surfaces for
global land areas, International Journal of Climatology [en ligne], 37,12, October 2017, pp. 4302-
4315, DOI : https://doi.org/10.1002/joc.5086
DOI : 10.1002/joc.5086
Ganasri, B.P., Ramesh H., 2015, Assessment of soil erosion by RUSLE model using remote
sensing and GIS - A case study of Nethravathi Basin, Geoscience Frontiers [en ligne], DOI :
http://dx.doi.org/10.1016/j.gsf.2015.10.007
DOI : 10.1016/j.gsf.2015.10.007
Gashaw, T., Tulu, T. et Argaw, M., 2017, Erosion risk assessment for prioritization
of conservation measures in Geleda watershed, Blue Nile basin, Ethiopia, Environmental
Systems Research [en ligne], 6:1, 14 p., DOI : https://doi.org/10.1186/s40068-016-0078-x
DOI : 10.1186/s40068-016-0078-x
Guth, P.L., 2010, Geomorphometric comparison of ASTER GDEM and SRTM, Symposium of
ISPRS Technical Commission IV & AutoCarto, November 15-19, 2010 Orlando, Florida, pp. 15-19,
[En ligne] URL: http://www.isprs.org/proceedings/XXXVIII/part4/files/Guth.pdf
Huang, F., Chen, J., Du, Z., Yao, C., Huang, J., Jiang, Q., Chang, Z. and Li, S., 2020, Landslide
Susceptibility Prediction Considering Regional Soil Erosion Based on Machine-Learning Model,
ISPRS Int. J. Geo-Inf. [en ligne], 9, 377, DOI : https://doi.org/10.3390/ijgi9060377
DOI : 10.3390/ijgi9060377
Hurni H., 1985, Erosion-productivity-conservation systems in Ethiopia. In: Paper presented at
the 4th international conference on soil conservation, 3-9 Nov. 1985, Maracacy, Venezuela
Hurni, H., 1985, An Ecosystem Approach to Soil Conservation. In Soil Erosion and
Conservation; Swaify, E.L., Samir, A., Moldenhauer, W.C., Eds.; Soil Conservation Society of
America: Ankeny, IA, USA, 1985, 73, pp. 759-771.
Ilunga L., 1991, Morphologie, volcanisme et sédimentation dans le rift du Sud-Kivu, Bulletin de la
Société Géographique de Liège, 27, pp. 209-228
Ilunga L., 2006, Etude des sites majeurs d’érosion à Uvira (R.D. Congo), Geo-Eco-Trop, 2006,
30.2, pp. 1-12
Ilunga, L. et Alexandre, J., 1982, La géomorphologie de la plaine de la Ruzizi. Analyse et
cartographie, Geo-Eco-Trop, 6,2, pp. 105-123
Karamage, F., Shao, H., Chen, X, Ndayisaba, F., Nahayo, L., Kayiranga, A., Kehinde, O.J., Liu, T.
and Zhang, C., 2016, Deforestation Effects on Soil Erosion in the Lake Kivu Basin, D.R. Congo-
Rwanda, Forests [en ligne], 7, 281, 17 p. , DOI : https://doi.org/10.3390/f7110281
DOI : 10.3390/f7110281
Karamage, F., Zhang, C., Liu, T., Maganda, A. and Isabwe, A., 2017, Soil Erosion Risk Assessment
in Uganda, Forests [en ligne], 8, 52, DOI :https://doi.org/10.3390/f8020052
DOI : 10.3390/f8020052
Khosrokhani M. Pradhan B., 2014, Spatio-temporal assessment of soil erosion at Kuala Lumpur
metropolitan city using remote sensing data and GIS, Geomatics, Natural Hazards and Risk [en
ligne], 5:3, pp. 252-270, DOI : https://doi.org/10.1080/19475705.2013.794164
DOI : 10.1080/19475705.2013.794164
Le Van, B., Truong, P.M., An Tran Thi, Raghavan, V., 2014, An open source GIS approach for soil
erosion modeling in danang city, vietnam, International Symposium on Geoinformatics for
Spatial Infrastructure Development in Earth and Allied Sciences 2014, 8 p.
Lee S., 2004, Soil erosion assessment and its verification using the Universal Soil Loss Equation
and Geographic Information System: a case study at Boun, Korea, Environmental Geology [en
ligne], 45, pp. 457-465, DOI : https://doi.org/10.1007/s00254-003-0897-8
DOI : 10.1007/s00254-003-0897-8
Lo, A., El-Swaify, S.A., Dangler, E.W., Shinshiro, L., 1985, Effectiveness of El30 as an erosivity
index in Hawaii, dans: Soil Erosion and Conservation; E1-Swaify, S.A., Moldenhauer, W.C., Lo,
A., Eds.; Soil Conservation Society of America: Ankeny, IA, USA, 1985; pp. 384-392.
McCool, D., Brown, L., Foster, G., Mutchler, C., Meyer, L., 1987, Revised slope steepness factor
for the universal soil loss equation, Trans. ASAE 1987, 30, pp. 1387-1396.
Molnar, D. and Julien, P., 1998, Estimation of upland erosion using GIS, Comput. Geosci. 1998,
24, pp. 183-192.
DOI : 10.1016/S0098-3004(97)00100-3
Morgan, R.P.C., 2009, Soil Erosion and Conservation; John Wiley & Sons: Hoboken, NJ, USA,
2009.
DOI : 10.1097/00010694-198806000-00011
Nachtergaele, F., Petri, M., Biancalani, R., Van Lynden. G., Van Velthuizen, H., Bloise, M., 2010,
Global Land Degradation Information System (Gladis); Beta Version. An Information Database
for Land Degradation Assessment at Global Level. Land Degradation Assessment in Drylands
Technical Report; Food and Agriculture Organization of the United Nations (FAO), 2010; Volume
17, [en ligne] URL: http://www.fao.org/nr/lada/index.php?
option=com_docman&task=doc_download&gid=773&Itemid=165&lang=en, consulté le 17 juin
2015.
Ndolo G.P., 2015, GIS-based soil erosion modeling and sediment yield of the N’djili river basin,
Democratic Republic of Congo, Master degree thesis, Degree of Master of Science, Colorado State
University, Fort Collins, Colorado, Summer 2015, 220 p.
Ngumbu, K., 2004, Contribution à l’inventaire systématique des oiseaux aquatiques dans les
villes de Bukavu et Uvira, Sud-Kivu, mémoire, Inédit, Faculté des sciences, Département de
Biologie, UOB, Bukavu, RDC
Nguyen T. H., 1996, Determining the causing factors for soil erosion and the potential for
predicting soil erosion in slope area, PhD. thesis, Thuy Loi University, Hanoi.
Oliveira, J.D.A., Dominguez, J.M.L., Nearing, M.A., Oliveira, P.T., 2015, A GIS-based procedure
for automatically calculating soil loss from the universal soil loss equation Gisus-m., Appl. Eng.
Agric. [en ligne], 31, 907, DOI : https://doi.org/10.13031/aea.31.11093
DOI : 10.13031/aea.31.11093
Oliveira, P.T.S., Rodrigues, D.B.B., Sobrinho A., T., Panachuki, E, Wendland, E., 2013, Use of
SRTM data to calculate the (R)USLE topographic factor, Acta Scientiarum. Technology [en
ligne], 15, pp. 507‑513, DOI : https://doi.org/10.4025/actascitechnol.v35i3.15792
DOI : 10.4025/actascitechnol.v35i3.15792
Ongezo, M. S, Norbert, J., Mtalo, F. and Ndomba P.M., 2014, Sediment yields estimation and
sources identification in Lake Tanganyika basin- the case of Mulongwe sub catchment - Uvira city
- DR Congo, Standard Global Journal of Geology and Explorational Research, 1(2), pp. 032-
042.
Panagos P., Borrelli P. and Meusburger K., 2015, A New European Slope Length and Steepness
Factor (LS-Factor) for Modeling Soil Erosion by Water, Geosciences [en ligne], 5, pp. 117-126,
DOI : https://doi.org/10.3390/geosciences5020117
DOI : 10.3390/geosciences5020117
Payet E., P. Dumas et G. Pennober, 2011, Modélisation de l’érosion hydrique des sols sur un
bassin versant du sud-ouest de Madagascar, le Fiherenana, VertigO - la revue électronique en
sciences de l'environnement [En ligne], Volume 11 Numéro 3 | décembre 2011, URL :
http://journals.openedition.org/vertigo/12591; DOI : https://doi.org/10.4000/vertigo.12591,
Consulté le 18 juin 2019
DOI : 10.4000/vertigo.12591
Pradhan, B., A. Chaudhari, J. Adinarayana et M. F. Buchroithner, 2012, Soil erosion assessment
and its correlation with landslide events using remote sensing data and GIS: a case study at
Penang Island, Malaysia, Environ Monit Assess [en ligne], 184, pp. 715-727,
DOI :https://doi.org/10.1007/s10661-011-1996-8
DOI : 10.1007/s10661-011-1996-8
Renard, K.G., J.R. Freimund, 1994, Using monthly precipitation data to estimate the R factor in
the revised USLE, Journal of Hydrology, 157(1), pp. 287-306.
DOI : 10.1016/0022-1694(94)90110-4
Roose, E., 1977, Érosion et Ruissellement en Afrique de l’ouest--vingt années de mesures en
petites parcelles expérimentales. Travaux et Documents de I'ORSTOM No. 78, ORSTOM, Paris
Sarathi, B. S., P. Pani, 2015, Estimation of soil erosion using RUSLE and GIS techniques: a case
study of Barakar River basin, Jharkhand, India, Model. Earth Syst. Environ. 2015, 1:42, 13 p.,
DOI: 10.1007/s40808-015-0040-3
Shin G., 1999, The Analysis of Soil Erosion Analysis in Watershed Using Gis. Ph.D. Dissertation,
Department of Civil Engineering, Gang-Won National University, Chuncheon, Korea, 1999
Singh, S., and Kumar, P.R., 2017, Grid-cell based assessment of soil erosion potential for
identiﬁcation of critical erosion prone areas using USLE, GIS and remote sensing: A casestudy in
the Kapgari watershed, India, International Soil and Water Conservation Research [En ligne], 5,
pp. 202-211, DOI : https://doi.org/10.1016/j.iswcr.2017.05.006
DOI : 10.1016/j.iswcr.2017.05.006
Tadesse, L., K.V. Suryabhagavan, G. Sridhar et G. Legesse, 2017, Land use and land cover
changes and Soil erosion in Yezat Watershed, North Western Ethiopia, International Soil and
Water Conservation Research [En ligne], pp. 85-94., DOI:
https://doi.org/10.1016/j.iswcr.2017.05.004
DOI : 10.1016/j.iswcr.2017.05.004
Tamene, L., Z. Adimassu, E. Aynekulu et T. Yaekob, 2017, Estimating landscape susceptibility to
soil erosion using a GIS-based approach in Northern Ethiopia, International Soil and Water
Conservation Research [En ligne], 5, pp. 221-230, DOI:
http://dx.doi.org/10.1016/j.iswcr.2017.05.002
DOI : 10.1016/j.iswcr.2017.05.002
Tshikeba, K.M., Muamba, T.R., Onema K.J-M., Gumindoga, W., and Tshimpampa, B.J., 2018, A
GIS-based estimation of soil erosion parameters for soil loss potential and erosion hazard in the
city of Kinshasa, the Democratic Republic of Congo, Proc. IAHS, 378, pp. 51-57, DOI :
https://doi.org/10.5194/piahs-378-51-2018
DOI : 10.5194/piahs-378-51-2018
Van der Knijff, J. M., R.J.A. Jones et L. Montanarella, 2000, Soil Erosion Risk Assessment in
Europe, [En ligne] URL: https://www.unisdr.org/files/1581_ereurnew2.pdf, consulté le 21
novembre 2018.
Williams, J., 1995, The EPIC model, in Computer Models of Watershed Hydrology, edited by V.
P. Singh, Colorado, USA, pp. 909-1000
Wischmeier, W. H., D.D. Smith, 1978, Predicting Rainfall Erosion Losses - À Guide to
Conservation Planning. U.S. Department of Agriculture Handbook No. 537. Washington, DC:
USDA.
Wu, S., J. Li et G. Huang, 2005, An evaluation of grid size uncertainty in empirical soil loss
modeling with digital elevation models, Environ. Model. Assess. [En ligne], 10, pp. 33-42, DOI :
https://doi.org/10.1007/s10666-004-6595-4
DOI : 10.1007/s10666-004-6595-4
Notes
1 [En ligne] URL : http://worldclim.org/version2
2 Disponible [En ligne] URL : www.isric.org
3 [En ligne] URL : http://earthexplorer.usgs.gov
4 [En ligne] URL : http://cci.esa.int/
Table des illustrations
Titre Figure 1. Localisation du territoire d’Uvira / Location of the Uvira

territory.
http://journals.openedition.org/vertigo/docannexe/image/28888/img-
URL
1.jpg
Fichier image/jpeg, 1,4M
Figure 2. Pente (a), Altitude (b), Type des sols (c) et Précipitation
Titre annuelle (d) dans le territoire d’Uvira / Slope (a), Altitude (b), Soil type
(c) and Annual precipitation (d) in the territory of Uvira.
ACh (Haplic Acrisols), CMd (Dystric Cambisols), FLm (Mollie Fluvisols),
Légende FRu (Humic Ferralsols), PHI (Luvic Phaeozems),SCg (Gleyic
Solonchaks), VRe (Eutric Vertisols)
URL
2.jpg
Fichier image/jpeg, 968k
URL
3.png
Fichier image/png, 2,0k
URL
4.png
URL
5.png
URL
6.png
URL
7.png
URL
8.png
URL
9.png
Titre Figure 3. Facteur LS / LS Factor.
URL http://journals.openedition.org/vertigo/docannexe/image/28888/img-
10.jpg
Titre Figure 4. Facteur R / R Factor.
URL
11.jpg
Titre Figure 5. Facteur K / K Factor.
URL
12.jpg
Titre Figure 6. Facteur C / C Factor.
URL http://journals.openedition.org/vertigo/docannexe/image/28888/img-
13.jpg
Figure 7. Érosion potentielle dans le territoire d’Uvira / Potential Erosion
Titre
in the Uvira Territory
URL
14.jpg
Figure 8. État du risque d’érosion dans le territoire d’Uvira / Situation of
Titre
erosion risk in Uvira territory
URL
15.jpg
Figure 9. Comparaison de la situation du risque d’érosion et de l’érosion
Titre potentielle dans le territoire d’Uvira / Comparison of the current erosion
risk and the erosion potential in Uvira territory.
URL
16.jpg
Figure 10. Comparaison de la densité de la végétation entre 2006 et
Titre
2016 / Comparison of vegetation density between 2006 and 2016.
URL
17.jpg
Figure 11. Facteur de protection suivant les différentes méthodes de
protection de sol protection par terrasse aménagée (a), bande
Titre enherbées (b), culture en courbe de niveau (c) / Protection factor
according to different soil protection methods: terracing (a), strip
URL
18.jpg
Figure 12. Risque d’érosion suivant les différentes méthodes de

protection de sol: protection par terrasse aménagée (a), bande
Titre enherbées (b), culture en courbe de niveau (c) / Risk of erosion
according to different soil protection methods: terracing (a), strip
URL
19.jpg
Figure 13. Variation de surface affectée par l’érosion en fonction de la
Titre méthode de protection adoptée / Variation of area affected by erosion
according to the adopted protection method.
URL
20.jpg
Figure 14. Répartition des glissements de terrains par rapport aux
Titre différentes zones d’érosion / Distribution of landslides in relation to
different erosion zones.
URL
21.jpg
Figure 15. Analyse des rapports de fréquences entre l’occurrence des
glissements de terrain et la répartition des zones d’intensité d’érosion /
Titre
Analysis of frequency ratios between the occurrence of landslides and
the distribution of erosion intensity zones.
URL
22.jpg
Pour citer cet article

Référence électronique
Jean Nacishali Nteranya, « Cartographie de l’érosion hydrique des sols et priorisation des
mesures de conservation dans le territoire d’Uvira (République démocratique du Congo) »,
VertigO - la revue électronique en sciences de l'environnement [En ligne], Volume 20 numéro
3 | décembre 2020, mis en ligne le 01 février 2021, consulté le 22 décembre 2022. URL :
http://journals.openedition.org/vertigo/28888 ; DOI : https://doi.org/10.4000/vertigo.28888
Auteur
Jean Nacishali Nteranya
Département de géologie, faculté des sciences, Université officielle de Bukavu (UOB), BP 570
Bukavu, R.D. Congo, courriel : [email protected]
Droits d’auteur
Creative Commons - Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0

International - CC BY-NC-ND 4.0
https://creativecommons.org/licenses/by-nc-nd/4.0/

Cartographie de L'érosion Hydrique Des Sols Et Priorisation Des Mesures de Conservation Dans Le Territoire D'uvira (République Démocratique Du Congo)

Transféré par

Droits d'auteur :

Formats disponibles

Cartographie de L'érosion Hydrique Des Sols Et Priorisation Des Mesures de Conservation Dans Le Territoire D'uvira (République Démocratique Du Congo)

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cartographie de L'érosion Hydrique Des Sols Et Priorisation Des Mesures de Conservation Dans Le Territoire D'uvira (République Démocratique Du Congo)

Transféré par

Droits d'auteur :

Formats disponibles

12/22/22, 9:15 AM Cartographie de l’érosion hydrique des sols et priorisation des mesures de conservation dans le territoire d’Uvira (Républiqu…

Figure 1. Localisation du territoire d’Uvira / Location of the Uvira territory.

sont du burundien, plissées et métamorphisées. On y trouve les gneiss, quartzites,

Tableau 1. Données utilisées / Used data.

Type de Facteur Échelle / Taille

Raster (ESRI Wordclim2.0

Carte Vecteur SOTERCAF1.0

8 Le facteur R a été calculé grâce à l’équation R = - 8.12 + (0.562 x P) (Hurni, 1985;

(climatique et géographique) du secteur d’étude. En effet, l’équation USLE dans sa

de grille d’entrée (i,j) mesurée en m2; D la taille de cellule de grille en mettre,

13 θ est l’angle de pente en degré.

19 Où ms est le pourcentage en sable (diamètre des particules de 0,05-2,00 mm), msilt

Classification des Code % % % C organique %C

Acrisols hapliques ACh 21 29 50 80,8 8,08

Mollie Fluvisols FLm 0 43 57 46,9 4,69

Vertisols eutriques VRe 10 25 65 25,4 2,54

20 Le facteur C de couverture du sol (adimensionnel) représente les effets de la

Facteurs de l’érosion hydrique

Figure 3. Facteur LS / LS Factor.

Figure 4. Facteur R / R Factor.

L’érodabilité des sols K

Classification des Code Facteur

Acrisols hapliques ACh 0,207 0,740 0,964 1,000 0,147 111759,60

Cambisols dystriques CMd 0,200 0,689 0,966 0,999 0,133 45,04

Fluvisols mollie FLm 0,500 0,776 0,964 1,000 0,374 9947,94

Ferralsols humiques FRu 0,201 0,737 0,964 1,000 0,143 136080,69

Phaeozems luviques PHl 0,200 0,777 0,970 0,999 0,151 55222,88

Solonchaks gleyiques SCg 0,202 0,901 0,964 1,000 0,176 10413,44

Vertisols eutriques VRe 0,244 0,681 0,964 1,000 0,160 14236,17

Figure 5. Facteur K / K Factor.

Figure 6. Facteur C / C Factor.

32 La susceptibilité du terrain à l’érosion en fonction de la topographie, du climat et de

Tableau 4. Perte de sol potentielle, classe de sévérité d’érosion et leur priorité de

0 à 10 Faible I 80627,2 24,08 4,30

10 à 20 Modérée II 18033,7 5,38 13,73

20 à 30 Élevée III 12366,2 3,69 32,29

30 à 50 Sévère IV 17039,0 5,09 46,11

État du risque d’érosion

Tableau 5. Situation de perte de sol, classe de sévérité d’érosion et priorité de

Perte de sol Classe de Classe de Surface Pourcentage Érosion

0 à 10 Faible I 170 391,0 52,79 6,08

10 à 20 Modérée II 20 105,4 6,22 17,24

20 à 30 Élevée III 13 806,6 4,27 27,76

30 à 50 Sévère IV 19 645,4 6,08 42,17

> 50 Très sévère V 98 792,2 30,61 93,98

Comparaison du risque d’érosion et de l’érosion

Figure 9. Comparaison de la situation du risque d’érosion et de l’érosion potentielle dans

37 En raison de la couverture végétale, le risque d’érosion est globalement inférieur à

Tableau 6. Valeurs du facteur P suivant différentes pratiques de conservation de terre

0,0-7.0 0,55 0,27 0,1

7,0-11,3 0,60 0,3 0,12

11,3-17,6 0,8 0,4 0,16

17,6-26,8 0,9 0,45 0,18

>26,8 1 0,5 0,2

40 La Figure 12 présente la variabilité spatiale du risque d’érosion en fonction des

41 La méthode de bandes enherbées et des terrasses permettraient de réduire

Figure 13. Variation de surface affectée par l’érosion en fonction de la méthode de

Relation entre la répartition spatiale des

Tableau 7. Rapport de fréquence de l’occurrence des glissements des terrains Vs Zone