CARTOGRAPHIE DE LA SUSCEPTIBILITÉ AUX INONDATIONS DU BASSIN VERSANT DE LA FUNA (KINSHASA, RDC) PAR ANALYSE HIÉRARCHIQUE MULTICRITÈRE (AHP) ET TÉLÉDÉTECTION
Auteur(s): Tomeseleke Lofoli Christian, Kisangala Muke Modeste, Miti Tseta Félicien, Uzele Umul Jean-Jacques, Ntombi Mwen Mutsindu Abel, Mfuankatu Yovoka Arvel, Tshibangu Kabemba David, Sansabana Kimvuka Hervé, Makanzu Imwangana Fils, Yina Ngunga DidierNom de la revue/Journal: Journal Africain des Sciences
Mois: septembre
Volume: 3
Numéro: 10
Année: 2026
pages: 74-90
DOI: 10.70237/jafrisci.2026.v3.i10.08
Résumé
Les inondations urbaines constituent un risque majeur à Kinshasa, où la rareté des données hydrologiques in situ limite les approches classiques de modélisation. Cette étude vise à cartographier la susceptibilité aux inondations du bassin versant de la rivière Funa (70 km²) au moyen d'une analyse hiérarchique multicritère (AHP) combinée à la télédétection et aux systèmes d'information géographique. Huit facteurs conditionnels : distance au réseau hydrographique, altitude, pente, indice topographique d'humidité, densité de drainage, indice d'imperméabilisation (NDBI), indice de puissance d'écoulement et précipitation ont été dérivés d'un modèle numérique de terrain, d'images Sentinel-2 et de données climatiques CHIRPS, puis reclassés et pondérés par la méthode de Saaty. La matrice de comparaison présente un ratio de cohérence de 0,0093, attestant la validité des pondérations. La distance au réseau (29,08 %) et l'altitude (22,10 %) ressortent comme les facteurs les plus déterminants. La carte de susceptibilité résultante révèle que près de 47 % du bassin se situent en classe de susceptibilité élevée à très élevée, concentrée dans les fonds de vallée et les zones aval densément urbanisées, soit 32,26 km² où résident environ 1,04 million d'habitants, les deux tiers de la population du bassin. Le croisement avec la répartition de la population désigne Kalamu, Makala et Limete comme communes d'intervention prioritaire. Une simulation de Monte Carlo situe cette proportion entre 43,1 et 51,1 % à un niveau de confiance de 95 %, l'incertitude se concentrant sur un liseré le long des limites de classes. Ces résultats fournissent une base spatiale pour un système d'alerte précoce adapté aux contextes pauvres en données, sous réserve d'une validation quantitative contre des étendues inondées observées, qui reste à réaliser.