WOW !! MUCH LOVE ! SO WORLD PEACE !
Fond bitcoin pour l'amélioration du site: 1memzGeKS7CB3ECNkzSn2qHwxU6NZoJ8o
  Dogecoin (tips/pourboires): DCLoo9Dd4qECqpMLurdgGnaoqbftj16Nvp


Home | Publier un mémoire | Une page au hasard

L'alerte précoce et la prévision des rendements agricoles au Burkina Faso: cas de trois provinces Passoré, Yatenga et Soum

( Télécharger le fichier original )
par Paul RAMDE O. Paul Sylvestre
Université de Liège - Master gestion des risques naturels 2009
Dans la categorie: Sciences
  

Disponible en mode multipage

Soutenons La Quadrature du Net !

L'alerte précoce et la prévision des rendements

agricoles dans trois provinces du Burkina Faso :

Passoré, Yatenga et Soum.

Travail de Fin d'Etudes présenté par Ouassomdé Paul Sylvestre RAMDE
En vue de l'obtention du diplôme de
Master complémentaire en gestion des risques naturels.

Jury composé de :

Promoteur : Bernard TYCHON Lecteurs: Pierre OZER

Michel ERPICUM

Année académique 2008-2009.

REMERCIEMENTS

Je souhaite formuler mes vifs remerciements à toutes les personnes qui ont contribué à la réalisation de cette formation en gestion des risques naturels. J'adresse en particulier, ma reconnaissance à:

Monsieur Bernard TYCHON, mon promoteur, qui m'a fait bénéficier de ses compétences et de son expérience en me guidant méthodiquement par des conseils et critiques dans les étapes de ce travail.

Madame Marianne Von FRENCKELL, et Messieurs André OZER, Pierre OZER et Roger PAUL, responsables du Master complémentaire en gestion des risques naturels au sein de l'Université de Liège et de la faculté des Sciences Agronomiques de Gembloux.

Messieurs Pierre OZER et Michel ERPICUM qui ont accepté être membres du jury pour la soutenance du présent travail de fin d'études malgré leurs responsabilités respectives.

Monsieur Bakary DJABY à qui nous disons: «noaâg sâa kum bii f reeg båogo» : je demande de vous rappeler quotidiennement de mes remerciements.

Messieurs Amani Louis KOUADIO et Farid TRAORE pour le soutien moral et les multiples conseils.

La Commission Universitaire pour le Développement (CUD), mon organisme boursier qui m'a permis de suivre dans de bonnes conditions la formation de Master complémentaire en gestion des risques naturels.

Tout le personnel administratif et pédagogique de l'université de Liège et les collègues de la promotion pour la disponibilité et l'écoute.

Toutes les personnes qui m'ont aidé pendant la recherche d'informations en vue de préparer ce Master.

Les familles RAMDE, OUEDRAOGO, DAMIBA, SOME pour toutes les multiples formes de soutien.

Que toutes les personnes qui m'ont apporté leur soutien mais qui n'ont pas été citées dans ces lignes retrouvent ici l'expression de ma profonde gratitude.

TABLE DES MATIERES

RESUME vii

ABSTRACT viii

LISTE DES SIGLES ET ABREVIATIONS ix

INTRODUCTION 1

Contexte et Problématique 1

Objectifs 2

Objectif général 2

Objectif spécifique 2

Hypothèses de travail 3

I. PRESENTATION DE LA ZONE D'ETUDE 4

1.1. Localisation de la zone d'étude 4

1.2. Productions agricoles et situation alimentaire des ménages 5

1.3. Importance du sorgho et du mil en matière de sécurité alimentaire 5

1.4. Caractéristiques agronomiques du sorgho et du mil 6

1.5. Evolution des rendements du mil et du sorgho 6

1.6. Evolution des superficies du sorgho et du mil 8

1.7. Pauvreté et sécurité alimentaire 9

1.8. Appréciations des précipitations par différents acteurs 10

1.8.1. Appréciation des précipitations selon les producteurs 10

1.8.2. Appréciation des précipitations selon la Direction Nationale de la Météorologie 10

1.9. Relation entre la longueur de la saison des pluies et les spéculations agricoles 13

1.10. Mécanismes de gestion des risques d'insécurité alimentaire au Burkina Faso 14

II. METHODOLOGIE 16

2.1. Définition de concepts clés 16

2.1.1. Sécurité Alimentaire 16

2.1.2. Système d'alerte précoce 16

2.2. Matériel de travail 16

2.2.1. Sources des données 16

2.2.2. AgroMet-Shell (AMS) 17

2.2.3. Fonctionnement de AMS 17

2.2.3.1. Données d'entrées 17

2.2.3.2. Sorties du modèle AMS 17

2.2.4. Modèle VAST (Vegetation Analysis in Space and Time). 18

2.2.5. New LocClim 18

2.2.6. Statistica 19

2.3. Méthodes. 19

2.3.1. Modèle VAST 19

2.3.2. Modèle AMS 20

2.3.3. Windisp 21

2.3.4. Pluviométrie et rendements agricoles historiques 21

2.3.5. Statistica 21

2.3.6. Microsoft Excel 22

2.3.7. Modélisation à partir des données de www.tutiempo.net 22

III. RESULTATS ET ANALYSES 24

3.1. Modèle de prévision des rendements agricoles dans la Province du Passoré 24

3.1.1. Prévision des rendements du mil 24

3.1.2. Prévision des rendements du sorgho 26

3.2. Modèle de prévision dans la Province du Yatenga 27

3.2.1. Prévision des rendements du mil 27

3.2.2. Prévision des rendements du sorgho 29

3.2.3. Vérification des hypothèses de pertinence et de précocité 31

3.3. Modèle de prévision des rendements dans la Province du Soum 31

3.3.1. Prévision des rendements du mil 32

3.3.2. Prévision des rendements du sorgho 33

3.3.3. Vérification des hypothèses de pertinence et précocité 35

3.4. Prévision de rendements à l'aide de données pluviométriques obtenues sur un

www.tutiempo.net 36

3.4.1. Prévision des rendements du mil 36

3.4.2. Prévision des rendements du sorgho 38

CONCLUSION 41

REFERENCES BIBLIOGRAPHIQUES 42

ANNEXES 45

LISTE DES TABLEAUX

Tableau 1: Etendue des provinces de la zone d'étude 5

Tableau 2 : Caractéristiques agronomiques du sorgho et du mil. 6

Tableau 3 : Modèles de prévision des rendements du mil au Passoré 25

Tableau 4 : Paramètres d'appréciation du modèle de prévision des rendements du mil au Passoré 25

Tableau 5 : Modèles de prévision des rendements du sorgho dans le Passoré 26

Tableau 6 : Paramètres d'appréciation du modèle de prévision du rendement du sorgho au Passoré 26

Tableau 7 : Modèles de prévision des rendements du mil au Yatenga 28

Tableau 8 : Paramètres d'appréciation du modèle de prévision des rendements du mil au Yatenga 28

Tableau 9 : Modèles de prévision des rendements du sorgho au Yatenga 29

Tableau 10 : Paramètres d'appréciation du modèle de prévision du rendement du sorgho au Yatenga 30

Tableaux 11: Modèles de prévision des rendements du mil au Soum 32

Tableau 12 : Indicateurs d'appréciation du modèle de prévision des rendements du mil au Soum 33

Tableau 13 : Modèles de prévision des rendements du sorgho au Soum 34

Tableau 14 : Indicateurs d'appréciation du modèle de prévision du sorgho au Soum 34

Tableau 15 : Modèle de prévision des rendements du mil au Yatenga à partir des données de www.tutiempo.net 37

Tableau 16 : Tableau de comparaison des indicateurs d'appréciation des modèles élaborés à partir des données obtenues en station et celles acquises de www.tutiempo.net. 37

Tableau 17 : Modèles de prévision des rendements du sorgho au Yatenga à partir des données pluviométriques provenant de www.tutiempo.net. 38

Tableau 18 : Tableau de comparaison des indicateurs d'appréciation des modèles de prévision élaborés à partir des données obtenues en station et celles provenant de www.tutiempo.net. 38

LISTE DES FIGURES

Figure 1 et 2: Evolution des rendements (Kg/ha) du mil et du sorgho. 7

Figures 3 et 4: Evolution des superficies (ha) du mil et du sorgho 8

Figure 5 : Incidence de la pauvreté dans la Région du Nord au cours d'une décennie. 9

Figure 7 : Evolution des rendements historiques du mil et du sorgho dans la province du Passoré. 24

Figure 8: Evolution des rendements du mil et du sorgho dans la province du Yatenga de 1986 à 2003. 27

Figure 9 : Relation entre rendements historiques et rendements simulés du mil au Yatenga. 29

Figure 10 : Relation entre rendements historiques et rendements simulés du sorgho au Yatenga. 30

Figure 11: Représentation des rendements observés et simulés du mil et du sorgho dans la province du Soum. 32

Figure 12 : Relation entre rendements historiques et simulés du sorgho au Soum. 35

LISTE DES CARTES

Carte 1: Présentation de la zone d'étude 4

Cartes 2 et 3 : Variation des précipitations au Burkina Faso. 11

Cartes 4 et 5 : Variation des précipitations au Burkina Faso 12

Carte 6: Longueur de la saison des pluies. 13

RESUME

Le Burkina Faso est un pays sahélien situé dans la boucle du Niger. Dans la partie Nord du pays, l'insécurité alimentaire est une préoccupation pour les habitants de cette partie du pays, les autorités nationales et les partenaires au développement. A cet effet, la connaissance avant les récoltes du niveau de la production agricole est importante pour un système d'alerte précoce décentralisé d'une zone qui présente une production agricole en lien avec les variations climatiques. Celles-ci présentent des changements très significatifs démontrés par les producteurs agricoles et la Direction Nationale de la météorologie. La prévision des rendements est également un moyen de connaître les localités concernées par le déficit céréalier et de définir à temps la manière et les opportunités d'intervention. Dans le cadre de ce Travail de Fin d'Etudes nous nous intéressons à la prévision des rendements agricoles de deux céréales de base alimentaire à partir des variables agronomiques, pédologiques et climatiques des provinces du Passoré, Yatenga et Soum au Burkina Faso. Les différentes données citées ci-dessus ont permis de proposer des modèles de prévision des rendements agricoles. Les résultats d'appréciation des modèles proposés et les tests en vue de prédire l'erreur de généralisation de ceux -ci montrent que dans la province du Passoré aucun modèle proposé n'est fiable pour la prévision des rendements du mil et du sorgho. Il en est de même pour la prévision des rendements du Sorgho dans la province du Yatenga. Les paramètres d'appréciation du précédent modèle sont : R2=19.63 %, R2p=18.62%, RMSE=221.97 Kg/ha et RRMSE=35.35%. Par contre, les modèles de prévision des rendements du sorgho et du mil dans la province du Soum ont des résultats satisfaisants. Il en est de même pour le modèle de prévision des rendements du mil au Yatenga. Ce dernier présente les paramètres d'appréciation suivants: R2=65.89%, R2p=62.43%, RMSE=132.70 Kg/ha et RRMSE=22.53%. Ces modèles de prévision des rendements du mil ou du sorgho, qui présentent des résultats favorables utilisent deux ou trois variables explicatives. Les variables des différents modèles présentent des caractéristiques pertinentes du point de vue agronomique et ont très souvent un caractère précoce, d'où leur importance comme indicateurs dans le système d'alerte précoce. La comparaison des résultats des modèles élaborés à partir des données climatiques issues du site web www.tutiempo.net et ceux obtenus à partir des données collectées en station montre que les données des stations sont meilleures pour l'élaboration des modèles de prévision des rendements agricoles.

Mots clés: Burkina, prévision, rendements, SAP décentralisé, R2p, RRMSE, variable, précoce.

ABSTRACT

Burkina Faso lies around the Niger River. In the Northern part of country, food insecurity is a worry for inhabitants, authorities, and rural development partners. Therefore, knowledge of food production level by local yield forecasting before harvest is important to the local Early Warning Systems (EWS) in areas where there are significant climate change as shown by famers and National Direction of meteorology. It's also a way to know food deficient localities and to define in time the way and opportunity for intervention. In this Complementary Master thesis work, we intend to forecast yield of two basis food cereals using meteorological, soil and crops information of three Burkina Faso's province: Passoré, Yatenga and Soum. The different data enumerated above permitted to propose crop yield forecasts. The evaluation of the models given by the generalization error shows that, in the province of Passore, none forecasting model is reliable to predict yield of millet or sorghum. It's the same for the sorghum yield prediction in the province of Yatenga. The main model performance parameters are: R2=19.63 %, R2p=18.62%, RMSE=221.97 Kg/ha and RRMSE=35.35%. The models to forecast yield of millet and sorghum in the province of Soum are much more reliable. Similar good results are found for the millet yield forecasting in the province of Yatenga. In this last case performance parameters show that: R2=65.89%, R2p=62.43%, RMSE=132.70% and RRMSE=22.53%. These reliable models use two to three explicative's variables. These variables have an agronomic meaning and they are early enough in several cases to serve for actual prediction. So, they may be of potential usefulness in local Early Warning System. The comparison of yield forecasting results based on one hand on weather station data and on the other hand on data taken from the Tutiempo internet web site shows that meteo station data is still better for yield forecasting process.

Key words: Burkina, forecast, yield, local EWS, R2p, RRMSE, variable, Early.

LISTE DES SIGLES ET ABREVIATIONS

CRC : Croix Rouge Canadienne

DGPER1 : Direction Générale de la Promotion de l'Economie Rurale

DRMAHRH/N: Direction Régionale du Ministère de l'Agriculture, de l'Hydraulique et des Ressources

Halieutiques du Nord

FAO: Food and Agricultural Organization

FEWSNET: Famine Early Warning Systems Network

INERA : Institut de l'Environnement et de la Recherche Agricole

INSD: Institut National des Statistiques et de la Démographie

MAHRH : Ministère de l'Agriculture de l'Hydraulique et des Ressources Halieutiques

MCTC : Ministère de la Culture du Tourisme et de la Communication

MRA : Ministère des Ressources Animales

MT : Ministère des Transports

MED : Ministère de l'Economie et du Développement

NDVI: Normalized Difference Vegetative Index

R2 : Coefficient de détermination entre les rendements historiques et les variables explicatives

R2p : Coefficient de détermination en phase de validation

RMSE: Root Mean Square Error

RRMSE: Relative Root Mean Square Error

SAP : Système d'Alerte Précoce

SISA : Système d'Information sur la Sécurité Alimentaire

TFE : Travail de Fin d'Etudes.

1 Ce service portait le nom de Direction Générale de la Prévision et des Statistiques Agricoles (DGPSA).

INTRODUCTION

Contexte et Problématique

La région du Sahel en Afrique a connu ces vingt dernières années des conditions climatiques défavorables qui ont causé une crise alimentaire et une malnutrition chronique. Les pays les plus durement touchés sont le Niger, le Burkina Faso, le Mali et la Mauritanie (CRC, 2009). Selon Leprun (1989), le Sahel est une ceinture semi-aride de terres sablonneuses pauvres, jonchées de pierres, qui s'étend sur 3 860 kilomètres sur toute la largeur du continent africain. Il s'étend de 10 à 18° de latitude Nord, et de 4 à 15° de longitude Ouest. Il correspond à la zone de séparation physique et culturelle entre la partie sud qui possède des sols plus fertiles et le désert caractérisé par les sècheresses, des épisodes de famines et une dépendance alimentaire récurrente. Le Burkina Faso est un pays sahélien situé à l'intérieur de la boucle du fleuve Niger entre 10° et 15° de latitude Nord et entre 2° de longitude Est et 5°30' de longitude Ouest (Burkina, 2007). La superficie du pays est de 274 200 km2, et la population était estimée à 12 802 284 habitants, soit une densité moyenne de 47,3 habitants par km2 (INSD, 2007). Depuis quatre décennies, le Burkina Faso connaît des variations climatiques assez importantes. La sècheresse des années 1970 a provoqué une grave famine qui a coûté de nombreuses vies humaines et causée d'importantes pertes de cheptel (Sawadogo, 2007). Selon Ouédraogo (2004), le phénomène de crises n'est pas récent au Burkina Faso. De grandes famines ont été constatées en 1931 et 1932, des sècheresses catastrophiques ont concerné les années 1970, 1973, 1983-1984, 2000-2001, et des inondations importantes ont eu lieu en 1992 et 1994. L'ensemble des éléments sus cités affecte considérablement le niveau de production alimentaire. En milieu rural, la production agricole est la principale source d'alimentation des ménages. Cette production est fortement dépendante des aléas climatiques. Pour faire face à de tels évènements désastreux le gouvernement en collaboration avec d'autres partenaires au développement ont mis en place un Système d'Alerte Précoce (SAP) au niveau national. Ce système d'alerte orienté sur la prévention du risque d'insécurité alimentaire est devenu fonctionnel à partir de 2006-2007, à travers le démarrage de son chantier de rénovation méthodologique, et de relance de la surveillance de la situation alimentaire par régions (SAP, 2008).

Au Burkina Faso, plus de 80% de la population active oeuvre dans le secteur agricole d'où son importance dans le régime alimentaire des ménages surtout en milieu rural. Dans un tel contexte pouvoir prédire les productions agricoles d'une zone donnée, c'est prendre de l'avance sur la situation alimentaire de cette zone. La région du Nord et du Sahel au Burkina Faso, sont caractérisées par des situations alimentaires chroniquement déficitaires. L'alerte précoce est vue comme une stratégie pouvant participer à la gestion d'éventuelles crises alimentaires. Les informations objectives

et les moyens d'alerte rapide exercent un rôle crucial, en permettant d'entreprendre, en temps voulu et de façon appropriée, les interventions qui permettent d'éviter des souffrances (Diouf, 2008). Dans un pays, présentant une forte diversité écologique, comme le Burkina Faso, l'alerte précoce élaborée au niveau décentralisé est un moyen de fournir des informations précises et objectives propres aux caractéristiques agro-climatiques de chaque localité. Tenant compte du caractère actif récent du SAP au Burkina Faso (2006-2007), de l'insuffisance des ressources humaines directement allouées à ce service, et de sa forte dépendance en données d'analyse d'autres services de la Direction Générale de la Promotion et de l'Economie Rurale (DGPER), une analyse à l'échelle décentralisée revêt une importance capitale (SAP, 2008). Selon Balaghi et al. (2009), les modèles de prévisions agricoles s'adaptent mieux aux échelles locales (parcelle, champ d'agriculteur), mieux contrôlées, et où il est possible d'avoir de l'information précise sur des parcelles expérimentales. La modélisation des mouvements d'eau depuis le sol jusqu'à l'atmosphère, pour le calcul du bilan hydrique, est le coeur de la plupart de ces approches. Or, c'est malheureusement la partie la plus difficilement modélisable en raison de la difficulté d'obtention des informations précises sur les sols et le climat pour le calcul de l'évapotranspiration réelle des cultures, surtout sur de grandes étendues spatiales. On peut comprendre aisément que les approches de simulation aux échelles nationales et régionales (plusieurs pays) comportent des limites liées aux variabilités du climat et surtout de la relation soleau-plante. Ce travail de fin d'études s'inspire de modèles agro météorologiques de prévision des rendements effectués à partir de modèles d'analyses statistiques, afin de proposer aux systèmes d'alerte précoce mis en place par des organisations locales et décentralisées de l'Etat un outil en vue de prédire la situation alimentaire des ménages.

Objectifs

Dans le cadre de ce travail, l'analyse portera essentiellement sur l'élaboration d'un modèle agro météorologique de prévision des principales productions agricoles à même d'influencer la sécurité alimentaire de la zone d'étude qui est composée de trois provinces que sont : Passoré, Yatenga et Soum.

Objectif général

L'objectif général de la présente étude est de contribuer à fournir des données sur la sécurité alimentaire au niveau local au Burkina Faso.

Objectif spécifique

L'objectif spécifique lié à cette étude est de fournir des indicateurs d'alerte précoce basés sur la prévision des rendements agricoles dans trois provinces au Burkina Faso.

Hypothèses de travail

1 Les indicateurs agro-météorologiques qui caractérisent la production finale sont pertinents et précoces;

1 Les prévisions faites avec les données climatiques collectées en station sont les mêmes que

celles élaborées sur base des données disponibles sur Internet ( www.tutiempo.net).

I. PRESENTATION DE LA ZONE D'ETUDE 1.1. Localisation de la zone d'étude

De nos jours, le découpage administratif du Burkina Faso est fait en treize régions. La zone concernée par le présent travail comprend trois provinces issues de deux régions. C'est la région du Nord avec comme provinces le Yatenga et le Passoré et la région du Sahel représentée par la province du Soum. La figure suivante donne une présentation de la zone d'étude suivant le découpage administratif actuel.

Carte 1: Présentation de la zone d'étude

Tableau 1: Etendue des provinces de la zone d'étude

Province

Surface (Km2)

SOUM

1 281. 71

YATENGA

649 .29

PASSORE

397.83

Source : BDNT, 2007.

Des calculs réalisés à l'aide du logiciel ArcGIS, montrent que la superficie de la zone d'étude est de 2 328.84 km2.

1.2. Productions agricoles et situation alimentaire des ménages

Faite sur des terres très infertiles, l'agriculture dans la partie nord du pays est une agriculture de subsistance. Elle parvient difficilement à dégager des excédents susceptibles de générer des revenus monétaires nécessaires à l'émergence d'une économie de marché. Plusieurs études et rapports portant sur l'alerte rapide ou le bilan de campagne agricole montrent une situation de déficit alimentaire régulier liée à une production insuffisante. Une situation de la campagne agropastorale 2007-2008 (MAHRH et al., 2007), montre que sur les marchés des provinces de la Région du Nord notamment la province du Loroum, du Zondoma et surtout du Passoré, le niveau des prix est en hausse par rapport à octobre 2006. A Samba, dans le Passoré, le prix du mil et du sorgho ont connu des augmentations respectives de 100% à 125% malgré la récolte en cours, à la date de réalisation de l'étude.

1.3. Importance du sorgho et du mil en matière de sécuritéalimentaire

Selon Sissoko (2005), la production de céréales est très prédominante dans la Province du Zondoma (région du Nord), à l'image du Pays, compte tenu de la place importante qu'occupent les céréales dans les habitudes de consommation alimentaire. Les enquêtes de cette étude montrent que 100% des ménages pauvres produisent le sorgho, contre 84% pour les ménages riches. Les céréales qui sont les cultures dominantes sont essentiellement utilisées dans l'autoconsommation familiale. En effet, les ménages utilisent 86% à 100% de leur production céréalière dans la consommation familiale. Selon le FEWSNET (2002), le mil et le sorgho sont les produits vivriers de base les plus consommés au Burkina Faso et en particulier dans les zones de production chroniquement déficitaires des régions du centre, du centre-nord, du nord et du Sahel. C'est pourquoi tout changement dans les prix de ces produits affecte les conditions d'accès des ménages moyens.

1.4. Caractéristiques agronomiques du sorgho et du mil

Selon INERA et al. (1998), dans la région du Nord, la variété de sorgho la plus utilisée est ICSV1049 et la variété de mil est IKMP5. Les caractéristiques agronomiques de chaque variété sont mentionnées dans le tableau suivant :

Tableau 2 : Caractéristiques agronomiques du sorgho et du mil.

Paramètres agronomiques

Données pour mil

Données pour sorgho

Variété

IKMP5

ICSV1049

Durée du cycle

110 jours

110- 120 jours

Rendement

650 kg

800 à 1000 Kg/ha

Période de semis

15 juillet

15 juin au 15 juillet

Besoin en pluviométrie

500 à 800 mm

600 à 800 mm

Amendement

5 t/ha de fumier tous les 2 ans

100 kg/ha de NPK, et 50 kg/ha d'urée.

5 t/ha de compost tous les 2 ans

100 kg/ha de NPK et 50 kg/ha d'urée

Autres

Densité entre les lignes 0,8 m et 0,6 m entre les poquets.

Résistance au striga et aux

maladies foliaires.

Source : INERA et al. (1998)

1.5. Evolution des rendements du mil et du sorgho

Le rendement d'une culture est un indice de productivité couramment utilisé pour apprécier l'évolution des progrès réalisés par les acteurs de l'agriculture dans une culture donnée. Les représentations graphiques suivantes montrent l'évolution des rendements du mil et du sorgho dans la zone d'étude sur la période de 1986 à 2000, ce qui correspond aux estimations faites suivant l'ancien découpage du pays. Pour les valeurs de rendements et de superficies de la période 1986 à 2000, le territoire national était divisé en trente provinces. Cependant, les estimations de 2001 à 2003, sont faites sur la base de l'actuel découpage administratif en 45 provinces. Ces estimations sont faites par la Direction Générale de la Promotion de l'Economie Rurale2. Des appréciations sur la qualité des données sont faites dans la partie résultats et analyses.

2 http://agristat.bf.tripod.com/

1.6. Evolution des superficies du sorgho et du mil

1.7. Pauvreté et sécurité alimentaire

Les indices de développement des zones rurales au Burkina Faso sont bas et la région du Sahel connaît une situation encore plus difficile. Les populations de ces deux régions vivent de l'agriculture (essentiellement des céréales) et de l'élevage extensif. Mais la production agricole ne permet pas d'assurer l'autosuffisance alimentaire des villages du fait des conditions agro-écologiques défavorables entrainant de fortes contraintes de production (MED, 2005). Les périodes de soudure alimentaire se caractérisent habituellement par des réductions de repas, le recours à l'aide alimentaire et la migration. Les pratiques inadéquates de nutrition et le faible accès à l'eau potable sont aussi des causes de la malnutrition de la population, notamment des femmes et des enfants (EauVive, 2008).

La figure suivante traduit l'incidence de pauvreté dans la Région du Nord au cours d'une décennie.

Source : MED, (2005).

Figure 5 : Incidence de la pauvreté dans la Région du Nord au cours d'une décennie.

On constate qu'au cours de la décennie, le pourcentage de personnes pauvres est resté élevé dans la région du Nord par rapport à la moyenne nationale. Selon les statistiques de l'INSD, (2007) la densité de la population était de 82,4 habitants par Km2 dans la province du Passoré, 76,7 dans la province du Yatenga, et 26,6 dans la province du Soum contre une moyenne nationale de 47,3. Cette zone se caractérise par un niveau de pauvreté plus élevé que la moyenne nationale, une population plus dense que la moyenne nationale avec comme moyen de subsistance une agriculture qui est généralement très dépendante des aléas climatiques. Il devient alors indispensable d'avoir des indicateurs climatiques à même de contribuer à la prédiction des rendements agricoles et l'alerte précoce.

1.8. Appréciations des précipitations par différents acteurs

1.8.1. Appréciation des précipitations selon les producteurs

Au cours de notre expérience professionnelle nous avons participé à l'élaboration de diagnostics conjoints et à la mise en place des plans de gestion de terroir de plusieurs villages avec des producteurs. La pyramide des problèmes ou contraintes, qui est un outil de la Méthode Active de Recherche et de Planification Participative (MARP), est utilisée pour identifier avec les producteurs les contraintes à la production agro-sylvo-pastorale. La principale contrainte habituellement retenue comme la plus importante et difficile à solutionner est l'insuffisance de la pluviométrie. Les critères fréquemment utilisés par les producteurs pour apprécier le changement néfaste des précipitations sont essentiellement liés à la réduction de la durée des saisons de pluie avec comme corolaire un arrêt brutal des précipitations certaines années, au moment où le sorgho et le mil sont en phase de maturation. L'installation tardive de l'hivernage et l'irrégularité des précipitations entrainent des poches de sècheresses souvent importantes qui engendrent un retard dans le développement des plantes et par conséquent des productions non satisfaisantes.

1.8.2. Appréciation des précipitations selon la Direction Nationale de la Météorologie

Longitude (°)
-6 -5 -4 -3 -2 -1 0 1 2 3

Latitude (°)

15

14

13

12

11

10

9

BANFORA

MANGODARA

BOBO-DSSO

KOUKA

PLUVIOMETRIE ANNUELLE MOYENNE (mm) 1931 - 1960

DEDOUGOU

DIEBOUGOU

GAOUA

BOROMO

BATIE

OUAHIGOUYA

YAKO

OUAGADOUGOU

DJIBO

MANGA

KAYA

PO

BOGANDE

DORI

FADA NGOURMA

BURKINA FASO

DIRECTION DE LA METEOROLOGIE

MAHADAGA

LEGENDE

701-900 901-1100 1101-1300

501-700

9

15

14

13

12

11

10

Latitude (°)

-6 -5 -4 -3 -2 -1 0 1 2 3

Longitude (°)

Carte 2 : Variation des précipitations au Burkina Faso.

Longitude (°)
-6 -5 -4 -3 -2 -1 0 1 2 3

PLUVIOMETRIE ANNUELLE MOYENNE (mm) 1951 - 1980

15

LEGENDE

15

301-500

501-700

14

OUAHIGOUYA

DJIBO

DORI

701-900 901-1100 1101-1300

14

KAYA

13

BOGANDE

YAKO

DEDOUGOU

OUAGADOUGOU

FADA NGOURMA

KOUKA

BOROMO

13
12

Latitude ()

MAHADAGA

MANGA

BOBO-DSSO

PO

11

Latitude ()

12
11

DIEBOUGOU

BANFORA

GAOUA

MANGODARA

10

BATIE

10

BURKINA FASO

DIRECTION DE LA METEOROLOGIE

9 -6

9

-6

2 3

2 3

-5

 

-4

-3

-2 -1

0

1

 
 
 

Longitude (°)

 
 
 
 
 

Longitude (°)

 
 

-5

-4

-3

-2 -1

0

1

DJIBO

DORI

OUAHIGOUYA

KA

YAKO

BOROMO

MANGA

PO

BATIE

9

PLUVIOMETRIE ANNUELLE MOYENNE (mm) : 1961-1990

LEGENDE

301-500

501-700

701-900 901-1100 1101-1300

KAYA

BOGANDE

DEDOUGOU

OUAGADOUGOU

FADA NGOURMA

KOUKA

MAHADAGA

BOBO-DSSO

DIEBOUGOU

BANFORA

GAOUA

MANGODARA

BURKINA FASO

DIRECTION DE LA METEOROLOGIE

9 -6 -5 -4 -3 -2 -1 0 1 2 3

Longitude (°)

15

14

13

Latitude

12

11

10

15

14

13

Latitude C)

12

11

10

Cartes 3 et 4 : Variation des précipitations au Burkina Faso (Suite).

Longitude (°)
-6 -5 -4 -3 -2 -1 0 1 2 3

Latitude 0

15

14

13

12

11

10

9

BANFORA

MANGODARA

BOBO-DSSO

KOUKA

PLUVIOMETRIE ANNUELLE MOYENNE (mm) : 1971-2000

DEDOUGOU

DIEBOUGOU

GAOUA

BOROMO

BATIE

OUAHIGOUYA

YAKO

OUAGADOUGOU

DJIBO

MANGA

KAYA

PO

BOGANDE

DORI

FADA NGOURMA

BURKINA FASO

DIRECTION DE LA METEOROLOGIE

MAHADAGA

LEGENDE

701-900 901-1100 1101-1300

301-500

501-700

9

15

14

13

12

11

10

Latitude (°)

-6 -5 -4 -3 -2 -1 0 1 2 3

Longitude (°)

Carte 5 : Variation des précipitations au Burkina Faso (Fin)

En regardant ces graphiques, on constate que durant la période 1931-1960, les moyennes de la pluviométrie sur toute l'étendue du territoire pouvaient être regroupées en quatre classes, dont la plus basse représente l'intervalle de 501 à 700 mm. La période 1951-1980 voit l'apparition d'une nouvelle classe de pluviométrie (301 à 500 mm) dans la partie Nord du pays. Une expansion rapide de cette classe de pluviométrie se fait et s'installe sur tout le nord du pays au cours des trois dernières décennies. Cela s'est accompagné d'un mouvement de toutes les isohyètes vers le Sudouest sur toute l'étendue du territoire national.

1.9. Relation entre la longueur de la saison des pluies et les

spéculations agricoles

Longitude (°)
-6 -5 -4 -3 -2 -1 0 1 2 3

Latitude 0

15

14

13

12

11

10

9

~~i 2OO2JAP3A

~~~~~~~

~~~~~~~~~~

~~~~~~~

~~~~~~~~~~~

~~~~~~~~

LONGUEUR MOYENNE (1971 - 2000) DE LA SAISON DES PLUIES AU BURKINA FASO

~~~~~~~

~~~~~~~~~

~~~~-~~~~

~~~~~

~~~~~~~~

~~~~~~

~~~~~~~

~~~~~

~~~

~~~~~~~

~~~~~~~~

~~~~~~

~~~~~~

~~~~~~~~~

~~~~~~~

~~~~~~~ ~~~~

~~~~

~~~~~~

~~~~~

~~~~

~~~~~

~~~~~~

~~~~

~~~~~ ~~~~~

~~~~~~~~~~

~~~~~

~~~

~~~~

~~~~~

~~~

~~~~~~

~~~~~~

~~~~~~~~~~~

~~~~~~~~~

~~~~~

~~~~~~

~~~~~~

~~~~~

~~~~~~~~~~

~~~~~~~~~

~~

~~~~~~~~

~~~~~~

~~~~~

~~~~~~

~~~~~~~~

~~~~~~~~~

~~~~~-~~~~~

~~~~~~~

~~~~~~~

~~~~~

~~~~~~~~

~~~~

~~~~ ~~~~~~~

~~~~~~

~~~~~

~~~~

BURKINA FASO

DIRECTION DE LA METEOROLOGIE

LEGENDE

~~~~~~~~~

~~~~~~~~

~~~~~~~~

mom~s de 00 jours 00 - 20 jours 20 - 40 jours 40 - 60 jours plus de 60 jours

~~~~~~~

9

15

14

13

12

11

10

Latitude 0

-6 -5 -4 -3 -2 -1 0 1 2 3

Longitude (°)

Carte 6: Longueur de la saison des pluies.

Une partie de la zone d'étude a une saison de pluie qui dure en moyenne moins de 100 jours, une autre entre 100 et 120 jours et une troisième entre 120 et 140 jours. Selon la DRMAHRH (2008), la variété de sorgho couramment utilisée a un cycle de 120 jours et la variété de mil, un cycle de 110 jours. On constate que la durée de la saison des pluies et celle du cycle de développement des principales céréales se superposent sans laisser une marge de manoeuvre. C'est dire que des facteurs pouvant entrainer des retards de croissance (sècheresse, adventices, retard des dates de semis, etc.) peuvent compromettre le niveau de la production agricole et également la sécurité alimentaire. Cette variabilité locale d'éléments qui influencent significativement le niveau de production agricole, nécessite un suivi au niveau local. Il est donc nécessaire que le système d'alerte précoce nationale se décentralise à une échelle assez petite pour une bonne efficacité de sa mission.

1.10. Mécanismes de gestion des risques d'insécurité alimentaire au Burkina Faso

Selon SISA (2008), les graves crises alimentaires des années 1973-1974 et 1984-1985 qui ont frappé les pays du Sahel ont poussé les différents gouvernements à mettre en place des dispositifs de prévention et de gestion des crises alimentaires. Les Systèmes d'Alerte Précoce (SAP).

Au Burkina, ce dispositif comprend trois principaux organes :

~ un organe de décision (le Gouvernement) chargé de la définition des orientations de la politique nationale en matière de sécurité alimentaire ;

~ un organe de concertation (le Comité National de Sécurité Alimentaire) composé de l'ensemble des acteurs (Gouvernement, Partenaires techniques et financiers, Société civile) chargé de maintenir un dialogue permanent entre les différents acteurs ;

~ un dispositif de prévention et de gestion des crises alimentaires comprenant la Société Nationale de Gestion des Stocks de Sécurité Alimentaire, le Comité National de Secours d'Urgence et de Réhabilitation et le Système d'Alerte Précoce.

La coordination et l'animation des activités du système d'alerte précoce sont assurées par la Direction Générale de la Promotion de l'Economie Rurale et par la Direction du Système d'Alerte Précoce (DSAP). De nos jours, ce système tend vers une décentralisation et selon DGPER (2008), les fondements pour la mise en place des SAP décentralisés au niveau régional sont :

1 permettre aux structures décentralisées de se familiariser avec les outils de collecte et d'analyse de l'information sur la sécurité alimentaire;

1 inciter les acteurs locaux à la création de cadres de concertation sur la sécurité alimentaire;

1 impliquer les acteurs dans la recherche de solutions locales aux problèmes de crises alimentaires;

1 permettre au SAP central, de pouvoir capter à tout instant, les germes de risque et les signaux porteurs d'effets sur les groupes vulnérables;

1 Permettre à terme, la prise en charge effective des charges récurrentes du SAP décentralisé par les collectivités locales.

La principale activité des SAP décentralisés est la collecte d'informations de nature socioéconomique devant permettre de capter à tout moment, les germes de risque d'insécurité alimentaire sur la population. Ces informations portent essentiellement sur :

1 La situation des sources de revenu des ménages ;

1 La situation des marchés des produits alimentaires et du bétail ; 1 La situation alimentaire globale des ménages et du bétail;

1 Les mouvements de population et les transhumances suite à un choc, ou pour faire face à un risque de manque de nourriture ;

1 Les catastrophes naturelles (épidémies, épizooties, inondations, conflits, ennemis des cultures et des récoltes, etc.).

II. METHODOLOGIE

2.1. Définition de concepts clés

2.1.1. Sécurité Alimentaire

Au sommet mondial de l'alimentation, organisé par la FAO en 1996, le concept de sécurité alimentaire a été défini ainsi : «La sécurité alimentaire existe lorsque tous les êtres humains ont, à tout moment, un accès physique et économique à une nourriture suffisante, saine et nutritive leur permettant de satisfaire leurs besoins et leurs préférences alimentaires pour mener une vie saine et active » (FAO, 1996).

2.1.2. Système d'alerte précoce

Selon la Direction Générale de la Promotion de l'Economie Rurale au Burkina Faso (DGPER, 2008): c'est un système qui permet d'alerter sur les risques de crises alimentaires, d'apprécier leur ampleur, de déterminer le lieu, la manière et l'opportunité de l'intervention.

2.2. Matériel de travail

Pour élaborer des modèles de prévision de rendements du mil et du sorgho dans les provinces du Passoré, Yatenga et Soum on a utilisé des données agro-météorologiques issues de plusieurs sources. Des plus, des spécificités de différents logiciels ont été mis à contribution pour identifier des variables qui peuvent contribuer à la prédiction des rendements agricoles.

2.2.1. Sources des données

Les données climatiques sont obtenues auprès de la Direction Nationale de la Météorologie. Il s'agit essentiellement de la pluviométrie et de l'évapotranspiration potentielle. Des données de 12 stations pluviométriques situées dans la zone d'étude et proche de la zone d'étude ont été collectées. Au regard de la qualité de celles-ci, un tri a été fait pour retenir les trois stations qui présentent les données de meilleures qualités. Pour les provinces où l'évapotranspiration mesurée en station n'est pas disponible nous avons utilisé l'évapotranspiration normale issue du logiciel New LocClim. Les images satellitaires proviennent du satellite SPOT Végétation. Il s'agit des images qui couvrent l'ensemble du pays pendant la période 1986 à 2003. Les productions agricoles ont été obtenues auprès de la Direction Générale de Promotion de l'Economie Rurale (DGPER). Celles-ci concernent essentiellement, les rendements (de 1986 à 2003) du mil et du sorgho, les productions et les superficies correspondantes.

2.2.2. AgroMet-Shell (AMS)

AgroMet-Shell est un ensemble d'outils intégrés servant à évaluer l'impact des conditions météorologiques sur les cultures à l'aide d'approches statistiques et de modélisation.

Les principales fonctions d'AMS sont:

1 des fonctions de base de données (configuration, apport, extraction et gestion des données);

1 un bilan hydrique du sol par culture pour le suivi des cultures ou des analyses de risques;

1 l'interpolation spatiale de variables agro-climatiques et autres indicateurs, y compris leur présentation sous forme de cartes;

1 des calculs de la consommation d'eau des cultures (évapotranspiration potentielle),

probabilités de précipitations, caractéristiques de la campagne de végétation, etc.

Dans le cadre de ce TFE nous exploiterons plus l'aspect bilan hydrique pour le suivi du mil et du sorgho.

2.2.3. Fonctionnement de AMS

2.2.3.1. Données d'entrées

Les données d'entrée de AMS sont : les données pluviométriques, l'évapotranspiration potentielle mesurée au niveau des stations si ces données sont disponibles et dans le cas contraire l'évapotranspiration normale issue du logiciel New LocClim. La durée du cycle de développement des spéculations étudiées, la date de début des saisons hivernales, et la teneur en eau du sol au début de l'hivernage.

2.2.3.2. Sorties du modèle AMS

AMS produit deux types de fichiers de sortie: les fichiers du premier type sont utilisés pour le suivi des cultures et ceux du second type contiennent les données agro-climatiques. Dans le cadre de ce TFE, nous exploitons les sorties du second type et plus particulièrement celui comportant la dénomination « summary ». Le fichier contient une quarantaine de variables. Nous nous intéresserons uniquement aux variables qui ont été retenues pour la prévision du rendement agricole de la zone d'étude. Celles-ci se présentent comme suite:

Indx, IndxNor and IndxLatest : ce sont des indices de satisfaction en eau développés par Mukhala et al. (2004), qui sont exprimés en pourcentage selon respectivement les besoins réel, normal et en fin de cycle. Indx, qui représente le besoin réel, est la valeur de l'indice de satisfaction en eau estimée en fin de cycle. IndxNor est la valeur estimée en fin de cycle avec la pluviométrie, l'évapotranspiration et d'autres paramètres disponibles liés à la culture

ciblée. Quant à l'IndxLatest, il correspond à l'indice de satisfaction de la dernière décade pour laquelle les valeurs réelles sont disponibles.

WEXi, WEXv, WEXf, WEXr, WEXt : ces paramètres définissent respectivement l'excès en eau à différents stades phénologiques que sont : phase initiale, début de la phase végétative, phase de pleine végétation et la phase de maturité. Le dernier paramètre donne l'excès en eau sur tout le cycle.

WDEFi, WDEFv, WDEFf, WDEFr, WDEFt : désignent le déficit en eau pendant les différentes phases phénologiques et celui obtenu sur tout le cycle de la culture.

ETAi, ETAv, ETAf, ETAr, ETAt, : C'est l'évapotranspiration réelle à différents stades du cycle de la
culture et la valeur synthétique pour tout le cycle de développement de la culture.

ETA: c'est l'évapotranspiration réelle, c'est un facteur directement en relation avec la production la culture.

Cr1a à Cr4a : Indiquent les décades pour lesquelles l'indice de satisfaction en eau (Rangeland index) correspond à 40% de l'évapotranspiration potentielle.

2.2.4. Modèle VAST (Vegetation Analysis in Space and Time).

Selon Tychon (2009), VAST est un programme écrit il y a une dizaine d'années par Félix Lee qui permet d'extraire des informations de données satellitaires notamment les valeurs de l'Indice de Végétation Normalisé (NDVI). Le modèle crée une dizaine de variables agro-météorologiques sous forme d'images que l'on peut convertir en tableur Microsoft Excel grâce au logiciel Windisp.

2.2.5. New LocClim

Il est fréquemment utilisé pour estimer les paramètres du « climat local » (FAO, 2005). Il est constitué d'un logiciel et d'une base de données, et propose des estimations de conditions climatiques moyennes dans des lieux où aucune observation n'est disponible. Ce programme peut : réaliser des cartes climatiques, extraire des données sur divers types de formats à partir de la base de données pour des utilisations ultérieures, et afficher des graphiques montrant le cycle annuel d'observations mensuelles et le calendrier des cultures.

Ce logiciel est utilisé dans cette étude pour extraire les valeurs de l'évapotranspiration normale des stations dont les données pluviométriques sont utilisées pour faire tourner le modèle AMS. Il s'agit de la station de Yako et de Baraboulé pour lesquelles nous n'avons pas de données d'évapotranspiration collectées en station.

2.2.6. Statistica

La version 8 de ce logiciel est utilisée pour faire les régressions linéaires afin d'identifier les variables qui expliquent le rendement du mil et du sorgho dans la zone d'étude. Ce logiciel est également utilisé pour la calibration et la validation de sorte à prédire l'erreur de généralisation des résultats.

2.3. Méthodes.

L'objectif global de cette étude est d'identifier un modèle de prévision des rendements agricoles de deux céréales de base dans l'alimentation des populations de la Région du Nord et du Sahel au Burkina Faso. Un tel outil est nécessaire dans le cadre d'un système d'alerte précoce décentralisé afin de prendre en compte les variabilités climatiques locales qui influencent la production agricole. Cette variation climatique entraine des difficultés en matière de sécurité alimentaire.

2.3.1. Modèle VAST

Selon Tychon (2009), la particularité de ce programme est qu'il tourne sous MS-DOS. Les commandes à saisir sous MS-DOS sont du type :

VAST3 <cc> <yr> [inpath] [outpath] [ext] [st_mon] [ed_mon] [pbase] [ptol]

Avec : cc, les deux premières lettres du nom des images à analyser

yr, deux chiffres spécifiant l'année (p.ex 86, 93, 04)

inpath, le chemin pour accéder aux données d'entrée

outpath, le chemin où stocker les résultats

ext, 3 caractères maximum qui définissent l'extension des images à analyser st_mon, premier mois de la saison agricole, la première décade est utilisée ed_mon, dernier mois de la saison agricole, la dernière décade est utilisée

pbase, NDVI seuil à partir duquel la saison agricole débute

ptol, l'accroissement minimal de NDVI requis pour le calcul du début de la saison agricole

<>, les paramètres obligatoires [], les paramètres facultatifs

Le modèle donne des sorties qui sont des variables intéressantes du point de vue agronomique. L'ensemble des sorties se présente comme suit :

PEAK, la décade à laquelle le NDVI atteint son maximum

SDAT, la décade de début de la saison agricole

HORZ = PEAK - SDAT

SVAL, la valeur du NDVI à SDAT PVAL, la valeur du NDVI à PEAK VERT = PVAL - SVAL

EVAL, le NDVI au temps PEAK + 4 (soit environ la fin de saison)

DROP = PVAL - EVAL

SLOP, la pente de la droite qui rejoint (SDAT, SVAL) à (PEAK, PVAL)

CUM, la somme des valeurs de NDVI de SDAT à PEAK

SKEW, le rapport entre la somme des 3 valeurs de NDVI suivant PEAK (de PEAK + 1 à PEAK + 3) et la somme des 7 valeurs de PEAK - 3 à PEAK + 3.

Parmi ces variables celles que nous utiliserons le plus sont : PEAK, SDAT, SVAL, PVAL, VERT, EVAL et CUM du fait qu'elles présentent des caractéristiques agronomiques intéressantes pour cette zone d'étude.

2.3.2. Modèle AMS

En tenant compte de l'étroite relation sol-plante-eau, la fonction de bilan hydrique du sol par culture pour le suivi des cultures ou des analyses de risques est exploitée dans le cadre de ce travail. Quatre sources différentes de dates de semis étaient disponibles. Ce sont les données fournies par : la Direction Nationale de la Météorologie, la Direction Régionale du MAHRH, AMS par le calcul des dates de semis, et VAST par estimation de la variable SDAT.

C'est la variable SDAT qui a été retenue, du fait qu'elle donne une décade précise qui se trouve dans l'intervalle recommandé par les deux premières structures et elle correspond à la réalité observée sur le terrain.

Le paramètre Pre Season KCr qui détermine l'humidité du sol avant les semis a été fixé à 0.15 tenant compte de la longue période de saison sèche que connait cette zone aride. La capacité de rétention du sol a été fixée à 70 mm tenant compte des résultats des études de Paturel et al (1998) et celui de Filippi et al. (1990). Dans la zone d'étude, le mil et le sorgho sont des cultures pluviales donc aucune irrigation n'est faite. Nous considérons que l'eau de pluie est utilisable à 100%, c'est-à-dire que nous supposons que les pertes liées au ruissellement sont minimes.

Le cycle de développement de la variété de sorgho communément cultivée (ICSV1049) est de 120 jours soit 12 décades et celui de la variété de mil (IKMP5) est de 110 jours soit 11 décades. Un autre paramètre important d'entrée de AMS est le coefficient cultural (Kc) de la spéculation que l'on veut utiliser pour réaliser le bilan hydrique. Pour ce faire, nous nous sommes inspirés des valeurs de Kc

des cultures données dans le document Crop evapotranspiration - Guidelines for computing crop water requirements-, de la FAO (1998) et qui présentent des caractéristiques proches (besoin en eau, durée du cycle) de celles utilisées dans la zone d'étude. Ce coefficient cultural est utilisé pour le calcul de l'évapotranspiration maximale de la culture (mm/unité de temps) par la formule :

Avec : étant l'évapotranspiration maximale de la culture (mm/unité de temps).

: le coefficient cultural et : correspondant à l'évapotranspiration de référence (mm/unité de

temps).

2.3.3. Windisp

Selon Pfirman et al. (1998), WinDisp a été conçu pour l'affichage, aussi simple que possible, d'images satellites, de cartes et de bases de données associées. Dans le cadre de ce travail, la version 5.1 de ce logiciel est utilisée à deux niveaux. Premièrement pour convertir les images produites par VAST, sous la forme grille lisible par Microsoft Excel et ensuite pour lire les valeurs d'indice de végétation normalisé (NDVI) des pixels sur une échelle de temps (1986-2003) retenue dans le cadre de cette étude. Dans chaque cas, deux sous étapes ont été faites. La première avec l'ancien découpage administratif du Burkina Faso pour les données de 1986 à 2000 et la seconde sous étape avec l'actuel découpage administratif (2001-2003). Cette procédure s'explique en vue d'établir le lien avec les différents découpages administratifs utilisés pour l'estimation des rendements historiques élaborés par la DGPER (2009).

Les valeurs de NDVI ont été regroupées suivant un cumul à différentes décades du cycle de développement des cultures (initial, début de la phase végétative, pleine végétation et maturité).

2.3.4. Pluviométrie et rendements agricoles historiques

Pour apprécier l'effet de la pluviométrie de façon directe dans la prévision des rendements agricoles, un cumul de la pluviométrie est fait également sur différentes décades du cycle de développement de la culture. Les rendements agricoles historiques qui constituent la variable à expliquer fait partie des variables qui constituent le set d'entrée de Statistica.

2.3.5. Statistica

2.3.5.1. Contrôle de la qualité des données.

La première étape a été l'observation visuelle des données et ensuite la vérification de la normalité des variables. Pour réaliser cette première étape, des paramètres de tendance centrale (moyenne) et de dispersion (variance et écart type) ont été produits. Des boîtes à moustaches ont été produites pour apprécier la présence de points atypiques et extrêmes. Dans Microsoft Excel, des calculs de totaux ont permis de contrôler les valeurs des données d'entrée de Statistica et les données brutes

obtenues auprès des services techniques ou des sorties de logiciel. De plus, des représentations graphiques sous forme de courbes ont permis d'identifier les valeurs qui s'écartent des autres et de vérifier si elles sont le résultat obtenu suivant la procédure souhaitée.

2.3.5.2. Identification des variables corrélées

Pour chaque sortie de modèles utilisés, un tri de variables qui ont un sens agronomique dans le cadre de cette étude a été fait. Ces variables sont utilisées pour rechercher celles qui sont corrélées entre elles de sorte à ne pas produire un modèle comportant des variables corrélées. Une régression multiple pas à pas est faite en petits groupes pour identifier les variables qui ont une probabilité significative dans l'explication du rendement agricole.

2.3.5.3. Identification du modèle, calibration et validation

L'étape suivante a consisté en l'élaboration de Modèles Généraux de Régression à partir des variables non corrélées. Les modèles proposés sont classés par valeur décroissante du coefficient de détermination (R2). Pour le choix du meilleur modèle de prévision des rendements, nous avons utilisé les mêmes variables explicatives pour faire à nouveau une régression pas à pas en se limitant aux variables dont les paramètres présentent une probabilité significative avec 95% de confiance au moins. La dernière étape de l'utilisation du logiciel Statistica est la cross-validation en vue de vérifier le niveau de réplication des résultats. La procédure a consisté à utiliser une partie des observations pour calibrer le modèle et une autre partie pour le valider. Dans notre cas, le leave-one-out (LOO) cross-validation a été utilisé. Il s'agit simplement d'utiliser (K-1) observations pour calibrer le modèle et l'observation restante est utilisée pour la validation. Cette opération est réalisée (K-1) fois. K étant le nombre total d'observations utilisées pour l'étude.

2.3.6. Microsoft Excel

En plus de son utilisation dans le contrôle de la qualité des données, Excel a été mis à profit pour la synthèse des différentes variables qui constituent le set d'entrée de Statistica. Il a été également utilisé pour calculer les paramètres d'appréciation de la qualité des différentes régressions: l'erreur absolue moyenne, le Root Mean Square Error (RMSE), et le Relative Root Mean Square Error.

2.3.7. Modélisation à partir des données de www.tutiempo.net

Pour comparer la qualité des données collectées en station et celles issues des sites d'Internet, en
particulier celui de Tutiempo : www.tutiempo.net qui utilise le pas de temps journalier et qui est
souvent utilisé comme référence en matière d'information sur le climat d'une zone donnée. Pour ce

faire, plutôt d'utiliser les données collectées en station nous avons utilisé les données pluviométriques provenant de www.tutiempo.net et la même procédure statistique est appliquée. Les données d'évapotranspiration potentielles sont issues du logiciel NewLocClim.

III. RESULTATS ET ANALYSES

3.1. Modèle de prévision des rendements agricoles dans la

Province du PassoréL'évolution des rendements historiques du mil et du sorgho au cours de la période de 1986 à 2003 se présente comme ainsi :

Source : DGPER (2009)

Figure 7 : Evolution des rendements historiques du mil et du sorgho dans la province du Passoré.

On constate une variabilité interannuelle très importante des rendements agricoles du mil et du sorgho. Les courbes de mil et de sorgho évoluent de la même façon sauf en 1993 et en 1995, ce qui pourrait laisser penser à des problèmes de la qualité de ces statistiques agricoles au moins pour ces deux années.

3.1.1. Prévision des rendements du mil

A partir des variables pertinentes, on peut établir une liste de différents modèles donnant une relation entre les rendements historiques de la production du mil dans la province du Passoré et ces variables. Les 10 meilleurs modèles classés suivant la valeur de R2, sont consignés dans le tableau suivant.

Tableau 3 : Modèles de prévision des rendements du mil au Passoré

Numéro d'ordre

Classement décroissant suivant la valeur de R2

R2

Nb.

WDEFr

NDVI_V

NDVI_M

Vert

Pluvio_PV

1

0.368301

5

0.649394

0.389372

-0.567590

1.008702

-0.412320

2

0.318926

4

0.408672

0.318777

-0.408233

0.650474

 

3

0.278854

4

0.524250

 

-0.234546

0.645234

-0.276895

4

0.267397

4

0.442866

0.131638

 

0.461069

-0.175745

5

0.256705

3

0.350021

0.132536

 

0.357179

 

6

0.255177

3

0.368558

 

-0.163871

0.436488

 

7

0.250681

3

0.440676

 
 

0.437778

-0.177618

8

0.239759

2

0.346820

 
 

0.332613

 

9

0.179274

4

 

0.230801

-0.229430

0.429679

0.172814

10

0.163518

3

0.247232

0.090315

 
 

0.208959

Source : données de l'étude.

Avec : Nb. Le nombre de variables dans la régression, WDEFr : le déficit en eau à la période de récolte, NDVI_V : le cumul de NDVI pendant le début de la phase végétative, NDVI_M : le cumul du NDVI pendant la phase de maturité, Vert : la différence entre la valeur maximale de NDVI et sa valeur observée au début de la saison agricole, Pluvio_PV : le cumul de la pluviométrie pendant la phase en pleine végétation. Les valeurs situées sous les variables explicatives des rendements dans ce tableau sont les coefficients de régression centrés-réduits pour chaque sous-modèle.

Le coefficient de détermination (R2) est un indicateur qui permet de juger la qualité d'une régression linéaire, simple ou multiple. D'une valeur comprise entre 0 et 1, il mesure l'adéquation entre les rendements observés et les variables explicatives. Cependant, notons que le R2 a ses imperfections, mais son utilité n'a d'égale que sa simplicité. Parmi ces différents modèles, aucun d'entre eux ne présente un R2 satisfaisant (c'est-à-dire supérieur ou égal à 0.50) malgré un nombre de variables relativement élevé.

Les paramètres d'appréciation de ce modèle sur la base des résultats de la calibration et de la validation sont consignés dans le tableau suivant.

Tableau 4 : Paramètres d'appréciation du modèle de prévision des rendements du mil au Passoré

Erreur absolue moyenne (Kg/ha)

Root mean square error (RMSE) (Kg/ha)

RRMSE (%)

R2 de la

régression dans Statistica

R2p

R2 ajusté

p

120.581301

159.1761569

0.281252

0.239759

0.1905

0.131154

0.146777

Source : données de l'étude.

Avec RRMSE : l'erreur quadratique moyenne en pourcentage, et R2p le coefficient de détermination qui montre l'étroitesse de la relation entre les valeurs observées et celles prédites, R2 ajusté le coefficient de détermination qui prend en compte le nombre de variables dans la régression, et p la probabilité qui montre la significativité de la régression dans son ensemble. Pour montrer que les paramètres de la régression (pris individuellement ou dans l'ensemble) sont significativement différents de zéro (0) avec un intervalle de confiance de 95% (par exemple), on comparera la valeur de p à 0.05. Dans le cas présent, la régression n'est pas significative car p>0.05. On constate un écart moyen de 120.58 Kg/ha entre les valeurs observées et les valeurs simulées. Les prédictions s'écartent en général de 159.18 Kg/ha de la moyenne des observations. On a une erreur de prédiction de l'ordre de 28.13%.

3.1.2. Prévision des rendements du sorgho

Le tableau 6 ci-après présente une recherche des modèles pour la prévision des rendements du sorgho dans la province du Passoré.

Tableau 5 : Modèles de prévision des rendements du sorgho dans le Passoré

Numéro d'ordre

Classement décroissant suivant la valeur de R2

R2

Nb.

NDVI_M

Vert

Pluvio_PV

1

0.449497

3

0.168438

0.341345

0.248480

2

0.438903

2

 

0.397460

0.339854

3

0.423642

2

0.319607

0.392923

 

4

0.388080

2

0.328968

 

0.337668

5

0.366711

1

 

0.605566

 

6

0.340163

1

 
 

0.583235

7

0.337595

1

0.581029

 
 

Source : Données de l'étude.

En suivant la régression pas à pas, le modèle N°1 est celui qui présente les meilleurs caractéristiques. Les indicateurs d'appréciation du modèle de prévision des rendements après calibration et validation figurent dans le tableau suivant.

Tableau 6 : Paramètres d'appréciation du modèle de prévision du rendement du sorgho au Passoré

Erreur absolue moyenne (Kg/ha)

Root mean square error (RMSE) (Kg/ha)

RRMSE (%)

R2 de la régression dans

statistica

R2p

R2 ajusté

p

114.838773

129.694506

0.20943796

0.455314

0.4154

0.329617

0.042487

Source : Données de l'étude.

On constate que les paramètres de la régression sont significativement différents de la valeur nulle. Cependant, le R2 n'est pas assez satisfaisant car il est inférieur à la valeur 0.5. Dans la province du Passoré aucun modèle de prévision n'est pertinent pour simuler les rendements agricoles.

3.2. Modèle de prévision dans la Province du Yatenga

Une représentation de l'évolution des rendements du mil et du sorgho de la province du Yatenga pour la période 1986 à 2003 se présente comme suit :

Figure 8: Evolution des rendements du mil et du sorgho dans la province du Yatenga de 1986 à 2003.

Le rendement du sorgho connaît une grande variabilité interannuelle au cours de la période de l'étude. En 1989, il est de 165 Kg/ha et de 1 230 Kg/ha en 1997. Les courbes de mil et de sorgho évoluent de manière assez similaire sauf en 1988, 2000 et 2001. De plus, le rendement de 1 230 Kg/ha est supérieur au rendement maximal trouvé en condition expérimentale (1 000 Kg/ha). Une fois de plus, les valeurs de rendements agricoles sont à traiter avec une grande prudence.

3.2.1. Prévision des rendements du mil

Le tableau 8 présente une proposition de différents modèles de prévision des rendements du mil dans la province du Yatenga. Le classement est fait en fonction de la valeur décroissante du R2.

Tableau 7 : Modèles de prévision des rendements du mil au Yatenga

Numéro d'ordre

Classement décroissant suivant la valeur de R2

R2

Nb.

WEXt

"Cr1a"

NDVI_PV

Cum

1

0.738090

4

0.774475

-0.500183

-0.913790

0.904874

2

0.669573

3

0.569705

-0.502446

 

0.173410

3

0.656972

3

0.724573

-0.585601

-0.039264

 

4

0.656413

2

0.693362

-0.572924

 
 

5

0.561384

3

0.472461

 

-0.924452

1.241500

6

0.524801

3

 

-0.264750

-0.161680

0.751569

7

0.522059

2

 

-0.279339

 

0.595317

8

0.491256

2

0.263907

 
 

0.503003

9

0.468224

2

 

-0.349218

0.532004

 

10

0.464164

2

 
 

-0.358735

1.008562

Source : Données de l'étude

Avec : WEXt : l'excès en eau sur tout le cycle, « Cr1a » la décade pour laquelle l'indice de satisfaction en eau (Rangeland index) correspond à 40% de l'évapotranspiration potentielle, NDVI_PV: le cumul du NDVI pendant la phase de pleine végétation et Cum : la somme des valeurs de NDVI du début de la saison agricole à la valeur maximale.

L'application de la régression pas à pas, montre que le modèle N°4 présente les meilleures caractéristiques. Les paramètres pris individuellement, ont une probabilité significative (p<0.05). Les paramètres d'appréciation de la régression sont consignés dans le tableau suivant :

Tableau 8 : Paramètres d'appréciation du modèle de prévision des rendements du mil au Yatenga

Erreur absolue moyenne (Kg/ha)

Root mean square error (RMSE) (Kg/ha)

RRMSE (%)

R2 de la régression dans Statistica

R2p

R2 ajusté

p

94.91491053

132.6992565

0.22528516

0.65887

0.6243

0.610137

0.000538

Source : données de l'étude.

Pour ce modèle de prévision des rendements du mil au Yatenga, nous constatons que la probabilité de la régression est très significative (p<0.01). Le coefficient de détermination de la régression est de 0.66 et sa valeur ajustée est de 0.62. Ces deux indicateurs présentent de bonnes caractéristiques car largement supérieures à 0.5. L'erreur relative de prédiction des rendements du mil dans la province du Yatenga à partir de ce modèle est de 22.53%. C'est-à-dire que l'on commet une erreur estimée à 22.53% sur la valeur réelle lorsqu'on utilise ce modèle pour faire la prévision des rendements du mil au Yatenga.

Le graphique suivant montre la relation entre les rendements observés et ceux produits à partir de ce modèle.

Source : données de l'étude.

Figure 9 : Relation entre rendements historiques et rendements simulés du mil au Yatenga.

Ce graphique donne une vue de la qualité de la prédiction. On constate que les différences importantes sont observées pour les années 1996 à 1999. Pour le reste des années, on a une même tendance de l'évolution des rendements.

3.2.2. Prévision des rendements du sorgho

Différents modèles de prévision des rendements du sorgho dans la province du Yatenga, sont classés par valeur décroissantes de la valeur du R2 dans le tableau 10.

Tableau 9 : Modèles de prévision des rendements du sorgho au Yatenga

Numéro d'ordre

Classement décroissant suivant la valeur de R2

R2

Nb.

WEXt

NDVI_PV

Cum

1

0.190129

3

0.271860

0.201244

0.025299

2

0.189982

2

0.277699

0.219802

 

3

0.179277

2

0.271673

 

0.197598

4

0.155178

1

0.393926

 
 

5

0.144512

2

 

0.200665

0.193993

6

0.134428

1

 

0.366644

 

7

0.133722

1

 
 

0.365680

Source : Données de l'étude.

L'application de la régression pas à pas, aux variables qui ont une corrélation significative avec le rendement montre que le modèle N°1 présente les meilleurs caractéristiques. Les résultats de la calibration et validation sont consignés dans le tableau 11.

Tableau 10 : Paramètres d'appréciation du modèle de prévision du rendement du sorgho au Yatenga

Erreur absolue moyenne

Root mean square error (RMSE)

RRMSE (%)

R2 de la régression dans statistica

R2p

R2 ajusté

p

(Kg/ha)

(Kg/ha)

 
 
 
 
 

180.260386

221.978532

0.35348591

0.196323

0.1862

0.010859

0.400155

Source : Données de l'étude.

Ce modèle n'est pas significatif pour la prévision des rendements du Sorgho au Yatenga. Aucun des paramètres d'appréciation ne possède une valeur indiquant un critère d'appréciation positive. Une illustration de la relation entre les valeurs de rendements historiques et celles obtenues à partir du modèle se présente ainsi :

Source : Données de l'étude.

Figure 10 : Relation entre rendements historiques et rendements simulés du sorgho au Yatenga.

On observe un décalage important entre les valeurs observées et les valeurs prédites.

3.2.3. Vérification des hypothèses de pertinence et de précocitéDans ce paragraphe, nous traiterons de la pertinence, et de la précocité des variables explicatives des

rendements du mil dans la province du Yatenga. L'équation de prévision des rendements du mil peut s'écrire ainsi :

Avec : le rendement du mil à une année i donnée, : l'excès en eau sur tout le stade de

développement de la culture, : la décade pour laquelle l'indice de satisfaction en eau

(Rangeland index) correspond à 40% de l'évapotranspiration potentielle et l'écart entre la valeur

observée et la valeur prédite pour une année i.

Dans une zone semi aride comme la province du Yatenga, les besoins en eau des cultures sont rarement satisfaits. Ainsi une couverture des besoins hydriques des cultures est déterminante pour une bonne production agricole. L'indicateur ne peut être obtenu qu'en fin du cycle de développement de la culture, d'où son caractère un peu tardif si l'on veut utiliser les données collectées en station pour son estimation. Cependant, cette contrainte peut être levée en faisant une

estimation avec les données pluviométriques normales dans AMS. est inversement

proportionnelle au rendement. C'est-à-dire que plus à une valeur élevée et plus le rendement

baisse. Cet indicateur est estimé en début de cycle de développement de la culture. Selon la description de la longueur de la saison des pluies faites au paragraphe 1.9, on constate que la longueur de la saison des pluies coïncide plus ou moins avec la longueur du cycle de développement des cultures (110 et 120 jours). Par conséquent, un retard de la date de semis entraine un débordement du cycle de développement de la culture sur la saison agricole. L'une des principales conséquences est l'arrêt brusque des précipitations au moment de la maturité du mil entrainant une baisse des rendements.

3.3. Modèle de prévision des rendements dans la Province du Soum

L'évolution des rendements du mil et du sorgho dans la province du Soum se présente comme suit :

Figure 11: Représentation des rendements observés et simulés du mil et du sorgho dans la province du Soum.

Dans cette province tout comme dans les précédentes, on observe des variations très importantes des rendements à certaines années. On ne constate pas une influence des progrès réalisés par l'Etat et les partenaires au développement sur l'évolution des rendements du mil et sorgho.

3.3.1. Prévision des rendements du mil

Plusieurs modèles de prévision des rendements du mil sont classés dans le tableau 12 suivant les valeurs décroissantes du R2.

Tableaux 11: Modèles de prévision des rendements du mil au Soum

Numéro d'ordre

Classement décroissant suivant la valeur de R2

R2

Nb.

WDEFf

NDVI_I

Cum

Sdat

1

0.646436

4

0.470744

0.465174

-0.141193

-0.625828

2

0.638012

3

0.394945

0.409625

 

-0.571730

3

0.515173

3

 

0.332653

0.213066

-0.469018

4

0.488231

3

0.309110

 

0.175457

-0.515140

5

0.482987

2

 

0.419273

 

-0.542062

6

0.470465

2

0.404998

 
 

-0.584522

7

0.425497

2

 
 

0.367642

-0.423959

8

0.357165

3

0.210808

0.314740

0.277921

 

9

0.326615

2

 

0.265456

0.407459

 

10

0.313262

2

0.352013

0.427390

 
 

Source : Données de l'étude.

Avec : WDEFf : le déficit en eau pendant la phase de pleine maturité, NDVI_I: le cumul du NDVI pendant la phase initiale, et Sdat, la décade du début des semis.

L'application de la régression pas à pas aux données en se limitant aux variables dont les paramètres ont une probabilité significative à 95% montre que le modèle N°2 présente la meilleure approche de la réalité. Les résultats de la calibration et validation permettent de calculer les d'indicateurs d'appréciation du modèle.

Tableau 12 : Indicateurs d'appréciation du modèle de prévision des rendements du mil au Soum

Erreur absolue moyenne

Root mean square error (RMSE)

RRMSE (%)

R2 de la régression dans statistica

R2p

R2 ajusté

p

(Kg/ha)

(Kg/ha)

 
 
 
 
 

75.3120508

88.6960015

0.21241985

0.638012

0.617

0.544071

0.003937

Source : Données de l'étude.

Pour ce modèle, les coefficients des variables pris individuellement sont significativement différents de la valeur nulle (résultat en annexe 1). Le modèle dans son ensemble présente des indicateurs de bonne qualité. Le R2 et le R2 ajusté sont tous supérieurs à 0.5. L'erreur liée à une prévision des rendements du mil à partir de ce modèle est de 21.24%. Autrement dit, si l'on utilise le modèle de prévision des rendements du mil au Soum proposé dans la présente étude on commet en moyenne une erreur de 21.24% sur la valeur à observer. Dans 61,7% des cas, le rendement historique observé est similaire au rendement simulé par le modèle qui est proposé pour la prévision des rendements du mil dans la province du Soum.

3.3.2. Prévision des rendements du sorgho

Une proposition de différents modèles de prévision de rendements du sorgho, classés par valeur décroissante du R2 sont consignés dans le tableau 14.

Tableau 13 : Modèles de prévision des rendements du sorgho au Soum

Numéro d'ordre

Classement décroissant suivant la valeur de R2

R2

Nb.

ETAi

NDVI_I

NDVI_M

Sdat

Pluvio_V

1

0.729249

5

-0.525295

0.293554

-0.309723

-0.164891

0.507362

2

0.725376

4

-0.639413

0.297153

-0.243566

 

0.479093

3

0.700852

4

-0.608721

0.319136

 

0.093338

0.356502

4

0.698987

3

-0.526810

0.320723

 
 

0.353138

5

0.673149

4

 

0.276666

-0.406901

-0.683750

0.573482

6

0.664562

4

-0.490450

 

-0.371210

-0.198654

0.681731

7

0.658926

3

-0.627765

 

-0.292217

 

0.650170

8

0.623053

3

-0.588495

 
 

0.112699

0.516272

9

0.621567

3

 

0.308330

 

-0.440645

0.379415

10

0.620331

2

-0.489369

 
 
 

0.513166

Source : Données de l'étude.

Avec ETAi : l'évapotranspiration réelle au stade initial de la culture, Sdat : la décade du début des semis et Pluvio_V : le cumul de la pluviométrie pendant le début de la phase végétative.

Le modèle de prévision de rendement N°10 est celui qui présente de meilleures caractéristiques. Les résultats de la calibration et validation du modèle identifié permettent de déterminer les critères d'appréciation suivants :

Tableau 14 : Indicateurs d'appréciation du modèle de prévision du sorgho au Soum

Erreur absolue moyenne

Root mean square error (RMSE)

RRMSE (%)

R2 de la régression

dans statistica

R2p

R2 ajusté

p

(Kg/ha)

(Kg/ha)

 
 
 
 
 

74.1376324

93.8274401

0.17989009

0.620331

0.6084

0.532529

0.001916

Source : Données de l'étude.

Pour ce modèle de prévision des rendements du sorgho dans la province du Soum, on constate que les coefficients des variables pris individuellement sont significativement différent de 0 (p<0.05 pour chaque variable). Le modèle possède un R2 significatif, un RMSE de 93.83 Kg/ha et une erreur relative de prévision de 17.99 %. R2p montre que dans 60.84% des cas, la valeur du rendement historique observée est semblable à celle du rendement simulé par le modèle proposé.

Le graphique suivant montre la relation entre les rendements historiques et ceux obtenus à partir de la simulation.

normalisé (NDVI) et la date de semis qui sont des variables importantes dans la prévision des rendements agricoles. Selon Balaghi et al.(2009), l'indice de végétation normalisé (NDVI) reflète mieux l'état de la végétation que les données climatiques brutes, surtout en zones pluviales semiarides où le climat agit fortement sur les plantes et où les variations interannuelles du climat sont importantes. Selon Bartholomé (1990), la comparaison des valeurs des rendements agricoles officiels du mil et du sorgho pour 83 unités administratives du Sénégal, Mali et Burkina Faso avec des valeurs hebdomadaires d'indices de végétation permet d'expliquer 2/3 de la variabilité du rendement dès le début du mois de septembre soit un à deux mois avant la récolte.

Pour la première équation, on constate une évolution proportionnelle du rendement du mil au Soum et le déficit en eau pendant la phase de pleine végétation. Du point de vue agronomique ce phénomène ne s'explique pas, car c'est à cette phase que la biomasse atteint la croissance maximale. L'évolution du NDVI dans le même sens que celui du rendement est correcte car il est très souvent un bon indice pour apprécier l'état de la biomasse. Quant à la date de semis, elle évolue dans le sens contraire du rendement. Cela peut s'expliquer par le fait que, plus la date de semis est éloignée et plus la dernière phase du cycle de développement de la culture peut être exposée à des risques de sècheresse vue la courte durée de la saison des pluies. La seconde équation montre que la pluviométrie au cours du début de la phase de végétation est proportionnelle au rendement du sorgho au Soum. Le mouvement d'eau entre les différents tissus est nécessaire pour la circulation des sels minéraux, du carbone et des hormones. Le bon accomplissement de ces fonctions contribue au développement des cultures. Cependant, l'évolution en sens inverse de l'évapotranspiration à la phase initiale ne s'explique pas.

Les variables explicatives des rendements du mil et du sorgho dans la province du Soum présentent un caractère précoce car, elles peuvent être disponibles avant la récolte et de ce fait constituent un critère important pour l'alerte précoce au niveau décentralisé.

3.4. Prévision de rendements à l'aide de données pluviométriques obtenues sur un www.tutiempo.net

3.4.1. Prévision des rendements du mil

Le tableau 16 présente différents modèles de prévision des rendements du mil à partir des données pluviométriques obtenues sur www.tutiempo.net. Ces modèles sont classés suivant la valeur décroissante du R2.

Tableau 15 : Modèle de prévision des rendements du mil au Yatenga à partir des données de www.tutiempo.net

Numéro d'ordre

Classement décroissant suivant la valeur de R2

R2

Nb.

WEXv

Cum

Pluvio_V

1

0.539576

3

-0.656318

0.646097

0.547728

2

0.486855

2

-0.208812

0.750866

 

3

0.452939

2

 

0.703943

-0.065992

4

0.449696

1

 

0.670594

 

5

0.237434

2

-0.861243

 

1.056737

6

0.083958

1

 
 

0.289754

7

0.006374

1

0.079839

 
 

Source : Données de l'étude.

Avec : WEXv : l'excès en eau pendant le début de la phase végétative, et Pluvio_V : le cumul de la pluviométrie pendant la phase végétative.

Suivant le principe de la régression pas à pas, et en se limitant qu'aux variables qui ont des paramètres avec une probabilité significative d'au moins 95%, le modèle de prévision N°1 est celui qui présente la meilleure simulation. Les résultats de la calibration et validation permettent de définir les indices suivants pour l'appréciation du modèle de prévision identifié.

Tableau 16 : Tableau de comparaison des indicateurs d'appréciation des modèles élaborés à partir des données obtenues en station et celles acquises de www.tutiempo.net.

Origine des

données

Erreur

absolue moyenne (Kg/ha)

Root mean square error (RMSE)

(Kg/ha)

RRMSE (%)

R2 de la régression dans

Statistica

R2p

R2 ajusté

p

Tutiempo(
(Zone
Yatenga)

125.4050809

157.1416917

0.27554346

0.539576

0.4714

0.460430

0.011240

Station
Yatenga

94.91491053

132.6992565

0.22528516

0.65887

0.6243

0.610137

0.000538

Source : Données de l'étude.

Le tableau ci-dessus montre que la régression de la prévision du mil à partir des données pluviométriques provenant de www.tutiempo.net est significative dans l'ensemble car p<0.05, et R2>0.5. De plus l'erreur de prédiction relative est de 27.55%. Cependant on peut constater que c'est dans 46.04 % des cas, que les valeurs simulées sont semblables aux valeurs observées.

La comparaison des deux modèles de prévision des rendements du mil au Yatenga montre que les
données collectées en station permettent d'avoir un modèle qui présente : un RRMSE faible, une
probabilité de l'équation de régression très significative, et une corrélation étroite entre les

rendements historiques et ceux issus de la simulation (R2p=62.43%). Les données issues de ces deux sources ne sont donc pas identiques.

3.4.2. Prévision des rendements du sorgho

Le tableau ci-dessous présente différents modèles de prévision de rendements du sorgho classés par

valeur décroissante du R2.

Tableau 17 : Modèles de prévision des rendements du sorgho au Yatenga à partir des données pluviométriques provenant de www.tutiempo.net.

Numéro d'ordre

Classement décroissant suivant la valeur de R2

R2

Nb.

NDVI_V

NDVI_PV

Cum

Sdat

1

0.255640

4

-0.449130

0.268032

0.521858

0.292292

2

0.252158

3

-0.359180

 

0.710620

0.318909

3

0.234605

3

-0.561871

0.853701

 

0.213334

4

0.214618

3

 

-0.364371

0.777323

0.321666

5

0.202418

2

 
 

0.422688

0.268228

6

0.190042

3

-0.521307

0.727842

0.082239

 

7

0.189366

2

-0.540330

0.821987

 
 

8

0.161410

2

 

0.360635

 

0.200101

9

0.159612

2

-0.252975

 

0.560888

 

10

0.133870

2

 

0.036277

0.331504

 

Source : Données de l'étude.

Selon les résultats de la régression pas à pas, c'est l'équation N°5 qui présente le plus de similitude avec les données historiques. Les résultats de la calibration et validation de ce modèle se présentent comme suit:

Tableau 18 : Tableau de comparaison des indicateurs d'appréciation des modèles de prévision élaborés à partir des données obtenues en station et celles provenant de www.tutiempo.net.

Origine des

données

Erreur absolue moyenne (Kg/ha)

Root mean square error (RMSE) (Kg/ha)

RRMSE (%)

R2 de la régression dans

statistica

R2p

R2 ajusté

p

Tutiempo
(Zone
Yatenga)

170.19989

191.8224689

0.31110972

0.190129

0.1524

0.114642

0.167451

Station
Yatenga

180.260386

221.978532

0.35348591

0.196323

0.1862

0.010859

0.400155

Source : Données de l'étude.

Les indicateurs consignés dans le présent tableau montrent que les modèles de prévision de rendements ne sont pas pertinents. Les différentes valeurs de R2 sont très faibles. Les valeurs de RRMSE sont élevées (31.11% et 35.35%).

3.5. Discussion générale sur les résultats

Pour l'ensemble des résultats on constate des cas de bons modèles de prévision de rendements agricoles et d'autres modèles qui ne sont pas pertinents. Dans le cas de la province du Passoré, aucun modèle de prévision de rendements agricoles proposé n'est pertinent. Il en est de même pour le rendement agricole du sorgho dans la province du Yatenga. Si l'on considère les résultats des modèles proposés pour la prévision du mil au Yatenga, le mil et le sorgho au Soum, on peut avoir une estimation avec des marges d'erreur relativement acceptables. Ces modèles contiennent des indicateurs pertinents du point de vue agronomique, et sont précoces. Selon Bastide et al (2008), des analyses annuelles de végétation ont été menées à la fin de l'hivernage de l'année 2004, au Mali et elles ont démontré un très net déficit de production végétale dans une grande partie de la zone considérée par l'étude. Cet inquiétant constat a rapidement occasionné des missions de vérification terrain pour valider les résultats et constater in situ l'ampleur du problème. Il a ensuite fait l'objet d'un rapport sur la situation pastorale, co-signé avec le Système d'Alerte Précoce et le Commissariat à la Sécurité Alimentaire du Mali, qui a permis l'identification des risques et l'interpellation de la communauté internationale. La mise à la disposition des modèles pertinents avec des variables précoces permettra aux SAP décentralisés du Burkina Faso d'atteindre leurs objectifs consignés au paragraphe 1.10, notamment celui de permettre au SAP central de pouvoir capter à tout instant les germes de risques et des signaux porteurs d'effets sur les groupes vulnérables.

Dans notre zone d'études qui présente des critères de vulnérabilité élevée (une forte densité de population par rapport à la moyenne nationale (61.9 contre 47.3 habitants/km2), un niveau de pauvreté élevé, une couverture des besoins alimentaires structurellement déficitaire et une agriculture pratiquée sur des sols pauvres), la connaissance d'indicateurs à même de prédire les rendements agricoles avant la récolte est importante pour une bonne efficacité du système d'alerte précoce décentralisé.

L'intérêt de conduire une telle étude n'est pas à démontrer pour des zones à vulnérabilité élevée. Cependant, des données de bonne qualité sont indispensables pour l'obtention de résultats probants. Les résultats de la modélisation obtenus pour la prédiction des rendements du mil et du sorgho dans la zone d'étude sont contrastés. Dans un même contexte agro-climatiques et utilisant les mêmes données sauf celles spécifiques à chaque culture on aboutit à des résultats différents. Ce constat de même que les observations faites à la suite des représentations graphiques donnent des

pistes de réflexion sur la qualité des données des rendements agricoles historiques. On s'interroge également, sur la disponibilité des ressources humaines à même de conduire la collecte des données, le dépouillement et la procédure statistique de traitement au cours de toute la période d'étude notamment pour les années les plus lointaines. Au regard de ces constats, nous nous interrogeons sur la qualité des données de rendements agricoles disponibles au sein du service national des statistiques agricoles. L'une des contraintes liées à ces données c'est que la période de collecte est unique et si des erreurs sont faites, il est impossible de répéter la même expérience de sorte à corriger les lacunes constatées. A cet effet, nous suggérons qu'une amélioration de la qualité des données de rendements agricoles soit faite en utilisant les techniques statistiques recommandées.

CONCLUSION

Le Burkina Faso est un pays sahélien, situé dans la boucle du Niger. La partie Nord du pays est la zone la plus soumise aux phénomènes de sècheresse avec comme trait caractéristique une insécurité alimentaire structurelle. L'alerte précoce pour prévoir la production agricole et le taux de couverture des besoins alimentaires au niveau décentralisé, est importante tenant compte de la grande fluctuation des paramètres agro-climatiques sur l'étendue du territoire national. Dans le cadre de la présente étude, les modèles de prévision des rendements du mil et du sorgho dans la province du Passoré, et le modèle de prévision des rendements du sorgho dans la province du Yatenga à partir des données climatiques collectées en station ne présentent pas de résultats satisfaisants. Cependant, le modèle de prévision des rendements du mil dans la province du Yatenga, et ceux de prévision des rendements du mil et du sorgho dans la province du Soum présentent des résultats satisfaisants. De plus, la plupart des variables qui contribuent à l'explication des rendements peuvent être obtenues avant la récolte. Cela présente un caractère important pour l'alerte précoce. La comparaison des modèles de prévision des rendements à partir des données collectées en station et des données obtenues de www.tutiempo.net, montre que les données collectées en station présentent une qualité meilleure dans l'explication des rendements agricoles. La présente étude qui vise à proposer des modèles de prévision des rendements agricoles des céréales de base pour l'alimentation des populations de trois provinces présente des cas de bonne prévision à base d'indicateurs pertinents et précoces et des cas de modèles non pertinents. Une telle étude, vu son intérêt pour les SAP décentralisés mérite d'être élargie à d'autres provinces en prenant le soin de corriger les données de rendements historiques fournis par la (DGPER, 2009). Dans cette optique, les variables explicatives peuvent être élargies de sorte à prendre en compte d'autres paramètres à même d'influencer les rendements agricoles.

REFERENCES BIBLIOGRAPHIQUES

Balaghi, R. et Jlibene, M. (2009). "Système d'Aide à la Décision Agricole." Source < http://aridoculture.googlepages.com/approcheinformationnelle>. Date d'accès: 14 août 2009

Bartholomé, E. (1990). "Suivi par télédétection des productions pluviales en pays sahéliens." télédétection et sècheresse, AUPELF-UREF. John Libbey Eurotext: 15-27.

Burkina, F. (2007). "Burkina Faso." Source http://www.ambaburkina.dk/menupresbkf.htm. Date d'accès: 17 août 2009

CRC. (2009). "Afrique : crise alimentaire au Sahel." Source http://www.redcross.ca. Date d'accès: 14 août 2009

DGPER (2008). "Mise en place des structures décentralisées du SAP : Modules de formation." 9.

DGPER. (2009). "Statistiques sur l'Agriculture et l'Alimentation du Burkina Faso ", Source http://agristat.bf.tripod.com/. Date d'accès: 14 août 2009

Diouf, J. (2008). Système Mondial d'Information et d'Alerte Rapide sur l'alimentation et l'agriculture F. a. a. organization: 24.

DRMAHRH, N. (2008). Rapport d'activités: 25.

EauVive. (2008). "Projet communautaire de nutrition et Sécurité Alimentaire Durables Burkina Faso."
Source http://site.eau-vive.org/fr/pdf/fp_bf_pnucsad.pdf. Date d'accès: 14 août 2009

FAO (1996). Déclaration de Rome sur la Sécurité Alimentaire Mondiale et Plan d'Action du Sommet Mondial de l'Alimentation: 48.

FAO. (1998). "Crop evapotranspiration - Guidelines for computing crop water requirements -FAO Irrigation and Drainage Papers 56." Source http://www.fao.org/docrep. Date d'accès: 14 août 2009

FAO. (2005). "Nouveau LocClim : Estimateur de climat local

", Source http://www.fao.org/sd/dim_en3/en3_051002_fr.htm. Date d'accès: 14 août 2009

FEWSNET (2002). La sécurité alimentaire au Burkina Faso : Rapport de FEWS pour la période décembre 2001-janvier 2002 -Février 2002. Ouagadougou: 5.

Filippi, C., Milville, F. et Thiery, D. (1990). "Evaluation de la recharge naturelle des aquifères en climat Soudano-Sahelien par modélisation hydrologique globale: Application a dix sites au Burkina Faso " Hydrological Sciences - Journal - des Sciences hydrologiques: 29-48.

INERA et DRMAHRH/N (1998). "Fiches techniques du mil et du sorgho." 58.

INSD (2007). Chapitre 3 : Démographie. Annuaire du Burkina Faso. Ouagadougou, INSD: 135.

Leprun, J. C. (1989). "Ecologie comparée de deux régions semi-arides : le Nordeste du Brésil et le Sahel Africain." Actas del seminario mapimi

285-294.

MAHRH, MRA, MT et MCTC (2007). Rapport G.T.P N°3 : Situation de la campagne agropastorale 2007/2008. Ouagadougou. 3: 57.

MED, B., Faso (2005). Cadre Stratégique Régional de Lutte contre la Pauvreté. Burkina Faso: 177. Mukhala, E. et Hoefsloot, P. (2004). Agromet-Shell Manual: 59.

Ouédraogo, Y. (2004). Communication du Burkina Faso à l'atelier régional de Conakry sur la prévention des catastrophes. Conakry: 6.

Pfirman, E., Hogue, J., See, L., Hoefsloot, P. et Charlier, I. (1998). Windisp 3.5: Manuel de l'utilisateur. Rome: 99.

SAP. (2008). "Présentation. Burkina Faso, Système d'Information sur la Sécurité Alimentaire (SISA)." Source http://www.sisa.bf/dsap. Date d'accès: 14 août 2009

Sawadogo, J. M. (2007). "Lutte contre la sècheresse au Burkina Faso." Source http://www.un.org/french/ecosocdev/geninfo/afrec/vol21no2/212-burkina-faso.html. Date d'accès: 12 août 2009

SISA. (2008). "Système d'alerte précoce." Source http://www.sisa.bf. Date d'accès: 14 août 2009

Sissoko, K. (2005). Analyse des potentialités socio économiques de la zone d'intervention du Projet de Développement des Capacités Locales en matière de Sécurité Alimentaire dans la province du Zondoma. Gourcy: 78.

Tychon, B. (2009). Module de formation sur le logiciel vast: 11.

ANNEXES

Annexe 1 : Résultats de la paramétrisation des modèles pertinents

Modèle de prévision des rendements du mil dans la province du Yatenga.

 

Paramètres Estimés (OHG-analyse-mil_stat)

Effet

Paramétrisation sigma-restreint

 

Rendt

Rendt

Rendt

Rendt

-95.00%

+95.00%

Rendt

Rendt

-95.00%

+95.00%

 

Param.

Err-Type

t

t

Lim.conf

Lim.conf

bêta

ErTyp

Lim.conf

Lim.conf

 
 
 
 
 
 
 
 

(bêta)

 
 

Ord.Orig.

2124.173

491.0273

4.32598

0.000698

1071.025

3177.322

 
 
 
 

WEXt

1.519

0.3519

4.31588

0.000711

0.764

2.273

0.684835

0.158678

0.344505

1.025165

"Cr1a"

-101.553

27.9872

-3.62854

0.002739

-161.579

-41.526

-0.575769

0.158678

-0.916099

-0.235439

Source : Données de l'étude.

Modèle de prévision des rendements du mil dans la province du Soum

Effet

Paramètres Estimés (Donnee analyse mil soum) Paramétrisation sigma-restreint

Rendement

Rendement

Rendement

Rendement

-95.00%

+95.00%

Rendement

Rendement

-95.00%

+95.00%

Ord.Orig.

2597.481

760.6413

3.41486

0.004609

954.215

4240.747

 
 
 
 

WDEFf

10.678

4.4475

2.40093

0.032029

1.070

20.286

0.407330

0.169655

0.040813

0.773848

NDVI_I

876.658

397.3400

2.20632

0.045961

18.257

1735.059

0.373682

0.169369

0.007782

0.739582

Sdat

-127.043

37.5025

-3.38759

0.004857

-208.063

-46.024

-0.572817

0.169093

-0.938119

-0.207515

Source : Données de l'étude

Modèle de prévision des rendements du sorgho dans la province du Soum

Effet

Paramètres Estimés (Donnee analyse sorgho soum) Paramétrisation sigma-restreint

Rendement param.

Rendement Err-Type

Rendement t

Rendement p

-95.00% Lim.conf

+95.00%
Lim.conf

Rendement
ErTy.(Bêta)

Rendement ErTyp (bêta)

-95.00% Lim.conf

+95.00%
Lim.conf

Ord.Orig.

1208.098

313.5709

3.85271

0.001758

535.5548

1880.640

 
 
 
 

ETAi

-37.189

13.2632

-2.80390

0.014072

-65.6353

-8.742

-0.488998

0.174400

-0.863048

-0.114949

Pluvio_CD

1.057

0.3659

2.88987

0.011877

0.2726

1.842

0.503993

0.174400

0.129943

0.878042

Source : Données de l'étude

3

Annexe2 : Résultat de la régression entre rendements historiques observés et
simulés à partir des modèles proposés.

Résultat de la régression entre rendements historiques et simulés du mil au Yatenga.

Résultat de la régression entre rendements historiques et simulés du mil au Soum

Résultat de la régression entre rendements historiques et simulés du sorgho au Soum