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

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 R^2
	R^2	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 (%)	R^2 de la régression dans Statistica	R^2p	R^2 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%.