Centre Régional Africain des Sciences et
Technologies de l'Espace en Langue Française
Affilié à l'ONU
Mémoire de Master en Sciences et Technologies de
l'Espace Option : Météorologie Spatiale et Climat
Mondial
Présenté par
M. BOUZID Samir
(Algérie)
Validation du modèle global GOCART de
NASA
et son apport à l'étude des
variations
mensuelles des phénomènes de sable sur
le
Sahara Algérien
Soutenu le : 22 juin 2005 devant le Jury
composé de :
M. ABOULABBES Professeur, E.N.F.I ( Rabat )
Président
M. SENOUCI Ingénieur en Chef, IHFR ( Oran )
Rapporteur
M. EMRAN Professeur, Institut Scientifique ( Rabat )
Examinateur
M. BADDOUR Docteur, D.R.M.N ( Rabat )
Examinateur
M. LOUKAH Docteur, D.N.M ( Rabat )
Examinateur
A mes parents
Remerciements
Ce mémoire a
été rédigé au terme de la deuxième
année représentant l'année pratique de la session
Météorologie Spatiale et Climat Global du Centre
Régional Africain des Sciences et des Technologies de l'Espace en Langue
Française (CRASTE - LF) Maroc.
Je tiens fortement à
remercier Mr. SENOUCI Mohamed, Climatologue et Ingénieur en Chef,
à l'Institut Hydrométéorologique de Formation et de
Recherche (IHFR) Oran / Algérie, de m'avoir fait confiance et
accepté de m'encadrer sur ce mémoire de fin d'études ainsi
que pour ses conseils et ses encouragements.
Je remercie également
Mr BOUNOUA Lahouari, Climatologue, Chercheur à la NASA, Washington, USA,
de nous avoir fourni les données satellitales.
Je remercie également
toutes les personnes qui ont contribué à la réussite de
notre formation au CRASTE-LF, plus particulièrement :
· M. TOUZANI Directeur du Centre Régional Africain
de Sciences et des Technologies de l'Espace en Langue Française (CRASTE
- LF).
· M. TRACHE, Directeur Adjoint du CRASTE - LF ainsi que
tous les membres de l'administration ;
· Mrs les Professeurs LOUKAH, BADDOUR, FILALI de la
Direction Météorologique Nationale (Maroc), qui n'ont
ménagé aucun effort pour nous prodiguer leurs savoirs.
Mes remerciements vont
également à Mr LAGHA, Directeur de l'Institut
Hydrométéorologique de Formation et de Recherche (IHFR) Oran /
Algérie, pour m'avoir ouvert les portes de l'IHFR.
Je tiens à remercier
Mr BESSAOUD Rachid et Mr SAHABI Abed Salah, Ingénieurs en
Météorologie (IHFR), pour leurs aides et conseils, ainsi que mes
collègues L.Benaïchata, A.Rezzagui, L.Ouzâa, Lâamri, et
Chikhar pour leurs précieux conseils et encouragements.
Toutes les personnes qui m'ont
assisté de prés ou de loin pour élaborer ce modeste
mémoire, et tout particulièrement mon ami HESBELLAOUI
Azeddine.
Table des matières
Page
Remerciements I
Table des matières II
Listes des figures, des tableaux et des graphes VI
INTRODUCTION 1
OBJECTIF 3
METHODOLOGIE 3
1. REGRESSION LINEAIRE 4
2. PERFORMANCE DES MODELES DE PREVISION 6
a. La cross validation 6
b. Le skill 6
c. La simulation 6
PARTIE 1 RECHERCHE
BIBLIOGRAPHIQUE
Chapitre I : LA BIOGÉOGRAPHIE DES GRANDS
DÉSERTS
1. LES DESERTS 7
1.1 Introduction 7
1.2. Définition 7
1.3. Circulation Générale Et Son Lien Avec Les
Déserts 7
1.4. Comment se forment les déserts 9
1.5. Les différents types de désert 9
2. LE DESERT DU SAHARA 11
2.1. Les caractéristiques du désert du Sahara 11
2.2. Les influences du Sahara sur le climat mondial 12
2.3. Les poussières Sahariennes 13
Chapitre II : EROSION EOLIENNE
1. DEFINITION DE L'EROSION EOLIENNE 14
2. LES AGENTS DE L'EROSION 14
3. LES EFFETS DE L'EROSION 16
4. LE TAUX ET L'AMPLITUDE DE L'EROSION EOLIENNE 17
5. LA VITESSE DE FRICTION 17
Chapitre III : GENERALITES SUR LES AEROSOLS
1. DEFINITION 21
2. PROPRIETES DES AEROSOLS 21
2.1. Classification des aérosols 21
2.2. Distribution des aérosols 22
2.3. Profil vertical de la concentration des aérosols
23
2.4. Elimination des aérosols 23
3. LES AEROSOLS DESERTIQUES 24
3.1 Zones sources 24
3.2. Les émissions annuelles 25
3.3. Transport 26
3.4. Zones puits 27
3.5. Impacts 28
3.6. Mouvement d'un grain de sable 28
PARTIE B
MODELISATION ET PRE VISION DES PHENOMENES DE
SABLE
Chapitre IV : CLIMATOLOGIE DU PHENOMENE
1. TYPOLOGIE ET GENESE DES LITHOMETEORES 32
2. LA GENESE DES LITHOMETEORES 32
3. PRESENTATION DE LA ZONE D'ETUDE 33
4. COORDONNEES GEOGRAPHIQUES DES STATIONS 34
5. LES DONNEES 35
6. VARIATION ANNUELLE DU PHENOMENE DE SABLE AU SAHARA 36
Chapitre V : LE MODELE GOCART DE NASA
1. DESCRIPTION DU MODELE ET SIMULATION DU SABLE 38
2. SIMULATION DU SABLE PAR LE MODELE GOCART 38
3. EPAISSEUR OPTIQUE D'AEROSOLS (AOT) 39
4. COMPARAISON DES SORTIES DU MODELE GOCART AVEC LES CARTES
REELLES DU PHENOMENE DE SABLE 39
Chapitre VI : PREVISION MENSUELLE DU SABLE
1. PREDICTEURS 41
2. MODELISATION 41
3. MODELES ET RESULTATS OBTENUS 42
4. LE POTENTIEL DE PREVISIBILITE 44
CONCLUSION 45
REFERENCES BIBLIOGRAPHIQUES 47
Annexe I : Variation annuelle du sable
(1968-2002) 52
Annexe II : Variation temporelle du sable et
de l 'AOT 57
Annexe III : Comparaison des sorties du
modèle GOCART avec les cartes
réelles du phénomène de sable 62
Annexe IV : Potentiel de
prévisibilité du sable 74
Annexe V : Modèles de
prévision (Lag 1) et (Lag 2) 80
Liste des figures
Figure 1 : Illustration de la droite d'ajustement 4
Figure 2 : Qualité de l'ajustement 6
Figure 3 : Circulation de Hadley 8
Figure 4 : Circulation générale en Juin -
Juillet - Août 8
Figure 5 : Circulation générale en
Décembre - Janvier - Février 9
Figure 6 : Le désert du sahara 11
Figure 7 : Les poussières sahariennes 13
Figure 8 : Les régions désertiques 15
Figure 9 : Répartition des déserts 15
Figure 10 : U*t en fonction de Z0 pour Z0s
fixé. La courbe représente la modélisation
de U*t 19
Figure 11 : Vitesse de chute des particules dans l'air
23
Figure 12 : Transport et dépôt du grain
24
Figure 13 : Principales sources d'émission de
poussières 25
Figure 14 : Trajectoires des poussières sahariennes
27
Figure 15 : Mouvement du sable 28
Figure 16 : Dune de sable 30
Figure 17 : Forme d'une dune 30
Figure 18 : Répartition géographique des
stations 34
Figure 19 : Distribution géographique du nombre total
des vents de sable 35
Figure 20 : Régionalisation du sable 37
Figure 21 : Réseau AERONET (Aerosol Robotic Network)
40
Figure 22 : Localisation des prédicteurs (SST)
41
Figure 23 : Cartes du potentiel de
prévisibilité pour Janvier
à un mois et deux mois d'échéances
44
Liste des Tableaux
Tableau 1 : Taille des aérosols 22
Tableau 2 : Estimation des dépôts de
poussières minérales 26
Tableau 3 : Coordonnées géographiques des
stations 34
Tableau 4 : Modèles de prévision du sable pour
In-Salah (Lag 1) 43
Liste des Graphes
Graphe 1 : Variation annuelle du phénomène de
sable au Sahara 36
INTRODUCTION
L'étude des masses ou nuages de poussières
d'origine désertique, souvent appelés brumes sèches ou
vents de sable lorsque le phénomène est plus intense, est d'un
intérêt considérable dans divers domaines.
Les vents de sable exercent un effet important sur le bilan
radiatif atmosphérique global. De ce fait, et en raison de leur
extension géographique, ils jouent un rôle non moins important
dans le processus du changement climatique à travers la modification des
propriétés physico-chimiques de l'atmosphère. La
composition de l'atmosphère et le climat sont étroitement
liés. Il est maintenant clairement établi que la planète
s'est réchauffée lors du siècle dernier, et ce
principalement suite à l'augmentation des gaz à effet de serre
liée aux activités humaines (IPCC, 1995). En fait, toute
variation de constituants atmosphériques peut avoir des
conséquences sur la dynamique du climat. Ainsi d'autres espèces,
aussi présentes en traces dans l'atmosphère, comme les
aérosols troposphériques sont susceptibles de modifier le
climat.
Les aérosols sont issus de l'érosion
éolienne. Aussi, leurs sources géographiques sont
concentrées dans les zones arides et semi-arides, localisées de
part et d'autre de l'équateur, dans la ceinture d'anticyclones
tropicaux.
Par conséquent, toute modification du climat (naturelle
ou par suite des activités anthropiques) entraîne des variations
de ces émissions, et donc de l'effet radiatif et climatique des
aérosols. Le cycle de poussières désertiques
(émission - transport - dépôt) a aussi pour
conséquence une désertification en zones source par perte de
nutriments de la couche superficielle du sol et un enrichissement du milieu en
zones de retombée océanique ou continentale. Enfin, les
aérosols, en aggravant les conditions météorologiques,
peuvent intervenir dans divers aspects socioéconomiques, notamment en
nuisant au trafic aérien ou à la
télétransmission.
La composition et la granulométrie des aérosols
varient selon leur origine. Ils sont soit d'origine anthropique (comme les
poussières industrielles, le carbone suie ou les aérosols de
sulfate issus de l'oxydation du SO2...), soit d'origine naturelle
(poussières minérales ou sels de mer, débris
végétaux, sulfates issus de l'activité biologique marine
ou des volcans...). Intégrée sur une colonne d'air, la
concentration moyenne de chaque espèce et leurs propriétés
optiques permettent une estimation de la contribution à l'effet radiatif
direct global de chaque type d'aérosol. Ainsi, par exemple, les
aérosols désertiques, majoritaires en masse très efficaces
optiquement, contribuent de façon équivalente à
l'épaisseur optique.
L'apparition des satellites d'observation de la terre et de
son atmosphère ont permis d'intensifier les mesures d'aérosols et
contribué à pallier l'insuffisance du réseau
radiométrique au sol. La télédétection satellitale
est l'outil privilégié susceptible de nous fournir à des
échelles de temps et d'espace suffisantes une information objective sur
les aérosols désertiques.
Au cours des 20 dernières années, des efforts
importants ont été entrepris pour mieux comprendre les processus
physiques liés au mouvement des aérosols. Les programmes de
mesure sur le terrain ont permis de mieux connaître les
propriétés physiques et la composition des aérosols, mais
en général, ces campagnes étaient
limitées dans le temps et l'espace. Par contre,
l'observation satellitale offre une plus grande extension spatio-temporelle,
mais elle est limitée par le nombre des variables physiques mesurables.
Ainsi, les deux systèmes d'observations (stations terrestres et
satellites) doivent se compléter pour offrir une perspective plus
complète des processus des aérosols et de leurs effets sur le
climat global.
L'approche consiste à utiliser des modèles
globaux qui intègrent leurs deux catégories d'observations (sols
et satellite). A cet égard, il existe une variable qui permet de relier
les deux types de mesures et de valider un tel modèle. Il s'agit de
L'EPAISSEUR OPTIQUE DES AEROSOLS (Aerosol Optical Thickness,
AOT par abréviation). Cette variable est directement déduite de
l'observation par satellite et par les mesures terrestres. Sa simulation
à l'aide d'un modèle complexe constitue une grande utilité
pour la prévision des aérosols.
Dans notre travail, nous utilisons le modèle GOCART
(Global Ozone Chemistry Aerosol Radiation and Transport)
développé en 2001 (Chin et al, 2001). Ce modèle
concerne différents types d'aérosols (sulfates, sable, carbone
organique, particules d'origine marine) qui prévoit les concentrations,
les profils verticaux ainsi que l'épaisseur optique (AOT) et ceci avec
une échelle temporelle de trois (03) mois.
Ce projet de fin d'études s'articule autour de deux
parties :
1. Dans la première, nous avons jugé utile de
procéder à une recherche documentaire sur les déserts et
leurs caractéristiques; l'érosion éolienne qui est le
résultat des actions du vent au sol, donc des vents de sable; les
aérosols et leur cycle (émission, transport et
dépôt) ainsi que le mouvement d'un grain qui est à
l'origine de la formation des dunes.
2. La deuxième partie porte sur l'étude
climatologique du sable au Sahara; les méthodes de détection et
de suivi des aérosols (modèle GOCART), comparaison du sable avec
le modèle GOCART et la prévision du phénomène
à l'échelle mensuelle.
Dans la deuxième partie, les outils utilisés sont :
SYSTAT 10, SURFER 7 et EXCEL 97
OBJECTIF
Les vents de sable contribuent au dessèchement et
à la désertification des régions sources arides,
semi-arides et désertiques par perte en substances nutritives. Leur
impact sur le couvert végétal et donc sur la production agricole
n'est pas négligeable. Mais ils participent aussi à la
création de zones de sédimentation terrestres ou
océaniques fertiles. Dans ces zones océaniques, la production en
phytoplanctons et en poissons y est particulièrement forte (Lundholm,
1979). Les vents de sable exercent un effet marqué sur le bilan radiatif
atmosphérique donc sur l'évapotranspiration. Avec leurs
extensions considérables, ils jouent un rôle non moins important
dans le processus de changements climatiques. En effet, les aérosols
désertiques modifient le profil vertical de température de
l'atmosphère, limitant les phénomènes de convection et par
là même réduisant les précipitations (Coakley et
Cess, 1985).
Notre travail consiste à établir des
modèles de prévision statistique du sable à une
échelle temporelle d'un mois et deux mois. Une prévision fiable
à l'échelle mensuelle constitue un apport appréciable pour
la prise de décision dans la stratégie de gestion pour divers
secteurs tels que le transport aéronautique ou routier,
l'aménagement du territoire, l'environnement et la santé.
Cette étude vise à mieux cerner le comportement
du phénomène de sable, à travers l'analyse des zones
sources et de sa typologie; une étude climatologique donne un
aperçu de la situation au Sahara. Notre travail consiste ensuite
à comparer les sorties du modèle GOCART de NASA avec les
données du terrain; enfin, on s'intéresse à la
prévision de ce phénomène à plusieurs mois
d'échéance tout en essayant de valider le modèle GOCART
sur la région du Sahara. Le modèle couplé GOCART est
largement basé sur l'utilisation de données satellitales.
L'intérêt et l'apport des sciences de l'espace sont mis en
évidence dans la perspective de projets futurs.
METHODOLOGIE
La prévision statistique est devenue un outil essentiel
dans le domaine des sciences atmosphériques. Il existe
différentes approches statistiques pouvant produire des
prévisions mensuelles, saisonnières, annuelles ou
pluri-annuelles. Toutes sont basées sur la recherche d'un signal
à travers l'analyse des données historiques (Harrison,
1995); l'une d'entre elles, est l'analyse de régression utilisant
la méthode des moindres carrés, qui cherche à
établir une expression de régression entre une ou plusieurs
variables indépendantes (prédicteurs) et une variable
dépendante (prédictand).
On s'intéresse à la prévision à
plusieurs mois d'échéance des paramètres et/ou
phénomènes climatiques; par exemple la pluie, la
température, le vent, la fréquence d'occurrence d'orages, le
nombre de tempêtes, les débits de rivières, les risques de
sécheresse et des inondations; ce sont les prédictands
habituellement étudiés. On cherche des paramètres
informatifs dans l'atmosphère permettant cette prévision tel que
la température de surface de la mer (SST). Dans notre cas, nous allons
nous servir de l'épaisseur optique d'aérosol (Aerosol Optical
Thickness : AOT), prévue par un modèle global et des SST. La
méthodologie développée dans ce mémoire vise la
prévision mensuelle du sable dans le sud algérien basée
sur la méthode statistique de régression linéaire. Il
s'agira d'élaborer pour le Sahara des modèles statistiques de
prévision mensuelle, avec comme entrées, deux paramètres :
l'épaisseur optique d'aérosol (AOT)
issue du modèle GOCART.(modèle
développé conjointement par le Georgia Institute of Technology et
la NASA - Goddard Space Flight Center) ainsi que les anomalies des
températures de surface de la mer (SST); et comme sorties, la
fréquence d'occurrence du phénomène de sable.
1. REGRESSION LINEAIRE
La régression linéaire est facilement
assimilée dans son cas le plus simple (linéaire avec une seule
variable indépendante) en décrivant la relation linéaire
entre deux variables, x et y.
Conventionnellement, le symbole x est utilisé pour la
variable indépendante ou prédicteur; et y pour
la variable dépendante ou prédictant. Souvent en prévision
climatique, plus d'un seul prédicteur est nécessaire, mais
l'idée de la régression simple peut être
généralisée pour les cas les pus complexes de la
régression linéaire multiple.
La régression linéaire simple a pour but de
trouver une relation entre deux variables, dont les points tracés sur un
repère cartésien se rapprochent de l'allure d'une droite. La
régression choisit la droite qui produit la moindre erreur de
prévision des observations données y et
x; l'équation de la droite est appelée :
"modèle". Le critère le plus utilisé est qui minimise la
somme des carrés des erreurs. En adoptant le critère des moindres
carrés, le résultat est un ajustement des points à une
droite en minimisant les écarts entre cette droite et les points.
Cependant, la droite d'ajustement essaye d'éviter les grands
écarts. La valeur estimée par le modèle est donnée
par : y = a + b.x, pour chaque valeur de x,
a et b sont respectivement l'ordonnée
à l'origine et la pente de la droite de régression ou encore
coefficients de la régression. L'ajustement entre les deux variables est
linéaire comme illustré dans la figure ci-dessous :
ei
0
-1
-2
-20 -10 0 10 20
prédicteur
prédictand
Figure 1 : Illustration de la droite
d'ajustement
a. Distribution des résidus
Pour chaque valeur yi du prédictand
observée dans le passé, on calcule l'écart entre cette
valeur et la valeur estimée à l'aide de la droite d'ajustement
linéaire, cet écart est appelé
résidu. Un meilleur ajustement implique donc normalité
de la loi de distribution des résidus et un fort coefficient de
corrélation linéaire (Pearson) entre x et
y.
b. La fiabilité de l'ajustement à la
droite de régression
La qualité de l'ajustement du modèle est
primordiale pour exprimer si le modèle est pertinent ou non. Cette
qualité est définie à travers l'analyse combinée
des différents écarts qui amènent à deux mesures
fondamentales : le coefficient de détermination R2
et le rapport de Fisher F qui
synthétisent la qualité de l'ajustement du modèle. Les
écarts en question sont :
EQM : L'erreur quadratique moyenne
EQM =
|
|
|
1
|
|
n
ei ,
2
? ( )
|
(
|
n
|
|
2)
|
|
-
|
1
|
n
SQT : La somme quadratique des totaux, SQT =
2
? i - ,
( y y )
1
proportionnelle à la variance de Y au facteur (n-1)
2
n
SQR : La somme quadratique de la
régression = [ ]
)
? yi y
-
1
n
= 2
b 2 ( x x )
? i -
1
n
SQE : La somme quadratique des erreurs =2
? ( )
e i
1
, on peut vérifier
Facilement l'identité suivante SQT = SQR +SQE
Ainsi on a :
· Le coefficient de
détermination R2, dans le cas d'une
régression linéaire simple c'est le carré du coefficient
de corrélation entre X et Y. R2 donne la
proportion de la variance du prédictand (proportionnelle à SQT)
décrite par la régression (SQR). Pour une régression
parfaite, SQR=SQT et SQE=0, R2=1. Pour une régression
d'aucune informativité, SQR=0 et SQE=SQT et R2=0. Ainsi
à lui seul ce coefficient permet de mesurer la qualité de
l'ajustement, plus il avoisine 1 plus l'ajustement est meilleur, plus il s'en
éloigne plus il est mauvais.
· Le rapport de Fisher (F ratio) F = RQM /
EQM
RQM est la moyenne quadratique de la régression, dans
le cas d'une simple régression, RQM=SQR, EQM = SQE/(N-2), c'est le
rapport entre la variance due à la régression - donc
l'information utile- et la variance due aux écarts à
l'ajustements -les erreurs-. Il mesure en quelque sorte le rapport entre le
signal et le bruit. Le logiciel statistique permet de donner les valeurs de R
et F, ce dernier est assorti de sa p-value. Ainsi on peut résumer
l'analyse de la qualité d'ajustement du modèle par les deux
illustrations suivantes :
Bon ajustement Mauvais ajustement
Bonne pente Petite pente
R2 élevé et F élevé R2
petit, EQM élevé, F petit
Figure 2 : Qualité de l'ajustement
2. PERFORMANCE DES MODELES DE PREVISION
Toute prévision est soumise à des tests de
vérification. Cette vérification est par conséquent le
processus de détermination de la qualité des prévisions.
Il existe un grand nombre de procédures de vérification des
prévisions, mais toutes, mesurent le degré de liaison entre les
valeurs prévues et celles observées du prédictant.
a. La cross-validation : Pour
estimer la qualité du modèle, on a recours à une
procédure appelée cross-validation (Michaelson, 1987).
Dans la cross-validation, les données sont à la fois
données d'apprentissage (données servant à élaborer
le modèle de prévision) et données tests (données
estimant la qualité du modèle). La procédure consiste
à partitionner les données en des échantillons
d'apprentissage de taille n-1 (n étant
la taille de l'échantillon). Dans ce cas, le nombre de partitions de
données est égal à n, l'équation
du modèle est donc recalculée pour chaque partition. Le
résultat est n équations de prévision
similaires, chacune étant élaborée sans la contribution
d'une observation du prédictant.
b. Le skill : Cette méthode
permet de comparer l'élément observé et
l'élément prévu. On calcule la corrélation entre
ces deux valeurs. Cette corrélation est appelée : SKILL,
ou la limite d'acceptabilité du modèle. Les spécialistes
s'accordent à dire que lorsque le SKILL est supérieur ou
égale à 0.3 (SKILL = 0.3), le modèle est acceptable.
c. La simulation : C'est la
vérification qui peut être faite en comparant visuellement la
courbe du prédictant observé à celle du même
prédictant prévu.
PARTIE A
RECHERCHE BIBLIOGRAPHIQUE
Chapitre I : LA BIOGÉOGRAPHIE DES GRANDS
DÉSERTS Chapitre II : EROSION EOLIENNE
Chapitre III : GENERALITES SUR LES AEROSOLS
Chapitre I LA BIOGÉOGRAPHIE DES GRANDS
DÉSERTS
1. LES DESERTS
1.1. Introduction
La surface de notre planète est couverte de 14,9
billions d'hectares de terre. Une étude de l' UNEP (Programme
Environnemental des Nations Unies) montre que 6.1 billions d'hectares en
constituent des terres sèches, dont 1 billion d'hectares forment par
nature du désert hyperaride. Le reste de ces terres sèches sont
soit devenues du désert, soit sont menacées par la
désertification. Un quart de la population mondiale occupe les terres
sèches, et en dépendent pour leur existence.
Le mot désert est chargé de rêves et de
symboles. Il évoque silence, pureté, absolue, mais aussi un lieu
magique, hanté, source d'effrois et d'épreuves. Terre du
dépouillement, de la soif et de la faim, il envoûte. Une longue
tradition veut que le désert trempe les âmes fortes et soit le
cadre privilégié de la contemplation et de la
révélation.
C'est une région caractérisée par une
grande sécheresse ou par une température moyenne très
basse entraînant la pauvreté extrême de la
végétation et une très grande faiblesse de peuplement. Le
désert est ainsi une zone inhabitée, très sèche,
aride où de brusques variations de température sont
présentes.
1.2. Définition
D'origine latine, le terme " Désert " signifie "
Abandonné ". Il désigne un espace vide, parce qu'hostile à
toute manifestation de vie. La cause première de cette hostilité
est l'aridité (www1).
1.3. Circulation générale et son lien avec les
déserts
Entre les tropiques dominent des vents d'Est réguliers
et constants, les alizés. Très chauds et secs, ils peuvent se
charger d'humidité après de longs parcours océaniques. Les
alizés du Nord-Est de l'hémisphère Nord et du Sud-Est de
l'hémisphère Sud convergent l'un vers l'autre et forcent l'air
à s'élever dans la région équatoriale. Les
régions équatoriales constituent donc une zone de basses
pressions (Zone de Convergence Inter Tropicale, ZCIT). Ce sont ces
régions qui reçoivent le plus d'énergie solaire. Les
masses d'air humide soulevées par la convergence génèrent
des nuages de type cumulonimbus et des précipitations intenses.
L'imagerie satellitale révèle clairement ce
phénomène.
A la tropopause, vers 15 km d'altitude, ces masses d'air qui
ont perdu une grande partie de leur humidité sous forme de
précipitations, divergent et finissent par redescendre aux latitudes
3Ø°. Lors de cette subsidence, l'air se réchauffe et son
humidité relative diminue. Les régions subtropicales ont donc un
régime anticyclonique, générateur d'un climat chaud et sec
: c'est là que l'on retrouve la ceinture des grands déserts, tant
dans l'hémisphère Nord que dans l'hémisphère Sud.
Dans l'hémisphère nord ce sont le Mexique, l'Arizona, le Sahara,
le désert d'Arabie, l'Iran , le désert de Gobi, et pour
l'hémisphère sud la Patagonie, le sud de l'Afrique et
l'Australie. Cette circulation atmosphérique globale est appelée
circulation de Hadley.
Figure 3 : Circulation de Hadley
1.3.1 Déplacement des cellules de Hadley
En juin juillet août, du fait de
l'inclinaison de la Terre dans l'hémisphère nord, la zone qui
reçoit le plus de chaleur de la part du soleil se trouve au voisinage de
10° de latitude nord. C'est donc l'hémisphère sud qui est le
plus déficitaire en énergie. La cellule de Hadley sud y est alors
la plus intense.
En conséquence, la ZCIT se déplace vers le nord.
Elle apporte la pluie dans les zones sahéliennes (sud du Sahara), tandis
que les précipitations des latitudes tempérées se
déplacent vers le nord.
Figure 4 : Circulation
générale en Juin - Juillet - Août
En décembre janvier février,
c'est dans l'hémisphère nord que la cellule de Hadley est la plus
importante. Le voile de cirrus sur l'Afrique du Nord atteint parfois l'Egypte.
Le déplacement de la ZCIT se fait vers le sud. La saison sèche
commence au Sahel et la pluie tombe dans le nord du désert de Kalahari
(Botswana), tandis que les précipitations liées au front polaire
sont responsables de la saison humide au nord du Sahara.
Figure 5 : Circulation
générale en Décembre - Janvier - Février
1.4. Comment se forment les déserts
Partout où la pluie ne peut tomber, un désert se
forme. Mais d'où vient la pluie et quelles sont les raisons qui
l'empêchent de tomber ? L'air emmagasine l'humidité sous forme de
vapeur d'eau invisible en quantités qui dépendent de sa
température. L'air chaud contient plus de vapeur d'eau, que l'air froid.
Les nuages naissent quand la vapeur est suffisante pour se condenser en
gouttelettes, qui grossissent et tombent (pluie). Elle n'arrive pas toujours
sur le sol car, dans sa chute, de l'air moins saturé en eau peut
l'absorber. Du brouillard et de la rosée peuvent aussi se former quand
l'air humide arrive au contact d'un sol froid. Il existe quatre sortes de
déserts parce qu'il y a quatre raisons géographiques et
climatiques qui empêchent la pluie de tomber.
1.5. Les différents types de déserts
1.5.1. Les déserts zonaux
La carte du monde montre deux larges bandes désertiques
de chaque côté de l'équateur, au niveau des tropiques : ce
sont les ceintures sèches de la terre. A l'équateur, l'air chaud
monte et se refroidit laissant échapper l'humidité qui se
condense en gouttes et il pleut; en altitude, cet air sec et froid se divise en
deux parties l'une se dirige vers l'hémisphère nord, l'autre vers
l'hémisphère sud. En redescendant sur les tropiques, l'air se
réchauffe et absorbe toute l'humidité présente : un
chapelet de déserts chauds, très ensoleillés, au ciel sans
nuages, se forme aux latitudes 25° à 35°.
1. Hémisphère Nord : - désert Mexicain -
Sahara
- Arabie
- Sinaï
- Gobie
2. Hémisphère Sud : -Kalahari
- Australie.
1.5.2. Les déserts côtiers
Des courants marins glacés longent les côtes
occidentales des continents, ils refroidissent les vents qui ne peuvent
absorber que peu d'humidité, le jour la brise marine presque
sèche et froide se réchauffe au contact du sol où elle
absorbe le peu d'humidité et dessèche la terre. La nuit, le
désert est plus froid que la brise marine et la faible humidité
se condense en brume.
Les plus grands déserts côtiers sont hyper arides
:
· désert du Namib (Afrique Australe).
· désert de l'Atacama (au nord du Chili).
1.5.3. Les déserts d'éloignement
Lorsque les vents, venus de la mer traversent de vastes
continents comme l'Asie ou l'Australie, ils perdent toutes leurs
humidités au cours de leurs longs chemins. Le centre du continent est
aride avec des déserts froids en Asie ou chauds en Australie.
1.5.4. Les déserts d'Abri
Si un vent humide, chargé de nuages, rencontre une
montagne il monte, il se refroidit, la vapeur d'eau se condense et il pleut sur
le versant de la montagne exposée au vent. Sur l'autre versant, l'air
froid est sec et n'apporte aucun nuage; en redescendant, il se réchauffe
et absorbe l'humidité du sol.
· désert du Taklamakan (Chine).
1.5.5. Déserts chauds et déserts froids
Le climat d'un désert dépend de son altitude.
Il fait plus chaud au niveau de la mer dans le Namib qu'à 2000
mètres dans le Hoggar. Mais le climat dépend aussi de la position
du désert par rapport à l'équateur, c'est à dire de
sa latitude. Les déserts d'Asie, situé loin de l'équateur,
reçoivent des influences polaires et sont très froids en hiver
leurs températures peuvent descendre à -50°C. Les
déserts d'Afrique plus proches de l'équateur sont beaucoup plus
chauds, le record de chaleur est atteint en Libye +56°C.
2. LE DESERT DU SAHARA
2.1 Les caractéristiques du désert du
Sahara
Il est le plus vaste désert du monde. Il se trouve en
Afrique, s'allongeant sur 5000 km de l'Atlantique à la mer Rouge et sur
2000 km du pied méridional de l'Atlas et du littoral de la
Méditerranée Orientale à une ligne joignant St Louis
à Khartoum, limite septentrionale du climat sahélien. De part et
d'autre du tropique du Cancer, il s'étend sur le Maroc,
l'Algérie, la Tunisie, la Libye, l'Egypte, le Soudan, le Tchad, le
Niger, le Mali et la Mauritanie (voir figure : 6).
Figure 6 : Le désert du
sahara
Le Sahara algérien présente trois types de
paysages différents :
· Les hamadas, plateaux de dalles rocheuses;
· Les regs, immenses étendues de graviers et de
cailloux;
· Les ergs, immenses étendues de dunes de sable
accumulées par l'érosion.
Au sud, avec 2 millions de Km2 de désert,
le Sahara, l'un des plus grand désert du monde. Il représente
près de 85% de la superficie de l'Algérie et se compose
d'immenses dunes, d'ergs, d'oasis et de montagnes dont le massif du Tassili et
celui du Hoggar où culmine le plus haut mont d'Algérie avec 3000
mètres d'altitude. Il règne dans cette région un climat
désertique avec de grandes variations diurnes. Le pied sud de l'Atlas
tellien marque la limite du climat aride : sec et tropical, avec de grands
écarts de températures en hiver : la température moyenne
est de 36°C le jour.
L'unité du Sahara est due à la sécheresse
extrême du climat, qui rend les cultures impossibles en dehors des oasis.
Mais le relief présente des aspects variés : au centre et
à l'Est, les grands massifs montagneux, en partie volcaniques, du
Hoggar, de l'Aïr et du Tibesti ; au Nord, les dunes du Grand Erg ; dans de
nombreuses autres régions, de vastes plaines et des plateaux couverts de
pierre (les regs).
Les grands massifs de dunes, les ergs, se localisent dans les
parties basses de la topographie. Façonnés par les vents les plus
réguliers, comme les alizés au Sahara ou en Australie, les ergs
forment des alignements de dunes, parallèles à la direction des
vents dominants, et séparés par des couloirs. Les dunes des ergs
peuvent aussi avoir la forme de grandes pyramides, dépassant souvent 200
m de haut, notamment dans le Grand Erg oriental en Algérie. Avec 200 000
km2 de superficie, l'erg de Libye est l'un des plus grands du monde.
Les dunes des ergs ne se déplacent pas. Il existe des dunes mobiles,
généralement isolées à la périphérie
des ergs ou sur les plateaux pierreux. Elles se sont constituées
à la faveur d'un rocher ou d'une touffe de végétation qui
fixe le sable. Le vent modèle les dunes isolées en croissants,
dont les pointes sont allongées dans le sens du vent. Leur profil est
dissymétrique: le versant au vent est en pente douce, le versant sous le
vent a une forte pente.
2.2. Les influences du Sahara sur le climat mondial
Le climat du Sahara, chaud, ensoleillé et aride, est
caractéristique de celui d'un désert chaud, situé de part
et d'autre d'un tropique. Il résulte de la subsidence de l'air sous
l'effet des anticyclones permanents qui se produisent entre 25° et
35° de latitude nord. Les précipitations sont très rares et
irrégulières ; la plupart des régions reçoivent en
moyenne moins de 130 mm de pluie par an, et certaines, comme le Tanezrouft
(Algérie) ou le désert Libyque, restent plusieurs années
sans pluie. Les pluies peuvent survenir sous la forme d'averses très
brutales, et l'eau ruisselle dans les oueds.
L'insolation est de plus de trois mille heures par an. Les
températures diurnes sont très élevées, pouvant
dépasser 50 °C (jusqu'à 66 à In Salah), et
l'amplitude thermique entre le jour et la nuit est souvent supérieure
à 35 ou 40 °C ; l'amplitude annuelle peut atteindre 50 °C ; en
hiver, il peut geler quelques jours à Tamanrasset, par exemple. Ces
brusques variations de température entraînent en plus de
l'érosion éolienne une désagrégation
mécanique des roches. Le relief du Sahara est un socle massif
très anciennement consolidé. Il est recouvert de terrains
sédimentaires, est constitué de cuvettes (Tafilalet), de plateaux
(Ennedi, Tademaït et Tassili) ou hamadas (Ténéré),
d'amoncellements de pierres ou regs (Tanezrouft), d'amoncellements de sable ou
ergs ainsi que de massifs cristallins (Adrar et Iforas) et volcaniques
tertiaires, plus humides (Aïr, Hoggar et Tibesti) au centre et au sud.
Milieu hostile à l'homme, le Sahara est une terre de contact entre la
race blanche (Arabes et Berbères) et la race noire. Les Sahariens
(Maures, Touaregs, Toubous et aussi Mzab) se répartissent en deux
groupes, les nomades pasteurs et les agriculteurs sédentaires dans les
oasis. L'existence de celles-ci est liée à la présence de
l'eau, des nappes phréatiques (puits artésiens), des
écoulements souterrains (foggaras...) et à l'utilisation des
cures des oueds (barrages d'épandages). La culture essentielle est le
palmier-dattier qui protège les cultures vivrières
(légumes, fruits et céréales). Aux ressources
traditionnelles des oasis (très localisées) et des exploitations
de sel (Taoudenni) se sont ajoutées celles du secteur minier et des
hydrocarbures transformant des portions de désert. Principaux gisements
: pétrole (Edjelé, Hassi Messaoud et Zelten) ; gaz naturel :
Hassi R'mel ; uranium : Aïr et Arlit ; minerai de fer : Djebilet et Idjil
; minerai de cuivre : Akjoujt, charbon : Kenadsa (www2).
2.3. Les poussières Sahariennes
Il y a aussi d'autres phénomènes climatiques
liés aux déserts comme les retombés de poussières
Sahariennes en Europe et partout dans le monde. Ce phénomène est
dû principalement au fait que le Sahara étant excessivement chaud,
les poussières s'élèvent très haut dans le ciel
(voir figure : 7) et sont ainsi facilement prises dans des courants
d'air traversant la Méditerranée, l'Atlantique ou autres grandes
étendues maritimes jusqu'au prochain continent. On a compté plus
de 260 millions de tonnes de poussières Sahariennes dont 146 millions
tombent dans l'eau durant leur traversée et 60 millions reviennent en
Afrique. Il y a donc 50 millions de tonnes qui arrivent sur cet autre continent
provocants ainsi des pluies rouges ou des neiges colorées.
Figure 7 : Les poussières
sahariennes
Le désert en soi est un environnement assez stable. Le
paysage varie du terrain plat aux dunes de sable et montagnes
élevées. Une aridité extrême et des vents violents
caractérisent le désert du Sahara. Ces derniers ont une
portée de 100km/h. Ils emportent le sable sur de très grandes
distances, érodent les rochers et empêchent complètement
toute visibilité lors des grandes tempêtes. Des dunes de sable se
déplacent au cours des tempêtes violentes.
Généralement, les déserts soutiennent un couvert
végétal très clairsemé, ce qui est certainement
vrai pour le Sahara.
Chapitre II EROSION EOLIENNE
Le vent soufflant sur une surface désertique balaie
les particules les plus fines et peut faire apparaître la surface
rocheuse (hamadas sahariennes). Lorsque le sol comporte des matériaux de
taille variée (sols alluviaux, par exemple), la déflation
élimine la fraction la plus fine, laissant sur place un désert
pavé de cailloux (reg). La déflation s'exerce jusqu'à ce
que le niveau hydrostatique soit atteint. A ce moment, elle s'arrête et
il s'ensuit des surfaces planes s'étalant sur des centaines de
kilomètres, souvent indurées par une croûte de sel
(www3).
La circulation de l'alizé continental (harmattan)
autour de la dépression du Sahara entraîne un renforcement des
conditions de type saharien ; l'harmattan, vent sec, remobilise des dunes et
transporte de la poussière en suspens. L'érosion éolienne
est une cause souvent négligée de la disparition du couvert
végétal ; par ailleurs, elle est responsable de la très
faible aptitude agricole (appauvrissement rapide des sols sous culture).
1. DEFINITION DE L'EROSION EOLIENNE
L'érosion éolienne est le résultat des
actions du vent au sol. L'analyse des états de surface des sols et
substrats de diverses zones tests, dans le Sahara septentrional et
méridional, a permis de mieux préciser la nature de ces actions.
Il s'agit :
· De la déflation directe des substrats meubles :
sols pulvérulents, dépôts alluviaux, lacustres;
· Du prélèvement direct sur roches
cohérentes par abrasion éolienne (la corrasion);
· Du vannage de la fraction fine des sables mobiles.
2. LES AGENTS DE L'EROSION
2.1. Rôle de la désagrégation
mécanique
La désagrégation est très forte à
cause des forts écarts de la température, de l'absence de
végétation, de sol et d'eau. La dilatation thermique
différentielle désagrège les roches. Les roches
surchauffées éclatent. Mais cette action est lente et
limitée.
2.2. Rôle du vent
Le vent constitue un facteur important d'érosion et de
transport des sédiments à la surface de la planète. Il est
particulièrement actif dans les régions sèches où
la végétation est quasi-absente, comme les déserts. Les
régions désertiques, qu'on définit comme les
régions qui reçoivent moins de 20 cm de précipitations/an,
couvrent près du tiers de la surface terrestre. Les grands
déserts du monde (Sahara, Kalahari, Gobi, les déserts
d'Australie) se trouvent entre les latitudes 10° et 30° de part et
d'autre de l'équateur (voir figure : 8).
Figure 8 : Les régions
désertiques (www4)
Ces régions sont constamment sous des conditions de
haute pression atmosphérique où descend l'air sec, ce qui est
aussi vrai pour les régions polaires qui sont aussi
considérées comme désertiques compte tenu qu'elles
reçoivent moins de 20 cm/an de précipitations (en
équivalent pluie).
La répartition des déserts est
déterminée par la circulation atmosphérique qui, elle,
dépend de la radiation solaire (voir figure : 9).
Figure 9 : Répartition des
déserts
L'air chauffé dans les régions
équatoriales a tendance à monter. Il se crée donc à
l'équateur, un flux d'air ascendant qui détermine une zone de
basse pression: le creux équatorial. Arrivé dans la haute
atmosphère plus froide, cet air ascendant très humide condense et
forme les nuages et pluies de la zone équatoriale. L'air se
débarrasse donc de son humidité; il s'assèche. Il
redescend au niveau des latitudes 30°, sous forme d'un air très
sec, pour former une zone de haute pression. Ce couple ascension-descente forme
une cellule de circulation atmosphérique, la cellule tropicale. Ceci
engendre une autre cellule atmosphérique, la cellule
tempérée qui crée autour des latitudes 60°, des
courants ascendants. Plus vers les pôles, les cellules polaires vont
ramener dans les cercles polaires de l'air sec. Il en résulte que les
régions qui se situent à la hauteur des latitudes 30° et
90°, dans les deux hémisphères, sont balayées par de
l'air sec.
C'est pourquoi on y retrouve les grandes zones
désertiques, non pas à l'équateur, comme on pourrait le
penser puisqu'il y fait le plus chaud, mais autour des latitudes 30°. Il
peut sembler paradoxal de qualifier les cercles polaires de déserts,
mais effectivement, même s'il y fait froid, ce sont des déserts
où les précipitations sont minimes.
3. LES EFFETS DE L'EROSION
L'érosion éolienne concourt à la
désertification des zones sources et constitue l'une des causes de
l'appauvrissement des sols. Elle se traduit par la déperdition en
substances nutritives due à la disparition de la fraction organique du
sol. On assiste alors à une altération des
propriétés du sol quant à l'infiltration et à la
rétention des eaux de pluie et à une perte en micro-organismes
jouant un rôle essentiel dans la fixation de l'azote nécessaire
aux végétaux supérieurs. Les dépôts
éoliens par sédimentation, gravitation ou impaction, ou
associés aux eaux de pluie fertilisent les zones puits, qu'elles soient
continentales ou océaniques. Les aérosols constituent de ce fait
une source d'enrichissement des sols.
À l'échelle globale, ils ont un impact
climatique qui se manifeste par la réduction du rayonnement solaire
absorbé par la surface du sol. Ceci a pour conséquence une
diminution, voire une suppression de la convection associée aux flux de
chaleur sensible et latente dans l'atmosphère, entraînant ainsi
une réduction des précipitations En réduisant la
portée visuelle, les aérosols constituent une gêne pour la
navigation aérienne. Ils introduisent également des perturbations
importantes dans la détection satellitaire des paramètres de
surface (température, albédo, indice de
végétation...) et constituent un problème d'environnement
non négligeable. L'étude de l'érosion éolienne peut
permettre, d'une part, de mieux comprendre le processus de la
dégradation des sols et, d'autre part, d'envisager la mise en oeuvre
d'une politique judicieuse de suivie, de conservation et d'aménagement
rationnel des terres.
Le mécanisme de la mise en suspension des
poussières a été étudié par un grand nombre
de chercheurs. Bagnold (1954) a fait des études portant sur le calcul du
flux horizontal de particules dans des zones de génération de
poussières. Il a montré que ce flux est proportionnel au cube de
la vitesse de friction du vent au sol
Bérenger et Bernet ont étudié la
fréquence d'occurrence de la chasse sable en fonction respectivement de
la vitesse moyenne du vent à Reggane en Algérie et de la vitesse
maximale du vent à Faya Largeau au Tchad. Les résultats
statistiques qu'ils ont obtenus montrent que l'aptitude d'un vent à
provoquer la déflation est nulle au-dessous
d'un certain seuil de l'ordre de 5 à 8 m/s et qu'elle
augmente ensuite très vite avec la vitesse
Gillette et al. (1998) ont déterminé le flux
vertical d'aérosols d'un terrain érodable au Nebraska à
partir de la mesure à deux niveaux 1 et 2 de la vitesse horizontale du
vent et des concentrations en particules. Ils ont noté que le flux
vertical est proportionnel au carré de la vitesse horizontale moyenne du
vent, au gradient de concentration en particules et inversement proportionnel
au gradient de vitesse lié au frottement. Gillette a repris l'expression
de Bagnold et l'a améliorée en prenant en compte le facteur
seuil. Bertrand a défini, à partir des résultats
statistiques de Bérenger, une courbe d'efficacité relative du
vent en fonction de la vitesse. Cette efficacité, notée E, mesure
l'aptitude du vent à soulever la poussière par unité de
temps et de surface. C'est une fonction croissante de la vitesse du vent au sol
à partir d'un certain seuil qui est le même que celui de la
fréquence d'occurrence de la chasse sable.
Un modèle plus récent de calcul du flux de
poussières et de la vitesse-seuil, établi sur la
paramétrisation de la granulométrie des sols et la partition de
l'énergie entre la fraction de surface érodable et les obstacles,
a été proposé par Marticorena et al. Ils ont montré
que la production du flux de poussières dépend principalement de
la force de cisaillement et de la vitesse seuil, deux grandeurs fortement
liées à l'état de surface.
4. LE TAUX ET L'AMPLITUDE DE L'EROSION EOLIENNE
Le taux et l'amplitude de l'érosion éolienne sont
contrôlés par les facteurs suivants (www5) :
1. Susceptibilité du sol à
l'érosion
Le vent peut mettre en suspension de très fines
particules et les transporter sur de grandes distances. Les particules moyennes
et fines peuvent être soulevées et redéposées alors
que les grosses particules peuvent être soufflées en surface
(saltation). L'abrasion qui en résulte peut réduire la dimension
des particules de sol et augmenter d'autant sa susceptibilité à
l'érosion.
2. La rugosité de la surface
Les sols à la surface non rugueuse offrent très
peu de résistance au vent. Toutefois, avec le temps, les
rugosités peuvent se combler et s'aplanir par abrasion. Ceci
résulte en une surface lisse, plus susceptible au vent. Un travail
excessif du sol peut contribuer à briser la structure du sol et ainsi
augmenter l'érosion.
5. LA VITESSE DE FRICTION
La vitesse de friction est le seuil U*t et la hauteur de
rugosité, des paramètres clé pour évaluer les
émissions.
L'érosion éolienne est la mise en mouvement des
grains à la surface du sol sous l'action du vent. Ce
phénomène est contrôlé par deux paramètres
principaux :
- L'énergie apportée par le vent à la
surface ;
- Le seuil minimal de mobilisation des particules libres du sol,
ou seuil d'érosion en conditions lisses.
L'énergie disponible est du domaine des interactions
atmosphère/surface, à travers la force de cisaillement du vent
(ô), et la résistance à l'arrachement est du domaine des
propriétés de surface des sols : type de surface,
encroûtement et humidité, taille, nature et densité des
particules. La tension de cisaillement du vent est fonction de la vitesse de
friction U* (Laurent. B) :
ô = ñ. U*2 (1)
Les émissions de poussières sont un
phénomène à seuil qui ne se produit que lorsque la force
de cisaillement exercée sur la surface devient supérieure aux
forces de maintien, c'est à dire principalement à la force de
gravité et aux forces de cohésion inter particulaires. Cette
valeur atteinte, la particule peut-être mise en mouvement. Ce seuil
d'érosion est généralement exprimé sous la forme
d'une vitesse de friction seuil U*t dépendante de la surface et de la
taille des grains du sol. Ce paramètre clé des processus
d'érosion éolienne contrôle la fréquence et
l'intensité des émissions d'aérosols désertiques.
En effet, les soulèvements de poussières sont d'autant plus
fréquents que cette valeur est souvent dépassée, et les
quantités soulevées sont d'autant plus importantes que la vitesse
du vent est grande devant ce seuil.
Pour arriver à une bonne paramétrisation de
l'érosion éolienne, il faut considérer deux cas de figure.
Soit la surface est lisse et le transfert de l'énergie éolienne
aux particules érodables est quasi total, soit des
éléments non érodables sont présents et absorbent
une partie de l'énergie éolienne.
Ces obstacles contribuent alors à la rugosité de
surface. Dans le cas d'une surface lisse comme dans celui d'une surface
rugueuse, la quantité d'énergie à fournir à une
particule du sol pour initier son mouvement est la même. Pour observer un
mouvement, il faut donc que l'énergie totale apportée par le vent
soit plus importante dans le cas rugueux.
Dans le cas d'une surface lisse, le seuil dépend
essentiellement de la taille des particules du sol. Iversen and White
(1982) ont proposé une paramétrisation de U*t en fonction du
diamètre des particules "Dp ", basée sur des mesures de seuil
réalisées en soufflerie. A cause des forces de cohésion et
de la gravité, il existe un diamètre optimum (--'100 mm) pour
lequel la vitesse de friction seuil est minimale (--'20 cm.s-1) (Iversen and
White, 1982).
Pour les surfaces rugueuses, il faut représenter la
répartition de l'énergie éolienne entre la surface
érodables et les éléments de rugosité pour
déterminer le seuil. Marticorena and Bergametti, (1995) ont
proposé une paramétrisation de cette partition (feff), en
fonction de la hauteur de rugosité de la surface lisse Z0s et de la
hauteur de rugosité totale Z0. Z0 ne rend pas compte de façon
explicite de chaque obstacle, mais intègre sur une échelle
donnée leurs effets cumulés.
Dans ce cas, le seuil est la combinaison de U*t(Dp) et de feff :
U*t (D p;Z0;Z0s) = U*t(D p) / feff(Z0, Z0s)
(2)
Cette paramétrisation a été validée
à partir de mesures de terrain pour différentes rugosités
(voir figure : 10).
Figure 10 : U*t en fonction de Z0 pour
Z0s fixé. Les points représentent des mesures
in situ, la courbe représente la modélisation de U*t en
fonction de Z0 (Marticorena et al., 1997).
Z0s peut être estimée à partir de la
taille des particules érodables. On considère que la hauteur de
rugosité de particules jointives est proportionnelle au diamètre
de ces particules (Greeley and Iversen, 1985) :
Z0s = Dp / 30 (3)
En fixant Z0s pour une gamme de taille de particule,
on peut finalement calculer U*t en fonction de Z0.
Pour estimer les fréquences de soulèvement il
est plus commode de relier U*t à une vitesse de vent. L'équation
classique du profil vertical de vitesse de vent dans la couche limite de
surface, en condition d'atmosphère neutre (gradient vertical de
température nul) permet de relier la vitesse du vent et la vitesse de
friction :
U (Z) = (U* / k) * ln (Z/ Z0) (4)
U (Z) : vitesse du vent
U* : vitesse de friction
K : Cste de Von Karman = 0.4
Z : hauteur à laquelle la vitesse du vent est
mesurée Z0 : hauteur de rugosité
L'application de cette équation au seuil d'érosion
U*t permet d'estimer la vitesse seuil de vent à une hauteur
donnée.
Pour conclure, nous avons vu dans cette première partie
l'importance du rôle des aérosols désertiques sur le
fonctionnement de la planète, ainsi que les caractéristiques des
déserts chinois, qui sont une des régions sources principales de
poussières. Le processus à seuil d'émission des
poussières est contrôlé par la météorologie
et les caractéristiques des surfaces des zones arides. Pour estimer les
fréquences de soulèvement de poussières désertiques
on doit connaître la vitesse seuil. Elle peut-être estimée
en fonction de la hauteur de rugosité aérodynamique Z0.
Chapitre III GENERALITES SUR LES AEROSOLS
DEFINITION
Les aérosols atmosphériques (du grec aêr,
"air", et se rapportant à l'air; et de sol qui désigne une
solution liquide) sont des particules en suspension dans l'air de tailles
microniques ou sub-microniques. Ces particules peuvent être sous forme
liquide ou solide, mais, par convention, on exclut de cette définition
les gouttelettes d'eau et les cristaux de glace qui forment les nuages. Les
sources d'aérosols primaires peuvent être d'origine naturelle (
poussières minérales, sels de mer, poussières volcaniques
débris biologiques) ou anthropique ( poussières industrielles,
suies issus de la combustion des fuels fossiles ou de la biomasse). Il en va de
même des particules aérosols secondaires qui sont
générées par transformation de la phase gazeuse en phase
particulaire (sulfates, composés organiques, produits
dérivées des feux de biomasse, etc.)
Particules solides, ils interagissent avec le rayonnement
reçu et émis par le soleil et la terre qu'ils arrêtent,
absorbent ou réfléchissent. Dans certaines conditions, ils
servent de noyaux de condensation pour la formation des gouttes de pluies, et
à leur surface des réactions chimiques peuvent favoriser la
formation ou la destruction de composés qui ont, eux-mêmes, un
impact sur le climat (comme certains gaz à effets de serre).
Cette définition doit aussi être
complétée par l'ordre de grandeur de la taille des particules que
nous verrons dans les propriétés des aérosols
désertiques.
PROPRIETES DES AEROSOLS
2.1. Classification des aérosols
Il est communément admis que la taille des particules
aérosols varie de 0.01 ìm à 100 ìm.
Il a aussi été démontré qu'il
existe deux classes d'aérosols en fonction de la taille (Tableau :
1). Les fines particules générées par les feux, la
combustion, les processus chimiques et les grosses
générées par les volcans, les océans, les
déserts, ... etc.
Cette coupure granulométrique assez nette est
située à environ 2 um :
Fines particules (Ø < 2 um);
Grosses particules (Ø = 2 um).
0.0001 0.01 0.1 1 10 100 1000 100 000
NCd d'une flamme
Des gaz aux particules Tempête de
poussière
Virus Bactéries
Vapeurs et poussières métallurgiques
NCd Insecticides
Fumée de tabac Fragmentation
Fumée d'incendie
Brouillard industriel
Cristaux de sel marin
Fumée d'huile
NCdN
Argile Limon Sable fin Gros
sable
Diamètre en um
Nuage
Cendres
Cheveux
Poussière de calcaire
Sable de plage
Gravier
Tableau 1 : Taille des aérosols
(HACHIMY 1990)
2.2 Distribution des aérosols
La concentration en aérosols de l'atmosphère est
fonction du temps et de l'espace :
· Un temps de séjour long concentration stable;
· Un court séjour variation de concentration.
Temps de séjour est fonction de la taille de la
particule, ce qui nous amène à aborder le profil vertical des
aérosols et les processus qui conduisent à leur
élimination.
2.3. Profil vertical de la concentration des
aérosols
Nous avons une grande variation de la concentration
d'aérosols en fonction de l'altitude :
· décroissance exponentielle à travers la
troposphère ;
· maximum secondaire à environ 20 km ;
· décroissance lente dans la stratosphère.
2.4. Elimination des aérosols
2.4.1. Sédimentation
La chute de la particule est fonction de sa masse :
· Ø = 1mm implique une chute de 4m/jour.
· Ø = 20 mm implique une chute de 1 Km/jour.
La quantité de poussière transportée
puis déposée par le vent peut être grande mais elle passe
inaperçue et sous estimée parce qu'elle est largement
disséminée sur le sol; une couche de quelques dixièmes de
mm de poussière répandue sur une surface de plusieurs milliers de
km2 représente un tonnage considérable. Chaque année le
Sahara perd plus de 100 millions de tonnes de poussière dont une grande
partie tombe dans l'océan Atlantique, contribuant ainsi à la
sédimentation océanique (www6).
Figure 11 : Vitesse de chute des
particules dans l'air; les poussières ont une vitesse de chute
très faible, elles restent donc très longtemps en suspension et
peuvent être transportées très loin par le vent.
Les dépôts anciens de poussières
éoliennes constituent les loess. En France, le loess recouvre le nord du
pays d'une couche de quelques mètres d'épaisseur au maximum; il
est formé de particules d'argiles, de silice et de calcaire. Il provient
de la déflation des matériaux glaciaires quaternaires.
Le calcaire est dissous en surface par les eaux
d'infiltration : le loess est décalcifié et prend le nom de lehm.
En Chine, la couche de loess atteint 600 mètres d'épaisseur. Elle
provient de la déflation dans les déserts d'Asie centrale. Une
chronologie des temps quaternaire a pu y être établie à
partir des variations d'épaisseur des lamines, de leur teneur en
carbonate et de leur susceptibilité magnétique.
Figure 12 : Transport et dépôt
du grain en fonction de sa taille et de la vitesse du
vent
2.4.2 Lessivage
L'entraînement des particules par les gouttes de pluie
dépend de la taille de celles- ci, de l'intensité et de la
fréquence des pluies.
2.4.3. Dépôt par impaction
L'adhésion à un obstacle à cause de
l'inertie concerne surtout les grosses particules. Ce sont donc les fines
particules qui séjournent le plus longtemps dans l'atmosphère. En
effet, les aérosols émis par le sol et la mer sont dans la
troposphère, ils sont donc constamment captés et
précipités par les pluies. De plus, de par leur taille et leur
masse ils retombent plus vite que les fines particules. Quant aux
aérosols émis par les volcans qui atteignent la
stratosphère, leur retombée est très lente, d'où le
maximum de concentration à la tropopause car l'air de la
stratosphère met des années à s'échanger avec celui
de la troposphère.
3. LES AEROSOLS DESERTIQUES
Les aérosols désertiques émis sous
l'action du vent sont des aérosols relativement de grande taille (de 0.5
à 3 um de diamètre). Ce domaine de taille est suffisamment large
pour permettre à la fois la rétro-diffusion des radiations
solaires dans le visible et l'absorption des radiations terrestres dans
l'infrarouge thermique. La rétro-diffusion du rayonnement solaire induit
un refroidissement en diminuant le flux arrivant à la surface terrestre
alors que l'absorption dans l'infrarouge provoque un réchauffement de
l'atmosphère. Nous pouvons décomposer les cycles des
aérosols en trois parties : la généralisation des
poussières en zones sources, leur transport, leur retombée en
zones puits. Le cycle de l'aérosol désertique est
caractérisé par des régions sources relativement bien
délimitées géographiquement, un transport à
très grande échelle et des zones puits recouvrant globalement une
surface très vaste et dont la localisation géographique est par
conséquent assez mal définie. (Prospero et al., 1990)
ont montré, en les mesurant aux Antilles, que ces aérosols
pouvaient très bien traverser l'océan atlantique.
3.1 Zones sources
La figure 13 montre les sources
principales d'émission de poussière, essentiellement les zones
arides et semi-arides du globe ( Prospero, 1981 ; Péwé, 1981
) ainsi que les axes principaux de leurs trajectoires de transport. Le
désert du Sahara est reconnu pour être la plus importante source
d'émission d'aérosols dans le monde.
Figure 13 : Principales sources
d'émission de poussières, axes principaux et distances de
transport (d'après Péwé, 1981).
Dans la plupart des régions désertiques,
les poussières proviennent de sédiments et dépôts
alluviaux que l'on trouve dans les dépressions, les bassins
sédimentaires et les anciennes vallées (Legrand 1990 et
Goudie
1978).
Sur un sol dépourvu de végétation,
le vent, s'il est assez fort au niveau de la surface, fait rouler et parfois
soulève légèrement les particules qui retombent sous
l'effet de leur poids et rebondissent (Gillette, 1981). Ce sont les
"chasse-sables". Les plus grosses particules, dont le rayon moyen est de
l'ordre de 100 ìm, se désagrègent progressivement et
augmentent ainsi l'érosion. Les fines poussières, dont le rayon
moyen est de l'ordre de 10 ìm, sont injectées dans
l'atmosphère en formant le plus souvent des tourbillons de
poussières dont la dimension peut atteindre quelques
décamètres de diamètre et plusieurs centaines de
mètres de hauteur ( Coudé-Gaussen et Rognon, 1983). Les
particules"géantes" (rayon > 100 ìm) retombent alors
relativement rapidement par gravité, les autres seront
déposées au cours de leur transport.
3.2. Les émissions annuelles
Les déserts apparaissent comme une des principales
sources de poussières désertiques du monde, et la
désertification importante de cette région en fait une zone
d'étude très intéressante pour les émissions
d'aérosols. A partir de mesures de flux de dépôt
d'aérosols minéraux ,dans l'océan, des vents et des
précipitations, Duce (1995) montre que c'est dans le Pacifique Nord au
large de la Chine et dans l'Atlantique Nord au large du Sahara que les
dépôts éoliens sont les plus importants (tableau 2). Vu les
extrapolations requises, il faut néanmoins rester prudent quand à
la comparaison quantitative entre les événements de
poussières en Chine et au Sahara, l'information intéressante
étant que ce sont sans doute les deux principales sources
d'aérosols désertiques.
Ocean
|
Mean Flux (g m-2 yr-1)
|
Deposition (Tg yr-1)
|
North Pacific
|
5.3
|
480
|
South Pacific
|
0.35
|
39
|
North Atlantic
|
4
|
220
|
South Atlantic
|
0.47
|
24
|
North Indian
|
7.1
|
100
|
South Indian
|
0.82
|
44
|
Global
|
2.5
|
910
|
|
Tableau 2 : Estimation des
dépôts de poussières minérales dans les principales
zones océaniques
(D'après Duce, 1995).
Zhang et al. (1997), ont également essayé
de déterminer la production de poussières depuis les
déserts de Chine à partir des dépôts
d'aérosols évalués dans cinq régions (les
déserts sableux chinois, le plateau des Loess, les régions
historiques de retombée du nord-est et du sud-est, le Pacifique nord).
Ils estiment cette production totale entre 500 et 1100 Tg. an-1. Cela
représente environ la moitié de la production globale de
poussière estimée par des mesures de concentrations
atmosphériques à ~1500 Tg. an-1 (IPCC, 2001).
3.3. Transport
Au cours de leur déplacement, une fois en suspension,
les poussières subissent une profonde homogénéisation.
Suivant les courants aériens, elles sont aussi bien transportées
vers l'est, le sud de l'Afrique, L'Europe que vers les Caraïbes.
D'Almeida (1986) considère que 60% des poussières sont
émises vers le golfe de Guinée, 28% vers l'Atlantique et 12% vers
L'Europe.
Ces poussières se déplacent en fonction des
grands courants de la circulation atmosphérique. Le plus connu est
l'alizé continental ou l'harmattan qui souffle en permanence de
l'Ethiopie vers L'Atlantique ou vers le golfe de Guinée. Une fois sur la
côte Atlantique, L'air saharien s'élève au-dessus de l'air
maritime et continue vers l'ouest entre 1500 et 3500 mètres d'altitude.
C'est le Saharan Air Layer qui s'étend entre les latitudes de
15°N à 25°N. Les poussières mettent alors de 5 à
6 jours pour atteindre les côtes américaines (Prospero,
1981). Sur la figure 14, nous pouvons voir que ce déplacement varie
suivant les saisons. Celui-ci dépend en fait de la situation
météorologique qui règne sur l'Afrique. En hiver, la zone
de convergence intertropicale (ZCIT) qui est une zone dépressionnaire
aux environs de l'équateur, se positionne sur le golfe de Guinée
et l'Harmattan souffle donc vers cette direction. L'été, la ZCIT
remonte vers la latitude 20°N et l'anticyclone des Açores se
positionne alors vers le sud ouest de l'Europe. Les zones sources qui sont
alors activées sont celles proches du massif du Hoggar.
Lorsque ces poussières se déplacent vers
l'Europe, ce qui est fréquent durant les mois d'été (Dulac
et al, 1992) les trajectoires sont beaucoup moins prononcées et plus
sporadiques. Elles dépendent du passage de dépressions
cycloniques sur L'Europe (Coudé-Gaussen et al, 1987; Bergametti et al.,
1989). Si le centre dépressionnaire se situe sur les côtes
européennes de l'Atlantique nord, les poussières peuvent
atteindre
l'Espagne ou même la France. S'il s'agit du
Sirocco, elles se dirigeront vers la Tunisie et l'Italie. Le Khamsin (vent du
Sahara oriental) les entraînera vers le Soudan, l'Egypte ou le Sinaï
(Yaalon et Ganor, 1977).
Peu d'études ont été faites sur le
transport à l'intérieur même du Sahara, principalement
à cause des difficultés matérielles à
réaliser de telles observations (voir figure 14).
Figure 14 : Trajectoires des
poussières sahariennes à l'intérieur du continent
africain. D'après (Dulac et al., 1992; Coudé-Gaussen et al.,
1987; D'Almeida,1986; Bergametti et al., 1989).
3.4. Zones puits
Les particules tombent en général par
gravité lorsque la vitesse de vent diminue. Pour Lundholm (1979), les
aérosols sont sources d'enrichissement des sols par la formation de
loess et des océans par l'apport d'éléments nutritifs.
L'importance de la sédimentation sur les fonds océaniques a
d'ailleurs été soulignée par Griffin, (1968). Selon
D'Almeida (1986), 75% de la poussière émise vers l'ouest
contribue à leur formation.
Si l'étude du dépôt sur la
Méditerranée commence juste à être documentée
(Bergametti et al. 1989), le trajet transatlantique a été par
contre très étudié.
Nous pouvons citer par exemple les travaux de Prospero et
al. (1979) aux Antilles et aux îles du Cap Vert, Jaenicke et Schütz
(1978) aux îles du Cap Vert, Delany et al. (1967), Prospero and Ness
(1986) et Prospero (1990) aux Barbades, Coudé-Gaussen et al. (1987)
ainsi que Bergametti et al. (1989) aux îles Canaries et surtout une
expérience très intéressante en ce qui concerne les
caractéristiques physique et chimique sur le navire allemand Meteor qui
navigua des Caraïbes à 15°N aux côtes ouest africaines
(Schütz, 1979).
La modélisation du transport et des
retombées des poussières lors du trajet transocéanique a
été réalisée entre autres par (Schütz et al.
en 1981). Il démontre que si la plus grande partie des particules (de
rayon>1ìm) tombe dans les 1000 premiers kilomètres, un peu
moins de 20% font plus de
5000 km.
3.5. Impacts
Nous nous intéressons aux aérosols d'origine
désertique parce que l'érosion des sols, le transport et le
dépôt de ces poussières ont des conséquences
énormes sur l'homme et son environnement. Nous pouvons citer par exemple
:
+ Le problème de la désertification dans les
zones sources; + La possibilité d'engendrer des modifications
climatiques; + L'enrichissement des zones puits;
+ La diminution de la visibilité et ses
conséquences sur les
moyens transports (Problème de transport
aérien...);
+ Les dégâts causés par les tempêtes
de poussières sur la jeune
végétation, le bétail ou les
constructions;
+ La contamination de l'eau potable et de la nourriture.
3.6. Mouvement d'un grain de sable
3.6.1. Mouvement de reptation et de
saltation
Le vent en soufflant sur un lit de sable, est capable de
mettre en mouvement certains grains. Il peut donc éroder la surface et
influencer le relief. Réciproquement, si le relief de la dune est assez
important, la structure de l'écoulement aérien peut être
fortement modifiée (www7).
Comment fait le vent pour déloger des grains de sable
? Comment fait-il pour transporter des grains sur plusieurs centaines de
kilomètres, pour ensuite les déposer ? Simplement car comme tout
fluide, l'air exerce une force sur les grains. Si elle est assez forte, elle
peut dépasser le poids d'un grain et donc le soulever. Bien sur, tous
les grains ne volent pas, et parfois le vent est seulement capable de les
pousser sur le sol : ils roulent ou sautille, c'est ce qu'on appelle le
mouvement de Réptation ou traction. De tels grains sont aussi
appelés reptons. Si le vent souffle assez fort, les reptons peuvent,
à la faveur d'un choc contre un grain ou d'une fluctuation de vitesse du
vent, être élevé un peu plus dans l'air. D'une dizaine de
centimètres tout au plus. Là l'écoulement de l'air est
plus rapide et le grain est accéléré par le vent.
Cependant, la gravité jouant son rôle comme d'habitude, le grain
n'a d'autre choix que de retomber sur le sol. Lors du choc, le grain rebondit
et est capable de remonter assez pour être de nouveau
accéléré et de continuer le même mouvement. C'est ce
qu'on appelle la Saltation, les grains s'appelant alors des saltons
(voir figure 15).
Figure 15 : Mouvement du sable
(www8)
Au total, entre les reptons et les saltons, le vent
transporte du sable, ce qui définit un flux de sable (un nombre de
grains qui traversent une surface unité pendant une seconde). Lorsque le
vent transporte autant de grains que possibles, on parle de flux saturé.
Cette saturation est "obligatoire": déplacer des grains de sables
coûte de l'énergie et évidemment l'énergie dont
dispose le vent est limitée. Remarquons au passage que les gros grains,
plus lourds, sont plus difficile à déplacer et donc que le
transport éolien a tendance à trier les grains de manière
sélective. Dans le désert, on trouve en général des
grains de sable qui ont un diamètre de l'ordre de 250 um. Il y a eu de
nombreuses expériences à propos des deux types de mouvement et de
leurs différences. Il en ressort, que les reptons sont bien plus
nombreux que les saltons, mais qu'ils vont moins vite. Le flux de reptons est
alors de l'ordre d'une fraction du flux se saltons. De plus, logiquement, plus
le vent est fort, plus le flux de sable augmente.
En ce qui concerne les saltons, notamment, les multiples
recherches ont permis de dégager les caractéristiques suivantes :
La longueur d'un saut d'un saltons, appelée longueur de saltation est de
l'ordre du mètre pour un vent moyen de l'ordre de 5 m/s à 10 cm
du sol. L'angle que fait la trajectoire avec l'horizontal lors de l'impact est
de l'ordre de 10 degré et fluctue peu. Ce dernier point est important.
En effet suivant la valeur de cet angle, le choc est plus ou moins violent et
l'énergie du choc se transmet plus ou moins bien aux grains immobiles en
surface. Ainsi, plus l'angle d'impact est important plus la transmission de
quantité de mouvement aux futurs reptons se fait bien. Ainsi, le flux de
reptons varie selon l'angle d'incidence des saltons. C'est ce
phénomène qui permet d'appréhender simplement la
création des rides de sables. Ces rides de sables s'étalent sur
plusieurs mètres dans une direction perpendiculaire au vent et
s'élèvent sur quelques centimètres tout au plus. Elles
sont séparées entre elles d'une distance de l'ordre de la dizaine
de centimètre.
Au niveau du défaut, l'angle d'impact des grains en
saltations va varier, puisque la surface n'est plus plane. Ainsi, on distingue
la zone exposée où l'angle relatif d'impact par rapport à
la surface est plus élevé que dans la zone "normale". Ici, le
flux de grains en reptation est donc plus important que dans la zone normale.
De même, il existe également une zone abritée, où
cette fois, l'angle d'impact relatif est plus petit, et donc le flux de reptons
également. L'existence de ces trois valeurs différentes de flux
entraîne directement la propagation et l'amplification du défaut.
En effet, comme il y a plus de grains qui grimpent sur la zone exposée
que de grains qui quittent la zone abritée, le défaut augmente en
hauteur. Mais ce n'est pas tout. Il y a aussi moins de grains qui arrivent en
amont de la zone exposée qu'il y en a qui la grimpent, donc un creux se
forme en amont du défaut. Pareillement, il y a moins de grains qui
arrivent de la zone abritée que ceux qui parcourent la zone normale en
aval du défaut, et un creux apparaît aussi en aval. De proche en
proche, le défaut progresse, et on arrive ainsi au développement
spatial de l'instabilité : En attendant suffisamment longtemps, le sol
n'est plus plat, mais parcouru par des petites rides.
3.6.2. Formation d'une dune
Ces dernières se déplacent, sous l'action du
vent, par saltation des particules sur le dos de la dune; elles viennent se
déposer sur le front de la dune, soit par avalanche, soit parce qu'elles
sont piégées par le tourbillon que fait le vent à l'avant
de la dune. C'est ce qui cause la structure interne en laminae
parallèles inclinées qui indique le sens du déplacement de
la dune.
Le sable transporté par le vent s'accumule sous forme de
dunes .
Figure 16 : Dune de sable
Nous connaissons tous, les étendues majestueuses de
dunes ressemblant à une mer de sable dans le désert. Leurs formes
répétitives modelées par le vent couvrent d'immenses
surfaces et leurs déplacements menacent aussi bien les zones de cultures
que les routes ou même les villes. Malgré cela, le mouvement des
dunes était encore très mal compris, faute d'équations
rendant compte des mouvements superficiels des grains de sable sous l'action
hydrodynamique du vent. En effet, il est hors de question de suivre les
trajectoires de chacun de 1010 à 1012 grains d'une
dune. Pourtant, grâce à une meilleure compréhension de la
physique des milieux granulaires et grâce à la puissance des
moyens informatiques actuels, il est aujourd'hui possible de déterminer
des équations de mouvement et de les appliquer pour prédire
l'évolution des dunes.
Les dunes les plus simples ont une forme de croissant
(voir figure 17). Elles se forment dans des conditions
particulières avec des volumes de sable limités et se
déplacent sur un substrat stable sous l'action d'un vent qui vient
toujours de la même direction. Leur crête sépare le dos de
la dune, incliné de 5 à 20° et le front nettement plus raide
(32 à 35 °) qui se prolonge par deux cornes dans la direction du
vent.
Figure 17 : Forme d'une dune
(d'après Hermann et Rognon)
Il est donc nécessaire pour comprendre
l'évolution et la forme d'une dune, de connaître celle du champ de
vent correspondant. Celui-ci est en général dans un régime
turbulent en trois dimensions développé à toutes les
échelles autour de la topographie dunaire. Mais en moyenne, le profil de
vitesse en fonction de la hauteur suit une loi logarithmique établie
depuis Prandtl en 1925, avec, à sa base, une "couche-limite"
dans laquelle l'écoulement est essentiellement laminaire où les
grains sont arrachés et transportés.
Le cisaillement qu'exerce le vent sur le sable à la
surface de la dune génère l'écoulement du sable. Cet
écoulement, étudié en détail par le brigadier
britannique Bagnold (1954) pendant et après la deuxième
guerre mondiale, s'effectue sous trois formes différentes : la
suspension pour les tout petits grains, inférieurs à 50 microns,
le «reptation» pour les grains les plus lourds et la
«saltation", un mécanisme très particulier où les
grains suivent des trajectoires balistiques, entraînés par le vent
ou éjectés par l'impact de grains antérieurs. Un grain
éjecté est accéléré en fonction du gradient
de vitesse des vents et, lors de son impact il éjecte un certain nombre
de nouveaux grains qui à leur tour entraînent le départ de
nouvelles particules. Cette réaction en chaîne fait que le nombre
de particules en saltation augmente exponentiellement jusqu'à une
certaine saturation au delà de laquelle le vent serait trop ralenti par
la perte de moment liée au transport des particules. Mais le processus
entier de la saturation n'avait jamais été pris en compte avant
le travail de Sauermann (2001), qui montre comment la saltation
s'amplifie jusqu'à la saturation. On définit une longueur
caractéristique l qui est un multiple du saut individuel d'un
grain (comprise entre 10 et 20 mètres) et s'avère d'être de
l'ordre de la taille de la dune. Les grains peuvent passer au-delà de la
dune, tandis que si l est plus petit, les grains sont piégés
derrière la dune et participent ainsi à sa progression.
D'où cette ambiguïté : la dune piège le sable et
c'est le sable piégé qui participe à l'édification
de la dune.
PARTIE B
MODELISATION ET PREVISION
DES PHENOMENES
DE SABLE
Chapitre IV : CLIMATOLOGIE DU PHENOMENE
Chapitre V : LE MODELE GOCART DE NASA Chapitre VI :
PREVISION MENSUELLE DU SABLE
Chapitre IV CLIMATOLOGIE DU PHENOMENE
1. TYPOLOGIE ET GENESE DES LITHOMETEORES
Connu depuis très longtemps sous le nom de vents de
sable (Dubief, 1952, 1953), les lithométéores constituent des
types de temps caractéristiques des latitudes arides et semi -arides.
L'Atlas international des nuages (OMM, 1973) définit le
lithométéore comme un météore consistant en un
ensemble de particules dont la plupart sont solides et non aqueuses et qui se
trouvent plus ou moins en suspension dans l'atmosphère ou
soulevées par le vent. Les chasses sable et les tempêtes de sable
caractérisent un phénomène qui associe pleinement la
dynamique éolienne et le transport des particules.
Les définitions de ces phénomènes
régionaux sont relatées par le recueil des codes
météorologiques et se présentent ainsi :
· Chasse - sable ($) : " poussière ou
sable soulevés par le vent au point d'observation ou à ses
alentours au moment de l'observation, mais absence de tourbillon et pas de
tempête de poussière ou de sable observée ".
· Tempête de sable (S) : " tempête
de poussière ou de sable observée au moment de l'observation en
vue du point d'observation ou à ce point pendant l'heure
précédente ".
Les phénomènes locaux se caractérisent
par une occurrence ponctuelle et se traduisent par des manifestations de
tourbillons thermiques ou dynamiques, ou de murs de sable qui
représentent les formes les plus simples des lithométéores
mais qui restent assez spectaculaires. Les tourbillons de poussière
ou de sable sont : " un ensemble de particules de poussière ou de
sable, accompagné parfois de petits débris, soulevés du
sol sous forme d'une colonne tourbillonnante et de hauteur variable, à
axe sensiblement vertical et de faible diamètre ". Lorsque le tourbillon
est thermique, il est induit par une instabilité due à un
échauffement du sol. Quand il est dynamique, il est
généré par l'existence de deux courants de vitesses ou de
directions différentes. Le mur de sable n'est pas défini
par l'atlas météorologique mais sa formation est
évoquée par ce manuel. Il constitue ainsi le bord
antérieur d'une tempête de sable ou d'une invasion d'air froid.
2. LA GENESE DES LITHOMETEORES :
Elle est soumise à une dualité climatique et
édaphique. Legrand (1990) notait cette dualité qui aboutit
à une localisation géographique si l'on considère le
facteur pédologique et une caractérisation saisonnière et
zonale si l'on prend en compte le paramètre climatique.
Coudé-Gaussen (1990, 1991), affirmait la nécessité de
tenir compte de la variété lithologique et altérologique
des substrats, de la multiplicité des processus de libération des
poussières fines, et l'inégale compétence des vents.
a. Le facteur climatique est
représenté par le vent couplé à des effets
thermiques de basses-couches. Agent redoutable d'érosion, le vent agit
selon un cadre multidirectionnel et intervient ainsi dans l'arrachage des
sédiments depuis leur structure de base constituée par le sol. Il
véhicule ensuite ces particules et les
transporte sur plusieurs centaines et parfois même sur
des milliers de kilomètres. La turbulence de l'atmosphère et les
systèmes perturbés représentent l'autre
élément climatique qui intervient dans l'élaboration des
lithométéores. Ils favorisent le soulèvement des
particules à différentes échelles spatiales. Cette
différence nous permet de distinguer les phénomènes
locaux, tourbillons, mur de sable et chasse - sable, des
phénomènes régionaux qui s'expriment en nuages de sable et
de poussière.
b. Le facteur édaphique est
lié à la cohésion des sols qui constituent un substratum
régi par différentes forces qui règlent la cohésion
interparticulaire et s'opposent aux agressions externes. L'enclenchement du
système éolien est étroitement lié à sa
capacité d'ablation, à la disponibilité d'un
matériel mobilisable et à sa possible prise en charge jusqu'aux
zones de dépôts. Le spectre granulométrique d'un vent est
fonction de la relation entre la force éolienne et la taille des
particules mobilisables.
3. PRESENTATION DE LA ZONE D'ETUDE
La zone à étudier est la Sahara Algérien
qui représente près de 85% de la superficie du pays. Cette zone
est le siège des soulèvements de sable liés à la
dépression saharienne (thermique). Pour notre étude neuf (09)
stations du réseau ont été choisies, les
caractéristiques de ces dernières figurent dans le tableau x, et
qui sont :
1.
|
Béni-Abbès;
|
6. In-Aménas;
|
2.
|
Djanet;
|
7. In-Salah;
|
3.
|
El-Goléa;
|
8. Tamanrasset;
|
4.
|
Ghardaïa;
|
9. Timimoun.
|
5.
|
Hassi-Messaoud;
|
|
|
Chapitre I V : Climatologie du phénomène
34
36
34
32
30
28
26
24
22
20
B-Abbès
Timimoun
I-Salah
E-Goléa
Ghardaïa
Tamanrasset
H-Messaoud
I-Aménas
Djanet
-8 -6 -4 -2 0 2 4 6 8 10
Figure 18 : Répartition
géographique des stations
4. COORDONNEES GEOGRAPHIQUES DES STATIONS
Le tableau suivant donne les coordonnées
géographiques des stations
N°
|
Station
|
Longitude
|
Latitude
|
Altitude (m)
|
01
|
Béni-Abbès
|
02° 10' W
|
30° 08' N
|
500
|
02
|
Djanet
|
28° 09' E
|
16° 24' N
|
968
|
03
|
El-Goléa
|
02° 52' E
|
30° 34' N
|
397
|
04
|
Ghardaïa
|
03° 48' E
|
32° 24' N
|
468
|
05
|
Hassi-Messaoud
|
09° 06' E
|
40° 31' N
|
142
|
06
|
In-Aménas
|
09° 38' E
|
28° 03' N
|
561
|
07
|
In-Salah
|
02° 30' E
|
27° 14' N
|
268
|
08
|
Tamanrasset
|
05° 31' E
|
22° 47' N
|
1377
|
09
|
Timimoun
|
00° 17' E
|
29° 15' N
|
312
|
|
Tableau 3 : Coordonnées
géographiques des stations
5. LES DONNEES
Dans notre étude, les données sont les
occurrences des vents de sable correspondant au qui signifie le nombre total de
jours de chasse sable et de tempête de sable, provenant du réseau
de l'Office National de la Météorologie (ONM -
Algérie).
Le total mensuel du nombre de jours des vents de sable
enregistré dans les neuf (09) stations a été relevé
sur la période 1968 - 2002 (soit 35 années). La distribution
géographique du nombre de jours total du phénomène (figure
19) montre que le centre du Sahara présente la plus forte occurrence,
habituellement le siège du centre de la dépression saharienne.
-8 -6 -4 -2 0 2 4 6 8 10
36
34
32
30
28
26
24
22
20
B-Abbés
Timimoun
I-Salah
E-Goléa
Ghardaïa
Tamanrasset
H-Messaoud
I-Aménas
Djanet
Figure 19 : Distribution
géographique du nombre total des vents de sable en Algérie de
1968 à 2002
6. VARIATION ANNUELLE DU PHENOMENE DE SABLE AU
SAHARA
Une représentation graphique (graphe :1) met en
évidence la variation annuelle du sable dans la région saharienne
sur la période allant de 1968 à 2002.
16
14
12
10
4
8
6
2
0
Variation temporelle du Sable (1968 - 2002)
Timimoun I-Aménas I-Salah E-Goléa H-Messaoud
Ghardaïa B-Abbès Djanet
Tamanrasset
Graphe 1 : Variation annuelle
phénomène de sable au Sahara
Le graphe : 1 représente la variation
annuelle du phénomène de sable observé sur les neuf (09)
stations météorologiques du Sahara sur la période
indiquée (1968-2002); on remarque que ce phénomène se
manifeste généralement avec des occurrences élevées
au mois de mars, avril, mai et juin et ceci pratiquement pour toutes les
stations, ce qui confirme cette période dominante pour le
phénomène des vents de sable au Sahara. Des études ont
démontré la relation avec l'occurrence et l'amplification de la
dépression saharienne (Sahabi et al, 1999).
Les graphes représentant les variations annuelles du
phénomène pour chaque station figurent en annexe
I. On constate que le maximum d'occurrence se produit au cours de la
période allant de mars à juin et ceci pour les neuf (09) stations
du Sahara. En annexe II, les variations interannuelles du
sable.
En raison de l'étendue et des caractéristiques
climatiques de la zone, il est utile de procéder à une
régionalisation du phénomène et ceci pour la
détermination des régions homogènes. Les méthodes
adoptées reposent sur l'Analyse en Composantes Principales (ACP). Elle
est utilisée comme méthode d'analyse descriptive. Le but
principal de l'ACP est de réduire un grand nombre de variables
décrivant un paramètre, en un nombre plus petit de nouvelles
variables appelées composantes principales.
La majorité des cas d'application de l'ACP aux
données atmosphériques se retrouve dans l'analyse des champs de
données, dans le but de décrire la variabilité spatiale ou
temporelle du paramètre étudié. Ces cartes sont
utilisées après analyse pour en déduire la
régionalisation. Cette méthode est très informative.
Dans notre étude, une régionalisation du
phénomène du sable fait ressortir quatre (04) régions
homogènes; une région au Nord du Sahara (3), une deuxième
région à l'Est (4), une troisième à l'Ouest (2),et
une dernière au Sud (1), figure 20.
Figure 20 : Régionalisation du
sable
Chapitre V LE MODELE GOCART DE NASA
1. DESCRIPTION DU MODELE ET SIMULATION DU SABLE
Ce modèle a été développé
conjointement par le Georgia Institute of Technology et la NASA (Goddard Space
Flight Center) et porte sur la chimie et le transport des aérosols.
Le modèle fonctionne avec une résolution
horizontale de 2° (latitude) X 2.5° (longitude) et une description
verticale de 30 niveaux. Les champs météorologiques
utilisés proviennent du système d'assimilation et d'observation
GEOS-DAS du GSFCNASA (Schubert, 1993). Ces champs incluent le vent, la
température, la pression, l'humidité spécifique, les flux
convectifs, la couverture nuageuse, les précipitations, la couche limite
atmosphérique et les vents de surface. Le modèle GOCART contient
différents modules physiques pour la simulation des aérosols :
· Module d'émission des aérosols
· Module de convection humide
· Module de déposition sèche
· Module de déposition humide
Ces quatre modules sont couplés au modèle
météorologique pour fournir une prévision des
concentrations d'aérosols par catégorie.
2. SIMULATION DU SABLE PAR LE MODELE GOCART
La simulation du sable à partir du modèle
GOCART est décrite par Ginoux (2001). L'identification des sources de
sable nécessite une approche qui combine les conditions physiques du sol
et les conditions atmosphériques. Ainsi, la zone source de sable est
construite comme une probabilité de soulèvement d'aérosols
à partir d'une dépression topographique. Le modèle GOCART
obtient des résultats satisfaisants sur les principales régions
sources du monde : Sahara, Sahel, désert de Gobi, désert
d'Arabie, désert d'Australie et d'Amérique du Sud.
L'émission du sable à partir de la source est calculée en
fonction de la vitesse du vent de surface et de l'humidité de surface.
Pour caractériser le sable, les particules dont le rayon moyen se situe
entre 0.1 et 6 ìm sont prises en compte. Cette plage est divisée
en 7 catégories : (0.1 - 0.18 ìm) ; (0.18 - 0.3 ìm) ; (0.3
- 0.6 ìm) ; (0.6 - 1 ìm) ; (1 - 1.8 ìm) ; (1.8 - 3
ìm) ; (3 - 6) ìm (Tegen et al, 1996).
Le flux d'émission Fp pour un groupe d'ordre
p parmi les 7 catégories s'exprime par :
Fp = C . S . Sp . (u
|
10) . (u10 - u t )
2
|
|
Fp s'exprime en ìgm-2s-1 u10 = vent
à 10 m
C = constante d'émission (1
ìgm-2s-1) ut = seuil critique de vitesse
d'érosion
S = fonction de probabilité
Sp = fraction du groupe d'ordre p dans le sol
EPAISSEUR OPTIQUE D'AEROSOLS (AOT)
L'épaisseur optique est calculée à
partir des indices de réfraction, de la taille des particules et de
leurs propriétés hygroscopiques. On suppose que les
diamètres suivent une loi log-normale. La relation entre
l'épaisseur otique (AOT) et la masse d'aérosols (par unité
de surface) s'exprime par :
'r = 3 . Q . M / 4 . p (re )
où re est le rayon effectif des particules et
Q le coefficient d'extinction calculé à partir de la
théorie de Mie.
On peut utiliser une autre forme : 'r = J3 . Md où J3 = 3
. Q . M / 4 . p . re . Md (on constate que J3 = 'r / Md = AOT /
masse sèche d'aérosols )
COMPARAISON DES SORTIES DU MODELE GOCART AVEC LES
CARTES REELLES DU PHENOMENE DE SABLE (ANNEXE III)
Les simulations globales du modèle GOCART indiquent
des concentrations maximales sur le Sahara et le désert de Gobi.
Comparé aux autres types, le sable est l'aérosol
prédominant sur l'Afrique du Nord, l'Atlantique tropical Nord,
l'océan indien et la région de la Chine du Nord et de la
Mongolie. Dans ces régions, le sable contribue pour 60 à 80% de
l'AOT.
Les sorties du modèle GOCART sont comparées aux
données AVHRR et TOMS qui sont des mesures satellitales des
aérosols respectivement en visible et en ultraviolet. Le modèle
et les données TOMS confirment les valeurs élevées de
l'AOT qui persistent sur l'Afrique du Nord.où le sable est
prédominant. Le modèle confirme les observations par satellite
sur le déplacement des nuages de poussières d'Afrique du Nord sur
l'Atlantique. Par contre, il existe un désaccord sur le gradient
latitudinal sur l'océan entre le modèle (gradient fort) et les
observations par satellite (faible).
La distribution régionale est analysée par une
comparaison quantitative sur des régions spécifiques dont
l'Afrique.
Enfin, les résultats du modèle sont
confrontées aux données issues du réseau de
photométrie AERONET qui est un programme global lancé en 1993 sur
une douzaine de sites pour en atteindre une centaine actuellement. Le
réseau AERONET fournit l'AOT pour 8 longueurs d'onde de 340 à
1020 nm. Ces données servent à valider les données
satellitales ainsi que le modèle couplé GOCART.
AERONET (Aerosol Robotic Network) est un réseau
terrestre d'instruments optiques de mesure des aérosols avec une archive
de données gérées par la NASA. Les mesures des
aérosols qui correspondent à l'ensemble des particules solides ou
liquides en suspension dans l'air, permettent de mieux connaître les
changements atmosphériques et de suivre la qualité de l'air.
L'AERONET est un système de réseau de photo-radiomètres
supervisé par la NASA en collaboration avec un nombre d'agences et
d'institutions à travers le monde.
Figure 21 : Réseau AERONET
(Aerosol Robotic Network)
Chapitre VI PRE VISION MENSUELLE DU SABLE
Notre objectif est de prévoir le nombre de jours
probable d'occurrence de phénomènes de sable pour un mois
donné à des échéances allant de un à deux
mois et ceci pour les neuf stations du Sud Algérien. Les
prédicteurs ciblés dans cette étude sont : l'Epaisseur
Optique d'Aérosol (AOT), NINO3, l'indice Atlantique Equatorial (EQA) et
le Nord Ouest Atlantique (NWA). Les trois derniers indices expriment des
anomalies de la circulation océanique globale.
1. PREDICTEURS
· L'AOT (Aerosol Optical Thickness)
· L'anomalie de la température de surface de
l'océan pacifique (NINO3) ;
· L'anomalie de la température de surface de
l'océan atlantique (EQA) ;
· L'anomalie de la température de surface de
l'océan nord-ouest atlantique (NWA).
Figure 22 : Localisation des
prédicteurs (SST)
2. MODELISATION
En général, on dispose de beaucoup de variables
parmi lesquelles on voudrait choisir les plus pertinentes du point de vue
potentiel prédictif. Le principe de ce choix revient à calculer
la corrélation entre le prédictand et chacun des
prédicteurs et de ne retenir pour le modèle de prévision
que la variable qui fournit la corrélation la plus significative
(>0.3 en valeur absolue). Dans beaucoup de cas, on retient non pas le
meilleur prédicteur mais le groupe de prédicteurs (2 ou plus)
apportant le maximum d'information. On parle en ce moment de corrélation
multiple. Puis, on passe à la deuxième étape, qui est la
régression linéaire multiple. Dans notre cas, cette
méthode statistique linéaire est utilisée pour
déterminer les relations existantes entre les fréquences
d'occurrence de la chasse-sable et l'AOT avec les anomalies de la
température de surface de la mer et d'utiliser ces
dernières pour prévoir les phénomènes de sable . La
régression linéaire multiple est donnée par :
Y = a0 + a1X1 + a2X2 +
a3X3 + ... + a n X n
où Y : prédictand
X1, X2, X3, ... ,Xn : valeur du prédictand
retenu a0 : constante
a1,a2,a3,... ,an : coefficients de
régression.
3. MODELES ET RESULTATS OBTENUS
Les prédicteurs utilisés dans cette étude
sont : l'Epaisseur Optique d'Aérosol (AOT), NINO3, l'indice Atlantique
Equatorial (EQA) et le Nord Ouest Atlantique (NWA).
Les corrélations obtenues entre les fréquences
de phénomènes de sable (prédictand) et les
prédicteurs indiqués ci-dessus (AOT, NINO3, EQA, NWA) ont
été calculés pour chaque station, pour tous les mois de
l'année et ceci avec un décalage (lag) d'un (01) et deux (02)
mois d'avance.
Les résultats obtenus, pour les mois où le
coefficient de corrélation est significatif, montrent qu'il existe un
potentiel significatif de prédiction du phénomène du
sable. L'influence des SST est très marquée entre les mois de
septembre et janvier; ainsi qu'entre les mois de mars et mai. L'influence de
l'AOT est importante dans la période d'octobre à
décembre.
Les modèles de prévision que nous avons
développés reposent sur la méthode de régression
linéaire. Le test de signification sur le coefficient de
corrélation est calculé à un niveau de 95%.
Le Tableau 4 donne les
modèles obtenus avec la régression linéaire multiple pour
In Salah et ceci pour tous les mois de l'année avec un mois d'intervalle
(Lag 1); les modèles obtenus pour le reste des stations avec un mois
(Lag 1) et deux mois d'échéance (Lag 2) figurent en
annexe IV.
On remarque dans le tableau suivant que la prévision du
nombre de jours de sable à In-salah est meilleure au mois de septembre
et au mois de novembre en utilisant les prédicteurs qui sont
respectivement l'AOT, NWA(jul) et l'AOT,EQA(sep); avec un niveau de
signification de 0.04 et 0.01. Et ce qu'on appelle le "Skill",
c'est-àdire la corrélation entre l'observé et le
prévu est de 0.98 pour septembre et de 1.00 pour le mois de novembre.
Pour le reste de l'année le skill obtenu varie de 0.45
à 0.98 et le niveau de signification dépasse les 5% d'erreur.
Prévision du Sable à In-Salah avec un mois
d'échéance (Lag 1)
Prédictand
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (janvier)
|
AOT NWA(nov)
|
S(jan) = 5.39 + [10.5 1 * AOT] - [2.45 * NWA(nov)]
|
0.73
|
F = 2.67 P = 0.27
|
0.85
|
sable (février)
|
EQA (déc)
|
S(fév) = 9.57 + [2.57 * EQA(déc)]
|
0.5
|
F = 3.05 P = 0.17
|
0.71
|
sable
|
AOT
|
S(mars) = - 0.72 + [45.89 * AOT]
|
0.43
|
F = 0.76
|
0.66
|
(mars)
|
EQA(jan)
|
- [7.59 * EQA(jan)]
|
|
P = 0.57
|
|
sable
|
AOT
|
S(avr) = 9.46 + [14.26 * AOT]
|
0.44
|
F = 0.44
|
0.55
|
(avril)
|
NWA(fév)
|
- [4.06 * NWA(fév)]
|
|
P = 0.69
|
|
sable
|
AOT
|
S(mai) = 3 1.40 - [30.80 * AOT]
|
0.7
|
F = 7.82
|
0.85
|
(mai)
|
|
|
|
P = 0.06
|
|
sable
|
AOT
|
S(jun) = - 6.0 + [26.83 * AOT]
|
0.96
|
F = 8.23
|
0.98
|
|
EQA(avr)
|
+ [9.98 * EQA(avr)]
|
|
|
|
(juin)
|
NINO(avr)
|
+ [0.38 * NINO(avr)]
|
|
P = 0.25
|
|
sable
|
AOT
|
S(jul) = 11.82 - [5.42 * AOT]
|
0.2
|
F = 0.7
|
0.45
|
(juillet)
|
|
|
|
P = 0.45
|
|
sable
|
EQA(jun)
|
S(aout)=13.13 - [3.77*EQA(jun)]
|
0.75
|
F = 2.92
|
0.86
|
(aout)
|
NINO(jun)
|
+ [0.57 * NINO(jun)]
|
|
P = 0.26
|
|
sable
|
AOT
|
S(sep) = 13.73- [14.23 *AOT]
|
0.96
|
F = 5.52
|
0.98
|
(sept.)
|
NWA(jul)
|
- [7.09 * NWA(jul)]
|
|
P = 0.04
|
|
sable
|
AOT
|
S(oct) = 18.09 - [33.42 * AOT]
|
0.85
|
F = 5.78
|
0.92
|
(oct.)
|
NWA(aou)
|
- [0.36 * NWA(aou)]
|
|
P = 0.14
|
|
sable
|
AOT
|
S(nov) = 7.29 - [42.27 *AOT]
|
0.99
|
F= 2161
|
1.00
|
(nov.)
|
EQA(sep)
|
+ [ 8.55 * EQA(sep)]
|
|
P = 0.01
|
|
sable
|
AOT
|
S(déc) = 0.40 + [32.85 * AOT]
|
0.76
|
F = 1.6
|
0.87
|
(déc.)
|
NINO(oct)
|
+ [0.7 * NINO(oct)]
|
|
P = 0.48
|
|
Tableau 4 : Modèles de
prévision du sable pour In-Salah (Lag 1)
4. LE POTENTIEL DE PREVISIBILITE
Après avoir établi tous les modèles de
prévision, pour toutes les stations et pour toute l'année, on
passe à l'étape suivante qui est la vérification de la
performance de ces modèles par la méthode dite « score de la
performance » appelée communément "skill". C'est ce skill
qui est pris en compte pour pouvoir représenter sur une carte le
potentiel de prévisiblité et ceci sans tenir compte du niveau de
signification. Une telle carte pourra nous renseigner sur la région sur
laquelle nous pouvons établir une prévision fiable.
La figure suivante représente les cartes du potentiel
de prévisibilité du sable pour le mois de janvier, à un
mois et deux mois d'échéances (Lag 1 et Lag 2). A partir de ces
cartes, on peut lire que la prévision est fiable à 80-90%
à In-Salah, à Tamanrasset et à Béni-Abbès et
ceci avec un décalage d'un mois (Lag 1); pour la 2° carte la
prévision du sable est fiable à 90% à Hassi-Messaoud et
à Tamanrasset, avec un décalage de deux mois (Lag 2). Pour le
reste de l'année voir annexe IV.
Lag 1 Lag 2
Janvier Janvier
-8 -6 -4 -2 0 2 4 6 8 10 -8 -6 -4 -2 0 2 4 6 8 10
36
34
32
30
28
26
24
22
20
Béni_Abbès
Timimoun
In_SaUah
EU_GoUéa
Gahrdaïa
Tamanrasset
H_Messaoud
IN_Aménas
Djanet
28
26
24
22
20
36
34
32
30
Béni Abbès
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H Messaoud
IN_Aménas
Djanet
Figure 23 : Carte du potentiel de
prévisibilité pour Janvier à un mois et deux mois
d'échéances
CONCLUSION
Ce travail avait pour objectif principal d'établir une
relation entre les processus de déclenchement des
phénomènes de sable tels qu'ils sont observés sur le
Sahara et l'apport des données issues de l'observation spatiale. Les
phénomènes de sable sont identifiés à partir des
données météorologiques classiques, ce qui permet d'en
étudier la répartition spatio-temporelle. Notre analyse confirme
l'existence de zones sources et de périodes favorables à
l'occurrence des évènements de sable saharien. L'apport des
sciences de l'espace est manifeste et des simulations globales montrent
l'intérêt d'incorporer ces produits à ceux fournis
habituellement par la modélisation de l'atmosphère et du climat.
Nous avons ainsi utilisé les sorties d'un modèle global
(modèle couplé GOCART, NASA), et il s'avère qu'il existe
une relation statistique significative entre les fréquences d'occurrence
des phénomènes de sable (tels que mesurés par les stations
météorologiques du Sahara) et l'épaisseur optique
d'aérosols (AOT), paramètres issu de l'observation spatiale.
Dans le cadre de ce travail, et à partir d'analyses de
la climatologie du phénomène sur la période 1968-2002,
nous pouvons mettre en évidence la période favorable à son
occurrence située entre mars et juin. Le centre du Sahara (région
d'In-Salah) présente la plus forte occurrence, habituellement le
siège du centre de la dépression thermique saharienne. Au plan
spatial, une régionalisation du phénomène du sable fait
ressortir quatre régions homogènes: une région au Nord du
Sahara, une deuxième région à l'Est, une troisième
à l'Ouest et une dernière au Sud saharien.
Nous avons utilisé les résultats du
modèle global GOCART de NASA pour identifier une relation entre les
données de sol (fréquences d'occurrence du
phénomène) et les données spatiales. Le modèle
GOCART a été développé conjointement par le Georgia
Institute of Technology et la NASA (Goddard Space Flight Center) et porte sur
la chimie et le transport des aérosols. Au plan global, le modèle
GOCART obtient des résultats satisfaisants sur les principales
régions sources du monde dont le Sahara. L'épaisseur optique
(AOT) simulée par le modèle a été utilisée
comme prédicteur dans notre stratégie de modélisation
statistique. Les résultats obtenus, pour les mois où le
coefficient de corrélation est significatif, montrent qu'il existe un
potentiel significatif de prédiction du phénomène du
sable. L'influence des températures de surface océanique (SST)
est très marquée entre les mois de septembre et janvier, ainsi
qu'entre les mois de mars et mai. L'influence de l'AOT est importante dans la
période d'octobre à décembre.
Cette étude montre qu'il est possible d'élaborer
des modèles de prévision mensuelle des vents de poussière
et de sable en se basant sur l'approche statistique. Les indicateurs tel que
l'AOT et les SST ont montré un intérêt particulier. Ces
résultats sont encourageants et permettent d'envisager des prolongements
scientifiques importants.
En matière d'amélioration des systèmes
d'observation, il est clair que l'observation permet de pallier l'insuffisance
des réseaux au sol en régions sahariennes. Dans le cas des
phénomènes de sable, l'AOT est un paramètre pertinent
qu'il faut recueillir et suivre. Cependant, la perspective d'un
approfondissement physique de cette problématique nécessitera de
mieux caractériser les signatures radiométriques des surfaces
désertiques. La cartographie des états de surface au Sahara est
un élément clé pour l'identification des zones
potentiellement favorables au déclenchement des
phénomènes de sable. Par ailleurs, il sera
nécessaire de déterminer les vitesses seuils d'érosion
(exemple à partir de Météosat Infrarouge, en utilisant
l'indice IDDI -Infrared Difference Dust Index) et d'établir une
cartographie de ce paramètre sur les zones sources. Le système
AERONET est également une source pertinente de données. Une
station AERONET est opérationnelle en Algérie (Blida) et il est
recommandé d'étendre ce réseau pour caractériser
les régions semi-arides et désertiques.
Dans le domaine de la modélisation, cet axe de
recherche s'inscrit dans la thématique du cycle bio-géophysique
des aérosols désertiques. Les actions futures doivent viser la
modélisation du processus de soulèvement et de transport du sable
à plusieurs échelles : locale, synoptique, régionale et
planétaire. Cette démarche s'inscrit dans un cadre collaboratif
et l'utilisation du modèle global GOCART devrait inciter à des
efforts de modélisation régionale sur un domaine couvrant le
Sahara et ses marges proches. Les applications de ce type de simulations
futures sont nombreuses : agriculture, transport, lutte anti-acridienne,
aménagement du territoire. A une autre échelle, et compte tenu du
rôle de forçage radiatif du sable sur le climat global, cet axe de
recherche pourra s'inscrire dans la perspective d'étude du changement
climatique global et de ses impacts régionaux.
REFERENCES BIBLIOGRAPHIQUES
Almeida G. A., 1986.
A model for Saharan dust transport, J. Climate. Ppl.
Meteor., 24, p.903-916.
Andreae, M.O., 1994
Climate effects of changing atmospheric levels, in World
Survey of Climatology, Vol. XX, Future Climate of the World, A.
Henderson-Sellers.
Auvray Marion, 2001/2002.
Modélisation des émissions d'aérosol
minéral en zone sahélienne semi- aride, DEA ,
Université Paris 7.
Bagnold R.A, 1954
Proc. Royal Soc. London 225, 49. Experiments on a
gravity-free dispersion of large solid spheres in a Newtonian fluid under
shear.
Bergametti G., Gomes L., Remoudaki E., Desbois M., Martin
D., and Buat- Ménard P., 1989 a.
Present transport and deposition patterns of African dust to
the Northwerstern Mediterranean, in Paleoclimatology and
Paleometeorology : Modern and Past Patterns of global
Atmospheric
Transports, by M. Leinen and M. Sarnthein eds., D.
Redel, Hingham,
Mass., p. 227-252.
Bergametti G., Gomes L., Coude-Gausse G., Rognon P. and
le coustumer M. N., 1989b.
African Dust observed over Canary Is lands : Source-R egions
identification and transport pattern for some summer situations,
J.Geophys., Vol. 94, p. 14-864.
Bertrand J., Baudet J., Drochon A., 1973.
Importance des aérosols naturels en Afrique de
l'Ouest J. R. A, X, N°1, p. 25-43.
Coakley J. A. Jr. And R. D. Cess, 1985.
Response of the NCAR Community Climate Model to the radiative
forcing by the naturally occuring tropospherie aerosol, J. Atmos. Sci., 42,
p.1677-1692.
Coude-Gaussen G., 1982.
Les poussières éoliennes sahariennes : Mise au
point. Rev. Géomorph. Dyn., 31, p. 49- 69.
Coude-Gaussen G.and Rognon P., 1983.
Les poussières sahariennes, la Recherche, Vol.14,
No 147, p. 1050-1062.
Coude-Gaussen G., Rognon P., Bergametti G., Gomes L.,
Strauss B., Gros J. M. and.Le Coustumer M. N., 1987.
Saharan dust on Fuerteventura Island (Canaries) :
Chemical and mineralogical characteristics, air mass trajectoires, and probable
sources, J. Geophy. Res., Vol. 92, p.9753 -977 1.
Coude - Gaussen G., 1990.
Les régions sources de poussières au
Sahara , Sécheresse, n ° 2,pp 134 - 141.
Coude - Gaussen G., 1991.
Les poussières sahariennes, Mont Rouge France,
John Libbey Eurotext,485p.
Delany A. C., Parkin D. W., Griffin J. J., Goldberg E. D.
and Reimann B. E. F., 1967.
Airborne dust collected at Barbados, Geochimica et
Cosmochimica
Acta, Vol 31, p. 885-909.
Dubief J., 1952.
Le vent et le déplacement du sable au Sahara.
Travaux de l'Institut de Recherches Sahariennes. Vol 8, pp 123-164.
Duce.R.A, 1995.
Sources, Distributions and Fluxes of Mineral Aerosol and
Their Relationship to Climate, in : Aeroslos Forcing Climate, R.J Charlson
and J.Heintzberg, Wiley, New-York.
Dulac F., D. Tanré, G. Bergametti, P.
Buat-Ménard, M. Desbois and D. Sutton, 1992.
Assessment of the african airborne dust mass over the
western
mediterranean sea using Meteosat data. J. Geophys.
Res.
Gillette D. A., 1981.
Production of dust that may be carried great distances,
Geol. Soc. Amer., Special Paper 186, p. 11-26.
Gillette et al. 1998.
Modélisation de la production d'aérosols
minéraux par érosion éolienne
Ginoux, P., M. Chin, I. Tegen, J. Prospero, B. Holben, O.
Dubovik, and S.-J. Lin, 2001.
Sources and distributions of dust aerosols simulated with the
GOCART model. J. Geophys. Res., 106, 20 225-20 273.
Goudie A. S., 1978.
Dust storms and their geomorphological implications.
J.Arid. Env. vol. 1, p. 291-3 10.
Griffin J. J., Windom H. and Goldberg E. D.,
1968.
The distribution of clay minerals in the world oceans, Deap
Sea Research.,Vol. 51, p. 433-459.
Harrison.J , 1995.
La Prévision Mensuelle dans les Régions
Extratropicales, OMM, Vol.43, 216-221.
Houghton, J. T., L. G. Meira Filho, J. Bruce, Hoesung
Lee, B. A. Callander, E. Haites, N. Harris, and K. Maskell, Eds.,
1995.
Climate Change 1994: Radiative Forcing of Climate Change
and An Evaluation of the IPCC IS92 Emission Scenarios. Cambridge University
Press, 339 pp.
IPCC (Intergovernemental Panel on Climate Change),
Climate Change The Science of Climate
Change, Contribution of Working Group I to
the Second Assessment of the Intergovernmental Panel on Climate
Change, 1995
IPCC (Intergovernemental Panel on Climate Change),
Climate Change The Scientific Basis, Contribution of Working
Group I to the Third Assessment Report of the Intergovernmental Panel on
Climate
Change (IPCC), 2001
Jaenicke R. and Schütz L., 1978.
Comprehensive study of physical and cemical properties of the
surface aerosols in the Cape Verde Island region, J. Geophys. Res.,83, p.
25 85- 25 99.
Jankowak et Tanré, 1992.
Les aérosols désertiques dans "les climats
subtropicaux et leur évolution : de l'évolution spatiale à
la modélisation, p. 496-5 17.
Jungle C., 1979.
The importance of mineral dust as an atmospheric constituent,
in Sahara dust mobilization, transport, deposition, Ed C. Morales, scope
Report 14, Swedish Natural Science Research Council, Wiley, Chichester,
p.49-60.
Laurent.B, 2002.
Simulation des émissions d'aérosol
minéral depuis les déserts
de chine, DEA,2002, Laboratoire Interuniversitaire des
Systèmes Atmosphériques (LISA), France.
Legrand M., 1990.
Etudes des aérosols sahariens au-dessus de l'afrique
à l'aide du canal
à 10 microns de Météosat :
Visualisation, Interprétation et Modélisation. Thèse
de doctorat d'état no 787, Université des sciences et
techniques de Lille.
Lundholm B.,1979.
Ecology and dust transport in Sahara dust : Morales,
Scope Report 14, Swedish. Natural Science Research Council, Wiley, Chichester,
p.61 -71.
Marticona.B, Chatenet.B, Chiapello.I, Menut.L, Moulin.C,
Schmechtig.S; Mise au point et validation d'un modèle
régional d'aérosols désertiques adopté à
l'étude des variations saisonnières et interannuelles sur
le
sahara et le sahel - couplage avec les observations
satellitaires;
Laboratoire Interuniversitaire des Systèmes
Atmosphériques (LISA), France .
Péwé T. L., 1981.
Desert dust / Origin, Characteristics, and effect on
man. Geol. Soc. Amer. Special Paper 186, p.1-10.
Prospero J. M., Savoie D. L., Carlson T. N. and Ness R.
T., 1979. Monitoring saharan aerosol transport b means of
atmospheric turbidity measrements. Ed C. Morales, scope Report 14, Swedish
Natural Science Research Council, Wiley, Chichester, p. 171-186.
Prospero J. M., 1981.
Eolian transport to the word ocean, in the Sea, vol.7,
the Oceanic Lithosphere, Edited by C. Emiliani, Wiley Interscience, New York,
p.801 -874.
Prospero J. M. and Ness R. T., 1986.
Impact of the North African drought and El-Nino mineral dust
in the Barbados trade winds, Nature, 320, p. 735-738.
Prospero J. M., 1990.
Mineral-aerosol transport to the North Atlantic and North
Pacific :
the impact of African and Asian sources, in the long-rang
Atmospheric Transport of Naturel and Contaminnt Substances, A. H Knap
eds., Kluwer Academic Publishers, p. 59-86.
Sahabi Abed Salah et Senouci Mohamed, 1999.
Prévision saisonnière des
phénomènes de sable au Sahara cas de : la Mauritanie et
l'Algérie
Sauermann .G, Kroy .K, and Herrmann.H.J;
2001.
Saturation Transition in Saltation and their Implications of
Dunes Shapes.
Schubert, S. D., R. B. Rood, and J. Pfaendtner,
1993.
An assimilated dataset for earth science applications.
Bull. Amer. Meteor. Soc.,74, 2331-2342.
Schütz L., 1979.
Saharan dust transport over the North Atlantic
ocean-Model
calculations and measurements, Ed. C. Morales, scope
Report 14,
Swedish Naturel Science Research Council, Wiley, Chichester, p.
267-279.
Tegen, I., and A. Lacis, 1996.
Modeling of particle size distribution and its influence on
the radiative properties of mineral dust aerosol. J. Geophys. Res.,
101, 19 237-19 244.
Yaalon D. H. and Ganor E., 1979.
East mediterranean trajectoires of dust carrying storms from
the Sahara and Sinaï. Ed. C. Morales, Scope Report 14, Swedish
Natural Science Research Council, Wiley, Chichester, p. 187-196.
Zhang.X.Y, 1997.
Dust emission from Chinese desert sources linked to
variations in atmospheric circulation, Geophys., 1997.
SITES WEB
www1:
http://perso.wanadoo.fr/denepoux/desert/chapitre/c1.html
www2:
http://perso.wanadoo.fr/denepoux/desert/chapitre/c2.html
www3:
http://www.u-picardie.fr/~beaucham/cours-sed/sed-5x.htm
www4:
http://www.ulg.ac.be/geolsed/processus/processus.htm
www5:
http://www.gov.on.ca/OMAFRA/french/engineer/facts/89-
064.htm
www6:
http://www.ggl.ulaval.ca/personnel/bourque/s3/vent.html
www7:
http://www.lps.ens.fr/~hersen/data_ns/dunes/intro/intro001.html
www8:
http://www.lps.ens.fr/~hersen/data_ns/dunes/intro/intro002.html
ANNEXES
ANNEXE I
|
:
|
ANNEXE II
|
:
|
ANNEXE III
|
:
|
ANNEXE IV
|
:
|
ANNEXE V
|
:
|
VARIATION ANNUELLE DU SABLE (1968-2002)
VARIATION TEMPORELLE DU SABLE ET DE L'AOT COMPARAISON DES SORTIES
DU MODELE GOCART AVEC LES CARTES REELLES DU PHENOMENE DE SABLE
POTENTIEL DE PREVISIBILITE DU SABLE
MODELES DE PREVISION AVEC LAG
_ 1 ET LAG_2
ANNEXE I
VARIATION ANNUELLE DU SABLE (1968-2002)
Variation annuelle du sable (1968 - 2002)
14.0
10.9
12.0
9.2
10.0
8.1
7.4
8.0
6.0
5.9
6.0
4.3
4.0
2.0
0.0
Variation annuelle du sable à In-Salah
(1968-2002)
11.9 12.8
10.3 10.9
9.5
6.0
4.7
4.6
5.0
3.8
3.6
4.0
3.0
2.1
2.0
1.3
1.0
0.0
Variation annuelle du sable à
Béni-Abbès (1968 - 2002)
2.3 2.4 2.3
1.5 1.5 1.5
à In-Salah et à Béni-Abbès
Variation annuelle du sable (1968 - 2002)
15.1 14.0
16.0
14.0
12.1
11.8
12.0
10.0
8.6 8.4 8.6
7.9
7.2
8.0
5.5 5.3
5.7
6.0
4.0
2.0
0.0
Variation annuelle du sable à Timimoun
(1968-2002)
3.5
3.0
3.1
2.7
3.0
2.5 2.7
2.5
2.0
2.0
1.5
1.5
0.8 0.8
1.0
0.5
0.4
0.2
0.5
0.0
Variation annuelle dusable à Tamanrasset
(1968-2002)
à Timimoun et à Tamanrasset
Variation annuelle du sable (1968-2002)
16.0
13.6
14.0
11.5
12.0
10.3
9.3
10.0
7.0
8.0
5.7
5.7
5.9 5.1
6.0
3.8
3.3 3.6
4.0
2.0
0.0
Variation annuelle du sable à In-Aménas
(1968-2002)
12.0
10.7 9.8
9.2
10.0
8.2
8.0
6.5
6.5
6.0
3.9 4.7
4.7
4.2
2.9 3.3
4.0
2.0
0.0
Variation annuelle du sable à Goléa
(1968-2002)
à In-Aménas et à El-Goléa
Variation annuelle du sable (1968-2002)
10.0
8.5 7.9
8.0
6.4
5.9
6.0
4.1
3.9
3.2 2.8
4.0
2.5
2.0
0.0
Variation annuelle du sable à Hassi-Messaoud
(1968-2002)
2.82.7 2.4
8.0
6.7 6.9
6.3
7.0
5.5
6.0
4.9
4.1
5.0
3.9
3.7
4.0
2.8
2.4
3.0
2.0 2.2
2.0
1.0
0.0
Variation annuelle du sable à Ghardaïa
(1968-2002)
à Hassi-Messaoud et à Ghardaïa
4.0
6.0
5.0
3.0
2.0
0.0
1.0
0.6
Variation annuelle du sable à Djanet
(1968-2002)
1.3
2.9
3.7 3.9
2.8 2.5
1.
1.9
0.8 0.4 0.3
Variation annuelle du sable (1968-2002)
à Djanet
ANNEXE II
VARIATION TEMPORELLE DU SABLE ET DE L'AOT
Variation temporelle du sable et de l'AOT
25
0.8
0.7
20
0.6
0.5
15
0.4
10
0.3
0.2
5
0.1
0
0
Variation temporelle du Sable & de l'AOT (1990,
1996, 1997, 2000 et 2001) à Aïn-Salah
Jour de sable AOT
Jour AOT
14
0.9
0.8
12
0.7
10
0.6
8
0.5
0.4
6
0.3
4
0.2
2
0.1
0
0
Variation temporelle du Sable & de l'AOT (1990,
1996, 1997, 2000 et 2001) à Béni-Abbès
à In-Salah et à Béni-Abbès
25
0.9
0.8
20
Jour AOT
0.7
0.6
15
0.5
0.4
10
0.3
0.2
5
0.1
0
0
Variation temporelle du Sable & de l'AOT (1990,
1996, 1997, 2000 et 2001) à Timimoun
Jour AOT
6
0.8
0.7
5
0.6
4
0.5
3
0.4
0.3
2
0.2
1
0.1
0
0
Variation temporelle du Sable & de l'AOT (1990,
1996, 1997, 2000 et 2001) à Tamanrasset
Variation temporelle du sable et de l'AOT à Timimoun
et à Tamanrasset
Jour AOT
25
0.7
0.6
20
0.5
15
0.4
0.3
10
0.2
5
0.1
0
0
Variation temporelle du Sable & de l'AOT (1990,
1996, 1997, 2000 et 2001) à In-Aménas
Jour AOT
16
0.8
14
0.7
12
0.6
10
0.5
8
0.4
6
0.3
4
0.2
2
0.1
0
0
Variation temporelle du Sable et de l'AOT (1990,
1996, 1997, 2000 et 2001) à El-Goléa
Variation temporelle du sable et de l'AOT à
In-Aménas et à El-Goléa
Jour AOT
14
0.9
0.8
12
0.7
10
0.6
8
0.5
0.4
6
0.3
4
0.2
2
0.1
0
0
Variation temporelle du Sable & de l'AOT
(1990, 1996, 1997, 2000 et 2001)
à Hassi-Messaoud
12
0.8
Jour AOT
0.7
10
0.6
8
0.5
0.4
6
0.3
4
0.2
2
0.1
0
0
Variation temporelle du Sable & de l'AOT
(1990, 1996, 1997, 2000 et 2001) à
Ghardaïa
Variation temporelle du sable et de l'AOT à
Hassi-Messaoud et à Ghardaïa
25
20
15
10
5
0
Variation temporelle du Sable et de l'AOT (1990,
1996, 1997, 2000 et 2001) à Djanet
Jour AOT
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
Variation temporelle du sable et de l'AOT à Djanet
ANNEXE III
COMPARAISON DES SORTIES DU MODELE GOCART AVEC LES
CARTES REELLES DU PHENOMENE DE SABLE
-8 -6 -4 -2 0 2 4 6 8 10 12
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
Janvier 1996
-8 -6 -4 -2 0 2 4 6 8 10 12
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
Février 1996
Mars 1996
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
-8 -6 -4 -2 0 2 4 6 8 10 12
Avril 1996
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
-8 -6 -4 -2 0 2 4 6 8 10 12
Mai 1996
36
34
32
30
28
26
24
22
20
Béni _Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
-8 -6 -4 -2 0 2 4 6 8 10 12
Juin 1996
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
-8 -6 -4 -2 0 2 4 6 8 10 12
-8 -6 -4 -2 0 2 4 6 8 10 12
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
Juillet 1996
Août 1996
28
26
24
22
20
36
34
32
30
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
-8 -6 -4 -2 0 2 4 6 8 10 12
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Septembre 1996
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
-8 -6 -4 -2 0 2 4 6 8 10 12
-8 -6 -4 -2 0 2 4 6 8 10 12
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
Octobre 1996
-8 -6 -4 -2 0 2 4 6 8 10 12
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
Novembre 1996
Décembre 1996
-8 -6 -4 -2 0 2 4 6 8 10 12
36
34
32
30
28
26
24
22
20
Béni_Abbès
Béchar
Adrar
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
El_Oued
Illizi
IN_Aménas
Djanet
ANNEXE IV
POTENTIEL DE PREVISIBILITE DU SABLE
Annexe IV : Potentiel de pré visibi lté
74
POTENTIEL DE PREVISIBILITE DU SABLE
Janvier
Janvier
Février
Février
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
32
Timimoun
30
Timimoun
28
InSalah
In_Salah
26
36
34
H_Messaoud
IN_Aménas
Gahrdaïa
Gahrdaïa
H_Messaoud
Béni_Abbès
El_Goléa
Béni Abbès
El_Goléa
IN_Aménas
Djanet
Djanet
24
24
Tamanrasset
Tamanrasset
22
20
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
22
20
36
34
32
30
28
26
36
34
32
30
28
26
24
22
20
Béni_Abbès
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
IN_Aménas
Djanet
36
34
32
30
28
26
24
22
20
Béni_Abbès
Timimoun
In_Salah
El_Goléa
Gahrdaïa
Tamanrasset
H_Messaoud
IN_Aménas
Dja net
UN (01) MOIS D'ECHEANCE DEUX (02) MOIS
D'ECHEANCE
POTENTIEL DE PREVISIBILITE DU SABLE
Mars
Mars
32
Timimoun
30
Ln_Salah
28
26
Avril
36
Avril
36
34
34
Gahrdaïa
Gahrdaïa
H_Messaoud
32
El_Goléa
El_Goléa
Béni_Abbès
Béni_Abbès
Timimoun
30
Timimoun
LN_Aménas
Ln _Salah
28
Ln_Salah
H_Messaoud
LN_Aménas
26
24
26
Djanet
24
Djanet
Tamanrasset
Tamanrasset
22
20
-8 -6 -4 -2 0 2 4 6 8 10
20
-8 -6 -4 -2 0 2 4 6 8 10
22
32
30
28
36
34
H_Messaoud
Timimoun
Ln_Salah
Gahrdaïa
Gahrdaïa
H Messaoud
Béni _Abbès
El_Goléa
Béni_Abbès
El_Goléa
LN_Aménas
LN_Aménas
24
Djanet
24
Djanet
Tamanrasset
Tamanrasset
22
20
22
20
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
36
34
32
30
28
26
UN (01) MOIS D'ECHEANCE DEUX (02) MOIS
D'ECHEANCE
Annexe IV : Potentiel de pré visibi lté
76
POTENTIEL DE PREVISIBILITE DU SABLE
Mai
Mai
36
34
Gahrdaïa
Gahrdaïa
32
H_Messaoud
El_Goléa
El_Goléa
Béni _Abbès
Béni_Abbès
30
Timimoun
Timimoun
IN_Aménas
28
In_Salah
In_Salah
H_Messaou d
IN_Aménas
26
26
Djanet
Djanet
24
24
Tamanrasset
Tamanrasset
22
20
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
22
20
36
34
32
30
28
Juin
Juin
36
34
Gahrdaïa
Gahrdaïa
H_Messaoud
32
El_Goléa
Béni_Abbès
30
Timimoun
Timimoun
IN_Aménas
El _Goléa
Béni _Abbès
H_Messaoud
IN_Aménas
In_Salah
28
26
Djanet
Djanet
24
24
Tamanrasset
Tamanrasset
22
20
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
22
20
32
30
28
26
In_Salah
36
34
UN (01) MOIS D'ECHEANCE DEUX (02) MOIS
D'ECHEANCE
POTENTIEL DE PREVISIBILITE DU SABLE
Juillet
Juillet
Août
Aout
36
34
Gahrdaïa
Gahrdaïa
32
H_Messaoud
El_Goléa
El_Goléa
Béni_Abbès
Béni_Abbès
30
Timimoun
Timimoun
IN_Aménas
28
In_Salah
In_Salah
H_Messaoud
IN_Aménas
26
26
Djanet
24
Djanet
24
Tamanrasset
22
22
20
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
Tamanrasset
36
34
32
30
28
20
36
34
34
36
Gahrdaïa
Gahrdaïa
32
H_Messaoud
El_Goléa
El_Goléa
Béni_Abbès
Béni_Abbès
30
Timimoun
Timimou n
IN_Aménas
28
In_Salah
In_Salah
H_Messaoud
IN_Aménas
26
Djanet
24
22
20
-8 -6 -4 -2 0 2 4 6 8 10
Djanet
24
22
20
-8 -6 -4 -2 0 2 4 6 8 10
26
Tamanrasset
Tamanrasset
32
30
28
UN (01) MOIS D'ECHEANCE DEUX (02) MOIS
D'ECHEANCE
Annexe IV : Potentiel de pré visibilté
78
POTENTIEL DE PREVISIBILITE DU SABLE
Septembre
Septembre
Octobre
Octobre
36
34
34
36
Gahrdaïa
Gahrdaïa
H_Messaoud
32
El_Goléa
El_Goléa
Béni_Abbès
Béni_Abbès
Timimoun
30
Timimoun
IN_Aménas
In_Salah
28
In_Salah
H_Messaoud
IN_Aménas
26
24
26
Djanet
Djanet
Tamanrasset
24
Tamanrasset
22
22
20
20
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
32
30
28
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
36
36
34
34
Gahrdaïa
Gahrdaïa
32
H_Messaoud
32
El_Goléa
Béni _Abbès
30
30
Timimoun
Timimoun
IN_Aménas
28
28
In_Salah
In_Salah
26
26
Djanet
Djanet
24
24
Tamanrasset
Tamanrasset
22
22
20
20
El_Goléa
Béni_Abbès
H_Messaoud
IN_Aménas
UN (01) MOIS D'ECHEANCE DEUX (02) MOIS
D'ECHEANCE
Annexe IV : Potentiel de pré visibi lté
79
POTENTIEL DE PREVISIBILITE DU SABLE
Novembre
Novembre
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
Décembre
Décembre
36
34
Gahrdaïa
Gahrdaïa
32
H_Messaoud
El_Goléa
El_Goléa
Béni_Abbès
Béni_Abbès
30
Timimoun
Timimoun
IN_Aménas
28
In_Salah
In_Salah
H_Messaoud
IN_Aménas
26
24
26
Djanet
24
Djanet
Tamanrasset
22
22
20
20
-8 -6 -4 -2 0 2 4 6 8 10
-8 -6 -4 -2 0 2 4 6 8 10
Tamanrasset
36
34
32
30
28
36
36
34
34
Gahrdaïa
Gahrdaïa
H_Messaoud
32
32
El_Goléa
El_Goléa
Béni_Abbès
Béni_Abbès
30
30
Timimoun
Timimoun
IN_Aménas
28
28
In_Salah
In_Salah
26
26
Djanet
Djanet
24
24
Tamanrasset
Tamanrasset
22
22
20
20
H_Messaoud
IN_Aménas
UN (01) MOIS D'ECHEANCE DEUX (02) MOIS
D'ECHEANCE
ANNEXE V
MODELES DE PREVISION (LAG 1) ET (LAG 2)
BENI-ABBES avec un mois d'échance (Lag
1)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
sable (jan)
|
AOT EQA(nov) NINO(nov)
|
S(jan) = 1.95 + (16.28 * AOT) - (7.73 *
EQA(nov))
+ 0.63*NINO(nov))
|
0.99
|
F = 644.06 P = 0.03
|
1.00
|
sable (fév)
|
EQA (déc), NWA (déc)
|
S(fév) = 1.49 - [2.26 * NWA(déc)] + [0.3 8
*EQA(déc)]
|
0.64
|
F = 1.79 P = 0.36
|
0.79
|
Sable (mars)
|
AOT
|
S(mars) = - 1.87 + [16.91 * AOT]
|
0.52
|
F = 3.27 P = 0.17
|
0.77
|
Sable (avr)
|
AOT
|
S(avril) = - 1.76 + (15.34* AOT)
|
0.55
|
F = 3.61 P = 0.15
|
0.33
|
sable (mai)
|
AOT
|
S(mai) = 28.18 - (50.09* AOT)
|
0.78
|
F = 10.31 P = 0.04
|
0.91
|
sable (juin)
|
NWA (avr)
|
S(jun) = 3.92 - [14.65*NWA(avr)]
|
0.55
|
F = 3.6 P = 0.15
|
0.95
|
sable (juil)
|
-
|
-
|
-
|
-
|
-
|
sable (aout)
|
NWA(jun)
|
S(aout) = 0.88 + [2.82 *NWA(jun)]
|
0.68
|
F = 6.49 P = 0.08
|
0.64
|
sable (sept)
|
NWA(jul)
|
S(sep) = 3.28 + [5.78 * NWA (jul)]
|
0.20
|
F = 0.73 P = 0.45
|
0.83
|
Sable (oct.)
|
AOT
|
S(oct) = - 0.61 + [6.77 * AOT]
|
0.27
|
F = 1.09 P = 0.37
|
0.70
|
Sable (nov.)
|
AOT
|
S(nov) = 0.02 + [7.26 * AOT]
|
0.99
|
F = 104.01 P = 0.06
|
0.99
|
sable (déc.)
|
NWA(oct)
|
S(déc) = 0.27 + [0.56 * NWA (oct)]
|
0.72
|
F = 5.16 P = 0.15
|
0.85
|
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable
|
AOT
|
S(jan) = - 0.22 + (32.75 * AOT)
|
0.62
|
F =4.91
|
0.72
|
(jan)
|
|
|
|
P = 0.11
|
|
sable
|
NWA(déc)
|
S(fév) = 6.59 - [6.85 * NWA(déc)]
|
0.43
|
F = 2.27
|
0.57
|
(fév)
|
|
|
|
P = 0.23
|
|
Sable
|
NIN(jan)
|
S(mars) = - 0.42 - [5.76 * NIN(jan) ]
|
0.45
|
F = 2.49
|
0.71
|
(mars)
|
|
|
|
P = 0.21
|
|
Sable
|
AOT
|
S(avr) = 9.84 + (9.14* AOT)
|
0.99
|
F = 552.65
|
1.00
|
|
EQA(fév)
|
+ [12.67 * EQA(fév)]
|
|
|
|
(avr)
|
|
|
|
P = 0.03
|
|
|
NIN(fév)
|
+ [6.87 * NIN(fév)]
|
|
|
|
sable (mai)
|
AOT
|
S(mai) = 40.96 - (67.28 * AOT)
|
0.59
|
F = 4.26
|
0.81
|
|
|
|
|
P = 0.1
|
|
sable (juin)
|
NWA (avr)
|
S(jun) = 11.72 - 38.63*[NWA(avr)]
|
0.61
|
F = 4.66
|
0.96
|
|
|
|
|
P = 0.1
|
|
Sable
|
NWA(mai)
|
S (jul) = 8.32 - [13.52*NWA(mai)]
|
0.22
|
F = 0.87
|
0.66
|
(juil)
|
|
|
|
P = 0.42
|
|
sable (aout)
|
EQA(jun),
|
S(aout) = 5.24 - [2.93 EQA(jun)]
|
0.38
|
F = 1.82
|
0.60
|
|
|
|
|
P = 0.27
|
|
sable (sept)
|
-
|
-
|
-
|
-
|
-
|
sable (oct.)
|
AOT
|
S(oct) = - 2.99 + [19.02 * AOT]
|
0.51
|
F = 3.14
|
0.84
|
|
|
|
|
P = 0.17
|
|
Sable
|
NIN(sep)]
|
S(nov) = 0.96 - [0.39 * NIN(sep)]
|
0.99
|
F=6093.95
|
1.00
|
(nov.)
|
NWA(sep)
|
+ [0.22 * NWA(sep)]
|
|
P = 0.01
|
|
sable (déc.)
|
NWA(oct)
|
S(déc) = 1.54 + [1.13 * NWA (oct)]
|
0.44
|
F = 1.57
|
0.66
|
|
|
|
|
P = 0.34
|
|
TAMANRASSET avec un mois d'échance (Lag
1)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
AOT NWA(nov) NINO(nov
|
S(jan) = 0.27 + (2.32 * AOT) - (0.21 * NWA(nov)) + (0.08*
NINO(nov))
|
0.99
|
F = 8975 P = 0.01
|
1.00
|
sable (fév)
|
AOT
|
S(fév) = 0.75 + (0.45 * AOT)
|
0.63
|
F = 5.07 P = 0.1
|
0.79
|
Sable (mars)
|
EQA(jan)
|
S(mars) = - 0.02 - [1.07 * EQA(jan)]
|
0.66
|
F = 5.72 P = 0.09
|
0.81
|
Sable (avr)
|
NWA(fév)
|
S(avr) = 1.06 + [(2.74 * NWA(fév)]
|
0.65
|
F = 5.47 P = 0.10
|
0.80
|
sable (mai)
|
NWA) (mars)
|
S(mai) = 6.79 - [1.35 * NWA(mars)]
|
0.79
|
F = 3.65 P = 0.22
|
0.89
|
sable (juin)
|
NWA (avr)
|
S(jun) = - 0.2 + [13.79*NWA(avril)]
|
0.46
|
F = 2.57 P = 0.21
|
0.68
|
Sable (juil)
|
-
|
-
|
-
|
-
|
-
|
sable (aout)
|
AOT
|
S(aout) = - 1.06+ (9.71 *AOT)
|
0.58
|
F = 4.1 P = 0.14
|
0.76
|
sable (sept)
|
AOT NIN (jul) EQA(jul)
|
S(sep) = 1.9 - (3.59 * AOT) + [1.84 * NIN
(jul)]
+ [0.49 * EQA (jul)]
|
0.99
|
F = 915 P = 0.02
|
1.00
|
sable (oct.)
|
NWA
(aout)
|
S(oct) = 0.39 + [1.62 *NWA(aout)]
|
0.88
|
F = 22.11 P = 0.02
|
0.94
|
Sable (nov.)
|
-
|
-
|
-
|
-
|
-
|
sable (déc.)
|
-
|
-
|
-
|
-
|
-
|
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
EQA(nov)
|
S(jan) = 3.0 - (2.72 * EQA(nov))
|
0.26
|
F =1.06 P = 0.37
|
0.4
|
sable (fév)
|
NIN (déc)
|
S(fév) = 2.8 - [1.09 *
NIN(déc)]
|
0.82
|
F = 13.31 P = 0.03
|
0.9
|
Sable (mars)
|
NIN (jan)
|
S(mars) = 8.3 + [1.89 * NIN (jan) ]
|
0.18
|
F = 0.66 P = 0.47
|
0.17
|
Sable (avr)
|
NIN (fév) EQA (fév)
|
S (avr) = 8.52 - (6.12 * EQA (fév)) - (6.61 * NIN
(fév))
|
0.93
|
F = 13.41 P = 0.06
|
0.98
|
sable (mai)
|
NWA (mars)
|
S (mai) = 8.96 + (7.81*NWA(mars))
|
0.48
|
F = 2.77 P = 0.19
|
0.11
|
sable (juin)
|
NWA(avr) NIN(avr)
|
S(jun) = 8.35 - [5.59 * NWA (avr)] - [1.5 1 * NIN(avr)]
|
0.67
|
F = 2.00 P = 0.33
|
0.28
|
Sable (juil)
|
NWA(mai)
|
S(jul) = 2.66 + (11.29 * NWA(mai))
|
0.56
|
F = 3.79 P = 0.14
|
0.87
|
Sable (aout)
|
EQA(jun)
|
S(aout) = 5.97 - [2.62 *EQA(jun)]
|
0.23
|
F = 0.89 P = 0.42
|
0.47
|
Sable (sept)
|
-
|
-
|
-
|
-
|
-
|
Sable (oct.)
|
EQA (aout)
|
S(oct) = 4.36 - [3.79 *EQA(aout)]
|
0.76
|
F = 9.71 P = 0.05
|
0.89
|
Sable (nov.)
|
AOT NIN(sep)
|
S(nov) = 0.62 + [23.21 * AOT] + [0.42 *
NIN(sep)]
|
0.99
|
F =3077 P = 0.01
|
1.00
|
Sable (déc.)
|
AOT, NIN(oct)
|
S(déc) = 6.67 - [48.49 * AOT] + [1.49 * NIN
(oct)]
|
0.99
|
F = 3135 P = 0.01
|
1.00
|
GOLEA avec un mois d'échance (Lag 1)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable
|
AOT
|
S(jan) = 10.38 + (34.94 * AOT)
|
|
|
|
|
|
|
0.9
|
F = 2.93
|
0.88
|
(jan)
|
EQA(nov)
|
- (27.66 * EQA(nov))
|
|
P = 0.4
|
|
|
NINO(nov)
|
+ (1.77* NINO(nov))
|
|
|
|
Sable
|
AOT
|
S(fév) = 1.1 - [0.89 * NIN(déc)]
|
0.8
|
F = 4.37
|
0.87
|
(fév)
|
|
+ [30.56 *AOT]
|
|
|
|
|
NIN (déc)
|
|
|
P = 0.2
|
|
Sable
|
EQA(jan)
|
S(mars) = 5.13 - [4.11 * EQA(jan)]
|
0.3
|
F = 1.16
|
0.5
|
(mars)
|
|
|
|
P = 0.36
|
|
sable
|
AOT
|
sable (avr) = 17.68 + [5.56 *(NIN(fév)]
|
0.72
|
F = 2.56
|
0.54
|
(avr)
|
NIN(fév)
|
- [60.3 5 * AOT]
|
|
P = 0.28
|
|
sable (mai)
|
-
|
-
|
-
|
-
|
-
|
sable
|
AOT
|
S(jun) = - 0.81 - [8.45 * EQA (avr)]
|
0.7
|
F = 2.4
|
0.82
|
(juin)
|
EQA(avr)
|
+ (17.37 * AOT)
|
|
P = 0.29
|
|
sable
|
AOT
|
S(jul) = - 1.55 + (9.64 *
AOT)
|
0.99
|
F = 331
|
0.99
|
(juil)
|
|
|
|
P = 0.01
|
|
sable
|
AOT
|
S(aout) = 3.84 - [6.65 * NWA(jun)]
|
0.47
|
F =0.9
|
0.98
|
(aout)
|
NWA(jun)
|
+ [ 6.88 * AOT]
|
|
P = 0.5
|
|
sable
|
AOT
|
S(sep) = 6.42 + [2.47 * AOT]
|
0.29
|
F = 0.29
|
0.18
|
(sept)
|
|
|
|
P = 0.62
|
|
sable
|
AOT
|
S(oct) = 0.57 - [1.85 * NWA(aout)]
|
0.57
|
F = 1.33
|
0.54
|
(oct.)
|
NWA(aout)
|
+ [9.87 *AOT]
|
|
P = 0.43
|
|
sable
|
AOT
|
S(nov) = 3.27 - [6.24 *
EQA(sep)]
|
0.97
|
F = 31.5
|
0.88
|
(nov)
|
EQA(sep)
|
- [20.38 *AOT]
|
|
P = 0.03
|
|
Sable
|
AOT
|
S(déc) = 2.39 + [0.59 * NIN(oct)]
|
0.86
|
F = 6.12
|
0.90
|
(déc.)
|
NIN(oct)
|
+ [18.08 * AOT]
|
|
P = 0.14
|
|
HASSI - MESSAOUD avec un mois d'échance (Lag
1)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
AOT NWA(nov)
|
S(jan) = 3.23 - (8.5 * AOT) + (2.89 * NWA(nov) )
|
0.9
|
F = 11.24 P = 0.08
|
0.94
|
sable (fév)
|
NIN(déc)
|
S(fév) = 1.85 - [0.76
*NIN(déc)]
|
0.92
|
F = 34.05 P = 0.01
|
0.97
|
Sable (mars)
|
NIN(jan)
|
S(mars) = 7.3 + [2.05 * NIN(jan)]
|
0.46
|
F = 2.5 P = 0.21
|
0.74
|
Sable (avr)
|
NIN(fév)
|
S (avr) = 8.44 - (2.23 *NIN(fév))
|
0.2
|
F = 0.56 P = 0.51
|
0.37
|
sable (mai)
|
EQA(mars)
|
S (mai) =7.2 + (7.14 *EQA(mars))
|
0.64
|
F = 5.24 P = 0.11
|
0.82
|
sable (juin)
|
NWA (avr)
|
S(jun) = 5.66 - [5.4 * NWA(avr)]
|
0.46
|
F = 2.5 P = 0.21
|
0.85
|
sable (juil)
|
NIN(mai) EQA(mai) NWA(mai)
|
S (jul) = 2.22 - (13.6* NWA(mai)) + (9.33 *
EQA(mai))
+ ( 11.802 * NIN(mai))
|
0.99
|
F = 275 P = 0.04
|
0.99
|
sable (aout)
|
NWA(jun) EQA(jun) NIN(jun)
|
S(aout) = 1.36 - [1.90*NWA(jun)] + (4.7 *
EQA(jun))
+ (1.9* NIN(jun)
|
0.99
|
F = 4103 P = 0.01
|
1.00
|
sable (sept)
|
NWA(jul)
|
S(sep) = 3.6 - [8.48 * NWA (jul)]
|
0.77
|
F = 9.78 P = 0.05
|
0.84
|
sable (oct.)
|
NWA(aout)
|
S(oct) = 2.61 - [1.62 *NWA(aout)]
|
0.88
|
F = 22.11 P = 0.01
|
0.91
|
sable (nov.)
|
NIN(sept)
|
S(nov) = 1.94 + [1.1 * NIN(sept)]
|
0.74
|
F = 5.6 P = 0.14
|
0.86
|
Sable (déc.)
|
NIN(oct)
|
S(déc) = 2.2 + [1.44 * NIN(oct)]
|
0.82
|
F = 8.87 P = 0.09
|
0.90
|
GHARDAÏA avec un mois d'échance (Lag
1)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
AOT
|
S(jan) = 3.95 - (22.5 8 * AOT)
|
0.45
|
F = 2.47 P = 0.21
|
0.21
|
Sable (fév)
|
AOT NIN (déc)
|
S(fév) = - 9.63 - [0.68 * NIN(déc)] +
[123.35 * AOT]
|
0.95
|
F =20.96 P = 0.04
|
0.91
|
Sable (mars)
|
NWA(jan)
|
S(mars) = 5.3 - [2.94 * NWA(jan)]
|
0.4
|
F = 2.0 P = 0.25
|
0.87
|
Sable (avr)
|
AOT EQA(fév)
|
S (avr) = - 1.76 + (15.34* AOT) + [3.99 *
EQA(fév)]
|
0.78
|
F = 3.49 P = 0.22
|
0.69
|
Sable (mai)
|
AOT NWA(mars)
|
S (mai) = 3.05 + (4.87 * AOT) + [4.28 * NWA(mars)]
|
0.8
|
F = 3.97 P = 0.2
|
0.79
|
Sable (juin)
|
AOT NIN(avr)
|
S(jun) = 8.38 + [0.89 * NIN (avr)] - (5.86 * AOT)
|
0.78
|
F = 3.69 P = 0.21
|
0.85
|
Sable (juil)
|
EQA(mai)
|
S (jul) = 5.36 - [1.86 * EQA(mai)]
|
0.32
|
F = 1.44 P = 0.32
|
0.63
|
Sable (aout)
|
AOT
|
S(aout) = 2.22 + [ 9.41 * AOT ]
|
0.20
|
F = 0.78 P = 0.44
|
0.23
|
Sable (sept)
|
NWA(jul)
|
S(sep) = 5.79 + [ 5.11* NWA (jul)]
|
0.47
|
F = 2.74 P = 0.19
|
0.61
|
sable (oct.)
|
AOT
|
S(oct) = - 0.62 + [ 9.82 * AOT]
|
0.25
|
F = 1.01 P = 0.38
|
0.61
|
Sable (nov.)
|
AOT NIN(sept)
|
S(nov) = 1.0 + [ 2.9 * AOT] + [0.67 * NIN(sept)]
|
0.5
|
F = 0.99 P = 0.5
|
0.66
|
Sable (déc.)
|
AOT NIN(oct)
|
S(déc) = 1.17 + [23.4 * AOT]
+ [0.96 * NIN (oct)]
|
0.67
|
F = 2.03 P = 0.33
|
0.72
|
DJANET avec un mois d'échance (Lag
1)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
AOT
|
S(jan) = 0.56 + (2.24 * AOT)
|
0.2
|
F =0.75 P = 0.45
|
0.6
|
Sable (fév)
|
NIN (déc) NWA (déc)
|
S(fév) = 0.92 + [2.04
*NWA(déc)] - [0.16 * NIN(déc)]
|
0.68
|
F = 2.13 P = 0.32
|
0.77
|
Sable (mars)
|
AOT
|
S(mars) = 4.42 - [12.32 * AOT]
|
0.17
|
F = 0.61 P = 0.5
|
0.45
|
Sable (avr)
|
NIN(fév)
|
S(avr) = 4.67 - (3.33 * NIN(fév) )
|
0.4
|
F = 1.5 P = 0.26
|
0.63
|
Sable (mai)
|
AOT EQA(mars)
|
S(mai) = 1.96 + (13.23 * AOT) - [5.1 * EQA(mars)]
|
0.93
|
F = 12.64 P = 0.07
|
0.97
|
Sable (juin)
|
AOT NWA (avr)
|
S(jun) = - 5.16 + (11.25 * AOT ) + [17.72 * NWA (avr)]
|
0.87
|
F = 6.6 P = 0.13
|
0.99
|
Sable (juil)
|
NWA(mai)
|
S(jul) = 11.57 - 28.96*NWA(mai)]
|
0.53
|
F = 3.41 P = 0.16
|
-0.75
|
Sable (aout)
|
NWA(jun)
|
S(aout) = 2.6 + [10.99*NWA(jun)]
|
0.46
|
F = 2.57 P = 0.21
|
0.20
|
Sable (sept)
|
NIN(jul)
|
S(sep) = 3.07 + [1.13 * NIN (jul)]
|
0.38
|
F = 1.85 P = 0.27
|
0.67
|
sable (oct.)
|
NIN(aout)
|
S(oct) = 2.44 - [0.62 *NIN(aout)]
|
0.12
|
F = 0.4 P = 0.58
|
0.25
|
Sable (nov.)
|
EQA(sept)
|
S(nov) = 0.29 + [2.3 * EQA(sept)]
|
0.36
|
F = 1.1 P = 0.4
|
0.59
|
Sable (déc.)
|
EQA(oct)
|
S(déc) = 0.24 + [5.97 * EQA (oct)]
|
0.6
|
F = 2.98 P = 0.22
|
0.77
|
IN-SALAH avec deux mois d'échance (Lag
2)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
AOT
|
S(jan) = 4.92 + (11.78 * AOT)
|
0.51
|
F = 3.12 P = 0.18
|
0.7
|
Sable (fév)
|
EQA (nov) NIN(nov)
|
S(fév) = 13.7 - (5.69 * EQA(nov))
+ (0.88 NIN(nov))
|
0.97
|
F = 35.89 P = 0.02
|
0.99
|
Sable (mars)
|
-
|
-
|
-
|
-
|
-
|
Sable (avr)
|
NIN(jan)
|
S(avr) =15.43 + (1.38 * NIN(jan))
|
0.46
|
F = 2.53 P = 0.21
|
0.68
|
Sable (mai)
|
AOT
|
S(mai) = 3 1.40 - (30.81 * AOT)
|
0.72
|
F =7.82 P = 0.06
|
0.85
|
Sable (juin)
|
AOT, EQA(mars)
|
S(juin) = - 9.48 + (34.61 * AOT) + (12.17
*EQA(mars))
|
0.89
|
F = 7.96 P = 0.1
|
1.00
|
Sable (juil)
|
NWA(avr)
|
S(juil) =6.35 + (17.99 *NWA(avr))
|
0.62
|
F = 4.91 P = 0.11
|
0.79
|
Sable (aout)
|
NWA(mai) EQA(mai) NINO(mai)
|
S(aout) = 3.64 +(2.47*NWA(mai))
+ (19.14 * EQA(mai)) + (20.2 * NINO(mai))
|
0.99
|
F =5323 P = 0.01
|
1.00
|
Sable (sept)
|
NWA(juin)
|
S(sep) = 11.37 -10.08*NWA(juin))
|
0.89
|
F = 25.43 P = 0.01
|
0.87
|
sable (oct.)
|
AOT
|
S(oct) = 18.30 - (3.06 * AOT)
|
0.85
|
F = 17.33 P = 0.02
|
0.96
|
Sable (nov.)
|
AOT
|
S(nov) = 7.59 - (46.7 * AOT)
|
0.87
|
F = 13.45 P = 0.05
|
0.93
|
Sable (déc.)
|
NINO(sep)
|
S(déc) = 4.65 - (1.25 * NINO(sep))
|
0.72
|
F = 5.25 P = 0.14
|
0.85
|
BENI-ABBES avec deux mois d'échance (Lag
2)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
AOT
|
S(jan) = - 0.68 + (1.18 * AOT)
|
0.7
|
F = 7.05 P = 0.07
|
0.8
|
Sable (fév)
|
NIN(nov)
|
S(fév) = 1.46 + (0.13 NIN(nov))
|
0.25
|
F = 1.0 P = 0.39
|
0.42
|
Sable (mars)
|
AOT
|
S (mars) = - 1.88 + (16.91 * AOT)
|
0.5
|
F = 3.27 P = 0.17
|
0.77
|
Sable (avr)
|
NIN(jan)
|
S(avr) = - 0.05 - ( 2 * NIN(jan))
|
0.83
|
F =14.88 P = 0.03
|
0.98
|
Sable (mai)
|
AOT
|
S(mai) = 28.18 - (50.09 * AOT)
|
0.78
|
F = 10.31 P = 0.04
|
0.91
|
Sable (juin)
|
-
|
-
|
-
|
-
|
-
|
Sable (juil)
|
NWA(avr)
|
S(juil) = 8.41 - (34.17 * NWA(avr))
|
0.59
|
F = 4.38 P = 0.1
|
0.87
|
Sable (aout)
|
NWA(mai) NINO(mai)
|
S(aout) = 2.59 - (5.97 * NWA(mai)) + (1.34 *
NINO(mai))
|
0.99
|
F = 84.38 P = 0.01
|
0.99
|
Sable (sept)
|
-
|
-
|
-
|
-
|
-
|
sable (oct.)
|
NWA(jul)
|
S(oct) = 2.03 + (3.68 * NWA(jul))
|
0.37
|
F = 1.77 P = 0.28
|
0.87
|
Sable (nov.)
|
EQA(aout)
|
S(nov) = 0.97 - (2.34 * EQA(aout) )
|
0.76
|
F = 6.18 P = 0.13
|
0.87
|
Sable (déc.)
|
NINO(sep)
|
S(déc) = 0.1 + (0.3 * NINO(sep) )
|
0.98
|
F=102.96 P = 0.01
|
0.99
|
TIMIMOUN avec deux mois d'échance (Lag
2)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable
|
AOT
|
S(jan) = - 0.22 + (32.74 * AOT)
|
0.62
|
F = 4.91
|
0.72
|
(jan)
|
|
|
|
P = 0.11
|
|
Sable
|
NIN(nov)
|
S(fév) = 7.22 + (0.64 * NIN(nov))
|
0.53
|
F = 3.41
|
0.69
|
(fév)
|
|
|
|
P = 0.16
|
|
Sable
|
NWA(déc)
|
S (mars)= 10.08 - (12.45*NWA(déc))
|
0.41
|
F = 2.06
|
0.85
|
(mars)
|
|
|
|
P = 0.25
|
|
Sable
|
NIN(jan)
|
S(avr) = 5.1 - ( 3.1 * NIN(jan))
|
0.32
|
F = 1.4
|
0.57
|
(avr)
|
|
|
|
P = 0.32
|
|
Sable
|
NWA(fév)
|
S(mai) = 8.47 + (12.75 * NWA(fév))
|
0.8
|
F = 12.88
|
0.93
|
(mai)
|
|
|
|
P = 0.03
|
|
Sable
|
EQA(mars)
|
S(juin) = 15.8 + (91.4 * EQA(mars))
|
0.2
|
F = 0.52
|
0.42
|
(juin)
|
|
|
|
P = 0.5
|
|
Sable
|
NWA(avr)
|
S(juil) = 12.8 - (42.92 * NWA(avr))
|
0.68
|
F = 6.44
|
0.83
|
(juil)
|
|
|
|
P = 0.08
|
|
Sable
|
NWA(mai)
|
S(aout) = 0.44 - ( 0.15 * NWA(mai))
|
0.5
|
F = 3.16
|
0.13
|
(aout)
|
|
|
|
P = 0.17
|
|
Sable (sept)
|
_
|
_
|
_
|
_
|
_
|
sable
|
NWA(juil)
|
S(oct) = 4.3 + (9.36 * NWA(juil))
|
0.58
|
F = 4.17
|
0.95
|
(oct.)
|
|
|
|
P = 0.13
|
|
Sable
|
NIN(aout)
|
S(nov) = 0.92 - (0.31 * NIN(aout))
|
0.97
|
F = 74.73
|
0.99
|
(nov.)
|
|
|
|
P = 0.01
|
|
Sable
|
EQA(sep)
|
S(déc) = 1.34 - (9.28 * EQA(sep))
|
0.86
|
F = 12.5
|
0.93
|
(déc.)
|
|
|
|
P = 0.7
|
|
TAMANRASSET avec deux mois d'échance (Lag
2)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (j an)
|
NWA(oct) EQA(oct) NINO(oct)
|
S(jan) = - 0.029 - (0.11 * NWA(oct)) + (3.9 *
EQA(oct))
+ ( 0.05 * NINO(oct))
|
0.99
|
F=46672 P =0.003
|
1.00
|
Sable (fév)
|
AOT
|
S(fév) = - 2.1 + ( 22.74 * AOT)
|
0.62
|
F = 5.07 P = 0.1
|
0.79
|
Sable (mars)
|
EQA(déc)
|
S(mars) = - 4.12 +
(7.12*EQA(déc))
|
0.84
|
F = 5.76 P = 0.03
|
0.83
|
Sable (avr)
|
NIN(jan)
|
S(avr) = - 1.13 - (1.61 * NIN(jan))
|
0.68
|
F = 6.44 P = 0.08
|
0.83
|
Sable (mai)
|
NWA(fév)
|
S(mai) = 1.03 + (1.32 * NWA(fév))
|
0.45
|
F = 2.46 P = 0.21
|
0.67
|
Sable (juin)
|
EQA(mars) NIN(mars)
|
S(juin) = 1.93 - (5.77 * EQA(mars)) - (6.82 *
NIN(mars))
|
0.99
|
F=212.34 P =0.005
|
0.99
|
Sable (juil)
|
-
|
-
|
-
|
-
|
-
|
Sable (aout)
|
AOT
|
S(aout) = - 1.06 + 9.71 *AOT
|
0.58
|
F = 4.11 P = 0.14
|
0.76
|
Sable (sept)
|
AOT NIN(juin)
|
S(sep) = 5.22 + (3.01 *AOT) - (11.58 *
NIN(juin))
|
0.97
|
F = 37.98 P = 0.02
|
0.99
|
sable (oct.)
|
AOT NWA(jul)
NIN(jul)
|
S(oct) = 2.62 - (5.39 * AOT ) + (4.05 *
NWA(jul))
+ (0.04 * NIN(jul))
|
1.00
|
F =1 811
391.648
P = 0.001
|
1.00
|
Sable (nov.)
|
-
|
-
|
-
|
-
|
-
|
Sable (déc.)
|
-
|
-
|
-
|
-
|
-
|
IN-AMENAS avec deux mois d'échance (Lag
2)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable
|
NIN(oct)
|
S(jan) = 2.90 - (0.865 * NIN(oct))
|
0.48
|
F = 2.78
|
0.66
|
(jan)
|
|
|
|
P = 0.19
|
|
Sable
|
AOT
|
S(fév) = - 21.8 + (220.13 * AOT)
|
0.58
|
F = 4.07
|
0.81
|
(fév)
|
|
|
|
P = 0.13
|
|
Sable
|
NWA(déc)
|
S(mars) = 4.19 + (6.94 * NWA(déc))
|
0.46
|
F = 2.6
|
0.31
|
(mars)
|
|
|
|
P = 0.20
|
|
Sable
|
NIN(jan)
|
S(avr) = 14.04 + (1.7 * NIN(jan)
|
0.24
|
F = 0.99
|
0.76
|
(avr)
|
|
|
|
P = 0.39
|
|
Sable
|
NIN(fév)
|
S(mai) = 18.08 + (13.54 * NIN(fév))
|
0.78
|
F = 3.61
|
0.49
|
(mai)
|
NWA(fév)
|
- (9.16 * NWA(fév))
|
|
P = 0.21
|
|
Sable
|
NWA(mars)
|
S(juin) = 7.3 - (1.04 * NWA(mars))
|
0.28
|
F = 1.22
|
0.2
|
(juin)
|
|
|
|
P = 0.35
|
|
Sable
|
NWA(avr)
|
S(juil) = 3.5 + (15.78 *NWA(avr))
|
0.96
|
F= 21.89
|
0.98
|
(juil)
|
EQA(avr)
|
- (4.59 * EQA(avr))
|
|
P = 0.04
|
|
Sable
|
NWA(mai)
|
S(aout) = 3.1 + (13.54 *NWA(mai))
|
0.4
|
F = 2.03
|
0.99
|
(aout)
|
|
|
|
P = 0.25
|
|
Sable
|
NWA(juin)
|
S(sep) = 5.83 + (3.02 * NWA(juin))
|
0.16
|
F = 0.6
|
-0.44
|
(sept)
|
|
|
|
P = 0.5
|
|
sable
|
EQA(jul)
|
S(oct) = 4.4 - (1.7 * EQA(jul))
|
0.67
|
F = 6.1
|
0.82
|
(oct.)
|
|
|
|
P = 0.09
|
|
Sable
|
AOT
|
S(nov) = 0.94 + (22.26 * AOT)
|
0.78
|
F = 7.25
|
0.89
|
(nov.)
|
|
|
|
P = 0.12
|
|
Sable
|
AOT
|
S(déc) = - 1.05 + (38.79 * AOT)
|
0.4
|
F = 1.31
|
0.63
|
(déc.)
|
|
|
|
P = 0.37
|
|
GOLEA avec deux mois d'échance (Lag
2)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
NIN(oct)
|
S(jan) = 4.1 - (0.88 * NIN(oct))
|
0.22
|
F = 0.86 P = 0.42
|
0.41
|
Sable (fév)
|
AOT
|
S(fév) = -10.98 - (13 8.68 * AOT)
|
0.41
|
F = 2.05 P = 0.25
|
0.53
|
Sable (mars)
|
NWA(déc)
|
S(mars) = 5.4 + (2.6 *NWA(déc))
|
0.15
|
F = 0.51 P = 0.52
|
-0.2
|
Sable (avr)
|
NIN(jan)
|
S(avr) = 6.35 - (2.3 * NIN(jan))
|
0.54
|
F = 3.48 P = 0.16
|
0.88
|
Sable (mai)
|
NIN(fév)
|
S(mai) = 6.53 - (1.68 * NIN(fév))
|
0.33
|
F =1.48 P = 0.31
|
0.55
|
Sable (juin)
|
NIN(mars)
|
S(juin) = 7.88 - (6.55 * NIN(mars))
|
0.6
|
F = 4.48 P = 0.13
|
0.69
|
Sable (juil)
|
AOT
|
S(juil) = - 1.51 + (10.96 * AOT )
|
0.99
|
F = 553.2 P = 0.001
|
0.99
|
Sable (aout)
|
AOT EQA(mai)
|
S(aout) = - 9.63 + (3 1.98 * AOT ) + (6.8 1 * EQA(mai))
|
0.7
|
F = 2.29 P = 0.3
|
0.96
|
Sable (sept)
|
-
|
-
|
-
|
-
|
-
|
sable (oct.)
|
NWA(jul) NIN(jul)
|
S(oct) = 3.81 + (2.44 * NWA(jul)) - (0.42 * NIN(jul))
|
0.84
|
F = 5.1 P = 0.17
|
0.94
|
Sable (nov.)
|
AOT NIN(aout)
|
S(nov) = 2.37- (8.46 * AOT) + (0.47 * NIN(aout))
|
0.97
|
F = 18.39 P = 0.16
|
0.98
|
Sable (déc.)
|
AOT
|
S(déc) = - 0.1 + (41.63 * AOT)
|
0.66
|
F = 3.95 P = 0.18
|
0.82
|
HASSI - MESSAOUD avec deux mois d'échance (Lag
2)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable
|
AOT
|
S(jan) = 3.67 - (7.74 * AOT)
|
0.96
|
F = 26.6
|
0.99
|
(jan)
|
NIN(oct)
|
- (0.69 * NIN(oct))
|
|
P = 0.03
|
|
Sable
|
AOT
|
S(fév) = - 0.86 + (92.07 * AOT)
|
0.98
|
F = 18.82
|
0.99
|
(fév)
|
EQA (nov)
|
- (18.77 * EQA(nov))
|
|
P = 0.16
|
|
|
NIN(nov)
|
+ (1.28 * NIN(nov))
|
|
|
|
Sable
|
NWA(déc)
|
S(mars) = 3.22 + (5.95 * NWA(déc))
|
0.73
|
F =8.28
|
0.67
|
(mars)
|
|
|
|
P = 0.06
|
|
Sable
|
NWA(jan)
|
S(avr) = 10.07 - (2.74 *
NWA(jan))
|
0.79
|
F = 11.02
|
0.98
|
(avr)
|
|
|
|
P = 0.04
|
|
Sable
|
NIN(fév)
|
S(mai) = 8.39 + (0.12 * NIN(fév))
|
1.00
|
F=3264.4
|
1.00
|
(mai)
|
NWA(fév)
|
- (3.58 * NWA(fév)
|
|
|
|
|
EQA(fév)
|
+ (7.16 * EQA(fév))
|
|
P = 0.01
|
|
Sable
|
NWA(mar)
|
S(juin) = 4.46 + (1.18 *NWA(mars))
|
0.53
|
F = 3.32
|
0.28
|
(juin)
|
|
|
|
P = 0.17
|
|
Sable
|
NIN(avr)
|
S(juil) = 4.06 + (4.66 *NIN(avr))
|
0.33
|
F = 1.48
|
0.64
|
(juil)
|
|
|
|
P = 0.3
|
|
Sable
|
NIN(mai)
|
S(aout) = 2.28 - (3.06
*NINO(mai))
|
0.77
|
F = 10.09
|
0.9
|
(aout)
|
|
|
|
P = 0.05
|
|
Sable
|
NWA(juin)
|
S(sep) = 6.18 - (7.54 * NWA(juin))
|
0.78
|
F = 3.5
|
0.95
|
(sept)
|
NIN(juin)
|
+ (2.24 * NIN(juin))
|
|
P = 0.22
|
|
sable
|
AOT
|
S(oct) = 0.38 + (5.4 * AOT)
|
|
F = 1 811
|
|
(oct.)
|
NIN(jul)
|
- (4.05 * NWA(jul))
|
1.00
|
391.64
|
1.00
|
|
NWA(jul)
|
- (0.04 * NIN(jul))
|
|
P = 0.001
|
|
Sable
|
NIN(aout)
|
S(nov) = 1.88 (1.15 * NIN(aout))
|
0.77
|
F = 6.57
|
0.88
|
(nov.)
|
|
|
|
P = 0.12
|
|
Sable
|
AOT
|
S(déc) = - 4.08 + (72.34 * AOT)
|
0.46
|
F = 1.72
|
0.68
|
(déc.)
|
|
|
|
P = 0.32
|
|
GHARDAÏA avec deux mois d'échance (Lag
2)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
NIN(oct)
|
S(jan) = 1.78 - (0.52 * NIN(oct)
|
0.27
|
F =1.08 P = 0.37
|
0.51
|
Sable (fév)
|
AOT
|
S(fév) = - 15.32 + (148.34 * AOT)
|
0.55
|
F = 3.6 P = 0.15
|
0.76
|
Sable (mars)
|
AOT NWA(déc)
|
S(mars) = - 11.27 + (61.01* AOT) + (9.03 *
NWA(déc))
|
0.97
|
F = 30.53 P = 0.03
|
0.95
|
Sable (avr)
|
AOT NIN(jan)
EQA(jan)
|
S(avr) = 3.55 + (6.9 * AOT) - (1.1 *
NIN(jan))
+ (3.59 * EQA(jan))
|
1.00
|
F=1455.65 P = 0.01
|
1.00
|
Sable (mai)
|
NIN(fév)
|
S(mai) = 7.83 + (3.89 * NIN(fév))
|
0.5
|
F = 2.9 P = 0.19
|
0.67
|
Sable (juin)
|
AOT
|
S(juin) = 9.49 - (8.11 * AOT)
|
0.54
|
F = 3.49 P = 0.16
|
0.70
|
Sable (juil)
|
NWA(avr)
|
S(juil) = 7.08 - (15.68 *NWA(avr))
|
0.8
|
F = 13.13 P = 0.03
|
0.90
|
Sable (aout)
|
NWA(mai)
|
S(aout) = 7.88 - (8.6 1 * NWA(mai))
|
0.26
|
F = 1.06 P =.0.38
|
0.95
|
Sable (sept)
|
NWA(juin)
|
S(sep) = 4.18 + (4.0 * NWA(juin))
|
0.31
|
F = 1.37 P = 0.32
|
0.41
|
sable (oct.)
|
NWA(jul)
|
S(oct) =2.71 + (4.36 * NWA(jul))
|
0.26
|
F = 1.04 P = 0.38
|
0.81
|
Sable (nov.)
|
EQA(aout)
|
S(nov) = 1.7 - (4.27 * EQA(aout))
|
0.75
|
F = 5.86 P = 0.14
|
0.86
|
Sable (déc.)
|
NINO(sep)
|
S(déc) = 3.9 - (1.25 * NINO(sep))
|
0.58
|
F = 2.7 P = 0.24
|
0.76
|
DJANET avec deux mois d'échance (Lag
2)
Prédictant
|
Prédicteur
|
Modèles
|
R2
|
ANOVA
|
Skill
|
Sable (jan)
|
AOT
|
S(jan) = 0.29 +(3.2 * AOT)
|
0.2
|
F = 0.75 P = 0.45
|
0.61
|
Sable (fév)
|
EQA (nov) NWA(nov)
|
S(fév) = 1.75 - (3.54 * EQA(nov)) + (3.36 *
NWA(nov))
|
0.88
|
F = 7.46 P = 0.12
|
0.99
|
Sable (mars)
|
EQA (déc)
|
S(mars) = 1.44 + (1.76 * EQA (déc))
|
0.34
|
F = 1.52 P = 0.31
|
0.46
|
Sable (avr)
|
NWA(jan)
|
S(avr) = 6.7 - (1.83 * NWA(jan)
|
0.39
|
F = 1.9 P = 0.26
|
0.19
|
Sable (mai)
|
AOT EQA(fév)
|
S(mai) = - 0.29 - (16.09 * AOT) - (5.19 * EQA(fév))
|
0.90
|
F = 8.57 P = 0.1
|
0.26
|
Sable (juin)
|
AOT
|
S(juin) = 0.3 - (6.24 * AOT)
|
0.2
|
F = 0.75 P = 0.45
|
0.38
|
Sable (juil)
|
AOT
|
S(juil) = 13.4 - (14.04 * AOT)
|
0.1
|
F = 0.46 P = 0.5
|
0.85
|
Sable (aout)
|
AOT
|
S(aout) = - 1.58 + (18.52 * AOT)
|
0.17
|
F = 0.59 P = 0.50
|
0.71
|
Sable (sept)
|
NIN(juin)
|
S(sep) = 3.22 + (1.18 * NIN(juin))
|
0.26
|
F = 1.03 P = 0.38
|
0.53
|
sable (oct.)
|
AOT
|
S(oct) = - 0.04 + (6.87 * AOT)
|
0.16
|
F = 0.56 P = 0.51
|
0.47
|
Sable (nov.)
|
NWA(aout)
|
S(nov) = 0.44 + (1.84 *NWA(aout))
|
0.83
|
F = 9.85 P = 0.08
|
0.91
|
Sable (déc.)
|
NWA(sep) EQA(sep)
|
S(déc) = 1.19 + (3.26 * NWA(sep)) + (5.95 * EQA(sep))
|
0.99
|
F =128.36 P = 0.06
|
0.99
|
|