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


Home | Publier un mémoire | Une page au hasard

 > 

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

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

précédent sommaire suivant

Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy

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

3.4.1. Prévision des rendements du mil

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

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

Numéro d'ordre

Classement décroissant suivant la valeur de R2

R2

Nb.

WEXv

Cum

Pluvio_V

1

0.539576

3

-0.656318

0.646097

0.547728

2

0.486855

2

-0.208812

0.750866

 

3

0.452939

2

 

0.703943

-0.065992

4

0.449696

1

 

0.670594

 

5

0.237434

2

-0.861243

 

1.056737

6

0.083958

1

 
 

0.289754

7

0.006374

1

0.079839

 
 

Source : Données de l'étude.

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

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

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

Origine des

données

Erreur

absolue moyenne (Kg/ha)

Root mean square error (RMSE)

(Kg/ha)

RRMSE (%)

R2 de la régression dans

Statistica

R2p

R2 ajusté

p

Tutiempo(
(Zone
Yatenga)

125.4050809

157.1416917

0.27554346

0.539576

0.4714

0.460430

0.011240

Station
Yatenga

94.91491053

132.6992565

0.22528516

0.65887

0.6243

0.610137

0.000538

Source : Données de l'étude.

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

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

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

précédent sommaire suivant






Bitcoin is a swarm of cyber hornets serving the goddess of wisdom, feeding on the fire of truth, exponentially growing ever smarter, faster, and stronger behind a wall of encrypted energy








"Il faudrait pour le bonheur des états que les philosophes fussent roi ou que les rois fussent philosophes"   Platon