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)
| 
