Evaluation de modèle climatique REMO pour la simulation des paramètres agroclimatiques à l'echelle station: cas des stations de cotonou, parakou, kandi et natitinigou

1. CENTRE REGIONAL AGRHYMET
OPTION : AGROMETEOROLOGIE
COURS DE MODELISATION CLIMATIQUE
EVALUATION DU MODELE CLIMATIQUE REGIONAL
REMO POUR LA SIMULATION DES PARAMETRES
AGROCLIMATIQUES A L’ECHELLE STATION : CAS DES
STATIONS DE COTONOU, PARAKOU, KANDI ET
NATITINGOU
Etudiants :
Mandela HOUNGNIBO
Kosi AGNIGA
Miroirdine MABROUK
Sinadja DIYANI
P. Essoninam PASSIKE
Ibrahim LAMINOU
Superviseur :
Dr. DIASSO
08 Septembre 2017

2. Table des matières
Résumé iv
1 Introduction 1
2 Matériel et Méthodes 2
2.1 Zones d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.2 Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3 Méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2.3.1 Méthodologie d’évaluation du modèle pour la région Ouest Africaine . . . . 3
2.3.2 Critères de détermination des caractéristiques agroclimatiques . . . . . . . . 3
2.3.3 Méthodologie d’évaluation du bais entre le modèle et l’observation et de me-
sure des changements à l’horizon 2051-2080 pour les caractéristiques agro-
climatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Résultats et interprétations 7
3.1 Biais du modèle REMO sur la région Ouest Africaine . . . . . . . . . . . . . . . . . 7
3.2 Série des différents paramètres et leurs évolutions temporelles . . . . . . . . . . . . 7
3.2.1 Date de début de saison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
3.2.2 Date de fin de saison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3.2.3 Pauses pluviométriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
3.3 Évaluation du modèle à reproduire les paramètres agroclimatiques . . . . . . . . . . 15
3.4 Changement Attendus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
4 Conclusion 17
5 Références bibliographiques 18
Annexes 20
Annexes 1 : Extraits de Scripts CDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Annexes 2 : Extraits de Scripts R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
i

3. Liste des figures
1 Zone d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 Extrait de données du modèle pour la station de cotonou. A) Données non traitées B)
Données traitées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3 Biais du modèle sur la zone ouest africaine. a)Echelle par défaut Ferret b) Echelle
seuillée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4 Série des dates de début de saison (modèle et observation) . . . . . . . . . . . . . . 8
5 Évolution des dates de début de saison : station de Cotonou (modèle et observation) . 8
6 Évolution des dates de début de saison dans la zone soudanienne (modèle et observation) 9
7 Série des dates de fin de saison (modèle et observation) . . . . . . . . . . . . . . . . 9
8 Évolution des dates de fin de saison : station de Cotonou (modèle et observation) . . 10
9 Évolution des dates de fin de saison dans la zone soudanienne (modèle et observation) 10
10 Série des séquences sèches en début de saison (modèle et observation) . . . . . . . . 11
11 Évolution des séquences sèches en début de saison : station de Cotonou (modèle et
observation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
12 Évolution des séquences sèches en début de saison dans la zone soudanienne (modèle
et observation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
13 Série des séquences sèches en fin de saison (modèle et observation) . . . . . . . . . 12
14 Évolution des séquences sèches en fin de saison : station de Cotonou (modèle et ob-
servation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
15 Évolution des séquences sèches en fin de saison dans la zone soudanienne (modèle et
observation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
16 Série des séquences sèches maximales entre le début et la fin de saison (modèle et
observation) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
17 Évolution des séquences sèches maximales entre le début et la fin de saison : station
de Cotonou (modèle et observation) . . . . . . . . . . . . . . . . . . . . . . . . . . 14
18 Évolution des séquences sèches maximales entre le début et la fin de saison dans la
zone soudanienne (modèle et observation) . . . . . . . . . . . . . . . . . . . . . . . 15
Liste des tableaux
1 Biais entre le modèle et l’observation (1976-2005) . . . . . . . . . . . . . . . . . . . 16
2 Changements attendus pour la période 2051-2080 . . . . . . . . . . . . . . . . . . . 16
ii

4. Sigles - Abbréviations et Acronymes
REMO : Modèle Climatique Régional développé par l’institut Max Planck pour la Météorologie
CDO : Climate Data Operator
PIB Produit Intérieur Brut
FAO : Food and Agriculture Organization
MAEP : Ministère de l’Agriculture, de l’Elevage et de la Pêche
GIEC : Groupe Intergouvernemental des Experts sur les Changements Climatiques
METEO BENIN : Agence Nationale de la Météorologie du Bénin
CRU : Climatic Research Unit
ECHAM6 : Modèle Climatique Global développé par l’institut Max Planck pour la Météorologie
RCP : Representative Concentration Pathways
iii

5. Résumé
Dans le contexte du changement climatique qui affecte de plus en plus les pays africains au sud du
Sahara (dont le Benin), il est devenu nécessaire d’intégrer dans les dispositifs de prises de décision une
large gamme d’informations climatiques dont les sorties de modèles globaux et régionaux. Cependant,
avant toute utilisation de ses informations il convient de vérifier leurs pertinences et leurs fiabilités.
C’est dans cette optique que cet exercice a été réalisé pour évaluer le modèle climatique régional
REMO dans les pays de l’Afrique de l’Ouest et plus particulièrement à l’échelle du Bénin. Il a permis
d’évaluer le modèle en sa capacité à reproduire la climatologie des pluies en Afrique de l’Ouest,
d’évaluer les caractéristiques agroclimatiques à l’échelle station puis de déterminer les changements
attendus à l’échelle station pour les paramètres agroclimatiques. Les paramètres considérés dans cette
modélisation sont les dates de début et de fin des saisons, les séquences sèches en début et en fin
de saison, et les séquences sèches maximales entre le début et la fin de saison dans les stations de
Cotonou , Natitingou , Parakou et de Kandi. Après l’extraction des données du modèle à l’aide de
scripts CDO, des critères adaptés à la particularité Soudano-Guinéenne ont été utilisés pour générer
à l’aide de scripts R les différents paramètres agroclimatiques aussi bien pour le modèle que pour
les données d’observations. Il ressort de l’analyse des différents résultats dans un premier temps
que le modèle possède une bonne capacité à reproduire les pluies dans les régions sahéliennes mais
surestime les pluies dans les régions du golfe de guinée. Ensuite, il est aussi important de souligner
que le modèle reproduit mieux les dates de début et les séquences sèches en début de saison pour la
grande saison pluvieuse à Cotonou. Il reproduit également bien les séquences sèches en fin de saison
et les séquences sèches maximales entre le début et la fin de saison pour la petite saison pluvieuse
à Cotonou. La même tendance est également observée pour les séquences sèches en début de saison
pour les stations de Kandi, Natitingou et Parakou. Enfin le modèle projette un retard d’environ deux
semaines dans l’installation de la grande saison pluvieuse à Cotonou à long terme.
Mots clés : REMO, Paramètres agroclimatiques, critères, particularité soudano-guinéenne.
iv

6. 1 Introduction
L’agriculture constitue la seule source de subsistance et de revenus pour plus de la moitié de la popu-
lation mondiale (FAO, 2016). Elle joue un rôle important dans l’économie des pays africains où elle
représente 30 à 60 % du produit intérieur brut (PIB), emploie 40 à 90 % de la population active et
contribue pour 25 à 95% aux rentrées de devises et produit la majeure partie des denrées alimentaires
de base (FAO,2016). Au Benin, ce secteur occupe plus des 2/3 de la population active, représente
32,7% du PIB, fournit plus de 15% des recettes d’exportation et produit la majeure partie des ali-
ments consommés par la population (MAEP, 2014). Malgré son importance, l’agriculture Béninoise
à l’instar des pays ouest-africains est essentiellement pluviale et reste le secteur le plus tributaire
des conditions météorologiques de toutes les activités humaines dans la région (Hansen ,2002). Ce-
pendant on note en Afrique de l’ouest une variabilité accrue et une tendance à la baisse avec une
faible significativité des pluies (GIEC, 2013). Une variabilité qui a naturellement des incidences sur
la production agricole et la sécurité alimentaire. En effet, Une méta-analyse, qui fait la synthèse de
16 études publiées en Afrique de l’Ouest, conclut à une baisse de rendements de 13% dans la zone
guinéenne (Roudier et al., 2011). L’étude de Paeth et al. (2008) sur le Bénin parle d’une réduction
de 5 à 20% des rendements agricoles et montre aussi que les cultures sont différemment impactées :
l’igname et le manioc apparaissent comme les cultures les plus résistantes.
Au regard d’une part de l’importance du secteur agricole et d’autres part du contexte climatique
dans la région ouest Africaine, il est important de prendre en compte dans la planification, la gestion et
le suivi des activités agricoles les informations climatiques. Ces informations constituent de puissants
outils d’aide à la décision et il convient de s’assurer de leur fiabilité avant de les utiliser. C’est dans
ce cadre que s’inscrit ce travail qui s’intitule : «Evaluation du modèle climatique régional REMO à
reproduire les paramètres agroclimatiques à l’échelle station : cas des stations de Cotonou, Parakou,
Kandi ET Nattingou». L’objectif général de cette étude est d’analyser l’impact du changement cli-
matique sur les paramètres agroclimatiques en Afrique de l’Ouest et plus particulièrement à l’échelle
locale station au Benin. Plus spécifiquement, l’exercice vise à :
— Evaluer le modèle en sa capacité à reproduire la climatologie des pluies en Afrique de l’Ouest;
— Evaluer le modèle en sa capacité à reproduire les caractéristiques agroclimatiques à l’échelle
station;
— Déterminer les changements attendus à l’échelle station pour les paramètres agroclimatiques.
L’essentiel de notre travail est résumé dans les lignes à suivre et est structuré en trois (03) parties. La
première partie est consacrée aux méthodes et matériel utilisé dans le cadre de l’étude. Les résultats
seront présentés et interprétés dans la deuxième partie. La troisième partie, la conclusion fera une
synthèse des principaux résultats.
1

7. 2 Matériel et Méthodes
2.1 Zones d’étude
Deux (02) zones ont été retenues. La première au niveau régional est choisie pour évaluer les biais
du modèle en sa capacité à reproduire la climatologie des pluies en Afrique de l’ouest et couvre
la région de longitude allant de 20◦
W à 30◦
E et de latitude allant de 10◦
S à 30◦
N. La deuxième
au niveau national (Bénin) et à l’échelle station est utilisée pour évaluer d’une part la capacité du
modèle à reproduire les caractéristiques agroclimatiques et d’autres part pour faire des projections sur
ces caractéristiques à l’horizon 2051-2080. A l’échelle nationale, les stations sont choisies en tenant
compte des deux zones climatiques identifiées dans de nombreuses études (Boko, 1992), (Midingoyi,
2016). Ainsi, il s’agit de la zone sud (zone 1) en dessous de la latitude 08◦
N à régime pluviométrique
bimodal et de la zone nord (zone 2) à régime pluviométrique unimodal au-dessus de cette même
latitude. La station de Cotonou est retenue pour la zone climatique 1 et celles de Kandi, Parakou et
Natitingou pour la zone climatique 2 ( Figure 1).
FIGURE 1 – Zone d’étude
2

8. 2.2 Données
Trois jeux de données ont été utilisées et portent sur les périodes 1976-2005 pour le passé et 2051-
2080 pour le futur :
— les données journalières de précipitations des stations de Cotonou, Natitingou, Kandi et Pa-
rakou provenant de la base de données de l’Agence Nationale de la Météorologie du Bénin
(METEO-BENIN);
— les données de précipitations moyennes mensuelles du CRU en mm/j;
— les données de précipitations du modèle climatique Régional REMO forcé avec le modèle glo-
bal ECHAM6 (MPI-ESM) en ses parties passée (historical) et future (RCP4.5) en (Kg/m−2
.s−1
)
2.3 Méthodes
2.3.1 Méthodologie d’évaluation du modèle pour la région Ouest Africaine
L’évaluation du modèle pour la région Ouest Africaine a consisté en une série d’opérations. Dans un
premier temps nous avons effectué sur les données historiques (partie passée) du modèle :
— la conversion des données en mm/jour;
— la détermination des cumuls annuels pour la période considérée;
— le calcul de la normale 1976-2005.
Ensuite, sur les données observées du CRU :
— la détermination des cumuls mensuels et annuels;
— le calcul de la normale 1976-2005 pour les données observées.
Enfin il a été procédé au calcul de la différence entre la normale du modèle et celle de l’observation
divisée par 365.25 pour obtenir le biais en mm/jour (voir scripts CDO en Annexe 1). Les biais ont été
présentés sous forme de carte élaborée avec FERRET.
2.3.2 Critères de détermination des caractéristiques agroclimatiques
Données du modèle pour les différentes stations : Les données du modèles extraites (voir scripts
CDO en annexe 1) pour le passé et pour le futur présentent assez de données manquantes. Nous avons
procédé au traitement de ces données afin de pouvoir calculer les paramètres agroclimatiques. Ainsi
pour la station de Cotonou toutes les données manquantes après le 1er
février ont été remplacées par
zéro (0) étant donné que le premier février entre dans le critère de détermination de la date de début
de la saison. De la même façon toutes les données manquantes après le 15 mars ont été remplacées
par zéro (0) pour les autres stations de la zone climatique 2 ( Figure 2).
3

9. FIGURE 2 – Extrait de données du modèle pour la station de cotonou. A) Données non traitées B)
Données traitées
Détermination des dates de début de saison : Plusieurs définitions des dates de démarrage de
la saison des pluies ont été proposées au fil des années par plusieurs auteurs, par exemple Stern et
al. (1981) cité par Ozer et al. (2009), Sivakumar (1988), Morel (1995) cité par Ozer et al. (2009),
Liebmann et al. (2001), Liebmann et al. (2012) cités par Dunning and al.(2016). Nous avons ainsi
utilisé en consensus celle de Sivakumar (1988) qui considère à partir de critères agronomiques, le
démarrage de la saison des pluies dans les régions sahéliennes et soudanienne comme la date à partir
du 1er Mai recueillant une hauteur d’eau d’au moins vingt (20) mm sur trois (3) jours consécutifs, sans
qu’il n’y ait de séquences sèches de plus de sept ( 7) jours dans les trente (30) jours qui suivent. Pour
ce travail la définition a été légèrement modifiée pour prendre en compte la particularité soudano-
guinéenne du pays. Par ailleurs c’est cette définition qui est utilisée pour les prévisions saisonnières
agroclimatiques organisées par l’AGRHYMET. Ainsi pour la zone climatique à régime bimodale
(guinéenne), le démarrage de la grande saison des pluies correspond à la date à partir du 1er Février
recueillant une hauteur d’eau d’au moins vingt (20) mm sur 1 à 3 jours consécutifs, sans qu’il n’y
ait de séquences sèches de plus de dix(10) jours dans les trente (30) jours qui suivent et la petite
saison des pluies démarre lorsqu’à partir du 15 AOUT, on enregistre plus de dix (10) mm en 1 à
3 jours consécutifs, sans qu’il n’y ait de séquences sèches de plus de dix(10) jours dans les vingt
(20) jours qui suivent. Pour ce qui concerne la zone climatique à régime monomodal, la saison des
pluies démarre à partir du 15 MARS, lorsqu’on enregistre au moins 20 mm de pluie en 01 à 03 jours
consécutifs et ceci sans épisodes secs de plus de 10 jours dans les 30 jours qui suivent.
4

10. Détermination des dates de fin : Des panoplies de définitions ((Stern et al., 1981 cité par Ozer et
al., 2009); (ERPICUM et al. , 1988 cité par Ozer et al., 2009); etc....) existent pour le calcul des dates
de fin. C’est celle adoptée et utilisée par le Centre Régional AGRHYMET (2011) pour la prévision
saisonnière agroclimatique qui a été retenu en consensus, mais légèrement modifiée pour la date de
fin de la grande saison des pluies. Ainsi, la fin de la saison dans la zone nord unimodale a lieu quand à
partir du 1er
Octobre, un sol capable de contenir 70mm d’eau disponible est complètement puisé par
une perte quotidienne d’évapotranspiration de 4mm. Dans la zone sud, les mêmes critères que ceux
dans les zones nord sont utilisés, sauf que les calculs sont déclenchés à partir du 1er
juillet pour la
grande saison. Cependant lorsque la date est trouvée après le 15 Août avec ces critères nous fixons
la date de fin pour cette saison au 15 Août. Pour ce qui concerne la fin de la petite saison, les calculs
sont déclenchés à partir du 15 Octobre.
Détermination des séquences sèches : trois types de séquences sèches sont déterminés. il s’agit
des séquences sèches en début de saison, des séquences sèches en fin de saison et des séquences
maximales entre le début et la fin de saison.
— Séquences sèches en début de saison : C’est le nombre de jours secs consécutifs le plus long
pendant les 50 jours après la date de début de la saison pour la grande saison pluvieuse au sud
et l’unique saison pluvieuse au nord. Pour la petite saison, elle est déterminée pendant les 30
jours après la date de début de saison.
— Séquences sèche en fin de saison : Les séquences sèches les plus longues vers la fin de la
saison, c’est-à-dire sur la période prenant en compte les phases critiques d’épiaison-floraison
et de maturation des cultures, se fait à partir du 50eme
après la date calculée de début de saison
jusqu’à la date de fin de la saison pour la grande saison pluvieuse au sud et l’unique saison
pluvieuse au nord. Pour la petite saison pluvieuse, elle se fait à partir du 30eme
jour de la date
de début de saison jusqu’à la date de fin.
— Séquences sèches maximales en le début et la fin de saison : C’est le nombre de jours secs
consécutifs le plus long entre les dates de début et de fin de saison.
2.3.3 Méthodologie d’évaluation du bais entre le modèle et l’observation et de mesure des
changements à l’horizon 2051-2080 pour les caractéristiques agroclimatiques
Le biais entre le modèle et l’observation pour les paramètres agroclimatiques est calculé suivant la
formule :
1
30
2005
1976
Pi(modele) −
1
30
2005
1976
Pi(observation) (1)
Pi : Paramètre agroclimatique de l’année i (date de début, date de fin...)
Les changements attendus sont mesurés par la formule :
1
30
2080
2051
Pi(modele) −
1
30
2005
1976
Pi(modele) (2)
5

11. Pi : Paramètre agroclimatique de l’année i (date de début, date de fin...)
Les séries de ces différents paramètres calculés seront présentées :
— sous forme de boîte à moustaches pour une analyse rapide de la distribution des différents
paramètres aussi bien pour le modèle que pour l’observation(symétrie, la dispersion, la valeur
maximale, la valeur minimale, la tendance centrale...);
— sous forme de graphique pour comparer l’évolution temporelle des séries du modèle et de
l’observation pour les quatre (04) stations retenues;
— sous forme de graphique pour voir la projection du modèle pour ces différents paramètres;
— sous forme de tableau pour évaluer d’une part le biais entre le modèle et l’observation et
d’autre part les changements attendus dans la localité pour ces paramètres agroclimatiques.
Les différents paramètres agroclimatiques définis plus haut sont déterminés à l’aide de scripts R (voir
extraits de code en annexe 2)
6

12. 3 Résultats et interprétations
Dans cette section les différents résultats seront présentés et interprétés.
3.1 Biais du modèle REMO sur la région Ouest Africaine
Il ressort de l’observation de la Figure 3 que le modèle a une bonne capacité à reproduire les pluies
dans les régions sahéliennes. Cependant il surestime en moyenne les hauteurs de pluie sur les régions
du golfe de guinée (Bénin, Togo, Ghana, Côte d’Ivoire), les côtes libériennes, Sierra-léonnaises et
sous-estime en moyenne la quantité de pluie au sud-est du Nigeria.
FIGURE 3 – Biais du modèle sur la zone ouest africaine. a)Echelle par défaut Ferret b) Echelle seuillée
3.2 Série des différents paramètres et leurs évolutions temporelles
Les différents paramètres agrométéorologiques déterminés aussi bien pour le modèle que pour l’ob-
servation seront présentes et analyser dans cette sous section.
3.2.1 Date de début de saison
L’analyse des Figures 4, 5,6 révèle :
— une distribution similaire des dates de début de la grande saison pour l’observation et pour le
modèle, ceci bien que l’étendue de l’observation semble plus grande celle du modèle (Figure
4). On remarque aussi que les courbes d’évolution du modèle et de l’observation semblent
s’épouser(Figure 5);
— Pour ce qui concerne la petite saison pluvieuse, la série des dates de début est presque constante
(17 Août environ) alors que l’observation présente une forte dispersion(Figure 4);
7

13. — les dates de début de saison pour le modèle des trois stations retenues dans le nord épousent
dans l’ensemble l’évolution des dates de début de l’observation. Cependant dans les trois cas,
les courbes du modèle sont toujours au-dessus de celles de l’observation.
FIGURE 4 – Série des dates de début de saison (modèle et observation)
FIGURE 5 – Évolution des dates de début de saison : station de Cotonou (modèle et observation)
8

14. FIGURE 6 – Évolution des dates de début de saison dans la zone soudanienne (modèle et observation)
3.2.2 Date de fin de saison
La série des dates de fin pour le modèle et pour la grande saison pluvieuse est presque constante
( autour du 15 Août). On constate ainsi une coïncidence entre les dates de fin de la grande saison
pluvieuse du modèle et les dates de début de la petite saison pluvieuse du même modèle (17 Août
environ section 3.2.1). Il convient de conclure que le modèle ne distingue pas le régime bimodale de
la zone climatique 1 pour la station étudiée, ainsi pour le modèle la petite saison sèche est inexistante
Figure (7, 8). A l’instar de la grande saison pluvieuse de la zone climatique 1, les 3 stations de la
zone climatique 2 présente des dates de fin du modèle constantes. Leurs droites sont aussi toutes en
dessous des courbes d’observations. les dates sont donc toutes sous estimées (Figure 7, 15).
FIGURE 7 – Série des dates de fin de saison (modèle et observation)
9

15. FIGURE 8 – Évolution des dates de fin de saison : station de Cotonou (modèle et observation)
FIGURE 9 – Évolution des dates de fin de saison dans la zone soudanienne (modèle et observation)
3.2.3 Pauses pluviométriques
En général le modèle sous-estime la durée des différentes pauses pluviométriques. Cette sous esti-
mation du modèle varie d’une zone à une autre et d’un type d’épisodes secs à un autre. Ainsi en
considérant les distributions des séries de séquences sèches et les courbes d’évolutions temporelles
10

16. on constate d’une part, pour bon nombres d’années que la courbe du modèle se situe en deçà de la
courbe d’observation :
— pour les poches de sécheresse en début de petite saison pluvieuse (Figure 11);
— pour les séquences sèches en fin de grande saison pluvieuse pour Cotonou et en fin de saison
des stations soudaniennes (Figure 14, 15);
— pour les séquences sèches maximales entre le début et la fin de grande saison pluvieuse pour
Cotonou et entre le début et la fin de saison des stations de Kandi, Parakou et Natitingou
(Figure 17, 18).
D’autre part pour ces cas spécifiés, plus de 75% des durées de séquences sèches de l’observation sont
supérieures à la valeur médiane des séries de séquences sèche du modèle. (Figure 10, 13, 16)
FIGURE 10 – Série des séquences sèches en début de saison (modèle et observation)
FIGURE 11 – Évolution des séquences sèches en début de saison : station de Cotonou (modèle et
observation)
11

17. FIGURE 12 – Évolution des séquences sèches en début de saison dans la zone soudanienne (modèle
et observation)
FIGURE 13 – Série des séquences sèches en fin de saison (modèle et observation)
12

18. FIGURE 14 – Évolution des séquences sèches en fin de saison : station de Cotonou (modèle et obser-
vation)
FIGURE 15 – Évolution des séquences sèches en fin de saison dans la zone soudanienne (modèle et
observation)
13

19. FIGURE 16 – Série des séquences sèches maximales entre le début et la fin de saison (modèle et
observation)
FIGURE 17 – Évolution des séquences sèches maximales entre le début et la fin de saison : station de
Cotonou (modèle et observation)
14

20. FIGURE 18 – Évolution des séquences sèches maximales entre le début et la fin de saison dans la zone
soudanienne (modèle et observation)
3.3 Évaluation du modèle à reproduire les paramètres agroclimatiques
Date de début : En moyenne, le modèle reproduit des dates de début de la grande saison pluvieuse
qui sont proches de l’observation. En revanche le modèle prévoit des dates de début de la petite saison
pluvieuse très précoces (03 semaines plus tôt) par rapport à l’observation. Pour ce qui concerne la zone
climatique 2 (soudanienne), on note une tendance à la tardivité du modèle (plus de 03 semaines).
(Tableau 1)
Date de fin : En moyenne, le modèle présente une tardivité des dates de début par rapport à l’obser-
vation dans la zone guinéenne (zone climatique 1) avec un retard de deux (02) à trois (03) semaines.
Par contre dans la zone soudanienne le modèle présente une précocité (2 semaines à un mois) par
rapport à l’observation. (Tableau 1)
Poches de sécheresse : Le modèle reproduit mieux :
— les séquences sèches en fin de saison et les séquences maximales entre le début et la fin de
saison pour la petite saison pluvieuse pluvieuse à Cotonou;
— les séquences sèches en début de saison pour la grande saison pluvieuse et pour les stations de
la zone climatique 2. (Tableau 1)
15

21. Tableau 1 – Biais entre le modèle et l’observation (1976-2005)
Paramètres
agroclimatiques
Zone climatique 1 Zone climatique 2
Cotonou - grande
saison pluvieuse
Cotonou - petite
saison pluvieuse
Kandi Natitingou Parakou
Date de début de
saison
5 -19 18 24 19
Date de fin de
saison
16 21 -17 -33 -31
Séquences sèches en
début de saison
-3 -5 -3 -3 -3
séquences sèches en
fin de saison
-8 2 -8 -9 -9
Séquences maxi entre
début et fin saison
-7 0 -7 -8 -7
3.4 Changement Attendus
En général, le modèle ne prévoit pas de grands changements dans l’évolution des paramètres agro-
climatiques sauf pour les dates de début des saisons pour la grande saison pluvieuse à Cotonou qui
par ailleurs est bien reproduit par le modèle (faible biais) et les dates de début de la saison pluvieuse
à Parakou dont le biais est important. Ainsi, il est prévu un retard d’environ deux semaines dans
l’installation de la grande saison pluvieuse à Cotonou. (Tableau 2)
Tableau 2 – Changements attendus pour la période 2051-2080
Paramètres
agroclimatiques
Zone climatique 1 Zone climatique 2
Cotonou - grande
saison pluvieuse
Cotonou - petite
saison pluvieuse
Kandi Natitingou Parakou
Date de début de
saison
11 0 1 5 10
Date de fin de
saison
0 0 0 0 0
Séquences sèches en
début de saison
1 0 0 -1 -1
séquences sèches en
fin de saison
0 -1 1 1 1
Séquences maxi entre
début et fin saison
1 -1 0 0 0
16

22. 4 Conclusion
Ce travail s’est proposé d’évaluer le modèle climatique régional REMO à des fins de prise de décision
de planification des activités du monde agricole à moyen et à long terme. Ainsi, il participe à attirer
l’attention des spécialistes agroclimatoqistes, fournisseurs de l’information climatique décisionnelle
sur les biais de ce modèle en rapport avec les précipitations en Afrique de l’ouest en général et en
particulier les biais de ce modèle à reproduire les caractéristiques agrométéorologiques sur quelques
stations du Bénin.
En somme, on retient des différents résultats que le modèle possède une bonne capacité à reproduire
les pluies dans les régions sahéliennes mais surestime les pluies dans les régions du golfe de guinée
et les sous estime au sud-est du Nigéria. Pour ce qui concerne les caractéristiques agroclimatiques, le
modèle reproduit mieux les dates de début et les séquences sèches en début de saison pour la grande
saison pluvieuse à Cotonou, les séquences sèches en fin de saison et les séquences sèches maximales
entre le début et la fin de saison pour la petite saison pluvieuse à Cotonou et enfin les séquences
sèches en début de saison pour les stations de Kandi, Natitingou et Parakou. Les autres paramètres
agroclimatiques pour les stations étudiées présentent des biais non moins importants. Par ailleurs il
importe de souligner que le modèle ne distingue point le régime bimodal de la zone climatique homo-
gène guinéenne(Zone 1) et donc trouve inexistant la petite saison sèche de cette zone. A long terme le
modèle ne projette pas de grands changements dans l’évolution des paramètres agroclimatiques des
différentes stations étudiées à l’exception des dates de début de la grande saison pluvieuse à Cotonou
qui par ailleurs a présenté un biais très faible. Il est ainsi prévu un retard d’environ deux semaines
dans l’installation de la grande saison pluvieuse à Cotonou à long terme.
Les perspectives pour cette étude sont entre autres le choix d’un nombre assez important de stations
pour la représentatitivé de tout le territoire béninois, la correction des biais trouvés par la large gamme
de méthodes correctives de biais et l’évaluation du modèle pour sa capacité à reproduire les extrêmes
pluviométriques entre le début et la fin des saisons. Cet exercice pourrait aussi à l’avenir prendre en
compte plusieurs modèles et leurs moyennes d’ensemble afin de les discriminer quand à leur capacité
à reproduire les paramètres agroclimatiques à l’échelle des stations.
17

23. 5 Références bibliographiques
Boko, M., 1992. Saisons et types de temps au Bénin : analyse objective et perceptions populaires.
Espace géographique. 21(4) : 321-324.
[CRA, Fada N’gourma, Burkina Faso (2011).] Atelier de réflexion sur les méthodologies de prévi-
sions des caractéristiques de la saison pluvieuse en Afrique de l’Ouest et la planification des forums
de prévisions saisonnières 2012.
Dunning, C. M.; Black, E. C. L. & Allan, R. P., 2016. The onset and cessation of seasonal rainfall
over Africa. J.Geophys.Res.Atmos. 121(11) : 405–11,424.
ERPICUM, M.; BINARD, M.; PETERS, J.P. & ALEXANDRE J., 1988. Une méthode d’analyse des
caractéristiques de la saison des pluies en région sahélienne (Exemples pris au Sénégal).Pp 43-56. In
ERPICUM M. Ed. Actes des Journées de Climatologie, Mont-Rigi, Belgique, 5-7 novembre 1987,
Liège, Presses Universitaires de Liège.
[FAO,2016] Le rôle de l’agriculture dans l’économie (http ://www.fao.org/docrep/003/Y0491f/y0491f01.htm)(con
le 16-02-2017).
[GIEC, 2013] CHANGEMENTS CLIMATIQUES 2013 : Les éléments scientifiques, Résumé tech-
nique.
Hansen, J.E., 2002 : A brighter future. Climatic Change, 52, 435-440, doi :10.1023/A :1014226429221.
Liebmann, B. & Marengo, J., 2001.Interannual variability of the rainy season and rainfall in the Bra-
zilian Amazon. J.Clim.14 (22) : 4308–4318.
Liebmann, B.; Bladé, I.; Kiladis, G. N.; Carvalho, L. M.; Senay, G. B.; Allured, D.; Leroux, S. &
Funk, C., 2012. Seasonality of African precipitation from 1996 to 2009. J.Clim.25 (12) : 4304–4322.
[MAEP, Cotonou, Bénin,2014]. Programme national d’investissement agricole et de sécurité alimen-
taire.Plan d’opérations. 28 pages.
Midingoyi, A., 2016. Approche géostatistique d’optimisation du réseau pluviométrique du Bénin pour
un meilleur suivi de la campagne agricole. Mémoire de Master of science, Chaire Internationale en
Physique Mathématique et Applications : Cotonou, 75 p.
MOREL R., 1995. La sécheresse en Afrique de l’Ouest. Revue de Géographie de Lyon. 70 : 215-222.
18

24. OZER, P.; HOUNTONDJI, Y-C.& LAMINOU, M. O., 2009. Evolution des caractéristiques pluvio-
métriques dans l’est du Niger de 1940 à 2007. Geo-Eco-Trop : 11-30
Paeth, H.; Capo-Chichi, A. & Endlicher, W., 2008. Climate change and food security in tropical West
Africa – a dynamic-statistical modeling approach. Erdkunde.62 (2) : 101-115.
Roudier, P.; Sultan, B.; Quirion, P., & Berg, A., 2011. The impact of future climate change on West
Africancrop yields : What does the recent literature say? Global Environmental Change. 21(3) :1073-
1083.
SIVAKUMAR, M.V.K., 1988. Predicting rainy season potential from the onset of rains in Southern
Sahelian and Sudanian climatic zones of West Africa. Agricultural and Forest Meteorology. 42 : 295-
305
19

25. Annexes
Annexes 1 : Extraits de Scripts CDO
48 cdo timmean −yearsum −mulc ,86400 −s e l y e a r ,1976/2005 pr_AFR−44_MPI−M−MPI−ESM−LR_
h i s t o r i c a l _ r 1 i 1 p 1 _ M P I −CSC−REMO2009_v1_day_19500101 −20051231. nc norm_hist_model . nc
49 cdo i n f o s norm_hist_model . nc
50 cdo i n f o s c r u _ t s 3 . 2 2 . pr .197601 −200512. nc
52 cdo timmean −yearsum −mulc ,30 −s e l l o n l a t b o x , −19.75 ,29.75 , −9.75 ,29.75 c r u _ t s 3 . 2 2 . pr .19760
−200512. nc norm_hist_obs . nc
53 cdo divc ,365.25 −sub norm_hist_model . nc norm_hist_obs . nc b i a i s . nc
71 cdo zonmean −mermean −s e l l o n l a t b o x , 1 . 9 4 3 3 , 2 . 8 2 3 3 , 5 . 9 1 , 6 . 7 9 −s e l y e a r ,1976/2005 , −mulc ,
86400 pr_AFR−44_MPI−M−MPI−ESM−LR_historical_r1i1p1_MPI −CSC−REMO2009_v1_day_19500101
−20051231. nc tmpcotonou . nc
72 cdo outputtab , lon , l a t , year , month , day , value tmpcotonou . nc >tmpctn . t x t
87 cdo zonmean −mermean −s e l l o n l a t b o x , 1 . 9 4 3 3 , 2 . 8 2 3 3 , 5 . 9 1 , 6 . 7 9 −s e l y e a r ,2051/2080 − mulc ,
86400 pr_AFR−44_MPI−M−MPI−ESM−LR_rcp45_r1i1p1_MPI−CSC−REMO2009_v1_day_20060101
−21001231. nc tmpcotonoufutur . nc
88 cdo outputtab , year , month , day , value tmpcotonoufutur . nc > t m p c t n f u t u r . t x t
Annexes 2 : Extraits de Scripts R
date.de.debut<-function(chemin.in,date.dem.cal,qte,jsq,p_na,seq.max,GSSN){
nom.station<-list.files(path =chemin.in)# lecture des stations dans le dos
lecture.extract.anne<-read.xlsx(paste(chemin.in,nom.station[1],sep = "/"),
nom.ligne<-sub("X", "", colnames(lecture.extract.anne))#année extraite
nbre.station<-length(nom.station)
date.debut.out<-as.numeric(nom.ligne)
if(GSSN==T){
...........................................................
................................................................
.............................................................
............................................................
u<-j
while(u<=(j+jsq)&& (is.na(nom.mm[u,k]))!=TRUE){

26. if(nom.mm[u,k]<0.85){
count.seq<-count.seq+1
max.counter<-max.counter+1
}else{
if(max.count<count.seq){max.count<-count.seq}
count.seq<-0
max.counter<-0
}
if(max.count<max.counter){max.count<-max.counter}
u<-u+1
}
test.seq<-max.count<=seq.max
test.cond<-test.seq&&test.20
j<-j+1
if (test.cond==T){
date.debut[k,1]<-(j+1)
break()
}
}
# test.NAN<-all(!is.na(nom.mm[j:(j+60),k]))
}
}
date.debut.out<-cbind(date.debut.out,date.debut)
}
}
return(date.debut.out)
}
21