0 Memoire Amath Final

République Du Sénégal
*************
Ministère de l’Enseignement Supérieur de la Recherche et de
l’Innovation
***************
Université de Thiès
*******************
Ecole Nationale Supérieure d’Agriculture (E.N.S.A.)
***********
Département Génie rural
Mémoire de fin d’étude

Sur le Thème :
Modélisation des rendements du mil en condition

sahélienne : essai de calibrage du modèle DSSAT
dans le bassin arachidier au Sénégal
Presenté et soutenu publiquement par :

M. Hamath TALL
Le 17/05/2018
Pour l’obtention du diplôme d’Ingénieur Agronome
Option : Génie rural
Devant le jury :
Pr Abdoulaye DIENG Directeur de l’ ENSA Président
Dr Alpha Bocar BALDE Chercheur au CNRA de BAMBEY Membre

Dr Gayane FAYE Enseignant-chercheur UCAD,
Encadreur
Directeur LTA
Dr Khadidiatou NDIR Enseignant-Chercheur ENSA Membre
Dr Mamadou Adama SARR Chercheur au CSE Co-encadreur
M. Magatte WADE Enseignant-Chercheur ENSA Rapporteur

Chef de Département Génie rural
DEDICACES
C’est dans l’allégresse que je dédie ce mémoire à ces personnes sans qui je n’en
serais pas là.
À cet être si cher, source de tendresse, de patience et de générosité, ma maman

Fama GUEYE. Autant de phrases aussi expressives soient-elles ne sauraient montrer le
degré d’amour et d’affection que j’éprouve pour toi. Tu as été au four et au moulin
pour nous offrir une valeureuse et descente éducation. Soit gratifiée de ce devoir
accompli maman.
À mon grand-père Boubou GUEYE source de sagesse et de piété tu m’as élevé dans
la droiture, tu m’as appris le saint coran je te dédie se travail.
À la mémoire de mon père Djibril TALL, disparu beaucoup trop tôt, de mon homonyme
Ousmane TALL et de mon grand-père Nassour DJIGO, vous demeurerez éternellement
dans mon esprit et dans mon cœur, Je vous dédie aujourd’hui ma réussite. Que Dieu,
le tres miséricordieux, vous accueille dans son éternel paradis.
À mes frères et sœurs et à toute ma famille.
À ma famille de Richard Toll, à mon autre maman Mintou NDIAYE tu m’as beaucoup
soutenu dans mes études, durant les dures périodes il n’y avait que toi à mes côtés
et tu m’as traité en égal avec tes propres fils. A mon oncle Assane NDIAYE, merci pour
votre affection et votre assistance.
~i~
REMERCIEMENTS
L’aboutissement de ce travail m’offre l’occasion de remercier tous ceux qui ont contribué à
notre formation ainsi qu’à sa réalisation. Mes distingués remerciements s’adresse :
֍ Au Pr Abdoulaye Dieng, Directeur de l’Ecole Nationale Supérieure d’Agriculture (ENSA)

et à travers lui, l’ensemble du personnel de l’ENSA (PER & PATS).
֍ Au Pr. Saliou NDIAYE, socle incontestable de notre formation
֍ Au Dr Mamadou Thiam Diop, Directeur des études pour ses enseignements.
֍ À M. Magatte WADE, Chef du département Génie rural de l’ENSA ; à travers lui nous
remercions l’ensemble des enseignants du département qui nous ont accompagné : M.
Daouda SOW, M. Papa Saer WADE, Mme Dior Diallo DIARRA.
֍ Au Dr. Gayane FAYE et au Dr. Mamadou Adama SARR, merci pour la confiance qu’ils
ont portée en ma personne en me confiant ce travail, et pour l’appui considérable qu’ils
m’ont apporté dans ce cadre de ce mémoire. Je vous suis très reconnaissant.
֍ Au CEAMITIC pour avoir financé cette étude et m’avoir octroyé une bourse de recherche.
֍ Au Dr. Khadidiatou NDOYE NDIR pour les orientations importantes apportées dans cette
étude. Je vous suis très reconnaissant.
֍ À l’équipe du CNRA de Bambey ; au Dr Mbaye DIOP ; Dr Alpha BALDE et Mlle Yoland
SENGHOR, qui ont fait le suivi des essais jusqu’à terme ; à travers eux je remercie tout le
personnel technique qui ont bien voulu suivre ces essais.
֍ À ma Famille de Fass Mbao Tané DJIGO, Mouhamadou, Baba LY, Dico, Ibou LY ainsi
qu’à toute la famille sans exception merci pour votre hospitalité. A toute la famille TALL,
mention spéciale à mes papas Ablaye, Bachir et Mountagha et à mes tantes Kadiata TALL
et Yombé TALL ; à travers eux je remercie du fond du cœur mes frères et sœurs plus
particulièrement Pape TALL.
֍ À mes promotionnaires la 32ieme, à mon voisin Daouda WADE, ma jumelle Asta, à Awa,
Rougui, Diallo, Momar, Awa Sy THIAM, merci à vous tous sans exception.
֍ A mon tres cher ami Pape Seck et à sa famille, merci pour votre appui.
֍ A mes collègues stagiaires au Laboratoire de Télédétection Appliquée.
֍ À l’ensemble des Élèves ingénieurs et Étudiants de l’ENSA sans exception et à mes anciens
de l’ENSA ; a mon parrain Omar SANE, à Lamine SAMAKE et Amet SABALY.
֍ À mes filleules et mes proches amies plus particulièrement Guy, Salihou, Amadou BA,
Seynabou, Babacar, Penda.
֍ À mes parents et à toute ma famille.
~ ii ~
RESUME
Ce travail s’insère dans le projet de recherche « Apport de la télédétection et de la modélisation
à l’estimation des superficies cultivées et des rendements agricoles pour une meilleure
évaluation de la vulnérabilité du système agricole dans le contexte des changements
climatiques » financé par le CEAMITIC. L’étude a été menée pour calibrer et évaluer les
capacités du modèle d’aide à la prise de décision DSSAT à simuler les rendements du mil dans
la zone de Bambey (bassin arachidier). Les essais ont été conduits au CNRA de Bambey (14.71°
N et 16.48° O). Un protocole expérimental constitué de bloc complètement randomisé avec 4
traitements et 3 répétitions a été utilisé pour les collectes de données, soit 12 parcelles
élémentaires. Deux variétés du mil souna 3 et Thialack 2 ont été utilisés sur deux traitements :
apport de fertilisation et sans apport de fertilisation. Les données d’entrée pour le calibrage de
CERES-millet concernent les paramètres phénologiques, les résultats d’analyse de sol, les
enregistrements climatiques, les pratiques culturales notamment la dose d’irrigation ainsi que
les composantes de rendement analysés. Deux paramètres statistiques sont calculés pour évaluer
la fiabilité du modèle, l’erreur quadratique moyenne relative (RRMSE) et l’indice d’agrément.
Les simulations ont montré un écart entre les valeurs simulées et celles observées pour les
durées des phases de développement, pour le Thialack 2 l’écart est 2 jours, cependant pour le
souna 3 cet écart est plus marqué (7 jours). Les simulations ont donné un rendement maximal
chez le Thialack 2 en condition de fertilisation (TH1F), soit 1353 Kg/ha par contre les
rendements observés sont 1287 Kg/ha. Le faible écart obtenu est dû à un réajustement du temps
thermique entre l'émergence des semis et la fin de la phase juvénile (P1=385°C.J) et du temps
thermique à partir du début de formation des grains (P5=400¨C.J). Ces deux paramètres
exprimés en degrés-jours au-dessus de la température de base fixé à 11°C influent sur la durée
du cycle de croissance ainsi que sur la formation de la graine. Le paramètre relatif au poids de
la graine (G4) a été fixé à 3. Ceci nous a permis d’avoir pour la validation du rendement grain,
une valeur de RRMSE égal à 8% et une IA égale à 0.89. Pour la variété souna 3 en utilisant le
même procédé une valeur de RRMSE =14% et une IA =0.81 ont été obtenues, mais le calage a
été beaucoup plus difficile du fait d’un retard de croissance observé. Ainsi malgré les divers
problèmes de calages rencontrés le modèle a donné une bonne estimation en rendement grain
pour les deux variétés. Cependant plusieurs efforts restent à fournir pour utiliser le modèle en
conditions paysannes pour l’estimation des rendements du mil dans le bassin arachidier.
Mot-clé : DSSAT ; estimation rendement ; modèle, culture ; CERES-millet ; Pennisetum
glaucum (L.)
~ iii ~
ABSTRACT
This work fits into the research project “Contribution of remote sensing and modeling to the
estimation of cultivated areas and crop yields for a better assessment of the vulnerability of the
agricultural system in the context of climate change”. The study evaluated the use of the
Decision Support System for Agrotechnoly Transfert model for the prediction of pearl millet
yield in the Bambey area (groundnut basin). The field experiment was conducted at CNRA
Bambey 14.71 ° N and 16.48 ° W. An experimental field with completely randomized block
design was used, divided into 12 plots of 4 x 3 plot designs. Two varieties of pearl millet used
Souna 3 and Thialack 2 was used in two treatments fertilizer application and no-fertilization.
Parameter collected as input to run the CSM–CERES-Millet were millet phenological data,
detailed soil profile description, soil analysis result, daily record of weather parameters and
yield details. Two statistical parameters are calculated to evaluate the reliability of the model,
the root mean square error (RRMSE) and the index of agreement (IA). The simulations showed
a difference between the simulated values and those observed for the development phases, for
the Thialack 2 the difference is 2 days, however for the souna 3 this difference is marked more
(7 days). The simulations gave a maximum yield in Thialack 2 under fertilization conditions
(TH1F), ie 1353 kg / ha compared to the observed rates are 1287 kg / ha. The small difference
obtained is due to a readjustment of the thermal time between the emergence of the semifinals
and the end of the juvenile phase (P1 = 385 ° CJ) and the duration of the heat from the beginning
of the formation of the grains (P5 = 400 ° CJ). These two parameters, expressed in degree-days
above the base temperature set at 11 ° C, influence the length of the growth cycle and the
formation of the seed. The criterion for seed weight (G4) was set at 3. This ratio is 0.89. For the
variety Souna 3 using the same method a value of RRMSE = 14% and IA = 0.81 were obtained.
Thus, despite the various calibration problems encountered, the model has been well calibrated
in the station and can be used in peasant conditions for the estimation of yield in the groundnut
basin.
Keywords: DSSAT, Crop, model, CERES-millet, Yield, forecasting, Pennisetum glaucum (L.)
~ iv ~
TABLE DES MATIERES
DEDICACES .............................................................................................................................. i
REMERCIEMENTS .................................................................................................................. ii
RESUME ................................................................................................................................... iii
ABSTRACT .............................................................................................................................. iv
TABLE DES MATIERES ......................................................................................................... v
SIGLES ET ACCRONYME ................................................................................................... viii
TABLE DES ILLUSTRATIONS ............................................................................................. ix
INTRODUCTION ...................................................................................................................... 1
CHAPITRE 1. PRESENTATION DU CADRE DE L’ETUDE ........................................... 2
1.1. Contexte et problématique ........................................................................................... 2
1.2. Objectif de l’étude ....................................................................................................... 3
1.2.1. Objectif global ...................................................................................................... 3
1.2.2. Objectifs spécifiques ............................................................................................ 3
1.3. Résultats attendus ........................................................................................................ 3
CHAPITRE 2. REVUE BIBLIOGRAPHIQUE .................................................................... 4
2.1. LE MIL ........................................................................................................................ 4
2.1.1. Généralité sur le mil ............................................................................................. 4
2.1.2. Systématique et classification du mil ................................................................... 4
2.1.3. Système de culture du mil .................................................................................... 5
2.1.4. Cycle de croissance .............................................................................................. 5
2.1.4.1. Phase végétative ............................................................................................ 5
2.1.4.2. Phase reproductive ........................................................................................ 6
2.1.4.3. Phase de maturation ...................................................................................... 6
2.2. Modélisation de la croissance végétale ....................................................................... 7
2.2.1. Définition de la modélisation ............................................................................... 7
2.2.2. L’approche modélisation ...................................................................................... 8
2.2.3. Historique de la prévision des rendements au Sahel ............................................ 9
2.2.4. Les modèles de prévision de rendements ........................................................... 10
2.2.4.1. Modèles de cultures empiriques.................................................................. 11
2.2.4.2. Modèles biophysiques ................................................................................. 11
2.2.5. Programme de modélisation biophysique .......................................................... 12
2.2.6. Présentation du projet DSSAT ........................................................................... 13
2.2.5.1. Les modèles DSSAT (Crop Modeling System)........................................... 13
2.2.5.2. Les modèles CERES ................................................................................... 14
~v~
2.2.5.3. Le modèle CERES-Millet ........................................................................... 15
2.2.5.3.1. Bilan hydrique : ....................................................................................... 15
2.2.5.3.2. Bilan carboné et azoté ............................................................................. 15
2.2.5.3.3. Bilan climatique ...................................................................................... 16
2.2.5.4. Processus de modélisation .......................................................................... 16
2.2.5.4.1. Intrant du modèle .................................................................................... 16
2.2.5.4.2. Le format des fichiers ............................................................................. 16
2.2.5.4.3. Le fichier climat ...................................................................................... 16
2.2.5.4.4. Caractéristique du sol .............................................................................. 17
2.2.5.4.5. Techniques culturales .............................................................................. 17
2.2.5.4.6. Coefficient génétique .............................................................................. 17
2.2.5.5. Output du modèle ........................................................................................ 18
2.2.7. Méthodes d’évaluation d’un modèle .................................................................. 18
2.2.6.1. Calibrage d’un modèle ................................................................................ 18
2.2.6.2. Validation .................................................................................................... 18
CHAPITRE 3. MATERIEL ET METHODES ................................................................... 19
3.1. Protocole expérimental .............................................................................................. 19
3.1.1. Localisation des sites pour les essais .................................................................. 19
3.1.2. Caractéristiques physico-chimique du sol .......................................................... 19
3.1.3. Matériel végétal .................................................................................................. 20
3.1.4. Dispositif expérimental ...................................................................................... 20
3.1.5. Conduite de l’essai ............................................................................................. 21
3.1.5.1. Préparation de sol ........................................................................................ 21
3.1.5.2. Semis ........................................................................................................... 21
3.1.6. Entretien des parcelles ........................................................................................ 21
3.1.6.1. Sarclage/désherbage .................................................................................... 21
3.1.6.2. Fertilisation ................................................................................................. 21
3.1.6.3. Irrigation : ................................................................................................... 22
3.1.7. Observations et mesures in situ .......................................................................... 23
3.1.7.1. Suivi des stades phénologiques et du développement ................................ 23
3.1.7.2. La biomasse végétale .................................................................................. 23
3.1.7.3. L’indice foliaire (LAI) ................................................................................ 24
3.1.7.4. Le rendement et ses composantes ............................................................... 24
3.2. Simulation de la croissance ....................................................................................... 24
3.2.1. Input du modèle .................................................................................................. 25
~ vi ~
3.2.2. Modules de Calcul .............................................................................................. 26
3.3. Validation des résultats .............................................................................................. 27
CHAPITRE 4. RÉSULTAT ET DISCUSSION .................................................................. 28
4.1. Observation et mesure in situ .................................................................................... 28
4.1.1. Datation des stades phénologiques ..................................................................... 28
4.1.2. Suivi nombre de feuilles et de talles ................................................................... 29
4.1.3. Suivi de la biomasse ........................................................................................... 29
4.1.4. Indice de Surface foliaire (LAI) ......................................................................... 30
4.1.5. Composant de rendement ................................................................................... 30
4.2. Calibrage et Simulation du modèle ........................................................................... 31
4.2.1. Calage des paramètres ........................................................................................ 31
4.2.1.1. Coefficients génétiques des variétés ........................................................... 32
4.2.1.2. Données climatiques. .................................................................................. 32
4.2.1.3. Conditions initiales ..................................................................................... 33
4.2.2. Simulation de la croissance et du développement .............................................. 33
4.2.2.1. Phase de développement ............................................................................. 33
4.2.2.2. Biomasse ..................................................................................................... 34
4.2.2.3. LAI .............................................................................................................. 34
4.2.2.4. Composant de rendement ............................................................................ 35
4.3. Validation du modèle................................................................................................. 36
4.3.1. Biomasse et LAI ................................................................................................. 36
4.3.2. Rendement grain ................................................................................................ 37
CONCLUSION ET RECOMMANDATION .......................................................................... 38
REFERENCES BIBLIOGRAPHIQUES ................................................................................. 40
ANNEXE ................................................................................................................................. 45
~ vii ~
SIGLES ET ACCRONYME
CEA-MITIC Centre d’Excellence Africain en Mathématique, Informatique et Technologie

de l’Information et de la Communication
CELSIUS CEreal and Legume crops SImulator Under changing Sahelian environment
CERES Crop Estimation through Resource and Environment Synthesis
CILSS Comité Inter-état de Lutte Contre la Sècheresse au Sahel
CIRAD Centre de coopération Internationale en Recherche Agronomique pour le
Développement
CNRA Centre National de Recherches Agronomiques
CRA Centre Régional AgrHymet
CROPSYST CROPping SYSTems simulation model
CSE Centre de Suivi Ecologique
DSSAT Decision Support System for Agrotechnology Transfer
ENSA Ecole Nationale Supérieure d’Agriculture
ESPACE Evaluation et Suivi de la Production Agricole en fonction du Climat et de
l’Environnement
FAO Food and Agriculture Organization
FEW NET Famine Early Warning Systems Network
GMFS Global Monitoring for Food Security
HCC Humidité à la capacité au champs
HPF Humidité au point de fletrissement
IA Indice d’Agrément de Wilmott
IBNSAT International Benchmark Site Network for Agrotechnology Transfer
ICRISAT International Crops Research Institute for the Semi-Arid Tropics
ISRA Institut Sénégalais de Recherches Agricoles
JAS Jour après semis
LAI Leaf Area Index
LTA Laboratoire de Télédétection Appliquée
NASA National Aeronautics and Space Administration
NDVI Normalized Difference Vegetation Index
RRMSE Relative Root Mean-Squared Error
SAP Système d’Alerte Précoce
SARRA-H Système d'Analyse Régional des Risques Agroclimatiques – « Habillé »
SLA Specific Leaf Area
SLPF Soil fertility factor
TBASE Température de Base
TOPT Température Optimale
~ viii ~
TABLE DES ILLUSTRATIONS
Liste des figures

Figure 1 : Evolution des rendements du mil de 1961 à 2015. Source : FAOSTAT (2017) ...... 4
Figure 2 : Approche modèle basée sur la combinaison de données. .......................................... 8
Figure 3 : prévisions de rendement du mil au 31 juillet au Sahel pour la saison agricole 2001
selon le SMIAR ........................................................................................................................ 10
Figure 4: Modèle de simulation DSSAT .............................................................................. 14
Figure 5 : Dispositif expérimental ......................................................................................... 21
Figure 6 : Plan de pose des pluviomètres ............................................................................. 22
Figure 7 : Dose d'irrigation par rotation .............................................................................. 22
Figure 8 : Plan d’échantillonnage d’une parcelle élémentaire ........................................... 23
Figure 9 : Création d'un profil de sol........................................................................................ 25
Figure 10 : Input des résultats d'analyse du sol ........................................................................ 25
Figure 11 : Enregistrement de nouvelles variétés .................................................................... 26
Figure 12 : Création d'une station climatique........................................................................... 26
Figure 13 : Input des données expérimentales ......................................................................... 26
Figure 14: Choix des modules de simulation ........................................................................... 27
Figure 15 : Observation phase phénologique ...................................................................... 28
Figure 16 : Suivi nombre de feuille et de talle. ........................................................................ 29
Figure 17 : Biomasse mesurée ................................................................................................. 30
Figure 18 : Indice de récolte par traitement. RdtB : rendement biomasse ; RdtG : rendement
grain ; IR : indice de récolte. .................................................................................................... 31
Figure 19 : Enregistrement données climatiques station CNRA Bambey ............................... 33
Figure 20 : Stade phénologique simulé .................................................................................... 34
Figure 21 : Rendement en biomasse simulé ............................................................................. 34
Figure 22 : LAI simulé ............................................................................................................. 35
Figure 23 : (a) Rendement grain simulé ; (b) : Indice de récolte simulé .................................. 35
~ ix ~
Liste des tableaux
Tableau 1 : Modèles de simulation répertorié .......................... Error! Bookmark not defined.
Tableau 2 : Caractéristiques physico-chimiques du sol ........................................................... 19
Tableau 3 : Caractéristiques des deux variétés sélectionnées pour l'étude .............................. 20
Tableau 4 : Rendement biomasse (Kg/ha) ............................................................................... 29
Tableau 5 : Résultat des mesures de LAI ................................................................................. 30
Tableau 6 : Analyse composant de rendement ......................................................................... 31
Tableau 7 : Coefficients génétiques calculés ........................................................................... 32
Tableau 8 : Composant de rendement simulé .......................................................................... 36
Tableau 9 : Validation simulation en biomasse ....................................................................... 36
Tableau 10 : Validation simulation LAI .................................................................................. 36
Tableau 11 : Validation rendement en grain ............................................................................ 37
Liste des annexes
ANNEXE 1: Inscription des deux variétés dans le modèle...................................................... 45

ANNEXE 2 : Création du fichier sol ....................................................................................... 45
ANNEXE 3 : Injection des fichiers climat et sol ..................................................................... 45
ANNEXE 4 : Les différents scenarii simulés ........................................................................... 46
ANNEXE 5 : Choix du modèle de simulation ......................................................................... 46
ANNEXE 6 : Choix des différents modules pour la simulation .............................................. 46
ANNEXE 7 : fichier .MLX récapitulatif des inputs du modèle ............................................ 47
~x~
Modélisation des rendements du mil en condition sahélienne : essai de calibrage du modèle DSSAT dans
le bassin arachidier au Sénégal
INTRODUCTION
Au Sahel, la production agricole est très largement tributaire d’une pluviométrie très variable,
aussi bien dans le temps que dans l’espace. L’impact des changements climatiques à l’échelle
globale sur la production agricole en Afrique de l’Ouest constitue un enjeu important, compte
tenu des incertitudes liées à la nature de cet impact et des conséquences catastrophiques
potentielles sur la sécurité alimentaire de cette région. Au Sénégal, le mil occupe la place la
plus importante parmi les cultures céréalières aussi bien du point de vue des surfaces emblavées
(presque 75%) que de la production (60%) (Diouf, 2001). Les rendements en grain du mil sont
plus faibles (400-600 Kg/ha) que ceux des autres céréales alors que son potentiel atteint 2000 à
3500 Kg/ha (McIntire et Fussel, 1989 ; Christianson et al., 1990 ; Diouf, 2000).
Dans le contexte de changement climatique, la relance de l’agriculture par l’intensification des
systèmes de culture reste dépendante de la connaissance préalable du complexe
d’interdépendance de ces facteurs. A partir de ce moment, il est nécessaire de comprendre et
d’essayer de maîtriser les interactions sol, plante, climat. De nombreuses études ont été
entreprises dans ce sens, et plusieurs programmes ont été conçus pour évaluer ces interactions.
Les modèles de croissance végétales constituent un levier pour étudier ces interactions et ainsi
prédire les réponses mesurables de la culture, telle que le rendement par simulations grâce aux
modèles de culture.
Ainsi, la calibration et la validation du modèle DSSAT dans le contexte Sénégalais pour une
prévision des rendements du mil, sur les bases des processus physiques (effets des composantes
climatiques), pédologique (facteur de fertilité des sols) et physiologiques (paramètres
génétiques de la variété) seront réalisées. Le sous modèle CERES-millet conçu à cet effet
répond à tous ces impératives.
Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 1

CHAPITRE 1. PRESENTATION DU CADRE DE L’ETUDE

1.1. Contexte et problématique
L'Afrique reste le continent le plus vulnérable dans le contexte de la variabilité et des
changements climatiques surtout dans le domaine de l’agriculture. L'aléa climatique au Sahel
est à l’origine d’importants problèmes comme la disparition des arbres (Mainguet, 1990 ;
Chamard et Courel, 1999), la dégradation des sols (Le Houérou, 1989), le déficit
pluviométrique. Le Sénégal est un pays où l’agriculture est majoritairement pluviale. Seuls 5%
des terres cultivées sont irriguées (FAO, 1995). Cette agriculture est tributaire des aléas
climatiques ce qui en fait un système particulièrement vulnérable aux changements climatiques.
En effet, les changements climatiques observés depuis plusieurs décennies suscitent bien des
interrogations en lien avec la sécurité alimentaire du pays.
L’impact global de la variabilité et des changements climatiques sur l’agriculture est accentué
par l’insuffisance des capacités financières et économiques et aussi par le manque de
sensibilisation appropriée et de partage ciblé de connaissances, des résultats de recherche et de
bonnes pratiques tant pour l’adaptation que pour l’atténuation.
Ce projet se propose de mettre en place une méthode d’estimation des rendements par une
calibration du modèle DSSAT au contexte sénégalais. Il permettra à la fin de pouvoir regarder
l’impact des changements climatiques sur les rendements agricoles.
Cette étude s’insère dans le cadre du projet de recherche « Apport de la télédétection et de la
modélisation à l’estimation des superficies cultivées et des rendements agricoles pour une
meilleure évaluation de la vulnérabilité du système agricole dans le contexte des
changements climatiques » financé par le Centre d’Excellence Africain en Mathématique,
Informatique et Technologie de l’Information et de la Communication (CEA-MITIC).
L’objectif global de cette étude est de mettre en place une méthodologie d’estimation des
rendements agricoles pour le mil. Le travail présenté ici consiste en un mémoire de fin d’étude
à l’Ecole Nationale Supérieures d’Agriculture (ENSA) de Thiès qui entre dans ce cadre de ce
projet de recherche.

1.2. Objectif de l’étude

1.2.1. Objectif global
L’objectif global de cette étude est de calibrer le modèle d’estimation des rendements DSSAT
au contexte Sahélien sur des variétés du mil.
1.2.2. Objectifs spécifiques
Il s’agira plus spécifiquement de :

 réaliser une synthèse bibliographique sur la modélisation des rendements en zone
sahélienne et surtout sur le modèle DSSAT
 procéder au calage du modèle au contexte du Sénégal ;
 estimer les rendements du mil dans les conditions du bassin arachidier (Bambey) ;
 estimer la fiabilité des résultats en comparaison avec les données in situ.
1.3. Résultats attendus

Les résultats attendus à l’issu de cette étude sont :
 une méthodologie d’échantillonnage des paramètres nécessaires à la calibration du

modèle DSSAT est mise en place.
 le modèle DSSAT est calé au contexte sénégalais.
 les rendements du mil sont estimés.
 le taux de validité des résultats est estimé.

CHAPITRE 2. REVUE BIBLIOGRAPHIQUE

2.1. LE MIL
2.1.1. Généralité sur le mil
Le mil, "pearl millet" en anglais est une herbe annuelle du genre Pennisetum (famille des
Poacées), sous famille des Panicoïdeae (Hamon, 1999). Le Pennisetum glaucum, est la céréale
la plus tolérante à la sécheresse. Il est cultivé dans des régions où la pluviosité se situe entre
150 et 800 millimètres (Bezançon, Renno, & Kumar, 1996).
Il est cultivé comme céréale dans les zones tropicales semi-arides de l’Ancien Monde (Afrique
et Inde), entre les isohyètes 200 et 1000 mm (Bezançon & Pham, 2004). Au Sahel, le mil est
cultivé pour son grain qui était la principale source d’alimentation des populations rurales, soit
environ plus de 50 millions de personnes. Les grains et les sous-produits peuvent aussi être
utilisés pour l’alimentation animale. Le mil est adapté au milieu sahélien. Il se caractérise par
une forte aptitude à mettre en place des mécanismes physiologiques qui lui permettent de tolérer
la sécheresse : ralentissement de la transpiration au niveau des feuilles supérieures, maintien
d’un niveau hydrique favorable au bon remplissage des grains. L’évolution des rendements
moyens du mil au Sénégal, à l’image du Sahel, est marquée par une variabilité annuelle (figure
1).
Evolution des rendements du mil au sénégal

900
Moyenne rendement (Kg/ha)
800
700
600
500
400
300
200
100
0
1961
1963
1965
1967
1969
1971
1973
1975
1977
1979
1981
1983
1985
1987
1989
1991
1993
1995
1997
1999
2001
2003
2005
2007
2009
2011
2013
2015
Figure 1 : Evolution des rendements du mil de 1961 à 2015. Source : FAOSTAT (2017)
2.1.2. Systématique et classification du mil
Le mil est diploïde avec 2n = 14 chromosomes. C’est une graminée annuelle érigée, à tiges
pleines de 1 m à 5 m de hauteur avec un métabolisme photosynthétique en C4 (Do, 1994). Le
comportement photopériodique des variétés détermine le choix de leur implantation. Les

variétés semi-tardives et tardives restent les plus nombreuses dans la zone soudano-sahélienne
; les formes précoces prédominent dans la zone climatique typiquement sahélienne (Ndoye,
1984).
Le genre Pennisetum contient une soixantaine d’espèces réparties dans les régions tropicales et
subtropicales.
Ce genre est divisé en cinq sections. Le mil appartient à la section Penicillaria, qui se caractérise
par la présence d’une touffe de poils sur l’apex des étamines. Dans l’espèce P. glaucum, Van
Der Zon (1992) reconnaît trois sous-espèces : P. glaucum subsp. glaucum, le mil cultivé; P.
glaucum subsp. violaceum, la forme sauvage largement présente en Afrique dans la zone
sahélienne, de l’Atlantique à la mer Rouge, dans des situations écologiques très variées; P.
glaucum subsp. sieberianum, qui rassemble les formes intermédiaires issues d’hybridations
naturelles entre formes cultivées et formes sauvages.
2.1.3. Système de culture du mil
Un système de culture peut être défini comme l’ensemble des modalités techniques mises en
œuvre sur des parcelles traitées de manière identique. Chaque système de culture se caractérise
par la nature des cultures et leur ordre de succession, les itinéraires techniques appliqués à ces
différentes spéculations.
Généralement aucun travail du sol n’est effectué avant le semis,
2.1.4. Cycle de croissance
Le mil est une plante annuelle dont le cycle de croissance peut être divisé en trois phases : la
phase végétative, la phase reproductive et la phase de maturation (Bidinger, Mahalakshmi,
Talukdar, & Alagarswamy, 1982).
2.1.4.1. Phase végétative

La phase végétative, pouvant aller de 0 à plus de 50 jours après semis (JAS), débute lors de
l’émergence de la plantule et se poursuit jusqu’à l’initiation de la panicule. La germination du
mil est hypogée et se produit environ 48 heures après le semis (et/ou pluie) si les conditions
sont favorables. La levée a lieu avec l’apparition de la première feuille, 4 à 5 JAS. A la fin de
la levée, les bourgeons de toutes les feuilles sont apparus et chez les variétés précoces, 6 à 7
feuilles sont déjà développées (Maiti & Bidinger, 1981). La plantule développe son système
racinaire primaire et forme de nombreuses racines adventives.
Le tallage débute autour de 15 jours après la levée et se poursuit durant 10 à 20 jours chez les
variétés précoces. Il est généralement plus long chez les variétés semi-tardives et tardives, tout
en restant lié à la date de semis chez les variétés photosensibles (Maiti & Bidinger, 1981). Les

talles produites tardivement ne forment généralement pas d’épis ; même si elles en donnent,
ceux-ci parviennent rarement à la maturité. Pendant la phase active du tallage, la taille de la
plante reste réduite (plante en rosette), du fait que l’allongement des entre-nœuds n’est pas
encore entamé. Durant la phase végétative, l’accumulation de biomasse concerne
essentiellement les feuilles et les racines. Elle peut aussi concerner les tiges notamment en cas
d’un semis précoce d’une variété photosensible. L’initiation de la panicule est marquée par
l’élongation du dôme apical et permet l’entrée dans la phase suivante.
2.1.4.2. Phase reproductive

La phase reproductive s’observe souvent aux alentours du 50ème au 75ème JAS. Elle commence
avec l’initiation paniculaire et marque souvent le début de la montaison, c’est-à-dire
l’allongement des entre-nœuds des tiges à partir de la base. Les talles entament la montaison de
la même manière que la tige principale, mais avec un certain décalage dans le temps. Pendant la
phase reproductive, l’accumulation de la biomasse concerne les tiges et les panicules, en plus
des racines et des feuilles. La panicule développe des épillets sur lesquels émergent des fleurs
mâles et femelles et après fécondation des graines. La floraison a lieu deux à trois jours après
l’apparition effective de la panicule. Les fleurs femelles s’épanouissent avant les mâles et leur
apparition se fait progressivement du sommet de la panicule à la base. Cinq à six jours plus
tard, la floraison et la fécondation de la panicule sont terminées (Maiti & Bidinger, 1981)
2.1.4.3. Phase de maturation

Cette phase commence après la fécondation des fleurs de l’inflorescence principale, à partir du
75ème JAS chez les variétés précoces et semi-tardives. Elle peut intervenir avant cette date chez
les variétés ultra précoces et se poursuit jusqu’à la maturité totale des épis (épis de la tige
principale et des talles). Pendant cette phase, l’accumulation de biomasse concerne surtout les
caryopses ainsi que les feuilles et les tiges des talles susceptibles de produire des épis.
L’accumulation de la biomasse des grains (et remplissage des grains) se fait souvent au
détriment des feuilles plus âgées et des jeunes talles non productives qui se dessèchent par
sénescence. La sénescence des feuilles se poursuit jusqu’aux 2 ou 3 dernières feuilles, vers le
sommet de la tige. Les grains traversent une phase laiteuse, une phase cireuse ou vitreuse avant
de parvenir à la maturité physiologique, environ 20 à 25 jours après la floraison selon les
variétés (Maiti & Bidinger, 1981).

2.2. Modélisation de la croissance végétale

2.2.1. Définition de la modélisation
Construction abstraite et hypothétique capable de rendre compte d’un ensemble donné de faits
et d’en prévoir de nouveaux (Le Moigne, 1990).
La modélisation est une représentation de la réalité. Un modèle est l’analogie du système réel.
Le modèle se définit comme étant une représentation simplifiée, sous forme physique ou
mathématique d’un système complexe, dans lequel les réponses produites par des sollicitations
externes sont difficilement prévisibles à cause du grand nombre de facteurs mis en jeu. En
d’autres termes, la modélisation n’est qu’une simplification d’une réalité.
Selon DENT (1979), les représentations de la réalité sont de deux types :
représentation physique : modèles illustratifs
représentation portant peu ou pas de ressemblance avec le système réel : modèles

symboliques.
En agronomie la modélisation est la combinaison de connaissances physiologique, biologique,

agronomique, bioclimatologique sous forme d’équations mathématiques afin d’identifier les
facteurs déterminants pour stimuler leurs comportements.
La modélisation implique donc une approche holistique au moyen de laquelle toutes les
variables du modèle pourront être analysées ainsi que leurs effets sur le long terme. Les objectifs
de la modélisation passent par trois fonctions générales :
 fournir une base objective pour évaluer et assimiler l’information disponible sur le système
réel
 orienter les recherches vers les domaines du système sur lesquels les connaissances
courantes sont incertaines
 aider à la prise de décision et à la vulgarisation des résultats
Les modèles sont élaborés pour les objectifs suivants :
prédiction par interpolation ou extrapolation
interprétation des résultats
prise de décision

2.2.2. L’approche modélisation

Les modèles de simulation des cultures, aussi appelés modèles écophysiologiques, sont des
outils mathématiques et informatiques qui simulent le fonctionnement dynamique d’une culture
(système sol-plantes) en interaction avec le climat et les pratiques agricoles. Leur naissance
correspond à une valorisation des travaux sur la photosynthèse et la respiration (Dent, B. e.
1979) avec une mise en relation entre la biomasse accumulée et les processus instantanés.
Ces modèles intègrent la plupart des processus physiologiques qui sont mis en jeu dans la chaîne
de production végétale. Ils sont constitués d’un ensemble de relations mathématiques décrivant
le fonctionnement du système sol-plantes en interaction avec le climat et les opérations
techniques. Pour ces raisons, les modèles de culture sont aussi appelés modèles biophysiques
ou encore modèles biotechniques. Les équations mathématiques, appelées formalismes, sont
constituées de variables d’état qui caractérisent l’état du système à différents pas de temps, et
de paramètres, qui constituent les constantes des équations mathématiques utilisées (Jones et
Luyten, 1988).
Figure 2 : Approche modèle basée sur la combinaison de données.
Les variables d’entrées décrivent les conditions du système, tels que les états initiaux du sol, la
météorologie journalière (rayonnement global, températures minimales et maximales,
pluviométrie) et l’itinéraire technique. Les paramètres sont relatifs à des propriétés intrinsèques
du système et ils gèrent les relations entre ses variables d’état. Leur valeur ne change pas durant
les simulations. Les variables d’états (ou exploratoires) décrivent l’évolution du système au

cours du temps. Les variables de sorties constituent les résultats de la simulation, intermédiaires
ou finaux.
Une caractéristique majeure de ces modèles est leur structure élaborée et leur formulation
mathématique plus ou moins complexe. Ils ont l’avantage de permettre de faire des simulations.
2.2.3. Historique de la prévision des rendements au Sahel
La création en 1973 du comité inter-état de lutte contre la sècheresse (CILSS) avait pour but de
fournir aux décideurs et aux organismes des informations, aussi précises et récentes que
possible, sur tous les aspects de l’offre et de la demande d’aliments. Ceci dans le but de faire
face à la crise survenue 2 ans plutôt. La deuxième grande sécheresse survenue en 1984 a montré
le manque de dispositif d’information capable de prévenir et gérer les crises alimentaires.
Plusieurs techniques allant des enquêtes, l’estimation des stocks jusqu’aux systèmes
d'information sur les marchés de céréales et de bétail, ont favorisé la mise en place des Systèmes
d'Alerte Précoce (SAP) dans chacun des pays membre du CILSS.
Parallèlement aux enquêtes, et s’appuyant sur les connaissances des relations entre le climat et
le fonctionnement du peuplement végétal (Monteith, 1984), ont été développés des modèles de
simulation du comportement hydrique des plantes (Lalau-Keraly, 1991). Le plus ancien est
celui de Frère et Popov (1987), conçu par la FAO et permettant de calculer un indice de
satisfaction du besoin en eau des plantes durant l’évolution de la campagne agricole. Le second
modèle (DHC) a été développé en 1988 pour fonctionner en routine au centre de Niamey par le
Centre Régional AgrHymet (CRA) et le Centre de Coopération Internationale en Recherche
Agronomique pour le Développement (CIRAD) dans le cadre du projet ESPACE. Il permet
d’estimer et d’actualiser les termes du bilan hydrique pour estimer le rendement. Par ailleurs,
un dispositif agroclimatologique d’observation des cultures a été mis en place, en collaboration
avec les composantes nationales concernées par le projet ESPACE pour calibrer le modèle DHC
(Forest et Cortier, 1991). Aujourd’hui, le modèle DHC demeure encore le principal outil de
prévision des rendements du mil utilisé par le CRA en Afrique de l’ouest, au Tchad et au
Cameroun. L’un des outils les plus fiables dans la prévision actuellement est le programme
FEWS NET. Cependant le modèle de prévision du SMIAR semble plus robuste, leur prévision
de 2001 a donné des résultats concluants (figure 3), avec des pourcentages calculés par rapport
au rendement moyen des 5 dernières années (1996-2000). Ce modèle a été conçu en
collaboration avec le Système d’information et suivi en temps réel de l’environnement en
Afrique (ARTEMIS), grâce à un système de suivi des cultures basé sur une imagerie satellitaire
en temps réel.

Figure 3 : prévisions de rendement du mil au 31 juillet au Sahel pour la saison agricole 2001 selon le
SMIAR
2.2.4. Les modèles de prévision de rendements
Pour obtenir une vue d’ensemble systématique de l’état actuel des applications des modèles
traitant l’adaptation aux changements climatiques dans l’agriculture, une étude bibliographique
a été menée en utilisant SCOPUS, à la recherche des termes « modélisation » ; « changement
climatique » ; « adaptation » ; « agriculture » ; « Sahel » etc, dans les titres, résumés et mots-
clés. Seuls les articles de journaux scientifiques ont été considérés. Ceci nous a permis de
sélectionner 159 publications. 70 de ces articles ont été publiés entre 2010 et 2017, ce qui
montre que le sujet de la revue est au centre du débat scientifique actuel. Après un premier
examen de ces 159 articles, 51 documents ont été exclus, car ils ne rapportaient pas la
modélisation des études de cas dans le contexte de l’adaptation au changement climatique en
agriculture, mais utilisaient des méthodes autres que la modélisation (études d’entrevue) des
éditoriaux, des descriptions de projets, des documents d’opinion ou des mémoires.
L’examen des documents dans la zone sahélienne relève 71 publications sur la période de
1990 à aujourd’hui. Le nombre de documents sélectionnés pour cette revue n’est pas
considéré comme inclusif, mais est censé fournir une vue d’ensemble représentative des
études de cas de modélisation conduites sur les évaluations des impacts du changement
climatique et l’adaptation dans l’agriculture jusqu’au moment où cet examen a été effectué.
Les modèles de croissance des cultures sont grossièrement classés en différents types, selon

la conception du modèle, mais sur la base de cette analyse, les deux principales approches
modèles suivantes peuvent être distinguées :
2.2.4.1. Modèles de cultures empiriques

Les modèles de cultures empiriques évaluent les relations entre le climat et les rendements à
partir de séries chronologiques empiriques et / ou de jeux de données sur les variations
spatiales et temporelles des variables de rendement et de climat. De tels modèles ne tiennent
généralement pas explicitement compte des possibilités d’adaptation selon différentes études
réalisées (Tychon & Rosillon, 2006; Kouadio, 2007). Ils ne fournissent pas d'informations
sur les mécanismes qui donnent lieu à une réponse. En conséquence, ils consomment moins
de données que les modèles de cultures dynamiques. Il existe trois principaux types de
modèles statistiques : les séries chronologiques, l'approche par panel et l’approche
transversale (Lobell & Burke, 2010). Ces modèles sont particulièrement utiles pour identifier
les relations clés dans les ensembles de données historiques. Les modèles statistiques sont
souvent utilisés pour estimer le rendement des cultures dans un environnement particulier
afin de fournir des informations utiles aux décideurs sur les options de gestion et de
production. La principale limite des modèles empiriques reste la difficulté à simuler la
réponse du rendement des cultures aux climats futurs où d'autres facteurs sont susceptibles
de changer d'une manière qui n'a pas été observée dans le passé.
En revanche, ce modèle est avantageux parce qu’il peut être appliqué pour adapter les
fonctions de réponse au rendement aux données disponibles, même si ces données sont rares
ou seulement disponibles sous forme agrégée. Il peut être appliqué de manière analytique
pour identifier les principaux facteurs climatiques spécifiques à la région en termes de
rendement et de changement de rendement (Sarr et al., 2010). Les prédictions des modèles
peuvent être considérées comme valides dans la plage de données utilisée pour l’ajustement
des modèles.
2.2.4.2. Modèles biophysiques
La grande majorité des études de cas sélectionnées pour cette revue ont appliqué des modèles
biophysiques (83 % des références). Ces modèles simulent des processus biophysiques tels que
la croissance des plantes, la dynamique des éléments nutritifs et du carbone, le cycle de l’eau
et les pratiques culturales en fonction de la compréhension du processus mécanique ; qui est
mathématiquement formalisée puis traduit en programme informatique pouvant simuler le
processus avec un pas de temps souhaité. Divers modèles de culture ont été développés pour
simuler en plus du bilan hydrique, le bilan azoté (Délusca, 2010 ; Brisson et al., 2003 ; Jones et

al., 2003 ; Keating et al., 2003 ; Bechini et al., 2006). Parmi ces derniers, le modèle Decision
Support System for Agrotechnology Transfer (DSSAT) (Jones et al., 2003) a retenu notre
attention. En effet, le modèle Crop Estimation through Resource and Environment Synthesis
(CERES-Millet), un sous-modèle de DSSAT, a déjà fait l’objet d’utilisation dans diverses
études dans la région soudano-sahélienne (Fechter et al., 1991 ; Thornton et al., 1997 ; Jagtap
et al., 1999).
La combinaison de données de télédétection et de modèles de développement de plante semble

en effet plus satisfaisante, car ces modèles, basés sur la physiologie des plantes et le transfert
radiatif dans les couverts végétaux, intègrent l’effet du climat, des sols et de la gestion des
cultures dans l’estimation du rendement.
2.2.5. Programme de modélisation biophysique
Tableau 1 : Modèles de simulation répertorié
Crop Model Organisme

APSIM APSIM Initiative. http://www.apsim.info
AgrometShell AgrometShell (AMS). http://www.hoefsloot.com/agrometshell.htm
Aquacrop AquaCrop. http://www.fao.org/aquacrop
CERES-wheat CERES Wheat 2.0. http://nowlin.css.msu.edu/wheat_book/
Washington State University,
Cropsyst
CropSyst. http://modeling.bsyse.wsu.edu/CS_Suite_4/CropSyst/index.html
International Soil Modeling Consortium i. Available online: https://soil-
DAISY
modeling.org/resources-links/model-portal/daisy
DSSAT Decision Support System for Agrotechnology Transfer. http://dssat.net/
EPIC Texas A&M AgriLife Research. https://epicapex.tamu.edu/
Wageningen—Models Library-FarmSim.
FarmSim
http://models.pps.wur.nl/node/961
Institute for Climate and Atmospheric Science (ICAS).
GLAM https://www.see.leeds.ac.uk/research/icas/research-themes/climate-change-
and-impacts/climate-impacts/glam/
International Rice Research Institute (IRRI). Available
ORYZAv3
online: https://sites.google.com/a/irri.org/oryza2000/about-oryza-version-3
SARRA-H ?????
INRA. http://www.inra.fr/en/Scientists-Students/Agricultural-systems/All-
STICS
reports/Modelling-and-agrosystems/STICS-an-agronomy-dynamo
SWAP Soil Water Atmosphere Plant. Available online: http://www.swap.alterra.nl/

Wageningen—Models Library—WOFOST. Available

WOFOST online: http://www.wageningenur.nl/en/Expertise-Services/Research-
Institutes/alterra/Facilities-Products/Software-and-models/WOFOST.htm
Plusieurs programmes de simulations de la croissance et du développement des plantes ont vu
le jour ces derniers années pour répondre aux objectifs de fournir des statistiques agricoles
fiables. Quelques programmes sont répertoriés dans le tableau 1.
2.2.6. Présentation du projet DSSAT

Le projet DSSAT, objet de cette étude, est un ensemble de programmes de gestion de base de
données climatiques et édaphiques et des informations sur les pratiques culturales, ainsi que des
modèles de simulation végétale de plusieurs cultures et des programmes de la stratégie
saisonnière et d’analyse des risques (Jones, et al., 2003). Les modèles de simulation de culture
simulent croissance, développement et rendement en fonction de la dynamique sol-plante-
atmosphère. DSSAT et sa culture des modèles de simulation sont utilisés pour de nombreuses
applications allant de la modélisation génétique, à la ferme et gestion de précision aux
évaluations régionales de l'impact de la variabilité et des changements climatiques. Les modèles
de culture nécessitent des données météorologiques quotidiennes, des informations sur la
surface et le profil du sol, et des informations détaillées sur les cultures. L'information génétique
sur les cultures est définie dans un fichier sur les espèces cultivées fournies par DSSAT et les
informations sur la variété ou la variété qui doivent être fournies par l'utilisateur. Les
simulations sont initiées soit au moment de la plantation ou avant la plantation par la simulation
d'une période de jachère nue. Ces simulations sont effectuées à une étape quotidienne et, dans
certains cas, à un pas de temps horaire en fonction du processus et le modèle de culture. À la
fin de la journée, les bilans hydrique, azotés et carbonés des plantes et du sol sont mis à jour,
ainsi que le stade de développement végétatif et reproductif de la culture. (Hoogenboom, et al.,
2017).
2.2.5.1. Les modèles DSSAT (Crop Modeling System)

DSSAT-CSM est l’ensemble des modèles de simulation de la croissance et du développement
végétal, ainsi que le transfert de l’eau, l’azote et le carbone dans la plante. CSM est représenté
par CROPTest comme modèle de simulation des cultures suivantes : soja, arachide, haricot vert,
pois chiche, petit pois et les autres légumes à fruit. Le modèle CERES pour le maïs, le sorgho
et le mil. Le modèle CERES-Rice pour le riz. Le modèle SUBSTOR pour la pomme de terre.
Le modèle CROPSIMCERES pour le blé et l’orge. Et le modèle CROPGRO pour la tomate. Le
modèle CENTURY, pour la simulation de l’azote et le carbone du sol, est également inclut dans

CSM. Ces modèles prennent en compte tous les éléments de manière exhaustive d’où leurs
appellations de modèle complexe (figure 4).
Figure 4: Modèle de simulation DSSAT

2.2.5.2. Les modèles CERES
Le modèle Crop Estimation through Resource and Environment Synthesis (CERES) un sous-
modèle de DSSAT, a déjà fait l’objet d’utilisation dans diverses études dans la région soudano-
sahélienne (Fechter et coll. 1991 ; Thornton et coll. 1997 ; Jagtap et coll, 1999).
Le modèle permet une simulation quantitative de la croissance végétale et du développement
de la plante (Jones & Kiniry, 1986). La croissance végétale est simulée, par des pas de temps
journaliers, depuis le semis jusque-là maturité, sur la base des processus physiologiques qui
sont des réponses aux conditions environnementales et édaphiques.
Brièvement, dans CERES un développement phasique quantifie l’âge physiologique de la

plante et décrit la durée des neuf niveaux de croissance. En effet, la croissance potentielle
dépend de la radiation active de la photosynthèse et son interception qui est influencée par
l’indice foliaire (LAI), le peuplement, et l’efficience de conversion photosynthétique de la
culture. La production de la biomasse effective est désavantagée par une température non

suffisante, un déficit hydrique, un manque d’azote et un stress phosphorique. La simulation de

transfert hydrique dans CERES inclut des processus comme : l’infiltration et le ruissellement,
l’évaporation et la transpiration, et le drainage. L’écoulement non saturé de l’eau d’un horizon
à l’autre est simulé en tant que système d’écoulement potentiel, qui requiert seulement l’
humidité à la capacité au champs (HCC) et l’humidité au point de flétrissement (HPF) comme

paramètres d’entrée. Le sous-modèle de l’azote simule le taux de transformation de la matière
organique en association avec la minéralisation, la nitrification et la dénitrification, et
l’hydrolyse de l’urée et la volatilisation de l’ammoniac pour les différentes formes de l’azote
comme les fertilisants organiques, le fumier et l’engrais.
2.2.5.3. Le modèle CERES-Millet

En plus de prendre en compte la nutrition azotée dans les simulations, CERES-Millet est doté
d’un module de photopériodisme, et donc pourrait être adapté aux variétés traditionnels de la
zone soudano-sahélienne (Kouakou, 2013; Fatond, et al., 2012; Fechter, Allison, Sivakumar,
Ploeg, & Bley, 1991).
Le modèle CERES-Millet fait partie de la plateforme modulaire DSSAT. C’est un modèle de
simulation du développement, de la croissance et du rendement du mil, fonctionnant à pas de
temps journalier. Les données d’entrée du modèle concernent les caractéristiques du sol
(physiques et chimiques), du climat (données journalières), de la culture (caractéristiques de
développement), et les pratiques culturales. Le modèle intègre divers processus pour la
simulation des bilans hydrique, carboné et azoté des cultures (IBSNAT, 1990).
2.2.5.3.1. Bilan hydrique :
Le bilan hydrique est basé sur le modèle de Ritchie (1998) qui considère un sol unidimensionnel
dont le profil peut comprendre plusieurs couches. L’eau (pluie ou irrigation) s’infiltre dans la
couche supérieure du profil après extraction du ruissellement selon la méthode USDA-SCS
(Soil Conservations Service, 1972). Le drainage est calculé selon une approche en cascade dans
laquelle l’excès d’eau au-delà de la capacité au champ d’une couche est reversé
automatiquement dans la couche inférieure. Le drainage ne se produit pas lorsque l’humidité
du sol est inférieure à la capacité au champ. Les processus de transpiration et d’évaporation
sont séparés. L’évaporation est fonction de la quantité d’énergie reçue à la surface du sol. La
transpiration est proportionnelle à la quantité d’énergie interceptée par le couvert.
2.2.5.3.2. Bilan carboné et azoté
Le bilan de l’azote et de la matière organique du sol peut être simulé soit avec le module de
GODWIN (Godwin & Jones, 1991), soit avec le module CENTURY développé par Gijsman et
al. (2002) et basé sur le modèle de Parton et al. (1988). Dans le cas de cette étude, c’est le

module CENTURY qui a été utilisé parce que plus adapté aux sols caractérisés par une pauvreté
en éléments minéraux ce qui est notre cas. CENTURY simule la minéralisation, la nitrification
et la dénitrification, l’hydrolyse de l’urée, la volatilisation de l’ammoniac pour les différentes
formes de l’azote, de fertilisants organiques, de fumier et d’engrais. La décomposition de la
matière organique est fonction de la température du sol et de l’eau dans le sol. Les variables
d’entrée du modèle sont relatives aux propriétés du sol ainsi que des sorties du module bilan
hydrique. Le transport d’azote à travers les couches de sol est piloté par les flux d’eau du sol.
Un facteur de fertilité du sol (SLPF), variant de 0 à 1, permet de prendre en compte l’effet des
éléments nutritifs autres que l’azote, sur la croissance journalière en biomasse de la plante : sa
réduction permet de diminuer les biomasses et rendements simulés.
2.2.5.3.3. Bilan climatique
Le développement phénologique dépend des valeurs de températures en relation à 2
températures cardinales : la température de base (TBASE) et la température optimale (TOPT).
La durée de la phase photopériodique dépend de la valeur de la photopériode critique (P2O) et
du coefficient de sensibilité au photopériodisme (P2R).
2.2.5.4. Processus de modélisation
2.2.5.4.1. Intrant du modèle
Pour fonctionner, le modèle requiert des données comme les données climatiques journalières,
les données pédologiques, un ensemble de coefficients génétiques qui caractérisent la variété à
étudier, et les informations sur les techniques culturales (date de semis, densité de semis, la
fertilisation, programme d’irrigation…). Ces informations sont consignées dans des fichiers soit
par un sous-programme DSSAT soit incluses directement dans un fichier avec un éditeur de
texte.
2.2.5.4.2. Le format des fichiers

L’une des caractéristiques, les plus importantes, des modèles de simulation DSSAT est le fait
qu’ils utilisent les mêmes formats de fichiers à l’entrée et à la sortie du programme. Par
conséquent, les fichiers génétiques, comme ceux qui décrivent les conditions climatiques ou
bien les caractéristiques physiques et chimiques du sol, peuvent être utilisés par tous les
modèles. En outre, tous les fichiers à l’entrée et à la sortie du programme utilisent la structure
ASCII, ainsi elles peuvent être édités par la plupart des éditeurs de texte, et peuvent être
réutilisés.
2.2.5.4.3. Le fichier climat

Les conditions climatiques requises pour le fonctionnement des modèles prennent des valeurs
quotidiennes des minima et maxima de la température de l’air, des précipitations totales, et de

la radiation solaire totale. Outre ces variables, les modèles traitent d’autres données
environnementales comme la latitude (pour calculer la durée du jour) et la concentration
moyenne de CO2 dans l’atmosphère.
2.2.5.4.4. Caractéristique du sol

L’initialisation du modèle nécessite la connaissance des caractéristiques hydriques et des
paramètres en rapport avec le pH et à la densité volumique de chaque horizon, la quantité d’eau
initiale dans le sol, le taux de NO3 et NH4+ initiaux, et le pH de chaque horizon, au début de
la croissance de la plante, doivent être définis pour initialiser les modèles.
2.2.5.4.5. Techniques culturales

Les itinéraires techniques sont renseignés via le programme XBuild, Les informations requises
pour décrire les techniques culturales sont :
 La date de semis.
 La densité de semis.
 Le peuplement.
 La profondeur de semis.
 Le choix de la variété.
 L’identification du profile pédologique.
 La date d’irrigation et la quantité d’eau utilisée.
 La date, dose et forme d’engrais apportée.
2.2.5.4.6. Coefficient génétique

Les coefficients culturaux sont calculés avec le programme GenSelect, en renseignant les
caractéristiques spécifiques de chaque variété ainsi que les données collectées sur ATCreate.
Il s’en suivra un calibrage des données calculées jusqu’à l’obtention d’un résultat de simulation
qui minimisera les écarts entre valeurs observées et simulées. Le nombre de paramètres varie
d’un modèle à un autre et d’une culture à une autre. Pour le mil ces paramètres sont :
 P1 - Temps thermique entre l'émergence des semis et la fin de la phase juvénile (exprimé
en degrés-jours au-dessus d'une température de base) pendant laquelle la plante ne réagit
pas aux variations de la photopériode.
 P20 - Photopériode critique ou longueur de jour la plus longue (en heures) à laquelle le
développement se produit à un rythme maximal. Aux valeurs supérieures à P20, le taux de
développement est réduit.

 P2R - Mesure dans laquelle le développement phasique conduisant à l'initiation de la

panicule (exprimée en degrés-jours) est retardé pour chaque heure d'augmentation de la
photopériode au-dessus de P20.
 P5 - Temps thermique (degrés-jours au-dessus d'une température de base de 10°C) à partir

du début de formation des grains.
 G1 - Scalaire pour la taille relative des feuilles.
 G4 - Scalaire pour le partitionnement des assimilats à la panicule.
 G5 poids relatif d’un grain en mg.
2.2.5.5. Output du modèle

Le modèle peut produire une grande quantité de données à la sortie. Durant l’opération de
simulation, cinq fichiers différents sont créés, le premier fichier enregistre les informations qui
figurent sur le moniteur pendant la simulation. Le deuxième fichier contient des variables qui
prédisent la croissance et d’autres variables qui concernent l’équilibre du carbone en fonction
du temps. Le troisième fichier contient une perspective des variables climatiques et des
variables de simulation de l’équilibre hydrique en fonction du temps. Le quatrième fichier
contient un résumé pour chaque opération de simulation. Les variables inclus dans le résumé
sont les événements de phénologie les plus importants, le rendement, et les composantes de
rendement.
2.2.7. Méthodes d’évaluation d’un modèle

L’évaluation d’un modèle se fait en deux étapes :
2.2.6.1. Calibrage d’un modèle
C’est l’estimation des valeurs de ces paramètres à partir des données expérimentales par des
techniques appropriées d’ajustement. (FRANCE et THORNLEY, 1984).
Le calage a consisté à définir les valeurs de certains paramètres, en particulier ceux qui régulent
les phases phénologiques, afin de minimiser les différences entre valeurs observées et valeurs
prédites pour les dates de floraison et maturité, le LAI, les biomasses aériennes et le rendement
en grain.
2.2.6.2. Validation
Pour évaluer la performance du modèle une comparaison entre les données observées et celles
simulées s’impose. Les écarts entre les valeurs prédites et les valeurs observées seront appréciés
à travers des représentations graphiques combinées à des statistiques quantitatives. Deux
indicateurs statistiques sont utilisés le plus souvent dans la littérature pour apprécier la

performance du modèle : la racine carrée de l’erreur quadratique moyenne relative (RRMSE,

exprimée en %) et l’indice d’agrément (IA, sans unité) (Cort, 1971). Ces indicateurs sont inclus
dans l’environnement de modélisation.
CHAPITRE 3. MATERIEL ET METHODES

3.1. Protocole expérimental
3.1.1. Localisation des sites pour les essais
Afin de calibrer et de valider le modèle de simulation DSSAT au contexte sénégalais, les essais
ont été installés à la station de recherche du CNRA de Bambey : 14,71 ° N, 16,48 ° W. Les
essais, dont les données ont été utilisées, sont conduits sur deux variétés de mil : Souna 3 et
Thialack 2.
3.1.2. Caractéristiques physico-chimique du sol
Un échantillonnage composite a été effectué sur les parcelles élémentaires soit 12 sondages ;
pour les profondeurs 0-20cm, 20-40cm, 40-60cm et 60-90cm.
La situation de référence a permis de faire l’état de la fertilité du sol avant la mise en place de
l’essai dans les conditions initiales du site. Une analyse physicochimique et texturale : N, P, C,
CE, CEC, pH, base échangeable (Na, K, Ca et Mg) et granulométrie sur les 4 horizons 0-20 ;
20-40 ; 40-60 et 60-90 sur l’ensemble des parcelles est faite. Les résultats des analyses sont
présentés dans les tableaux suivants.
Le sol se caractérise par une texture sableuse comprenant plus de 90% de sables totaux et de
faibles teneurs en carbone (entre 0,30% et 0.5%), (tableau 2). Le pH est compris entre 7.6 et
7.8 avec un faible pouvoir tampon. La capacité de rétention en eau est faible, de l’ordre de 4,5%
dans les horizons de surface et de 6% dans les horizons de profondeur.
Tableau 2 : Caractéristiques physico-chimiques du sol
Carbone
Profondeur Argile Limon PHeau CEC Azote total M.O
organique
cm % % % cmol.Kg-1 % %
0-20 9.14 4.33 0.489 7.82 2.901 0.024 0.843
20-40 12.34 3.87 0.364 7.695 3.865 0.018 0.628
40-60 13.55 4.09 0.334 7.595 4.231 0.012 0.576
60-90 5.7 1.79 0.304 7.6 3.747 0.012 0.524

3.1.3. Matériel végétal

Le matériel végétal est constitué de deux variétés locales faiblement photosensibilité, une
variété à cycle cours : souna 3 et une autre à cycle intermédiaire : Thialack 2. Leurs
caractéristiques sont renseignées dans le tableau 3.
Tableau 3 : Caractéristiques des deux variétés sélectionnées pour l'étude

Poids
Cycle Potentiel Rendement
Hauteur Couleur 1000 Vocation
Variété cultural rendement décorticage
tige (cm) grain graines culturale
(JAS) (t/ha) (%)
(g)
Thialack2 Pluviale,
95 250 gris 2à3 7,5 83
irriguée
Souna3 Jaune Pluviale,
85-95 242 2.4 à 3.5 7,6 70
olive irriguée
3.1.4. Dispositif expérimental

Le dispositif expérimental est un bloc complètement randomisé (BCR) avec trois (3)
répétitions et quatre (4) traitements. :
 la variété : SN (souna3) et TH (thialakh 2)
 l’apport ou non de fertilisation avec 2 modalités : semis fertilisé (1F) et semis non
fertilisé (0F),

Figure 5 : Dispositif expérimental
La surface totale de l’essai est de 41,2 m x 48.6 m soit 4131 m². Elle est subdivisée en parcelles
de dimension 12.6 m x 10.8 m ; soit une surface de parcelle élémentaire de 136.08 m².
Les écartements 90 cm x 90 cm sont utilisés pour l’ensemble des parcelles ; soit :
 15 lignes de mil de 10.8 m par parcelle élémentaire mil ;
 13 lignes de mil centrales par parcelle utile ;
 12 poquets de mil par ligne ;
3.1.5. Conduite de l’essai
3.1.5.1. Préparation de sol
Un labour suivi d’un hersage croisé a été effectué pour la préparation du sol. Le lit de semis
était assez homogène donc un planage ne fut pas nécessaire.
3.1.5.2. Semis
Les semis sont manuels : semis direct en poquet. Les semis ont été faits à l’aide d’un rayonneur
et avec des écartements de 90 cm entre les poquets et de 90 cm entre les lignes de mil avec
environ 8 à 10 graines par poquets. Le semis du mil s’est effectué le 9 novembre 2017.
Les semences ont été préalablement traitées au fongicide. Un démariage a été effectué après 30
JAS pour ne laisser que 1 plant par poquet.
3.1.6. Entretien des parcelles

3.1.6.1. Sarclage/désherbage
Les sarclages et les désherbages ont été faits à la demande et manuellement. Soit 3 fois pendant
le cycle : avant démariage ; pendant la montaison et à la floraison. Il n’y’a pas eu un traitement
à l’insecticide.
3.1.6.2. Fertilisation
La fumure minérale est constituée du NPK 15-15-15 et de l’urée correspondant à la dose

recommandée sur le mil soit 150 kg/ha de NPK et 100 kg/ha d’urée. Le NPK est appliqué au
semis. La dose d’azote a été fractionnée en deux (2) moitiés avec un premier apport à 10 JAL
correspondant à l’après-démariage et un second apport à la montaison du mil. Les quantités
d’engrais correspondant par parcelle élémentaire sont les suivantes :
 SN1F : Souna fertilisé : 204,12g de NPK et 193,1g d’urée en 2 apports ;

 SN0F : Souna non fertilisé : pas d’apport de fertilisant
 TH1F : Thialack fertilisé : 204,12g de NPK et 193,1g d’urée en 2 apports ;
 TH0F : Thialack non fertilisé : pas d’apport de fertilisant

3.1.6.3. Irrigation :
L’irrigation permet de contrôler la période d’application (phase phénologique), la durée ainsi
que l’intensité du stress hydrique. Ces essais ont été faits dans des conditions non limitantes
c’est-à-dire les besoins en eau de la culture sont satisfaits. Les apports d’eau par irrigation ont
été calculés de façon à maintenir un taux de satisfaction des besoins en eau ou TSAT=
(ETR/ETM) sans incidence sur le rendement c’est à dire entre 80 et 100 % (Diouf, 2001).
L’irrigation a été réalisée à l’aide des asperseurs permettant d’irriguer simultanément toutes les
parcelles avec une rotation de 3 jours et un temps d’irrigation de 1 heure par parcelle.
Globalement, la qualité de l’eau est sans inconvénient majeur sur la croissance et le
développement du mil. 20 pluviomètres dispersés aléatoirement sur la parcelle ont permis de
faire le suivi de l’irrigation en recueillant après chaque irrigation les volumes d’eau apportés.
Figure 6 : Plan de pose des pluviomètres
Les volumes d’irrigation recueillis par les pluviomètres sont représentés dans ce graphique.
50
45
PRECIP mm/d
40
Pluviometre (mm)
35
30
25
20
15
10
5
JAS
0
0 10 20 30 40 50 60 70 80 90 100 110 120
Figure 7 : Dose d'irrigation par rotation

3.1.7. Observations et mesures in situ

L’observation a porté sur les variables pouvant être simulées par le programme utilisé.
Mil
(15 L de Mil de 10,8m)
12,6 m
Bambey/Nioro 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 X X X X X X X X X X X X X X X
2 X X X X X X X 1 2 X X X 3 4 X
10,8 m 7 X X X X X X X X X X 5 6 X X X
12 X X X X X X X 7 8 X X 9 10 X
Superficie de 136,1 m²
1 suivi phénologie et nombre de talles, nombre de feuilles
LAI, prélèvement plantes stade 5-6 feuilles (destructif)
LAI, prélèvement plantes stade épiaison (destructif)
LAI, prélèvement plantes stade floraison (destructif)
LAI, prélèvement plantes stade maturité (destructif)
Placettes: mesures LAI, Carré de rdt récolte (grain et biomasse), NPK (sol, plantes)
Tube deviner (suivi hydrique)
Figure 8 : Plan d’échantillonnage d’une parcelle élémentaire

3.1.7.1. Suivi des stades phénologiques et du développement
Le nombre de talles par poquet, ainsi que les dates d’apparition des différents stades
phénologiques ont été suivis sur 10 poquets par parcelle, choisis près du carré de rendement
afin de pouvoir suivre le développement des plants. Un stade est considéré réalisé lorsqu’au
moins 50% des plantes ont atteint ce stade.
3.1.7.2. La biomasse végétale

Les prélèvements de la végétation par méthode destructive ont été effectués aux différents
stades de développement de la plante, à savoir au stade 5-6 feuilles, au stade montaison, au
stade floraison et au stade maturité, ainsi qu’à la récolte. Les coupes de la matière sèche ont été
effectuées sur des placettes de 4.86 m². Après prélèvement on sépare les différentes biomasses des
poquets prélevés. Les biomasses sont mises en pré-séchage pendant 48 heures, puis elles sont séchées à
l’étuve à 65°C durant 72 h avant d’être pesées.

3.1.7.3. L’indice foliaire (LAI)

L’indice de surface foliaire des plantes (leaf area index (LAI)), exprimant leur surface foliaire
ramenée au m2 a été calculé par la relation suivante :
LAI = surface foliaire / surface de sol occupée par un poquet
L’indice foliaire a été déterminé à l’aide d’un planimètre électronique, les mesures ont été faites
pendant chaque phase phénologiques de développement.
3.1.7.4. Le rendement et ses composantes

A la récolte, le rendement et ses composantes ont été déterminés dans chaque parcelle
élémentaire sur une placette de 81 m² : nombre de poquets au m², nombre de chandelles, poids
des chandelles, poids des grains et poids de mille grains.
3.2. Simulation de la croissance

Le DSSAT v4.7 est la dernière mise à jour du modèle du DSSAT, il comprend 32 cultures
simulées, dont le mil. Il comprend plusieurs modules :
 « Identical soil » pour la simulation de l’équilibre eau-azote-carbone du sol,

 le module « CENTURY- based soil carbon and nitrogen »,
 l’outil de gestion des données de la culture « XBuild » pour l’entrée et l’édition des
données expérimentales,
 le gestionnaire des données climatiques « WheatherMan »,
 l’outil des données expérimentales « ATCreate » pour l’entrée et l’édition des données
détaillées sur la croissance, le développement et le rendement, ainsi que les mesures
concernant l’eau, l’azote et le carbone du sol ,
 le programme graphique « GBuild » pour une représentation graphique des données
expérimentales et des données simulées,
 un programme d’analyse saisonnière des données biophysique et économique des
cultures saisonnières et le programme de diagnostic et d’évaluation
 «STATS» pour l’analyse statistique des données simulées et mesurées du
développement végétatif et reproductif, du rendement et des composantes de
rendement programme qui comprend des modèles de simulation de cultures pour plus
de 32 cultures.
DSSAT v4.7 est supporté par les données programmes de gestion de base pour la gestion des
sols, des conditions météorologiques et des cultures et des données expérimentales, et utilitaires
et programmes d'application pour le rendre fonctionnel pour les utilisateurs.

3.2.1. Input du modèle

Le modèle prend en compte un grand nombre de données en entré, celles-ci sont essentiellement
des données d’observation et de mesure in-situ. Il s’agit dabord des injections de 3 fichiers
contenant les données détaillées des entités sol (figure 9 et 10), des données climatiques (figure
12) et des données inhérentes à la plante (figure 11). Le profil du sol est créé avec SBuil, la
base de données climatique avec Weathman et les paramètres génétiques sont calculés avec
ATcreate puis réajustés pour minimiser les différences entre valeurs observées et simulées.
Figure 9 : Création d'un profil de sol
Figure 10 : Input des résultats d'analyse du sol

Figure 11 : Enregistrement de nouvelles variétés
Figure 12 : Création d'une station climatique
La nature des différentes interventions culturales et leurs dates d’application sont ensuite
renseignées dans le module XBuild, il s’agit précisément de la date de semis (figure 13), la
densité à la levée, le démariage, le désherbage, l’application de fertilisants et d’éventuels
traitements phytosanitaires.
Figure 13 : Input des données expérimentales

3.2.2. Modules de Calcul
Le module de calcul CERES-millet est spécifiquement conçu pour les variétés du mil mais,
cependant on utilise plusieurs autres modules pour le calcul et l’intégration des autres
paramètres du milieu (sol, atmosphère). Chaque module gère ainsi un processus diffèrent, mais

ils sont tous imbriqués (figure14). Les modules utilisés sont le bilan hydrique de Ritchie et le
module CENTURY :
 le bilan hydrique est basé sur le modèle de Ritchie (1998) qui considère un sol
unidimensionnel dont le profil peut comprendre plusieurs couches.
 la simulation du bilan de l’azote et de la matière organique du sol s’est faite avec le
module CENTURY car celui est bien adapté aux sols pauvres.
Figure 14: Choix des modules de simulation
3.3. Validation des résultats

La validation a porté sur les paramètres biophysiques simulés. Pour évaluer la performance du
modèle, une combinaison de représentations graphiques et de mesures statistiques a été utilisée.
Les paramètres statistiques retenus sont la valeur de la racine de l’erreur quadratique moyenne
relative (RRMSE) et l’indice d’agrément (IA) (Willmott, 1982). La RRMSE est exprimée en
pourcentage (%) et l’IA est exprimée en valeur relative. Un modèle ayant une bonne
performance a des valeurs de RRMSE et d’IA qui tendent respectivement vers 0 et 1.
𝒏 𝑂̅ Moyenne des valeurs observées

√∑𝒊=𝟏(𝑷𝒊 − 𝑶𝒊)²
𝒏
𝑹𝑹𝑴𝑺𝑬 =
̅
𝑶 𝑃𝑖 Valeur prédite
n Nombre de cas considérés,

∑𝒏𝒊=𝟏(𝑷𝒊 − 𝑶𝒊)²
𝑰𝑨 = 𝟏 − 𝒏
̅ |)²
∑𝒊=𝟏(|𝑷𝒊 − 𝑶𝒊| + |𝑶𝒊 − 𝑶 𝑂𝑖 Valeur observée

CHAPITRE 4. RÉSULTAT ET DISCUSSION

4.1. Observation et mesure in situ
4.1.1. Datation des stades phénologiques
Sur chaque expérimentation, le suivi des différents stades de développement a été réalisé toutes
les semaines sur 10 poquets choisis aléatoirement sur chaque parcelle élémentaire. La levée, le
tallage et la montaison sont atteints lorsqu’ils ont été observés sur 50% des poquets. Un brin est
considéré à la floraison quand la sortie des stigmates couvre 50% de l’épi ; et un poquet est
considéré à la floraison quand 50% de ses tiges ont atteint la floraison femelle (Bidinger,
Mahalakshmi, Talukdar, & Alagarswamy, 1982) cité par (DIOUF, 2000). Les grains sont à
maturité quand, dans l’ensemble, ils sont devenus durs et détachables. Ils présentent alors une
tache noire.
120
100
80
Levée
Montaison
JAS
60
Ligulation
Epiaison
40
Floraison Femelle
Floraison Mâle
20
Maturite
0
SN0F SN1F TH0F TH1F
Figure 15 : Observation phase phénologique
Un allongement de la durée des phases phénologiques par rapport aux observations des
sélectionneurs, fut observé. L’allongement de la durée de culture en contre-saison s’explique
par l’existence de basses températures nocturnes durant cette période. En effet différents auteurs
ont observé que la durée des phases et la longueur totale du cycle dépendent, entre autres, de la
somme des températures perçues par la culture (Ong et Monteith, 1985). Cet allongement s’est
opéré durant les phases de ligulation, d’épiaison et de floraison pendant lesquelles la vitesse de,
formation des épillets dépend essentiellement de la température d’après Diouf (Diouf, 2000).

4.1.2. Suivi nombre de feuilles et de talles

Le suivi de nombre de talles s’est fait tout au long du cycle de la culture pendant les stades plein
tallage, début montaison et floraison.
100 200
SN0F NT TH1F NF
80 SN0F NF TH1F NT
SN1F NT 150 TH0F NF
60 SN1F NF TH0F NT
100
40
50
20
0 0
32 39 46 68 75 82 90 32 39 46 68 75 82 90
NF : nombre de feuille ; NT : nombre de talle
Figure 16 : Suivi nombre de feuille et de talle.

Le figure 16 montre que la production de talle est beaucoup plus importante chez la variété
thialack 2, le photopériodisme semble affecté beaucoup plus la variété souna 3.
4.1.3. Suivi de la biomasse

Les prélèvements de la végétation ont été effectués aux stades montaison ; floraison et
maturation ; la biomasse est mesurée seulement pendant ces 3 phases, mais ces données
suffisent pour se prononcer sur la validité du modèle.
Tableau 4 : Rendement biomasse (Kg/ha)

Traitement Montaison 50 % floraison Maturité
SN1F 484.63 1634.77 3325.10
TH0F 313.80 2964.23 3253.09
SN0F 534.50 2060.12 5720.16
TH1F 357.29 2379.22 4911.52

7000
6000
SN1F TH0F
Rdt biomasse (Kg/ha) 5000
4000 SN0F TH1F
3000
2000
1000
0
0 50 70 95
Semis Montaison Floraison Maturité
Figure 17 : Biomasse mesurée

4.1.4. Indice de Surface foliaire (LAI)
Les mesures de LAI ont été faites pendant seulement les deux phases pour des raisons
techniques, mais ces données suffisent pour évaluer le comportement du modèle quant à la
simulation de l’indice de surface foliaire qui est une variable clé pour l'étude du fonctionnement
des surfaces végétales, car elle conditionne les échanges de carbone et d'eau avec l'atmosphère.
Tableau 5 : Résultat des mesures de LAI

Traitement LAI Floraison LAI Maturité LAI Carré de rendement
SN1F 1.307 1.517 1.350
TH0F 1.520 1.010 1.107
SN0F 1.363 1.890 1.197
TH1F 1.430 1.453 1.490
4.1.5. Composant de rendement

Le carrée de rendement est constitué de 55 poquets sur une surface de 41m². Le nombre de
poquets par m², le nombre d’épis par poquet et le nombre d’épis par m² sont les composantes
qui expliquent bien les rendements en grain. Le rendement maximal a été obtenu chez le
traitement TH1F avec 1352.97 Kg/ha, le plus faible rendement est aussi observé chez le
traitement TH0F soit 962.29 Kg/ha. Les rendements observés chez le souna 3 ont montré
que la fertilisation n’a pas eu d’effet significatif sur le rendement grain par contre pour la
biomasse la différence est marquée.

Tableau 6 : Analyse composant de rendement

Rendement
Nombre Hauteur Rendement PMG
Traitement Biomasse
d’Epis (cm) Grain (Kg/ha) (g)
(Kg/ha)
SN1F 242 186.78 4165 1189.11 7.26
TH0F 278 167.89 3451 962.29 6.85
SN0F 238 189.11 3624 1172.48 6.85
TH1F 258 197.00 4213 1352.97 7.00

L’indice de récolte défini comme étant le rapport entre le rendement en biomasse totale et le
rendement grain, a été calculé pour chaque traitement afin de fixer sur le modèle la différence
entre la phase végétative et productive au mieux le rendement.
6000 0.30
5000 0.25 0.25

0.24
Indice de recolte
0.21
Rendement (Kg/ha)
4000 0.20
0.18
3000 0.15
2000 0.10
1000 0.05
0 0.00
SN1F TH0F SN0F TH1F
Traitement
RdtB(Kg/ha) RdtG(Kg/ha) IR
.
Figure 18 : Indice de récolte par traitement. RdtB : rendement biomasse ; RdtG : rendement
grain ; IR : indice de récolte.
4.2. Calibrage et Simulation du modèle

4.2.1. Calage des paramètres
Les trois fichiers principaux contenant les paramètres variétaux, les paramètres pédologiques
et les données climatiques ont été inscris dans l’environnement de simulation en utilisant le
même format pour les 3 types de fichiers.

4.2.1.1. Coefficients génétiques des variétés

Les valeurs de TBASE et TOPT ont été fixées respectivement à 11°C et 34°C pour les 2 variétés
Souna 3 et Thialack 2 conformément à divers travaux sur le mil (Garcia-Huidobro et coll., 1982
; van Oosterom et coll., 2001 ; Diouf, 2000). Les durées des phases 1 et 5 ont été d’abord
ajustées à l’aide des paramètres P1 et P5. Le paramétrage obtenu (P1= 385 °C.j et P5 = 400
°C.j) a donné une concordance satisfaisante pour la datation des stades phénologiques pour le
Thialack 2. Pour obtenir des développements des surfaces foliaires et des biomasses aériennes
acceptables, la valeur du coefficient de la taille relative de la feuille G1 a été augmentée à 3
chez les deux variétés.
Pour le souna 3, le calibrage a été beaucoup plus difficile car la simulation ne donnait pas les
résultats escomptés. Ainsi les paramètres P1 et P5 ont été ajustés pour correspondre aux
observations phénologiques. La durée du cycle est estimée à 108 JAS. Cependant la valeur
relative à la taille de la feuille SLP ne peut pas etre modifié ce qui peut occasionner une
surestimation de la biomasse et du LAI par le modèle. Les coefficients génétiques calculés pour
chaque variété sont consignés dans le tableau.
Tableau 7 : Coefficients génétiques calculés
Coefficient Souna 3 Thialack 2
P1 425 °C.j 385 °C.j
P20 12 heures 12 heures
P2R 520 °C.j 420 °C.j
P5 425 °C.j 400 °C.j

G1 3 3
G4 0.6 0.6
G5 18 11
Ces différentes valeurs de paramètres ont permis d’obtenir un calage globalement satisfaisant
des longueurs de cycle, des dynamiques des biomasses et des rendements.
4.2.1.2. Données climatiques.

Une base de données climatique a été conçue avec le programme Weather-man. La base de
données contient une série de données journalières concernant les minima et maxima de
température (Tmin et Tmax) ; l’humidité relative (Hrmax et Hrmin) : la durée d’insolation
(INS) ; la vitesse du vent à 2 m sol (Vent) ainsi que l’evaporation Piche (EV Piche) (figure 13).

20 INS (heure) (heures) Vent (à 2 m) (m/s) E V Piche (mm)
15
10
0
12/09/2017 12/29/2017 01/18/2018 02/07/2018 02/27/2018 03/19/2018
150 HRmin HRmax 50 Tmin (°C) Tmax (°C)
40
100
30
20
50
10
0 0
1 11 21 31 41 51 61 71 81 91 101 1 11 21 31 41 51 61 71 81 91 101
.
Figure 19 : Enregistrement données climatiques station CNRA Bambey

4.2.1.3. Conditions initiales
La création d’un profil de sol a été faite avec le module SBuild, les résultats d’analyse des
échantillons de sol ont permis de déterminer un facteur de fertilité du sol (SLPF), variant de 0
à 1, permet de prendre en compte l’effet des éléments nutritifs autres que l’azote, sur la
croissance journalière en biomasse de la plante : sa réduction permet de diminuer les biomasses
et rendements simulés. Le fichier sol crée les données d’analyse physico-physique presenté plus
haut (tableau 2).
4.2.2. Simulation de la croissance et du développement

4.2.2.1. Phase de développement
Le cycle de croissance de la variété Thialack simulé est d’environ 93 JAS alors qu’il de 108
JAS pour le souna 3. Pour le Thialack les simulations semblent concorder avec les observations,
les dates de floraison sont par contre plus tardives de 13 jours. Pour le souna 3, la durée du stade
végétatif simulé a été raccourcis au profit de phase reproductive.

7 7
Growth stage (SN0F) Growth stage (TH0F)
6 6
5 Growth stage (SN1F) 5 Growth stage (TH1F)
4 4
3 3
2 2
1 1
JAS JAS
0 0
20 40 60 80 100 120 20 40 60 80 100 120
Figure 20 : Stade phénologique simulé

4.2.2.2. Biomasse
La production de biomasse simulée est plus importante chez le souna 3, elle a atteint 4 t/ha pour
le traitement TH1F contre 3.5 t/ha pour le SN1F à la maturité. La dis proportionnalité de la
production de biomasse peut s’expliquer par la relance du développement végétal favorisée par
l’apparition de températures favorisant des conditions de développement plus adéquates.
Les parcelles ayant comme traitement le Thialack ont atteint la phase reproductive avant celles
avec la variété souna 3.
4500
Biomasse -Kg/ha)
4000 Leaf wt kg/ha (TH1F)

Leaf wt kg/ha (TH0F)
3500
Leaf wt kg/ha (SN1F)
3000
Leaf wt kg/ha (SN0F)
2500
2000
1500
1000
JAS
500
0
0 20 40 60 80 100
Figure 21 : Rendement en biomasse simulé

4.2.2.3. LAI
Les valeurs de LAI maximales simulés sont supérieures à 5 pour tous les traitements.
L’évolution du LAI suit celle de la biomasse ; ces deux facteurs dépendent en effet du flux
d’énergie intercepter par rayonnement. Cependant les valeurs simulées semblent etre
surestimées. Cette surestimation est due à la valeur de SLA fixée dans le code source.

6
LAI (SN1F)
5 LAI (SN0F)
LAI (TH0F)
4 LAI (TH1F)
0
20 40 60 80 100 JAS
Figure 22 : LAI simulé

4.2.2.4. Composant de rendement
Les rendements en grain simulé semblent cependant faibles par rapport aux observations
générales sur des essais en station dans les conditions similaires soit plus de 1500kg/ha
(DIOUF, 2000; Diouf, 2001; Fechter J. , Allison, Sivakumar, Ploeg, & Bley, 1991; Affholder,
2004). Les simulations ont donné un rendement maximal de 1287 Kg/ha pour le Thialack 2 en
condition de fertilisation azoté, pour le traitement Thialack 2 sans apport de fertilisation la
simulation a donné le rendement le plus faible 886 Kg/ha. Pour le souna 3 le traitement ne
semble pas influé les rendements mesurés : 1057 Kg/ha pour le traitement avec apport de
fertilisant et 1146 Kg/ha pour le traitement sans apport de fertilisant.
1200 0.35
Grain wt kg/ha (SN1F) Harvest index (SN0F)
1000 0.3
Grain wt kg/ha (SN0F) Harvest index (SN1F)
0.25
800 Grain wt kg/ha (TH0F) Harvest index (TH0F)
Grain wt kg/ha (TH1F)
0.2 Harvest index (TH1F)
600
0.15
400
0.1
200 0.05
(a) (b)
0 0
50 100 20 40 60 80 100
Figure 23 : (a) Rendement grain simulé ; (b) : Indice de récolte simulé

La valeur du poids relatif d’un grain G5 a été diminuée pour avoir une concordance entre les
valeurs observées et simulées relatif au poids des mille grains.

Tableau 8 : Composant de rendement simulé
Traitement Rendement simulé PMG

(Kg/ha) (g)
SN1F 1057 6.25
SN0F 1146 5.84
TH0F 886 7.01
TH1F 1287 6.96
4.3. Validation du modèle

La validation a porté sur les paramètres quantitatifs ayant directement un effet sur le rendement
plus résultats attendus.
4.3.1. Biomasse et LAI

La validation a porté sur la biomasse de carrée de rendement récolté (à la maturité).
La production de la biomasse estimée par la simulation a été proche de celle mesurée, elle a été
légèrement surestimée. Le ratio : moyenne simulée/moyenne observée est proche de 1.
Tableau 9 : Validation simulation en biomasse

Biomasse Biomasse RRMSE
Variété Ratio IA
observée Kg/ha simulée Kg/ha %
4165 3456 1.20
Souna 3 21 0.69
3624 3259 1.1
3451 3650 0.95
Thialack 2 16 0.79
4213 4000 1.07
La validation du LAI a porté sur les valeurs simulées à la maturité et les valeurs observés au
même stade. Pour les autres stades de développement le LAI semble être surestimé (figure 14),
et en plus des mesures n’ont pas été faites pendant les ces phases.
Tableau 10 : Validation simulation LAI

RRMSE
Traitement LAI observé LAI simulé Ratio IA
(%)
1.35 1.27 1.25
Souna 3 17 70
1.197 0.95 1.26
1.107 1.18 0.94
Thialack 2 8 91
1.49 1.58 0.94

Le calage semble corriger les problèmes rencontrés par différents auteurs quant à la
surestimation de la biomasse par le modèle CERES-millet (KOUAKOU, 2013; Fechter,
Allison, Sivakumar, Ploeg, & Bley, 1991). Globalement le calage en LAI et en biomasse semble
etre satisfaisant. Malgré une surestimation du LAI pendant la phase végétative, les valeurs de
RRMSE =12% et de IA = 86 ont été obtenues pour le calage en biomasse et en LAI pour la
variété Thialack 2. Pour la variété souna 3 une valeur RRMSE = 15% et un IA = 70 ont été
obtenues.
Le modèle ainsi callé a une bonne capacité de prédiction de rendement biomasse.
4.3.2. Rendement grain

Pour le calage du rendement en grain, le coefficient d’allocation des assimilats dans la panicule
G4 a été fixé 0.60 pour corriger l’écart de rendement obtenu aux premières simulations. Les
rendements simulés semblent correspondre aux différentes observations faites. La capacité de
prédiction du modèle pour le rendement en grain est excellente (tableau 10). Des résultats
similaires ont été obtenus par Kouakou (Kouakou, 2013), qui a montré que le modèle CERES-
millet a une meilleure prédiction en rendement grain que les modèles SARRA-H et CELSIUS.
Dans les conditions de notre étude, Kouakou avait trouvé des valeurs de RRMSE respectives
de 42%, 46% et 71% pour ces trois modèles. Des résultats similaires ont été obtenus aussi par
Fetcher et al au Niger (Fechter J. & coll, 1991).
Tableau 11 : Validation rendement en grain

Observé Simulé RRMSE
Variété Ratio IA
(Kg/ha) (Kg/ha) (%)
1189.11 1057 0.80
Souna 3 14 0.81
1172.48 1146 0.72
962.29 886 1.13
Thialack 8 0.89
1352.97 1287 0.73

CONCLUSION ET RECOMMANDATION
L’étude a permis de caler le modèle DSSAT sur le Souna 3 et le Thialack 2 pour une prévision
des rendements dans les conditions du bassin arachidier au Sénégal. Le modèle ainsi callé et
validé a eu une bonne performance en station pour la simulation du rendement en grain et de la
biomasse totale. On peut donc entrevoir son utilisation future pour la prévision des rendements
au Senegal.
Cependant, plusieurs incohérences furent relevées au cours de la simulation. Il s’agit des

problèmes liés à la surestimation de la surface foliaire qui entraine également une surestimation
de la biomasse. Les variétés utilisées sont faiblement photosensibles d’après les sélectionneurs,
mais les observations ont montré que le photopériodisme est tres marqué chez le souna 3. Enfin,
il y a le problème de la forte sensibilité du modèle à la teneur en azote du sol qui résulte
certainement du fait que certains modules du modèle CERES-Millet dérivent de CERES-Maize.
Le maïs est en effet beaucoup plus sensible au stress azoté que le mil.
Des études doivent être poursuivies dans cette voie avant de pouvoir proposer un modèle apte
à être utilisé pour faire de la prévision agricole fiable au Sénégal et ce, à condition de disposer
d’informations sur les principaux types de sols du pays, les coefficients des principales variétés
ainsi qu’une base de données climatique couvrant tout le pays.
. Dans ce sens nous recommandons de :
֍ Mettre en place une cartographie des sols du Sénégal dédiée à une utilisation en prévision
des rendements. La construction d’une cartographie des sols dédiée à l’utilisation de
DSSAT pour la prévision agricole devra être envisagée. Ceci peut se faire par une revue
sur les études de sols au Sénégal. Le facteur SLPF doit etre déterminé pour chaque type
de sol. Thornton et coll. (1997) ont obtenu des résultats satisfaisants par le passé en
utilisant, dans le cadre d’une étude d’estimation des rendements du mil au Burkina Faso
avec CERES-Millet, des informations pédologiques fournies par la carte d'aptitude des
sols du Burkina Faso établie par l’Institut de Recherche pour le Développement (IRD) à
une échelle de 1:500 000.
֍ Reproduire un modèle de base de données de sols comme celle de la WISE database de
l’ISRIC.

֍ Orienter les recherches vers une détermination des coefficients de photosensibilité des
variétés locales par mesures de cumule de température nécessaire pour chaque phase de
développement.
֍ Coupler avec la télédétection à haute résolution spatiale pour recueillir directement les
données climatiques ainsi que certains paramètres variétaux qui peuvent étre calculer
par interpolation du NDVI. Ce couplage peut se faire par l’implémentation d’un module
Qgis, ce dernier permettra de prendre en compte directement les paramètres climatiques
en fonction de l’altitude.
֍ Reconduire une étude de validation du modèle en condition de déficit hydrique et en
condition pluviale.
֍ Faire une simulation en condition paysanne pour réévaluer les performances du modèle.

REFERENCES BIBLIOGRAPHIQUES
Adams W.A. (1973). The effect of organic matter on the bulk and true densities of some
uncultivated podzolic soils. J. Soil Science 24, 10-17.
Adams, A.M., Gillespie, A.W., Kar, G., Koala, S., Ouattara, B., Kimaro, A.A., Bationo,
A., Akponikpe, P.B.I., Schoenau, J.J., Peak, D. (2016) Long term effects of reduced
fertilizer rates on millet yields and soil properties in the West-African Sahel. Nutrient Cycling
in Agroecosystems, 106 (1), pp. 17-29. Cited 2 times.
Adnan, A.A., Jibrin, J.M., Kamara, A.Y., Abdulrahman, B.L., Shaibu, A.S., Garba, I.I.
(2017). CERES–Maize model for determining the optimum planting dates of early maturing
maize varieties in Northern Nigeria. Frontiers in Plant Science, 8, art. no. 1118,
Adnan, A.A., Jibrin, J.M., Kamara, A.Y., Abdulrahman, B.L., Shaibu, A.S. (2017)
Using CERES-Maize model to determine the nitrogen fertilization requirements of early
maturing maize in the Sudan Savanna of Nigeria. Journal of Plant Nutrition, 40 (7), pp. 1066-
1082.
Akinseye, F.M., Adam, M., Agele, S.O., Hoffmann, M.P., Traore, P.C.S., Whitbread,
A.M. (2017) Assessing crop model improvements through comparison of sorghum (sorghum
bicolor L. moench) simulation models: A case study of West African varieties. Field Crops
Research, 201, pp. 19-31.
Akponikpè, P.B.I., Gérard, B., Michels, K., Bielders, C. (2010). Use of the APSIM model
in long term simulation to support decision making regarding nitrogen management for pearl
millet in the Sahel. European Journal of Agronomy, 32 (2), pp. 144-154. Cited 23 times.
Balaghi, R., Bregaglio, S., Frasso, N., Pagani, V., Stella, T., & Francone, C. (2015). New
multi-model approach gives good estimations of wheat yield under semi-arid climate in
Morocco. Agronomy for Sustainable Development, Springer Verlag/EDP Sciences/INRA,, pp
157-167.
Bezançon, G., Renno, J.-F., & Kumar, K. A. (1996). Le mil. Research Bulletin No. 6
International Crops Research Institute for the Semi-Arid Tropics, pp 457-482.
Bidinger, F., Mahalakshmi, V., Talukdar, B., & Alagarswamy, G. (1982). Improvement of
drought resistance in pearl millet, in drought resistance in crops with emphasis. Philippines:
International Rice Institute.
Bechini, L., Bocchi, S., Maggiore, T., Confalonieri, R., (2006). Parameterization of a crop
growth and development simulation model at sub-model components level. An example for
winter wheat (Triticum aestivum L.). Environmental Modelling & Software 21: pp 1042–
1054.
Brisson, N., Gary, C., Juste, E., Roche, R., Mary, B., Ripoche, D., Zimmer, D., Sierra, J.,
Bertuzzi, P., Burger, P., Bussière, F., Cabidoche, Y.M., Cellier, P., Debaeke, P.,
Gaudillère, J.P., Maraux, F., Seguin, B., Sinoquet, H., (2003). An overview of the crop
model STICS. European Journal of Agronomy 18: 309–332

Bronne C.E & Wellens J. (2011). Elaboration d’un modèle de prévision des rendements
cotonniers dans la province du Houet Article publié, recupéré sur www.GE-eau.org 8 pages.
Carlson, & Ripley. (1997). Relation entre l'IVDN, la couverture végétale fractionnaire et
l'indice foliaire. Journal de la protection de l'environnement, pp 241-252.
Corbeels, M., Chirat, G., Messad, S., Thierfelder, C. (2016) Performance and sensitivity of
the DSSAT crop growth model in simulating maize yield under conservation agriculture.
European Journal of Agronomy, 76, pp. 41-53. Cited 4 times.
Danny, L. S., begue, A., leroux, L., tonneau, J.-P., morant, P., charrier , B., & torre , C.
(2016). Observation spatiale pour l’agriculture en Afrique : potentiels et défis. Notes
techniques, CIRAD 185pages.
Delécolle, R., Maas, S., Guerif, M., & Frederic, B. (1992). Remote sensing and crop
production models: Present trends. ISPRS Journal of Photogrammetry and Remote Sensing,
pp 145-161.
Dent, B. e. (1979). Systems Simulation in Agriculture. London: Applied Science. American
Journal of Agricultural Economics, pp 848.
Diagana, B., Antle, J., Stoorvogel, J., Gray, K. (2007) Economic potential for soil carbon
sequestration in the Nioro region of Senegal's Peanut Basin. Agricultural Systems, 94 (1), pp.
26-37. Cited 15 times.
Diouf, O. (2000). Réponses agrophysiologiques du mil (Pennisetum glaucum (l.) R. Br.) À la
sécheresse influence de la nutrition azotée (Thése Doctorat). UNIVERSITÉ LIBRE DE
BRUXELLES. 200p.
Diouf, O. (2001). La culture du mil (Pennisetum glaucum (L.) R. Br.) en zone semi-aride :
bases agrophysiologiques justificatives d’une fertilisation azotée. Mémoire de titularisation
ISRA Senegal 75pages.
Dorigo, W. A., Zurita-Milla, R., Wit, A., J.Brazile, R.Singh, & M.E.Schaepman. (2007).
A review on reflective remote sensing and data assimilation techniques for enhanced
agroecosystem modeling. International Journal of Applied Earth Observation and
Geoinformation, pp 165-193.
Fechter, J., Allison, B.E., Sivakumar, M.V.K., Ploeg, R.R.V.D., Bley, J., (1991). An
evaluation of the SWATRER and CERES-Millet models for southwest Niger, in: Soil Water
Balance in the Sudano-Sahelian Zone, IAHS Publication 199. Proceedings of an International
Workshop, 18- 23 February, 1991, Niamey, Niger, IAHS Press, Institute of Hydrology,
Wallingford,United Kingdom. pp. 505–513.
Forest, F., Cortier, B., (1991). Diagnostic hydrique des cultures et la prévision du rendement
régional du mil cultivé dans les pays du CILSS, in: Soil Water Balance in the Sudano-
Sahelian Zone, IAHS Publication 199. Proceedings of an International Workshop, 18- 23
February, 1991, Niamey, Niger, IAHS Press, Institute of Hydrology, Wallingford, United
Kingdom, pp 547–559.
Frère, M., Popov, G., (1987). Suivi agrométéorologiques des cultures et prévision des
rendements. FAO, Rome, Italie. 73 pages.

Gbegbelegbe, S., Cammarano, D., Asseng, S., Robertson, R., Chung, U., Adam, M.,
Abdalla, O.,Payne, T., Reynolds, M., Sonder, K., Shiferaw, B., Nelson, G. (2017)
Baseline simulation for global wheat production with CIMMYT mega-environment specific
cultivars. Field Crops Research, 202, pp. 122-135. Cited 2 times.
Gijsman, A.J., Thornton, P.K., Hoogenboom, G. (2007) Using the WISE database to
parameterize soil inputs for crop simulation models. Computers and Electronics in
Agriculture, 56 (2), pp. 85-100. Cited 48 times.
Godwin, D., & Jones, C. (1991). Nitrogen Dynamics in Soil-Plant Systems, in: Modeling
Plant and Soil Systems. Hanks J. et Ritchie J. T. (eds). pp. 287–321.
Hoogenboom, G., Porter, C., Shelia, V., Boote, K., Singh, U., White, J., . . . Jones., J.
(2017). Decision Support System for Agrotechnology Transfer (DSSAT) Version 4.7
(www.DSSAT.net). Gainesville, Florida, USA: DSSAT Foundation. Récupéré sur
www.DSSAT.net.
Jagtap, S.S., Abamu, F.J., Kling, J.G., (1999). Long-term assessment of nitrogen and
variety technologies on attainable maize yields in Nigeria using CERES-Maize. Agricultural
Systems 60: pp 77–86.
Jones, & Kiniry, J. (1986). A simulation model of maize growth and development. College
Station : Texas A&M University Press, 1986., 194.
Jones, J., Hoogenboom, G., Porter, C., Boote, K., Batchelor, W., Hunt, L., . . . Ritchie, J.
(2003). The DSSAT cropping system model. Europ. J. Agronomy.
Keating, B., Carberry, P., Hammer, G., Probert, M., Robertson, M., Holzworth, D.,
Huth, N., Hargreaves, J.N., Meinke, H., Hochman, Z., McLean, G., Verburg, K., Snow,
V., Dimes, J., Silburn, M., Wang, E., Brown, S., Bristow, K., Asseng, S., Chapman, S.,
McCown, R., Freebairn, D., Smith, C., (2003). An overview of APSIM, a model designed
for farming systems simulation. European Journal of Agronomy 18: pp 267–288.
Kouadio, A. (2007). Prévision de la production nationale d’arachide au Sénégal à partir du
modèle agrométéorologique AMS et du NDVI. Mémoire DES. Belgique. 54 p.: Université de
Liège et Faculté Agronomique de Gembloux.
Kouakou, P. M. (2013). Évaluation du modèle CERES-Millet pour la simulation des
interactions eau-fertilité fertilité en culture de mil (Pennisetum glaucum (L.) R. Br.) en vue de
son utilisation éventuelle au Sénégal. Thése unique de doctorat Université Cheikh Anta Diop,
Dakar-Senegal. 172p.
Lalau-Keraly, A., (1991). Panorama des systèmes d’information sur la sécurité alimentaire
dans les neuf pays du CILSS. Stateco 66: pp 77–104.
Le Moigne, J.-L. (1990). La Modelisation des Systemes Complexes. Paris: Bordas, Dunot,.
Lobell, D., & Burke, M. (2010, Octobre 15). On the use of statistical models to predict crop
yield responses to climate change. Agricultural and Forest Meteorology, Volume 150, 1443-
1452.
MacCarthy, D.S., Adiku, S.G.K., Freduah, B.S., Gbefo, F., Kamara, A.Y. (2017)
Using CERES-maize and ENSO as decision support tools to evaluate climate-sensitive farm

management practices for maize production in the northern regions of Ghana. Frontiers in
Plant Science, 8, art. no. 31, .
Maiti, R. K., & Bidinger, F. R. (1981). Growth and Development of the Pearl Millet Plant.
ICRISAT Research Bulletin No.6 , pp 5-18.
Monteith, J., (1984). On time and crop production, in: Jennareddy Venkat Reddy Memorial
lecture,10 December 1984, ICRISAT, Andhra Pradesh Agricultural University, India
[Présentation].
Morel, J. (2014). Estimation de la biomasse de canne par modélisation et télédétection. La
Reunion. These de doctorat université
Ndir, K., ndoye, M., & ndiaye, S. (2014). Caractérisation agromorphologique de neuf (9)
variétés de mil (Pennisetum glaucum L.) ÉLITES – ISRA, dans la zone du bassin arachidier :
cas de la région de thiès (senegal). Senegal.
Ndour, A., Loison, R., Gourlot, J.-P., Seydi Ba, K., Dieng, A., Clouvel, P. (2017)
Climate change and cotton production in senegal: Alternate dissemination strategies of
varieties. [Article@Changement climatique et production cotonnière au Sénégal: Concevoir
autrement les stratégies de diffusion des variétés] Biotechnology, Agronomy and Society and
Environment, 21 (1), pp. 22-35.
Ndoye, M. (1984). État de la contrainte phytosanitaire sur la culture du mil dans le sahel:.
Niamey, Niger: Projet CILSS de lutte intégrée.
Piikki, K., Winowiecki, L., Vågen, T.-G., Ramirez-Villegas, J., Söderström, M. (2017)
Improvement of spatial modelling of crop suitability using a new digital soil map of Tanzania
South African Journal of Plant and Soil, 34 (4), pp. 243-254.
Rader, M., Kirshen, P., Roncoli, C., Hoogenboom-, G., Ouattara, F. (2009)
Agricultural risk decision support system for resource-poor farmers in Burkina Faso, West
Africa. Journal of Water Resources Planning and Management, 135 (5), pp. 323-333. Cited 5
times.
Rembold, F., C. A., Savin, I., & Rojas, O. (2013). Using Low Resolution Satellite Imagery
for Yield Prediction and Yield Anomaly Detection. Remote Sensing(5), 1704-1733.
Ritchie. (1990). Modélisation de l'évapotranspiration à l'aide de ‘support vector machines’.
Hydrological Sciences Journal.
Sanon, M., Hoogenboom, G., Traoré, S.B., Sarr, B., Garcia Y Garcia, A., Somé, L.,
Roncoli, C. (2014). Photoperiod sensitivity of local millet and sorghum varieties in West
Africa NJAS - Wageningen Journal of Life Sciences, 68, pp. 29-39. Cited 4 times.
Salack, S., Sarr, B., Sangare, S.K., Ly, M., Sanda, I.S., Kunstmann, H. (2015)
Crop-climate ensemble scenarios to improve risk assessment and resilience in the semi-arid
regions of West Africa. Climate Research, 65, pp. 107-121. Cited 6 times.
Sarr M. A., Seidou O., Bryant C.R., Amadou A., (2016). Projections of peanut yields from
2011 to 2040 in Senegal using classification and regression trees. Springer, Bryant et al.
(eds.), Agricultural Adaptation to Climate Change, Doi 10.1007/978-3-319-31392-4_10

Singh, U., & Thornton., P. K. (1992). Using crop models for sustainability and environment
quality assessment. Agronomy Journal, XXI(3), 209-218.
S. Laguette, A. Vidal, P. Vossen. Télédétection et estimation des rendements en blé en
Europe. Ingénieries - E A T, IRSTEA édition 1997, p. 19 - p. 33. <hal-00461051>
Soler, C.M.T., Maman, N., Zhang, X., Mason, S.C., Hoogenboom, G. (2008)
Determining optimum planting dates for pearl millet for two contrasting environments using a
modelling approach. Journal of Agricultural Science, 146 (4), pp. 445-459. Cited 20 times.
Sultan, B., Baron, C., Dingkuhn, M., Sarr, B., Janicot, S., (2005). La variabilité climatique
en Afrique de l’Ouest aux échelles saisonnière et intra-saisonnière. II : applications à la
sensibilité des rendements agricoles au Sahel. Sécheresse 16: pp 23–33.
Thornton, P.K., Booltink, H.W.G., Stoorvogel, J.J. (1997) A computer program for
geostatistical and spatial analysis of crop model outputs Agronomy Journal, 89 (4), pp. 620-
627. Cited 16 times.
Tostain S., (1994). Evaluation de la diversité génétique des mils pénicillaires diploïdes.
Pennisetum glaucum (L.) R. Br., au moyen de marqueurs enzymatiques: étude des relations
entre formes sauvages et cultivées. Paris, France, ORSTOM, Travaux et documents
rnicro édités n° 124, 331 p
Tovihoudji, P.G., Akponikpè, P.B.I., Agbossou, E.K., Bertin, P., Bielders, C.L. (2017).
Fertilizer microdosing enhances maize yields but may exacerbate nutrient mining in maize
cropping systems in northern Benin. Field Crops Research, 213, pp. 130-142.
Tucker, C. J., & sellers, P. J. (1986). Satellite remote sensing of primary production.
International Journal of Remote Sensing, 7(11), pp 1395-1416.

ANNEXE
ANNEXE 1: Inscription des deux variétés dans le modèle
ANNEXE 2 : Création du fichier sol
ANNEXE 3 : Injection des fichiers climat et sol

ANNEXE 4 : Les différents scenarii simulés
ANNEXE 5 : Choix du modèle de simulation
ANNEXE 6 : Choix des différents modules pour la simulation

ANNEXE 7 : fichier .MLX récapitulatif des inputs du modèle
@SITE
CNRA, Bambey, Senegal
@ PAREA PRNO PLEN PLDR PLSP PLAY HAREA HRNO HLEN HARM.........
0 -99 -99 -99 -99 -99 -99 -99 -99 -99
@NOTES
Essai de calibrage DSSAT dans les conditions du bassin arachidier,CNRA BAMBEY, Sénégal
*TREATMENTS -------------FACTOR LEVELS------------

@N R O C TNAME.................... CU FL SA IC MP MI MF MR MC MT ME MH SM
1 1 0 0 SN1F 1 1 0 1 1 0 1 0 0 0 0 0 1
2 1 0 0 SN0F 1 1 0 1 1 0 0 0 0 0 0 0 1
3 1 0 0 TH0F 2 1 0 1 1 0 0 0 0 0 0 0 1
4 1 0 0 TH1F 2 1 0 1 1 0 1 0 0 0 0 0 1
*CULTIVARS
@C CR INGENO CNAME
1 ML IB0090 Souna 3
2 ML IB0091 Thialack 2
*FIELDS
@L ID_FIELD WSTA.... FLSA FLOB FLDT FLDD FLDS FLST SLTX SLDP ID_SOIL FLNAME
1 SNCN0001 CNRA -99 0 DR000 0 0 00000 -99 210 01SoilCNRA -99
@L ...........XCRD ...........YCRD .....ELEV .............AREA .SLEN .FLWR .SLAS FLHST FHDUR
1 0 0 0 0 0 0 0 -99 -99
*INITIAL CONDITIONS
@C PCR ICDAT ICRT ICND ICRN ICRE ICWD ICRES ICREN ICREP ICRIP ICRID ICNAME
1 ML 86161 100 0 1 1 -99 50 .5 0 100 10 -99
@C ICBL SH2O SNH4 SNO3
1 5 .031 .5 8.8
1 15 .031 .5 8
1 30 .037 .5 5
1 45 .037 .5 4
1 60 .037 .5 2
1 90 .04 .5 .8
1 120 .037 .5 .5
1 150 .037 .5 .5
1 180 .037 .5 .5
1 210 .034 .5 .5
*PLANTING DETAILS
@P PDATE EDATE PPOP PPOE PLME PLDS PLRS PLRD PLDP PLWT PAGE PENV PLPH SPRL PLNAME
1 86168 -99 3 3 S R 100 0 5 -99 -99 -99 -99 0 -99
*FERTILIZERS (INORGANIC)
@F FDATE FMCD FACD FDEP FAMN FAMP FAMK FAMC FAMO FOCD FERNAME
1 86193 FE001 -99 5 15 15 15 -99 -99 -99 -99
1 86218 FE001 -99 5 30 -99 -99 -99 -99 -99 -99
*ENVIRONMENT MODIFICATIONS
@E ODATE EDAY ERAD EMAX EMIN ERAIN ECO2 EDEW EWIND ENVNAME
1 86161 A 0 A 0 A 0 A 0 A 0.0 A 0 A 0 A 0
*SIMULATION CONTROLS
@N GENERAL NYERS NREPS START SDATE RSEED SNAME.................... SMODEL
1 GE 1 1 S 86161 2150 ICRISAT SAHELIAN CENTRE,
@N OPTIONS WATER NITRO SYMBI PHOSP POTAS DISES CHEM TILL CO2
1 OP Y Y N N N N N N M
@N METHODS WTHER INCON LIGHT EVAPO INFIL PHOTO HYDRO NSWIT MESOM MESEV MESOL
1 ME M M E R S C R 1 G S 2
@N MANAGEMENT PLANT IRRIG FERTI RESID HARVS
1 MA R N R N M
@N OUTPUTS FNAME OVVEW SUMRY FROPT GROUT CAOUT WAOUT NIOUT MIOUT DIOUT VBOSE CHOUT OPOUT
FMOPT
1 OU N Y Y 1 Y N Y Y N N Y N N A
@ AUTOMATIC MANAGEMENT
@N PLANTING PFRST PLAST PH2OL PH2OU PH2OD PSTMX PSTMN
1 PL 86161 86175 40 100 30 40 10
@N IRRIGATION IMDEP ITHRL ITHRU IROFF IMETH IRAMT IREFF
1 IR 30 50 100 GS000 IR001 10 1
@N NITROGEN NMDEP NMTHR NAMNT NCODE NAOFF
1 NI 30 50 25 FE001 GS000
@N RESIDUES RIPCN RTIME RIDEP
1 RE 100 1 20
@N HARVEST HFRST HLAST HPCNP HPCNR
1 HA 0 87168 100 0

0 Memoire Amath Final

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

0 Memoire Amath Final

Transféré par

Droits d'auteur :

Formats disponibles

République Du Sénégal

Mémoire de fin d’étude

Modélisation des rendements du mil en condition

Presenté et soutenu publiquement par :

Pr Abdoulaye DIENG Directeur de l’ ENSA Président

Dr Alpha Bocar BALDE Chercheur au CNRA de BAMBEY Membre

Dr Khadidiatou NDIR Enseignant-Chercheur ENSA Membre

Dr Mamadou Adama SARR Chercheur au CSE Co-encadreur

M. Magatte WADE Enseignant-Chercheur ENSA Rapporteur

À cet être si cher, source de tendresse, de patience et de générosité, ma maman

À mes frères et sœurs et à toute ma famille.

֍ Au Pr Abdoulaye Dieng, Directeur de l’Ecole Nationale Supérieure d’Agriculture (ENSA)

CEA-MITIC Centre d’Excellence Africain en Mathématique, Informatique et Technologie

Liste des figures

Liste des annexes

ANNEXE 1: Inscription des deux variétés dans le modèle...................................................... 45

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 1

CHAPITRE 1. PRESENTATION DU CADRE DE L’ETUDE

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 2

1.2. Objectif de l’étude

1.2.2. Objectifs spécifiques

Il s’agira plus spécifiquement de :

 procéder au calage du modèle au contexte du Sénégal ;

 estimer la fiabilité des résultats en comparaison avec les données in situ.

1.3. Résultats attendus

 une méthodologie d’échantillonnage des paramètres nécessaires à la calibration du

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 3

CHAPITRE 2. REVUE BIBLIOGRAPHIQUE

Evolution des rendements du mil au sénégal

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 4

2.1.4.1. Phase végétative

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 5

2.1.4.2. Phase reproductive

2.1.4.3. Phase de maturation

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 6

2.2. Modélisation de la croissance végétale

Selon DENT (1979), les représentations de la réalité sont de deux types :

représentation physique : modèles illustratifs

représentation portant peu ou pas de ressemblance avec le système réel : modèles

En agronomie la modélisation est la combinaison de connaissances physiologique, biologique,

Les modèles sont élaborés pour les objectifs suivants :

prédiction par interpolation ou extrapolation

interprétation des résultats

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 7

2.2.2. L’approche modélisation

Figure 2 : Approche modèle basée sur la combinaison de données.

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 8

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 9

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 10

2.2.4.1. Modèles de cultures empiriques

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 11

La combinaison de données de télédétection et de modèles de développement de plante semble

2.2.5. Programme de modélisation biophysique

Tableau 1 : Modèles de simulation répertorié

Crop Model Organisme

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 12

Wageningen—Models Library—WOFOST. Available

2.2.6. Présentation du projet DSSAT

2.2.5.1. Les modèles DSSAT (Crop Modeling System)

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 13

Figure 4: Modèle de simulation DSSAT

Brièvement, dans CERES un développement phasique quantifie l’âge physiologique de la

Amath TALL ; Mémoire fin d’étude ENSA Génie rural 2017 14