Académique Documents
Professionnel Documents
Culture Documents
*************
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
Devant le jury :
C’est dans l’allégresse que je dédie ce mémoire à ces personnes sans qui je n’en
serais pas là.
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 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 :
~ 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
~ viii ~
TABLE DES ILLUSTRATIONS
~ 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
~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.
L’objectif global de cette étude est de calibrer le modèle d’estimation des rendements DSSAT
au contexte Sahélien sur des variétés du mil.
estimer les rendements du mil dans les conditions du bassin arachidier (Bambey) ;
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).
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).
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.
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.
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
prise de décision
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 :
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).
CSM. Ces modèles prennent en compte tous les éléments de manière exhaustive d’où leurs
appellations de modèle complexe (figure 4).
à l’autre est simulé en tant que système d’écoulement potentiel, qui requiert seulement l’
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.
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.
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.
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
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
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.
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
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.
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
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
3 X X X X X X X X X X X X X X X
4 X X X X X X X X X X X X X X X
5 X X X X X X X X X X X X X X X
6 X X X X X X X X X X X X X X X
10,8 m 7 X X X X X X X X X X 5 6 X X X
8 X X X X X X X X X X X X X X X
9 X X X X X X X X X X X X X X X
10 X X X X X X X X X X X X X X X
11 X X X X X X X X X X X X X X X
12 X X X X X X X 7 8 X X 9 10 X
13 X X X X X X X X X X X X X X 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)
L’indice foliaire a été déterminé à l’aide d’un planimètre électronique, les mesures ont été faites
pendant chaque phase phénologiques de développement.
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.
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.
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.
120
100
80
Levée
Montaison
JAS
60
Ligulation
Epiaison
40
Floraison Femelle
Floraison Mâle
20
Maturite
0
SN0F SN1F TH0F TH1F
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).
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
7000
6000
SN1F TH0F
Rdt biomasse (Kg/ha) 5000
4000 SN0F TH1F
3000
2000
1000
0
0 50 70 95
Semis Montaison Floraison Maturité
6000 0.30
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.
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.
15
10
0
12/09/2017 12/29/2017 01/18/2018 02/07/2018 02/27/2018 03/19/2018
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
.
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
Les parcelles ayant comme traitement le Thialack ont atteint la phase reproductive avant celles
avec la variété souna 3.
4500
Biomasse -Kg/ha)
2000
1500
1000
JAS
500
0
0 20 40 60 80 100
6
LAI (SN1F)
5 LAI (SN0F)
LAI (TH0F)
4 LAI (TH1F)
0
20 40 60 80 100 JAS
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
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.
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.
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.
֍ 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
@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
*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