AndrianantenainaFifalianaLN ESPA MAST 2019

UNIVERSITE D'ANTANANARIVO
*****************
ECOLE SUPERIEURE POLYTECHNIQUE
D’ANTANANARIVO
*****************
Parcours : Sciences et techniques d’observations, de
traitements, etMENTION: METEOROLOGIE
d’informations météorologiques et hydrologiques
Mémoire de fin d’études en vue de l’obtention du diplôme de Master
Titre : INGENIEUR
PREVISION Titre
DE: Ingenieur
LA SECHERESSE
AU NORD OUEST DE MADAGASACAR
Conçue par : ANDRIANANTENAINA Fifaliana Lanto Nirina
Date de soutenance : 23 Décembre 2019

Année Universitaire: 2017 - 2018
UNIVERSITE D'ANTANANARIVO
*****************
ECOLE SUPERIEURE POLYTECHNIQUE
D’ANTANANARIVO
*****************
Parcours : Sciences et techniques d’observations, de
traitements, et d’informations
MENTION: météorologiques
METEOROLOGIEet hydrologiques
Mémoire de fin d’études en vue de l’obtention du diplôme de Master
Titre : Ingenieur
PREVISION DE LA SECHERESSE
AU NORD OUEST DE MADAGASACAR
Conçue par : ANDRIANANTENAINA Fifaliana Lanto Nirina
Devant la Commission d’examen composée de :
Président du Jury : Monsieur RAMANAKOTO Toky Nandrasana - Maître de

conférences
Examinateurs :
• Monsieur RABEFITIA Zoaharimalala - Maître de conférences

• Monsieur RAKOTOARINOSY Andrianiaina Tahiana – Ingénieur en Météorologie
• Madame RAMAROSANDRATANA Mamiarisoa Anzelà - Ingénieur en
Météorologie
Directeur de mémoire : Monsieur ANDRIANAHARISON Yvon - Professeur titulaire
Année Universitaire: 2017 - 2018

Promotion : 2018
Remerciements
Avant tout, je tiens à remercier le Dieu Tout Puissant par qui je me suis laissée guider en toute
confiance durant mes années d’études jusqu’à l’élaboration de ce mémoire.
Pendant son acheminement, ce Mémoire de fin d’études a bénéficié de l’appui moral, technique et
matériel de nombreuses personnes, ainsi je tiens à adresser mes vifs remerciements et ma profonde gratitude
à:
Monsieur RAVELOMANANA Mamy Raoul, Professeur, Président de l’Université
d’Antananarivo ;
Monsieur RAKOTOSAONA Rija Lalaina, Professeur et Directeur de l’Ecole Supérieure
Polytechnique d’Antananarivo ; qui m’a permis d’effectuer mes études au sein de l’établissement ;
Monsieur RAMANAKOTO Toky Nandrasana, Maître de Conférences, Responsable de la
mention Météorologie à l’Ecole Supérieure Polytechnique d’Antananarivo, pour ses efforts non ménagés afin
d’assurer le bon déroulement de notre formation et qui préside ce présent mémoire ;
Monsieur ANDRIANAHARISON Yvon, Professeur titulaire, Enseignant Chercheur à l’Ecole
Supérieure Polytechnique d’Antananarivo, mon encadreur, qui mérite vraiment une mention spéciale pour sa
disponibilité, tous les précieux conseils, le dévouement, les directives, les encouragements, les documents
apportés à l’issue de l’accomplissement de ce grand mémoire. Toute ma profonde gratitude.
Les membres de jury :
➢ Monsieur RABEFITIA Zoaharimalala, Ingénieur en chef de classe exceptionnel de la

Météorologie, Docteur en physique ;
➢ Monsieur RAKOTOARINOSY Andrianiaina Tahina, Ingénieur en Météorologie,
Enseignant chercheur à l’Ecole Supérieur Polytechnique d’Antananarivo ;
➢ Madame RAMAROSANDRATANA Mamiarisoa Anzelà, Chef service des adaptations
aux techniques DE pointes à la direction des recherches et développement
hydrométéorologie, Ingénieur en Météorologie, Enseignante à l’Ecole Supérieure
Polytechnique d’Antananarivo.
Qui ont bien voulu accepter de faire partie des membres de jury et d’examiner ce travail malgré
leurs lourdes responsabilités ;
Tous les corps Enseignants, Administratifs et Techniques de l’Ecole Supérieure Polytechnique

d’Antananarivo qui nous ont donné le meilleur d’eux-mêmes tout au long de notre formation ;
Qu’il nous soit enfin permis d’adresser en toute sincérité nos plus vifs remerciements, et non les
moindres, à ma famille, mes amis et tous ceux qui ont contribué de près ou de loin l’aboutissement de ce
Mémoire de fin d’études, pour leur patience et leur appui moral, matériel et financier.
Mille pardons pour l’ingratitude des mots et mille excuses pour tous les oublis.
Merci,
ANDRIANANTENAINA Fifaliana Lanto Nirina |i
Fisaorana
Noho ny fahasoavan’ANDRIAMANITRA izay arotsany tsy tapaka, dia isaorako Izy, izay
nanome saina, hery ary tanjaka nafahako nanantontosa izao asa izao.
Fisaorana mitafotafo ihany koa no atolotro ireto mpiandraikitra ambony eto amin’ny
toerampampianarana ambony manaraka ireto :
• Andriamatoa RAVELOMANANA Mamy Raoul, Professeur, Filohan’ny

Oniversiten’Antananarivo ;
• Andriamatoa RAKOTOSAONA Rija Lalaina, Professeur, Talen’ny « Ecole Supérieure
Polytechnique d’Antananarivo » ;
• Andriamatoa RAMANAKOTO Toky Nandrasana, Maître de Conférences, « Responsable de la
mention Météorologie »
• Ny hazo no vanon-ko lakana, ny tany naniriany no tsara. Noho izany dia tsy haiko ny tsy
hisaotra an’ Andriamatoa ANDRIANAHARISON Yvon, izay tsy nitsahatra namolavola sy nanome
torohevitra amin’izay hanatsarana izao asa izao.
Tolorana fisaorana manokana koa ireto mpampianatra manaraka ireto nohon’ny

fandavantenan’izy ireo nanaiky hitsara ity asa fikarohana ity:
• Andriamatoa RABEFITIA Zoaharimalala, « Maître de Conférences »;

• Andriamatoa RAKOTOARINOSY Andrianiaina Tahina , « Ingenieur» ;
• Ramatoa RAMAROSANDRATANA Mamiarisoa Anzela, « Ingenieur» .
Fantatro fa betsaka ny adidy aman’andraikitra izay sahaninareo, nefa tsy nataonareo ambanin-
javatra ny fitsarana izao fikarohana izao.
Eto ampamarana, dia misaotra ireo namana sy fianakaviana aho, tamin’ny fikelezan’aina sy
fanohanana ary fampaherezananandritra ny fanatotosana ity asa fikarohana ity.
Misaotra!
ANDRIANANTENAINA Fifaliana Lanto Nirina |ii

Sommaire
Remerciements
Fisaorana
Sommaire
Glossaires
Liste des abréviations
Liste des figures
Liste des cartes
Liste des tableaux
Listes des annexes
Introduction
Premier chapitre : Etat de l’art sur la sécheresse
I. Généralités sur la sécheresse
II. Classification et évaluation de la sécheresse
III. Notion d’aridité
IV. Les causes et conséquences de la sécheresse
V. Méthode de suivi de la sécheresse
Deuxième chapitre : Méthodologie de prévision de la sécheresse
I. Généralités sur la prévision
II. Méthodes statistiques
III. Méthode basée sur les réseaux de neurones
ANDRIANANTENAINA Fifaliana Lanto Nirina |iii

Troisième chapitre : Présentation de la zone d’étude
I. Situation géographique
II. Situation climatique
Quatrième chapitre : Résultats et discussions
I. Organigramme de travail
II. Résultats et discussions
Conclusion
Bibliographie
Webographie
Annexes
Table des matières
ANDRIANANTENAINA Fifaliana Lanto Nirina |iv

Glossaires
Albédo : c’est la fraction de l’énergie solaire qui est réfléchie vers
l’espace.
Aridité : l’ensemble des facteurs climatiques qui caractérisent une

région : les pluies, bien sûr, mais aussi la température,
l’humidité de l’air, l’insolation.
Bourrelet de berge : consiste en une bordure alluviale basse longeant le lit

d’une cour d’eau le long des berges, formée par le dépôt de
sédiments entraine par les courants de débordement.
Durée : c’est la période s’écoulant entre le début et la fin d’un

évènement de sécheresse.
Intensité : c’est l’ampleur du déficit de précipitations et de ses

conséquences. Elle est généralement mesurée par l’écart
par rapport à la normale d’un des variables de la sécheresse
pendant une durée fixée.
Mangrove : c’est un écosystème terre-mer, une forêt littorale

amphibie, de région côtier, tropicale a subtropicale,
caractérisée par la présence de palétuvier, arbres dont les
racines en formes d’échasses s’enfonces dans des vases ou
des limons des estuaires et des lagunes saumâtres.
Magnitude : c’est le cumul de déficit d’eau (par exemple :

précipitations) en dessous d’un certain seuil durant un
évènement de sécheresse.
ANDRIANANTENAINA Fifaliana Lanto Nirina |v

Position absolue dans le temps : il s’agit du début et de la fin de la sécheresse. Leurs
déterminations peuvent être assez difficiles et dépendent
des seuils choisis selon l’utilisation.
Précipitation : regroupement des produits, sous une forme liquide ou

solide, issus de la condensation de la vapeur d'eau. Les
produits tombent des nuages et brumes, ou sont déposés par
l'air humide sur le sol
Sécheresse : est une anomalie climatologique transitoire dans laquelle

la disponibilité de l'eau est inférieure à celle d'une zone
géographique habituelle. L'eau ne suffit pas pour répondre
aux besoins des plantes, des animaux et des humains qui y
vivent.
Sol alluvial : c’est un sol constitue de sédiments des alluvions,

récemment disposes et montrant aucun développement
d’horizon ou autre modification de la matière déposer.
Sol hydromorphe : sol montrant des marques caractéristiques d’une saturation

en eau régulier.
Surface touchée par la sécheresse : c’est l’extension géographique de la région touchée par la
sécheresse qui peut évoluer tout au long d’un événement de
sécheresse
ANDRIANANTENAINA Fifaliana Lanto Nirina |vi

Liste des abréviations
ACP : Analyse en Composantes Principales
AR : Autorégressifs
CIP : Climate Information Portal
CMI : Crop Moisture Index
CWSI: Crop Water Strees Index
DI : Indice des déciles
ENSO : El Niño and Southern Oscillation
Em : Ecart à la moyenne
FAO : Food and Agriculture Organization
FTM : Foibe Taotsarintanin’i Madagasikara
GES : Gaz à Effet de Serre
IDC : Indice de Déficit Climatique
I : les modèles intégrés
Ip : Indice de pluviosité
KBDI: Keetch-Byram Drought Index
OMM : Organisation Météorologique Mondiale
MA : Modèles de moyenne mobile
ANDRIANANTENAINA Fifaliana Lanto Nirina |vii

NAR : Réseaux de neurones artificiels autorégressif
PDSI: Palmer Drought Severity Index
Pm : Précipitation moyenne historique de la période (mm)
PN : Pourcentage à la Normale
PNUE : Programme des Nations Unies pour l’Environnement
RN : Rapport à la Normale des Précipitations
SPI : Indice standardisé de précipitation
SWSI : Surface Water Supply Index
ZCIT : Zone de Convergence Intertropical
σP: Ecart-type historique des précipitations de la période (mm)
ANDRIANANTENAINA Fifaliana Lanto Nirina |viii

Liste des figures
Figure 1 : Représentation spatiale de l’indice de sévérité de la sécheresse de Palmer (PDSI)
mensuelle de 1900 à 2002 ............................................................................................................... 6
Figure 2 : Succession de situations de sécheresse et de leurs incidences pour les différents types
de sécheresse ................................................................................................................................. 11
Figure 3 : Schéma des zones arides .............................................................................................. 13
Figure 4 : Représentation d’une zone aride au Sud de Madagascar ............................................. 14
Figure 5 : Représentation d'une phénomène El Nino ................................................................... 17
Figure 6 : Index El Niño et la Nina de 1950-2016 ........................................................................ 18
Figure 7 : Influence globale d’El Niño sur les précipitations et la temperature ........................... 19
Figure 8 : Perturbation du cycle de Walker (renforcement des alizés) : La Niña ......................... 20
Figure 9 : Les différentes techniques de prévision ....................................................................... 31
Figure 10 : Exemple de diagramme ombrothermique .................................................................. 32
Figure 11 : Moyenne mobile d’ordre trois (MMt) ........................................................................ 35
Figure 12 : Evolution de densité de la loi Normale et sa fonction de répartition  ..................... 38
Figure 13 : Nuage de points définit par les individus ................................................................... 42
Figure 14: Nuage de points représenté dans l’espace ................................................................... 42
Figure 15 : Espace factoriel de p axes .......................................................................................... 43
Figure 16 : Exemple d’une construction d’un espace factorie ...................................................... 44
Figure 17: Représentation de la décomposition factorielle en Analyse dual ................................ 46
Figure 18: Analogie entre neurone biologique et neurone formel ................................................ 47
Figure 19 : Modèle non linéaire d'un neurone .............................................................................. 49
ANDRIANANTENAINA Fifaliana Lanto Nirina |ix

Figure 20 : Fonction des transferts, (a) du neurone « seuil » ; (b) du neurone « linéaire », et (c) du
neurone « sigmoïde) ...................................................................................................................... 51
Figure 21 : Calcul de la sortie d’un neurone. ................................................................................ 51
Figure 22 : Schéma d’un perceptron ............................................................................................. 52
Figure 23 : Architecture générale d’un RNA de type PMC.......................................................... 53
Figure 24 : Réseau de neurones multicouches. ............................................................................. 53
Figure 25 : L’apprentissage du réseau de neurones ...................................................................... 54
Figure 26 : Moyenne pluviométrique en mois de Juin ................................................................. 68
Figure 27 : Représentation graphique de la précipitation et de la température moyenne du district

Maintirano ..................................................................................................................................... 69
Figure 28 : Représentation graphique de la précipitation et la température moyenne de Majunga

....................................................................................................................................................... 70
Figure 29 : Diagrammes de précipitations et température moyenne du district Antsohihy.......... 71
Figure 30 : Diagramme climatique de Maevatanana .................................................................... 72
Figure 31 : Représentation du logiciel MDM ............................................................................... 75
Figure 32 : Représentation du logiciel KhronoStat....................................................................... 76
Figure 33 : Interface du jupyter .................................................................................................... 79
Figure 34 : Représentation du fonction cout ................................................................................. 80
Figure 35 : La structure du modèle de réseau neurone a perceptron multicouche dans le cas d’une
prévision de la sécheresse ............................................................................................................. 83
Figure 36: Organigramme du travail............................................................................................. 85
Figure 37 : Représentation graphique du diagramme pluviométrique d’Antsohihy .................... 86
Figure 38 : Courbe ombrothermique du district d’Antsohihy ...................................................... 87
Figure 39 : SPI du region Melaky de 1988-2018 .......................................................................... 88

ANDRIANANTENAINA Fifaliana Lanto Nirina |x
Figure 40 : Représentation des valeurs de la sécheresse dans la région Melaky .......................... 89
Figure 41 : SPI du région Sofia de 1988-2018 ............................................................................. 90
Figure 42 : Représentation des valeurs de la sécheresse dans la région Sofia .............................. 91
Figure 43 : SPI du région Boeny de 1988-2018 ........................................................................... 92
Figure 44 : Représentation des valeurs de la sécheresse dans la région Boeny ............................ 93
Figure 45 : SPI de la région de Betsiboka de 1988-2018 ............................................................. 94
Figure 46 : Représentation des valeurs de la sécheresse dans la région Betsiboka ...................... 95
Figure 47 : Test de Pettitt de la Région Melaky de 1988-2018 .................................................... 96
Figure 48 : Test de Pettitt de la Région Sofia de 1988-2018 ........................................................ 97
Figure 49 : Test de Pettitt de la Région Boeny de 1988-2018 ...................................................... 98
Figure 50 : Test de Pettitt de la Région Betsiboka de 1988-2018 ................................................ 99
Figure 51 : Graphe de de prévision de sécheresse de la région Betsiboka de 1988-2018 ............ 99
Figure 52 : Graphe de de prévision de sécheresse de la région Boeny de 1988-2018 ................ 101
Figure 53 : Graphe de de prévision de sécheresse de la région Melaky de 1988-2018 .............. 102
Figure 54 : Graphe de de prévision de sécheresse de la région Betsiboka de 1988-2018 .......... 103
ANDRIANANTENAINA Fifaliana Lanto Nirina |xi

Liste des cartes
Carte 1 : La zone Nord-Ouest de Madagascar ................................................................ 58
Carte 2 : La region Melaky et ses districts ..................................................................... 59
Carte 3 : Carte de types de sol de la région Melaky ....................................................... 60
Carte 4 : La région Boeny et ses districts ....................................................................... 61
Carte 5 : Carte de types de sol de la région Boenyy ....................................................... 62
Carte 6 : La region Sofia ................................................................................................. 63
Carte 7 : Carte de types de sol de la région Sofia ........................................................... 65
Carte 8 : La région de la Betsiboka ................................................................................ 66
Carte 9 : Carte de types de sol de la région Sofia ........................................................... 67
ANDRIANANTENAINA Fifaliana Lanto Nirina |xii

Liste des tableaux
Tableau 1 : Valeur de l'indice SPI ................................................................................. 26
Tableau 2 : La loi de Hebb ............................................................................................ 54
Tableau 3 : Tableau pluviométrique de la région Sofia ................................................. 71
Tableau 4 : Probabilité d’apparition de la sécheresse dans la region Melaky ............... 89
Tableau 5 : Probabilité d’apparition de la sécheresse dans la region Sofia ................... 91
Tableau 6 : Probabilité d’apparition de la sécheresse dans la region Boeny ................. 93
Tableau 7 : Probabilité d’apparition de la sécheresse dans la region Betsiboka ........... 94
ANDRIANANTENAINA Fifaliana Lanto Nirina |xiii

Listes des annexes
Annexe 1 : Variables climatiques ..................................................................................... B
Annexe 2 : Circulation générale ........................................................................................ I
Annexe 3 : Données et codes ............................................................................................. J
ANDRIANANTENAINA Fifaliana Lanto Nirina |xiv

Introduction
Les sécheresses, parmi d’autres phénomènes liés de près aux changements climatiques
peut survenir sous n’importe quel climat n’importe où dans le monde, même dans les déserts et
les forêts tropicales. Les sècheresses se classent parmi les dangers naturels les plus couteux
d’une année à l’autre ; elles ont des conséquences considérables et étendues, qui touchent en
même temps une multitude de secteurs économiques et une large population. Les superficies
affectées sont généralement plus vastes mais il n’y a pas de cas où apparaissent d’autres
phénomènes, comme les plaines d’inondation, les régions côtières, les trajectoires des tempêtes
ou les zones de faille. C’est peut-être le danger naturel qui se prête le mieux à la surveillance car
le phénomène est lent à s’installer, ce qui donne le temps d’observer l’évolution des
précipitations, des températures et de l’état général des réserves d’eaux superficielles et
souterraines dont le est secteur menacé. Le suivi des sécheresses fait fréquemment appel à des
indicateurs ou des indices qui varient selon la région et la saison
Durant quelques années, plusieurs études sont portées sur la sécheresse vue que la
superficie de notre planète est estimée à 130 millions d’hectare dont 50 millions d’hectares sont
sévèrement touché par cet aléa. Ainsi on a pu voir que des nombreuses organisations
internationales telles que le PNUE (Programme des Nations Unies pour l’Environnement), FAO
(Organisation des Nations Unis pour l’Alimentation et l’agriculture), OMM (Organisation
Météorologique Mondiale) traitent des questions touchant les sécheresses, la dégradation des
terres et la désertification. En 2000, la sécheresse et la désertification menacent environs 490
millions d’habitants Africains sur 780 millions. En Ethiopie, durant la sécheresse 1984, environs
8,7 millions de personnes sont victimes dont 1 million sont morts. Non seulement le continent
africain est annoncé par cet aléa mais Madagascar est aussi touche par la sécheresse. Depuis
2013, Madagascar fait face à une sécheresse prolongée et aggravée dans le sud du pays. A
cause de la crise, plus d’un million de personnes n’ont pas suffisamment de quoi manger, ce qui
les force à commettre des gestes désespérés pour survivre. La partie sud de Madagascar est la
plus pauvre du pays avec 90% de sa population gagnant moins de 2$ par jour, selon les médias.
A cause du climat semi-aride, la région est vulnérable et dépendante de la pluie tout comme sa
population qui dépend majoritairement de l’agriculture pluviale et de l’élevage.
La prévision de la sécheresse est essentielle pour la mise en œuvre des stratégies

appropriées afin de diminuer de son intensité et gérer ses impacts, ainsi que dans l'alerte précoce
et la préparation à des éventuelles sécheresses. Divers modèles de prédiction de sécheresse ont
été développés par différents chercheurs : les modèles autorégressifs de moyennes mobiles
(Mishra et Desai, 2005), les chaînes de Markov (Paulo et Pereira 2007) les réseaux de neurones
artificiels (ANN) (Mishra et al. 2007). En parallèle, l’étude de la variabilité spatio-temporelle de
la sécheresse, s’avère importante dans le but de bien analyser et régionaliser ce phénomène dans
ANDRIANANTENAINA Fifaliana Lanto Nirina |1

une région caractérisée par différents climats, cela en faisant appel à la technique de l’analyse en
composantes principales (ACP) qui est un outil performant très connu appliqué sur les indices de
sécheresse dans différentes études (Martins et al. 2012 ; Hamlaoui-Moulai et al. 2013 ; Raziei et
al. 2015).
Toutefois, il y a des nombreuse d’étude concernant la sécheresse à Madagascar mais on

peut citer quelques études comme celui menée à Bezà Mahafaly pendant la période de 1999-
2012 parlant de l’alternance de déficit et de l’excédent pluviométrique puis une tendance vers un
refroidissement significatif pendant la dernière décennie.
Toutes les études concernant la sécheresse à Madagascar se porte presque dans le sud de
l’Île mais par ailleurs la côte Ouest n’échappe pas à la manifestation de ces aléas. Cette zone
présente deux saisons bien distinguées : la saison sèche et la saison pluvieuse s’etalant
respectivement du mois de Mai en Octobre et du mois de Novembre en Avril. Cependant,
comment peut-on prévoir l’évolution de la sécheresse dans cette zone et à quel facteur climatique
est dû ce fléau ?
En réponse à cette problématique, notre recherche s’est focalisée sur l’évaluation de

l’état de la sécheresse et à prévoir la situation de la sécheresse dans la région Nord-Ouest de
Madagascar. Etant donné que dans le cadre de cette étude, ce sont les données qui garantissent
des résultats probants, quels seront les procédures de vérification pour notre étude ? Ainsi nous
allons suivre le plan ci-dessous. Le travail se subdivise en quatre grands chapitres :
Il est nécessaire tout d’abord de présenter l’Etat de l’art sur la sécheresse en guise de
premier chapitre. Ceci consiste à faire une étude bibliographique en avançant toutes les généralités
sur la sécheresse, s’ensuit de sa classification et de son évaluation, en passant par la notion d’aridité
afin de déterminer les causes et conséquences de ce phénomène météorologique.
Le deuxième chapitre sera consacré à la Méthodologie de prévision de la sécheresse.

Dans un premier temps, les généralités sur la prévision permettront pour la suite de s’identifier par
rapport aux différents méthodes statistiques et les méthodes basées sur les réseaux de neurones.
La présentation de la zone d’étude fera l’objet du troisième chapitre. En effet, une

meilleure connaissance de la zone de recherche, tant pour sa situation géographique que pour son
climat, est nécessaire pour bien mener à terme ce projet d’étude.
Enfin le dernier et quatrième chapitre s’intéresse aux résultats et discussions par

région pour en tirer la situation globale de la sécheresse au Nord-Ouest de Madagascar.

Premier chapitre : Etat de l’art sur
la sécheresse
Chapitre 1 : Etat de l’art sur la sécheresse
Généralités sur la sécheresse
Chapitre 1 Etat de l’art sur la

sécheresse
I. Généralités sur la sécheresse
Les sécheresses font plus de victimes et provoquent plus de déplacements de populations
que cyclones, inondations et séismes réunis. Ces catastrophes naturelles, moins spectaculaires, sont
pourtant moins médiatisées.
I.1 Définitions
Elle peut être définie comme un déséquilibre naturel temporaire de la disponibilité de l'eau
et consiste donc à des précipitations persistantes inférieures à la normale, difficile à prévoir,
entraînant une diminution de la disponibilité des ressources en eau (Pereira et al. 2009).
La sécheresse est un épisode de manque d'eau plus ou moins long mais suffisant pour que
les sols et la flore soient affectés. Ce phénomène peut être cyclique ou bien exceptionnel et peut
affecter une zone localisée comme un sous-continent entier.
D'après la définition des climatologues, on parle de sécheresse lorsqu'il n'y a pas eu de

précipitations sur une zone pendant une longue période. La sécheresse ne sera pas déclarée de la
même façon selon les pays et leur climat ; par exemple :
• en France, on parlera de "sécheresse absolue" lorsqu'il n'y aura pas eu de pluie

pendant 15 jour consécutive au minimum ;
• aux Etats-Unis, si une zone étendue reçoit seulement 30 % de précipitation ou
moins que d'habitude pendant au moins 21 jours, alors on parlera de sécheresse ;
• en Australie, lorsque qu'un terrain reçoit moins de 10 % de précipitation par rapport
à la moyenne annuelle, il est déclaré en état de sécheresse ;
• en Inde, il faut que les précipitations annuelles soient inférieures de 75 % aux
normales saisonnières. [1]
I.2 Genèse de la sécheresse
La sécheresse peut survenir dans une région par de nombreux paramètres tels que
météorologiques, activités humaines. On peut l’apercevoir lorsqu’une haute pression s’installe

pendant une longue période. Cette situation génère un ciel clair et sans nuage dans ce cas, les
précipitations sont rares ou inexistantes.
La consommation immodérée d’eau pour les activités humaines favorise en outre

l’apparition de la sécheresse. Mais l’arrivée d’une période sèche dépend aussi d’autres paramètres
pédologiques, et botaniques. La température de l’air et les conditions aérologique jouent un rôle du
point de vue météorologique.
I.3 Etat de la sécheresse

I.3.1 Situation globale
Le PDSI (Palmer Drought Severity Index) est l’indice majeur de la sécheresse qui mesure
le déficit cumulé (par rapport aux conditions locales moyennes) d’humidité à la surface des terres
émergées, en intégrant les précipitations et les estimations de l’humidité passée dans l’atmosphère
(sur la base de température atmosphérique) dans un système comptable hydrologique. La figure 1
montre l’évolution de signe et de l’intensité de la sécheresse depuis 1900 à 2002. Si les valeurs de
ce graphique sont positives ou négatives Elle s’explique comme suit :
• Plus arides (ou plus humides) si la carte du haut montre des zones en rouge et en
orange
• Plus humides (ou plus arides) si elle montre des zones en bleu et en vert
On peut aussi apercevoir une courbe lisse noire qui montre les variations décennales. Elle
représente une augmentation de la sécheresse. [2]

Figure 1 : Représentation spatiale de l’indice de sévérité de la sécheresse de Palmer (PDSI) mensuelle de

1900 à 2002
Source: Aiguo Dai, E. Tremberti, A global dataset of Palmer Drought Severity Index, Dai et al
2004.
I.3.2 Situation en Afrique
Le continent africain est particulièrement menacé par la sécheresse et la désertification

en raison de plusieurs paramètres :
• il contient une forte proportion de zones arides, semi-arides et sub-humides ;

• il est souvent affecté par des périodes de sécheresse importantes ;
• il semblerait que les changements climatiques prévisibles puissent conduire à une
plus grande variabilité climatique, une plus grande irrégularité des périodes
pluvieuses et des périodes sèches, une plus grande violence des pluies et donc une
sensibilité plus grande à l’érosion ;
• s’ajoutent à ces paramètres physiques un nombre élevé d’habitants concernés,
agriculteurs, pasteurs et habitants des villes. Ces personnes sont très dépendantes

Classification et évaluation la sécheresse
des ressources naturelles quand on sait que la pluviométrie pèse pour plus de 50%
dans la détermination des rendements en céréales, que l’alimentation en eau des
villes est cruciale, qu’une partie de l’énergie domestique provient du bois de feu, ce
qui peut entraîner la déforestation et une plus grande sensibilité à la dégradation ;
• par ailleurs la plupart des pays africains des zones arides n’ont pas de ressources
naturelles non renouvelables (mines, pétrole) ; leur économie dépend fortement de la
production agricole, pastorale et forestière. Ils sont donc particulièrement
vulnérables ;
• enfin la fluctuation des termes de l’échange entraîne des économies fragiles où
l'investissement est faible et les systèmes politiques parfois instables. De plus il n’y
a pas de mécanismes de régulation des prix agricoles et les fluctuations importantes
des cours des céréales ne favorisent pas les investissements agricoles.[3]
II. Classification et évaluation de la sécheresse

II.1. Les différents types de sécheresse
Absence de pluie ne signifie pas forcément sécheresse des sols, et des réserves d'eau
souterraine importantes n'empêchent pas aux plantes d'avoir soif en été lorsqu'il ne pleut pas.
Ainsi il existe différents types de sécheresses. [3]
II.1.1 La sécheresse météorologique
La sécheresse météorologique est celle qui est la plus facile à constater, et c'est celle que
tout le monde connaît : elle survient lorsqu’il ne pleut pas durant une longue période. Cette
sécheresse météorologique est relative : le déficit en eau se mesure par rapport aux valeurs
normales des précipitations.
La sécheresse météorologique ou atmosphérique, liée à la pénurie de précipitations sur

une période donnée. Cette acception de la sécheresse conduit à des définitions variables selon les
zones. On parlera de « nombre de jours sans pluies ».
La sécheresse météorologique, évidente en été, peut passer inaperçu en hiver, car la

végétation au repos n'est pas affectée. Elle n'est cependant pas sans conséquence, y compris en
hiver, car elle ne permet pas le rechargement des nappes phréatiques.
II.1.2 La sécheresse agricole
La sécheresse des sols est un déficit d’eau superficiel, sur 1 à 2 mètres de profondeur.
Ce type de sécheresse est lié à l'absence de pluies mais aussi à la végétation : en hiver, lorsque la

végétation est au repos, un manque de pluie n'entraîne pas forcément une sécheresse du sol,
puisque les racines n'absorbent que très peu d'eau. En revanche, au printemps ou en été, lorsque
la végétation est active et puise l'eau du sol pour la rejeter dans l'atmosphère par
évapotranspiration, le sol s'assèche plus rapidement.
La sécheresse agricole, est fonction du taux d'humidité du sol à un mètre de profondeur.

Cette sécheresse dépend des précipitations, mais aussi de la nature du sol, des pratiques
culturales et du type de plante. Ce type de sécheresse a des effets marquants sur la végétation.
II.1.3 La sécheresse hydrologique
La sécheresse hydrologique se produit quand les réserves en eau des sols (aquifères) et
les cours d'eau tombent en dessous de la moyenne. Cela peut être dû à une sécheresse
météorologique particulièrement longue et intense, mais aussi à une surexploitation des
ressources en eau.
On parle de sécheresse hydrologique lorsque les nappes phréatiques, les lacs, les rivières
et les fleuves présentent un niveau bas. Ce type de sécheresse peut intervenir sous l'effet de
plusieurs facteurs : pas de précipitations et/ou une absence d'infiltration en profondeur dans le sol
jusqu'aux nappes phréatiques, soit parce que l'eau de pluie ruisselle au lieu d'être absorbée par le
sol (sol imperméable, sol compacté...), soit parce que l'eau est captée par la végétation avant
d'atteindre le sous-sol ou bien une évaporation massive survient pendant la montée de la
température ambiante et au sol.
II.1.4 La sécheresse socio-économique
Elle diffère des autres types de sécheresse puisqu’elle reflète la relation entre l’offre et
la demande de certaines denrées économiques (eau, fourrage pour le bétail, énergie
hydroélectrique) qui sont tributaires des précipitations.
II.2 L’interaction entre les différents types de sécheresse
Les sécheresses météorologiques sont évidemment à l'origine de toutes les autres, sauf
circonstances très locales et exceptionnelles. Cependant, leur influence sur les autres est très
variable à cause du caractère saisonnier du phénomène d'évapotranspiration (ETR). [1]
II.2.1 Influence sur la sécheresse météorologique
L'effet de retour des autres sécheresses sur la sécheresse météorologique est faible. Tout
au plus pouvons-nous noter une légère influence de sécheresse agricole sévères et de grande

étendue, susceptibles de prolonger ou d'aggraver un peu une sécheresse météorologique déjà

existante.
Inversement, un sol très humide et de grande étendue peut localement atténuer une
sécheresse météorologique mais certainement pas la supprimer.
II.2.2 Influence sur la sécheresse agricole
Les sécheresses agricoles sont causées par des sécheresses météorologiques de durée
variable selon les saisons et les réserves en eau initiales du sol. Nous pouvons avancer les ordres
de grandeur suivants :
• minimum de 2 à 3 semaines l'été

• minimum de 1 à 2 mois au printemps (davantage si J'hiver a été pluvieux)
• minimum de 1 à 2 mois à l'automne, et encore sous réserve que la sécheresse
agricole soit amorcée dès la fin de l'été
• en hiver, une sécheresse agricole est quasi-impossible ; même si elle existe à
la fin de l'automne (rare), la simple rosée (fréquente et abondante si
sécheresse météorologique) suffit à réhumidifier le sol, légèrement mais
suffisamment compte tenu des besoins faibles de cette saison.
II.2.3 Influence sur la sécheresse hydrologique
En première approximation, seules des sécheresses météorologiques d'hiver sont

susceptibles de générer des sécheresses hydrologiques Des sécheresse météorologique
Prolongées de printemps peuvent encore aggraver une sécheresse hydrologique ou la rendre
naissante, si l'hiver a été modérément pluvieux. Des sécheresses météorologiques d'automne
retardent le moment où les nappes se rechargent.
Inversement, seuls des hivers pluvieux sont susceptibles de faire disparaître des
sécheresses hydrologiques éventuellement aussi des printemps très pluvieux qui suivent des
hivers pluvieux (prolongation de l'infiltration profonde), ou encore des automnes
exceptionnellement humides ("pré-hiver").
Des Sécheresse météorologique d'été ou des étés très pluvieux n'ont pratiquement pas
d'influence sur la sécheresse hydrologique
Les sécheresses hydrologiques peuvent se cumuler d'année en année et n'ont donc

généralement pas de régulation annuelle. Comme cela a été répété, les ordres de grandeur des
temps de réponse précédents sont à nuancer localement, en particulier pour les nappes qui

réagissent aux séquences pluvieuses avec des délais variant de quelques jours (nappes
superficielles) à quelques mois (nappes "ordinaires" envisagées ci-dessus), voire quelques années
(nappes captives).
Ainsi La sécheresse commence toujours par une diminution de la quantité de

précipitations, mais peut (ou peut ne pas, selon la sévérité de cette baisse) affecter les débits de
cours d’eau, l’humidité du sol, etc... La figure 2 qui suit illustre cette relation :

Figure 2 : Succession de situations de sécheresse et de leurs incidences pour les différents types de
sécheresse
Source : ZAOULI Lynda : contribution à la prévision de la sécheresse par le modèle du réseau

de neurone auto régressif

Notion d’aridité
III. Notion d’aridité

La sécheresse ne doit pas être confondue avec l’aridité. En effet, une région aride peut
connaître des épisodes de sécheresse. Le manque de pluie sera une caractéristique permanente du
climat de la zone aride. Il s'agit généralement de régions où la pluie est rare et les températures
sont élevées. La sécheresse sera donc un phénomène ponctuel sur une zone.[4]
III.1 Définition
L’aridité définit l’ensemble des facteurs climatiques qui caractérisent une région : les
pluies, bien sûr, mais aussi la température, l’humidité de l’air, l’insolation. Une sécheresse
durable correspond à de l’aridité pour une région donnée.
On distinguera ainsi des zones « hyperarides », ou désertiques (10 à 15 mm par an en

moyenne), avec des déserts à hiver froid (essentiellement en Asie) et des déserts sans hiver
froid ; des zones arides, des zones semi-arides, ou tropicales de nuance sèche, et des zones
subhumides. Une mention particulière doit être faite pour la zone méditerranéenne.
Il existe une définition proposée par le PNUE basée sur le rapport entre précipitation et
évaporation : quand ce rapport est inférieur à 0,03 nous sommes dans une région « hyper- aride
» ; quand il est compris entre 0,03 et 0,20 il s’agit d’une région « aride » ; entre 0,20 et 0,50 une
région « semi- aride » ; entre 0,50 et 0,75 une région « sub- humide sèche ». La Convention sur
la lutte contre la désertification concerne prioritairement les régions ainsi définies.

Notion d’aridité
Figure 3 : Schéma des zones arides
Source : évaluation des écosystèmes pour le Millénaire, Bédrani S. désertification and the
international policy impérative
III.2 Caractéristiques des zones arides
Les régions arides et semi-arides sont le domaine des steppes, des savanes, des fourrés
et des forêts dites « sèches ». Les zones sub-humides sont le domaine des grandes savanes
herbeuses, parfois arbustives ou arborées.
Leurs caractéristiques générales sont la rareté des pluies, la concentration sur des
périodes plus ou moins courtes (quelques mois) et une forte variabilité dans le temps et l’espace ;
l’intensité de l’évaporation et de l’évapotranspiration des plantes, la précarité des ressources en
eau.
Toutes ces zones sont donc relativement fragiles et présentent des contraintes sévères
pour le pastoralisme, les activités agricoles et les populations urbaines.[5]

Causes et conséquences de la sécheresse
Figure 4 : Représentation d’une zone aride au Sud de Madagascar
Source : Les savanes du Sud-Ouest de Madagascar, Morat Philippe
IV. Les causes et conséquences de la sécheresse

La sécheresse est un fléau insidieux qui découle d’une baisse des précipitations par rapport à
des niveaux considérés comme normaux. (1)
V.1 Les causes de la sécheresse

V.1.1 Facteur humain
Les activités humaines vont accentuer la sécheresse. En effet, le manque d'eau va créer
un déficit dans les réserves et si ces dernières sont mal gérées, alors la sécheresse sera d'autant
plus marquée. L'agriculture, les usines, et les habitations nécessitent un apport en eau important.
Seulement, tout n'est pas "nécessaire" à l'Homme et parfois, les consommations sont excessives.
Ainsi, des restrictions d'eau doivent être mises en place pour ne pas abaisser encore plus le
niveau des nappes phréatiques et les cours d'eau qui étaient déjà déficitaires.
V.1.2 Facteur météorologique
Le manque d'eau est la principale cause de la sécheresse. Lorsque l'hiver ou le printemps

n'ont pas été suffisamment pluvieux, les réserves d'eau ne sont pas assez remplies. Le manque
d'eau accompagné de températures élevées va accentuer le phénomène de sécheresse car il y aura
davantage d'évaporation et de transpiration des plantes (évapotranspiration) ce qui assèche les
sols.

V.1.2.1 La climatologie
Le phénomène climatique proprement dit est la sécheresse météorologique, tandis que les
autres types de sécheresse sont plutôt ses impacts majeurs. Pour être dans des configurations de
sécheresse, il faut donc qu'un certain type de temps persiste. Les dépressions sont des
phénomènes climatiques (des masses d'air froides et humides ascendantes) qui engendrent des
précipitations. Les anticyclones (masses d'air descendantes) vont favoriser l'apport d'air chaud et
sec, donc pas de précipitations. Ainsi, pour être dans un état de sécheresse, il faut qu'un
anticyclone soit présent pendant une certaine période de temps. Le manque d'eau et les
températures élevées sont des causes naturelles de la sécheresse.
IV.1.2.2 Fluctuation des composantes physiques et chimiques de

l’atmosphère
Une fluctuation des paramètres physique et chimique de l’atmosphère constitue un facteur

non négligeable favorisant la sécheresse. Ceci se traduit par :
– Un excès d’aérosol dans l’atmosphère qui fait disperser les nuages ;
– Une baisse de l’évapotranspiration nécessaire pour la formation de gouttelette de pluie,

causée par la réduction de la couverture végétale ainsi que d’autres facteurs ;
– Une augmentation de l’albédo qui fait diminuer la température en surface entrainant

une diminution du soulèvement des masses d’airs et donc de la convection.
IV.1.2.3 Le changement climatique
De nos jours, le changement climatique devient presque l’origine de la majorité des impacts
et aléas naturels. Ce phénomène principalement lié aux émissions de gaz à effet de serre (GES)
ne s’écarte pas parmi les facteurs déclencheurs et ou facilitateurs de l’ampleur de la sècheresse.
L’aggravation de ces émissions des gaz à effet de serre joue un rôle incontestable sur la montée
de la température. Tout comme partout ailleurs, Madagascar n’est à l’abri des impacts du
changement climatique et est classé troisième pays le plus menacé par le réchauffement
climatique selon l’indice mondial des risques climatique [3]. Loin de posséder plusieurs et géants
entreprises, le Grand sud reste le plus menacé et encore plus le moins vulnérable face au
changement climatique. La sécheresse est un fléau naturel causé par des facteurs climatiques
mais aussi influencée par l’intermédiaire des activités humains.

IV.1.2.4 Influence spécifique de la Zone de Convergence Intertropical

(ZCIT)
La Zone de Convergence Intertropicale ou « équateur météorologique » suit une migration

saisonnière tout au long de l’année. Elle peut être perturbée par différents acteurs modifiant ainsi
la distribution des pluies sur le continent au sein de l’année.
a. Définition de El Niño and Southern Oscillation (ENSO)
Le phénomène El Niño est un réchauffement du climat tropical qui affecte non seulement
les régions côtières de l’Équateur et du Pérou, mais l’ensemble de l’océan Pacifique tropical. Il
est fortement lié à des modifications de la circulation atmosphérique le long de l’équateur,
connues sous le nom d’oscillation australe. [6]
b. Mécanisme de l’ENSO
Pendant un événement El Niño (phase chaude d’ENSO), les régions centrales et

orientales du Pacifique tropical se réchauffent beaucoup plus rapidement que l’extension
advective vers l’Est du réservoir d’eau chaude. Il correspond à un phénomène propagatif très
rapide qui freine brutalement l’upwelling équatorial.
Ce réchauffement s’accompagne d’une réduction du gradient Est-Ouest de la

température de la surface de la mer le long de l’équateur, (figure 5) d’un déplacement vers l’Est
des zones actives de convection profonde et de fortes précipitations, d’une réduction ou voire
même d’un renversement des alizés.
Ces changements se traduisent par une décroissance des pressions en surface dans le
Pacifique Est et un accroissement dans le Pacifique Ouest.[7]

Figure 5 : Représentation d'une phénomène El Nino
Source : Centre de prédiction du Climat-NCEP NOAA, www.cpc.necp.noaa.gov
c. Téléconnexions associées à l’ENSO
L’ENSO est un important phénomène de couplage océan-atmosphère provoquant de

variabilités climatiques globales à l’échelle interannuelle.
L’ENSO affecte les circulations atmosphériques, telles que la cellule de Walker

(Anymaba et al.1996) ; la cellule de Hadley ; les évènements El Niño et La Niña dans le
Pacifique ont des impacts importants sur les climats régionaux dans toute la bande tropicale et
au-delà, c’est la téléconnexion de l’ENSO. La température de surface de l’océan est le paramètre
généralement utilisé pour décrire l’évolution du Pacifique équatorial pendant un événement El
Niño/La Niña.[6]

Figure 6 : Index El Niño et la Nina de 1950-2016
Source : temps vrai.com, phénomène El Niño et la Nina, notre planète .info
Plus l'indice ENSO est important, plus l'épisode El Niño est puissant comme c'était le
cas par exemple en 2015-2016 (en rouge). A l'inverse, plus l'indice est négatif, et plus le
phénomène La Niña est important comme en 2011 (en bleu).
De nombreuses études ont analysé l’influence du phénomène sur la température et les

précipitations dans certaines régions dans le monde. Ces effets, qui dépendent fortement des
positions géographiques ainsi que des saisons, peuvent se manifester par une augmentation ou
diminution de la température ou des précipitations des continents. Par le passé, dans certaines
régions du globe, des catastrophes comme des inondations ainsi que des sécheresses ont été
attribuées à ENSO.
La figure 7 suivante montre globalement cette relation entre El Niño et les anomalies de
précipitations et de température dans le monde.

Figure 7 : Influence globale d’El Niño sur les précipitations et la temperature
Source : journal de climat, KM Lau, Centre de prédiction du Climat-NCEP NOAA

d. La Niña
La Niña est l'opposée du El Niño. La convection dans le Pacifique Ouest augmente dans ce
cas ce qui amplifie la cellule de Walker amenant de l'air plus froid le long de la côte de
l’Amérique (figure 8). La phase plus froide qui fait suite à El Niño est nommé La Niña, soit
petite fille en espagnol. Sa définition officielle est la suivante : "phénomène caractérisé par une
anomalie négative de la température de surface de la mer (par rapport à la période de référence
1971-2000). Cette dernière donne des hivers plus froids en Amérique du Nord et plus d'ouragans
dans l'Atlantique. Parce que l'eau chaude est repoussée vers l'Ouest par l'anticyclone, cela permet
à l'eau froide des profondeurs de remonter sur la côte de l'Amérique du Sud ce qui donne un
meilleur apport de nutriments pour les poissons et amène une pêche excellente. Cependant, le
temps demeurant au beau fixe, on note de longues périodes de sécheresse dans la même
région.[6]
Figure 8 : Perturbation du cycle de Walker (renforcement des alizés) : La Niña
Source : Ambrizzi, T de Souza, les circulations régionales de Walker et les impacts ENSO
associes sur les précipitations saisonnières en Amérique du sud

e. Conséquences de l’ENSO
El Niño et La Niña sont deux phénomènes divers que ce soit pour leur intensité, leur champ
d’action, leur longévité ou pour leur date d'apparition. Les impacts géographiques de ces deux
phénomènes ne sont donc pas les mêmes d’un épisode à l’autre. Toutefois, de nombreuses études
ont été réalisées à ce sujet et ont permis d’établir un périmètre moyennant les principaux
dérèglements observés à travers le monde.
➢ El Niño
Lors de la croissance du phénomène El Niño, on observe une importante sécheresse

dans l’Ouest du Pacifique (Indonésie, Philippines, Australie et Nouvelle-Calédonie) là où les
précipitations y sont habituellement observées fréquemment. Les systèmes convectifs (orages) se
décalent vers l’Est et le Pacifique-Centre perçoit une hausse des précipitations. Plus le
phénomène se renforce et plus l’action d’El Nino s’étend au reste du globe et devient important.
Parmi les conséquences induites par celui-ci, nous retrouvons des feux de forêts dans les
Philippines à cause de la sécheresse persistante, des inondations récurrentes près des côtes
péruviennes ou encore une formation accrue de cyclones sur les eaux anormalement chaudes du
Pacifique-Centre.
Quelques exemples des conséquences d'El Niño à l'échelle mondiale :
• Sécheresse sur le nord-est du Brésil, dans le sud-est du continent Africain, sur

Madagascar et l’Inde.
• Accélération de la désertification du Sahel
• Retard des moussons sur le sous-continent Indien
• Réduction des cyclones tropicaux
• Hiver doux sur le nord des États-Unis et le Canada
➢ La Niña
Les effets de La Niña ne sont pas toujours le contraire de ceux d'El Niño. Les anomalies
thermiques des eaux de surface ont des répercussions sur les phénomènes climatiques dans le
bassin Pacifique comme par exemple la recrudescence de typhons dans l'océan Pacifique-Ouest.
Ces modifications touchent aussi d'autres océans et d'autres régions du globe comme l'océan
Atlantique où les ouragans sont plus nombreux que d'habitude. Des conditions climatiques plus
sèches que la normale survient dans l'est de l'Amérique du Sud et dans l'est de l'Afrique. Il faut
dire que les répercussions de La Niña sur la planète se font moins ressentir que les effets
engendrés par El Niño.[7]

V.2 Les conséquences de la sécheresse
Une sécheresse peut ravager la production agricole d'une région, apport un assèchement
des réseaux hydroélectrique, stopper la navigation fluviale, provoquer des pénuries d'eau potable
et même, dans les cas extrêmes, déclencher un exode.[8]
V.2.1 Impact sur l’activité humaine
Les systèmes d'exploitation traditionnels des ressources naturelles et agricoles tels que
la déforestation, les cultures sur brulis, subissent les conséquences de la sécheresse mais sont
aussi responsables de l'accroissement de la vulnérabilité à la dégradation du risque de
désertification.
Les mécanismes de contrôle d'accès aux ressources naturelles et les méthodes de gestion
de celles-ci ont généralement été mis en place depuis des siècles par les sociétés traditionnelles et
ont conduit à des situations relatives d'équilibre. Ils ont été ensuite perturbés à la fois par des
paramètres historiques (colonisation, introduction de l’économie de marché, …),
démographiques (augmentation de la population) et climatiques (sécheresses).
V.2.2 Impact sur le milieu nature et son environnement
Des périodes d'aridité prolongées ont un effet négatif sur le niveau hydrique des sols et
donc sur la disponibilité en eau de la végétation naturelle. La végétation est la première touchée
et ainsi on va remarquer une perte massive de l’écosystème. La sensibilité à l'érosion va
s'accroître du fait de la dénudation des sols : le moindre coup de vent va mettre en suspension
dans l'atmosphère les particules fines des sols. Si des pluies violentes surviennent les sols seront
d'autant plus attaqués qu'ils sont à nu, ils ne retiendront pas bien l'eau qui va ruisseler, entraînant
ainsi une forte érosion hydrique et aggravant les risques de crues.
En cas d'aggravation des périodes de sécheresse les arbustes, fourrés, les arbres, sont
aussi atteints des manques d’eau malgré un enracinement plus important que celui du tapis
herbeux. Ces phénomènes peuvent avoir un impact important sur l'environnement global :
- la mise en suspension des particules fines des sols peut atteindre les hautes couches de
l'atmosphère, il y a diminution de la capacité de stockage du carbone qui peut être pris dans la
circulation générale et contribue ainsi à l'augmentation de l'effet de serre ainsi qu’une variabilité
climatique ;

Méthode de suivi de la sécheresse
- la dénudation des sols entraîne une perte de capacité à stocker l'eau et à recharger les
nappes phréatiques, donc un déséquilibre des relations eau- sol- plante, les réserves globales en
eau vont diminuer, ainsi on peut apercevoir des difficultés de redémarrage de la végétation,
- des cours d'eau permanents sont devenus intermittents ; des lacs naturels connaitrons
des périodes sèches et des réservoirs ont des difficultés à se remplir.
V. Méthode de suivi de la sécheresse

La surveillance ou le suivi de la sécheresse fait appel à bon nombre de méthodes
différentes. La sécheresse doit être considérée comme un état plus relatif qu’absolu. Le suivi de
la sécheresse doit en outre tenir compte de l’application envisagée, étant donné que les
incidences d’une sécheresse varient d’un secteur à l’autre. [9]
V.1 Les indicateurs et les indices de la sécheresse

V.1.1 Quelques définitions
➢ Les indicateurs sont des variables ou des paramètres qui servent à décrire les conditions
de sécheresse. Citons, par exemple, les précipitations, la température, l’écoulement
fluvial, le niveau des nappes et des réservoirs, l’humidité du sol.
➢ Les indices sont le plus souvent des représentations numériques de l’intensité des
sécheresses, que l’on calcule à partir de valeurs climatiques ou hydrométéorologiques,
dont les indicateurs précités. Ils mesurent l’état qualitatif d’une sécheresse a un
emplacement donne pour une période donnée. Techniquement, ce sont eux aussi des
indicateurs.

V.1.2 Les indices de sécheresse

Suite aux définitions énumérées dans le tableau ci-dessous, les indicateurs et les indices
de sécheresse sont inter-corrélés entre eux. La connaissance de l’un ou de l’autre ne suffit à lui
seul la compréhension exacte de l’état de la sécheresse en un lieu donné. Le tableau qui suit
montre ainsi les différents indices de sécheresse associés à ses indicateurs respectifs.
Tableau 1 : Les différents types d’indices de sécheresse
Indicateurs de la Indicateurs Indicateurs Indicateurs

sécheresse météorologiques agricoles hydrologiques
Indice de Indice de Indice de

pourcentage à la sévérité de la sécheresse de Keetch
normale (PN) sécheresse de Palmer Byram (KBDI)
(PDS)
Indice des L’indice du Indice de

Les indices
déciles de stress hydrique des sécheresse de Palmer

précipitation (DI) cultures (Jackson, (PDSI)
1982) ou (CWSI)
Indice de Indice de Indice Crop

l'écart à la moyenne déficit climatique Moisture Index (CMI)
(Em) (IDC)
Indice de pluviosité IndiceSurface Water

(Ip) Supply Index (SWSI)
Rapport à la
normale des
précipitations (RN)
Indice
standardisé de
précipitation (SPI)
Source : ZAOULI Lynda ; contribution à la prévision de la sécheresse par le modèle de

réseau de neurone autorégressif

V.1.3 L’indice standardisé de précipitation
Il s’agit de l’indice standardisé de précipitation (SPI) qui englobe le SPI sur 1 mois, SPI
sur 3 mois, SPI sur 6 mois, SPI sur 9 mois et SPI sur 12 jusqu’à 24 mois.
Le SPI, c’est un indicateur statistique utilisé pour la caractérisation des sécheresses

locales ou régionales. Basé sur un historique de précipitation de longue durée, le SPI permet de
quantifier l’écart des précipitations d’une période, déficit ou surplus, par rapport aux
précipitations moyennes historiques de la période. Cette période varie généralement de 3 mois à
2 ans, selon le type de sécheresse que l’on désire suivre.[10]
(P−𝑃𝑚 )
SPI = (1,1)
σP
Avec :
P : Précipitation totale d’une période (mm)
𝑃𝑚 : Précipitation moyenne historique de la période (mm)
σP: Ecart-type historique des précipitations de la période (mm)
Le calcul de l’indice SPI en un lieu, quel qu’il soit, est basé sur une historique de
précipitations sur une longue durée correspondant au laps de temps étudié. Ajuster une
distribution de probabilité à cette longue série de relevés, puis la transforme en une distribution
normale pour que l’indice SPI moyen, du lieu considéré et pour le laps de temps étudié, soit égal
à zéro. Les valeurs positives de l’indice SPI indiquent des précipitations supérieures à la médiane
et les valeurs négatives, des précipitations inférieures à la médiane.
Le système de classification qui figure dans le tableau des valeurs de l’indice SPI ci-
après (tableau 1) définir l’intensité des épisodes de sécheresse en fonction de la valeur de l’indice.
Ou définit aussi les critères d’un épisode de sécheresse pour une échelle de temps. Par
conséquent, pour chaque épisode de sécheresse, on distingue une durée, avec un commencement
et une fin, et une intensité pour chaque mois durant lequel l’épisode se poursuit. Pour obtenir ce
que l’on peut appeler la « magnitude » de la sécheresse, il suffit d’ajouter toutes les valeurs de
l’indice pour l’ensemble des mois sur lesquels porte cette épisode

Tableau 1 : Valeur de l'indice SPI

SPI Classes
2,0 et Extrêmement humide
plus
de 1,5 Très humide
à 1,99
de 1,0 Modérément humide
à 1,49
de - Proche de la normale
0,99 à 0,99
de -1,0 Modérément sec
à -1,49
de -1,5 Très sec
à -1,99
-2 et Extrêmement sec
moins
Source : Ali, A. (2008). Signification et usage de l’indice de l’usage pluviométrique au sahel.1
V.1.4 Valeurs de l’indice de précipitations normalisé pour une période

plus ou moins longue
V.1.4.1 Indice SPI sur 1 mois
Une carte de l’indice SPI calculé sur 1 mois ressemble beaucoup à une carte
représentant le pourcentage de la normale des précipitations pour une période de 30 jours.
L’indice dérivé offre en fait une représentation plus exacte des précipitations mensuelles, car la
distribution est normalisée. À titre d’exemple, l’indice SPI sur 1 mois se terminant fin novembre
établit la comparaison entre le total mensuel des précipitations pour novembre de l’année
examinée et les totaux mensuels des précipitations en novembre de toutes les années pour
lesquelles on dispose de relevés.
L’indice SPI sur 3 mois établit la comparaison entre le total des précipitations sur la
période de trois mois examinés et les totaux des précipitations pour cette même période de trois
mois de toutes les années pour lesquelles on dispose de relevés. En d’autres termes, l’indice SPI
sur 3 mois se terminant fin février permet de comparer le cumul des précipitations des mois de
décembre, janvier et février de l’année examinée aux cumuls de précipitations de décembre à

février de toutes les années figurant dans l’historique des observations exécutées à la station
étudiée.
L’indice SPI sur 6 mois établit la comparaison entre les précipitations sur la période de
six mois examinés et les totaux des précipitations pour cette même période de six mois de toutes
les années pour lesquelles on dispose de relevés. À titre d’exemple, un indice SPI sur 6 mois se
terminant fin septembre permet de comparer le cumul des précipitations d’avril à septembre de
l’année examinée aux cumuls de précipitations de cette même période pour toutes les années
écoulées.
L’indice SPI sur 6 mois fournit une indication sur les tendances des précipitations sur
une saison et jusqu’à moyenne échéance ; on considère que pour cette échelle de temps, il
présente encore davantage de sensibilité aux conditions que l’indice Palmer.
L’indice SPI sur 9 mois fournit une indication sur les régimes de précipitations inter-
saisonniers, à moyenne échéance. Il faut en général au moins une saison pour que des conditions
de sécheresse s’installent. Un indice SPI établi sur 9 mois et présentant des valeurs inférieures à
1,5 est habituellement un bon indicateur de conditions sèches aux conséquences importantes
pour l’agriculture et pouvant affecter d’autres secteurs également.
V.1.4.5 Indice SPI sur 12 mois et jusqu’à 24 mois
À ces échelles de temps, l’indice SPI fournit une représentation des régimes de
précipitations à longue échéance. L’indice SPI sur 12 mois établit la comparaison entre les
précipitations sur une période de 12 mois consécutifs et celles enregistrées sur la même série de
12 mois consécutifs de toutes les années pour lesquelles on dispose de relevés. Étant donné que
ces échelles de temps constituent le cumul de périodes plus courtes pouvant se situer au-dessus
ou au-dessous de la normale, les valeurs des indices SPI établis pour une période relativement
longue tendent à graviter autour de zéro, à moins qu’une tendance humide ou sèche bien distincte
ne se soit installée. Les indices SPI pour ces échelles de temps sont en général associés au débit
des cours d’eau, au niveau des réservoirs et au niveau des eaux souterraines à relativement long
terme. Pour certaines stations, l’indice SPI sur 12 mois présente une bonne corrélation avec
l’indice Palmer et les deux indices peuvent mettre en évidence des conditions analogues.[9]

V.2 Les paramètres de la sécheresse
Les paramètres importants qui permettent de caractériser la sécheresse sont : l’intensité,

la durée et l’étendu spatiale. Les définitions de ces paramètres peuvent parfois prêter à confusion,
du fait de l’ambiguïté de l’utilisation de ces termes.
• Intensité : Elle est généralement mesurée par l’écart par rapport à la normale
d’un des variables de la sécheresse pendant une durée fixée ;
• Durée : Elle peut être de l’ordre de semaines, mois jusqu’à des années.
• Position absolue dans le temps : il s’agit du début et de la fin de la sécheresse.
Leurs déterminations peuvent être assez difficiles et dépendent des seuils choisis
selon l’utilisation ;
• Surface touchée par la sécheresse : Les épicentres, c’est-à-dire les zones
d’intensité maximale peuvent se déplacer d’une saison ou d’une année à une
autre. Souvent, cette surface est plus vaste que celle affectée par les autres
catastrophes naturelles ;
• Magnitude : c’est le cumul de déficit d’eau (par exemple : précipitations) en
dessous d’un certain seuil durant un évènement de sécheresse.

Deuxième chapitre : Méthodologie de
prévision de la sécheresse
Chapitre 2 : Méthodologie de la prévision
Généralités
Chapitre Méthodologie de prévision

2 de la sécheresse
I. Généralités sur la prévision
La prévision peut être définie comme étant « une appréciation sur les valeurs futures d’une
variable quantitative ».
Nous partons d’une série d’observations à travers le temps portant sur une variable y
quelconque, de l’instant 1 jusqu’à l’instant T ; il s’agit d’une série chronologique ou encore d’une
série temporelle. Nous cherchons à prévoir la valeur qui sera atteinte par y a un instant futur T+h, ou
encore à l’horizon h.
I.1 Importance de la prévision
Pourquoi faire des prévisions ? La prévision est fondamentale dans la mesure où elle est à
la base de l'action." dit Guy Melard (1990). Le désir de prévoir le futur serait donc motivé par la
volonté de l'améliorer ou de s'y préparer. Nos choix sont donc généralement dirigés par
l'anticipation des conséquences de différentes actions. En d'autres termes, la prise de décision est
généralement basée sur des prévisions. [11] Le principal objectif de prévision est de réduire
l’incertitude liée pour la non reconnaissance du futur.
I.2 Technique de prévision
Une prévision est une prédiction dans un avenir incertain, d’événements ou de niveaux
d’activités.[12]
Pour pouvoir effectuer des prévisions, on a besoin d'informations concernant le passé et on

doit pouvoir supposer que certains comportements du passé continueront à se reproduire dans le
futur : c'est ce qu'on appelle l'hypothèse de continuité (Steven C et al ,1998). Notre rôle sera donc
d'analyser et d'utiliser cette information passée pour tenter d'en extraire des particularités, qui seront
ensuite utilisées pour effectuer des prévisions.
Pour arriver à terme a une bonne prévision on doit suivre la méthodologie approprier tels
que :
• Recueillir les données pertinentes

• Choisir une technique de prévision

Généralités
• Etablir les prévisions
• Calculer les écarts en se basant sur la simulation en historique
• Suivre l’évolution des prévisions
Avant d’entamer les différentes méthodes de prévision il faut bien choisir la technique le
mieux adaptée avec la série étudiée. Ce choix dépend bien des données historiques
Figure 9 : Les différentes techniques de prévision
Source : BEIDA MOHAMMED FERHAT TALEB AMAR, « Systèmes d’Information (SI) »,

(Juillet 2004), pp 6.

Généralités
I.2.1 Détermination des mois secs par la courbe ombrothermique
Un diagramme ombrothermique est un type particulier de diagramme climatique

représentant les variations mensuelles sur une année des températures et des précipitations selon des
gradations standardisées : une gradation de l'échelle des précipitations correspond aux données
mensuelles des températures moyennes et des précipitations d'une station donnée. Une graduation
de l’échelle des précipitations correspond aux deux graduations de l’échelles de températures : (la
température et la pluie sont portées en ordonnée [1 °C = 2 mm de pluie]. L'intersection des deux
courbes détermine une surface, caractéristique du climat de la station étudiée
Les mois secs sont déterminés à partir de la courbe ombrothermique. Les températures sont
placées sur l’axe à gauche exprimées en °C. Les précipitations sont sur l’axe à droite en mm. On
met le temps sur l’axe horizontal exprimé en mois. [13]
Figure 10 : Exemple de diagramme ombrothermique
Source : Climate-Data.org/AmbiWeb Gmbh/OpenStreetMap contribution
I.2.2 Transformation de Fourier rapide (FFT)
La transformée de Fourier est un outil qui sert à mesurer la fréquence d’un signal. Son
principe repose sur le fait que toute fonction périodique peut être représentée comme la somme
d’une série de sinus et de cosinus dont on fait varier d’une part les amplitudes en les multipliant

Chapitre 2 : : Méthodologie de la prévision
Méthodes statistiques
par des coefficients, et d’autre part les phases en les décalant de manière à ce qu’elles
s’additionnent où se compensent.
La transformée de Fourier rapide permet de préciser la période dans un phénomène

périodique (de changement climatique).[14]
La formule ci-après donne la modélisation d’un signal avec une série d’exponentielle,
celle-ci nous permet d’extraire les différentes fréquences contenues dans le signal :
𝑘
−2𝜋𝑖( )𝑛
𝑋𝑘 = ∑𝑁−1
𝑛=0 𝑥𝑛 𝑒
𝑁 (2.1)
Avec : 𝑋𝑘 : indice en quantité complexe k,

𝑥𝑛 ∶ Indice en quantités réelles ;
N : la longueur d’ordre de la série
𝑘
Et f = : la fréquence.
𝑁
II. Méthodes statistiques

II.1 Méthode d’extrapolation
II.1.1 Moyennes arithmétiques
La moyenne arithmétique est donnée par la formule suivante :
1
𝑥̅ = ∑𝑛𝑖=1 𝑥𝑖 (2.2)
𝑛
Où n : le nombre total d’observations de l’échantillon à étudier.
Il y a deux types de cas possibles, l’un en présence de toute la population de façon

exhaustive et l’autre seulement d’un échantillon considéré comme représentatif d’une population
totale. La formule ci-dessous nous montre la formule de la variance (var) représenté comme une
population totale :
∑𝑡=𝑛
𝑡=1 (𝑥𝑡 −𝑥̅ )
2
𝑉𝑎𝑟(𝑥 ) = (2.3)
𝑛
La formule de la variance dans le cas d'un échantillon (variance empirique) est donnée
par :
∑𝑡=𝑛
𝑡=1 (𝑥𝑡 −𝑥̅ )
2
𝑉𝑎𝑟(𝑥 ) = (2.4)
𝑛−1
Dans le cas du calcul de la variance d'une série chronologique, la deuxième formule est
la seule retenue. Son écart-type empirique est de :
𝜎𝑥 = √𝑉𝑎𝑟(𝑥) (2.5)
II.1.2 Moyenne mobile
Les moyennes mobiles sont à la base d’une méthode de prévision qui consiste à utiliser
la moyenne des k dernières observations disponibles comme prévision pour la date suivante. On
parle alors de méthode de prévision par moyenne mobile d’ordre k.[15]
La moyenne mobile est un type de moyenne statistique utilisé pour analyser des séries
ordonnées de données L’avantage d’une moyenne mobile est de lisser les éventuels écarts
accidentels. Cette moyenne est dite mobile parce qu’elle est recalculée de la façon continue, en
utilisant à chaque calcul un sous-ensemble. La moyenne mobile simple est calculée par la
formule :
1
𝑥̅ = ∑𝑁−1
𝑘=0 𝑥𝑛−𝑘 (2.6)
𝑁
Où
𝑥𝑛 −𝑥𝑛−𝑁
𝑥̅ = 𝑥̅𝑛−1 + (2.7)
𝑁
Où n et N le nombre de valeurs dans le sous-groupe consécutif.
Soit X le terme général de la série brute, la réalisation de la période t, d’une série filtrée
MM𝑡 à l'aide d'une moyenne mobile, par exemple, d'ordre 3 a pour expression
(𝑥𝑡−1 +𝑥𝑡 +𝑥𝑡+1 )

MM𝑡 = (2.8)
3
Il est à noter que cette moyenne mobile d’ordre trois ne peut être calculée que pour t =2
à n-1 (n étant le nombre d’observations). La moyenne mobile se trouve aux barycentres des trois
observations.

Figure 11 : Moyenne mobile d’ordre trois (MMt)

II.1.3 Lissage exponentiel
II.1.3.1 Lissage exponentiel du premier degré (lissage simple)
Soit une série chronologique 𝑋1 ; 𝑋2 ; … … ; 𝑋𝑡−2 ; 𝑋𝑡−1 ; 𝑋𝑡 Nous sommes à la période T et
nous voulons prédire 𝑋𝑡+ℎ , où ℎ est l’horizon de prévision. Pour ce faire, on fera appel à une
méthode appelé lissage exponentiel simple. Ce type de lissage permet d’effectuer des prévisions
pour des séries chronologiques dont la tendance est constante et sans saisonnalité
𝑋𝑡+ℎ = (1 − 𝜆) ∑𝑇−1 𝑗
𝑗=0 𝜆 𝑋𝑇−𝑗 (2.9)
On peut choisir λ arbitrairement selon que l’on veut une prévision réactive ou rigide ; on
peut également choisir la valeur de λ qui minimise la somme des carrés des erreurs de prévision
quand on applique la méthode aux données passées.
II.1.3.2 Lissage exponentiel double
La méthode de lissage exponentiel double permet de traiter des séries présentant une
tendance linéaire mais sans saisonnalité. On peut également définir des lissages exponentiels
généralisés sur le même principe que les techniques décrites dans les sections précédentes
permettant de traiter des séries avec saisonnalité. Ainsi la méthode de Holt-Winters a été
introduite. Deux méthodes existent, l’une dite non saisonnière et l’autre saisonnière additive.
Dans le premier cas, il s’agit d’un lissage exponentiel double avec des relations de
mises à jour modifiées qui utilisent des paramètres de réglage permettant de choisir une prévision

plus ou moins réactive. Elle opère au plan local le lissage simultané du niveau de la série Lt et de
la pente Bt de la tendance, au moyen des équations récursives :
𝐿 = 𝛼𝑥 + (1 − 𝛼)(𝐿𝑡−1 + 𝐵𝑡−1
{ 𝑡
𝐵𝑡 = 𝛽(𝐿𝑡 − 𝐿 𝑇−1 ) + (1 − 𝛽)𝐵𝑡−1
(2.10)
Avec
• ➢ 0 , 1
• ➢ 𝐿1 = 𝑥1 𝐵1= 0 ou 𝐵1 = 𝑥1 − 𝑥2 (pour initialisation)
𝐿𝑡 s’interprète comme une estimation de la tendance à la date t, et 𝐵𝑡 comme une

estimation de la pente. La prévision à l'horizon h est définie par :
• 𝑋(𝑡, ℎ) = 𝐿𝑡 + ℎ𝐵𝑡
(2.11)
• Pour une simulation historique : 2 ≤ 𝑡 ≤ 𝑇 ∶ 𝑋𝑡 = 𝐿𝑡 + 𝐵𝑡
On peut choisir α, β de façon à minimiser, par exemple, un critère de moindres carrés

des erreurs de prévisions.
II.1.4 Lois de probabilités

II.1.4.1 Loi Gamma
On appelle loi gamma [16]de paramètres a et 𝜆 la loi de probabilité absolument continue

dont sa densité est donnée par
𝜆𝑎
𝑝(𝑥) = ∏[0,∞](𝑥) 𝑥 𝑎−1 𝑒 −𝜆𝑥 (2.12)
Γ(a)
Ou 𝑥 ∈ 𝑅+∗ , 𝛼 ∈ 𝑅+∗ , 𝑎 ∈ 𝑅+∗
Γ(a) 𝑒𝑠𝑡 𝑙𝑒 𝑓𝑎𝑐𝑡𝑒𝑢𝑟 𝑑𝑒 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑡𝑖𝑜𝑛. 𝐷’𝑎𝑝𝑟è𝑠 𝐸𝑢𝑙𝑒𝑟
∞
Γ(a) = ∫0 𝑡 𝑎−1 𝑒 −𝑡 𝑑𝑡 (2.13)
Parfois les lois Gamma sont nommées lois d’Erlang.

II.1.4.2 Loi Beta
On appelle loi Beta de paramètres a et b la loi de probabilité absolument continue dont

une densité est donnée par :
𝑥 𝑎−1 (1−𝑥)𝑏−1
𝑝(𝑥) = ∏[0,∞] (2.14)
𝐵(𝑎,𝑏)
Ou : 𝑥 ∈ 𝑅, 𝑎 𝑒𝑡 𝑏 ∈ 𝑅+∗
B (a, b) est le facteur de normalisation.
Γ(a)Γ(b)
𝐵(𝑎, 𝑏) = (2.15)
Γ(a+b)
II.1.4.3 Lois Student
La loi de Student à  degrés de liberté est la loi de probabilité absolument continue dont
la densité est donnée par :
𝑣+1
1 Γ( 2 ) 𝑥 2 −(𝑣+1)/2
𝑃(𝑥) = (1 + ) (2.16)
𝜋 Γ(𝑣) 𝑣
2
Ou 𝑥 ∈ 𝑅,
II.1.4.4 Lois normales
Soient   et *  +  . On appelle loi normale de moyenne m et de variance 2
 la loi de probabilité absolument continue dont une densité est donnée par (2) :
1 2
𝑝(𝑥) = 𝑒 −(𝑥−𝑚)2/2𝜎 , 𝑥 𝜖𝑅 (2.17)
√2𝜋𝜎 2
Cette mesure est identifiée par la notationN(m𝜎 2 ) . La loi de probabilité N(0,1) est
appelée loi normale standard ou loi Normale. On a coutume de noter  sa fonction de répartition.

Figure 12 : Evolution de densité de la loi Normale et sa fonction de répartition 

Source : lois-usuelles.pdf, lois usuelles décembre,
II.1.5 Modèle stochastique

II.1.5.1 Processus Markovien
Une chaîne de Markov est un processus stochastique𝑋𝑡 utilisé dans plusieurs domaines
pour modéliser les séries chronologiques qui sont des variables aléatoires tels que les indices de
sécheresse (Seyed et Davar 2013). Ce processus a la particularité que la valeur𝑋𝑡+1 dans un
temps t+1 est conditionnellement indépendante de 𝑋1, 𝑋2, ,. 𝑋𝑡+1 et dépend seulement de la
valeur 𝑋𝑡 de temps t pour le premier ordre. Dans la présente étude, le modèle des chaines de
Markov a été appliqué sur l’indice SPI pour tenter de déterminer la probabilité d’avoir une année
avec des conditions sèches après une année sèche ou humide. Ce processus exprime des
probabilités conditionnelles de passage de l’état d’une année précédente à l’état de l’année en
cours. En effet, l’état de l’année k ne dépend que de l’état de l’année k-1 pour un processus de
Markov de premier ordre et il dépend des états k-1 ainsi que k-2 pour le processus de Markov de
deuxième ordre. (2)
L’indice SPI -12 mois caractérise l’échelle annuelle et celui de 3 mois l’échelle
saisonnière. De ce fait, l’état du SPI dans un temps t peut être déterminé par l’un des deux cas :
sec ou humide (non sec). Les chaines de Markov d’ordre (I) et (II) sont appliquées à l’échelle
annuelle et saisonnière au niveau des sept plaines. Quatre situations sont possibles dans le
processus d’ordre (I) à savoir ; S-S (deux évènements secs successifs), S-NS (un évènement sec
suivi d’un humide c’est-à-dire non sec), NS-S (un évènement non sec suivi d’un autre sec), NS-
NS (deux évènements non secs successifs). En ce qui concerne le processus de Markov d’ordre
(II), on s’intéresse aux cas où les évènements secs se produisent successivement, par conséquent
nous avons les situations suivantes ; S-S-S (trois évènements secs successifs), S-S-NS (deux
évènements secs successifs avant un autre humide), NS-S-S (deux évènements secs successifs
après un évènement humide), et au finale on rajoute le cas NS-S-NS (un évènement sec isolé).

III.1.5.2 Modèle ARMA
Parmi les modèles de séries temporelles linéaires représentent différents processus

stochastiques et présentent de nombreuses variétés telles que les modèles autorégressifs (AR), les
modèles intégrés (I) et les modèles de moyenne mobile (MA), qui dépendent linéairement de
leurs points de données antérieurs. Les combinaisons de ces modèles produisent de nouveaux
modèles comme moyenne mobile autorégressive (ARMA) et moyenne mobile intégrée
autorégressive (ARIMA).[17]
a. Modèle autorégressif : Processus autorégressif AR(p)
Les premiers modèles que nous présentons sont les processus autorégressifs, construits à
partir de l’idée que l’observation au temps t s’explique linéairement par les observations
précédentes. De façon générale, un processus AR(p) est un processus qui dépend linéairement
des p valeurs antérieurs :
𝑥𝑡 = 𝜑1 𝑥𝑡−1 + ⋯ + 𝜑𝑡 𝑥𝑡−𝑝 + 𝐸𝑡 (2.18)
Où 𝐸𝑡 est un bruit blanc. On peut sans restriction de généralité, supprimer le terme

constant et obtenir un modèle de la forme
𝑝
𝑥𝑡 = ∑1 𝜑𝑘 𝑥𝑘−1 + 𝜑𝑡−𝑝 𝑥𝑝 + 𝐸𝑡 ⟺ Θ(𝐵)𝑋𝑡 = 𝐸 (2.19)
Où Θ est le polynôme de degré p dont les coefficients sont (1, −𝜑1 _,…,−𝜑𝑝 )
b. Modèle moyenne mobile : Processus moyenne mobile MA(q)
Le terme𝐸𝑡 est souvent présenté comme un ”choc” rend compte d’un élément nouveau
dans l’évolution du processus. On peut envisager que ces chocs (non-corrélés et d’espérances
nulles) aient des effets sur l’évolution du processus non seulement à la date à laquelle ils se
produisent mais aussi à des dates ultérieures. Il s’agit d’un processus vérifiant l’équation
𝑋𝑡 = 𝐸𝑡 + 𝜃1 𝐸𝑡−1 + 𝜃𝑞 𝐸𝑡−𝑞 = Θ(𝐵)𝐸𝑡 + 𝐸𝑡 (2.20)
Où Θ est le polynôme de degré p dont les coefficients sont (1, θ_,…, θh. Dans un tel
modèle, on suppose de plus que l’influence des chocs passés se manifeste au travers d’une
fonction linéaire.

c. Modèle autorégressif – Moyenne mobile : Processus ARMA(p,q)
On peut bien évidemment envisager de combiner les deux modèles précédents en

introduisant
• Une dépendance du processus vis-à-vis de son passé : modèle AR(p),

• Un effet retardé des chocs : modèle MA(q).
Un tel modèle, appelé autorégressif - moyenne mobile (ARMA), est caractérisé par le
paramètre p de la partie autorégressive et le paramètre q de la partie moyenne mobile.
Un processus ARMA (p, q) vérifie l’équation :
𝑋𝑡 = 𝜑1 𝑥𝑡−1 + ⋯ + 𝜑𝑡 𝑥𝑡−𝑝 + 𝐸𝑡 + 𝜃1 𝐸𝑡−1 + 𝜃𝑞 𝐸𝑡−𝑞 (2.21)
Soit : Θ(𝐵)𝑋𝑡 = Θ(𝐵)𝐸𝑡 (2.22)
d. Processus ARIMA et SARIMA
La condition de stationnarité des modèles présentés ici n’est évidemment pas toujours
convenable. On peut intégrer certains types de non-stationnarités en élargissant le modèle
ARMA. Ces élargissements consistent en une série d’opérations préalables visant à éliminer la
tendance ou la saisonnalité. On a vu que si un processus X admet une tendance polynomiale de
degré d, le processus différencié d fois est stationnaire
𝑌𝑡 = ∆𝑑 𝑋𝑡 = (𝐼 − 𝐵)𝑑 𝑋𝑡 (2.23)
Le modèle ARIMA revient à appliquer un modèle ARMA sur le processus différencié
𝑦𝑡 = 𝐴𝑅𝑀𝐴(𝑝, 𝑞) ⇔ 𝑋𝑡 = 𝐴𝑅𝐼𝑀𝐴(𝑝, 𝑑, 𝑞) (2.24)
L’équation d’un modèle ARIMA(𝑝, 𝑑, 𝑞)est donc donnée par :
Θ(𝐵)𝑋𝑡 = Θ(𝐵)𝐸𝑡 ⇔ 𝜙(𝐵)∆𝑑 𝑋𝑡 = Θ(𝐵)𝐸𝑡 (2.25)
Où Φ et Θ sont deux polynômes de degrés respectifs p et q.
Pour le modèle SARIMA SARIMA(p,d,q)(P,D,Q)s, La saisonnalité est un autre facteur

de non-stationnarité. On a vu qu’une façon simple d’éliminer une saisonnalité de période q
consiste à appliquer l’opérateur tels que :

𝜙𝑝 (𝐵)𝜙𝑃 (𝐵 𝑠 )∆𝑑 (1 − 𝐵 𝑠 )𝐷 𝑋𝑡 = Θ𝑞 (𝐵)Θ𝑄 (𝐵 𝑠 )𝐸𝑡 (2.26)
II.2 Méthodes explicatives (Analyse des Composantes Principales)
L’étude de la variabilité spatio-temporelle de la sécheresse a été élaborée en employant

l’analyse en composantes principales (ACP), qui est une méthode descriptive
multidimensionnelle très connue. Les données sur lesquelles on fait l’analyse est notée comme
suit INDIVIDU = Élément de Rp, VARIABLE = Élément de Rn. A chaque individu noté ei, on
peut associer un point dans Rp = espace des individus, a chaque variable du tableau X est associé
un axe de Rp.[18]
II.2.1 Les principes de l’ACP
On cherche une représentation des n individus, dans un sous-espace Fk de Rp de

dimension k ( k petit 2, 3 …; par exemple un plan)
Autrement dit, on cherche à définir k nouvelles variables combinaisons linéaires des p

variables initiales qui feront perdre le moins d’information possible.
II.2.2 Les objectives
On dispose d’un tableau de données X. Ce tableau définit deux nuages de points :
• Nuage de points-variables = coordonnées des vecteurs variables tracées dans le repère

dont les axes représentent les individus (espace de dimension n)
• Nuage de points-individus = coordonnées des vecteurs individus tracés dans le repère
dont les axes représentent les variables (espace de dimension p)
Soit X j = x j xij ,.., xnj

Le nuage de points variables

représenté dans l’espace de dim n défini par
les individus
Figure 13 : Nuage de points définit par les individus
Source : Pierre-Louis GONZALEZ, l’analyse en composantes principales
Et 𝑒𝑖 = (𝑥𝑖1 , … . 𝑥𝑖𝑗 , … 𝑥𝑖𝑝 )
Le nuage de points
individus représenté dans l’espace
de dim p défini par les variables
Figure 14: Nuage de points représenté dans l’espace
II.2.3 Construction d’un espace factoriel
Principe de construction de l’espace factoriel (ex : individus) :
• On effectue un changement de repère, passant du repère défini par les p

variables à un repère de dimension p le moins déformant possible pour le
nuage. Il sera défini par p nouveaux axes, appelés axes factoriels.
• On retient ensuite les q premiers axes du nouveau repère, ce qui nous
donnera l’espace factoriel de dimension q. Il permet de récupérer les liens les
plus significatifs contenus dans le tableau
Les p axes factoriels sont définis séquentiellement :
• On détermine l’axe (premier axe factoriel) sur lequel le nuage se déforme le

moins possible en projection,
• On cherche un second axe, sur lequel le nuage se déforme le moins en
projection, après le premier axe, tout en étant orthogonal au premier,
• On réitère jusqu’à l’obtention de p axes.
Figure 15 : Espace factoriel de p axes
Ainsi pour construire un espace factoriel il faut que :
• le meilleur axe (premier axe factoriel) sera celui sur lequel le nuage de points projeté
est de dispersion, c’est-à-dire que le nuage projeté est d’inertie maximale.
• Le second axe sera celui qui, après le premier est tel que le nuage projeté est d’inertie
maximale, tout en étant orthogonal au premier

Figure 16 : Exemple d’une construction d’un espace factorie
II.2.4 Interprétation en termes statistiques de l’espace factoriel du

nuage de points individus
• Chaque axe factoriel k, de vecteur directeur uk, représente une nouvelle variable
Ck de dimension n, construite comme combinaison linéaire des axes de départ,
appelée composante principale. La coordonnée d’un individu i donné sur cet
axe correspond à la valeur de la composante principale prise par cet individu.
• Les composantes principales sont construites de manière à restituer la majeure
partie de l’information du tableau. Elles déforment le moins possible
l’information. La première composante principale sera une des variables de
départ de dispersion maximale.
• Les composantes principales sont non corrélées (les axes sont orthogonaux)
II.2.5 Les étapes d’une ACP

II.2.5.1 Choix du tableau X
On travaille toujours sur le tableau centré : On montre que tout axe factoriel passe par le
centre de gravité : le nouveau repère est centré en G.

Si X n’est pas réduit, l’importance que prendront les variables dans le calcul des
composantes principales est fonction de leur ordre de grandeur ; une variable d’écart-type
important aura plus de poids qu’une variable d’écart-type faible. Des variables de fort écart-type
construiront les premières composantes principales : les calculs ne sont pas faux, et conduisent
aux mêmes interprétations mais la lecture des résultats risque d’être brouillée.
⇒ On commence souvent par centrer et réduire X
II.2.5.2 Analyse duale
Les axes factoriels dans l’analyse duale se déduisent des axes factoriels trouvés lors de
l’analyse directe (par symétrie, ce sont les vecteurs propres de XX’P). Il y en a seulement p
d’informatifs, l’inertie (représentant l’information restituée) est identique pour des axes de même
rang dans les deux analyses.
Pour des raisons de symétrie, les axes factoriels du nuage de points-variables passent
par l’origine (il n’y a donc pas lieu de centrer) et ont pour vecteurs directeurs les vecteurs
propres P unitaires de la matrice XX’P.
On montre que XX’P a p valeurs propres non nulles et n-p nulles donc seulement p
axes sont informatifs. Les valeurs propres non nulles sont les mêmes que celles de R. Les valeurs
propres non nulles et donc l’inertie sont identiques pour des axes de rang homologues.
𝐼𝑘 = 𝜆𝑘 (2.27)
Les vecteurs propres satisfont
𝑋′𝑃𝑣𝑘 𝑋𝑢𝑘
𝑢𝑘 = 𝑣𝑘 = (2.28)
√𝜆𝑘 √𝜆𝑘
Lorsque l’ACP est normée (X tableau centré réduit), la deuxième formule ci-dessus
permet de montrer que :
𝑑𝑗𝑘 = 𝑟(𝑋𝑗 , 𝐶𝑘 ) (2.29)

Chapitre 2 : présentation de la zone d’étude
Méthode basée sur les réseaux de neurones
Figure 17: Représentation de la décomposition factorielle en Analyse dual
L’ACP permet donc de construire de nouvelles variables (les composantes principales),

combinaison linéaire des variables d’origine. On montre facilement qu’elles sont
• centrées (les variables d’origine le sont) : Ck = Xuk

• non corrélées : 𝐶𝑜𝑣(𝐶𝑘 , 𝐶𝑙 ) = 𝐶𝑘 𝑃𝐶𝑙 = 0
2
• de variance maximale.∥ 𝐶𝑘 ∥𝑝 = 𝑉𝑎𝑟(𝐶𝑘 ) = 𝜆𝑘
III. Méthode basée sur les réseaux de neurones

III.1 Définition
Un réseau de neurones artificiel est une méthode de modélisation mathématique dont

l'inspiration originale était le fonctionnement des réseaux de neurones biologique. Le neurone
biologique est une cellule vivante spécialisée dans le traitement des signaux électriques. Les
neurones sont reliés entre eux par des liaisons appelées axones. Ces axones vont eux-mêmes
jouer un rôle important dans le comportement logique de l'ensemble. Ces axones conduisent les
signaux électriques de la sortie d'un neurone vers l'entrée (synapse) d'un autre neurone. Le

principal point fort des RNA est leur capacité d'identifier des relations complexes et non linéaires
entre les entrées et les sorties des ensembles de données sans la nécessité de comprendre la
nature du phénomène (Adamowskiet Sun 2010). Des neurones biologiques, des nombreux
auteurs se sont inspirés pour mettre au point les neurones formels ou artificiels.[19]
Figure 18: Analogie entre neurone biologique et neurone formel

Source : Les réseaux de neurones Artificiels, Introduction au Connexionnisme, Cours, exercices, Claude
TOUZET, Juillet 1992
III.2 historiques
• -1890 : W. James, célèbre psychologue américain introduit le concept de

mémoire associative, et propose ce qui deviendra une loi de fonctionnement
pour l’apprentissage sur les réseaux de neurones connue plus tard sous le nom de
loi de Hebb.
• 1943 : J. Mc Culloch et W. Pitts laissent leurs noms à une modélisation du
neurone biologique (un neurone au comportement binaire). Ceux sont les
premiers à montrer que des réseaux de neurones formels simples peuvent
réaliser des fonctions logiques, arithmétiques et symboliques complexes (tout au
moins au niveau théorique).
• 1949 : D. Hebb, physiologiste américain explique le conditionnement chez
l’animal par les propriétés des neurones eux-mêmes. Ainsi, un conditionnement
de type pavlovien tel que, nourrir tous les jours à la même heure un chien,
entraîne chez cet animal la sécrétion de salive à cette heure précise même en
l’absence de nourriture. La loi de modification des propriétés des connexions

entre neurones qu’il propose explique en partie ce type de résultats
expérimentaux.[19]
III.3 Principe du réseau de neurone
Chaque neurone artificiel est un processeur élémentaire. Il reçoit un nombre variable

d’entrées en provenance de neurones en amont ou des capteurs composant la machine dont il fait
partie. A chacune de ses entrées est associé un poids représentatif de la force de la connexion.
Chaque processeur élémentaire est doté d’une sortie unique, qui se ramifie ensuite pour alimenter
un nombre variable de neurones en aval. A chaque connexion est associé un poids. [20]
Avec :
𝑣𝑘 = ∑𝑚
𝑖=0 𝑊𝑘𝑚 𝑋𝑚 (2.30)
la somme pondérée des entrées du neurone
Et
𝑦𝑘 = 𝜑(𝑣𝑘 ) (2.31)
Où :
𝑣𝑘 : représente la somme pondérée des entrées du neurone.
𝑥𝑖 : sont les signaux d'entrée.
𝑏𝑘 : le seuil interne du neurone.
𝑊𝑘𝑚 : désigne le poids de la connexion reliant l’entrée 𝑚 au neurone 𝑘.
𝑦𝑘 = 𝜑(𝑣𝑘 ) est la sortie du neurone et 𝜑 sa fonction d’activation.

Figure 19 : Modèle non linéaire d'un neurone

Source : Les réseaux de neurones historiques, méthodes et applications, Marie Cottrell
III.4 Types de fonction d’activation
Un neurone possède une fonction qui lui permet de changer d'état en fonction des
signaux qu'il reçoit c'est sa fonction de transfert les fonctions les plus utilisées sont : [20]
• Fonction à seuil (Fonction linéaire rectifiée) :
+𝟏 𝒔𝒊 𝒙 ≥ 𝟎
𝒇(𝒙) = { (2.32)
𝟎 𝒔𝒊 𝒏𝒐𝒏
• Fonction gaussienne :
𝒂𝒙𝟐
(− )
𝒇(𝒙) = 𝒆 𝟐 (2.33)
• Fonction sigmoïde
𝟏
𝒇(𝒙) = (2.34)
𝟏+𝐞−(−𝐚𝐱)
• Fonction tangente hyperbolique
𝒇(𝒙) = 𝐭𝐚𝐧 𝐡(𝒂𝒙) (2.35)

La fonction d’activation de chaque neurone détermine ses propres caractéristiques. Par
conséquent, le type du neurone est caractérisé par sa fonction d’activation. Conformément au
neurone biologique, les fonctions d’activation sont généralement croissantes et continues. Les
fonctions les plus utilisées sont la fonction linéaire et la fonction sigmoïde. Leur choix revêt une
importance capitale et dépend souvent du type de l’application et du domaine de variation des
variables d’entrée/sortie.
III.5 Modélisation des réseaux de neurones artificiels
Nous avons besoin d’un modèle mathématique pour la simulation d’un réseau de
neurones sur un ordinateur. Un neurone est essentiellement constitué d’un intégrateur qui
effectue la somme pondérée de ses entrées. Le résultat de cette somme est ensuite transformé par
une fonction de transfert f qui produit la sortie du neurone. [20]
• Chaque neurone possède un ensemble d’entrées 𝑥𝑖

• Chaque connexion entre deux neurones 𝑥𝑖 , 𝑥𝑗 a un poids 𝑊𝑖𝑗
• La sortie d’un neurone est déterminée en appliquant une fonction de transfert sur
la somme des produits de la connexion des entrées avec leurs poids.
𝑆𝑘 = 𝑓(∑𝑁
𝑗=1 𝑤𝑘𝑗 𝑥𝑘𝑗 + 𝑏𝑘 ) (2.36)
Où
𝑓: La fonction d’activation sigmoïde, il y en a d’autres mais le sigmoïde est le plus utilisé.
𝑤𝑘𝑗 : Le poids synaptique de la connexion entre le neurone j et k.
x : L’entrée du neurone k depuis le neurone j.
𝑏𝑘 : Le biais
𝑁 : Le nombre de neurones de la couche qui précède la couche contenant le neurone k.
Nous représentons sur la ci-dessous quelques exemples des fonctions de transfert et

schéma pour un calcul de sortie d’un neurone

Figure 20 : Fonction des transferts, (a) du neurone « seuil » ; (b) du neurone « linéaire », et (c) du
neurone « sigmoïde)
Sur la figure (21) on peut voir la structure d'un neurone artificiel. Le neurone calcule la
somme de ses entrées puis cette valeur passe à travers la fonction d'activation pour produire sa
sortie avec :
𝑎 = ∑ 𝑥𝑖 𝑤𝑖 + 𝑏
{ (2.37)
𝑦 = 𝑓(𝑎)
Où :
𝑥𝑖 : les entrées
𝑤𝑖 : les poids
b : le biais
Figure 21 : Calcul de la sortie d’un neurone.

III.6 Types des réseaux de neurones et leurs apprentissages

III.6.1 Le perceptron
Le perceptron peut être vue comme le type de réseau de neurone le plus simple ; c’est
un classifieur linéaire ; ce type de réseau neuronal ne contient aucun cycle. Dans sa version
simplifiée, le perceptron est mono couche et n’a qu’une sortie(booléenne) auxquelles toutes les
entrées sont connectées. Plus généralement, les entrées peuvent êtres des nombres réels. Le
perceptron a ces limites parce qu’un perceptron peut apprendre seulement les données
linéairement séparables. Un exemple de perceptron est a montré à la figure 20. [20]
Figure 22 : Schéma d’un perceptron
Source : Les réseaux de neurones Artificiels, Introduction au Connexionnisme, Cours, exercices,

Claude TOUZET, Juillet 1992
III.6.2 Réseaux de neurones multicouches
Le type Perceptron multicouche (PMC) est le réseau de neurones le plus couramment

utilisé. Sa structure est formée d’une couche d'entrée, d’une couche de sortie et d’une ou
plusieurs couches cachées. Chaque couche contient un nombre défini de neurones et chaque
neurone de la couche L est connecté à tous les neurones le la couche L+1 avec un poids de 𝑤𝑖𝑗 ,
puis chaque neurone possède une extra entrée qui a pour valeur une constante, le biais. Dans ces
types de réseaux, chaque neurone n'est relié qu'aux neurones des couches directement
précédentes et suivantes….

Figure 23 : Architecture générale d’un RNA de type PMC
Comme tous les réseaux de neurones le fonctionnement des réseaux MLP comporte
deux phases : une phase d’apprentissage et une autre de reconnaissance. La première consiste à
entraîner les réseaux (selon un algorithme d’apprentissage) à reproduire des valeurs proches à
celles désirées selon un critère de performance donné tandis que l’autre consiste à transformer les
nouvelles entrées aux valeurs prévues.
Figure 24 : Réseau de neurones multicouches.
Pour la prévision de la sécheresse, les entrées représentent l’historique de données et la

sortie représente la variable à prévoir. On peut alors montrer le model d’apprentissage comme
suit :

Figure 25 : L’apprentissage du réseau de neurones
III.6.3 Apprentissages du perceptron
L’apprentissage est une phase du développement d’un réseau de neurone durent laquelle
le comportement du réseau est modifié jusqu’à l’obtention du comportement désire.
L’apprentissage neuronal fait appel à des exemples de comportement, elle consiste à modifier les
poids des connexions entre les neurones. [20]
Il existe deux types d’apprentissage applique au perceptron :
• Apprentissage non supervisé

• Apprentissage supervise
III.6.3.1 Apprentissage non supervise : loi de Hebb
Elle s'exprime de la façon suivante
"Si 2 cellules sont activées en même temps alors la force de la connexion augmente".
La modification de poids dépend de la coactivation des neurones présynaptiques et post
Synaptique, ainsi que le montre la tableau 2. xi et xj sont respectivement les valeurs d'activation
des neurones i et j, wij (dérivée partielle du poids) correspond à la modification de poids réalisée.
Tableau 2 : La loi de Hebb

Xi Xj wij
0 0 0
0 1 0
1 0 0
1 1 +

La loi de Hebb peut être modélisée par les équations suivantes (w(t+1) est le nouveau poids,
wij(t) l'ancien) :
wij(t+1) = wij(t) + wij(t)
wij(t) = xi . xj
L'algorithme d'apprentissage modifie de façon itérative (petit à petit) les poids pour
adapter la réponse obtenue à la réponse désirée. Il s'agit en fait de modifier les poids lorsqu'il y a
erreur seulement.
1/ Initialisation des poids et du seuil S à des valeurs (petites) choisies au hasard.
2/ Présentation d'une entrée El = (e1, ... en) de la base d'apprentissage.
3/ Calcul de la sortie obtenue x pour cette entrée :
a = å (wi . ei) - S (la valeur de seuil est introduite ici dans le calcul de la somme
pondérée)
x = signe (a) ( si a > 0 alors x = +1 sinon a £ 0 alors x = -1 )
4/ Si la sortie x est différente de la sortie désirée dl pour cet exemple d'entrée El alors
modification des poids (μ est une constante positive, qui spécifie le pas de modification des
poids) :
𝑤𝑖𝑗 (𝑡 + 1) = 𝑤𝑖𝑗 (𝑡) + 𝜇(𝑥𝑖 𝑥𝑗 ) (2.38)
5/ Tant que tous les exemples de la base d'apprentissage ne sont pas traités correctement
(i.e. modification des poids), retour à l'étape 2.
III.6.3.2 Apprentissage supervise
L'algorithme d'apprentissage du Perceptron est semblable mais il faut modifier les poids
lorsqu’il y a erreur seulement.
Toutes les étapes sont les mêmes que celui de l’apprentissage non supervise mais les
modifications est différente :

𝑤(𝑡 + 1) = 𝑤(𝑡) + 𝜇[(𝑑𝑙 − 𝑥 )𝑒𝑖 ] (2.39)
Avec :
𝑑𝑙 : la sortie désirée
𝑥 : la sortie calculée
𝑑𝑙 − 𝑥 : correspond à l’erreur
III.7 L’évaluation des performances
La performance du réseau peut être évaluée à partir de différents paramètres. Tout

d'abord, il est possible d'évaluer l'erreur entre les valeurs désirées et les valeurs calculées par la
couche de sortie du réseau de neurones. Pour cela, on calcule le paramètre noté RMS (Root
Mean Square) qui additionne les carrés des erreurs pour chaque neurone de la couche de sortie et
prend la racine carrée de cette somme divisée par le nombre de neurones de la couche de sortie.
1
𝑀𝑆𝐸 = ∑𝑛𝑖=1(𝑥 − 𝑥𝑖 )2 (2.40)
𝑛
Avec :
𝑥 ∶ la valeur désirée normalisé ;
𝑥𝑖 ∶ la valeur estimée normalisée ;
𝑛 ∶ le nombre de neurone de la couche de sortie

Troisième chapitre : Présentation de
la zone d’étude
ANDRIANANTENAINA Fifaliana Lanto Nirina

Concept géographique
Chapitre Présentation de la zone

3 d’étude
I. Situation géographique
Dans ce travail, nous nous sommes intéressés à la partie côte Ouest et Nord-Ouest de
Madagascar, formée par quatre régions : la région de MELAKY, BOENY, BETSIBOKA et
SOFIA.
Carte 1 : La zone Nord-Ouest de Madagascar
Source : BD FTM, traité et modifié par l’auteur,2019
I.1 La région Melaky
La région Melaky est logée sur la côte Ouest de Madagascar, frontalière des régions de
Boeny au Nord-est, de Betsiboka à l’Est, de Bongolava au Sud Est et de Menabe au Sud. Cette

région est délimitée par la latitude Sud de 18°04’S et de longitude Est de 44°014’, elle couvre
une superficie de 38 852 𝑘𝑚2 ; le district de Beslampy occupe la plus grande superficie de
territoire (33.12 %) suivie par Maintirano (27.14%) et Morafenobe (20.53%).
Carte 2 : La region Melaky et ses districts
I.1.1 Relief
La région Melaky prend naissance sur une partie du plateau calcaire de Bongolava puis
se transforme en cuvette entourée par les bassins sédimentaires du Menabe et du Boina avant de
se transformer en un vaste plateau qui s’abaisse doucement en plaine côtière jusqu’au littoral.
Son relief est caractérisé par l’existence de deux ensembles naturels :
• La partie orientale qui est constitué par des plateaux tels que les plateaux de
Bemaraha et de Bongolava. Les plateaux de Bemaraha abritent une formation
géologique unique appelée « les Tsingy de Bemaraha » ;
• La partie Ouest est formée en majeur partie par la plaine côtière constituée par
de grandes vallées alluviales et comportant des lacs et des étangs.(3)

I.1.2 Géologie
Du fait partie de sa situation géographique, la région possède différents types de sols :
• La plaine côtière est formée de terrasses inondables à sol limoneux ou sablo-

limoneux et s’achève par la formation des mangroves sur le littorale ;
• Les sols hydromorphes qui se trouvent sur la partie Sud-Ouest de la région se
caractérisent par leur apport en alluvions siliceux riches en élément fertilisant ;
• Les plateaux calcaires se situent plus au centre et à l’Est de la région
Carte 3 : Carte de types de sol de la région Melaky
I.2 La région Boeny
La région Boeny est délimitée au Nord par le Canal de Mozambique, à l’Est par la
région de Sofia, à l’Ouest par la région Melaky et au Sud par la région Betsiboka. Elle occupe
une superficie de 29 826 𝑘𝑚2 , elle est subdivise par six districts dont Ambato-Boeny,
Mahajanga I, Mahajanga II, Mareva, Mitsindo, et Soalala. (4)

Carte 4 : La région Boeny et ses districts
Source : BD FTM, traité et modifié par l’auteur, 2019
I.2.1 Relief
Donnant sur la mer, du côté du canal de Mozambique, la région Boeny possède un relief
varié :
• Sur la région littorale, de vastes plaines fertiles qui longent les grands fleuves et
la cotes maritimes (plaines de Madirovalo, d’Anjinja, d’Ambato Boeni…)
• Des zones sablo-gréseux : transition entre plateaux et baiboho (4)
I.2.2 Pédologie
En matière de pédologie, les sols de la région sont composés par trois types de sols ;
• Les sols de tante latériques rouges, qui dominent une petite partie sur Ambato
Boeni, Soalala, Mitsindo, Mareva et Mahajanga II ;

• Les sols hydromorphes des bas-fonds ou des plaines, qui occupent en général les
parties amonts ou commencent les mangroves c’est-à-dire a quelques kilomètres
des grands fleuves : Mahavavy, Betsiboka et Mahajamba.
Les petites parties de zones littorales sont constituées par des dunes de sables peu
fertiles et des marécages d’eau douce.(4)
Carte 5 : Carte de types de sol de la région Boenyy
I.3 La région Sofia
La région de la Sofia se trouve sur la côte Nord-Ouest de Madagascar. Elle appartient à

la Province Autonome de Mahajanga. S’étendant entre 14° et 17° latitude Sud et 47° et 49°
longitude Est, elle constitue un vaste territoire couvrant une superficie de 52.504 km² soit
environ 8,5% de la Grande Ile et 33,4% de la Province.
Le Chef-lieu de la région, Antsohihy se situe à près de 440 km environ de Mahajanga,

sur la RN6 qui va vers Antsiranana.

La région (ex-préfecture d’Antsohihy) est composée de 7 sous-préfectures : Antsohihy,
Analalava, Mampikony, Bealanana, Port-Bergé, Befandriana, Mandritsara.
Carte 6 : La region Sofia
I.3.1 Relief et paysage
Située au pied des hautes terres et ouverte sur le canal de Mozambique, la région de la
SOFIA met en évidence trois ensembles bien distincts : les Plateaux, la plaine et le littoral.(5)
I.3.1.1 Les Plateaux
Il s’agit de plateaux gréseux et basaltiques, très disséqués par l’érosion et à vallées

digitées portant une forêt sèche sur des sols ferrugineux lessivés ou des dalles basaltiques peu
aptes aux cultures.

I.3.1.2 La plaine
La zone basse, inférieure à 1 000 m d’altitude se trouve au pied du massif de

Tsaratanàna. A l’est, s’étend un couloir dépressionnaire, constitué d’une mosaïque de cuvettes,
de lacs et de baiboho, fortement alimenté en eau et alluvionnés périodiquement par les deux
grands fleuves la Loza et la Sofia.
Au Sud, prédominent les baiboho qui s’étendent vers l’ouest sur le plateau de
Bongolava.
I.3.1.3 La côte
Le littoral est formé par des plaines côtières qui se trouvent parsemées de formes
volcaniques boisées. Les apports continentaux des fleuves ainsi que le niveau des marées y ont
développé des vases salées, colonisées par la mangrove favorable au développement de la pêche.
I.3.2 Géologie
La région est formée essentiellement par deux types de terrains : les terrains
sédimentaires et les terrains cristallins.(5)
❖ Les terrains cristallins qui constituent l’essentiel des paysages à l’intérieur de la

région dont :
• le système du Vohibory, dans les Sous-Préfectures de Port-Bergé et de

Mampikony,
• le système de graphite, dans les Sous-Préfectures de Bealanana, Befandriana
Nord, Mandritsara et une partie d’Antsohihy,
• l’infra-graphite, dans la partie est de Bealanana, Befandriana Nord et
Mandritsara,
• le granite, qui forme des collines rocheuses et se trouve surtout à Befandriana et
Mandritsara et sur une partie de Bealanana.
❖ * Les terrains sédimentaires qui couvrent la zone côtière et s’avancent même à

l’intérieur pour former des plateaux à faible altitude (plateaux de Manasamody).
Parmi ces terrains sédimentaires, on peut citer :
• le néogène lacustre, qui se trouve sur la partie est de Befandriana,

• le volcanisme néogène, dans la sous-préfecture de Bealanana qui forme la
cuvette de l’Ankaizina,

Carte 7 : Carte de types de sol de la région Sofia
I.4 la région Betsiboka
La région de Betsiboka, qui s’étend sur 30 025 km² est située dans la partie occidentale
de l’iles avec les coordonnées geographique de latitude 16°57’ Sud et de longitude de 46°49’ Est.
Elle constitue une zone de transition entre les Hautes Terres et la région littorale de la Boeny.
La région se repartie de 3 districts tels que le district de Kandreho, le district de

Tsaratanana et le district de Maevatanana. (6)

Carte 8 : La région de la Betsiboka
I.4.1 Relief
La région de Betsiboka est située dans une zone de transition entre les hautes terres dont
elle est limotrophe et la région littorale de Boeny ouverte sur le canal de Mozambique. Elle se
caractérise par un relief accidentée semi-montagneux, des affleurements rocheux massifs ainsi
étendues planes ne dépassent pas de 800 m d’altitudes.
On distingue quatre principaux types de paysages :
• les baiboho couvrant plus de 10.000 ha et longeant les fleuves de Menevava,

Ikopa et Betsiboka;
• le hara à relief assez accidente plus ou moins rocailleux ;

Concept climatique
• les zone sablo-greseux : transition entre plateaux et baiboho ;
• le paysage de Kandreho est caractérisé par des collines et des plateaux
I.4.2 Géologie
Le sol de la région sont composés par 3 grands types :
• les sols de tante latériques rouges avec une texture argileuse et une structure
polyédrique qui prédominent dans le district de Maevatanana ;
• les sols de colluvions sur les bas de la pente, ce type de sol se trouve presque
partout dans la région Betsiboka sur les bas des collines de tampoketsa ;
• les Baiboho, sols alluviaux riches de bourrelet de berge dont la superficie
dépasse de 10.000 ha, ils sont caractérisés par une texture limoneuse avec une
structure lamellaire.(7)
Carte 9 : Carte de types de sol de la région Sofia
II. Situation climatique

Ces régions sont caractérisées par un climat tropical semi-aride à courte saison de pluie.
Les écarts pluviométriques interannuels apparaissent comme le fait le plus marquant de l’Ouest
de Madagascar. Dans ces zones, des variations des saisons alternées sont très marquées suivies

Concept climatique
d’une longue saison sèche, qui s’étend du mois d’Avril au mois de Novembre. Pendant la
période de sécheresse, la zone Ouest ne présente que des précipitations quasi-nulles. En
Novembre, de rares mais violents orages annoncent la saison pluvieuse. Jusqu’à la fin de Mars le
climat n’est plus qu’une alternance de pluies, certaines persistent, d’autres courtes mais très
intenses. C’est à cette saison que ces régions peuvent être soumises à des cyclones dévastateurs.
Dans la partie Ouest, l’intensité des précipitations ont tendance à augmenter. La moyenne de
nombre de jours de pluie est comprise entre 30 et 250 jours par an. Sur la côte et le versant Ouest
ainsi que sur les plateaux, 90 à 95% du total annuel tombent de pluie d’Octobre à Avril.[21]
Concernant la température, les moyennes annuelles sont comprises entre 14°C et 27,5°C.
Avant les études de ces régions, nous pensons qu’il serait mieux de connaitre la répartition
générale des pluies dans toute l’Île. Nous présentons alors sur la Figure 22 cette distribution : sur
cette figure, la partie Est et Nord-Ouest de Madagascar reçoit beaucoup de précipitations. Tandis
que la partie Centre Ouest et Sud-Ouest de notre île ne présentent que de faible taux de
précipitations. Les chiffres marqués sur la Figure 22 indiquent la quantité de précipitations
journalières tombées en millimètres. Les lignes en noir sont des isohyètes (des lignes ayant les
mêmes taux de précipitations reçues).
Figure 26 : Moyenne pluviométrique en mois de Juin
Source : Atlas climatologique de Madagascar, Mars 2014

Concept climatique
II.1 La région Melaky
La région Melaky possède un climat de savane avec un hiver sec, les précipitations sont
beaucoup plus importantes en été qu’elles ne le sont en hiver. Sur l’année, la température
moyenne est de 26,4°C et les précipitations sont en moyenne de 812mm.
Maintirano
400 33
350 32.5
300
32
250
31.5
P(mm)
T(°C)
200
31 Moyenne de pluie
150
30.5 Moyenne de Tmax (°C)
100
50 30
0 29.5
1 2 3 4 5 6 7 8 9 10 11 12
mois
Figure 27 : Représentation graphique de la précipitation et de la température moyenne du district

Maintirano de 2013-2018
Source : DGM/Modifiée par l’auteur, Octobre 2019
II.2 La région Boeny
Le climat de la région est de type tropical sec à saisons contrastées, ou la chaleur est une
constance de moyenne annuelle de 32,3°C. il est rythme par l’alternance d’une saison pluvieuse
qui s’étale généralement de Novembre à Avril avec une moyenne annuelle de 3012 mm d’eau et
d’une saison sèche d’Avril à Octobre. [23]

Concept climatique
Mahajanga
450 31.5
400 31
350
30.5
300
P(mm)
250 30
T(°C)
200 29.5 Moyenne de pluie
150
29 Moyenne de Tmax (°C)
100
50 28.5
0 28
1 2 3 4 5 6 7 8 9 10 11 12
mois
Figure 28 : Représentation graphique de la précipitation et la température moyenne de Majunga de

2013-2018
II.3 La région Sofia
Le climat est de type sub-semi-humide caractérisé par deux saisons bien distinctes,
sèche de Mai à Octobre, humide de Novembre à Avril. Il varie suivant l’altitude, les plateaux
Nord étant moins arrosés et plus frais que les zones littorales.
Il fait plus chaud sur les côtes que sur les plateaux (Bealanana - Mandritsara). Les
températures de la Région sont assez favorables à l’agriculture. La température varie suivant le
climat et l’altitude. Elle est nettement élevée sur les zones côtières, où la température annuelle
moyenne atteint 26°C. En saison sèche, elle descend jusqu'à 13°7 C° à Bealanana qui se trouve à
1125 m d’altitude. Elle est de 12°7 C à Mangindrano, au pied du massif Tsaratanana. Dans
l’ensemble, la variation des pluies est moins nette et la pluviométrie annuelle se situe entre 1.100
à 1.900 mm. Malgré le nombre élevé de mois secs, la pluviosité est favorable à la riziculture et
aux cultures sur tante.
II.3.1 La température
Les températures de la Région sont assez favorables à l’agriculture. La température

varie suivant le climat et l’altitude. Elle est nettement élevée sur les zones côtières, où la
température annuelle moyenne atteint 26°C. En saison sèche, elle descend jusqu'à 13°7 C° à
Bealanana qui se trouve à 1125 m d’altitude. Elle est de 12°7 C à Mangindrano, au pied du
massif Tsaratanana.

Concept climatique
II.3.2 La pluviométrie
La pluviométrie est caractérisée par une forte irrégularité. La saison humide commence
en général au mois de décembre. Les pluies se concentrent sur 4 mois de l’année (décembre à
avril). On peut assister à des précipitations violentes de quelques heures pendant la journée.
Tableau 3 : Tableau pluviométrique de la région Sofia
Source : J. Vieillefon - J.P. Lapaire
precipitation et temeperature antsohihy

600 35
500 34
33
400 32
P(mm)
T(°C)
300 31
200 30
29
100 28
0 27
1 2 3 4 5 6 7 8 9 10 11 12
Mois
Figure 29 : Diagrammes de précipitations et température moyenne du district Antsohihy de 2013-2018
II.4 La région Betsiboka
Les précipitations varient de 175.5mm entre le mois le plus sec et le plus humide.
L’amplitude des températures tout au long de l’année et de 39°C.

Concept climatique
Au mois de Novembre, la température moyenne est de 30.8°C, il est donc le mois le
plus chaud de l’année ; par contre juillet est connu le mois la plus froide avec une température de
26.9°C.(8)
Figure 30 : Diagramme climatique de Maevatanana
Source : Météo et climat

Quatrième chapitre : Résultats et
discussions
Chapitre 4 : Résultats et discussion
Organigramme de travail
Chapitre Résultats et discussion

4
I. Organigramme de travail
I.1 Acquisition de données
Les données de précipitations utilisées dans le cadre de cette étude proviennent de la
Direction Générale de la Météorologie à Ampandrianomby. Ces données se rapportent aux
précipitations journalières, mensuelles et annuelles de 1988 à 2018, équivalent à une période de
trente ans. Toutefois, ces données sont incomplètes et présentent des lacunes. Ce qui semble être
considérable au point de fausser notre étude, donc pour y remédier nous utiliserons aussi des
données de températures maximales, températures minimales et les précipitations mensuelles qui ont
été recueillies sur le site web de CIP pendant une période de 1971-2060.
I.2 Ressources matérielles
I.2.1 Outils statistiques
Cette partie consiste à apporter des informations supplémentaires sur les données
utilisées pour l’étude ainsi qu’une présentation des méthodes d’application de l’indice de
précipitation standardisée (SPI) et les méthodes statistiques utilisée où on ajuste à la distribution
des valeurs observées une distribution de probabilité qui lui coïncide. Plusieurs logiciels de
traitement de données ont été utilisé pour mieux organiser et exploiter les données disponibles.
I.2.1.1 Le logiciel MDM (Meteorogical Drought Monitor)
Le logiciel MDM est un logiciel permettant de calculer des indices basés sur les
précipitations.
La figure 31 ci-après résume l’ensemble des processus et étapes de calcul de l’indice

SPI sous ce logiciel.

Figure 31 : Représentation du logiciel MDM
Source : auteur,2019
I.2.1.2 Le logiciel KhronoStat
Le logiciel KhronoStat (IRD, 1998) analyse les séries pluviométriques annuelles en vue
de détecter une éventuelle rupture liée à une non-stationnarité. Une rupture peut être définie de
façon générale par un changement dans la loi de probabilité de la série chronologique à un
instant donné, le plus souvent inconnu (S. ARDOIN-BARDIN, 2004).
• KhronoStat comporte différents tests d'homogénéité (homogénéité étant

comprise ici dans le sens d'absence de rupture dans la série) :
• Test de MANN WHITNEY modifié par A.N. PETTITT (1979) ;
• Statistique U de T.A. BUISHAND (1982, 1984) ;
• Procédure de A.F.S. LEE et S.A. HEGHINIAN (1977) ;
• Ellipse de contrôle de P. BOIS (1971, 1986) ;

• Méthode de segmentation de HUBERT (J.P. CARBONNEL et P. HUBERT,
1985 ; P. HUBERT et J.P. CARBONNEL, 1987).
Pour l'ensemble de ces tests, l'hypothèse nulle H0 correspond à l'absence de rupture au

seuil de 1 %. Ces tests sont particulièrement sensibles à un changement de moyenne et, si
l'hypothèse nulle d'homogénéité de la série est rejetée, ils proposent une estimation de la date de
rupture (A. BODIAN et al., 2011). Cependant, parmi les tests de rupture regroupés dans
KhronoStat, notre choix s’est porté sur le test de PETTITT pour détecter l’existence de rupture.
Figure 32 : Représentation du logiciel KhronoStat
Source : auteur, 2019

I.2.2 Outils informatiques
I.2.2.1 Language de programmation python
Python est un langage de programmation interprété, multiparadigme et multiplateformes.

Il favorise la programmation impérative structurée, fonctionnelle et orientée objet. Il est doté

d'un typage dynamique fort, d'une gestion automatique de la mémoire par ramasse-miettes et
d'un système de gestion d'exceptions ; il est ainsi similaire à Perl, Ruby, Scheme, Smalltalk et
Tcl.
Le langage Python est placé sous une licence libre proche de la licence BSD et
fonctionne sur la plupart des plates-formes informatiques, des smartphones aux ordinateurs
centraux, de Windows à Unix avec notamment GNU/Linux en passant par macOS, ou encore
Android, iOS, et peut aussi être traduit en Java ou .NET. Il est conçu pour optimiser la
productivité des programmeurs en offrant des outils de haut niveau et une syntaxe simple à
utiliser.
I.2.2.2 Environnement d’étude
Le principe de base est de travailler avec des environnements virtuels Python.
a. Anaconda
Pour résoudre les problèmes, il est recommandé d’installer et d'utiliser la distribution

Anaconda de Python. Cette section détaille l'installation de la distribution Anaconda de Python
sur Windows 10. La distribution Anaconda de Python est la meilleure option pour les personnes
qui résolvent des problèmes qui souhaitent utiliser Python. Anaconda est gratuit et peut être
installé sur des ordinateurs de l'école ou du travail sur lesquels vous ne disposez pas d'un accès
administrateur, ni de la possibilité d'installer de nouveaux programmes. Anaconda est livré avec
environ 600 packages pré-installés, dont NumPy, Matplotlib et SymPy. Ces trois packages sont
très utiles pour la résolution de problèmes.
Scikit-learn
Scikit-learn est une bibliothèque libre Python destinée à l'apprentissage automatique. Elle
est développée par de nombreux contributeurs. Elle comprend notamment des fonctions pour
estimer des forêts aléatoires, des régressions logistiques, des algorithmes de classification, et les
machines à vecteurs de support. Elle est conçue pour s'harmoniser avec d'autres bibliothèques
libres Python, notamment NumPy et SciPy.
Scikit-learn nécessite :
• Python 3.5
• NumPy 1.11.0
• SciPy 0.17.0
• joblib 0.11

Si l’installation fonctionnelle de numpy et scipy ont été déjà fait, le moyen le plus simple
d’installer scikit-learn est d’utiliser pip
pip install --upgrade sklearn
Pandas
Pandas est une bibliothèque écrite pour le langage de programmation Python permettant
la manipulation et l'analyse des données. Elle propose en particulier des structures de données et
des opérations de manipulation de tableaux numériques et de séries temporelles.
Les principales structures de données sont les séries (pour stocker des données selon
une dimension - grandeur en fonction d'un index), les DataFrames (pour stocker des données
selon 2 dimensions - lignes et colonnes), les Panels (pour représenter des données selon 3
dimensions, les Panels4D ou les DataFrames avec des index hiérarchiques aussi nommés
MultiIndex (pour représenter des données selon plus de 3 dimensions - hypercube).
Pour installer pandas il faut :
pip install --upgrade pandas
Matplotlib
Matplotlib est une bibliothèque du langage de programmation Python destinée à tracer

et visualiser des données sous formes de graphiques. Elle peut être combinée avec les
bibliothèques python de calcul scientifique NumPy et SciPy.
Matplotlib et ses dépendances sont disponibles sous forme de packages pour les
distributions MacOS, Windows et Linux :
pip install --upgrade matplotlib
Matplotlib nécessite les dépendances suivantes :
• Python 3.6
• FreeType 2.3
• libpng 1.2
• NumPy 1.11
• setuptools
• cycler 0.10.0

• dateutil 2.1
• kiwisolver 1.0.0
• pyparsing
b. Jupyter
Jupiter est un outil web interactif gratuite a code source ouvert, connu sous le nom de
cahier de calcul, que les chercher peuvent combiner le code logiciel, sortie de l’informatique,
texte explicatif et ressource médias dans un seul document. Il permet de partager du code et de
l’exécuter dans la même interface d’utilisateur ainsi il peut associer du code, des graphiques, et
des textes dans le notebook
Figure 33 : Interface du jupyter
Source : Auteur 2019
I.3 Création les réseaux de neurones artificiels [22]

I.3.1 Création du « dataset »g
On compile les donnes (𝒙,𝒚) dans un tableau que l’on appelle « Dataset » :
• La variable 𝒚 porte le nom de « target » (la cible). C’est la valeur que l’on
cherche à prédire.
• La variable 𝒙 porte le nom de « feature » (facteur). Un facteur influence la
valeur de 𝒚, et on a en général beaucoup de « features »(𝒙𝟏,𝒙𝟐,…) dans notre
« Dataset »" que l’on regroupe dans une matrice 𝑿.
I.3.2 Création d’un model linéaire
A partir des données, on va créer une droite linéaire 𝑦 = 𝑎𝑥 + 𝑏 ou a et b sont des

variables aléatoires crée par le model. Un bon modèle donne de petites erreurs entre ses prédictions
𝒇(𝒙) et les exemples (𝒚) du « Dataset »

I.3.3 création du fonction cout.
On développe un modèle à partir de ce « Dataset ». Il peut s’agir d’un modèle linéaire

comme on peut voir à gauche, ou bien un modèle non-linéaire celle d’à droite.
Figure 34 : Représentation du fonction cout
Source : Apprendre la machine learning, Guillaume Saint-Cirgue , 2019
I.3.4 calcul d’erreur
L’ensemble des erreurs constitue la fonction cout. Le but est d’avoir une fonction cout
tendant vers zéro. Ceci est réalisé en utilisant la méthode des moindre carres et l’algorithme de
gradient descent.
Finalement la Fonction Coût 𝑱(𝒂,𝒃) est la moyenne de toutes les erreurs :
1
𝐽(𝜃 ) = ∑(𝐹 (𝑋 − 𝑦)2 ) (4.1)
2
I.3.5 Evaluation des Performances
La performance de tous les modèles développés dans cette étude a été évaluée à l'aide
de coefficient de détermination 𝑹𝟐 :
∑𝑛
𝑖=1(𝑃𝑖(𝑜𝑏𝑠) −𝑃𝑖(𝑠𝑖𝑚) )
2
2
𝑅 = 1 − ∑𝑛 2
(4.2)
𝑖=1(𝑃𝑖(𝑜𝑏𝑠) −𝑃𝑖(𝑚𝑜𝑦) )
I.3.5 Algorithme de minimisation
Pour avoir le meilleur model, il faut minimiser la fonction coût. Pour cela on utilise un
algorithme d’optimisation qui s’appelle Gradient Descent (la descente de gradient).

Ce principe fonde les méthodes de type algorithme du gradient, qui sont efficacement
utilisées dans des réseaux de neurones multicouches comme les perceptrons multicouches.
L'algorithme du gradient a pour but de converger de manière itérative vers une configuration
optimisée des poids synaptiques. Cet état peut être un minimum local de la fonction à optimiser
et idéalement, un minimum global de cette fonction (dite fonction de coût).
Pour cela on va utiliser l’apprentissage superviser. Cet algorithme vous permet de

trouver le minimum de la « Fonction Coût » 𝑱(𝒂, 𝒃) en partant de coordonnées 𝒂 et 𝒃 aléatoires.
1. Calculer la pente de la Fonction Coût, c’est-à-dire la dérivée de 𝑱(𝒂, 𝒃).
2. Evoluer d'une certaine distance ∝ dans la direction de la pente laplus forte. Cela a
pour résultat de modifier les paramètres 𝒂 et 𝒃
3. Recommencer les étapes 1 et 2 jusqu’à atteindre le minimum de 𝑱(𝒂, 𝒃).
Afin de minimiser la fonction coût, nous allons choisir 𝒂 et 𝒃 au hasard (nous allons nous perdre
en montagne) puis allons utiliser en boucle la descente de gradient pour mettre à jour nos paramètres
dans la direction de la Fonction Coût la plus faible.
𝜕𝐽(𝑎,𝑏)
𝑅é𝑝𝑒𝑡𝑒𝑟 𝑒𝑛 𝑏𝑜𝑢𝑐𝑙𝑒: 𝑎 = 𝑎−∝
𝜕𝑎
𝜕𝐽(𝑎, 𝑏)
𝑏 = 𝑏−∝
𝜕𝑏
Il faut savoir que si ∝ est très grande on n’atteint pas le cout minimum de la fonction et si α est
très petit il nous faut un temps infini pour atteindre notre objectif. Pour trouver la bonne valeur
de α il faut tâtonner et essayer différente valeur pour trouver la bonne valeur.
Pour implémenter l’algorithme de Gradient Descent, il faut donc calculer les dérivées partielles
1
de la Fonction Coût. Donc cela nous revient à : 𝐽(𝑎, 𝑏) = 𝑚 ∑𝑚
𝑖 (𝑎𝑥(𝑖) + 𝑏 − 𝑦(𝑖))
2
2
𝜕𝐽 1
Donc = ∑ 𝑥(𝑎𝑥 + 𝑏 − 𝑦)
𝜕𝑎 𝑚
𝜕𝐽 1
= ∑(𝑎𝑥 + 𝑏 − 𝑦)
𝜕𝑏 𝑚
Pour simplifier les calculs, on exprime notre Dataset et nos paramètres sous forme matricielle

Ainsi on a créé un vecteur 𝜽 = (𝒂,𝒃) ∈ ℝ 𝒏+𝟏 qui contient tous les paramètres pour notre modèle,
un vecteur 𝒚 ∈ ℝ𝒎×𝟏 et une matrice 𝑋 ∈ ℝ𝒎×𝒏 qui inclut toutes les « "features » 𝒏. Dans la
régression linéaire, 𝒏 = 𝟏.
I.3.6 Les étapes de programmation
Etapes 1 : importation des librairies
Ces librairies ont pour but de :

• Numpy pour manipuler notre Dataset en tant que matrice
• Matplotlib.pyplot pour visualiser nos données
Etapes 2 crée le dataset
Il faut d’abord importé le fichier excel en format .csv et normaliser les données en utilisant le
librairies « sklearn.preprocessing ». Pour maitriser l’aléatoire, on écrit la ligne
« np.random.seed(0 ) ».
Finalement, pour visualiser nos données on utilise la fonction « plt.scatter(x, y) » on a alors le

figure de notre dataset.
Etapes 3 : Création de la matrice
Etapes 4 développement et entrainement du model
Pour développer et entraîner un modèle, il faut entrer : la Fonction Coût, les dérivées,
l’algorithme de Gradient Descent… Il suffit de définir une variable model en entrant le nombre
d’itérations que le Gradient Descent doit effectuer ainsi que le Learning Rate.
Une fois le modèle définit, il vous faut l’entraîner.Par exemple, entraînons notre modèle sur 1000
itérations avec un Learning rate de 0.01 :

Nous pouvons maintenant observez la précision de notre modèle en utilisant la fonction score qui
calcule le coefficient de détermination entre le modèle et les valeurs 𝒚 de notre Dataset.On peut
aussi utiliser notre modèle pour faire de nouvelles prédictions avec la fonction predict et tracer
ces résultats avec la fonction plt.plot :
La structure du réseau de neurones adopté est représentée a la figure 35
Figure 35 : La structure du modèle de réseau neurone a perceptron multicouche dans le

cas d’une prévision de la sécheresse
Source : Auteur, 2019
La fonction d’activation dans les couches cachés est du type sigmoïde tandis que le
couche de sortie est fonctionner avec une fonction d’activation linéaire.
Dans notre étude, la structure complète du réseau est :

• Deux entrés qui sont les précipitations et les SPI de 1988 jusqu’en 2018
• Neurones dans la couche cachées
• Une sortie

I.4 Architecture du travail

Acquisitions des données
Organisation des données
Logiciel MDM Logiciel KhronoStat
SPI Test de Pettitt
Validation des données
Traitement sur RNA
Résultat
Figure 36: Organigramme du travail
Source : Auteur ;2019

Résultats et discussion
II. Résultats et discussions

II.1 Etudes des précipitations dans la région Nord-Ouest de Madagascar
II.1.1 Présentation des pluies mensuelle
Il y a forte précipitation pendant le mois de Janvier, Février et elle décroît rapidement

jusqu’au mois d’Avril. Pour les mois de Mai, Juin, Juillet, Aout, Septembre, Octobre, la quantité
de pluie tombée est très faible ; cette période correspond au climat sec. La pluie augmente
progressivement pour les mois de Novembre et Décembre.
Antsohihy
600
500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12
Figure 37 : Représentation graphique du diagramme pluviométrique d’Antsohihy de 2013-2018
II.1.2 Détermination des mois secs par la courbe ombrothermique
Le diagramme ombrothermique est le diagramme climatique qui permet d’avoir une

information sur les mois secs. Une condition nécessaire et suffisante pour construire ce
diagramme est la présence des données de précipitations et de la température mensuelle. Sur
l’axe vertical, il y a l’axe de température qui s’exprime en °C, tandis que de l’autre côté il y a ;
de l’axe des précipitations mensuelles exprimées en millimètres. Ces deux variables sont tracées
simultanément sur la même figure. Sur les deux axes verticaux, l’échelle de la température est la
moitié de celle de la pluviométrie.
L’histogramme représente l’allure des précipitations mensuelles, tandis que les trois
courbes sont respectivement des températures maximales, températures minimales et des
températures moyennes. A partir du mois de Février jusqu’au mois de Décembre, les
précipitations sont en dessous de trois courbes des températures. Ces mois marquent les saisons

sèches dans le district d’Antsohihy. On peut confirmer ainsi que la zone entière de notre étude
est caractérisée par huit mois secs. La région Ouest de Madagascar présente deux catégories de
climats, le climat sec qui a de faible intensité des précipitations (du mois d’Avril au mois de
Novembre) et le climat humide comportant des précipitations élevées du mois Décembre au mois
d’Avril.
600 80
70
500
60
400 Moyenne de pluie
50
300 40 Tmax
30 Tmin
200
20 T moyenne
100
10
0 0
1 2 3 4 5 6 7 8 9 10 11 12
Figure 38 : Courbe ombrothermique du district d’Antsohihy de 2013-2018
II.2 Evaluation de la variabilité temporelle des Indices Standardise de

Précipitation
Le SPI est une méthode pour mesurer la gravité de la sécheresse pour une station
pluviale particulière. Lors de l'interprétation du SPI, il est essentiel d'avoir une compréhension de
l'intervalle de temps utilisé pour créer les valeurs. Dans notre étude on utilisera le SPI-12 c’est-à-
dire les SPI basés sur les cumuls de précipitations annuelles depuis 30 ans. Nous avons comme
données les précipitations annuelles moyennes de 1988 à 2018 chaque région, alors nous allons
calculer le SPI respectif de chaque région durant ces 30années.

II.2.1 SPI du région Melaky
SPI Melaky y = 0.0103x - 0.1648

2
0
1988199019921994199619982000200220042006200820102012201420162018
-1
-2
-3
Figure 39 : SPI du region Melaky de 1988-2018
Par rapport aux fluctuations des valeurs de SPI de la région Melaky de 1988 à 2018,
cette région est caractérisée par trois périodes climatiques
• Période déficitaire: 1988-2002
Cette période de sécheresse est marquée par deux épisodes de sécheresse extrême en
1990 et 2002 caractérisée par des valeurs de SPI de -2 et -2.1 respectivement sur la figure 39.
L’épisode de sécheresse extrême de 1990 est intercalé entre deux années modérément
humide à savoir 1989 et 1991 avec des valeurs de SPI comprise entre 1 à 1.49 sur les deux
années concernées. S’ensuit ensuite de deux années successives modérément sec en 1992 et 1993
pour une valeur de SPI comprise entre -1 à -1.49 sur la figure 39.
Excepté l’année 1997 caractérisé par une période modérément humide avec une SPI de
1.48, l’épisode de sécheresse extrême de 2002 est précédé d’une période proche de la normale
allant de 1993 à 2001 avec des valeurs de SPI comprise entre -0.99 et 0.99.
• Période humide :2004-2009
Cette période est caractérisée par une succession de valeur de SPI positive avec des
valeurs comprises entre 1 et 1.49 pour les années 2007 et 2008 suffisante pour affirmer une
humidité s’étalant sur toute la période concernée.
• Période normale: 2010-2017

Avec des valeurs de SPI comprise entre -0.99 et 0.99 sur l’ensemble, cette période est
proche de la normale.
La droite de régression linéaire montre une tendance à la hausse cela représente que la
précipitation va augmenter dans cette zone.
Tableau 4 : Probabilité d’apparition de la sécheresse dans la region Melaky

Pourcentage de Nombre
Classe temps(années) d'années
Humide 20,00% 6
Proche de
la normale 63,33% 19
Sécheress
e modérée 10,00% 3
Très sec 0,00% 0
Sécheress
e extrême 6,67% 2
Ainsi on a pu remarquer qu’il y trois types de sécheresse et la région est dominé par la
sécheresse proche de la normale avec une valeur de 63.33% par rapport à l’apparition de la
sécheresse. Mais on a remarqué qu’il y a apparition de deux années de sécheresse extrêmes
durant l’année 1990 et en 2002. Globalement on peut dire que la région Melaky est caractérisé
par la sécheresse proche de la normale.
SPI Melaky
humide
0%7% proche de la normale

10% 20%
sécheresse moderee
tres sec
63%
sécheresse extreme
Figure 40 : Représentation des valeurs de la sécheresse dans la région Melaky

II.2.2 SPI de la région Sofia
SPI Sofia y = 0.0254x - 0.4391

2.5
1.5
0.5
0
1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018
-0.5
-1
-1.5
-2
Figure 41 : SPI du région Sofia de 1988-2018
Suivant les valeurs de SPI de 1988 à 2018, la région Sofia est caractérisée par deux
périodes bien distinctes :
Effectivement, ce déficit est caractérisé sur la figure 41 par une succession de valeurs
négative de SPI dépassant le seuil de -1 sur la période concernée.
Une période proche de la normale correspond à des valeurs de SPI entre -0.99 et 0.99
comme le montre la figure 41 sur l’ensemble de la période concernée.
La droite de régression linéaire montre une tendance à la hausse cela représente que la
précipitation va augmenter dans cette zone.

Tableau 5 : Probabilité d’apparition de la sécheresse dans la region Sofia
Nombre Pourcentage
Classe d'années de temps
Humide 5 16,13%
Proche de
la normale 20 64,52%
Sécheress
e modérée 5 16,13%
Très sec 1 3,23%
Sécheress
e extrême 0 0,00%
Il y a ici l’apparition de trois types de sécheresse avec une domination de la sécheresse

proche de la normale soit de 64 ,52% et une absence de sécheresse extrême. On peut dire que
cette région est caractérisée par une saison proche de la normale.
SPI Sofia
0% 16%
3% humide
16%
proche de la normale
sécheresse moderee
tres sec
65% sécheresse extreme
Figure 42 : Représentation des valeurs de la sécheresse dans la région Sofia

II.2.3 SPI de la région Boeny
SPI Boeny
2 y = -0.0476x + 0.7625
0
1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018
-1
-2
-3
-4
Figure 43 : SPI du région Boeny de 1988-2018
Située sur la partie Nord-Ouest de Madagascar, Mahajanga présente des valeurs de SPI
permettant de le subdivisée en deux périodes climatique dont la première partie est modérément
humide pour virer à une période sèche dans la deuxième et dernière partie.
• Période humide: 1987-1999
Sur l’ensemble de cette période, les indices SPI représentées sur la figure 43 affichent
une succession de valeurs positives avec des valeurs excédent le seuil de référence 1
caractérisant ainsi une période modérément humide.
Cette période modérément sèche est matérialisée sur la figure 43 par des valeurs
négatives continue de SPI indiquant ainsi des précipitations inférieures à la médiane
caractéristiques propre des zones vulnérables aux sécheresse comme le cas de la région BOENY
sur cette partie de la période concernée. On a remarqué une sécheresse extrême en 2005
représenter par une SPI de valeur- 2,86.
La droite de régression linéaire montre une tendance à la baisse on peut interpréter que
la sécheresse va s’intensifier dans cette zone

Tableau 6 : Probabilité d’apparition de la sécheresse dans la region Boeny
Nombre Pourcentage
Classe d'années de temps
Humide 4 12,90%
Proche de
Sécheresse
modérée 3 9,68%
Très sec 1 3,23%
Sécheresse
extrême 1 3,23%
Cette région est dominée par la sécheresse proche de la normale avec 70,97% par
rapport à l’année de sécheresse mais il y a présence d’une année très sec en 2017 et en 2005 ou il
y présence d’une sécheresse extrême.
SPI Boeny
humide
3%3% 13% proche de la normale
10%
sécheresse moderee
tres sec
sécheresse extreme
71%
Figure 44 : Représentation des valeurs de la sécheresse dans la région Boeny
II.2.4 SPI de la région de Betsiboka
Les différentes périodes possibles de la région BETSIBOKA sont déduites de l’indice

standardisé de précipitation représentée par la figure 45 ci-après :

SPI Betsiboka
y = -0.0127x + 0.2039
2.00
1.50
1.00
0.50
0.00
-0.50 1988199019921994199619982000200220042006200820102012201420162018
-1.00
-1.50
-2.00
-2.50
-3.00
-3.50
Figure 45 : SPI de la région de Betsiboka de 1988-2018
Une période proche de la normale domine la période concernée. En effet d’après la

figure 4, de 1987 à 2008, l’indice SPI est comprise entre -0.99 et 0.99 sur l’ensemble.
Après une longue période proche de la normale, la période de 2009 à 2017 est
caractérisée par un épisode de sécheresse vue la valeur de SPI de -2,85 pour l’année 2009, seuils
spécifiques de la zone exposée à la sécheresse. La droite de régression linéaire montre une
tendance à la baisse on peut interpréter que la sécheresse va s’intensifier dans cette zone
Tableau 7 : Probabilité d’apparition de la sécheresse dans la region Betsiboka

Nombre Pourcentage
Classe d’années de temps
Humide 6 19,35%
Proche de
Sécheresse
modérée 3 9,68%
Très sec 0 0,00%
Sécheresse
extrême 1 3,23%

Par le tableau 7 on a remarqué que la région Betsiboka est dominée par la sécheresse
proche de la normale soit d’une valeur de 67,74% néanmoins en année 2009 il y avait la présence
d’une sécheresse extrême.
SPI Betsiboka
3%
10%0% humide
19%
proche de la normale
sécheresse moderee
tres sec
68% sécheresse extreme
Figure 46 : Représentation des valeurs de la sécheresse dans la région Betsiboka

II.3 Détection de la date de rupture par le test de Pettitt

II.3.1 Région Melaky
Suivant le test de PETTITT de la région MELAKY, une décroissance continue de la

variable U est constatée sur l’ensemble de la période d’étude avec des valeurs en dessous du
seuil 0 se traduisant par des valeurs négatives. Cette décroissance se manifeste par une
diminution des quantités de précipitations sur la période concernée et elle est très significative
pour l’année 2010 où la variable U atteint sa valeur extrême minimale. De part ces faits, l’année
2010 marque ainsi l’année de rupture pour cette étude et la période qui le précède à savoir la
période d’avant rupture de 1988 à 2010 une diminution progressive des quantités de
précipitations s’ensuit d’une période d’après rupture de 2010 à 2017 se manifestant par une
augmentation rapide des précipitations après l’année de rupture puis d’une phase décroissante
avant une augmentation continue et progressive de la pluviométrie.

Evolution de la variable U du test de Pettitt

Variable U du test de Pettitt
20
10
0
-10
-20
U -30
-40
-50
-60
-70
-80
1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
Période
Figure 47 : Test de Pettitt de la Région Melaky de 1988-2018

II.3.2 Région Sofia
Pour le cas de la région SOFIA, l’évolution de la variable U le long de la période

d’étude est représentée par la courbe sur le graphe dont sa position est localisée en-dessous de la
ligne médiane de valeur 0. L’allure de la courbe fait émerger deux régimes de fluctuation avec
une baisse généralisée de la pluviométrie caractérisée sur le graphe de dessous par une phase
décroissante jusqu’à 2006 correspondant à l’année de rupture de la période d’étude où la variable
U prend sa valeur extrême minimale. Puis une phase croissante à partir de cette même année
2006 se traduisant par une augmentation rapide de pluie. De part ce constat et suivant l’évolution
de la variable U sur le graphe ci-dessous, l’année 2006 correspond à l’année de changement de
régime de pluviométrie marquée par une période d’avant rupture de 1988 à 2006 marquée par
une diminution des quantités de précipitations et une période d’après rupture de 2006 à 2017
marquée par une hausse progressive de la pluviométrie.


20
10
0
-10
-20
U -30
-40
-50
-60
-70
-80
-90
1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
Période
Figure 48 : Test de Pettitt de la Région Sofia de 1988-2018

II.3.3 Région Boeny
Par rapport à l’évolution de la variable U du test de PETTITT, la région BOENY est

marquée par deux régimes de pluviométrie bien distincte. L’année 2004 marque la subdivision
de ces deux régimes où la valeur de la variable U prend sa valeur extrême maximale pour la
période d’étude et correspond ainsi à l’année de rupture. La première de 1988 à 2003 correspond
à la période d’avant rupture et est marquée par une phase croissante sur le graphe signifiant une
augmentation des précipitations. S’ensuit de la période d’après rupture de 2005 à 2017
caractérisée par une diminution des précipitations visible sur le graphe par une phase
décroissante.


160
140
120
100
U 80
60
40
20
1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
Période
Figure 49 : Test de Pettitt de la Région Boeny de 1988-2018

II.3.4 Région Betsiboka
La région BESTIBOKA est caractérisée par une variabilité marquée du régime de

précipitation se traduisant par l’existence de deux années de rupture à savoir 1992 et 2002. En
effet, sur l’ensemble, la courbe représentant l’évolution de la variable U est croissante avec des
valeurs positives au-dessus de la ligne médiane de valeur 0. Cette période d’étude est alors
marquée par une augmentation progressive des précipitations. Néanmoins, des fluctuations
rapides, localisées et décroissantes de cette courbe sont constatées pour les années 1992 et 2002
se traduisant par une baisse significative des précipitations sur ces deux années correspondant
ainsi aux années de rupture de la période d’étude. Ainsi la période d’avant rupture de l’année
1992 se manifeste par une baisse de la pluviométrie. La période s’intercalant entre les années de
rupture de 1992 et 2002 est caractérisée par une augmentation significative de la précipitation
dans un premier temps (1992 à 1995) s’ensuit d’une diminution progressive puis rapide de la
précipitation de 1996 à 2002. Sur l’ensemble, la période d’après rupture de l’année 2002 est
marquée par une hausse de la quantité de précipitation par rapport aux différentes périodes de
pluviométrie marquant les années qui précèdent l’année de rupture de 2002.


70
60
50
40
30
U
20
10
-10
-20
1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
Période
Figure 50 : Test de Pettitt de la Région Betsiboka de 1988-2018

II.4 Prévision de la sécheresse par réseau de neurone
II.4.1 Région BETSIBOKA
Figure 51 : Graphe de de prévision de sécheresse de la région Betsiboka de 1988-2018


Ce graphe de prévision de la région BETSIBOKA pour la période de 1988 à 2023
permet d’une part, de visualiser les courbes de valeur observée et valeur prédite de couleur bleu
et orange respectivement, et d’autre part, il permet de faire une projection représentée par la
courbe de valeur projetée en vert sur le graphe. Le coefficient de détermination R2 est de l’ordre
de 0.8349.
D’un point de vue générale et suivant l’allure globale des courbes sur le graphe,
une bonne colinéarité est observée entre les deux courbes de valeur observée et valeur prédite.
De part ce premier constat, le modèle de prévision donne ainsi une bonne indication en termes de
prévision de tendance. Maintenant, une information sur l’écart observé entre ces deux courbes
permettra d’affiner notre prévision en termes de précision. Suivant les caractéristiques
climatiques, plus la valeur de SPI augmente et dépassant le seuil de (+1) spécifiquement aux
zones humides, l’amplitude entre les deux courbes est minime induisant une bonne performance
de prévision d’inondation même si la courbe de valeur prédite est légèrement excédentaire par
rapport à la courbe de valeur observée (années 1993,1998,2003,2007 et 2010). Pour la période
proche de la normale caractérisée par une valeur de SPI comprise entre (+1) et (-1), l’amplitude
entre ces deux courbes augmente progressivement en convergeant vers la valeur (-1) dans
l’ensemble. Toutefois, cette augmentation de l’amplitude est surtout visible durant la phase
décroissante de l’indice SPI (années 1990 et 2016) que pour la phase croissante de SPI (années
1989,2014 et 2017). Une fois que le seuil de (-1) est dépassée, paramètre propre aux zones
sèches, le degré d’amplitude entre les deux courbes augmentent significativement où la courbe
de valeur prédite accuse un déficit de l’ordre de │+1│unité sur la courbe de valeur observée
comme le montre le graphe pour les années 2004,2009 et 2013.
De tout ce qui précède, ce modèle affiche une bonne performance pour la
prévision d’inondation dans la région BETSIBOKA. Cependant, une correction de la courbe de
valeur prédite s’impose pour une bonne prévision de sécheresse vue l’écart entre cette dernière et
la courbe de valeur observée. Ainsi, le déficit de l’ordre │+1│ enregistré au cours des
simulations permet d’accéder à une projection quinquennale. De ce fait, vue la valeur de SPI
affichée par la courbe de valeur projetée pour les années 2020 et 2024 de valeur -2 et -2.2
respectivement, ces deux années seront marquées par deux épisodes de sécheresse extrêmes alors
que la correction de │+1│ n’es pas encore prise en compte.

II.4.2 La région BOENY
Figure 52 : Graphe de de prévision de sécheresse de la région Boeny de 1988-2018

La bonne colinéarité entre les courbes de valeur observée et valeur prédite vient
confirmer la bonne performance de prévision de tendance de ce modèle.
L’écart entre les deux courbes n’est significatif qu’uniquement pour une
fluctuation entre les valeurs de SPI comprise entre (-1) et (+1). En effet, pour des valeurs de SPI
dépassant la valeur de (-1), un seuil marquant l’immigration vers les zones sèches, l’amplitude
entre les deux courbes est négligeable et que la courbe de valeur prédite est légèrement
excédentaire par rapport à la courbe de valeur observée pour les années 1990,2000, 2013, et 2017
à l’exception de l’année 2005 où la courbe de valeur prédite est légèrement et que la valeur de
SPI est strictement inférieure à (-2) spécifiquement aux zones extrêmement sèches. Le même
scénario est observé lorsque le seuil de (+1) est dépassée avec toujours un faible degré
d’amplitude entre prédite et observée (années 1995,1998 et 2004). Cependant, pour des valeurs
de SPI voisine de (+1) favorable aux zones modérément humides, la courbe prédite est
légèrement déficitaire sur la courbe observée alors que lorsque la valeur de SPI converge vers
(+2) indice propre aux zones extrêmement humide, la courbe prédite devient excédentaire sur
observée. Pour le cas de la période proche de la normale (SPI compris entre -1 et +1), le degré

d’amplitude entre courbe prédite et observée est surtout significatif durant la phase décroissante
des valeurs de SPI (exemple pour la période de 1991 à 1993, de1995 à 1997, de2014 à 2017).
Pour le cas de la région BOENY, ce modèle donne une bonne prévision fiable de
sécheresse et d’inondation au cours des simulations effectuées avec un coefficient de
détermination R2 de l’ordre de 0.9124. Ainsi, la projection quinquennale de cette région à travers
la courbe de valeur projetée prévoit une période proche de la normale pour les cinq prochaines
années de 2018 à 2023.
II.4.3 La région MELAKY
Figure 53 : Graphe de de prévision de sécheresse de la région Melaky de 1988-2018

Sur ensemble, le graphe de prévision de la région MELAKY est marquée par un

degré d’amplitude important entre courbe de valeur observée et courbe de valeur prédite et ceci
est surtout visible pour des valeurs de SPI supérieur à (-0.5). Cette amplitude importante induit
un déficit important de la courbe de valeur prédite sur la courbe de valeur observée.
Pour une valeur de SPI comprise entre (-1.5) et (-2), paramètres SPI spécifique
aux zones très sec, l’amplitude est créditée de │+0.25│et la courbe de valeur prédite est
déficitaire par rapport à la courbe de valeur observée (années 2001,2015 et 2016). Ce degré
d’amplitude est toutefois classé dans une marge acceptable en termes de fiabilité de prévision.
Ensuite, pour des valeurs de SPI comprise entre (-1) et (-1.5), ce degré d’amplitude diminue
significativement (années 1993,1996, et 2011) rendant ainsi la prévision plus fiable pour les

zones modérément sèches. En remontant vers les valeurs de SPI positive, ce degré d’amplitude
entre observée et prédite augmente progressivement. En effet, pour les valeurs de SPI entre (-1)
et (+1) spécifiquement aux zones proches de la normale, le déficit de valeur prédite sur observée
est de l’ordre de │+1.0│ puis de l’ordre de │+2.0│ une fois que le seuil de (+1) soit dépassé
spécifiquement aux zones humides (années 1997, 2003,2010, et 2018).
Suite à ces différents constats et un coefficient de détermination R2 de l’ordre de

0.1645, la fiabilité du modèle de prévision est remise en cause pour la prévision dans la région
MELAKY. La courbe de valeur projetée suit une tendance à la hausse avec des valeurs de SPI
supérieur à +1 (2019,2020 et 2021) pour culminer à +2 en 2023. En tenant compte des remarques
énumérées précédemment avec le déficit enregistré pour des SPI supérieur à (+1), la période de
2018 à 2023 est surtout marquée par une période dominée par de forte précipitation.
II.4.4 La région SOFIA
Figure 54 : Graphe de de prévision de sécheresse de la région Betsiboka de 1988-2018

D’un aperçu général, le graphe de prévision de la région SOFIA présente des

irrégularités marquantes.
Tantôt, la courbe de valeur prédite affiche une similitude avec la courbe de valeur
observée à l’instar des années humides de 1989, 1991,1998 et 2004 où les deux courbes affichent
presque les mêmes valeurs. Tantôt, ces deux courbes affichent deux tendances différentes

(années 1993, 1995, et 2011) où non seulement leurs amplitudes sont extrêmement élevées mais
que la courbe de valeur observée est dans une phase ascendante alors que la courbe de valeur
prédite est par contre dans une phase descendante. Cette divergence remet en cause la fiabilité de
la prévision de tendance pour la prévision de la région SOFIA. Cependant, cette divergence est
surtout constatée pour des valeurs de SPI compris entre (-1) et (+1) c’est-à-dire pour les zones
proches de la normale. En effet, pour des valeurs de SPI dépassant le seuil de (-1)
caractéristiques propre aux zones climatiquement sèches, la courbe de valeur prédite affiche une
bonne colinéarité et un faible de degré amplitude par rapport à la courbe de valeur observée. Plus
précisément, pour tout SPI compris entre (-1) et (-1.5) spécifiquement pour les climats
modérément secs, la courbe de valeur prédite est excédentaire par rapport à la courbe de valeur
observée (années 1990,2000,2013, et 2017.Par contre pour l’année 2005 où la valeur de SPI est
strictement inférieure à (-2), la courbe de valeur prédite est déficitaire sur la courbe de valeur
observée. Par conséquent et sans ambiguïté, 2005 est une année extrêmement sèche. Maintenant,
lorsque la valeur de SPI converge vers (+1), les deux courbes ont aussi tendance à se rapprocher
(années 1989,1991,1998, et 2004) induisant un faible degré d’amplitude entre ces deux courbes
en période modérément humide.
En regardant la courbe de valeur projetée, ses valeurs convergent vers les valeurs
(-1) et (+1) des seuils délimitant la période proche de la normale et la prévision est fiable pour
toute valeur de SPI au voisinage de ces deux seuils. Par conséquent, la prévision quinquennale
pour la région de SOFIA prévoit une période proche de la normale avec un coefficient de
détermination R2 de l’ordre de 0.1774.
II.5 Discussion générale
La sécheresse est considérée comme un phénomène météorologique à part entière

alors que le phénomène d’inondation tient compte des paramètres externes comme la structure de
l’aménagement infrastructurelle en plus des paramètre météorologique (précipitation). Ainsi,
l’indice SPI donne une indication sur l’intensité de précipitation qui à son tour permet de
quantifier le risque d’inondation alors que la connaissance de ce même indice permet à lui seul
de déclencher le phénomène de sécheresse. Notre projet d’étude s’est focalisé uniquement sur les
paramètres météorologiques et à la prévision de la sécheresse. Compte tenu des résultats obtenus
précédemment, il est clair que ce modèle de prévision à courte échéance affiche une côte de
satisfaction plus qu’acceptable en termes de prévision de tendance générale. Pour tout coefficient
de détermination convergeant vers +1, la performance du modèle est meilleure. Pour la prévision
de la sécheresse, le modèle rencontre quelques difficultés pour son exploitation en hautes Terres
(BETSIBOKA) alors que sa prévision s’affine de plus en plus en rejoignant le littoral (BOENY,
MELAKY et SOFIA). Pour d’éventuel recherche, il serait alors intéressant de procéder à
l’exploitation de ce modèle sur d’autre régions en hautes altitudes pour confirmer avec
exactitude ce constat.

Conclusion
Ce travail a pour objectif de contribuer à la prévision des précipitations au sein de notre
espace d’étude qui est la région Nord-Ouest de Madagascar. Des données de précipitation ont été
utilisées d’une période de 1988 à 2018 soit 30 ans pour pouvoir bien mener l’étude. Nous nous
servons de divers logiciels comme Excel, MDM, pour les études numériques et python pour les
codes de programmation. Des indices Standardisés des Précipitations sont proposés et calculés dans
cette étude afin de prévoir et de caractériser le déficit pluviométrique.
D’après les résultats et les analyses effectuer, et en s’appuyant sur les résultats des quatre
districts observe nous pouvons retenir que ce phénomène peut se répéter. Dans la région Melaky on
a pu remarquer deux années de sécheresse extrême en 1999 et en 2002. Dans la région Sofia on
remarquer qu’en 1996 il y a une année très sec tandis que la région Boeny et Betsiboka sont frappe
par une sécheresse extrême respectivement en année 2005 et 2009. En termes de pourcentage, la
sécheresse modérée atteint les 10% dans toutes les régions sauf pour la region Sofia qui a la valeur
de 40%, pour la sécheresse extrêmes les valeurs de chaque région varient, soient de 19% pour la
région Melaky, de 3% pour Betsiboka, de 13% pour Boeny et de 16% pour Sofia.et la sécheresse
proche de la normale effleure la valeur de 60% dans toute la région qu’on a étudier.
Pour plus approfondir sur le sujet, on a utilisé le réseau de neurone artificiel multi couche
pour prédire la sécheresse dans la région Nord-Ouest. Tout d'abord, les séries des valeurs de l’indice
de précipitation normalisé SPI-12 étant suffisant pour notre étude qui sera traité par le réseau de
neurone afin d’expliquer théoriquement le phénomène de sécheresse. Les résultats indiquent que le
modèle ainsi développé et testé lors de cette étude donne des résultats assez acceptables pour la
prévision de la sécheresse. Néanmoins, il donne des limites dans le délai de prédiction et pour
améliorer ce modèle et en perspectives d’autres méthodes peuvent être testées.
Ainsi, on peut conclure que ce modèle développé peut être un moyen efficace pour faire
face d’avance aux enjeux de la sécheresse qui peuvent être dramatique.

Bibliographie
[1] G. Oberlin, Quelques généralités sur la sécheresse et la prévision, N°5- 1976, La houille
blanche
[2] Source: Aiguo Dai, E. Tremberti, A global dataset of Palmer Drought Severity Index, Dai et
al 2004.
[3] A. S. Weigend et N. A. Gershenfeld, 1993, Understanding the past to forecast the future
[4] Manuel des indicateurs et indices de sécheresse, OMM N°1173
[5] Marc BIED-CHARRETON, Sécheresse, désertification et développement en Afrique, Cours

de Master 2-2017-UVSQ et CERDI
[6] Yves du Penhoat, LEGOS, Toulouse, El Niño, La Niña et le climat
[7] Ambrizzi,T. de Souza, EB et Pulwarty, RS(2004), Les circulation régionale de Hadley et

walker et les impacts ENSO associes sur les précipitation saisonnières en Amérique du Sud
(pp.203-235)
[8] conflits et gestion des ressources naturelles, FAO
[9] Guide d’utilisation de l’indice de précipitations normalisé, OMM-N° 1090, 2012
[10] Ali, Abdou, Signification et usage de l’indice pluviométrique de Sahel. Science et

changement planetaire,194-227
[11] Pr Lotfi Bouzaïane et Pr Rim Mouelhi, Méthodes de prévision, , Séquence n° : 6, 2006-2007
[12] MICHEL PRENAT, CHRISTINE KERIBIN, RAPHAEL ROSSIGNOL, « séries

chronologiques Volume 1: cours et exercices »,
[13] RAZANATOMPOHARIMANGA NIRY HAVANA, « Prévision de périodes de pluies

(débuts et fins) dans la partie centre Ouest de Madagascar », Thèse de l’Université
d’Antananarivo,
[14] BERCHET, G. BAUDAIN & J., « Transformée de Fourier Discrète », v.0. 1, Ed. Ecole
Supérieure d’ingénieurs en Electrotechnique et Electronique, novembre (2001)
[15] MONBET V., « Modélisation de séries temporelles » (2012-2013)
[16] S. LE DIGABEL, « Quelques lois continues MTH2302D », Ecole Polytechnique de
ANDRIANANTENAINA Fifaliana Lanto Nirina |vii

Montréal H.,
[17] MICHEL PRENAT, CHRISTINE KERIBIN, RAPHAEL ROSSIGNOL, «Séries

chronologiques Volume 1: cours et exercices »,
[18] Pierre-Louis GONZALEZ, l’analyse en composantes principales (a.c.p.),
[19] Claude TOUZET, Les réseaux de neurones Artificiels, Introduction au Connexionnisme,

Cours, exercices, Juillet 1992
[20] Marie COTTRELL, Les réseaux de neurones historiques, méthodes et applications,
[21] Atlas climatologique de Madagascar, Mars 2014
[22] Apprendre la machine learning, Guillaume Saint-Cirgue , 2019
[23] Données pluviométrique de l’ASECNA Mahajanga, Avril 2013
ANDRIANANTENAINA Fifaliana Lanto Nirina |viii

Webographie
(1) www.notre-planete.info/terre/risques_naturels/secheresse, 10 septembre 2019
(2) www.mathlabo.univ-poitiers.fr/phan/downloads/enseignement/lois-usuelles.pdf,lois
usuelles , Octobre 2019
(3) https://planificateur.a -contressense.net, 10 Septembre 2019
(4) https://www.persee.fr/doc/dogf_0004_5322_1974_num_51,1Octobre 2019
(5) www.boeny.gov,
(6) www.capfida.mg, rapports régionaux/betsiboka , 10 Septembre 2019
(7) www.economie.gov , 10 Septembre 2019
(8) WWW.USAID.GOV/MADAGASCAR
ANDRIANANTENAINA Fifaliana Lanto Nirina |ix

Annexes
ANDRIANANTENAINA Fifaliana Lanto Nirina |A

Annexe 1 : Variables climatiques
La zone de convergence intertropicale (ZCIT), également appelée « équateur
météorologique », constitue une ceinture de basses pressions de direction Est-Ouest sur tout le
pourtour du globe. Les gradients thermiques y sont faiblement marqués, permettant l’ascendance
des masses d’air chargées en vapeur d’eau. L’équateur météorologique constitue donc la zone de
rencontre des alizés (ou front des alizés) des deux hémisphères : de direction NE-SW dans
l’hémisphère nord et SE-NW dans l’hémisphère sud. Au cours de la traversée des océans, les
masses d’air drainées par les alizés vont progressivement se charger en vapeur d’eau (Beltrando,
2004).
L’intensité et les déplacements de la ZCIT sont régit par les circulations atmosphériques
générales, notamment par des circulations méridiennes : les cellules de Hadley comme l’illustre
la figure ci-dessous :
La circulation atmosphérique : effet des cellules de Hadley (Sadourny, 1994).
Les masses d’airs humides en latitude tropicale sont soumises à des mouvements
convectifs à l’origine des précipitations sous ces latitudes alors qu’aux latitudes subtropicales
(~30°) l’accumulation des masses d’airs en altitude engendre une subsidence de ces masses
sèches à l’origine des ceintures désertiques subtropicales.
ANDRIANANTENAINA Fifaliana Lanto Nirina |B

La mousson
Il est également employé pour indiquer la saison durant laquelle ce vent souffle dans le
sud-ouest de l’Inde et les régions adjacentes et qui est caractérisée par des précipitations très
fortes, et aussi pour nommer les précipitations qui sont associées à ce vent.
Elle souffle de la mer vers le continent (mousson d’été du sud-ouest en Inde),

généralement d’Avril à Octobre, et du continent vers la mer (mousson d’hiver du nord est en
Inde), d’Octobre à Avril. La mousson d’été est habituellement accompagnée de pluies très
importantes à travers l’Océan Indien, en revanche, celle d’hiver soufflant du Nord Est est
généralement sèche.
La mousson est, de manière très générale, un phénomène saisonnier de régime de vent

persistant qui souffle au-dessus de vastes régions intertropicales, de l'océan vers le continent ou
vice versa ; ce vent apporte alors durant l'été des précipitations excessivement abondantes, puis il
change complètement et rapidement de direction et transporte au contraire, durant l'hiver, un air
très sec. Ce phénomène de mousson est très lié aux variations saisonnières de position de
l’équateur météorologique par rapport à l'équateur géographique.
Mouvement de mousson au mois de juillet dans l’océan Indien
ANDRIANANTENAINA Fifaliana Lanto Nirina |C

Les alizes
Près de l'équateur se trouve une zone de basses pressions, connue sous le nom de zone
des calmes équatoriaux, qui se situe approximativement entre 10° de latitude Nord et 10° de
latitude Sud. À l'intérieur de cette « ceinture équatoriale », l'air est chaud. À 30° de l'équateur,
dans les deux hémisphères, on trouve la zone des calmes tropicaux ou « ceintures subtropicales »,
qui sont des zones de hautes pressions, où les vents sont faibles et variables.
Mouvement des alizée avec les différentes cellules
Les vents créés par la différence de pression existant entre les ceintures subtropicales et
la ceinture équatoriale sont appelés les vents d’alizés ou les alizés ; ce sont les vents dominants
des basses latitudes. Dans l'hémisphère Nord, le vent soufflant du Nord vers l'équateur est dévié
vers l'Ouest par la rotation de la terre tandis que l'hémisphère Sud, le vent soufflant du Sud est
dévié de la même façon vers l'Ouest.
La précipitation
Les précipitations représentent toutes les eaux météoriques qui tombent sur la surface de
la terre sous forme liquide ou solide. L'analyse de leurs caractéristiques constitue le point de
départ pour toute étude des ressources en eau (irrigation, drainage, assainissement,
aménagements de bassins versant). Elles sont caractérisées par une grande variabilité dans
l'espace et dans le temps, aussi bien à l'échelle annuelle qu'à celle d'un événement pluvieux.
• La formation de la précipitation
ANDRIANANTENAINA Fifaliana Lanto Nirina |D

La formation des précipitations nécessite la condensation de la vapeur d'eau
atmosphérique. La saturation est une condition essentielle à tout déclenchement de la
condensation. Divers processus thermodynamiques sont susceptibles de réaliser la saturation des
particules atmosphériques initialement non saturées et provoquer leur condensation :
• Saturation et condensation par refroidissement isobare (à pression constante),

• saturation et condensation par détente adiabatique,
• saturation et condensation par apport de vapeur d'eau,
• saturation par mélange et par turbulence.
Ce phénomène est lié à l'accroissement de ces éléments dont la masse devient suffisante
pour vaincre les forces d'agitation. Ce grossissement peut s'expliquer par les deux processus
suivants :
• l'effet de coalescence. Il y a grossissement par choc et fusionnement avec

d'autres particules. Du fait de la dispersion des vitesses, le cristal en se déplaçant,
soit en chute libre, soit par turbulence, entre en collision avec les gouttelettes
surfondues ; la congélation de celles-ci augmente le volume du cristal. Il en est
de même pour les gouttelettes de diamètre supérieur à 30 microns qui entrent en
collision avec des gouttelettes de diamètre inférieur. Ce processus provoque un
accroissement rapide de leur dimension et donc de leur masse augmentant leur
vitesse de chute.
• l'effet Bergeron. Dans la partie du nuage où la température est négative mais
supérieure à -40°C, coexistent des cristaux de glace et des gouttelettes d'eau
surfondues (eau liquide avec une T°<0°C, l'eau pure ne se solidifie pas à 0°C
mais en dessous de - 40°C). Autour d'un cristal de glace, l'air est saturé à un taux
d'humidité plus bas qu'autour d'une gouttelette d'eau surfondue. Suite à cette
différence d'humidité, il apparaît un transfert de la vapeur d'eau des gouttelettes
vers les cristaux. Par conséquent, les gouttelettes s'évaporent tandis qu'il y a
condensation autour des cristaux. Lorsque la masse du cristal est suffisante, il
précipite. S'il traverse une région à température positive suffisamment épaisse
(souvent à partir de 300 m dans les nuages stables) et si la durée de chute le
permet, il fond et donne lieu à de la pluie. Le même processus de grossissement
a lieu entre deux gouttelettes à des températures différentes (la plus froide
grossit au détriment de la plus chaude).
Mesure de la quantité de pluie
Quelle que soit la forme de la précipitation, liquide ou solide, on mesure la quantité

d'eau tombée durant un certain laps de temps. On l'exprime généralement en hauteur de
précipitation ou lame d'eau précipitée par unité de surface horizontale (mm). On définit aussi
ANDRIANANTENAINA Fifaliana Lanto Nirina |E
son intensité (mm/h) comme la hauteur d'eau précipitée par unité de temps. La précision de la
mesure est au mieux de l'ordre de 0,1 mm.
Les différents instruments permettant la mesure des précipitations sont décrits dans le
chapitre 7 "mesures hydrologiques". Citons toutefois les deux appareils de mesures
fondamentaux que sont :
Le pluviomètre : instrument de base de la mesure des précipitations liquides ou solides.

Il indique la quantité d'eau totale précipitée et recueillie à l'intérieur d'une surface calibrée dans
un intervalle de temps séparant deux relevés.
Le pluviographe : instrument captant la précipitation de la même manière que le

pluviomètre mais avec un dispositif permettant de connaître, outre la hauteur d'eau totale, leur
répartition dans le temps, autrement dit les intensités.
Différents types de précipitation
Il existe différents types de précipitations : les précipitations convectives, les

précipitations orographiques et les précipitations frontales.
• Les précipitations convectives. Elles résultent d'une ascension rapide des

masses d'air dans l'atmosphère. Elles sont associées aux cumulus et cumulo-
nimbus, à développement vertical important, et sont donc générées par le
processus de Bergeron. Les précipitations résultantes de ce processus sont en
général orageuses, de courte durée (moins d'une heure), de forte intensité et de
faible extension spatiale.
Schéma d'une précipitation convective
• Les précipitations orographiques. Comme son nom l'indique (du grec oros,
montagne), ce type de précipitations résulte de la rencontre entre une masse d’air
ANDRIANANTENAINA Fifaliana Lanto Nirina |F
chaude et humide et une barrière topographique particulière. Par conséquent, ce
type de précipitations n’est pas « spatialement mobile » et se produit souvent au
niveau des massifs montagneux. Les caractéristiques des précipitations
orographiques dépendent de l'altitude, de la pente et de son orientation, mais
aussi de la distance séparant l'origine de la masse d'air chaud du lieu de
soulèvement. Des exemples de précipitations déclenchées par le relief sont :
celles issues des nuages stratiformes produits par l’ascension forcée de la masse
d’air ainsi que celles issues des nuages convectifs formés par le réchauffement
des pentes.
Précipitation orographique
• Les précipitations frontales ou de type cyclonique. Elles sont associées aux

surfaces de contact entre deux masses d'air de température, de gradient
thermique vertical, d'humidité et de vitesse de déplacement différents, que l'on
nomme « fronts ». Les fronts froids (une masse d’air froide pénètre dans une
région chaude) créent des précipitations brèves, peu étendues et intenses. Du fait
d’une faible pente du front, les fronts chauds (une masse d’air chaude pénètre
dans une région occupée par une masse d’air plus froide) génèrent des
précipitations longues, étendues, mais peu intenses.
ANDRIANANTENAINA Fifaliana Lanto Nirina |G

Schémas d'un front froid
ANDRIANANTENAINA Fifaliana Lanto Nirina |H

Annexe 2 : Circulation générale
Le courant de Humboldt
C'est un courant qui longe, du sud vers le nord, la côte ouest de l'Amérique du sud.
Le courant de Humboldt venant d'Antarctique est froid et maintient une zone de haute
pression sur le Pacifique qui empêche l'arrivée de pluies. La première conséquence visible est le
désert côtier qui s'étend du Pérou jusqu'au Chili avec une pluviométrie de seulement quelques
millimètres par an comme le montre la photo de la presqu'île de Paracas au sud de Lima.
le système de courant de Humboldt se caractérise principalement par la présence de

remontées en surface d’eau froide profonde (« upwelling ») le long des côtes qui conduisent à
une incroyable productivité biologique et qui sont déterminantes pour le climat local et global ;
de différents courants océaniques en surface et en profondeur qui transportent des eaux aussi
bien d’origine équatoriale que subantarctique ; des tourbillons de méso-échelles (~100 km) qui, à
l’instar des cyclones et anticyclones atmosphériques, jouent un rôle important sur
l’environnement marin; d’une zone profonde où les concentrations en oxygène dissous sont
extrêmement faibles et qui a des implications biologiques et climatiques importantes.
Circulation de Hadley
Dans la zone tropicale, la circulation méridienne est décrite par les cellules de Hadley,
La circulation de grande échelle tropicale a été étudiée pour la première fois par Sir Edmund
Halley (1656-1742) et Sir George Hadley (1685-1786). Il remarqua que des vents de surface
convergeaient au niveau de l'équateur.
Circulation de Walker
La circulation atmosphérique tropicale dans sa dimension longitudinale est appelée la

circulation de Walker La circulation de Walker est fortement modifiée par ENSO. ENSO est un
phénomène de couplage océan-atmosphère se traduisant par une diminution du gradient
longitudinal des SSTs dans l'océan Pacifique. La localisation des ascendances et subsidences
grande échelle est alors modifiée. En condition El Niño, les ascendances d'air se déplacent vers
le centre de l'océan Pacifique modifiant les mouvements d'air au niveau du bassin Amazonien et
de l'Afrique, et sur le reste de la planète.
ANDRIANANTENAINA Fifaliana Lanto Nirina |I

Annexe 3 : Données et codes
Création du dataset
Création du model par défaut
ANDRIANANTENAINA Fifaliana Lanto Nirina |J

Exemple d’une courbe de prévision
Valeur de la courbe d’erreur
ANDRIANANTENAINA Fifaliana Lanto Nirina |K

Valeurs des SPI de la region Nord-Ouest
annee spi spi spi spi

19 0,0 1,3
88 -0,66 1 -0,8 8
19 0,9 -
89 -0,20 8 1,47 1,12
19 - 0,0
90 1,34 1,42 -2 5
19 0,9 -
91 -0,50 9 1,27 0,68
19 0,7 - -
92 -0,92 4 1,21 0,08
19 0,7 - 0,7
93 0,95 1 1,32 6
19 -
94 1,47 0,24 0,62 -0,5
19 1,2 - -
95 0,09 8 0,17 0,32
19 0,8 -
96 -0,27 2 0,09 1,55
19 0,5 -
97 -1,03 9 1,46 0,34
19 1,2 0,3
98 0,72 1 0,39 6
19 1,0 - 0,4
99 -0,33 9 0,07 1
20 - - -
00 -0,15 1,02 0,07 0,73
20 - -
01 -0,38 0,9 0,93 1,42
20 - - 0,2
02 -0,87 0,4 2,03 8
20 0,3 - -
03 1,20 9 0,42 0,36
20 1,7 -
04 0,72 5 0,55 1,09
20 - 0,0
05 -0,46 2,86 0,49 9
20 - -
06 1,20 0,44 0,45 0,52
20 0,6 1,2
07 1,06 1 1,41 4
20 - 0,5
08 0,79 0,39 1,2 6
20 - -
09 -2,85 0,61 0,8 0,24
ANDRIANANTENAINA Fifaliana Lanto Nirina |L
20 0,1 - -
10 1,51 4 0,81 1,43
20 0,5 - 1,9
11 -0,89 7 1,23 7
20 -
12 0,10 0,49 1,42 0,6
20 - - -
13 0,64 1,32 0,54 1,19
20 0,0 -
14 0,89 8 0,29 0,92
20 - 0,6
15 -1,03 0,54 0,98 2
20 - - 0,3
16 -0,95 0,76 0,63 6
20 - 1,1
17 0,30 1,51 0,21 2
20 - - 1,6
18 -1,45 0,81 0,85 8
ANDRIANANTENAINA Fifaliana Lanto Nirina |M

Valeurs SPI predit
annee valeur predit

1988 0.545847
1989 0.601171
1990 0.548773
1991 0.560422
1992 0.550882
1993 0.835533
1994 0.578771
1995 0.557903
1996 0.560444
1997 0.619832
1998 0.750566
1999 0.602116
2000 0.565848
2001 0.548779
2002 0.54783
2003 0.74621
2004 0.544996
2005 0.644024
2006 0.556673
2007 0.895092
2008 0.570388
2009 0.588157
2010 0.559618
2011 0.743751
2012 0.551205
2013 0.77773
2014 0.585051
2015 0.564973
2016 0.56011
2017 0.564101
2018 0.580099
ANDRIANANTENAINA Fifaliana Lanto Nirina |xiv

Code dans Jupiter
Code de thêta final
ANDRIANANTENAINA Fifaliana Lanto Nirina |xv

Table des matières
Remerciements .................................................................................................................. i
Fisaorana ........................................................................................................................... ii
Sommaire ......................................................................................................................... iii
Glossaires .......................................................................................................................... v
Liste des abréviations ..................................................................................................... vii
Liste des figures ............................................................................................................... ix
Liste des cartes ................................................................................................................ xii
Liste des tableaux .......................................................................................................... xiii
Listes des annexes.......................................................................................................... xiv
Introduction....................................................................................................................... 1
Premier chapitre : Etat de l’art sur la sécheresse .............................................................. 1
I. Généralités sur la sécheresse ............................................................................. 4
I.1 Définitions ....................................................................................................... 4
I.2 Genèse de la sécheresse ................................................................................... 4
I.3 Etat de la sécheresse ........................................................................................ 5
I.3.1 Situation globale ....................................................................................... 5
I.3.2 Situation en Afrique ................................................................................. 6
II. Classification et évaluation de la sécheresse ..................................................... 7
II.1. Les différents types de sécheresse ................................................................ 7
II.1.1 La sécheresse météorologique ................................................................ 7
ANDRIANANTENAINA Fifaliana Lanto Nirina |xvi

II.1.2 La sécheresse agricole ............................................................................. 7
II.1.3 La sécheresse hydrologique .................................................................... 8
II.1.4 La sécheresse socio-économique ............................................................ 8
II.2 L’interaction entre les différents types de sécheresse .................................... 8
II.2.1 Influence sur la sécheresse météorologique ............................................ 8
II.2.2 Influence sur la sécheresse agricole ........................................................ 9
II.2.3 Influence sur la sécheresse hydrologique................................................ 9
III. Notion d’aridité .............................................................................................. 12
III.1 Définition .................................................................................................... 12
III.2 Caractéristiques des zones arides................................................................ 13
IV. Les causes et conséquences de la sécheresse ................................................. 14
V.1 Les causes de la sécheresse .......................................................................... 14
V.1.1 Facteurs humain .................................................................................... 14
V.1.2 Facteurs météorologique ....................................................................... 14
V.2 Les conséquences de la sécheresse .............................................................. 22
V.2.1 Impact sur l’activité humaine ............................................................... 22
V.2.2 Impact sur le milieu nature et son environnement ................................ 22
V. Méthode de suivi de la sécheresse .................................................................. 23
V.1 Les indicateurs et les indices de la sécheresse ............................................. 23
V.1.1 Quelques définitions ............................................................................. 23
V.1.2 Les indices de sécheresse ...................................................................... 24
V.1.3 L’indice standardisé de précipitation .................................................... 25
ANDRIANANTENAINA Fifaliana Lanto Nirina |xvii

V.1.4 Valeurs de l’indice de précipitations normalisé pour une période plus ou
moins longue ................................................................................................................. 26
V.2 Les paramètres de la sécheresse................................................................... 28
Deuxième chapitre : Méthodologie de prévision de la sécheresse ................................. 29
I. Généralités sur la prévision ............................................................................. 30
I.1 Importance de la prévision ............................................................................ 30
I.2 Technique de prévision ................................................................................. 30
I.2.1 Détermination des mois secs par la courbe ombrothermique ................. 32
I.2.2 Transformation de Fourier rapide (FFT) ................................................ 32
II. Méthodes statistiques ...................................................................................... 33
II.1 Méthode d’extrapolation .............................................................................. 33
II.1.1 Moyennes arithmétiques ....................................................................... 33
II.1.2 Moyenne mobile ................................................................................... 34
II.1.3 Lissage exponentiel ............................................................................... 35
II.1.4 Lois de probabilités ............................................................................... 36
II.1.5 Modèle stochastique .............................................................................. 38
II.2 Méthodes explicatives (Analyse des Composantes Principales) ................. 41
II.2.1 Les principes de l’ACP ......................................................................... 41
II.2.2 Les objectives ........................................................................................ 41
II.2.3 Construction d’un espace factoriel ........................................................ 42
II.2.4 Interprétation en termes statistiques de l’espace factoriel du nuage de

points individus ............................................................................................................. 44
II.2.5 Les étapes d’une ACP ........................................................................... 44
ANDRIANANTENAINA Fifaliana Lanto Nirina |xviii

III. Méthode basée sur les réseaux de neurones ................................................... 46
III.1 Définition .................................................................................................... 46
III.2 historiques ................................................................................................... 47
III.3 Principe du réseau de neurone .................................................................... 48
III.4 Types de fonction d’activation ................................................................... 49
III.5 Modélisation des réseaux de neurones artificiels ....................................... 50
III.6 Types des réseaux de neurones et leurs apprentissages .............................. 52
III.6.1 Le perceptron ....................................................................................... 52
III.6.2 Réseaux de neurones multicouches ..................................................... 52
III.6.3 Apprentissages du perceptron .............................................................. 54
III.7 L’évaluation des performances ................................................................... 56
Troisième chapitre : Présentation de la zone d’étude ..................................................... 57
I. Situation géographique .................................................................................... 58
I.1 La région Melaky .......................................................................................... 58
I.1.1 Relief ...................................................................................................... 59
I.1.2 Géologie ................................................................................................. 60
I.2 La région Boeny ............................................................................................ 60
I.2.1 Relief ...................................................................................................... 61
I.2.2 Pédologie ................................................................................................ 61
I.3 La région Sofia .............................................................................................. 62
I.3.1 Relief et paysage .................................................................................... 63
I.3.2 Géologie ................................................................................................. 64
ANDRIANANTENAINA Fifaliana Lanto Nirina |xix

I.4 la région Betsiboka ........................................................................................ 65
I.4.1 Relief ...................................................................................................... 66
I.4.2 Géologie ................................................................................................. 67
II. Situation climatique ......................................................................................... 67
II.1 La région Melaky ......................................................................................... 69
II.2 La région Boeny ........................................................................................... 69
II.3 La région Sofia ............................................................................................. 70
II.3.1 La température ...................................................................................... 70
II.3.2 La pluviométrie ..................................................................................... 71
II.4 La région Betsiboka ..................................................................................... 71
Quatrième chapitre : Résultats et discussions ................................................................. 73
I. Organigramme de travail ................................................................................. 74
I.1 Acquisition de données ................................................................................. 74
I.2 Ressources matérielles .................................................................................. 74
I.2.1 Outils statistiques ................................................................................... 74
I.2.2 Outils informatiques ............................................................................... 76
I.3 Création les réseaux de neurones artificiels ................................................. 79
I.3.1 Création du « dataset »g ......................................................................... 79
I.3.2 Création d’un model linéaire .................................................................. 79
I.3.3 création du fonction cout. ....................................................................... 80
I.3.4 calcul d’erreur......................................................................................... 80
I.3.5 Evaluation des Performances ................................................................. 80
ANDRIANANTENAINA Fifaliana Lanto Nirina |xx

I.3.5 Algorithme de minimisation ................................................................... 80
I.3.6 Les étapes de programmation ................................................................. 82
I.4 Architecture du travail ................................................................................... 85
II. Résultats et discussions ................................................................................... 86
II.1 Etudes des précipitations dans la région Nord-Ouest de Madagascar ......... 86
II.1.1 Présentation des pluies mensuelle ......................................................... 86
II.1.2 Détermination des mois secs par la courbe ombrothermique ............... 86
II.2 Evaluation de la variabilité temporelle des Indices Standardise de

Précipitation ...................................................................................................................... 87
II.2.1 SPI du région Melaky ........................................................................... 88
II.2.2 SPI de la région Sofia............................................................................ 90
II.2.3 SPI de la région Boeny.......................................................................... 92
II.2.4 SPI de la région de Betsiboka ............................................................... 93
II.3 Détection de la date de rupture par le test de Pettitt..................................... 95
II.3.1 Région Melaky ...................................................................................... 95
II.3.2 Région Sofia .......................................................................................... 96
II.3.3 Région Boeny ........................................................................................ 97
II.3.4 Région Betsiboka .................................................................................. 98
II.4 Prévision de la sécheresse par réseau de neurone ........................................ 99
II.4.1 Région BETSIBOKA ............................................................................ 99
II.4.2 La région BOENY .............................................................................. 101
II.4.3 La région MELAKY ........................................................................... 102
ANDRIANANTENAINA Fifaliana Lanto Nirina |xxi

II.4.4 La région SOFIA ................................................................................. 103
II.5 Discussion générale.................................................................................... 104
Conclusion .................................................................................................................... 105
Bibliographie .................................................................................................................. vii
Webographie .................................................................................................................... ix
Annexes ........................................................................................................................... A
Annexe 1 : Variables climatiques ..................................................................................... B
Annexe 2 : Circulation générale ........................................................................................ I
Annexe 3 : Données et codes ............................................................................................. J
Table des matières ......................................................................................................... xvi
ANDRIANANTENAINA Fifaliana Lanto Nirina |xxii

Titre : « Prévision de la sécheresse au nord-ouest de Madagascar »
Auteur : ANDRIANATENAINA Fifaliana Lanto Nirina
Adresse : lot VB 3 E bis Faliarivo Ambanidia
Tel: 034 32652 84/032 68 244 37
E-mail : hiranyaina@gmail.com
Nombre de pages : 105 Nombre de figures : 54 Nombre de cartes : 9
Nombre de tableaux : 7 Nombre d’annexes : 3
Résumé :
La présente étude s’intéresse à la prévision de la sécheresse dans la région Nord-Ouest

de Madagascar en utilisant le réseau de neurone à perceptron multi couche. Cette méthode a été
appliquée afin de prédire l’indice standardisé de précipitation (SPI). Dans un premier temps nous
avons fait l’étude des précipitations afin de connaitre les valeurs des SPI tels que les sécheresses
modérées et les sécheresses extrêmes. Ensuite nous avons utilisé les valeurs de la SPI afin de
prédire les apparitions des sécheresses dans les années futures à l’aide de l’application du réseau
de Neurone artificiel. Nous avons utilisé comme valeur d’entrée les valeurs passées de l’indice
SPI ainsi calculé ainsi que les valeurs de précipitations mensuelles
Mots clés : Sécheresse, Réseau de Neurones Artificiels, Indice de Précipitation Standardise (SPI),
région Nord-Ouest
Abstract:
The present study is concerned with the prediction of drought in the North-West region
of Madagascar using the multi-layered neuron network perceptron. This method has been applied
to predict the standardized precipitation index (SPI). Firstly, we made the study of precipitation
in order to know the values of SPI such as moderate droughts and extreme droughts. Then we
use the SPI values to predict the occurrence of droughts in future years using the artificial neuron
network application. We used as input the past values of the SPI index thus calculated as well as
the monthly precipitation values
Keywords: Drought, Artificial Neural Network, Standardized Precipitation Index (SPI),

Northwestern Region
Directeur de thèse : ANDRIANAHARISON Yvon – Professeur titulaire

AndrianantenainaFifalianaLN ESPA MAST 2019

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

AndrianantenainaFifalianaLN ESPA MAST 2019

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE D'ANTANANARIVO

ECOLE SUPERIEURE POLYTECHNIQUE

Mémoire de fin d’études en vue de l’obtention du diplôme de Master

Conçue par : ANDRIANANTENAINA Fifaliana Lanto Nirina

Date de soutenance : 23 Décembre 2019

ECOLE SUPERIEURE POLYTECHNIQUE

Mémoire de fin d’études en vue de l’obtention du diplôme de Master

Devant la Commission d’examen composée de :

Président du Jury : Monsieur RAMANAKOTO Toky Nandrasana - Maître de

• Monsieur RABEFITIA Zoaharimalala - Maître de conférences

Directeur de mémoire : Monsieur ANDRIANAHARISON Yvon - Professeur titulaire

Année Universitaire: 2017 - 2018

Les membres de jury :

➢ Monsieur RABEFITIA Zoaharimalala, Ingénieur en chef de classe exceptionnel de la

Tous les corps Enseignants, Administratifs et Techniques de l’Ecole Supérieure Polytechnique

• Andriamatoa RAVELOMANANA Mamy Raoul, Professeur, Filohan’ny

Tolorana fisaorana manokana koa ireto mpampianatra manaraka ireto nohon’ny

• Andriamatoa RABEFITIA Zoaharimalala, « Maître de Conférences »;

ANDRIANANTENAINA Fifaliana Lanto Nirina |ii

Liste des abréviations

Liste des figures

Liste des cartes

Liste des tableaux

Listes des annexes

Premier chapitre : Etat de l’art sur la sécheresse

I. Généralités sur la sécheresse

II. Classification et évaluation de la sécheresse

III. Notion d’aridité

IV. Les causes et conséquences de la sécheresse

V. Méthode de suivi de la sécheresse

Deuxième chapitre : Méthodologie de prévision de la sécheresse

I. Généralités sur la prévision

II. Méthodes statistiques

III. Méthode basée sur les réseaux de neurones

ANDRIANANTENAINA Fifaliana Lanto Nirina |iii

II. Situation climatique

Quatrième chapitre : Résultats et discussions

II. Résultats et discussions

Table des matières

ANDRIANANTENAINA Fifaliana Lanto Nirina |iv

Aridité : l’ensemble des facteurs climatiques qui caractérisent une

Bourrelet de berge : consiste en une bordure alluviale basse longeant le lit

Durée : c’est la période s’écoulant entre le début et la fin d’un

Intensité : c’est l’ampleur du déficit de précipitations et de ses

Mangrove : c’est un écosystème terre-mer, une forêt littorale

Magnitude : c’est le cumul de déficit d’eau (par exemple :

ANDRIANANTENAINA Fifaliana Lanto Nirina |v

Précipitation : regroupement des produits, sous une forme liquide ou

Sécheresse : est une anomalie climatologique transitoire dans laquelle

Sol alluvial : c’est un sol constitue de sédiments des alluvions,

Sol hydromorphe : sol montrant des marques caractéristiques d’une saturation

ANDRIANANTENAINA Fifaliana Lanto Nirina |vi

CIP : Climate Information Portal

CMI : Crop Moisture Index

CWSI: Crop Water Strees Index

DI : Indice des déciles

ENSO : El Niño and Southern Oscillation

FAO : Food and Agriculture Organization

FTM : Foibe Taotsarintanin’i Madagasikara

GES : Gaz à Effet de Serre

IDC : Indice de Déficit Climatique

I : les modèles intégrés

KBDI: Keetch-Byram Drought Index