Académique Documents
Professionnel Documents
Culture Documents
*****************
D’ANTANANARIVO
*****************
Parcours : Sciences et techniques d’observations, de
traitements, etMENTION: METEOROLOGIE
d’informations météorologiques et hydrologiques
Titre : INGENIEUR
PREVISION Titre
DE: Ingenieur
LA SECHERESSE
AU NORD OUEST DE MADAGASACAR
*****************
D’ANTANANARIVO
*****************
Parcours : Sciences et techniques d’observations, de
traitements, et d’informations
MENTION: météorologiques
METEOROLOGIEet hydrologiques
Titre : Ingenieur
PREVISION DE LA SECHERESSE
AU NORD OUEST DE MADAGASACAR
Conçue par : ANDRIANANTENAINA Fifaliana Lanto Nirina
Examinateurs :
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.
Qui ont bien voulu accepter de faire partie des membres de jury et d’examiner ce travail malgré
leurs lourdes responsabilités ;
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 :
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!
Fisaorana
Sommaire
Glossaires
Introduction
I. Situation géographique
I. Organigramme de travail
Conclusion
Bibliographie
Webographie
Annexes
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
AR : Autorégressifs
Em : Ecart à la moyenne
Ip : Indice de pluviosité
PN : Pourcentage à la Normale
Figure 2 : Succession de situations de sécheresse et de leurs incidences pour les différents types
de sécheresse ................................................................................................................................. 11
Figure 7 : Influence globale d’El Niño sur les précipitations et la temperature ........................... 19
Figure 35 : La structure du modèle de réseau neurone a perceptron multicouche dans le cas d’une
prévision de la sécheresse ............................................................................................................. 83
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.
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 ?
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.
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.
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.
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]
Source: Aiguo Dai, E. Tremberti, A global dataset of Palmer Drought Severity Index, Dai et al
2004.
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]
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]
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 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 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.
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.
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]
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
Inversement, un sol très humide et de grande étendue peut localement atténuer une
sécheresse météorologique mais certainement pas la supprimer.
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 :
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
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).
Figure 2 : Succession de situations de sécheresse et de leurs incidences pour les différents types de
sécheresse
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.
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.
Source : évaluation des écosystèmes pour le Millénaire, Bédrani S. désertification and the
international policy impérative
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]
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.1.2.1 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.
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.
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
Ces changements se traduisent par une décroissance des pressions en surface dans le
Pacifique Est et un accroissement dans le Pacifique Ouest.[7]
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).
La figure 7 suivante montre globalement cette relation entre El Niño et les anomalies de
précipitations et de température dans le monde.
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]
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
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]
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]
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).
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 ;
- 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.
➢ 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.
Rapport à la
normale des
précipitations (RN)
Indice
standardisé de
précipitation (SPI)
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.
(P−𝑃𝑚 )
SPI = (1,1)
σP
Avec :
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
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.
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]
• 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.
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.
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.
Une prévision est une prédiction dans un avenir incertain, d’événements ou de niveaux
d’activités.[12]
Pour arriver à terme a une bonne prévision on doit suivre la méthodologie approprier tels
que :
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
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]
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
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)
𝑘
Et f = : la fréquence.
𝑁
1
𝑥̅ = ∑𝑛𝑖=1 𝑥𝑖 (2.2)
𝑛
∑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 :
ANDRIANANTENAINA Fifaliana Lanto Nirina |33
Chapitre 2 : : Méthodologie de la prévision
Méthodes statistiques
∑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)
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
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
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.
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.
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
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)
• 𝑋(𝑡, ℎ) = 𝐿𝑡 + ℎ𝐵𝑡
(2.11)
• Pour une simulation historique : 2 ≤ 𝑡 ≤ 𝑇 ∶ 𝑋𝑡 = 𝐿𝑡 + 𝐵𝑡
𝜆𝑎
𝑝(𝑥) = ∏[0,∞](𝑥) 𝑥 𝑎−1 𝑒 −𝜆𝑥 (2.12)
Γ(a)
∞
Γ(a) = ∫0 𝑡 𝑎−1 𝑒 −𝑡 𝑑𝑡 (2.13)
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)
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,
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.
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).
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 :
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 )
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
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.
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.
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 nuage de points
individus représenté dans l’espace
de dim p défini par les variables
• 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
• 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)
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.
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)
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 :
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.
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]
+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)
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]
𝑆𝑘 = 𝑓(∑𝑁
𝑗=1 𝑤𝑘𝑗 𝑥𝑘𝑗 + 𝑏𝑘 ) (2.36)
Où
𝑏𝑘 : Le biais
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
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]
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.
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]
"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.
La loi de Hebb peut être modélisée par les équations suivantes (w(t+1) est le nouveau poids,
wij(t) l'ancien) :
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.
a = å (wi . ei) - S (la valeur de seuil est introduite ici dans le calcul de la somme
pondérée)
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) :
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.
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 :
Avec :
𝑑𝑙 : la sortie désirée
𝑥 : la sortie calculée
𝑑𝑙 − 𝑥 : correspond à l’erreur
1
𝑀𝑆𝐸 = ∑𝑛𝑖=1(𝑥 − 𝑥𝑖 )2 (2.40)
𝑛
Avec :
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
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)
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)
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 petites parties de zones littorales sont constituées par des dunes de sables peu
fertiles et des marécages d’eau douce.(4)
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)
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)
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.
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.
I.4.2 Géologie
• 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)
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).
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
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]
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
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
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.
T(°C)
300 31
200 30
29
100 28
0 27
1 2 3 4 5 6 7 8 9 10 11 12
Mois
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.
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.
Le logiciel MDM est un logiciel permettant de calculer des indices basés sur les
précipitations.
Source : auteur,2019
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).
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.
a. Anaconda
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
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).
Matplotlib
Matplotlib et ses dépendances sont disponibles sous forme de packages pour les
distributions MacOS, Windows et Linux :
• Python 3.6
• FreeType 2.3
• libpng 1.2
• NumPy 1.11
• setuptools
• cycler 0.10.0
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
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.
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.
1
𝐽(𝜃 ) = ∑(𝐹 (𝑋 − 𝑦)2 ) (4.1)
2
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) )
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).
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
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
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 ) ».
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 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.
Résultat
Antsohihy
600
500
400
300
200
100
0
1 2 3 4 5 6 7 8 9 10 11 12
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
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
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.
0
1988199019921994199619982000200220042006200820102012201420162018
-1
-2
-3
Par rapport aux fluctuations des valeurs de SPI de la région Melaky de 1988 à 2018,
cette région est caractérisée par trois périodes climatiques
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.
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.
La droite de régression linéaire montre une tendance à la hausse cela représente que la
précipitation va augmenter dans cette zone.
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
sécheresse moderee
tres sec
63%
sécheresse extreme
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
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.
SPI Sofia
0% 16%
3% humide
16%
proche de la normale
sécheresse moderee
tres sec
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
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.
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
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%
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
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
SPI Betsiboka
3%
10%0% humide
19%
proche de la normale
sécheresse moderee
tres sec
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
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
140
120
100
U 80
60
40
20
1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016
Période
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
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
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.
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
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
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.
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.
[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
[14] BERCHET, G. BAUDAIN & J., « Transformée de Fourier Discrète », v.0. 1, Ed. Ecole
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 :
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.
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.
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.
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
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 :
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 :
• 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
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.
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
Fisaorana ........................................................................................................................... ii
Glossaires .......................................................................................................................... v
Introduction....................................................................................................................... 1
Webographie .................................................................................................................... ix
Annexes ........................................................................................................................... A
E-mail : hiranyaina@gmail.com
Résumé :
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