DÉPARTEMENT FORMATION RECHERCHE

MÉMOIRE POUR L’OBTENTION DU DIPLÔME D’INGÉNIEUR EN HYDROLOGIE

PROMOTION : 2018-2020

Présenté par : NEBIE Gaston Cyrille

Scénarios d’évolution de la ressource en eau de surface dans le

bassin versant du Nakanbé à la station de Wayen à partir des
scénarios climatiques RCP 4.5 et RCP 8.5.

Soutenu le ... Janvier 2020 devant le jury composé de :

Président : Dr. Yahaya NAZOUMOU

Membre : Dr. Marguette KAIRE
Membre : Expert au Centre Régional AGRHYMET Hamatan MOHAMED
Directeur de mémoire : Dr. Abdou ALI Centre Régional AGRHYMET.

SECRETARIAT EXECUTIF : 03 BP 7049 Ouagadougou 03, Burkina Faso -Tél (+226) 25 37 41 25/26 - 25 49 96 00 - Fax (+226) 25 37 41 32 - Courriel : cilss.se@cilss.bf - www.cilss.bf
CENTRE REGIONAL AGRHYMET : BP 11011 Niamey, Niger - Tél (+227) 20 31 53 16 / 20 31 54 36 - Fax (+227) 20 31 59 79 - Courriel : admin@agrhymet.ne - www.agrhymet.ne
INSTITUT DU SAHEL : BP 1530 Bamako, Mali - Tél (+223) 20.22.21.48 / 20.22.30.43 / 20.22.47.06 - Fax : (+223) 20.22.78.31- Courriel : administration@insah.org - www.insah.org
 Dédicace

Dédicace

Mon Père NEBIE PIEBOLE

ET
Ma mère chérie NEBIE ALI.

i
 Remerciements

Remerciements

Toute ma gratitude au Ministère de l’Eau et de l’Assainissement (MEA) en particulier le Sécretariat

Permanent pour la Gestion Intégrée des Ressources en Eau (SP/GIRE) qui a financé cette formation
dans le cadre du renforcement des capacités de son personnel.
Nos remerciements vont à l’endroit de l’Administration Générale du Centre Régional AGRHYMET
(CRA) pour les efforts consentis durant ces deux (02) années académiques de formation (2017-2019).
Nous remercions particulièrement :
 Monsieur le Directeur Général du Centre Régional AGRHYMET, Dr Souleymane
OUEDRAOGO , pour avoir permis cette formation et facilité notre séjour ;
 Monsieur le Chef du Département Formation et Recherche, Pr Sanoussi ATTA , pour
son rôle déterminant dans la bonne marche de cette formation ;
 Le Chef de Filière Hydrologie, Dr Pibgnina BAZIE , pour son engagement, ses appuis et
conseils tout au long de ces années de formation ;
 Le Corps professoral interne et externe du CRA pour avoir bien voulu partager leur
connaissance et nous orienter dans nos objectifs de formation.
Nous remercions particulièrement mon directeur de mémoire Dr Abdou ALI pour avoir accepté
de m’encadrer, mais aussi et surtout pour avoir enrichir ce travail par ses analyses et critiques
pertinentes, malgré son calendrier chargé lié à son poste.
Nous souhaitons également remercier très chaleureusement :
♠ Les grandes familles NEBIE et KABORE. En particulier mon oncle NEBIE Baloua et son
épouse NEBIE/KABORE Elice pour leur soutien multiforme. Puisse Dieu vous le rendre au
centuple ;
♠ M. Bernard MINOUNGOU, M. Koufanou HIEN pour leurs disponibilités et conseils
méthodologiques ;
En dernier lieu, nous adressons nos sincères remerciements à la communauté burkinabè
d’AGRHYMET, en particulier à mes camarades de classe.

ii
 Liste des figures

Liste des figures

1 Le changement de température globale comparativement à la période 1986-2005 pour

les scénarios RCP. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Schéma de fonctionnement du modèle hydrologique GR6J, d’après Pushpalatha et al.
(2011). E0 est l’évapotranspiration potentielle, P la précipitation, T la température et
Q le débit. Xi est le paramètre i du modèle, les autres lettres font référence à des
variables internes du modèle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
3 Carte de la zone d’étude. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
4 Variabilité spatiale de la pluviométrie annuelle et de températures du bassin sur la
période. 1981-2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5 Pourcentage de valeur manquante dans la chronique des débits de la station de wayen
(1981-2010) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
6 Grilles considérées comme stations pour l’extraction des données climatiques de l’étude. 16
7 Diagramme de Taylor. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
8 Résultat de la correction de bais de la précipitation . . . . . . . . . . . . . . . . . . . . 25
9 Résultat de la correction de bais de la température maximale . . . . . . . . . . . . . . 26
10 Résultat de la correction de bais de la température minimale . . . . . . . . . . . . . . 27
11 Résultat de l’étude de sensibilité au test de Fourier. . . . . . . . . . . . . . . . . . . . . 28
12 Variation du NSE en fonction de l’évolution des paramètres d’entrés. . . . . . . . . . 29
13 Comparaison de la simulation des débits mensuels entre les deux modèles
hydrologiques (GR6J et SWAT) et les observations. . . . . . . . . . . . . . . . . . . . . 30
14 Hydrogrammes moyens des débits observés et simulés (1983-2003). . . . . . . . . . . 31
15 Scénarios des débits moyens, ainsi que la moyenne des débits des scénarios et des
débits historiques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
16 Distribution des écarts des débits moyens annuels issus des scénarios par rapport au
débit de la période de reférence (1976-2005). . . . . . . . . . . . . . . . . . . . . . . . 32
17 Comparaison des débits des scénarios et historiques, résultats de la p-value du test
Wilcoxon (NS : Non Significatif ; S : Significatif). . . . . . . . . . . . . . . . . . . . 33

iii
 Liste des tableaux

Liste des tableaux

1 Scénarios de référence d’évolution des concentrations des gaz à effet de serre. . . . . 6

2 Quelques caractéristiques physiographiques du bassin versant de Wayen. . . . . . . . 12
3 Source des modèles climatiques. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
4 Paramètres optimaux obtenus après calage du modèle GR6J. . . . . . . . . . . . . . . 30
5 Paramètres optimaux obtenus après calage du modèle SWAT . . . . . . . . . . . . . . 30
6 Résultats de la calibration et validation des modèles hydrologiques GR6J et SWAT au
pas de temps journalier. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

iv
 Sigles et Abréviations

Sigles et Abréviations

AGRHYMET : Agro-Hydro-Météorologie.
AEN : Agence de l’Eau du Nakanbé.
CDT : Climate Data Tools.
CORDEX : Coordinated Regional Climate Downscaling Experience.
CRA : Centre Régional Agrhymet.
DGRE : Direction Générale des Ressources en Eaux.
DMI : Institut Météorologique Danois.
EC-AEN : Espace de compétence de l’Agence de l’Eau du Nakanbé.
ESDB : Base de Données Européenne sur les Sols.
FAST : Sensibilité à l’Amplitude de Fourier.
FAO : Organisation des Nations Unies pour l’Alimentation et l’Agriculture.
GIRE : Gestion Intégrée des Ressources en Eaux.
GR : Génie Rural.
GR6J : Model de Génie Rural à 6 paramètres au pas de temps journalier.
ICHEC : Irish Centre for High-End Computing.
IPSL : Institut Pierre Simon Laplace.
HWSD : Base de Données Mondiale Harmonisée sur les Sols.
IRSTEA : Institut National de Recherche en Sciences et Technologies pour l’Environnement et
l’Agriculture.
MCG : Modèle Climatique Global.
MCR : Modèle Climatique Régional.
MECV : Ministère de l’Environnement et du Cadre de Vie.
MNT : Modèle Numérique de Terrain.
PANA : Programme d’Action National d’Adaptation aux Changements Climatiques.
RCP : Representative Concentration Pathway.
SP/GIRE : Sécretariat Permanent pour la Gestion Intégrée des Ressources en Eau.
SWAT : Soil and Water Assessment Tool.
USDA : Département de l’Agriculture des États-Unis.
URH : Unité de Reponse Hydrologique.

v
 Table des matières

Table des matières

Dédicace i

Remerciements ii

Liste des figures iii

Liste des tableaux iv

Sigles et Abréviations v

Résumé viii

Abstract ix

Introduction 1

1 État des connaissances 3

1.1 Impact du changement climatique sur la ressource en eau de surface . . . . . . . . . . 3
1.2 Généralités sur les scénarios climatiques . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1 Scénarios d’émission RCP et modèles climatiques . . . . . . . . . . . . . . . . 4
1.2.1.1 Modèles climatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2.1.2 Scénarios d’émission RCP . . . . . . . . . . . . . . . . . . . . . . . 5
1.2.2 Les scénarios climatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.3 Généralités sur les études d’impacts du changement climatique sur les ressources en
eau futures ou scénarios hydrologiques . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1 Modélisation hydrologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3.1.1 Brève description de GR6J . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1.2 Brève description de SWAT . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Scénario hydrologique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2 Matériel et méthodes 11
2.1 Présentation de la zone d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 Données hydro climatiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2 Données géospatiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

vi
 Table des matières

2.3 Outils . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.4 Méthodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.1 Correction de biais des données (précipitation, température maximale et
température minimale) des modèles . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4.2 Calibration et validation des modèles hydrologiques GR6J et SWAT . . . . . . 19
2.4.2.1 Calibration et validation du modèle hydrologique GR6J . . . . . . . 19
2.4.2.1.1 Calcul de l’ETP . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4.2.1.2 Calibration et validation du modèle GR6J . . . . . . . . . 20
2.4.2.1.3 Evaluation de la performance du modèle . . . . . . . . . . 21
2.4.2.2 Calage et validation du modèle hydrologique SWAT . . . . . . . . . 22
2.4.2.2.1 Etude de sensibilité . . . . . . . . . . . . . . . . . . . . . . 22
2.4.2.2.2 Calibration et validation du modèle SWAT . . . . . . . . . 23
2.4.3 Établissement des scénarios d’évolution de la ressource . . . . . . . . . . . . . 23

3 Résultats 25
3.1 Correction de biais . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.2 Calibration et validation des modèles SWAT et GR6J . . . . . . . . . . . . . . . . . . . 28
3.2.1 Étude de sensibilité des paramètres du modèle SWAT . . . . . . . . . . . . . . 28
3.2.2 Calibration et validation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.3 Scénarios de la ressource en eau de surface . . . . . . . . . . . . . . . . . . . . . . . . 31

4 Discussions 34
4.1 Correction de biais. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2 Calibration et validation des modèles SWAT et GR6J. . . . . . . . . . . . . . . . . . . 34
4.2.1 Étude de sensibilité. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
4.2.2 Évaluation de la performance des modèles GR6J et SWAT. . . . . . . . . . . . 35
4.3 Scénarios d’évolution de la ressource en eau de surface du bassin de Wayen. . . . . . 36

Conclusion 37

Bibliographie 38

Annexe I

vii
 Résumé

Résumé

La planification de la gestion des ressources en eau à moyen ou long terme dans un contexte de
changement climatique constitue l’un des principaux défis pour notre société. L’établissement de
scénarios d’évolution de cette ressource est fondamental pour une planification adéquate des usages
actuels et futurs. Il est proposé dans cette étude, l’établissement de scénarios d’évolution de la
ressource en eau de surface dans le bassin du Nakanbé à la station de Wayen, afin d’aider entre
autres l’Agence de l’Eau du Nakanbé dans sa prise de décision pour une meilleure planification et
gestion de la ressource en eau de son espace de compétence. Il s’est agi dans une première partie de
mettre en œuvre les modèles hydrologiques GR6J et SWAT sur le bassin de Wayen, puis d’utiliser
les scénarios des modèles climatiques (2021-2050) régionaux (IPSL, ICHEC et CNRM). Les résultats
montrent une tendance à la hausse des débits moyens pour huit scénarios contre quatre à la baisse
par rapport à la période de référence (1976-2005). Seulement deux des huit scénarios à la hausse
sont statistiquement significatifs, et trois scénarios sur quatre sont significativement à la baisse.
Cependant, l’ensemble des scénarios montre une importante variabilité interannuelle. La divergence
observée dans l’évolution de la ressource et la forte variabilité interannuelle constituent une limite
des résultats de cette étude pour la prise de décision. Les perspectives de ce travail constituent à
utiliser le multimodèle qui devrait être plus robuste.
Mots clés : scénario hydrologique, ressource en eau de surface, changement climatique,
bassin de Nakanbé à la station de Wayen, Burkina Faso.

viii
 Abstract

Abstract

One of the main challenges for our society is to plan the management of water resources in the
medium to long term in a context of climate change. The establishment of scenarios for the evolution
of this resource is fundamental for adequate planning of current and future uses. It is proposed in
this study, the development of scenarios of evolution of the surface water resource in the Nakanbe
basin at the Wayen station, in order to help, among others, the Nakanbe Water Agency in its decision
making for a better planning and management of the water resource of its area of competence. The
first part involved the implementation of the GR6J and SWAT hydrological models on the Wayen
basin, then the use of regional climate model (2021-2050) scenarios (IPSL, ICHEC and CNRM). The
results show an upward trend in mean flows for eight scenarios, compared with a downward trend
for four compared with the reference period (1976-2005). Only two of the eight increasing scenarios
are statistically significant, and three out of four scenarios are significantly decreasing. However, all
of the scenarios show significant inter-annual variability. The divergence observed in the evolution
of the resource and the high inter-annual variability are a limitation of the results of this study for
decision-making purposes. The outlook for this work is to use the multimodel, which should be more
robust.
Keywords : hydrological scenario, surface water resources, climate change, wayen basin,
Burkina Faso.

ix
 Introduction

Introduction

Indispensable pour assurer et maintenir toute vie sur terre (animale, végétale, et micro organique),
l’eau joue un rôle fondamental dans tous les secteurs de développement de la vie politique, sociale,
culturelle, économique et environnementale d’un pays (AEN, 2018). De ce fait, aucun effort ne doit être
ménagé pour la mobilisation et la gestion durable des ressources en eaux. C’est dans cette optique que
le Burkina Faso s’est engagé dans le processus de Gestion Intégrée des Ressources en Eaux (GIRE) dans
les années 90, conformément aux recommandations issues des grandes conférences internationales et
nationales sur l’eau, notamment celles de Dublin (1992), de Ouagadougou (1998) et de Johannesburg
(2002). C’est dans cette lancée que l’Agence de l’Eau du Nakanbé fut créée en 2007 et qui a en charge
la gestion des ressources en eau dans son domaine de compétences (Ki et al., 2013).
Afin de mener à bien ses objectifs, l’Agence de l’Eau du Nakanbé (AEN) est en phase d’adoption
d’un Schéma Directeur d’Aménagement et de Gestion de l’Eau (SDAGE) qui couvre la période
2020-2035. Dans son rapport provisoire consolidé, version 2, paru en octobre 2018, axé autour de
quatre (04) objectifs stratégiques, dont l’objectif stratégique 1 qui se décline comme suit : « Mobiliser
progressivement et à terme en 2035, environs 2,7 milliards de m3 d’eau de surface et 120 millions de
m3 d’eau souterraine pour l’atteinte des objectifs de développement du SDAGE ». L’adoption de cet
objectif s’est fondée sur l’évaluation des besoins en eaux de l’espace couvert par l’Agence de l’Eau
du Nakanbé (AEN, 2018). L’atteinte de cet objectif passe par la prise en compte d’un certain nombre
d’éléments, parmi lesquels on peut souligner l’évaluation de la disponibilité future de la ressource
en eau (Arnauld & Lanini, 2014) à l’horizon 2035. Car toute gestion intégrée des ressources en eau
est prioritairement basée sur l’évaluation et le suivi de ces ressources sur le plan de la quantité et
de la qualité (Pieyns, 2017).
Toutefois, l’évaluation de la ressource en eau future requiert une méthodologie et des données
appropriées. De plus, le réchauffement de la planète dû à l’augmentation des gaz à effet de serre est
susceptible d’avoir un impact sur les précipitations, les processus de ruissellement et les ressources en
eau (Arnell, 1999). En effet, les observations et les projections climatiques fournissent de nombreuses
preuves que les ressources en eau douce sont vulnérables et sont susceptibles d’être fortement
affectées par les changements climatiques, avec des conséquences de grande ampleur pour les
sociétés humaines et les écosystèmes (Bates et al., 2008). Selon Oki (2006) et la Banque Mondiale
(2009). La gestion des ressources en eau douce dans un climat changeant est l’un des plus grands
défis de la société moderne mondiale. L’adaptation aux changements climatiques n’est plus un choix,
mais une option incontournable pour la recherche d’un développement durable (PANA, 2015).
Fort de ce constat, il est important, voire indispensable pour l’AEN de disposer d’informations sur
l’évolution présente et future de la ressource en eau au sein de l’espace géographique qu’elle couvre.

1
 Introduction

À cet effet, les études d’impact du changement climatique futur sur la réponse hydrologique sont
importantes pour les responsables de l’évaluation des risques, de la gestion et de l’adaptation du
secteur de l’eau (Karlsson et al., 2016). Pour répondre à cette problématique, les hydrologues sont de
plus en plus sollicités pour l’estimation des évolutions à moyen et long terme de la ressource en eau
face aux changements du climat. Ils utilisent des modèles hydrologiques alimentés par des simulations
issues de modèles climatiques (Coron, 2013).
Dans ce contexte, un certain nombre d’études d’impact ont été menées sur le bassin versant du
Nakanbé (Karambiri et al., 2011 ; Boubacar, 2012 ; Fowe et al., 2013 ; Ibrahim, Karambiri & Polcher,
2015). Mais peu d’entre elles ont abordé l’évaluation des impacts futurs en utilisant les scénarios
climatiques basés sur les scénarios d’émissions RCP 1 préconisés par le cinquième rapport du Groupe
d’experts Intergouvernemental sur l’Évolution du Climat (GIEC). C’est dans la poursuite de ces
efforts que s’inscrit le présent mémoire, intitulé : Scénarios d’évolution de la ressource en eau
de surface dans le bassin versant du Nakanbé à la station de Wayen à partir des scénarios
climatiques RCP 4.5 et RCP 8.5. L’objectif global de ce travail est d’établir un scénario d’évolution
de ressource en eau de surface dans le bassin du Nakanbé à la station de Wayen en utilisant les
modèles hydrologiques GR6J et SWAT, et les scénarios climatiques RCP préconisés par le cinquième
rapport du GIEC. Il s’agira spécifiquement de :
√
corriger le biais des données de modèles climatiques ;
√
calibrer les modèles hydrologiques GR6J et SWAT sur le bassin du Nakanbé à la station de
Wayen ;
√
produire les scénarios d’évolution de la ressource en eau de surface dans le bassin à l’horizon
2021-2050.
Ce document est composé de quatre (04) parties structurées comme suit :
√
la première partie (section 1) propose une revue de l’état de connaissances sur les scénarios
hydrologiques ;
√
la deuxième est dédiée à la description de la zone d’étude, les données utilisées, les outils et la
méthodologie (section 2) ;
√
les résultats (section 3) et les discussions (section 4) sont présentés respectivement dans
la troisième et quatrième partie. Y sont exposés les résultats de la correction de biais des
simulations climatiques, de la calibration et de la validation des modèles hydrologiques et des
scénarios d’évolution de la ressource en eau sur la période 2020-2050 ;
√
finalement, une conclusion générale ainsi que quelques perspectives sont présentées dans la
dernière partie.

1. Les scénarios RCP (pour Representative Concentration Pathway) sont quatre scénarios de trajectoire du forçage
radiatif jusqu’à l’horizon 2300. Ces scénarios ont été établis par le Groupe d’experts intergouvernemental sur l’évolution
du climat (GIEC) pour son cinquième rapport.

2
 État des connaissances

1 État des connaissances

1.1 Impact du changement climatique sur la ressource en eau de surface

Les ressources en eau regroupent l’ensemble des eaux disponibles (eaux continentales et eaux
marines). Les ressources naturelles sont celles que l’on peut mobiliser, pour satisfaire en quantité et
en qualité une demande donnée en un lieu donné, pendant une période donnée. Le Burkina Faso, un
pays enclavé ne dispose que des ressources en eau continentale constituées d’eau de surfaces et d’eau
souterraines. Le Burkina Faso étant majoritairement dans une zone de socle, les eaux souterraines
ne sont pas aussi abondantes que dans d’autres pays de la région, ainsi le pays fait recourt dans
la majorité des cas aux ressources en eau de surface pour satisfaire les différents besoins en eau
(Mei, 2003). Le réseau hydrographique du Burkina Faso est bien développé et est organisé au sein de
quatre (4) bassins nationaux (Annexe I) qui sont :

1. Le bassin du Niger avec 83 442 km2 : les affluents burkinabés du fleuve Niger occupent le
tiers nord et Est du territoire.
2. Le bassin du Mouhoun avec 91 036 km2 au Burkina Faso, soit 22,32% du bassin du fleuve
Volta. Il est partagé par le Mali au nord (Sourou), la Côte d’Ivoire et le Ghana au sud. Le réseau
hydrographique de ce bassin comporte neuf (9) principaux affluents.
3. Le bassin de la Comoé avec 17 590 km2 , répartis entre les provinces de la Comoé, de la
Léraba, du Houet, du Kénédougou et du Poni. Il est composé de deux unités hydrographiques
comportant chacune un cours d’eau pérenne : la Comoé à l’est et la Léraba à l’ouest du bassin.
4. Le bassin du Nakanbé avec 81 932 km2 , draine toute la partie centrale et le nord du plateau
mossi et ne coule que pendant la saison des pluies. Le Nakanbé dispose de ressources en
eau souterraine peu abondantes, étant entièrement en zone de socle cristallin 2 . Les premiers
écoulements intermittents peuvent se produire en mai, mais ce n’est qu’en juillet - août que
les débits deviennent permanents à la station de Wayen. Les tarissements sont très rapides, le
débit nul survenant début novembre à Wayen (Pieyns, 2017).

Le bassin du Nakanbé concentre l’essentiel des aménagements hydroélectrique, et la pression de la

demande sur les ressources est déjà très forte. Une anticipation sur l’évolution de la ressource en eau
est un facteur déterminant en vue d’une gestion efficiente (AEN, 2018).

2. Il s’agit essentiellement de roches cristallines qui ne sont pas aptes à contenir des aquifères épais, continus et
productifs.

3
 État des connaissances

L’un des impacts des changements climatiques combinés à la forte dégradation environnementale
des bassins versants de cette zone est l’altération significative de la disponibilité de la ressource
en eau ainsi que sa répartition spatio-temporelle, tant au niveau de sa quantité que de sa qualité
(Karambiri et al., 2011). Selon le quatrième rapport d’évaluation du GIEC (2007), l’écoulement annuel
des rivières et la disponibilité en eau sont appelés à s’amoindrir de 10 à 30% dans certaines régions
sèches des moyennes latitudes et dans les tropiques secs. L’étude réalisée par Niasse (2004) prévoit
une réduction des débits moyens annuels des grands fleuves d’Afrique de l’ordre de 30 à 60%.
Selon Kankam-Yeboah et al. (2013), une diminution significative des débits moyens ainsi que des
changements dans les régimes des inondations ont été signalés à plusieurs endroits le long du fleuve
Niger.
À l’instar des autres pays de la région, le Burkina Faso de par sa position géographique est
particulièrement vulnérable au changement climatique (Pieyns, 2017). Les volumes d’eau connaissent
une nette diminution entre 2025-2050 par rapport à la normale 1961-1990 sur l’ensemble des bassins
du Burkina Faso. La variabilité et le changement du climat sont une réalité avec des impacts très
importants dans les secteurs économiques majeurs tels que l’agriculture, l’élevage, la foresterie et
celui de l’eau (PANA, 2007). Par ailleurs, selon le 32e rapport sur le développement dans le monde
de la Banque Mondiale (2009), les inondations catastrophiques ou les sécheresses prolongées, par
exemple, ont d’énormes répercussions sociales et économiques qui peuvent compromettre les efforts
de développement.

1.2 Généralités sur les scénarios climatiques

1.2.1 Scénarios d’émission RCP et modèles climatiques

1.2.1.1 Modèles climatiques

Un modèle est une représentation simplifiée d’un système physique donné et de différents
processus explicatifs de son fonctionnement. Il est réalisé afin de pouvoir simuler tout ou partie
du comportement d’un système (Hingray, Musy & Picouet, 2009). Un modèle climatique est un
outil numérique basé sur des équations mathématiques qui représentent les processus du système
climatique. Ces équations sont fondées sur les lois physiques de la mécanique des fluides, comme
la conservation de la masse, de l’énergie et de la quantité de mouvement. Elles décrivent le
comportement et les interactions entre l’atmosphère, la lithosphère, l’hydrosphère, la cryosphère
et la biosphère, sous des forçages externes tels que la radiation solaire, les aérosols, ainsi que les
émissions naturelles et anthropiques de gaz à effet de serre (GES).

4
 État des connaissances

Les modèles climatiques sont divisés en deux groupes principaux :

1. Les Modèles Climatiques Globaux (MCG) couvrent l’ensemble de la planète. Les MCG ont
généralement une résolution horizontale d’environ 200 km. Mais ces dernières années, compte
tenu des moyens de calculs très puissants, les MCG connaissent une amélioration significative
de leur résolution (de l’ordre de 100 km). Les MCG peuvent être classés en trois catégories
principales. La première génération des MCG appelés modèles de circulation générale de
l’atmosphère (MCGA) incluait seulement la partie atmosphérique du système climatique et
l’interaction avec la surface terrestre continentale. La deuxième génération des MCG appelés
Modèles de Circulation Générale Atmosphère-Océan (MCGAO), couplait l’atmosphère et la
terre avec des modèles physiques de l’océan. La dernière génération de modèles, appelée
Modèles de Système Terrestre (MST), inclut maintenant l’ajout d’autres interactions et les
cycles biogéochimiques, ainsi que les changements de la couverture terrestre, comme les
types de végétation.
2. Modèles climatiques régionaux (MCR) couvrent une partie seulement de la planète. En se
concentrant sur une zone limitée du globe, il est possible de résoudre les équations du modèle
climatique sur une résolution horizontale plus fine (45 km ou moins) dans un laps de temps
raisonnable. Les MCR utilisent des MCG comme des conditions aux limites (cela peut aussi
être fait en utilisant les réanalyses ; essentiellement une technique qui combine des données
historiques provenant de diverses sources pour recréer le climat passé). Cette procédure est
appelée « piloter » un MCR par un MCG (Charron, 2016).

1.2.1.2 Scénarios d’émission RCP

Pour établir le cinquième rapport d’évaluation du GIEC, la communauté scientifique a défini
un ensemble de quatre nouveaux scénarios d’émissions de gaz à effet de serre, appelés profils
représentatifs d’évolution de concentration (RCP). Ces RCP sont identifiés par leur forçage radiatif à
l’horizon 2100 par rapport à l’an 1750 : 2,6 W m2 pour le RCP 2.6 ; 4,5 W m2 pour le RCP 4.5 ; 6,0 W m2
pour le RCP 6.0 et 8,5 W m2 pour le RCP 8.5. Ces quatre RCP (tableau 1 et 1) contiennent un scénario
d’atténuation conduisant à un niveau de forçage très bas (RCP 2.6), deux scénarios de stabilisation
(RCP 4.5 et RCP 6.0) et un scénario aux émissions de gaz à effet de serre très élevé (RCP 8.5). Les RCP
correspondent ainsi à toute une gamme de politiques climatiques pour le vingt-et-unième siècle,
par comparaison avec le rapport spécial sur les scénarios d’émissions (SRES), dont les scénarios
d’émissions étaient utilisés dans les troisième (2001) et quatrième (2007) rapports d’évaluation du
GIEC (GIEC, 2013).

5
 État des connaissances

Figure 1: Le changement de température globale comparativement à la période 1986-2005 pour les

scénarios RCP.

Tableau 1: Scénarios de référence d’évolution des concentrations des gaz à effet de serre.

Nom Forçage radiatif Concentration Trajectoire

RCP 8.5 > à 8,5 W m2
RCP 6.0 ∼ 6,0 W m2 au niveau de
stabilisation après 2100
RCP 4.5 ∼ 4,5 W m2 au niveau de
stabilisation après 2100
RCP 2.6 Pic à 3 W m2 en 2050, puis
déclin à 2,6 W m2 avant
2100
> à 1370 eqCO2 en 2100 Croissante
850 eqCO2 au niveau de Stabilisation sans
stabilisation après 2100 dépassement
660 eqCO2 au niveau de Stabilisation sans
stabilisation après 2100 dépassement
Pic 490 eqCO2 en 2100 Pic puis Décline
(PD)

1.2.2 Les scénarios climatiques

Selon le GIEC (2001), un scénario climatique est : « une représentation plausible et souvent
simplifiée du climat futur, fondée sur un ensemble cohérent de relations climatologiques et établies
expressément pour déterminer les conséquences possibles des changements climatiques dus à des
facteurs anthropiques, qui sert souvent à alimenter les modèles d’impact ». Il représente la différence
entre le climat actuel et le climat futur (Charron, 2016). Les scénarios climatiques sont généralement
regroupés dans les classes suivantes :

1. les scénarios de modèles climatiques sont construits au moyen de sortie de modèles

climatiques qui simulent la réponse du climat à une augmentation des concentrations en GES ;
2. les scénarios analogues sont construits en déterminant des régimes climatiques connus qui
ressembleraient au climat futur d’une région donnée ;
3. les scénarios synthétiques sont produits en faisant varier une variable climatique
particulière par une quantité réaliste, mais arbitraire, pour obtenir des futurs possibles.

6
 État des connaissances

1.3 Généralités sur les études d’impacts du changement climatique sur les
ressources en eau futures ou scénarios hydrologiques

1.3.1 Modélisation hydrologique

Les modèles hydrologiques sont des outils visant à reproduire la relation entre les forçages climatiques
et les écoulements en rivière sur un territoire donné (bassin versant\footnote{Un bassin versant est
l’espace drainé par un cours d’eau et ses affluents (Hingray et al., 2009). L’ensemble des eaux qui
tombent dans cet espace convergent vers un même point de sortie appelé exutoire : cours d’eau,
lac, mer. . . }) (Coron, 2013 ; Bwira, 2016). Il est caractérisé par cinq éléments : la géométrie du bassin
versant (le système), les entrées du système, les lois de formalisation des processus, l’état initial et les
conditions aux limites du système et les sorties du modèle (Singh, 1995).
Les modèles hydrologiques sont des outils précieux pour la planification et la gestion des ressources
en eau, la prévision des inondations et des sécheresses, les études écologiques, les études d’impact liées
aux changements climatiques et à l’utilisation des terres et de la couverture terrestre (Begou, 2016).
Plusieurs types de modèles hydrologiques existent (Coron et al., 2017), et peuvent être regroupés en
trois groupes (Singh, 1995) :

1. empiriques (ou boîte noire), où la solution est basée sur des paramètres empiriques, calculés
par l’identification de relations statistiquement significatives entre certaines variables ;
2. théoriques, qui sont décrits par des équations différentielles et suivent les lois de la physique
et/ou de processus chimiques ;
3. conceptuels, qui sont des représentations simplifiées des processus physiques, en termes
mathématiques et simulent des processus complexes basés sur des paramètres clefs
conceptuels.

En général, le choix d’un modèle hydrologique dépend de plusieurs critères tels que le type de
problème de gestion des ressources en eau à étudier, ainsi que la variabilité des caractéristiques
physiques du bassin versant (couverture terrestre et altitude) qui peuvent interférer avec les
processus hydrologiques. D’autres facteurs peuvent être pris en considération lors du choix d’un
modèle approprié, notamment la disponibilité du modèle, la facilité de sa manipulation et la
cohérence des données requises (Surfleet et al., 2012).

7
 État des connaissances

1.3.1.1 Brève description de GR6J

Le modèle GR6J est un modèle conceptuel global (Pushpalatha et al., 2011), qui fonctionne au pas
de temps journalier avec 6 paramètres libres. Il est issu de la famille des modèles hydrologiques
GR (GR4H, GR1A, GR2M, GR4J, GR5J, GR6J). GR6J est un modèle hydrologique empirique, avec
une structure apparentée à celle des modèles conceptuels, c’est-à-dire reposant, sur l’association de
fonctions de production et de routage représentées par des réservoirs interconnectés (voir figure 2).
Il a été mis en œuvre à partir du package R airGR (Coron et al., 2017, 2019).

Figure 2: Schéma de fonctionnement du modèle hydrologique GR6J, d’après Pushpalatha et al. (2011).
E0 est l’évapotranspiration potentielle, P la précipitation, T la température et Q le débit. Xi est le
paramètre i du modèle, les autres lettres font référence à des variables internes du modèle.

8
 État des connaissances

Il est forcé avec une pluie, une température (optionnel : à utiliser dans les zones où il y’a des
précipitations solides) et une évapotranspiration potentielle (ETP) (Oudin, 2004) calculées au pas
de temps journalier comme des moyennes spatiales à l’échelle du bassin versant. Les paramètres à
caler sont :
X1 [mm ] : capacité du réservoir de production ;
X2 [mm/j ] : coefficient d’échanges souterrains ;
X3 [mm ] : capacité du réservoir du routage ;
X4 [j ] : temps de base de l’hydrogramme HU1 ;
X5 [- ] : seuil de changement de signe de l’échange ;
X6 [mm ] : contrôle de la pente de décrue.

1.3.1.2 Brève description de SWAT

Le modèle SWAT est un système complet de modélisation environnementale intensive qui permet
de simuler plusieurs processus tels que les débits des rivières, le transport des sédiments, les cycles
des nutriments et des pesticides, la croissance bactérienne, etc (Arnold et al., 2012). Les principales
composantes du modèle comprennent les conditions météorologiques, l’hydrologie, la température,
les propriétés du sol, la croissance des plantes, les éléments nutritifs, les pesticides, les bactéries et les
agents pathogènes, et la gestion des terres. Dans le modèle SWAT, un bassin hydrographique est divisé
en plusieurs sous-bassins, qui sont ensuite subdivisés de façon plus détaillée en Unités de Réponse
Hydrologique (URH) qui consistent en une utilisation et une gestion homogène des terres, ainsi qu’en
des caractéristiques du sol (Gassman et al., 2007). Les processus hydrologiques simulés comprennent
la production d’eau de ruissellement à l’aide de la méthode SCS (Soil Conservation Service) ou de
l’équation d’infiltration Green et Ampt, la percolation, l’écoulement latéral, l’écoulement des eaux
souterraines des aquifères peu profonds aux cours d’eau, l’évapotranspiration (Hargreaves, Priestley-
Taylor ou méthode Penman-Monteith), les pertes par transmission des ruisseaux et l’entreposage/les
pertes par l’eau des étangs. Le modèle est construit sur des unités appelées URH (Unité de Réponse
Hydrologique), définissant des zones avec des combinaisons identiques des trois caractéristiques :
pente de surface, utilisation du sol et type de sol. Pour chaque URH, les composants du modèle sont
calculés. Le modèle a été intégré à une interface SIG (ArcGIS) appelée ArcSWAT (Olivera et al., 2006).
Le bilan hydrique quotidien simulé par le modèle SWAT est basé sur l’équation suivante :
SWt =SW0 + (Rday -Qsurf -Ea -Wseep -Qqw )
ou
SWt : la teneur en eau finale du sol (H2 O) ;
SW0 : la teneur initiale en eau du sol au jour i (H2 O) ;
t : le temps (jours) ;

9
 État des connaissances

Rday : la quantité de précipitation du jour i (H2 O) ;

Qsurf : la quantité de ruissellement de surface du jour i (H2 O) ;
Ea : la quantité d’évapotranspiration du jour i (H2 O) ;
Wseep : la quantité d’eau entrant dans la zone vadose à partir du profil du sol le jour i (H2 O), et
Qqw : la quantité du débit de retrant le jour i (H2 O).

1.3.2 Scénario hydrologique

Les études d’impact du changement climatique sur les ressources en eau, ou scénarios hydrologiques
s’appuient fréquemment sur l’utilisation de modèles hydrologiques pour transformer les scénarios
climatiques en des scénarios d’écoulements. Pour ce faire, il faut déterminer les paramètres du modèle.
Classiquement, on calibre le modèle hydrologique sur une période de référence puis on utilise les
paramètres ainsi calés afin de simuler les écoulements avec les séries climatiques projetées (Fowe et
al., 2013).
L’impact du changement climatique sur les ressources en eau est un sujet sur lequel de nombreux
auteurs (Hlavcová et al., 2008 ; Yan et al., 2015 ; Iqbal et al., 2018 ; Leta, El-Kadi & Dulai, 2018) se sont
penchés partout dans le monde. L’Afrique n’est pas restée en marge de cet essort en témoignent,
par exemple, les études de Ardon-Bardin et al. (2005) sur l’évaluation des impacts du changement
climatique sur les ressources en eau d’Afrique de l’Ouest et Centrale, notamment sur les bassins de
bakel (Sénégal), de Gouloumbo (Gambie), de Soubre (Sassandra, Côte d’Ivoire) et du Ndjamena (Chari,
Tchad) à partir du modèle du Génie Rural à deux (2) paramètres au pas de temps mensuel (GR2M).
Driouech et al. (2010) ont évalué les impacts potentiels des changements climatiques sur l’hydrologie
du bassin versant de la Moulouya au Maroc, selon les projections du scénario SRES AIB. Une étude
sur les changements du régime d’écoulement du fleuve Niger à Koulikoro a été menée par Angelina
et al. (2015).
Le bassin du Nakanbé a fait également l’objet d’un certain nombre d’études concernant cette
problématique comme en témoignent celles de Boubacar (2012) ; Karambiri et al. (2011). Cependant,
ces études ont été réalisées en utilisant les scénarios SRES du troisième rapport du GIEC (notamment
les scénarios d’émissions socio-économiques). De plus, seule l’étude réalisée par Boubacar (2012),
s’est appuyée sur un modèle hydrologique à pas de temps journalier.

10
 Matériels et Méthodes

2 Matériel et méthodes

2.1 Présentation de la zone d’étude

Le bassin versant du Nakanbé 3 à la station hydrométrique de Wayen ( Figure 3), situé dans la partie
centrale du Burkina Faso, à cheval entre les régions du centre nord, du nord et du plateau central
couvre une superficie de 21038,3 km2 . Elle représente plus de 50 % de la superficie du bassin du
Nankanbé au Burkina Faso (Boubacar, 2012).

2°0'0"W 1°0'0"W

É 14°0'0"N

Sahel

Nord 13°0'0"N
Centre-Nord

Boucle du Mouhoun Plateau-Central

Centre Est
Centre-Ouest
Centre-Est
Haut-Bassins Centre-Sud

CascadesSud-Ouest
Légende
station hydrométique de wayen
!
Source:
!
Elevation (m) Station hydrométique de Wayen
DEIE (station) 259 - 304 327 - 352
MNT (HydroSHEDS) 0 0.5 1
CDT (Limites administratives) 304 - 327 352 - 494 degré

Figure 3: Carte de la zone d’étude.

Il repose sur le socle cristallin précambrien ou craton ouest-africain. Les roches cristallines et
cristallophylliennes de la plate-forme ouest-africaine constituent la presque totalité du sous-sol du
bassin (IWACO, 1993). Les arénosols sont les types de sols dominant dans le bassin, la couverture de
sol est dominée par des zones de cultures (Annexe II).
Son relief est relativement plat avec un point culminant à 594 m, l’exutoire à 259 m, avec une altitude
moyenne de 323 m, la répartition hypsométrique du bassin (Annexe III), montre que 95 % du bassin
est au-dessus de l’altitude 286.5 m et 5% du bassin est au-dessus de 353 m. L’altitude médiane (50%)
du bassin est à 325 m. Avec un coefficient de Gravelus de 1,94, le bassin a une forme relativement
allongé (tableau 2).

3. La Volta Blanche (appelée Nakanbé au Burkina Faso) est une rivière d’Afrique de l’Ouest qui coule au Burkina
Faso et au Ghana.

11
 Matériels et Méthodes

Tableau 2: Quelques caractéristiques physiographiques du bassin versant de Wayen.

Superficie Périmètre Longueur Largeur indice de

(km2 ) (km) (km) (km) compacité
21038,3 996,81 451,84 46,56 1,94

Le bassin versant du Nakanbé à la station hydrométrique de Wayen recoupe deux zones

agroclimatiques : la zone sahélienne (partie nord) avec une pluviométrie moyenne annuelle
autour de 600 mm, et la zone soudano-sahélienne (partie sud) avec une pluviométrie moyenne
annuelle comprise entre 600 et 900 mm. Le climat se caractérise par l’alternance entre une saison
sèche qui dure environ 7 à 8 mois (octobre à mai) et une saison des pluies (le reste de l’année)
avec un maximum pluviométrique au mois d’août (Fowe et al., 2013). Les températures journalières
minimales, moyennes et maximales sur la période de référence (1981-2010) varient en moyenne
entre 20 et 35,2°C (Figure 4).

Précipitation mm Tempéraure maximale °C

14.0 450 14.0 34.7
500 34.8
latitude

13.5 13.5
550 34.9
13.0 13.0
600 35.0
12.5 650 12.5 35.1

−2.5 −2.0 −1.5 −1.0 700 −2.5 −2.0 −1.5 −1.0 35.2

Tempéraure moyenne Tempéraure minimale

14.0 14.0
°C °C
latitude

13.5 13.5
27.5 20

13.0 28.0 13.0 21

28.5 22
12.5 12.5

−2.5 −2.0 −1.5 −1.0 −2.5 −2.0 −1.5 −1.0

longitude longitude
Figure 4: Variabilité spatiale de la pluviométrie annuelle et de températures du bassin sur la période.
1981-2010

12
 Matériels et Méthodes

2.2 Données

Les données utilisées dans cette étude sont de deux (2) types : des données hydroclimatiques et des
données géospatiales dites statiques.

2.2.1 Données hydro climatiques

Les données hydroclimatiques sont :

1. données climatiques mergées : elles couvrent la zone Afrique de l’ouest pour la période
1981-2010 au pas de temps journalier pour les variables de précipitation (résolution spatiale :
0,05°x0,05°), température maximale (résolution spatiale : 0,5°x0,5°) et température minimale
(résolution spatiale : 0,0375°x0,0375°). Ce sont des données issues de l’intégration des
estimations satellitaires et des données des réseaux d’observation (Dinku et al., 2014). Les
données satellitaires sont constituées des estimations journalières TAMSAT. Les données
mergées ont été obtenues auprès du Centre Régional Agrhymet (CRA).
2. données de projection de modèle climatique : dans cette étude, nous avons utilisé
des données journalières de températures maximales, de températures minimales et de
précipitations issues des simulations de trois (3) modèles climatiques régionaux (Tableau 3).
Ces modèles ont été utilisés dans le cadre du programme CORDEX Africa, en abrégé AFR-44.
Les données sont de résolution de 0,44°, et couvrent le domaine 24,64°W à 60,28°E, et de 45,76°S
à 42,24°N, ce qui représente 194 points de grille dans le sens est-ouest et 201 dans le sens
nord-sud ; (Cathrine, 2014). Dans ces modèles, les changements climatiques futurs sont forcés
sous divers scénarios de profil représentatifs d’évolution de concentration (RCP) des gaz à
effet de serre dont le RCP4.5 dans lequel le forçage radiatif sera de 4,5 W.m−2 après 2100 et
le RCP8.5 où le forçage radiatif atteindra 8,5 W.m−2 en 2100 et l’augmentation se poursuit
encore après cette période. La période de contrôle (historique) est de 1986-2005 pour tous les
modèles.

Tableau 3: Source des modèles climatiques.

MCG MCR Institut

IPSL-IPSL-CM5A-MR SMHI-RCA4 Institut Pierre Simon Laplace (France)
CNRM-CERFACS- SMHI-RCA4 CNRM/CERFACS (France)
CNRM-CM5
ICHEC-EC-EARTH DMI-HIRHAM5 Danish Meteorological Institute
(Danois)
source :https://www.cordex.org/domains/cordex-domain-description/

13
 Matériels et Méthodes

3. données hydrométriques : nous avons obtenu les données de débits de la station

hydrométrique de Wayen auprès de la Direction Générale des Ressources en Eaux (DGRE) du
Burkina Faso couvrant la période 1981-2010. Au vu du taux de valeur manquante (voir figure
5) dans la série des débits, la période 1981-2008 a été maintenue pour la suite du travail.

12
11
10 %
9 0
8
mois

7 25
6 50
5
4 75
3 100
2
1
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
année
Figure 5: Pourcentage de valeur manquante dans la chronique des débits de la station de wayen
(1981-2010)

2.2.2 Données géospatiales

Les données géo spatiales (statiques) utilisées dans le cadre ce travail comprennent :

1. un modèle numérique de terrain (MNT) de résoluion de 90 m obtenu à partir de la base

de données d’HydroSHEDS (https://hydrosheds.cr.usgs.gov/dataavail.php). Il a servi à la
délimitation du bassin versant.
2. une carte de sol issue de la base harmonisée de données mondiales sur les sols (HWSD) qui est
constituée des bases de données européennes sur les sols (ESDB), la carte des sols à l’échelle
1 :1 million de la Chine, diverses bases de données régionales SOTER (SOTWIS Database), et
la carte des sols du monde : (http://webarchive.iiasa.ac.at/Research/LUC/External-World-soil-
database/HTML/)
3. une carte de couverture de sol issue du projet GlobCover 2009 qui est une initiative de l’Agence
Spatiale Européenne (ESA) : (http://due.esrin.esa.int/page_globcover.php)

14
 Matériels et Méthodes

2.3 Outils

Dans le cadre de ce travail, un certain nombre d’outils ont été utilisés. Au nombre desquels :

1. le logiciel ArcGIS 10.4 pour éditer les cartes et concevoir le projet de modélisation
SWAT. C’est un logiciel d’information géographique (ou logiciel SIG) développé par la
société américaine Esri (Environmental Systems Research Institute, Inc.). Il est composé de
plateformes permettant aux utilisateurs SIG, bureautiques, web, ou mobiles de collaborer et
de partager l’information géographique.
2. le logiciel R nous a permis de réaliser l’essentiel du travail :

— extraction, analyse et traitement des données climatiques, et réalisation des graphiques ;

— calibration et validation des modèles hydrologiques GR6J et SWAT ;
— rédaction du présent mémoire.
C’est un logiciel de programmation libre destiné aux statistiques et à la science des données, développé
par la R Foundation for Statistical Computing. (https://cran.r-project.org/)

15
 Matériels et Méthodes

2.4 Méthodes

Au regard regard des résolutions spatiales différentes des données climatiques, nous avons généré
des stations virtuelles à la résolution 0,1°x0,1° sur le bassin dans l’objectif d’uniformiser le nombre de
grilles à utiliser pour la suite du travail (figure 6). L’extraction des données climatiques et le calcul
des paramètres nécessaires pour la mise en oeuvre du modèle GR6J ont été faits sur chaque point
des stations représentées à la figure 6a. Pour le modèle SWAT, les opérations ont été réalisées par
sous-bassin (figure 6b).

station par
14°N ● ● ●
14°N sous bassin :
● ● ● ● ●
2
● ● 1 ● 14
● ● ● ● ● ● ● ● ● ●
1 8
● ● ● ● ● ● ● ● ● ● ● ●
●
●
● 2 ● 15
● ● ● ● ● ● ● ● ● ● ● ●
3 4
● ● 3 ● 16
● 6 7
●
13.5°N ● ● ● ● ● ● ● ● ● ● ● ● ●
13.5°N 5
●
● ● 4 ● 17
● ● ● ● ● ● ● ● ● ● ● ● ●
●
9
14 ● 5 ● 18
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● 17
● 10 12
Lat

Lat
13 ● ● ● 6 ● 19
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
●
Station ● 11
●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● 16 19 22 ● 7 ● 20
13°N
18
●
● ● ●
13°N ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●
15 20 ●
● 8 ● 22
●
● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● 23 24
● ● 9 ● 23
●
● ● ● ● ● ● ● ● ● ● ●

● ● ● ● ● ●
● 10 ● 24
● ● ● ● ●
25
● ● 11 ● 25
12.5°N ● ● ● 12.5°N ● 12 ● centroide
● ●
● 13
2.5°W 2°W 1.5°W 1°W 2.5°W 2°W 1.5°W 1°W
Long Long

(a) Grilles considérées pour GR6J

(b) Grilles considérées pour SWAT
Figure 6: Grilles considérées comme stations pour l’extraction des données climatiques de l’étude.

2.4.1 Correction de biais des données (précipitation, température maximale et température

minimale) des modèles

Il est bien établi que les simulations (précipitations, températures, etc.) des modèles climatiques
régionaux (MCR) présentent des biais par rapport aux observations (p. ex. en raison d’une
compréhension limitée des processus ou d’une résolution spatiale faible) et doivent donc être
post-traitées (c’est à dire ajustées statistiquement, corrigées des biais) avant d’être utilisées pour les
évaluations des impacts climatiques (Deque, 2007 ; Charron, 2016). Les méthodes de post-traitement
requises sont : la méthode de delta (aussi appelée méthode de perturbation) et la méthode de
correction de biais (Charron, 2016).
La méthode de correction de biais Quantile Mapping a été retenue dans le cadre de notre étude.

16
 Matériels et Méthodes

Elle est de loin la plus utilisée (Deque, 2007 ; Piani, Haerter & Coppola, 2010a ; Boubacar, 2012 ;
Gudmundsson et al., 2012 ; Lafon et al., 2013). Elle est adaptée aux variables de l’étude et présente
une grande robustesse. Il existe cependant une panoplie de méthodes de correction de biais Quantile
Mapping (Transformations paramétriques, Transformations non paramétriques). La technique
utilisée est la transformation non paramétrique du quantile empirique (QUANT). La correction
quantile-quantile consiste à déterminer une fonction de correction pour ramener la distribution
statistique des données simulées à celle des valeurs observées, pour chaque variable, saison et
période concomitante (Lafon et al., 2013). Cette méthode non paramétrique revient à considérer
que le modèle est capable de prédire la distribution des variables climatiques, mais pas la valeur
exacte de chaque quantile (Deque, 2007). Elle est implémentée dans certains packages R tel que Qmap
(Gudmundsson et al., 2012 ; Gudmundsson, 2016). La correction des précipitations a suivi les étapes
suivantes :

1. Il a été procédé dans un premier temps à fixer une valeur à partir de laquelle un jour est à
considérer comme jour pluvieux. La valeur de 0,1 mm de pluie a été retenue (Boubacar, 2012).
Toute valeur de pluie inférieure à 0,1 mm est remise à 0 mm. La correction de biais proprement
dite a été effectuée sur les jours pluvieux ;
2. la détermination des fonctions de distribution cumulative CDF ou F des pluies mergées Fm et
pluies simulées Fs sur la période climatologique 1981-2005 ;
3. les fonctions de distribution cumulative empiriques des deux séries de pluie (simulées et
mergées) sont ajustées à une distribution théorique. La distribution des pluies mergées classée
est divisée en un certain nombre de quantiles discrets (Gudmundsson et al., 2012). Pour chaque
division de quantile, un facteur de correction linéaire a été calculé en divisant l’observation
moyenne dans ce quantile par les précipitations moyennes simulées dans le même quantile.
Ainsi Fm devient F̂m : fonction de distribution cumulative ajustée des pluies mergées et Fs
devient F̂s : fonction de distribution cumulative ajustée des pluies simulées ;
4. l’utilisation d’une fonction de transfert (Piani et al., 2010a ; Gudmundsson et al., 2012) pour la
correction de biais des pluies estimées selon l’équation suivante :

P̂corr,i = F̂m−1 (F̂s (P̂s,i )) (1)

où P̂corr,i est la hauteur de pluie corrigée de biais pour le jour i, P̂s,i est la hauteur de pluie
estimée par le modèle, F̂m−1 est l’inverse de la fonction de distribution cumulative ajustée
(fonction quantile) des séries journalières des pluies mergées sur la période climatologique
1981-2005 et F̂s la fonction de distribution cumulative ajustée des séries journalières des pluies
de simulation sur la période climatologique 1981-2005.

La méthode a été utilisée pour la correction de biais de données de précipitations pour tous les modèles

17
 Matériels et Méthodes

climatiques.

18
 Matériels et Méthodes

Le même processus a été suivi pour la correction des données de températures à l’exception de la
première étape. En effet, la correction de biais pour la température s’effectue sur toute les valeurs
sans exception (Piani et al., 2010b ; Lafon et al., 2013).
La correction de biais des données de scénarios futures est fondée sur le principe que le biais issu
du modèle est stationnaire. L’équation 1 (la fonction de transfert) a été appliquée aux simulations
futures suivant le même procédé que la période historique.
Le diagramme de Taylor (2001) a été utilisé et appliqué sur les données climatiques brutes et celles
corrigées dans l’objectif d’apprécier les changements de la statistique des données climatiques
après correction. Ce diagramme facilite l’évaluation comparative de différents modèles. Il permet
de quantifier le degré de correspondance entre le comportement modélisé et observé en fonction
de trois statistiques : le coefficient de corrélation (R2 ), l’erreur quadratique moyenne (RM SE)
et l’écart-type(sd). Pour deux modèles considérés, le meilleur modèle est celui le plus proche de
l’observé (voir figure 7).

Diagramme de Taylor

0.1 0.2 ●
Modèle 1 :
0.3 mauvais
0.4
0.0 0.5 1.0 1.5 2.0 2.5

0.5 Modèle 2 :
C

●
or

0.6
Standard deviation

meilleur
re

0.7
lat

● observé
io
n

2 0.8

0.9
● 1 0.95

● 0.99
●

0.0 0.5 1.0 1.5 2.0 2.5

Standard deviation
Figure 7: Diagramme de Taylor.

2.4.2 Calibration et validation des modèles hydrologiques GR6J et SWAT

2.4.2.1 Calibration et validation du modèle hydrologique GR6J

2.4.2.1.1 Calcul de l’ETP

19
 Matériels et Méthodes

Nous avons procédé dans un premier temps à l’extraction des données nécessaires pour la mise
en œuvre du modèle. Notamment l’extraction des données mergées de précipitation, températures
maximales et températures minimales, et l’extraction des altitudes de chaque point à partir du MNT.
Les données de forçage du modèle GR6J étant la pluie et l’évapotranspiration potentielle (ETP),
la dernière a été calculée en chaque point (figure 6a) à l’aide du package Evapotranspiration (Danlu,
Seth & Tim, 2019) du logiciel R.
La méthode de calcul de l’ETP qui a été retenue est celle de Hargreaves-samani (1985) :

ET P = 0, 0023 ∗ Ra ∗ (Tmean − 17, 8) ∗ (Tmax − Tmin )0,5 (2)

où :
ETP : Évapotranspiration (mm/jr) ;
Ra : Rayonnement au point (MJ/m2/Jr) ;
Tmean : Température moyenne journalière (°C) ;
Tmax : Température maximale journalière (°C) ;
Tmin : Température minimale journalière (°C).

2.4.2.1.2 Calibration et validation du modèle GR6J

Il est communément admis en hydrologie de scinder les données mesurées dans le temps ou dans
l’espace à des fins d’étalonnage (calibration) et de validation (Arnold et al., 2012) en deux ensembles.
Ainsi les données ont été scindées en deux périodes : 1981-2003 pour la calibration et 2001-2008 pour
la validation. Les deux et trois premières années ont servi à l’initialisation du modèle respectivement
pour la période de calibration et la période de validation.
La calibration est une étape fondamentale dans la modélisation hydrologique. Elle a pour but de
trouver le jeu de paramètres qui rapproche le plus possible le comportement du modèle de celui du
bassin modélisé, la similitude des comportements étant quantifiée par un critère (fonction objective)
servant à l’optimisation des paramètres et mesurant ce degré de similitude (Perrin, 2000). Pour ce
faire, l’algorithme Michel de calibration proposé par Michel (1991) a été choisi. Il est implémenté
dans le package airGR (Coron et al., 2017, 2019). Cet algorithme de calibration utilise une stratégie
qui combine une approche globale et une approche locale. Un filtre est d’abord effectué soit sur la
base d’une grille prédéfinie grossière (prenant en compte différentes valeurs initiales pour chaque
paramètre), soit à partir d’une liste d’ensemble de paramètres initiaux. Le meilleur ensemble identifié
dans cette sélection est ensuite utilisé comme point de départ pour l’algorithme de recherche local
de descente la plus raide.
Pour ce qui est du critère servant à l’optimisation, nous avons retenu celui proposé par Nash et
Sutclife (N SE) (1970). Il est largement utilisé par les hydrologues (Arnauld & Lanini, 2014 ; Lutz et
al., 2014 ; Angelina et al., 2015 ; Espinoza, 2017).

20
 Matériels et Méthodes

Il s’appuie sur le rapport entre l’erreur du modèle et l’écart du débit observé à sa moyenne. Cette
fonction objective peut être calculée sur la racine carrée des débits pour les débits moyens, sur le
logarithme des débits pour de bas débits, et sur les débits pour les hauts débits. La formule de la
fonction objective utilisée N SE est la suivante :
Pn
i=1 (Qobs,i − Qcal,i )2
N SE(Q) = 1 − Pn (3)
i=1 (Qobs,i − Qobs )2
Le NSE proche de 1 indique un modèle très performant, et un NSE négatif pour une performance
moindre, lorsque les écarts sont importants. L’algorithme de calage permet une exploration
exhaustive de l’espace des paramètres ainsi qu’une recherche locale de l’optimum.
La validation d’un modèle vise à établir qu’il donne une représentation de la réalité raisonnable et
adaptée à l’objectif. Elle a consisté à simuler des débits (sur la période de validation) à partir des
paramètres issus de la calibration. Ces débits ont été comparés aux débits observés de la même
période.

2.4.2.1.3 Evaluation de la performance du modèle

Pour évaluer la performance du modèle, des critères de performance statistiques ont été utilisés
conformément aux recommandations de Moriasi et al. (2007) basées sur des études publiées
précédemment. Les critères de performance sont des fonctions mathématiques des écarts entre les
débits simulés et observés. Les critères qui ont été retenus dans le cadre de notre travail sont :
N SE : voir équation 3. Ce critère exprime la proportion de la variance des débits expliquée par le
modèle hydrologique. En d’autres termes, ce critère exprime la différence relative entre l’erreur
du modèle hydrologique testé et l’erreur d’un modèle de référence ;
RM SE : v
u n
(4)
uX
RM SE = t (Q
sim,i − Qobs,i )2
i=1

l’erreur quadratique moyenne en anglais Root Mean Square Error (RMSE) donne l’écart-type
de l’erreur de prédiction du modèle. Une valeur plus petite indique une meilleure performance
du modèle ;
P BIAIS : Pn
i=1 (Qsim,i − Qobs,i )
P BIAIS = 100 ∗ Pn (5)
i=1 (Qobs,i )

Il permet de mesurer la tendance du modèle à sous-estimer ou surestimer les débits observés.

Il doit être minimisé (l’optimum est la valeur nulle) ;

21
 Matériels et Méthodes

R2 :  2
Pn
i=1 (Qobs,i − Qobs )(Qsim,i − Qsim )
R 2 =  qP qP  (6)
n n
i=1 (Qobs,i − Qobs )2 i=1 (Qsim,i − Qsim )2
R2 varie de 0 à 1, des valeurs plus élevées indiquant moins de variances d’erreur, des valeurs
supérieures à 0,5 sont considérées comme acceptables.
Selon (Lutz et al., 2014), la performance d’un modèle est jugée satisfaisante si le N SE > 0, 50, R2 >
0, 60 et PBIAS est d’environ 25 %. De même, Moriasi et al (2007) ont classé la performance du modèle
comme excellente si (N SE > 0, 90), très bonne (N SE > 0, 75−0, 89), bonne (N SE > 0, 50−0, 74),
moyenne (N SE > 0, 25 − 0, 49), mauvaise (N SE > 0 − 0, 24) et non satisfaisante (N SE = 0).
En plus des critères de performance statistiques, nous avons effectué des analyses visuelles à partir
des représentations graphiques des débits simulés et observés.

2.4.2.2 Calage et validation du modèle hydrologique SWAT

Dans la présente étude, la version récente, ArcSWAT2012, a été utilisée pour construire le modèle
hydrologique du bassin versant de Wayen. Le modèle a été conçu en utilisant la méthode des
nombres de courbes SCS pour calculer le ruissellement de surface et la méthode Hargreaves et
Samani (1985) pour estimer l’évapotranspiration potentielle. Les URH ont été établies à l’aide des
données géospatiales (voir Annexe II).

2.4.2.2.1 Etude de sensibilité

SWAT étant un modèle fortement paramétré (plus de 200 paramètres) Olivera et al. (2006), il a été
décidé d’effectuer une analyse de sensibilité afin d’identifier et de retenir les paramètres qui influent
sur le processus hydrologique du bassin de Nakanbé. L’étude de sensibilité a été réalisée à partir du
logiciel R à l’aide des packages fast (Dominik, 2015) et SWATplusR (Schürz, 2019). Développé par
Dominik (2015), le package fast s’appuie sur le test de sensibilité à l’amplitude de Fourier (FAST)
développé par Cukier et al. (1973). C’est une méthode fondée sur la décomposition de la variance.
Les méthodes fondées sur la variance utilisent un ratio de variance pour estimer l’importance des
facteurs (paramètres) d’entrée du modèle (Confalonieri et al., 2010) . Ainsi, un grand coefficient de
Fourier correspond à une grande sensibilité, et un petit coefficient de Fourier correspond à une petite
sensibilité. Le degré d’intégration numérique requis pour calculer ces coefficients de Fourier est
considérablement inférieur à celui requis dans les tests de sensibilité où l’on fait varier un coefficient
de taux à la fois, tout en maintenant tous les autres fixes (Cukier et al., 1973). Comme pour la
calibration, un critère d’optimisation est nécesaire pour l’étude de sensibilité. Et le critère de N SE a
été retenu.
Le package SWATplusR fournit des fonctions pour relier les modèles SWAT2012 et SWAT+ créer

22
 Matériels et Méthodes

depuis ArcSWAT et l’environnement R. Il permet d’exécuter des simulations SWAT et de contrôler

tous les paramètres pertinents d’une simulation SWAT, tels que les modifications des paramètres du
modèle, les périodes de simulation et les étapes temporelles ou les variables simulées qui doivent
être renvoyées à R (Schürz, 2019).
L’analyse de sensibilité a été réalisée sur 25 paramètres (voir Annexe IV) dont le choix a été effectué
à partir du guide d’utilisation (Winchell et al., 2013), SWATplusR (Schürz, 2019) et des études
antérieures (Kankam-Yeboah et al., 2013 ; Angelina et al., 2015 ; Begou, 2016 ; Brouziyne et al., 2017 ;
Leta et al., 2018).

2.4.2.2.2 Calibration et validation du modèle SWAT

À l’issue de l’étude de sensibilité, les meilleurs paramètres (ceux qui influent le plus sur la valeur
des débits) ont été retenus. Nous avons procédé ensuite à des réajustements des valeurs desdits
paramètres afin d’obtenir un jeu de données qui fournit le meilleur coefficient de N SE.
La validation et l’évaluation du modèle SWAT ont suivi le même protocole que celui du modèle GR6J
(voir section 2.4.2.1.2 à la page 21).

2.4.3 Établissement des scénarios d’évolution de la ressource

À partir des modèles hydrologiques (GR6J et SWAT ) calibrés et des données de simulations
climatiques corrigées (ICHEC, CNRM et IPSL), nous avons été généré des débits pour chaque scénario
(RCP 4.5,RCP 8.5) ainsi que pour la période historique.
Les années couvrant la période 1976-2005 ont été retenues pour la période historique, et celles
couvrant la période 2021-2050 pour la période future. Il a été procédé ensuite au calcul des débits
moyens pour les périodes considérées afin d’apprécier la moyenne de la période future (pour chaque
scénario) par rapport à l’historique. Il a été ensuite déterminé le pourcentage d’évolution des débits
pour chaque année de la période future par rapport à la moyenne de la période historique.

Qi − Qhist
Pi = ∗ 100 (7)
Qhist
avec
Pi pourcentage d’évolution du débit pour l’année i ;
Qi Débit moyen de l’année i ;
Qhist le débit moyen interannuel de la période historique 1976 − 2005 ;
Afin de juger de la pertinence de la différence des moyennes des périodes historique et future, le test
de Wilcoxon a été appliqué sur les échantillons (débits futurs et débits historiques).

23
 Matériels et Méthodes

Soit µ1 et µ2, les moyennes respectives des débits historiques (1976-2005) et des débits futurs (2021-
2050).
Les hypothèses du test s’énoncent comme suit :
— H0 : µ1 = µ2 ;
— H1 : µ1 6= µ2 (bilatérale) ou H1 : µ1 < µ2 (unilatérale) ou H1 : µ1 > µ2 (unilatérale).
Pour un seuil de significativité, ou risque alpha à 0,05, si la p-value est < 0,05 alors l’hypothèse nulle
(H0) est rejetée. Et dans ce cas on conclut une différence entre les deux moyennes des populations
dont sont issus les échantillons. En revanche, si la p-value est > 0,05 alors l’hypothèse nulle n’est pas
rejetée, on va conclut à l’absence de différence entre les deux populations.

24
 Résultats

3 Résultats

3.1 Correction de biais

Les diagrammes de Taylor montrent une nette amélioration de la statistique (R2 ,RM SE et Écart-type)
de l’ensemble des modèles climatiques pour les variables de précipitation, température maximale et
température minimale (figures 8c, 9c et 10c).

300 PBAIS
300
ref
PBAIS
ref 6.1

Précipitaion(mm)
57.9
Précipitaion(mm)

ICHEC corr 1.2

ICHEC 15.6
200 CNRM −40.5
200 CNRM corr −1.2
IPLS corr
IPLS
100
100

0
0

Ju y

ec
Dv
Seg
Ap r
Mb
n

n
Mr

ct
Au l
a

Ju

o
Fe
Ja
Ju y

ec
Dv
Seg
Ap r
Mb

O
n

n
Mr

ct

N
Au l
a

Ju

o
Fe
Ja

O
N

Mois
Mois
(b) Cycles saisonniers moyens (observation et modèles
(a) Cycles saisonniers moyens (observation et modèles)
corrigés) de la pluviométrie sur le bassin de Wayen
de la pluviométrie sur le bassin de Wayen (1981-2005)
(1981-2005)

● ref
● ICHEC
● ICHEC Corr
0.1 0.2 0.3
150

CNRM
0.4 CNRM Corr
0.5
C
or

0.6 IPLS
ré

0.7
la
Ecart type

IPLS Corr
100

tio

100 0.8
n

0.9
50

50 0.95
● 0.99
●
●
0

0 50 100 150
Ecart type

(c) Diagramme de taylor sur la performance de la

correction de biais de la précipitation
Figure 8: Résultat de la correction de bais de la précipitation

25
 Résultats

La saisonnalité de la température maximale et celle de la température minimale des différents modèles

ont été améliorées à l’issue de la correction de biais (figures 9a, 9b, 10a, 10b). Quant à la précipitation,
la saisonnalité des modèles n’a pas assez évolué. Cependant, le pourcentage de biais des modèles s’est
vu nettement améliorer (figures 8a et 8b).

ref ICHEC CNRM IPLS

ref ICHEC CNRM IPLS

45 45 PBAIS
PBAIS 0

Température(°C)
−10.4
Température(°C)

40 −1.1 0.8
7.3 40 0.8
35
35
30

25 30
ay

ec
ov
g
ar
b
n

n
Mr

ct
l
Ap

Ju

Se
Au
Fe
Ja

Ju

ay

ec
ov
g
ar
b
O
M

n
Mr

ct
N
D

l
Ap

Ju

Se
Au
Fe
Ja

Ju

O
M

N
D
Mois
Mois
(a) Cycles saisonniers moyens (observation et
modèles) de la température maximale sur le bassin (b) Cycles saisonniers moyens (observation et modèles
de Wayen (1981-2005) corrigés) de la température maximale sur le bassin de
Wayen (1981-2005)

● ref
● ICHEC
● ICHEC Corr
CNRM
0.1 0.2 0.3 CNRM Corr
0.4 IPLS
0.5
C
or

0.6
4

IPLS Corr
ré

4 0.7
la
Ecart type

tio

0.8
3

0.9
2

● 2
● 0.95
1

0.99
●
0

0 1 2 3 4
Ecart type

(c) Diagramme de taylor sur la performance de la correction de biais de la

température maximale
Figure 9: Résultat de la correction de bais de la température maximale

26
 Résultats

25
25

Température(°C)
Température(°C)

20
20

PBAIS
15 PBAIS ref −0.2
ref
0.5 ICHEC −0.1
ICHEC −14.9 15 0
CNRM
−4 CNRM
10 IPLS
IPLS
ay

ec
ov
g
ar
b
n

n
Mr

ct
l
Ap

Ju

ay

ec
Se

ov
g
Au

ar
b
Fe
Ja

Ju

n
Mr

ct
l
O
M

Ap
N
D

Ju

Se
Au
Fe
Ja

Ju

O
M

N
D
Mois
Mois
(a) Cycles saisonniers moyens (observation et
(b) Cycles saisonniers moyens (observation et modèles
modèles) de la température minimale sur le bassin
corrigés) de la température minimale sur le bassin de
de Wayen (1981-2005)
Wayen (1981-2005)

● ref
● ICHEC
0.1 0.2 0.3
● ICHEC Corr
CNRM
6

0.4 CNRM Corr

0.5
C
or

6 0.6 IPLS
5

ré

0.7 IPLS Corr

la
Ecart type

tio

4
4

0.8
n
3

0.9
0.95
2

2
1

● ● 0.99
●
0

0 1 2 3 4 5 6
Ecart type

(c) Diagramme de taylor sur la performance de la correction de biais de la

température minimale
Figure 10: Résultat de la correction de bais de la température minimale

27
 Résultats

3.2 Calibration et validation des modèles SWAT et GR6J

3.2.1 Étude de sensibilité des paramètres du modèle SWAT

Il est présenté à cette section les résultats de l’étude de sensibilité des paramètres de SWAT pour le
bassin de Wayen. Neuf des vingt-cinq paramètres analysés se sont révélés plus sensibles aux processus
hydrologiques du bassin de wayen (figure 11). Le paramètre le plus sensible était la longueur de la
pente pour l’écoulement souterrain latéral (SLSOIL) suivie de l’inclinaison de la pente de l’aire de
couverture (HRU_SLP) et de la capacité en eau disponible du sol (SOL_AWC). Les valeurs prises par
les paramètres pendant l’étude de sensibilité sont présentées à la figure 12.

SLSOIL.hru
HRU_SLP.hru
SOL_AWC.sol
CN2.mgt
ALPHA_BF.gw
RCHRG_DP.gw
CH_K2.rte
ESCO.hru
SOL_Z.sol
EVRCH.bsn
Paramètres

CH_N2.rte
OV_N.hru
REVAPMN.gw
GWQMN.gw
SHALLST.gw
SLSUBBSN.hru
GW_DELAY.gw
CH_N1.sub
CANMX.hru
PLAPS.sub
EPCO.hru
SURLAG.bsn
LAT_TIME.hru
CH_K1.sub
GW_REVAP.gw
0.0 0.1 0.2 0.3
Coéfficient de sensibilité de Fourier
Figure 11: Résultat de l’étude de sensibilité au test de Fourier.

28
 Résultats

●
NSE < 0 ●
NSE >= 0

ALPHA_BF.gw CANMX.hru CH_K1.sub CH_K2.rte CH_N1.sub

0.6 ●● ●●●
●
●
●
●●●
●
●●●
●●
●
●
●●
●
●
●
●
●
●●
●●●
●●●●
●●●●
●
●● ●●
●
●
●
●●●
●●●●
● ●●
●
●
●●
●● ●●
●
●●
●●
●
●
●●●
●
●
●● ●●
●
●●
● ●
●
●●●●
●●
● ●●
●
●● ●●●
● ●●●●
●●●
●●●
●
● ●●
●●●
●● ●●●
●●
●●●●
●
●
●
●●
●●
●
●
●●●
●
●●
●●●● ●●●●
●●
●●
●
●●●●
● ●●
● ●●
●
●
●
●
●●●●
● ●● ●●
●●●
●●●●
●
●●●
●
●●●●●●●
●●● ●●
●●●
●●
●●
● ●●
●
●●●
●
●● ●●
●●
●
●●●
● ●● ●
● ●●●
●●●
●●●
●●●● ●●●●●
●● ●●●
●
●●● ● ●
●●
●
●
●
●● ●
●●
●
●●●
●
●
●
●
●●
●
●●●●
●●●
●
●●●●●●●
●●●
●
●●●
●
● ●●
●
●
●
●●●●●●●●
●
●●●
●
●
●●
●●
●●
●●
●
●●
● ●
●
●
●
●●●●
●
●
●● ●
●
●●●●
●
● ●●
●● ● ●●
●●●●
● ●
●● ●
●●●●
●●●
●●
●
●●
●
●
●●
●
●●●●
●
●●●●●
●
● ● ● ●●●●
●●●●●●●
●
●
●●
●●●
● ●
●●●
● ●
●
●
● ●●
●●●●●
●●●●●●
●●●●
●
●
●
●
●
●
●●
●
●●
●●
●●●●●
●●●
●●●
●●●
●●
● ● ●
●
●●●●●
●●●●●
●●●●
●
●●●
●●
●
● ●● ●● ●●
● ●●
●●
●
●●
●●● ● ●●
● ●
●● ●●●●●●
●●●
● ●●●●●
●
● ● ●● ●●
● ●● ●●●
● ●●
●●
●
● ●
●● ●
●
●● ● ●●●
● ●● ●●
● ●●● ● ●●
●
●●● ● ●●●●● ● ●●● ●
●
●
●●●● ●●●●● ●
●
●●●
●
●
●
● ●● ●●●●●
● ●
● ● ●●
●
●●
● ●●●●●
●● ● ● ●●● ● ●
● ●●●● ●●●● ●●●● ● ●●●●
● ● ●●
●● ●●●●●●●● ●●●
●● ●●●● ●
● ●
●● ● ●●● ●●
● ● ●●
●● ● ●● ●● ● ● ●● ●●●
●●● ●●● ●●● ● ●● ● ●
●● ● ●● ● ● ●● ● ● ●● ● ●●
●●●
● ● ● ●
●●●
● ●● ●●● ●●●● ●●●●●
0.3 ●
● ●●●●
●
●●●●
●●●●
●●●●
●
●
●
●● ● ● ●
●
●●● ●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●●
●
●●● ●● ●
●
●
●
●●
●
●
●
●
●
●
●●
●
●●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●●
●
● ●●●
●●
●
●
●
●
●●
●●
●●
●●
●
●●●
●
●●●
●●
●●
●
●
●
●
●●●
●●●
●
●●
●●
●
●
●●●●
●●●
●
● ●●
●●
●● ●●
●
●
●
●●● ●
●●●
●●
●
●●
●
●●●
●
●●●●
●
●●
●
●
●
●●●●●●
●
●●●●● ●●●●
●
●
●●
●
●●●
●
●
●
●
●●●
●●
●●●
●●
●●
● ●●
●●● ●●
●●
●
● ●
●
● ●
●
●
●●
●●
●●
●
●●
●
●●
●●●
●●
●●
●
●●●
●
● ●
●
●●
●●
●
● ●
● ●
●●● ●●●
●
● ●●●●
●●
●
●
●
●
●
●
●●
● ●●
●
●
●
●●●
●●● ●
●●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●●
●●
●
●●
●
●●
●●●●● ●
● ●●●●
●●●●●●
●
●
●
●● ●
●
●
●
●
●●
●
●
●
●●
●●
●●●●●●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●
●●
● ●
●●●
● ●
●● ●
●●●
●
●
● ●●
●
●
●
●
●●● ●
●
●●●
●●
●●●●●
●●
●●●●●●
●●●
●●
●
●
●●
●
●● ●
●●
●●● ●●
●
● ●
●●
●●●
●
●●●
●●
●●
●
●●●●●
●
●● ● ●
●
●
●
●
●●
●●●
●● ●
●
●
●●
●●
●●
●
●
●●
●
●●
●●
●
●●
●●
●●●
●●
●●
●
●
●●
● ●●●
●● ●●
●● ●
●●
●
●
●
●
●●
●●●
●
●
●
●●
●
●●●●
●●
●●
●●● ●●●
●
●●●
●●
●
●●● ●
●●●
●
●●●
●
●
●
●● ●
●
●●
●●
●●
●●
●
●●
●●
●●●●●●
●
●
●●●
●
●
●●
●●●
●● ●●
●
●
●
●●●
●●
●
●●
● ●
●●
●●
●
●
● ● ● ● ● ● ●●● ● ●●
●●● ● ● ●● ● ● ● ● ● ●
●● ● ●●● ●● ● ● ●●● ●
● ● ● ● ● ● ● ● ● ● ● ● ●● ●
● ●● ● ●
● ●● ● ● ●●●● ● ● ●● ● ● ●
●●● ● ● ●
● ●
●●●● ● ● ●●●●● ●● ●●●● ●● ● ●● ●● ● ●●●●● ●● ●● ● ● ●● ● ● ●
●●●● ●● ●
0.0 ●●
●
●
●●
●
●●
●●
●●
●
●●
●
●
●
●●
●●
●
●●
●●●
●●●●
●●
●●●
●●●
●● ●
●●●● ●
●●
●●
●
●
●●●
●●
●
●
●●
●●
●●
●●
●●
●●●●
●●
●
●●
●●
● ●
●●
●
●● ●●●
● ●●●
●●●●●● ●●
●●
●● ●
●
●●●
●●
●●
● ●
●
●
●
●
●
●
●
●●●
●●●●●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●●
●●
●
●
●●
●●
●
●●●●
●
●
●●
●● ●
●
●●
●
●
●●
●
●●
●●●
●
● ●●●
●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●●●
●
●●
●
● ●●●
●●
●●●
●
●
●● ●●
●
●●●
●
●●
●
●
●
●●
●
●
●●
●●
●
●●●
●●
●
●
●
●
●●●
●●● ●
●
●●
●●
●●
●●
●●●
●●●
●
●
●
●
●●
●●●
●●●
●●
●
●●
●●●●
●●●
●●●
●
●●●●
●
●●
●●●
●
●●
●●●
●●
●
●
●●
●
●
●
●●
●●●
●
●
●●●
●
●
●●●
●
●
●
●●
●
●●
●
●●●●
●
●
●
●
●
●●
●
●
●
● ●
●●
●●
●●
●●
●
●●
●
●●
●
●●●
●
●●●
●●
●
●
●
●●●●●●
● ●●
●● ●●
●●●●
●
●
●
●
●
● ●●
●●●
●●●
●
●
●● ●
●
●●
●
●
●
●
●
●●●●
●
●
●
●
●●●●
●●
●●
●●●●●
●
●● ●
●
●●
●● ●
●
●●●●
●●●
●●
●
●
●●●
●●●
●●
●
●●
●
●●●●
●●
●
●
●
● ●
●
●
●●
●●●●●
●
●
●●●●
●
● ●
●
●
●
●● ●● ●
●● ● ●●●
●● ●
●●●
●
●●
●●
●
●●
●
●
●
●
●●
●●
●
●●
●
●
●
●●●
●●
●
●●●
● ●●
●● ●●
●
●
●
●
● ●●
●●●●●●
●●
●● ●●
●
●
●●●●
● ●
●
●
●●
●
●
●
●●
●
●
●●
●
●●
●●●
● ●
●●●
●●●
●●●●● ●●
●
●●●●
● ●
●
●
●●● ●
●
●
●●●●●●● ●
●
●
●●
●
●●●
●
●
●●●
●
●●
●●●
●●●●
● ●
●●
●●●
●●
●
●
●●
●
● ●●
●●●●●● ●
●● ●
●
● ●● ●● ● ● ● ●●
●●● ●●●
● ●
●●
●
● ● ● ●● ●● ● ●●●● ●● ●●●
● ●
●● ●
●●
● ● ●
● ●●●
● ● ● ●●
●● ●●
●● ●● ●●●
●●● ●●
● ●●● ● ●●●●●●
●● ●●●● ●●● ●●● ●
●●
●●
●●●●●●●●
●● ●● ●● ●
● ●●
● ●●● ●●
●
●
● ●● ●●●●●
● ● ●●
● ●● ● ●● ●●
●
●● ●● ● ● ●● ● ● ● ● ● ● ● ● ●● ●●●●
● ●●● ● ● ● ●● ●● ●● ●●
−0.3 ●●
●●
●
●
●
●
●●
●
●
●●●●
●
●
●●●
●
● ●●●
●●
●●
● ●●
●● ● ●
●
●
●
●
●●
●●
●
●●●
●
●
●
●●● ●●●●
● ●
●
●● ●●●●
● ●
●
●●● ●
●
●
●
●
●
●● ●
●
●●
●
●
●
●
●
●
●
● ●
●
●
●●●●
●●●
●●
●
●
●●●
●●
●●●
●● ●
●
● ●
●●
●●
●●
● ●
● ● ●
●● ●●
●●
●
● ●● ●
● ●
●●●●●●●●
●
● ●
●
●●● ●
●
●●●
● ●●●●●
●
●
●
●
●●●●●● ● ●
●●● ●●●
● ●●
●
●●
●●
●
●
●●●●
●●
●●
● ●●
●●●● ●
●
●
●●●
●
●●●● ●
●● ●●● ● ●
●●● ●
● ●
●
● ●●
●●
●
●
● ●●
●●
●●
●
●●
●
●
●●●
●
●
● ● ● ●● ● ●
● ●● ●
●●● ●●
● ●
●
●
●
●●
●
●●
●
●●● ● ●
●
●●
●●
●
● ●●
●●●●
●●
● ●
●●●
●●
● ●●
●●●
●●
●● ●●
●
●
●
●●●●●
●
●●
●● ●●●● ● ●
● ●●
●
●
●●
●
●
●●●●●
●
●
●
●●
●● ●●●
●
●●●●●
●
●
● ●●●
●●
●●
●
●●
● ●
●
●
●
●
●
●
● ●●
●
●●
● ● ●●
●
●●
●● ●●●●●
●● ●● ●
●●●
●● ●
●
● ●●●●●●●●
●●● ●
●
●●●
● ●●● ●
●
●● ●●
● ●●
●●
●● ● ●
●●
●
●●
●
●● ● ●●
●●●● ●●
●●●
●●●
●●●●
●● ●
●
0.00
0.25
0.50
0.75
1.00

100

100

200

300

100
200
300
400
500

10

20

30
25
50
75

0
0

0
CH_N2.rte CN2.mgt EPCO.hru ESCO.hru EVRCH.bsn
0.6 ●●
●● ●●
●●
●●
●●●●● ●●●●
●●●●●●
●
● ●
●●●●●●●●
●●●
●
●●●● ●
●●●●
●●
●●●●●
●●●●●●
●
●● ●
●
●●●
●●●
●●●●
●
● ●●
●
●● ●●
●
●●●
●●●
●
●●
●●
●●●
●
●
●●
●
●
● ●●●
● ●●
●
●
●
●
●
●●
●
●
●●●●●
●
●●●●
● ●
●●●
●●●●
●
●●
● ●
●
●
●
●
●
●●
●
●●
●
●
●
●
●●
●●
●
●
●●
●●●
●●
●●●
●
●●●
●●●
●●●●
●● ●
●●●
●● ●
●●●
●
●● ●
●
●●● ●●●
●
●
●●
●●●
●
●
●●
● ●● ●●
●●●●●● ●●●●●
●
●●
●●●
●●
●●●
● ●
●●
●●
●
●●
●
●
●●
●
●
● ●●
●●●●●
●●●●
●●●●●
●
●
●
●●
●●● ●
● ●●●
●●● ●
●●
●●●●●●●
●●
● ●●
●●
●● ●
● ●
●
●
●●
●●●
●
●
●●●●
●
●●●
● ●●●●●
●●
●●
●●
●
●
●
●●
●●
● ●
● ●● ● ●
●●●
●
●●●
●●●● ●
●●●●●●●
●●●
●●●●
●
●
●●●
●●
●
●●● ● ●● ●
●
●●●●●●
● ●
●●● ●●●
●● ● ● ●
●
●●● ●● ● ●●●●●●●●●
●●●
●
●●● ●
●●
●
●●●
●
●
●●● ●●● ●● ●
●●
●●●●●●
● ●●●
●● ●
●●●
●●● ● ●●
●●●●●
●
●●●● ●
●
●●
●
●
●
●●
●
●
●●
●●
●
●●
●●● ●
●
●
●●●
●●
●
●
● ●●● ●●
●●●
●● ● ●
●● ●
● ●
●● ●●
●●●
●●
●● ●●●● ●●● ●
●●● ●●●
●●●●●●
●●●●●●
●
●●●
● ●
● ●
● ●
●●● ● ● ●●●
● ● ●
●● ● ●●●● ●
●●●
●●
●●
● ● ●●●
●● ●● ●
●●● ●●● ● ●●●
●
● ● ● ●● ●●●
●
●●●
● ●
●●●
●●●●
●●● ●●●●●●●● ● ● ●●
●●●●
●● ● ● ● ●●●●● ● ●
●● ●●
● ●
●● ●
●
●●●●●
●●
● ● ●● ● ●● ●● ●● ●●
● ●● ●●● ● ●● ●●● ●
● ●● ●●●●●● ● ●●● ● ●● ●● ● ●● ● ●
● ●● ●●●●● ●
● ●●
●●●●● ● ●● ●●●● ●● ●●
0.3 ●
●●
●●
●●
●●●
● ●
●●●
●●
●●
●●●●● ●●
●●●●
●●●● ●
●●●●●
●●●●●●
●
●●●
●●●
●
●●
●●
●●
●●
●
●
●●
●
●
●
● ●●●●● ● ● ●● ● ●
●
●
●
●
●
●
●
● ●●
●●●
●
●
●
●●●
●
●
●●
●
●
●
● ●●
●
●
● ● ●●
●●
●●●
●
●●●●
●●
●●●
●
●●
●
●●
●●●
●●
● ●●●
●●
●
●
●
●●
● ●●
●●●
●
●●
● ●●
●●●
●●
●
●●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●●
●
●●
●●
●
●●
●
●
●
●●
●
●
●●
●
●●● ●●
●
●
●
●●●
● ●●
●●
●
●
●
●
●●
●●
●●●
● ●
●
●
●
●
●●
●●
●●●●
●
●●●●
●●
● ●
●●
● ●●
●● ●
●●
●●●
● ●
● ●
●
●
●●
●
●
●
●● ●●
●
●● ●
●
●
●
●●
●●
●●
●
● ●●●●●
●
● ●●●
●
●●●
●●●
● ●
●●●
●
●
●
●
●
●
●● ●●
●●●●●
●
●
●
●
●●
●
●
● ●●●
●
●
● ●●
●●
●
●
●●
●●●
●●
●●
● ●
●● ●● ●
●
●
●
●
●●
●●
●●
●
●
●
●
●
●
●
●● ●
●
●
●●
●
●
●
● ● ● ●●
●
●
●
●
● ●●●
●
●
●
●
●●●●
●
●
●●
●
● ●
●●
●
●●
● ●
●
●
●●●
● ●
●●●
●
●
●
●
●
●
●
●
●
●●
● ● ● ● ●●●●
●
●
●
●
●
●
●
●●
●
● ●
● ● ●
●●
●
●● ●
●
●
●
●
●
● ●●
●●●
●
●●
●
●
●
●●
●
●●
●●
●
● ●
●
●●●
●
●●
●
●
●
●
● ●●
●
●●●
●
●
●
●
●●
●
● ●●●
●
● ●●●
●
●●
●
● ●
●
●●●
●
●
●
●●●
●
●
●●
● ●●●
●
●
●● ●●
●
●● ●
●●
●
●
● ●● ●
●
●●
●
●
●
●
●
●
● ●●
●
●●
●● ●● ●
●●
●
●●
●●● ●● ●●
●●
●●
●
●●
●● ●
●●
●●●●
●
●● ●● ●
●
●●●
● ● ● ● ● ● ●● ● ● ●●
●● ● ●●●
●●● ●●
●● ●
● ●●●● ● ●
●●● ●● ●
●●
●● ● ● ●● ●●●
● ● ● ●●●● ● ●
●●
●● ●
●●
●●
●●
● ● ● ●●
● ●
● ●● ●●● ●●●
●
●●●●●●● ● ●
●● ●
●●● ●●●●
●
●● ● ●● ●●
●●●●
0.0 ●
● ●
●●
●
● ●●●●
●● ●●
●●
●
●
●●●
●●
●
●
●
●●
●
●●
●
●
●
●
●
●●
●●●
●● ●
●●
● ●
●●
●●
●●●●
●
●
●
● ●
●●●
●
●
●
●
●●●● ●●
●●●
●
●●
● ●●●●●
●
●●
●
●●
●●
●
●●
●
●●● ●
●●
●●
●●●
●
●
●●
●
●● ●
●●●●
●
●
●
●●
●
●●
● ●
●
●
●●●
●
●●
●●●●
●
●
●●
●
●●
●
●
●●
●●
●
●●
●
●
●
●
●●
●●●
● ●
●●
●●
●
●
●
●
●
●●
● ●●●
●
●
●●●●●
●
●●
●
●
●
●
●●
●
●
●●●
●
●●●●
●
● ●●
●
●
●
●
●
●●
●
●
●●
●
●●●
●
●●●
●
●
● ●
●
●●
●
●
●● ●● ●
●
●
●
●
●●
●●
●●
●●
●
●
●●
●●
●●●●●
●
●● ●
●
●●
●● ●
●
●
●
●
●● ●
●●
● ●●
●●
●●
●
●
●●●
●●
●
●
●
●
●
● ●●● ●
●● ●
●● ●●
●
●
●
●
●●
●
●●
●
●●
●●
●●●
●
●●
●●●
●●
●●●●●
●●
●
●
●
●●
●
●●
●●
●
●●
●
●
●
●●
●
●
●●
●● ●
●
●
●●●
●
●●
●●
●
●●
●
●●
●●
●
●●
●●●
●● ●
●●●
●●
●
●●●
●
●
●●●
●
●●
● ●●
●●●●
●●
●● ●●
●
●
●
●●
●
●●
●
●
●●● ●
●
●●●●
●●●
●●●
●
●●
● ●●●
●
●
●●
●
●
●
●●
●
●

●● ●●●
●
●
●
●
● ●●
●
●
●●
●
●
●
●
●
●●●
●●
●
●●
●
●
●
● ●●●
● ●●
●●●
●●
●●●●
●
●
●●
●
●●
●
●
●
●●●
● ●●
●●
●● ●●●
● ●●
● ●●
●
●
●●
●●●●●
●●
●●●●
●
●●
●●
●
●●●
●●●● ●
●
●●
●
●●
●●●
●
●
●
●●
●
●●●
●
●●
●●●●
●●
●●●
●
●
●●
●●●●
●
●●●●
●
●●● ●
●● ●●
●●
●
●
●●●●
●●
●
●
●●●●
●●●●
●●
● ●
●●●
●●●●●
●● ●
● ●●
●● ●●●
● ●●●● ●
●●●
● ●
●●●●
●●
●
●●
●●●●
●
●●●●
●
●●
●●●
●● ●
●
●●
●
●●
●●
●●
●●
●●
●
●
●
●●
●●●●● ● ● ● ●● ● ●● ●●● ●● ● ●●●●
●●●●●
● ●
●
●●● ●
●●●●● ●● ●
● ●●● ● ●●●●●● ● ● ●● ● ● ● ●
●●● ●●●● ●● ● ● ●●●● ● ● ●●● ●●
● ● ●
● ●●
● ●
●●● ●●●● ●●●
● ●●
● ●
● ●● ●
●● ● ●●● ●● ●
●● ● ●● ●●
●
●● ●●●●●
●● ●● ●● ●●● ●●●●●●● ●●
−0.3 ●
●
●
●●
●●
●● ● ●●●●
●●
●●● ●●
●● ● ● ●●
● ●
●
●
●●●●●●
●●
●● ●
●
●
●●●●●
●●
● ● ● ●
●●●●●●●
●
●●● ●● ●●
●●
●
●●● ●●
●
●
●
●●
●
●
●●
●● ●
●
● ●● ●●
●●●
● ●● ● ●
●● ● ●
●●
●● ●
●●
● ●
●●●●●●
●●
●
●●
●
●●
●
●●●
●●
●
●
●●
●
●
● ●●
●
●
●
●
●
●●
●●
●
●
●
●●
●
● ●●●
●●
●
●
●
●
●
●
●●●●●
●●
●
●
● ● ●●
● ● ●●● ●● ● ●
● ● ●●●●●●
●● ● ●●
● ●●
●●●●
●
●
●●
●●
●
●●
●
●
●●● ●
●●●
●●● ●●
●●
●●
●●●●● ●
●
● ●
●●●●●●
● ●● ●
●
●●
●●●
●
●
● ● ●●●
●
●● ●●●
●
●
● ●
●
●●
●
●
●●
●
●
●● ●●
●
●● ●●●
●● ● ● ●
● ●●
●●
●●●
●●●
●● ● ●
●●
●● ●
●
●●
●
●
●●
●
●
●
●●
●
●
● ●●●●
●●●
●●●
●●●
●●
● ●
●●
●● ● ●
●●
●
●●
●
●
●
●
●
●●●●●
●
●●●
● ●
●●●
●
●●●
●●●●
●● ●●●
●●
● ● ●●
●●
●● ●●
●●●●●
●● ● ●
●● ●
●●●●●
●
● ●●●
●●
● ●
●
●● ●●
● ● ●●
●●●●● ● ● ●●●
●
●
●●
● ●● ● ●
● ● ●
● ●
● ●
●●● ●
●●
●●●
●●●
●
●●●
●●● ●
●● ●
● ●
●
●
●
0.0

0.1

0.2

0.3
−0.2

−0.1

0.00
0.25
0.50
0.75
1.00
0.00
0.25
0.50
0.75
1.00
0.5
0.6
0.7
0.8
0.9
1.0
0.0

0.1
Coéfficient NSE

GW_DELAY.gw GW_REVAP.gw GWQMN.gw HRU_SLP.hru LAT_TIME.hru

0.6 ●
●
●●
●
●●
●●●●
● ●●
●● ●
●●
● ●
● ●●
● ●●
●●
●
●● ●
●●●●●●●
●
●
●●●
●
●
●● ●● ●
●●●
● ●● ●●
●●
●●●
●●
●● ●●●●
●●●●●●●●
●●●
●●
●●●●●
●●
●
● ●
●●●●●●
●●●
●
●●●
●● ● ●●●
●●●●
● ●●●
● ●●
●●
●●●
●●
● ●●
●●●
●●
●● ●●●
●●●
●
●
●●●●
●●
●●●
●●
●●●●
●
●●
●
●
●●
●●●●●●●
● ●
●
●●
●
●●
●● ●●●
● ●●
●
● ●●●
●
●●●
●●
● ●●
●●
●
●
●
●●
●
● ● ● ●● ●
●●●●● ●●●
●●●●● ●●
● ●●
●●
●
●
●
●●●●
●
●
● ●●● ●
●●●● ●●●●●
●●●●
●●●
●
●●●
● ●
●
● ●
●● ●● ●
●●
●●
●●
●
●
●
●
● ●
●●● ●●
●●
●
●
●
●
●
●
●●
●●
●●●
●
●●
●●
● ●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●●●
●
●
●●
●●●
●
●●● ●●●
●●
●
●
●●
● ●
●●●●●●●●●
●
●
●●● ●●●●
●●●
●●●●
●●●
● ●●●●
●
● ●
●●●●
●●●
●●●
●●
●●●●
●●
●
●●
●
●
●
●●●
●●●●●
● ●●
●●
●●
●
●●
●
●●●
●●
●●
●●
●●●● ●
●●●● ●●
●●
●●●●
●●●
●●●●
● ●●●
●●● ●
●● ● ●●●
●●
●●● ● ●● ●●
● ●●
● ● ●●
●
● ●●
●● ●●● ● ●● ●
● ●● ●●●● ● ●●●●
● ●●● ●● ●
● ●
●● ●
● ●● ● ●
●●
● ●● ● ●● ●● ●● ●●
●●●● ●● ●
●
● ●●● ●●●● ●● ●● ● ●
●●●
●
● ●
●● ●●
●
●●● ●
●●● ● ● ●●● ● ● ●● ● ●● ● ●●●●
●●● ●●
●●
● ●● ●
●●●●●
● ●●●● ●
● ●●
●● ●●● ●
●●●● ●● ● ●●
● ●● ●● ●● ●●● ●●●● ● ●●
● ● ●● ●●
●● ●● ●
●● ●● ● ●
●
● ●● ●●
● ● ● ● ●●●●●●
0.3 ●
●
●●
●●
●
●
●
●
●●●●●●
●
●
●
●
●
●
●
●
●
●●
●●
●●
●
●●
●●
●●
●
●
●
●●
●
●●
●
●
●
●
●
●●●●
●
● ●●
● ●●●●●●●●
●
●
●●
●
●
●
●
●●
●●
●●●●
●
●
●●●
●
●
●
●●●
●● ●
●●
●
●
●● ●●
●
●
●●
●
●●
●
● ●●
●●
●●●●●
●●
●
●
●
●
●
●●
●
●●
●
●
●●● ●
●● ●
●
●
●●
●●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●
●●●●
●
●
●●●●●
●
●
●
●
●
●
●●
●
●
●●
●● ●●
●
●
●
●
●
●●●
●●
●●●●
●
●●
●
●
●
●
●
●●●●
●●
● ●
●
●● ●
●
●●●●●
●●
●●
●●
●● ●
●●●●
●
●●
● ●
●●
●
●●
●●●
●●
●●●
●●●
●
●
●●
●
●
●●
●
●●
●●
●
●●
●●
●
●
●
●●●
●
● ●
●
●
●●●
●
● ●
●
●●
●●●●
●●
●
●
●●●
●●
●●●
●
●
●●
●●●
●
●
●●
●
●●●
●●●
●●
●
● ●
●●
●
●
●
●
●
●
●●
●
●
●●●
●
●
●
●
●●●
●
●
●
●
●●●●●
● ●●
●
●
●
●●
●●
●
●
●
●●
●●
●
●
●●●
●
●●●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●●
●●●
●●●
●
●
●
●
●●
●●●
●
●●●●
●
●●
●
●
●
●
●●
●
●
●● ●●
●
●
● ●●●●
●
●
●
●
●● ● ●●
● ●● ● ●
● ●● ●
●
●
●●
●●
●●
●●
●
●
●
●●
●●●
●●●
●●●●●●
●●
●
●●
●●
● ●
●
●●● ●
●
●● ●●
●
●
●
●
●
●●●●●
●●
●●●●●●
●
●●
●
●
●
●
●●●
●
●●
● ●
●
●
●●●●
●●
●
●
● ●●●●
●●●
●
●
● ●●● ●
●● ●
●●●● ●
● ●●●
●
●
●
●
●
●
●
●●
● ●● ●●● ● ●●●●● ● ●● ●● ● ● ●● ●●● ●● ●●●●●● ●●
●● ● ●●●● ●
● ●●● ● ●● ●● ● ●●●●● ●
● ● ●
● ● ●
●● ●●● ●● ●●●●● ●● ● ●●●●
●● ● ●●●●●● ●● ●● ●●●
● ●
● ●●●●● ● ● ●● ●● ●●● ● ●
● ● ●●●●●●●● ●●●●●●● ● ● ● ● ● ● ●●●
● ●
0.0 ●● ● ●●
●●●●
●●
●
●●
●●
●
●●●
●
●
●●
●●
●●
●●
●
●
●
●
●●
●●●
●
●
●●●
●●
●
●●●●●
● ● ● ●●
●
●
●●
●●●●●●
●●●
●●●●
●
●●●●
●●
●
●
● ●●
● ●●
●
●
●●●
●●
●●●
●●
● ●●
●●●●
●●●
●●
●
●●
●
●
●
●●●●
●●●●●
●
●
●●
●
●●
●
●●● ●
●●
●
●
●●
●
●
●●
●● ●
●●
●●●
●●
●●
●●●
●●●●●●●
●
●
●
●●
●
● ●
●
●
●
●
●●
●●
●
●● ●
●● ●
●●
●
●
●●
●●●
●
●
●
●
●
●●●●
●●● ●
●
●●
●●●●
●
● ●●●●●
●
●
●
●●●●●
●
●●
●
●
●●●
●
●
●●
●
●
●
●
●
●
●
●●●●●
●●
●
●
●●●
●
● ●
●
●●
●
●
●●●
●●
●●●
●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●●
●●
●●
●
●●
●
●●●
●
●● ●
●
●●
●●●
●
●
●● ●●●
●
●●
● ●●
●●
● ●●●
●●●●
●●
●
●●
●
●
●
●
●●
●
●● ●●●
●● ●
●●●●●●
● ●●
●●
●
●
●
●
●●●●
●●
●
●●●●
●
●
●
●
●●
●
●
●●
●● ●
●●
●● ●●●
●●
●●
●
● ●
● ●●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●●
●
●●
●
●● ● ● ●●
●● ●
●●●●● ●
●
●●
● ●
●●●
●
●● ●
●●●
● ●●
●●
●
●
●●
●
●●
●
●
●
● ●●
●
●● ●●●
●● ●●
● ●●● ●
●●●●●●
● ●● ● ●● ●●
●
●●
●●
●
●●
●
●
●
●
●●
●
●
● ●
●●●●
●●
●
●●
●●●
●●
●
●●
●●●● ●
●●● ●●●●●
●●●●
●
●●●
●
● ●●●
●●●●●
●● ●
●● ●
●
●
●
●
●
●
●
●
●
●
●●●
●
●
● ●●●
●●●●● ●
●●
●
●
●
●
●
●
●●
●
●
●
●●●
●
●●
●●
●●
●
● ●
●
●●●
● ●
●●●
●
●
●●●
●
●●
●
●
●
●●●●●●●● ● ● ● ●● ●● ●●
●
● ●● ●●●● ●
● ●●● ●●● ●● ●●
● ●●●
●● ●●●
● ●
●
●●● ●●●● ● ●
●● ●● ●
●
●● ●
● ●●● ●● ●●●● ●
● ● ● ● ● ● ●●● ● ●
● ● ● ●●
●● ●
●
● ●●●●● ●● ●●● ● ●●
● ●●●● ●● ● ●●
●●●●●
●
●●●●
● ●●● ●●● ●● ● ●● ●
●
● ●
●
● ●
● ●●●● ● ●● ●
−0.3 ●
●●
●●
●●●
●●●
●● ●●
●
●●●●
● ●● ●
●●
●●●●●
●● ●
● ●
●●
●●● ●
●
●●
● ●
●
●●●●
●
●
● ● ●
●●
●●●●●
●
●
●●●●
●
●
● ● ●● ●●
●●
●●
●
●
● ●
●
● ●●●●
● ●
●
●
●
●●
●
●
● ● ● ●●
●
●
●● ●●● ●
●●
●● ●
●●
●●
●●●
●
●
●
●
● ●
●● ●
● ●●
●●●
●
●●
●●●
●
●● ●
●
●
●●●● ●●●
●●
●
●
● ● ●●●
●
●
●
● ●
●
●●●●●●●●
●●
● ● ●●
●●
●●
●●●●
●●
● ●●
●
●
●
●
● ●
●●
●●
●●
●
●
●●●
●
●●●● ●●●
●●●●●
●● ● ●●● ●
●●●●●
● ●
●
●●
●
●●●
●●
●
●
●
●●●
●
●
●●
●●
●
●●
●●● ●●
● ●● ●
●●● ●
●
●●●
●●●●●
●
●● ●●
●●●●
●●●
●
●● ●
●
●
●●
●●●
●●●
●
●●●●●
●
●●
●
●●
●
●
●
● ●●● ●●●
●
●
●
●
●●●●●
● ●
●●
●
●
●
●
●
●
●●
●
●
●
●●●
●●●●●
● ●
● ●
●
●
●
●
●
● ●
●●●●
●
●
●
● ●
●
●
●
●
●
● ●
●● ●● ●
●
●● ●●
●
●
● ●●● ●
●
●●●
●● ●
●●●●
●
●
●
●●●●
●●
●●●●●●●●●●●●
● ● ●
●●●●● ● ● ●●
●● ●
● ● ● ●
●●●
●
●●●
●●●
●●
●●
●
●●
●●
●
●●
●
●●
●
●●
●
●
●
●●
●
●●●●
●●● ●
● ● ●●
●●
100
200
300
400

0.0

0.1

0.2

0.3

1000
2000
3000
4000
5000
0.0

0.2

0.4

100

150
50
0
0

OV_N.hru PLAPS.sub RCHRG_DP.gw REVAPMN.gw SHALLST.gw

0.6 ●
●● ●
● ●●
●
●●
●
●
●●●
●●●
●●
●●
●
●● ●●
●●●●
● ●●
●
●●●
●
●
●● ● ●
●
●●
●●
●
●●● ●● ●
●●●
●
●
●●●
●●
●
●
●●●●
●
●●●●●
●
●●●●
●●
●
●●
● ●●
●
●
●●
●
●●●
●●
●●
●
●
●●●●● ●●
●
●●
●
●●
●●
●
●●
●
●
●
●●
●● ●
●●
●●
● ●
●
●●
●●● ●
●●●
●●●● ●●
●●
● ●●● ●● ● ●●●●● ●● ●●
●●●●●●●● ● ●●
●●●●●
●
●●
●
●●● ●●●●
●●
● ●
●●●●●
●
●●
●
●●
●● ●●●●
●
●
● ●
●
●●●
●
●
●
●
●
●
●●
●
●
● ●●●
●
●●
●
●●
●●
● ●●●
●●
●●
●● ●●●
●
●
● ●●
●
●
●
●●●●
●
●●●
●
●
●
●●●
●●●●●● ●●
●
●●●●● ●●
●
●
●●● ●●
●
●●
●●● ●●
●●
● ● ●●●
●●●●
●● ●
●●
●●
●●●●
●
●● ●
●●●
●
●
●
●
●
●
●●
●
●●
●●●●●
●●
●
● ●
●
●●●
●●
●
●
●●
●●●●
●
●●
●●
●
●●
●
●
●●
●●
●● ●
●
●
●
●
●●
●
●●●
●
●●
●●
●
●●●●●
●
●●
●●●
●●
● ●
●
●●●
●●●●●
●●
●●●
●●●
●
●●●●
●● ●
●
●●
●●
●
●●● ●●●
● ●●●
●●
●●●
●●●
●●●
●●
●●●
●
●
●
●
●●●
●●●●●●●●
●●●
●●●●●
●
●
●●●●
●● ●
●●●
●●●●
●
●●
●●●●
●
●●
●
●
●●●
●●●
●
●●●●
●●●
●●
●●
●
●●
●
●
●●
●
●●
●●
●
●
●●
●
●●
●
●● ● ● ●●●●
●● ●
● ●● ●●● ●● ● ●
●●● ●●●
●
● ●
● ●● ●● ● ●●●
● ●
●● ●●●●
●● ●
● ●●●● ●●●●
●●
● ●●●●● ●●●
●●
●●● ●●
● ●● ●● ●●● ●● ●
● ●● ●● ●●●●●● ●●●●●●●●●●●
● ● ●
● ● ●● ●
● ●●●
● ● ●●● ●●● ●
●● ●●
● ● ● ●
●
● ●●●●●●
●● ●●
●
●●●●
● ●● ●
● ●
●●● ●● ●●● ●●●● ● ● ● ●● ●●●● ● ●●● ●
●● ●●●
● ●●
●●●●● ● ●●● ●● ●● ●
●●
● ●● ● ●● ● ●
● ●●
0.3 ●●
●
●●
●● ●●●
●
●●● ●
●
●
●
●
●
●●
●
●●●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●●●
●
●
●●
●
●●●●●
●●
● ●●●● ●●●
●
●●
●
●
●
●●
●
●●●
●
●
●
●
●

●●●
●
●
●
●●
●●●
●
●
●
●
●●● ●●●
●●●●
●● ●●
●●
●
●●●●●
●
●●
●●
●● ● ●
●
●
●
●
●
●●
● ●
●
●
●
●
●●
●
●
●●
●
●●
●
●●●
●
●●●
● ●●● ●
●
●
●●● ● ●●
●
●
●
●
●●
●
●
●
●
●
●●
●●
●
●
●
●
●
●●●
●
●●
●
●●
●
●
●
●
●●
●● ●● ●
●●● ●●
●
●
●
●●
●●●
●
● ● ●● ● ●
●●●●
●●●●
●●●
●●
●● ●
● ●●●
●
●
●
●●
●
● ●
● ●●
●●●●
●
●
●
●
●
●
●
●●
●
●● ●
●●
●
●●
●●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●●● ●●●●
●
●
●●
●
●●
●
●
● ●
●●
●
●
● ●●
●
●●
● ●
●
●●
●●●● ●●●
●●●
●●
●
●●
●
●
●
●
●●●
●
●●● ●
● ● ●●
●● ● ●●
● ●●● ● ● ●●●
●●
●● ●
●
●
●
●●●
●●
●
●
●
●
●●
●
●●
●●
●●●●
●
●
●
●●●●
●●●
●●●●●
●
●
●
●●●●●
●
●
●
●
●
●●● ●●●●
●●
●
●
●
●
●●●
● ●●●
●
●
●
●
●
●
●
●
●
●●●●●
●●●●●
●
●●●●
●●
●
●●
●
●
●●
●●
●
●●
●
● ●●●
●● ●
●
●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●
● ● ●
●
●
●●● ●●
●
●●
●
●●
●
●
● ● ●
●
●●●
●
●
●
●
●
●
●●● ●● ● ●
●
●● ●●
●
●●
●●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●●
●●
●●
● ●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●●
●●
●●
●
●● ●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●●●●
●
●●
● ● ● ● ● ● ● ●●
● ●●● ● ●
●● ● ●
● ● ●● ● ●●●
● ●●● ● ●● ●●
● ●●●● ● ●
● ● ●● ●
●● ●
● ●●●●● ● ● ●●● ●
● ●●● ●
●● ●● ●● ●●
● ●
●●●●●● ●● ● ●●
●●● ● ● ● ● ●
●
●●● ●●●● ●● ● ●
● ● ● ● ●
● ● ●● ● ●● ●●
●●
0.0 ●●
●●
●
●
●
●
●
●●●
●●
● ●●●
●
●
●●●●●
●
●
●● ●●
● ●●●●
●
●
● ●● ●●
●●
●
●
●●
●
●
●
●
●● ●
● ●
●
●●●●
● ●●
●
●●●
●●
●●
●●
●
●
●●●●
●
●●●●
●●●
●●
●●●
●
●●
●
●
●
●●
● ●
●● ●
●
●
●
●●
●
●●
●
●
●
●
●●● ●
●
●
●
●● ●●
●
●
●
●
●●
●●●
●
●
●
●
●
●
●●●
●●●● ●●
●●●●
●●
●
●
●
●●●
●●
●●
●●
●●●
●
●
●
●
●
●●●
●●
●●●
●
●●
●●
●●●
●
●
●●●
●●
●●
●●
●
●●●●
●●
●
●●●
●●●●
●●●
●●
●●
●
●
●●
● ●●●
●
●
●●
●●
●●
●
●
●●
●
●
●
●
●●●
●●
●
●
●●
●●
●
●●
●
●
●
●
●
●
●
●●
●●●
●
●●
●
●
●●
●
●●
●●●
●●
●
●●
●
●
●
●●
●
●●●●●
●
●
●
●●
●●
●●●
●●
●●
●
●
●
●●
●●●
●
●
●
●●
●●
●
●
●
●●
●●
●
● ●
●●
●●●
●
●
●
●
●
●
●
●●
●
●●●●
●●●
●●
●
●●
●●
●●●●
●●
●● ●
● ●●●
● ●●●●●
●
●●● ●
● ●●
●
●●●
●
●●●● ●
●
●
●●
●●●
●
●
●
●●
●
●
●●
●
●
● ●
●
●
●
●●●
● ●●
●●
●●
●●
●
●●
●
●
●
●
●●●● ●
●
●
●●
●
●● ● ●●● ● ●
●
●
●●● ●●
●●
●
●
●●
●
●
● ●●●
●
●
●●
●
●●
●● ●
●●●
●
●
●
●●
●
●●
●●
● ●
●●●
●
●●
●
●● ●●●●
●
● ●
●
● ●●●●
●
●
●●
●●
●
●●
●
●
●● ●●
●●
●
●
● ●
●●●●
●
●
●
●●
●
●
●
●● ●●●
●●
●
●● ●
●●●
●● ●●
●●
●
●
●●
●
●
●
●
●●
●
●●
●
●
● ●● ● ●●
●
●●
●●
●●●
●●
●
●
●
●●●●
●
●
●
●●
●●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●● ●●●
●
●
●●●●●●●
●●●● ●
●
●
●
●●
●
●●
●
●
●
●
●●●
● ● ●●●
●● ●●●● ● ● ●● ● ● ●●● ● ● ● ●
● ● ●●● ● ●● ● ●● ● ● ● ● ●● ●
● ●●●
● ● ●● ●●●●●●● ●●●● ●● ● ● ●●● ● ● ● ● ● ●● ●● ● ●
● ●●●●●●
●
● ●● ●● ● ●●● ●●
●● ●
● ● ●● ●●●
●●●●●
●● ●●●●● ● ●●●● ● ●●● ●●●● ● ●
●●●●
● ● ●● ● ●● ●
●●● ●●●
● ●● ●●● ●●● ●●
●●●● ●●●●● ● ●
● ●
●●●● ●● ●● ● ●
●● ● ●●●● ●●●●●●
● ● ●●● ● ● ● ●●● ● ● ● ●● ●
●●
●●● ●● ●●
● ● ●
● ●● ● ●● ● ●●
−0.3 ●●
●●
●●
●●●●
●
●●●
●●
● ●●● ●
● ●●
●
● ●●●●
● ● ●● ● ●●
●●●●
●● ●●
●●●●● ●
●●
●
●●
●●●●
●●● ●
●●●
●●
●● ●●●●
●●●
●●●●
●●
●●
●● ● ●
●●
● ●●●
●●
● ● ●●
● ●●●
●
●
●
●
●
●●● ●●●●
●
●● ●●
●●
●
● ●
●
●●●●
● ●● ● ●●● ● ●●●● ●●●●
●
●
●●
●●
●
●●●
●●●●
●
●●●
● ●●●●
●●● ●●
●
●
●●
●
●
●●●●
●● ● ●
●
●
●
●
●
●
● ●●●
● ●●●
●
● ●
●●
● ●●●
● ●
●●
●
●
●
●●●
●
●● ●
●
●●●●●
●
●
●
●
●● ●●●
● ●●
●●●
●●
●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●●●
●● ●●●●●●●
●● ●
●●● ●
●●
●
●
●●
●
●●
●●
●
●
●
●●● ●
●●
● ●● ●●
●
●●
●●
●

●●
● ●
●●
●● ●
●●
●●
●
●
●
●●
●●●
●●
●●●
●●
●
● ●●● ●
●
●● ●
● ● ●●●●●●
●● ●●●● ●●
●
● ●● ●
● ●●●●
●●● ●
● ●
●●
●●●●
●
●
●
●●● ●●
●
●
●● ●
●
●●●
●● ●
●
●●●
●●● ●●●
● ●● ●●●
●
●● ●
●●●
●● ●
●●●
●●
●
● ●●
●●● ●●
●
●●
●●
●●●●
●●● ●
●●
●
● ●●
●●●●
●●
●●●
●
●
●●
● ●●●●●
●
●
● ●● ● ●●
● ●
● ●
● ●
●●
10

20

30

100
0.00
0.25
0.50
0.75
1.00

100
200
300
400
500

1000
0

25
50
75

250
500
750
0

0
SLSOIL.hru SLSUBBSN.hru SOL_AWC.sol SOL_Z.sol SURLAG.bsn
0.6 ● ●● ●
●● ●●● ● ●
●
●●
●●●●●●
● ●●●
●●●
●
●
●●
●●
●
●
●
●●●
●
●
●●
●●●
●● ●●●●
●●
●●●●
●●
● ●
●
●
●●
●●
●●
●
●●
●●
●●
● ●
●●●●
●●
● ●●
●
●
●●●
●
●
●
●
●
●
●
●●
●
● ●
●●●
● ●●●
●●
● ●
●●
●
●
●●
●●●●
●●●●●
●
●
●
●
●
●●
●
●
●
●
●●
●● ●
●
●●
●
●●●●
●
● ●
●●●
●●●
●●
●●
●
●
●●●●
●●
● ●● ●
●
●
●
●
●
●●
●
●
●
●
●
● ● ●
● ●●●
● ●● ●●●
●●●
●
●
● ● ● ● ●●●
●● ●●●
●
●●●
● ●●
●
●●●
●●
●
●
●●●
●
●
●●
●●
●●●
●
●
●●
●●
●●
●●
●●●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●
●
●
●●
●●
●
●
●●
●
●
●●
●●
●
●●
●
●●● ●●●
●●●
●
●
●●
●
●
● ●
●
●●●
●●
●
●●
●●
●
●●
●
●●●
● ●
●
●
●●●●●
●●
●
●●
●
●●
●●
●●
●
●●
●
●●
●●
●
●
● ●●
●●●●
● ●
●
●
●
●
●●
●●
●
●●●● ●
●
●
●
●
●
●●
●●●●
● ●
●●●
●
●●●●
●
●●
●
●
●
● ●● ●●●●●
●●●
●
●●●
●●●●●●
●
●●
●●●
●
●●
●●●
●● ●●●●●●●●●●
●
●●●●●
●●●●
●
●
●●
●●●
●
●●
●
●●
●
●●●●●
●
●●
●
●
●
●●
●●
● ●●
●
●●●● ●
●●●●
● ●●
●●
●
●
●●●●
●●●●●●●
●
●●
●● ●● ●●●●
● ●● ●● ●
●● ●●●●
●●●● ●
●
●●●●● ●●
●
●● ● ●●● ●●●●●● ●● ●●
● ●
●● ●
●
●●●
●● ●●● ●● ● ●●●
●●●●● ●
●● ●
●
●● ●●●●●●
●●●● ●●
●
● ●●
● ●●●
●●● ●● ●
●● ●
●●●● ● ●
●● ● ● ●
●●●●●● ●
●●●●●
● ●
●●
● ●
●
●●●
●● ●
●●●●●
● ●
●
●●●
●
●● ● ●● ●●●
●●
●●
●● ●●● ●
●● ●●●●
● ●●
●●●
●
● ●
●●
● ●●
● ●
0.3 ●
● ● ●● ●
●
●●●●
●
● ●●
●●●
●
●●
●
●●●
●●
● ●●●
●
●●
●
●
●
●
●●
●● ●●
● ●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●●
●
●●
●
●
●
●
●
●
●●
●
●●
●●
●
●
●
●●
●
●● ●
●
●
●
●
●
●
●
●
●
●
●
●
●●●
●
●●
●
●●●
●
●
●●
●●
●
●
●
●
●
● ● ●●
●●
●
●●●
●●
●●●●●
●
●
●
●●●●
●
● ●●
●●
●
●●
●●
●
●
●
●
●●
●
●
● ●●
●●●●●
●●
●●●●
●●
●●
● ●●
●
●● ●
●
●
●
●
●
● ●●● ●●●●
●
●● ●●●
●●
●
●●●
●●
●●●
●
●●●
●●
●●
●
●●
●●
●
●● ● ●●●
● ● ●● ●
● ●
●●
●●●●
●
●
●
●
●
●
●
●
●●
●
●●
●
●
●●
●●
●
●
●
●
●
●
●
●
●
●●
●●
●
●
●
●
●
●
●
●
●●●
●●
●
●●●●
●●●
●●●● ●
●●
●
●●
●
●
●●●●
●●
●●●● ●●
●
●●●
●●●
●●●
●●● ●
● ●● ●●
●●
●
●
●● ●●
●
●●●
●
●
●
●●●●
●●
●●
●● ●
●● ●●
●
●
●
●●
●
● ●●
●
●
● ●
●● ●●
●
●
●●●●
●●
●●●
●
●
●
●
●
●●●
●
●● ●
●●
●
●●●●
●●
●
●●●
●
● ●
●
●
●●●
●●
●
●
●
●
●
●
●●●
●
●●●
●● ●
●
●
●
●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●●●
●
●●
●●●●
●●●
●●
●●●
●● ●
●
●
●●
●●
●
●●●●
● ●
● ●●●
●●●
●●
●
●●●
●●
●
●
●●
●
●
●
●
●●
●
●
●
●
●
●
●
● ●
● ●●●
●
●●
●
●
●
●
●
●
● ●
●
●●●●
●●
●●●● ●
●
●●●●
●
●●
●●●●
●
● ●
●
● ●
●●●●●
●●
●
●
●● ● ●
●● ●●
●● ●●● ●
●
●●●● ●
●●●
● ●●
● ●● ●●
●
●● ●● ● ● ●
● ●● ● ●
● ● ●
●● ●● ●●● ● ● ●●
●
●
● ● ●●
● ●●● ● ●
●● ●●
●● ●●● ●●
●● ●● ●● ●●●●
● ● ●●●
● ●
●● ●● ●● ●●●
●●● ● ●
● ●
● ●●
● ●●●●
●●●●
●
●●● ●●● ● ●
●●●●● ●
● ●● ● ●
●● ● ●
●● ● ●
●
●● ●●
●● ●●
●● ●
●● ●● ● ●●● ●●● ● ● ●● ● ●● ● ● ●● ● ●●● ● ●● ●●●● ● ●
0.0 ●
● ●●●
●● ● ● ● ●●●
●●● ●● ●
●
●● ●●
●●
●
●
●
● ● ●●
●
●●
●
●
●
● ●●
●●
●●●
●
●
●
●●●●●
●●
●●
●●●●
●● ●●
●●
●
●
●●●
●●●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●●
● ●●
●●●
●
●●● ●
●●
●●
●●●
●
●
●
●
●●
●
●
●
●
●
●●
●
●●
● ●
●
●●
●
●
●
●
●
●
●●
●●
●●
●
● ●●
●●
●●● ●●●●
●
●●
●●
●
●●
●
●●●
●
●
●
●
●
●
●●
●
●
●●
●● ●
● ●
●●
●
●
●
●●●
●
● ●●
● ●
●
●
●
● ●●●
●
●
●● ●
●
●
●
●
●
●
●
●●●●●
●●
● ● ●●●●
●
●●●
●
●
●
● ●● ●
●●●
●
●
●
●●●●●
●
●●
●
●●
●●
●●
●●
●●
● ●●
●
●
●
●
●●●
●
●
●●
●
●
●
●● ●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●●
●●
●
●●
●
●
●
●
●
●
●●
●●●●
●

●●●
●
●●
●
●
●
●
●
●
●●
●
●●
●
●
●
●
●
●
●●●●
●●
●
●
●
●●
●●●
●●
●
●
●
●
●
●●
●●
● ●
● ● ●●●●●●
●●
●
●●
●●●
●
●
●●
● ●
●
●●
●●
●
●
●
●
●
●●
● ●
●●
●
● ●●
●●
●●
● ●
●●●●
●
●
●●●●●
●
●
●
● ● ● ● ●
●
●●
●
●
●
●
●
●
●●●
●
●●●
● ●
●
●
●●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●●
●
● ●
●●
●
●●
●
●● ●
●●
●
●
●
●●●
●● ●● ●●
●●●
● ●●
●
● ●●
●
●
●●
●●●●
● ●● ●●●
●
●
●
●
●
●
● ●
●
●
● ●●
●
●
●
●●●
●●●
●
●
●
●
●
●
●
●
● ●
●●●
●
●●●
● ● ●●●
●
●
●●●●●
●●●●●
●
●●
●●
●●
●● ●
●●●
●●●●
●
●
●
●●
●
●●
● ●
●
●●●
●
●
●●●
●
●
●●●
● ●●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●●
●● ●●
●
●
●
●
●
●
●
●●● ●
●● ●●
●●●●
●
●
●
●
●
●
●●●
●●●
●●●
●
●
●
●
●
●●● ● ●● ●●●● ●●●
● ●●
● ●● ●● ●● ●●
● ●●
●●
●
● ● ●
●●
●
●
●●●
● ● ●● ●●● ●●●● ● ● ● ●●● ●● ●●
●
● ●●●●●
●
●●
● ●●
● ●● ●● ● ● ●●
●
● ●● ● ● ●● ●● ● ● ● ●●
● ●● ●● ●
● ● ●
● ● ●● ●
● ● ●
● ●●
●
●
●●
● ●●● ●● ●
−0.3 ●●●●●● ● ●●●
●
●● ●●●
●
●●
●
●●
●● ●● ● ●
●●
●
●●●
●
●● ●
●●
●
●
● ●
●
●●
●
●
●
●
●
●
●
●●●●
●
● ●
●●
●●●●●●●
●
●
●●
●
●
●
●
●
●
● ●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●
●●
●
●
●
●
●
●●●●
● ●●
●●
● ●●
●●●●
●
●
●
●●
●●
●●●●
●●●●
● ● ●●
●●
●●●●●●
●●●●
●●
●
●●
●
●
●●
●
●
●●
●● ● ●
●
●
●● ●●●
●●
●●
●
●●
● ●●●●●
●● ● ●●●
●●●●●
●
●●
●●
●
●● ●● ●
● ●●
●●●●
●
●
●
●
●●
●●●
●
● ●●
●
●
●
●
●
● ● ●●
●●
●●
●
●
●●
●
●●●●
●
●●●●●●
●
●●
●
●●
●
●●
●●●
●
●●●●
●
●●●
●●●● ●
●
●●
● ●
● ● ●
●●● ● ●●●●
● ●
●●●
●●●
● ●●
●● ●●
●● ●
● ●
●●
●●●●
●
●
●●
●
●
●
●
●
●
●
●
●●●●
● ●●
●● ●
●
●
●
●
●
●●
●●●
●●●●●
●●
●
●
●
●
●
●
●
●
●●
● ●
●
●
●●●●
●●●
●●
●●
●●
●●●
●
●●
●
●
●●
●●●
●
●
●
●
●
●
●●●●
●
●
●
●
●●
●
●● ● ● ●●
●
●
● ●● ●●●●●
●
● ●●● ● ●
●●● ● ● ●
●● ●●●●●
●● ●
●
●
●●●
● ●●● ●
●●●
●●●● ●
●● ●●●
●
●
●
●
●● ●●●●
●●
●
●
●
●●
●●●
●
●●● ●
●●
●
● ●●
●
100

150

100

150
0.0
0.1
0.2
0.3
0.4
0.5

1000

10
15
20
25
50

50

250
500
750

0
5
0

Variation des paramètres

Figure 12: Variation du NSE en fonction de l’évolution des paramètres d’entrés.

3.2.2 Calibration et validation

Les paramètres optimaux obtenus pour la calibration des modèles hydrologiques GR6J et SWAT,
sont présentés respectivement au tableau 4 et 5. Les résultats de la calibration et de la validation
des modèles GR6J et SWAT montrent que lesdits modèles ont une bonne performance (figure 6). Le
modèle SWAT a montré une meilleure performance à la calibration que le modèle GR6J. Cependant,
les résultats de la validation ont révélé une meilleure performance du modèle GR6J par rapport au
modèle SWAT (tableau 6 et figure 13).

29
 Résultats

Tableau 4: Paramètres optimaux obtenus après calage du modèle GR6J.

Paramètre X1 X2 X3 X4 X5 X6
Valeur 0.01 -8.03 284.68 6.24 0.17 35.5

Tableau 5: Paramètres optimaux obtenus après calage du modèle SWAT

Paramètre slsoil hru.slp sol.awc cn2 alpha.bf rchrg.dp ch.h2 esco sol.z
Valeur 44.53 0.02 0.287 74.24/93.61 0.358 0.0783 363.57 0.918 993.75

Tableau 6: Résultats de la calibration et validation des modèles hydrologiques GR6J et SWAT au pas
de temps journalier.

Calibration Validation
SWAT GR6J SWAT GR6J
NSE 0.68 0.61 0.69 0.75
RMSE 16.96 18.73 21.89 19.59
R2 0.68 0.62 0.73 0.78
PBAIS -1.70 12.40 -16.60 3.90

CALIBRATION VALIDATION
80
Débit (m3 s−1)

40 60

40
20
20

0 0
May

May
Sep

Sep
Dec

Dec
Nov

Nov
Aug

Aug
Mar

Mar
Feb

Feb
Jan

Jun

Jan

Jun
Apr

Oct

Apr

Oct
Jul

Jul

Date

Débits obs Débits sim SWAT Débits sim GR6J

Figure 13: Comparaison de la simulation des débits mensuels entre les deux modèles hydrologiques
(GR6J et SWAT) et les observations.

30
 Résultats

3.3 Scénarios de la ressource en eau de surface

Les débits simulés à partir des modèles climatiques sont plus élevés que les débits observés tant pour
le modèle GR6J que pour le modèle SWAT (figure 14).
Les débits moyens annuels des scénarios révèlent une forte variabilité interannuelle (figure 15). En
effet les écarts des débits moyens annuels issus des scénarios par rapport au débit de la période de
reférence (1976-2005) ont montré de fortes amplitudes qui vont de +307.9 % à -79.5 % pour le modèle
SWAT et de +169.2 % à -65.2 % pour le modèle GRJ6 (figure 16). Huit des scénarios hydrologiques
ont montré une tendance générale à la hausse par rapport à la période de réference contre quatre à
la baisse (figure 15).

ICHEC CNRM IPLS ref sim

GR6 J SWAT

75
Débit (m3 s−1)

50

25

0
ay

ay
p

ec

ec
ov

ov
g

g
ar

ar
b

b
n

n
Mr

ct

Mr

ct
l

l
Ap

Ap
Ju

Ju
Se

Se
Au

Au
Fe

Fe
Ja

Ju

Ja

Ju
O

O
M

M
N

N
D

D
Mois
Figure 14: Hydrogrammes moyens des débits observés et simulés (1983-2003).

31
 Résultats

Module annuel Module annuel Débit moyen Débit moyen Débit moyen
RCP 45 RCP 85 (2021−2050) RCP 4.5 (2021−2050) RCP 8.5 (1976−2005)

CNRM GR6 J ICHEC GR6 J IPSL GR6 J

75

50

25
Débit (m3 s−1)

0
CNRM SWAT ICHEC SWAT IPSL SWAT

75

50

25

0
2020 2030 2040 20502020 2030 2040 20502020 2030 2040 2050
Année
Figure 15: Scénarios des débits moyens, ainsi que la moyenne des débits des scénarios et des débits
historiques.

modèle ● SWAT ● GR6 J ●

Moyenne de
l'échantillon
annuel future(2021−2050) par rapport
à la période historique (1976−2005)
Pourcentage d'évolution du débit

CNRM RCP 45 CNRM RCP 85 ICHEC RCP 45

300 ●
300 ●

100
●
●

200 ●
●
●
● 200 50
100 ●
100 0 ●
● ●
0 ● ● 0 ●
−50
−100
SWAT GR6 J SWAT GR6 J SWAT GR6 J
ICHEC RCP 85 IPLS RCP 45 IPLS RCP 85

100
●
300
●
300 ●

50
●
200 200 ●
●
0 ● ● 100 100 ● ●
●
−50 0 ●
0
SWAT GR6 J SWAT GR6 J SWAT GR6 J

Figure 16: Distribution des écarts des débits moyens annuels issus des scénarios par rapport au débit
de la période de reférence (1976-2005).

La réalisation du test de Wilcoxon a révélé que seulement deux des huit scénarios hydrologiques
à la hausse étaient significatifs et que trois des quatre scénarios hydrologiques à la baisse étaient

32
 Discussions

significatifs (figure 17).

RCP 4.5 RCP 8.5 hist

CNRM GR6 J ICHEC GR6 J IPSL GR6 J

125
0.95 0.85 0.18 0.031 0.091 0.0085
p > 0.05: p > 0.05: p > 0.05: p < 0.05: p > 0.05: p < 0.05:
100
NS NS NS S NS S

75

●
50 ● ● ●

● ●
●
●

25
Débit (m3 s−1)

0
CNRM SWAT ICHEC SWAT IPSL SWAT
125
0.77 0.87 0.018 0.0099 0.06 0.0077
p > 0.05: p > 0.05: p < 0.05: p < 0.05: p > 0.05: p < 0.05:
100
NS NS S S NS S
●
● ●
●
75
●

●
50 ●
●
● ●
● ●

25

0
RCP 4.5 hist RCP 8.5 RCP 4.5 hist RCP 8.5 RCP 4.5 hist RCP 8.5

Figure 17: Comparaison des débits des scénarios et historiques, résultats de la p-value du test
Wilcoxon (NS : Non Significatif ; S : Significatif).

33
 Discussions

4 Discussions

4.1 Correction de biais.

La méthode de correction de biais (quantile-quantile) utilisée a permis dans l’ensemble d’améliorer

la statistique (R2 , RM SE, P BAIS) des simulations climatiques. L’effet de la correction est plus
remarquable sur les données de modèle ICHEC. En effet, la station synoptique de Ouagadougou assez
proche du bassin a été utilisée dans l’élaboration du modèle (pour la descente d’échelle) (Cathrine,
2014). Les données brutes représentaient assez bien la saisonnalité tant pour la précipitation
que pour les données de température. Pour les modèles CNRM et IPSL, la méthode n’a amélioré
significativement que la statistique des variables. Quant à la saisonnalité, seule l’amplitude des
valeurs a été modifiée. A ce sujet, les études de Lafon et al. (2013) basées en partie sur celles de
Piani et al. (2010a), Piani et al. (2010b) et Gudmundsson et al. (2012) ont montré que les méthodes de
corrections de biais quantile-quantile sont conçues pour améliorer que la distribution des variables.
Il suggère donc de diviser les échantillons en fonction de la saisonnalité de la zone d’étude ou
de regrouper les échantillons par mois avant d’effectuer la correction de biais. Cependant, au vu
de l’ensemble des améliorations des données, elles ont toutes été retenues pour l’élaboration des
scénarios hydrologiques.

4.2 Calibration et validation des modèles SWAT et GR6J.

4.2.1 Étude de sensibilité.

Vingt-cinq paramètres d’entrée de SWAT ont été examinés dans l’analyse de sensibilité à l’aide de la
méthode FAST, afin d’identifier les paramètres les plus influents sur les composantes du flux, dans le
but d’optimiser la fonction objective. Neuf des Vingt-cinq paramètres analysés se sont révélés plus
sensibles dans le processus hydrologique du bassin de Wayen. La majorité des paramètres détectés
sont en concordance avec ceux issus de l’étude de sensibilité de travaux antérieurs dans la sous-région.
Notamment dans le Bassin de R’dom situé dans le nord-ouest du Maroc (Brouziyne et al., 2017), les
bassins Koulikoro et Bani au Mali (Angelina et al., 2015 ; Begou, 2016), et les bassins de Pra et la Volta
blanche au Ghana (Kankam-Yeboah et al., 2013).

34
 Discussions

4.2.2 Évaluation de la performance des modèles GR6J et SWAT.

Au regard des valeurs des critères de performances issues de la calibration et de la validation des
modèles hydrologiques (GR6J, SWAT ). La performance des modèles a été jugée satisfaisante pour
la simulation des débits à la station de wayen. Les plages de paramètres obtenues à la calibration
du modèle SWAT sont cohérentes avec les études précédemment menées dans la sous-région
(Kankam-Yeboah et al., 2013 ; Angelina et al., 2015 ; Begou, 2016). Les travaux de Dao et al. (2019) sur
la contribution du modèle GR6J à l’évaluation du bilan hydrologique du sous-bassin BETE (lagune
Aghien, Sud Côte d’Ivoire) ont obtenu des paramètres de calage du modèle GR6J assez proches de
notre étude.
Cependant, l’analyse graphique des résultats de la calibration et de la validation a montré une
sous-estimation des débits simulés en hautes eaux (de juillet à octobre) par rapport aux débits
observés. Cela pourrait s’expliquer par la qualité des données climatiques (données mergées) qui ont
été utilisées pour la mise en oeuvre des modèles. Ces données issues de l’intégration des estimations
satellitaires et des données des réseaux d’observation (Houngnibo, 2018) constituent une bonne
alternative pour les études d’impacts. En effet, sa résolution spatiale est fine, comparée à celle des
réseaux d’observation au sol et la structure de biais que l’on peut rencontrer dans les données
satellitaires est réduite (Dinku et al., 2014). Mais tout comme les données satellitaires brutes, ou
les données issues d’une réduction d’échelle (statistique, ou dynamique). Les données mergées
n’estiment pas nécessairement au mieux l’intensité des précipitations quotidiennes qui ont une forte
influence sur la réponse hydrologique des bassins versants de la zone sahélienne. Ces résultats ont
révélé également une surestimation des débits de base de la période de calibration dont les valeurs
devraient être nulles. En effet, le cycle saisonnier des débits à la station était en relation étroite
avec celui des précipitations avant le début (à partir de 2003) des lâchées d’eaux du barrage de
Ziga (Pieyns, 2017). De plus le modèle GR6 J, conçu à la base pour la modélisation en basses eaux
(Pushpalatha et al., 2011 ; Poncelet, 2016 ; Coron et al., 2017) a une tendance à restituer des débits non
nuls sur toute la saison.

35
 Discussions

4.3 Scénarios d’évolution de la ressource en eau de surface du bassin de

Wayen.

Les résultats de l’étude ont montré que huit des douze scénarios d’évolutions des débits à la station
de Wayen, ont une tendance générale à la hausse. Cependant, le test de Wicolxon a révélé que
seulement deux des huit scénarios à la hausse étaient significatifs, et que trois scénarios présentaient
une baisse statistiquement significative. Ces tendances à la hausse pour certains scénarios et la baisse
pour d’autres corroborent celles issues des travaux de Boubacar (2012). En effet, il a montré à partir
des scénarios d’émissions socio-économiques des tendances contrastées issues des données CCLM,
HadRM3P et RACMO. Le même constat a été fait dans le rapport du PANA (2007), par Karambiri et
al. (2011), et Fowe et al. (2013). Par ailleurs, des études menées sur d’autres bassins dans le Sahel et
en Afrique ont montré des tendances contrastées. À ce titre, l’étude de Angelina et al. (2015) sur les
changements du régime d’écoulement du fleuve Niger à Koulikoro dans un contexte de changement
climatique a souligné une tendance à la hausse des débits contre une tendance à la baisse issue des
travaux de Kankam-Yeboah et al. (2013) sur les bassins de la Volta blanche et de Pra au Ghana.
À l’instar de certaines études menées sur le bassin de Wayen (Karambiri et al., 2011 ; Boubacar,
2012 ; Fowe et al., 2013), l’analyse des pourcentages de variations des débits futurs par rapport
à l’historique a révélé une forte amplitude. Ces pourcentages varient entre +307.9 et -79.5 pour
l’ensemble des scénarios. Ces fortes variations notamment positives seraient à la base des tendances
à la hausse enregistrées pour la majorité des scénarios. En effet, il est ressorti de l’analyse de la
distribution des pourcentages de variations que la médiane de la majorité des échantillons est
inférieure à zéro. Ce résultat a montré l’existence d’une forte variabilité interannuelle des débits
futurs des deux paquets de scénarios (RCP 4.5 et RCP 8.5). Cependant, cette variabilité est plus
importante dans les données de scénarios RCP 8.5 que les données de scénarios RCP 4.5. Cette
situation était prévisible d’autant plus que GIEC (2013) a présenté le scénario RCP 8.5 comme étant
celui des extrêmes climatiques. Nonobstant, les deux scénarios ont présenté des tendances similaires
tant pour le modèle hydrologique GR6J que pour le modèle SWAT. Cependant, la comparaison des
débits annuels des modèles hydrologiques a ressorti des différences notables. En effet, les débits
simulés par le modèle SWAT pour certaines années représentent le double du modèle GR6J. Cela met
en question le niveau de robustesse des modèles hydrologiques face à des conditions climatiques
variables, mais aussi, le degré de confiance à accorder aux simulations de débits dans un contexte
de changement climatique. En effet, Coron (2013) a mis en évidence cette incertitude liée à la
transférabilité temporelle des paramètres c’est-à-dire la possibilité d’utiliser les paramètres d’un
modèle dans des conditions différentes de celles de sa construction. Nonobstant, à l’instar de certains
travaux menés sur les scénarios hydrologiques (Ardon-Bardin et al., 2005 ; Karambiri et al., 2011 ;
Arnauld & Lanini, 2014 ; Angelina et al., 2015 ; Karlsson et al., 2016). Les résultats de cette étude ont
montré une importante variabilité interannuelle des modules.

36
 Conclusion

Conclusion

Dans un contexte global marqué par les changements climatiques avec un risque probable
d’intensification des évènements météorologiques extrêmes dans le futur, la planification de la
gestion des ressources en eau à moyen ou long terme constitue l’un des principaux défis pour notre
société. L’établissement de scénarios d’évolution de cette ressource est un préalable pour une bonne
planification. L’objet visé donc par cette étude était d’établir des scénarios d’évolution de la ressource
en eau de surface dans le bassin versant de Nakanbé à la station de wayen, afin d’apporter une aide
à l’Agence de l’eau du Nakanbé dans l’élaboration de son Schéma Directeur d’Aménagement et de
Gestion de l’Eau (SDAGE).
Ainsi, il ressort de l’étude une divergence des scénarios quant à la tendance d’évolution de la
ressource. De plus, les modules des débits issus des différents modèles hydrologiques présentent des
écarts assez importants pour certaines années. Enfin, l’étude a permis de révéler une forte variabilité
interannuelle des débits. Au regard de ces résultats, la tendance d’évolution de la ressource n’est pas
clairement établie. Néanmoins, les scénarios semblent s’accorder quant à la variabilité interannuelle
des débits annuels. Ces résultats réaffirment la complexité, de l’évaluation de l’évolution de la
ressource en eau future dans un contexte de changement climatique, et aussi les incertitudes que
peut comporter cette évaluation. Ces incertitudes sont généralement liées aux données d’entrée
notamment les données climatiques et au modèle d’impact (modèle hydrologique). Cela constitue
une limite dans la prise de décision pour les planificateurs. Et pour s’en prémunir, une quantification
des incertitudes pourrait guider les décisions et actions des décideurs. À cet effet, ces incertitudes
peuvent être évaluées à partir de scénarios issus de plusieurs modèles hydrologiques (multimodèle),
de plusieurs scénarios de changement climatique et de projections climatiques à partir de plusieurs
modèles climatiques.

37
 Bibliographie

Bibliographie

AEN, 2018. Finalisation du Schéma Directeur d’Aménagement et de Gestion des Eaux de l’espace de
compétence de l’Agence de l’Eau du Nakanbé (SDAGE EC-AEN) ( No. Version 2). AEN, Ziniaré
Angelina A., Gado Djibo A., Seidou O., Seidou Sanda I., Sittichok K., 2015. Changes to Flow Regime
on the Niger River at Koulikoro under a Changing Climate. Hydrological Sciences Journal, 60 (10) :
1709-1723, doi : 10.1080/02626667.2014.916407
Ardon-Bardin S., Dezetter A., Servat E., Mahe G., Paturel J.E., Dieulin C., Casenave L., 2005. Évaluation
des impacts du changement climatique sur les ressources en eau d’Afrique de l’Ouest et Centrale.
296194-202
Arnauld L., Lanini S., 2014. Impact Du Changement Climatique Sur Les Resources En de La Martinique
(Rapport No. BRGM/RP-62676-FR). BRGM
Arnell N.W., 1999. The Effect of Climate Change on Hydrological Regimes in Europe : A Continental
Perspective. Global Environmental Change, 9 (1) : 5-23, doi : 10.1016/S0959-3780(98)00015-6
Arnold J.G., Moriasi D.N., Gassman P.W., Abbaspour K.C., 2012. SWAT : MODEL USE, CALIBRATION,
AND VALIDATION. Vol. 55(4) : 1491-150818
Bates, Bryson, Kundzewicz, Z.W, Wu, Burkett, 2008. Climate Change and Water. Technical Paper of
the Intergovernmental Panel on Climate Change. (Technical Report No. IPCC Technical Paper VI).
Intergovernmental Panel on Climate Change (IPCC)
Begou J.C., 2016. Hydrological Modeling of the Bani Basin in West Africa :Uncertainties and
Parameters Regionalization. Doctorat, Université d’Abomey
Boubacar I., 2012. Caractérisation des saisons de pluies au Burkina Faso dans un contexte de
changement climatique et évaluation des impacts hydrologiques sur le bassin du Nakanbé. Doctorat,
Université Pierre et Marie Curie - Paris VI., France, Paris
Brouziyne Y., Abouabdillah A., Bouabid R., Benaabidate L., Oueslati O., 2017. SWAT Manual
Calibration and Parameters Sensitivity Analysis in a Semi-Arid Watershed in North-Western
Morocco. Arabian Journal of Geosciences, 10 (19) : 427, doi : 10.1007/s12517-017-3220-9
Bwira J.P., 2016. Modélisation hydrologique conceptuelle GR - Cas du bassin versant de Nsimi au
Cameorun. Master 1, Université Paul Toulouse III-Sabatier, Toulouse
Cathrine F.M., 2014. Presentation of the DMI-HIRHAM5 CORDEX AFRICA-44 Simulation - v2,
September, 2014 ( No. 14-02). Danish Meteorological Institute, Copenhagen
Charron I., 2016. Guide sur les scénarios climatiques : Utilisation de l’information climatique pour
guider la recherche et la prise de décision en matière d’adaptation. Edition 2016. Ouranos,

38
 Bibliographie

Confalonieri R., Bellocchi G., Bregaglio S., Donatelli M., Acutis M., 2010. Comparison of Sensitivity
Analysis Techniques : A Case Study with the Rice Model WARM. Ecological Modelling, 221 (16) :
1897-1906, doi : 10.1016/j.ecolmodel.2010.04.021
Coron L., 2013. Les modèles hydrologiques conceptuels sont-ils robustes face à un climat en
évolution ? Diagnostic sur un échantillon de bassins versants français et australiens. thèse de
doctorat, L’Institut des Sciences et Industries du Vivant et de l’Environnement (AgroParisTech),
Paris
Coron L., Delaigue O., Thirel G., Perrin C., Michel C., 2019. airGR : Suite of GR Hydrological Models
for Precipitation-Runoff Modelling. https ://CRAN.R-project.org/package=airGR/
Coron L., Thirel G., Delaigue O., Perrin C., Andréassian V., 2017. The Suite of Lumped GR
Hydrological Models in an R Package. Environmental Modelling & Software, 94166-171, doi :
10.1016/j.envsoft.2017.05.002
Cukier R.I., Fortuin C.M., Shuler K.E., Petschek A.G., Schaibly J.H., 1973. Study of the Sensitivity of
Coupled Reaction Systems to Uncertainties in Rate Coefficients. I Theory. The Journal of Chemical
Physics, 59 (8) : 3873-3878, doi : 10.1063/1.1680571
Danlu G., Seth W., Tim P., 2019. Evapotranspiration : Modelling Actual, Potential and Reference Crop
Evapotranspiration. R package version 1.14/https ://CRAN.R-project.org/package=Evapotranspiration
Dao A., FADIKA V., NOUFE D.D., DIABY A.A., KAMAGATE B., 2019. Contribution du modèle GR6J
à l’évaluation du bilan hydrologique du sous bassin BETE (lagune Aghien, Sud Côte d’Ivoire).9
Deque M., 2007. Frequency of Precipitation and Temperature Extremes over France in an
Anthropogenic Scenario : Model Results and Statistical Correction According to Observed
Values. Global and Planetary Change, 57 (1-2) : 16-26, doi : 10.1016/j.gloplacha.2006.11.030
Dinku T., Hailemariam K., Maidment R., Tarnavsky E., Connor S., 2014. Combined Use of Satellite
Estimates and Rain Gauge Observations to Generate High-Quality Historical Rainfall Time Series
over Ethiopia : COMBINING SATELLITE AND GROUND OBSERVATIONS. International Journal of
Climatology, 34 (7) : 2489-2504, doi : 10.1002/joc.3855
Dominik R., 2015. Fast : Implementation of the Fourier Amplitude Sensitivity Test (FAST). R package
version 0.64.
Driouech F., Mahe G., Deque M., Dieulin C., Heirech T.E., Milano M., Benabdelfadel A., Rouche
N., 2010. Evaluation d’impacts Potentiels de Changements Climatiques Sur l’hydrologie Du Bassin
Versant de La Moulouya Au Maroc.
Espinoza S.V.M., 2017. airGR un package de modélisation hydrologique à améliorer ? Évaluation sur
un large échantillon de bassins versants. Master 2, Université Pierre et Marie Curie, France

39
 Bibliographie

Fowe T., Paturel J.-E., Karambiri H., Yacouba H., Diello P., Mahe G., 2013. Impacts des changements
globaux sur les ressources en eau dans la zone sahélienne en Afrique de l’Ouest. 99-104
Gassman P.W., Reyes M.R., Green C.H., Arnold J.G., 2007. The Soil and Water Assessment Tool :
Historical Development, Applications, and Future Research Directions. Transactions of the ASABE,
50 (4) : 1211-1250, doi : 10.13031/2013.23637
GIEC, 2007. Bilan 2007 des changements climatiques. Contribution des Groupes de travail I, II et III
au quatrième Rapport d’évaluation du Groupe d’experts intergouvernemental sur l’évolution du climat
[Équipe de rédaction principale, Pachauri, R.K. et Reisinger, A. (publié sous la direction de~)]. ( No. 4ieme).
GIEC, Genève, Suisse
GIEC, 2013. Changements Climatiques 2013 Les Éléments Scientifiques : Contribution Du Groupe de
Travail I Au Cinquième Rapport d’évaluation Du Groupe d’experts Intergouvernemental Sur l’évolution
Du Climat. Suisse
Gudmundsson L., 2016. Qmap : Statistical Transformations for Post-Processing Climate Model
Output./R package version 1.0-4
Gudmundsson L., Bremnes J.B., Haugen J.E., Engen-Skaugen T., 2012. Technical Note : Downscaling
RCM Precipitation to the Station Scale Using Statistical Transformations &ndash ; a Comparison of
Methods. Hydrology and Earth System Sciences, 16 (9) : 3383-3390, doi : 10.5194/hess-16-3383-2012
Hargreaves, Samani G.H., 1985. Reference Crop Evapotranspiration from Ambient Air Temperature.
American Society of Agricultural Engineers.13
Hingray B., Musy A., Picouet C., 2009. Hydrologie : une science pour l’ingénieur. Presses
polytechniques et universitaires romandes, Lausanne,
Hlavcová K., Szolgay J., Kohnová S., Bálint G., 2008. Hydrological Scenarios of Future Seasonal Runoff
Distribution in Central Slovakia. IOP Conference Series : Earth and Environmental Science, 4012022, doi :
10.1088/1755-1307/4/1/012022
Houngnibo M.C., 2018. MERGING DES DONNÉES D’OBSERVATIONS SATELLITAIRES ET IN-SITU
POUR DES APPLICATIONS AGROCLIMATIQUES AU BENIN. (RAPPORT DE 2 Eme ANNEE CYCLE
INGENIEUR EN AGROMETEOROLOGIE.). AGRHYMET, Niamey.
Ibrahim B., Karambiri H., Polcher J., 2015. Hydrological Impacts of the Changes in Simulated Rainfall
Fields on Nakanbe Basin in Burkina Faso. Climate, 3 (3) : 442-458, doi : 10.3390/cli3030442
IPCC, 2001. BILAN 2001 DES CHANGEMENTS CLIMATIQUES : Rapport de Synthèse. (Technique No.
3ième)
Iqbal M., Dahri Z., Querner E., Khan A., Hofstra N., 2018. Impact of Climate Change on Flood
Frequency and Intensity in the Kabul River Basin. Geosciences, 8 (4) : 114, doi : 10.3390/geosciences8040114

40
 Bibliographie

IWACO, 1993. Carte Hydrogéologique Du Burkina Faso à l’échelle 1 :500 000 : Feuille Ouagadougou. (
No. 60.451/27). Ministère de ł’eau du Burkina Faso, Burkuna Faso
Kankam-Yeboah K., Obuobie E., Amisigo B., Opoku-Ankomah Y., 2013. Impact of Climate Change on
Streamflow in Selected River Basins in Ghana. Hydrological Sciences Journal, 58 (4) : 773-788, doi :
10.1080/02626667.2013.782101
Karambiri H., García Galiano S.G., Giraldo J.D., Yacouba H., Ibrahim B., Barbier B., Polcher J., 2011.
Assessing the Impact of Climate Variability and Climate Change on Runoff in West Africa : The
Case of Senegal and Nakambe River Basins. Atmospheric Science Letters, 12 (1) : 109-115, doi :
10.1002/asl.317
Karlsson I.B., Sonnenborg T.O., Refsgaard J.C., Trolle D., Børgesen C.D., Olesen J.E., Jeppesen E.,
Jensen K.H., 2016. Combined Effects of Climate Models, Hydrological Model Structures and Land
Use Scenarios on Hydrological Impacts of Climate Change. Journal of Hydrology, 535301-317, doi :
10.1016/j.jhydrol.2016.01.069
Ki T.F., Sankara S.B., Congo M., Bakyono P.D., Palm E.M.S., 2013. LES AGENCES DE L’EAU AU
BURKINA FASO : CAPITALISATION DU PROCESSUS DE MISE EN PLACE. MINISTERE DE L’EAU,
DES AMENAGEMENTS HYDRAULIQUES ET DE L’ASSAINISSEMENT (MEAHA), Burkuna Faso
Lafon T., Dadson S., Buys G., Prudhomme C., 2013. Bias Correction of Daily Precipitation Simulated
by a Regional Climate Model : A Comparison of Methods. International Journal of Climatology, 33
(6) : 1367-1381, doi : 10.1002/joc.3518
Leta O., El-Kadi A., Dulai H., 2018. Impact of Climate Change on Daily Streamflow and Its Extreme
Values in Pacific Island Watersheds. Sustainability, 10 (6) : 2057, doi : 10.3390/su10062057
Lutz A.F., Immerzeel W.W., Shrestha A.B., Bierkens M.F.P., 2014. Consistent Increase in High Asia’s
Runoff Due to Increasing Glacier Melt and Precipitation. Nature Climate Change, 4 (7) : 587-592, doi :
10.1038/nclimate2237
Mei L., 2003. La ressource en eau au Burkina Faso gestion et enjeux. Travaux du Laboratoire de
Géographie Physique Appliquée, 22 (1) : 37-55, doi : 10.3406/tlgpa.2003.1010
Moriasi D.N., Arnold J.G., Van Liew M.W., Bingner R.L., 2007. MODEL EVALUATION GUIDELINES
FOR SYSTEMATIC QUANTIFICATION OF ACCURACY IN WATERSHED SIMULATIONS. Vol.
50(3)885-900
Nash J., Sutcliffe J., 1970. River Flow Forecasting through Conceptual Models Part I Discussion of
Principles. Journal of Hydrology, 10 (3) : 282-290, doi : 10.1016/0022-1694(70)90255-6
Niasse M., 2004. Prévenir les conflits et promouvoir la coopération dans la gestion des fleuves
transfrontaliers en Afrique de l’Ouest. Volume 5 Numéro 1

41
 Bibliographie

Oki T., 2006. Global Hydrological Cycles and World Water Resources. Science, 313 (5790) : 1068-1072,
doi : 10.1126/science.1128845
Olivera F., Valenzuela M., Srinivasan R., Choi J., Cho H., Koka S., Agrawal A., 2006. ARCGIS-SWAT :
A GEODATA MODEL AND GIS INTERFACE FOR SWAT. Journal of the American Water Resources
Association, 42 (2) : 295-309, doi : 10.1111/j.1752-1688.2006.tb03839.x
Oudin L., 2004. RECHERCHE D’UN MODELE D’EVAPOTRANSPIRATION POTENTIELLE
PERTINENT COMME ENTREE D’UN MODELE PLUIE-DEBIT GLOBAL. Doctorat, ’Ecole Nationale
du Génie Rural, des Eaux et Forêts, Paris
PANA, 2007. PROGRAMME D’ACTION NATIONAL D’ADAPTATION A LA VARIABILITE ET AUX
CHANGEMENTS CLIMATIQUES (PANA DU BURKINA FASO). MECV, Burkina Faso
PANA, 2015. PLAN NATIONAL D’ADAPTATION AUX CHANGEMENTS CLIMATIQUES (PNA) DU
BURKINA FASO. Ministère de l’environnement et du développement durable (MEDD), Burkina Faso
Perrin C., 2000. Vers une amélioration d’un modèle global pluie-débit au travers d’une approche
comparative. Doctorat unique, INSTITUT NATIONAL POLYTECHNIQUE DE GRENOBLE, France
Piani C., Haerter J.O., Coppola E., 2010a. Statistical Bias Correction for Daily Precipitation in
Regional Climate Models over Europe. Theoretical and Applied Climatology, 99 (1-2) : 187-192, doi :
10.1007/s00704-009-0134-9
Piani C., Weedon G., Best M., Gomes S., Viterbo P., Hagemann S., Haerter J., 2010b. Statistical
Bias Correction of Global Simulated Daily Precipitation and Temperature for the Application of
Hydrological Models. Journal of Hydrology, 395 (3-4) : 199-215, doi : 10.1016/j.jhydrol.2010.10.024
Pieyns S.A., 2017. AMELIORATION DE LA CONNAISSANCE ET DE LA GESTION DES EAUX AU
BURKINA FASO. Banque Mondiale, Burkina Faso
Poncelet C., 2016. Du bassin au paramètre : jusqu’où peut-on régionaliser un modèle hydrologique
conceptuel ? Doctorat, UNIVERSITÉ PIERRE ET MARIE CURIE, Paris
Pushpalatha R., Perrin C., Le Moine N., Mathevet T., Andréassian V., 2011. A Downward Structural
Sensitivity Analysis of Hydrological Models to Improve Low-Flow Simulation. Journal of Hydrology,
411 (1-2) : 66-76, doi : 10.1016/j.jhydrol.2011.09.034
Schürz C., 2019. SWATplusR : Running SWAT2012 and SWAT+ Projects in R. R package version 0.2.7,
doi : 10.5281/zenodo.3373859
Singh V.P. (Ed.), 1995. Computer Models of Watershed Hydrology. Rev. ed. Water Resources
Publications, Highlands Ranch, Colo,
Surfleet C.G., Tullos D., Chang H., Jung I.-W., 2012. Selection of Hydrologic Modeling Approaches for
Climate Change Assessment : A Comparison of Model Scale and Structures. Journal of Hydrology,

42
 Bibliographie

464-465233-248, doi : 10.1016/j.jhydrol.2012.07.012

Taylor K.E., 2001. Summarizing Multiple Aspects of Model Performance in a Single Diagram. Journal
of Geophysical Research : Atmospheres, 106 (D7) : 7183-7192, doi : 10.1029/2000JD900719
Winchell M., Srinivasan R., Di Luzio M., Arnold J., 2013. ARCSWAT INTERFACE FOR SWAT2012 ;
USER’S GUIDE. USDA AGRICULTURAL RESEARCH SERVICE, USA
World Bank, 2009. World Development Report 2010 : Development and Climate Change. The World
Bank,
Yan D., Werners S.E., Ludwig F., Huang H.Q., 2015. Hydrological response to climate change : The
Pearl River, China under different RCP scenarios. Journal of Hydrology : Regional Studies, 4228-245,
doi : 10.1016/j.ejrh.2015.06.006

43
 Annexe

Annexe

Les quatre bassins nationaux du Burkina

I
 Annexe

Occupation de sol du bassin versant de Wayen.

2°0'0"W 1°0'0"W

14°0'0"N

²
13°0'0"N

0 0.5 1
degré

Légende
Zone de patûrage
Maquis
Terres agricoles
Agropyre à crête Source
Sols arides
Eaux USDA

(a) Couverture de sol du bassin. (b) Types de sols du bassin.

´
14°0'0"N

13°0'0"N

Source : SWAT.

dd
1 0.5 0

2°0'0"W 1°0'0"W

(c) Les unités de réponse hydrologique du bassin.

II
 Annexe

Caractéristiques morphologie du Bassin versant de Wayen.

(a) Courbe hypsométrique du bassin versant du Nakanbé de Wayen

(b) Representation du bassin de Wayen en 3D

III
 Annexe

Les paramètres de SWAT considérés pour l’étude de sensibilité.

Paramètre Signification Unité

GWDELAY.gw Temps de retard des eaux souterraines jours
OVN.hru Valeur "n" de Manning pour le débit de surface sans unité
CN2.mgt numéro initial de la courbe de ruissellement du SCS sans unité
pour la condition II.
REVAPMN.gw Profondeur minimale de l’eau dans l’aquifère peu mm
profond pour "revap" ou percolation vers l’aquifère
profond.
SOLAWC.sol Capacité en eau disponible du sol. mm H2 O /mm soil
SURLAG.bsn Coefficient de retard de ruissellement en surface. sans unité
ESCO.hru Facteur de compensation de l’évaporation du sol. sans unité
GWQMN.gw Profondeur minimale de l’eau dans l’aquifère peu mm H2 O
profond requise pour que le débit de retour se produise.
ALPHABF.gw Facteur alpha du débit de base l/jour
LATTIME.hru Temps d’écoulement latéral jours
SLSOIL.hru Longueur de la pente pour l’écoulement souterrain m
latéral.
HRUSLP.hru Inclinaison de la pente de l’aire de couverture mm
CANMX.hru Stock maximum en eau du couvert végétal mm H2 O
EPCO.hru Facteur de compensation de l’absorption par les sans unité
plantes.
CHK2.rte Conductivité hydraulique efficace dans les alluvions du mm/heure
canal principal.
CH.N2.rte Valeur "n" de Manning pour le canal principal. sans unité
SOL.Z.sol profondeur de la surface du sol jusqu’au fond de la mm
couche
CH.K1.sub Conductivité hydraulique efficace dans les alluvions mm/heure
des chenaux
CH.N1.sub Valeur "n" de Manning pour les chenaux tributaires sans unité
PLAPS.sub Taux de chute des précipitations. mm H2 O/km
EVRCH.bsn facteur d’ajustement d’évaporation. sans unité
SHALLST.gw la profondeur initiale de l’eau dans l’aquifère peu mm H2 O
profond.
RCHRG.DP.gw Fraction de percolation de l’aquifère profond. sans unité
GW.REVAP.gw Coefficient "revap" des eaux souterraines. sans unité

IV