Académique Documents
Professionnel Documents
Culture Documents
PROMOTION : 2018-2020
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
i
Remerciements
Remerciements
ii
Liste des figures
iii
Liste des tableaux
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
Remerciements ii
Sigles et Abréviations v
Résumé viii
Abstract ix
Introduction 1
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
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).
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.
4
État des connaissances
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).
5
État des connaissances
Tableau 1: Scénarios de référence d’évolution des concentrations des gaz à effet de serre.
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 :
6
État des connaissances
1.3 Généralités sur les études d’impacts du changement climatique sur les
ressources en eau futures ou scénarios hydrologiques
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
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.
9
État des connaissances
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
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
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
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
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
13.5 13.5
27.5 20
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.
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.
13
Matériels et Méthodes
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)
Les données géo spatiales (statiques) utilisées dans le cadre ce travail comprennent :
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 :
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
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 :
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
●
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) :
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).
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.
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 )
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.
22
Matériels et Méthodes
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
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)
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
25
Résultats
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
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
6 0.6 IPLS
5
ré
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
27
Résultats
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
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
0.0
0.1
0.2
0.3
1000
2000
3000
4000
5000
0.0
0.2
0.4
100
150
50
0
0
●●●
●
●
●
●●
●●●
●
●
●
●
●●● ●●●
●●●●
●● ●●
●●
●
●●●●●
●
●●
●●
●● ● ●
●
●
●
●
●
●●
● ●
●
●
●
●
●●
●
●
●●
●
●●
●
●●●
●
●●●
● ●●● ●
●
●
●●● ● ●●
●
●
●
●
●●
●
●
●
●
●
●●
●●
●
●
●
●
●
●●●
●
●●
●
●●
●
●
●
●
●●
●● ●● ●
●●● ●●
●
●
●
●●
●●●
●
● ● ●● ● ●
●●●●
●●●●
●●●
●●
●● ●
● ●●●
●
●
●
●●
●
● ●
● ●●
●●●●
●
●
●
●
●
●
●
●●
●
●● ●
●●
●
●●
●●
●
●
●●
●
●●
●
●
●
●
●
●
●
●
●
●
●
●
● ●●●● ●●●●
●
●
●●
●
●●
●
●
● ●
●●
●
●
● ●●
●
●●
● ●
●
●●
●●●● ●●●
●●●
●●
●
●●
●
●
●
●
●●●
●
●●● ●
● ● ●●
●● ● ●●
● ●●● ● ● ●●●
●●
●● ●
●
●
●
●●●
●●
●
●
●
●
●●
●
●●
●●
●●●●
●
●
●
●●●●
●●●
●●●●●
●
●
●
●●●●●
●
●
●
●
●
●●● ●●●●
●●
●
●
●
●
●●●
● ●●●
●
●
●
●
●
●
●
●
●
●●●●●
●●●●●
●
●●●●
●●
●
●●
●
●
●●
●●
●
●●
●
● ●●●
●● ●
●
●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●
● ● ●
●
●
●●● ●●
●
●●
●
●●
●
●
● ● ●
●
●●●
●
●
●
●
●
●
●●● ●● ● ●
●
●● ●●
●
●●
●●
●
●
●
●
●
●
●
●
● ●●
●
●
●
●
●
●
●●
●●
●●
● ●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●●
●●
●●
●
●● ●
●
●
●
●
● ●●
●
●
●
●
●
●
●
●
●
●
●
●
●●●●
●
●●
● ● ● ● ● ● ● ●●
● ●●● ● ●
●● ● ●
● ● ●● ● ●●●
● ●●● ● ●● ●●
● ●●●● ● ●
● ● ●● ●
●● ●
● ●●●●● ● ● ●●● ●
● ●●● ●
●● ●● ●● ●●
● ●
●●●●●● ●● ● ●●
●●● ● ● ● ● ●
●
●●● ●●●● ●● ● ●
● ● ● ● ●
● ● ●● ● ●● ●●
●●
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
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
Paramètre X1 X2 X3 X4 X5 X6
Valeur 0.01 -8.03 284.68 6.24 0.17 35.5
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
30
Résultats
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).
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)
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.
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
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
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
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
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
43
Annexe
Annexe
I
Annexe
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
´
14°0'0"N
13°0'0"N
Source : SWAT.
dd
1 0.5 0
2°0'0"W 1°0'0"W
II
Annexe
III
Annexe
IV