Mémoire

Abstract

Le Burkina Faso est un pays situé en Afrique de l’Ouest et possède une population de 18 millions d’habitants(Siri & Mele, 2019). L’élevage a un rôle important dans l’économie du pays avec, 9 millions de bovins, 14 millions de caprins, 9 millions d’ovins et 44 millions de volailles. Le pays produit environ 0,35 millions de tonnes de viande et environ 264 000 tonnes de lait par an(Siri & Mele, 2019). L’élevage représente donc le troisième poste d’exportation du pays après l’or et le coton. Il compte pour 25 % des recettes d’exportation du pays(Ministère de l’agriculture, 2014). Vu l’importance de l’élevage dans l’économie et dans les conditions de vie des populations, la réalisation d’un bilan fourrager est important pour suivre et gérer le développement de l’activité pastorale du Burkina Faso.

Les méthodes employées en zone sahélienne africaine pour estimer le bilan fourrage utilisent une combinaison des données de biomasse végétale fourragère mesurées sur site avec des variables satellitaires comme par exemple le NDVI (indice de végétation par différence normalisée) ou le FAPAR (Fraction of Absorbed Photosynthetically Active Radiation), en vue d’élaborer un modèle d’estimation de la biomasse végétale fourragère qui utilise la régression linéaire simple ou multiple.

Cette méthodologie a été utilisée dans un article écrit par Some et al., (2024). L’objectif de celui-ci était d’évaluer les rendements fourragers des pâturages dans six espaces climatiques du Burkina Faso via l’utilisation des données de biomasse végétale fourragère collectées sur le terrain entre 2017 et 2019, et des variables satellitaires phénologiques (NDVI, FAPAR) et agroclimatiques (précipitations, humidité du sol, évapotranspiration, température de surface). Les résultats des modèles obtenus par Some et al., (2024)sont assez faibles, avec des RRMSE(Relative Root Mean Square Error) press (en validation) compris entre 42 % et 49 %.

Une piste d’amélioration des ces résultats est l’emploi des variables issues du logiciel GEOWRSI (Indice de satisfaction en eau). Dans ce travail, les variables issues du GEOWRSI ont été utilisées de la manière suivante :

 Modélisation linéaire uni et multivariée utilisant uniquement les variables issues du GEOWRSI.  Modélisation linéaire uni et multivariée combinant les variables GEOWRSI et celles de Some et al., (2024).  Recherche de modèles non linéaires univariés pour les variables GEOWRSI et celles de Some et al., (2024).

La modélisation linéaire uni et multivariée utilisant uniquement les variables GEOWRSI ne produit pas des bons résultats avec des RRMSE (Relative Root Mean Square Error) press (en validation) variant entre 53 % et 67% pour l’ensemble des modèles obtenus. Ces résultats sont tous moins bons que ceux obtenus par Some et al., (2024).

La modélisation linéaire uni et multivariée utilisant la combinaison des variables GEOWRSI et des variables de Some et al., (2024) a permis d’améliorer les résultats de Some et al., (2024) et en particulier les performances de neuf modèles sur un total de vingt-quatre modèles et ce dans quatre espaces climatiques. Ces espaces sont : l’espace climatique Sahélien (modèle à quatre variables), l’espace Sahélien et Nord-Soudanien (modèles à deux, à trois et à quatre variables), l’espace Nord-Soudanien (modèles à deux et à quatre variables) et l’espace climatique Sud-Soudanien (modèles à deux, à trois et à quatre variables). Par exemple, le meilleur modèle obtenu pour l’espace climatique Sud-Soudanien est un modèle avec quatre variables. Le paramètre RRMSE press obtenu en intégrant la variable sos et twd_r est de 49,7 %. Cette valeur est meilleure que celle obtenue par Some et al., (2024), qui était de 55,2%. L’erreur a été réduite de 5,5 %, et il s’agit de la meilleure amélioration obtenue dans cette étude par l’intégration des variables GEOWRSI.

Finalement, la recherche des modèles non linéaires avec les variables de Some et al., (2024) et les variables GEOWRSI a permis d’améliorer le critère RMSE. Voici les deux analyses considérées.

Variables de Some et al., (2024)

La modélisation non linéaire a permis de réduire le critère RMSE dans quatre espaces climatiques suivants : National, Sahélien, Nord- Soudanien et Sud- Soudanien et l’espace climatique Sud-Soudanien. Les modèles ayant permis ces améliorations sont le modèle exponentiel à deux paramètres et polynôme quadratique.

Par exemple, la recherche des modèles non linéaires a permis d’améliorer le critère RMSE ordinaire pour la variable aup_fapar au sein de l’espace climatique Sud-Soudanien. En effet, la valeur du RMSE ordinaire est de 1018,26 kg/ha pour le meilleur modèle univarié non linéaire, ce qui est meilleur que celle obtenue par Some et al., (2024), qui était de 1043 kg/ha. L’erreur a été réduite de 24,74 kg/ha, et il s’agit de la meilleure amélioration obtenue dans cette étude avec la modélisation non linéaire.

Variables GEOWRSI

La recherche de modèles non linéaires pour la variable Twd_i a permis d’obtenir des meilleurs résultats comparés à ceux obtenus en utilisant uniquement les variables GEOWRSI. Les améliorations ont été constatées dans les espaces climatique suivants : National, Sahélien et l’espace climatique Sahélien et Nord-Soudanien. Les modèles qui ont permis une amélioration sont le modèle polynôme cubique et le modèle logistique à trois paramètres.

Par exemple, pour la variable univarié twd_i au sein de l’espace climatique National, la valeur du RMSE ordinaire est de 946,18 kg/ha pour le meilleur modèle univarié non linéaire, ce qui est meilleur que celle obtenue avec la variable twd_f pour le meilleur modèle linéaire, qui était de 951,85 kg/ha. L’erreur a été réduite de 5,67 kg/ha.