Critique des données pluviométriques simulées sur la période 1961-2009

La performance des cinq modèles climatiques à reproduire le régime pluviométrique au Burkina Faso est évaluée sur la période historique à travers une comparaison entre la statistique des données pluviométriques simulées et la statistique des données pluviomé- triques observées. L’analyse critique des simulations pluviométriques consiste à évaluer leur représentativité sur l’ensemble du pays en comparaison avec les données enregistrées au niveau des dix stations du réseau synoptique. Cette analyse est faite par rapport aux principales caractéristiques de la saison des pluies qui décrivent toutes ses potentialités agricoles et hydrologiques. La méthodologie développée vise à évaluer l’amplitude des dif- férents écarts ou des similarités entre les caractéristiques issues des données observées et celles issues des données simulées.La représentativité des simulations pluviométriques est évaluée à travers une détermina- tion des amplitudes, de la variabilité saisonnière et interannuelle, et la variabilité spatiale des deux types de données pluviométriques sur l’ensemble du Burkina Faso. La première formule d’estimation de l’écart entre deux séries de données est la différence entre ces données pour chaque rang. Si toutes les différences sont nulles, alors les deux séries de données sont dites identiques. Malheureusement, dans le cas des données climatiques ou hydrologiques, ces différences sont rarement toutes nulles.

D’où l’élaboration d’une série de La MAE est d’autant proche de zéro que les deux séries de données sont similaires.La deuxième caractéristique de calcul des écarts entre les observations et les simulations, est l’écart quadratique moyen, qui représente la distance entre les moyennes des deux séries. Tout comme la MAE, la RMSE est d’autant plus proche de zéro que les deux séries sont similaires.Willmott and Matsuura (2005) à partir d’une analyse de la pertinence des deux indicateurs d’écart, MAE et RMSE, montrent que pour une analyse des données climatiques, la MAE est plus robuste que la RMSE. Car la MAE est fonction de trois caractéristiques d’un ensemble d’écart (MAE, distribution des e2Le test non paramétrique de Pearson évalue le degré d’indépendance de deux échantillons de même taille. Il évalue le degré de ressemblance de la variabilité temporelle ou spatiale de deux séries de données. L’hypothèse nulle du test de Pearson est un coefficient de corrélation nul, ρ = 0. Cette hypothèse est acceptée si la p-value du test est supérieure Le test de Fligner évalue la ressemblance de la dispersion des données autour de la valeur moyenne. Ce test est nécessaire lorsque la corrélation entre les deux données est non significative car deux séries de même variabilité temporelle présentent nécessairement la même variance.Le test permet d’évaluer l’homogénéité de variance dans les k séries de données (Xi,j avec 1 ≤ i ≤ nj et 1 ≤ j ≤ k). k = 2 pour notre analyse car nous avons deux séries, la série des données observées et la série des données simulées ; et nj = N pour tout j.

La procédure est basée sur le rang des données dans un classement par ordre croissant de toutes les données et le calcul du score moyen de chacune des séries.La variable test est : La discrétisation de la saison des pluies consiste à représenter la saison des pluies à travers des caractéristiques pluviométriques déterminées à l’intérieur de la période de la saison. Ces caractéristiques permet d’analyser la saison des pluies sous différents aspects. Cepen- dant, la détermination des dates de début et de fin de la saison des pluies constituent la base d’une meilleure caractérisation de la saison des pluies. Ainsi, un ensemble de mé- thodes sont déjà développées pour la zone sahélienne sur la détermination de la date du début et de la date de la fin de saison de pluies à partir des données pluviométriques jour- nalières (Sivakumar, 1988; Somé and Sivakumar, 1994; Ati et al., 2002; Balme-Debionne, 2004).L’agriculture, principale activité de la population dépend fortement des caprices de la pluviométrie, une saison des pluies déficitaire est synonyme d’une mauvaise récolte (Siva- kumar, 1988; Barron et al., 2003; Balme et al., 2005). La première pluie, après plus de cinq mois de saison sèche, est attendue chaque année avec beaucoup d’impatience et suscite un grand espoir chez la population.

Par conséquent, la prédiction de la date du démarrage de la saison des pluies est une préoccupation importante pour une meilleure planification de la production agricole au Sahel (Sivakumar, 1988). Sivakumar (1988) rapporte que l’ins- tallation précoce de la saison des pluies est synonyme d’un meilleur rendement agricole, donc une importante production agricole dans la région.Cependant, l’identification de la période d’installation de la saison des pluies dépend des objectifs de l’analyse selon les trois domaines : agronomie, hydrologie et climat. Ati et al. (2002) présentent un ensemble de six méthodes d’identification de la date d’installation de la saison des pluies dans leur analyse de détermination d’une méthode pertinente pour la zone Nord du Nigeria. Les six méthodes se distinguent significativement dans les seuils de pluies journalières, les cumuls de pluies et de la durée des séquences sèches à considérer.