Open Access
Numéro
Climatologie
Volume 22, 2024
Numéro d'article 3
Nombre de pages 14
DOI https://doi.org/10.1051/climat/202422003
Publié en ligne 29 janvier 2025

© K. P. A. T. Yao et al., hosted by EDP Sciences 2024

Licence Creative CommonsThis is an Open Access article distributed under the terms of the Creative Commons Attribution License CC-BY-NC (https://creativecommons.org/licenses/by-nc/4.0), which permits unrestricted use, distribution, and reproduction in any medium, except for commercial purposes, provided the original work is properly cited.

Introduction

Le réchauffement planétaire a eu des répercussions sur les régimes pluviométriques et en particulier sur ceux de l’Afrique de l’Ouest (Kouman et al., 2022 ; Dibi-Anoh et al., 2023). Ces effets se traduisent par l’intensification du cycle hydrologique et l’occurrence d’événements climatiques extrêmes dans la région ouest-africaine comme de fortes précipitations (Chagnaud et al., 2020), des sécheresses (Defrance et al., 2017 ; Dibi-Anoh et al., 2023), des vagues de chaleur (Ringard et al., 2016 ; Rome et al., 2019 ; Kouman et al., 2022). Cela a pour conséquence d’impacter le rendement agricole de cet espace tropical (Defrance et al., 2017 ; Ouorou Yerima et al., 2020 ; Sebo Vifan et al., 2022 ; Kouman et al., 2022) et la sécurité alimentaire (Gemenne et al., 2017 ; De Longueville et al., 2020).

A cause de l’évolution de son cycle hydrologique, l’Afrique connaît en conséquence une plus grande vulnérabilité face aux aléas climatiques. En effet, les précipitations, la température et d’autres variables météorologiques peuvent varier considérablement d’une année à l’autre. La variabilité des précipitations peut alors avoir un impact direct sur la sécurité alimentaire régionale. De plus, de nombreux pays d’Afrique manquent encore d’infrastructures socio-économiques (de santé, d’éducation et de transport résilients), de systèmes de gestion des ressources en eau (systèmes d’irrigation et de drainage pour gérer les ressources en eau ; régulation des inondations), d’infrastructures énergétiques durables (investissements dans les énergies renouvelables) et institutionnels (systèmes d’alertes précoces et de gestion des catastrophes) solides pour faire face aux aléas climatiques (Williams et al., 2015 ; Moussa et al., 2022). Les populations africaines les plus touchées par ces aléas sont souvent les plus pauvres et vulnérables, car ayant moins de ressources pour faire face aux risques et catastrophes climatiques (GIEC, 2019). De plus, pour cette zone d’étude, la communauté scientifique a encore une grande difficulté à prédire le climat et les impacts futurs. Ces recherches sont pourtant nécessaires pour les enjeux importants précités, ainsi que pour aider aux prises de décisions et à l’adaptation dans plusieurs domaines : l’agriculture (adaptation de pratiques agricole et stratégie de gestion des risques), la gestion des ressources en eau, la planification d’investissements dans des infrastructures énergétiques, la prédiction et réponses aux risques sanitaires, la planification urbaine et gestion des catastrophes. Les impacts du changement climatique menacent en particulier les rendements agricoles, la pêche, l’élevage et les ressources en eau en Afrique de l’Ouest. Dans ce contexte, plusieurs outils peuvent contribuer à la résilience face aux changements climatiques. Notamment, la modélisation numérique joue un rôle central dans notre compréhension du climat. En effet, grâce à elle, la communauté scientifique peut étudier les tendances climatiques passées, comprendre les mécanismes sous-jacents du changement climatique et projeter les conditions climatiques futures (Berg et al., 2017 ; Sarr et Camara, 2017 ; Chagnaud et al., 2020 ; Monerie et al., 2021 ; Talib et al., 2022). Le but est d’évaluer les impacts du changement climatique et d’améliorer la compréhension des processus climatiques.

Dans cette étude, nous utilisons le modèle numérique de surface SISVAT (Soil Ice Snow Vegetation Atmosphere Transfer) afin de mettre en évidence ses capacités à représenter les grandeurs météorologiques importantes dans les processus dynamiques et thermodynamique du climat en Afrique de l’Ouest (la température, le régime pluviométrique, les flux de chaleur en surface). Cette étude vise à comprendre le comportement de certaines variables météorologiques à partir de simulations à une dimension (verticale) du sol et de la végétation. Le but est le développement et la validation d’une paramétrisation du modèle de surface SISVAT, afin de réaliser des simulations à trois dimensions du climat ouest-africain avec le MAR (Modèle Atmosphérique Régional). À partir de la comparaison des résultats de simulation et des données d’observation, nous souhaitons évaluer la prise en compte de la phénologie végétale dans ce modèle de surface. En effet, le couvert végétal peut avoir un impact sur le bilan énergétique en surface et sur le cycle hydrologique dans la région ouest-africaine (Richardson et al. 2013 ; Klein et al. 2017). Dans SISVAT, la valeur de la Fraction Verte de la Végétation (FVV) est prescrite sur toute la période de la simulation. Dans cette étude, nous faisons varier FVV en fonction des précipitations issues des données d’observations in situ de deux stations météorologiques en Afrique de l’Ouest : Nalohou (Bénin) et Wankama (Niger). Les résultats des simulations sont comparés pour chaque configuration choisie (FVV constant et FVV variable) à partir du coefficient d’efficacité de Nash (Nash et Sutcliffe, 1970).

Cette étude, fondée sur une simulation de deux ans avec la version de MAR à une dimension, analyse les flux turbulents pour les deux stations de Nalohou et Wankama. Une brève description du modèle et des données utilisées est faite en section 1, ainsi que de la méthodologie d’usage. L’analyse et l’interprétation des résultats des simulations pour chaque station sont ensuite présentées en section 2. Les conclusions sont tirées en section 3.

1. Données et méthodes

1.1. Les sites d’étude

  • Nalohou (Bénin)

    La station météorologique de Nalohou (9,7453N – 1,6053E) est située dans le nord-ouest du Bénin (figure 1). Le régime pluviométrique dépend régionalement de la migration de la Zone de Convergence Intertropicale (ZCIT), avec 90 % des précipitations annuelles tombant sur sept mois (avril à octobre), et une pluviométrie moyenne de 1190 mm (1950-2002 ; Lelay & Galle, 2005). Le paysage présente généralement une topographie relativement plane, avec une pente locale d’environ 3 %, et est constitué d’un substrat cristallin métamorphique. Les principaux types de sols sont des lixisols ferriques, comme décrit par Faure et Volkoff (1998). La couche superficielle du sol se compose principalement de sable limoneux à forte perméabilité, tandis que la roche-mère altérée en dessous contient des couches argileuses profondes caractérisées par une capacité de rétention élevée, comme mentionné par De Condappa et al. (2008). Cette zone est située dans une région agricole caractérisée par une alternance de terres cultivées et de jachères. La rotation des cultures (sorgho, mil, maïs, coton) est la pratique agricole dominante. Les zones en jachère sont typiquement parsemées d’arbustes dispersés et sont recouvertes d’une dense couche herbacée pendant la saison des pluies. Cette couche herbacée commence à croître généralement en avril après les premières pluies, atteignant sa hauteur maximale (pouvant aller jusqu’à 2,5 mètres) en octobre (Mamadou et al., 2014). Une pratique traditionnelle est le feu contrôlé, effectué entre novembre et février lorsque le sol et la végétation sont secs, principalement pour brûler la végétation, notamment la couche herbacée. Ainsi, durant la saison sèche, le sol reste généralement nu pendant environ cinq mois.

  • Wankama (Niger)

    Le site de Wankama (13,6456N – 2,6320E) est situé dans le sud-ouest du Niger (figure 1). Il se trouve dans un bassin versant endoréique, d’une superficie de 1,9 km2, représentatif de la région semi-aride du Sahel central, et est décrit par Peugeot et al. (2003). Il se compose principalement d’un versant sableux avec une pente moyenne d’environ 2 %, s’étendant sur une dénivelée de 60 mètres entre un plateau latéritique et une ancienne vallée fossile. Le sol y est essentiellement sablonneux avec 10 à 15 % de particules fines (argile et limon) et moins de 0,5 % de carbone organique (Nagumo, 1992). Les précipitations sont limitées à une courte saison des pluies, de juin à septembre, avec une moyenne annuelle de 560 mm à Niamey depuis 1905. La variabilité interannuelle des précipitations est significative, avec un coefficient de variation de 24 %, tout comme la variabilité spatiale sur les 15 000 km2 du méso-site Amma-Niger, comme souligné par Vischel (2006). Les pluies se manifestent principalement sous forme d’orages convectifs brefs mais intenses, selon Peugeot et al. (2003). Le climat est fortement influencé par le déplacement annuel latitudinal du front intertropical (F.I.T.), plan incliné de l’équateur météorologique séparant les masses d’air humides associées à la mousson guinéenne qui souffle de mai à septembre et les masses d’air sèches venant du Sahara associées à l’harmattan qui souffle d’octobre à avril. Ces paramètres climatiques, associés à une forte variabilité interannuelle, caractérisent un climat tropical à courte saison des pluies, typiquement semi-aride.

thumbnail Figure 1

Extension régionale des climats sahélien, soudanien et guinéen, et types de végétation en Afrique de l’Ouest avec la localisation des deux stations de mesure étudiées de Nalohou (Bénin) et Wankama (Niger) ; source : thèse de A. Richard, 2014. Regional extension of Sahelian, Sudanian and Guinean climates, and vegetation types in West Africa with the location of the two measurement stations studied at Nalohou (Benin) and Wankama (Niger); source: thesis by A. Richard, 2014).

L’agriculture dans la région est principalement axée sur la culture extensive (mil et sorgho), qui occupe 55 % de la surface du bassin versant. Les semis débutent dès les premières pluies et peuvent être répétés plusieurs fois tant que les précipitations ne sont pas régulières. Les plantes des cultures peuvent atteindre en moyenne une hauteur d’environ 2 mètres à maturité. Avant le début de la saison des pluies, la végétation arbustive est enlevée sur l’ensemble du champ. Pendant la saison pluvieuse, le champ subit deux à trois sarclages pour éliminer la végétation herbacée. La récolte a lieu peu de temps après la fin de la saison des pluies, généralement en septembre ou octobre. L’ensemble des épis et des tiges est retiré du champ lors de la récolte, laissant ainsi le champ nu pour le reste de l’année (Cappelaere et al., 2007).

La principale différence climatique entre Nalohou au Bénin et Wankama au Niger réside dans la distribution des précipitations et les régimes de température. À Nalohou, la végétation est plus dense et plus variée en raison d’une disponibilité en eau plus importante grâce à des précipitations plus abondantes. En revanche, à Wankama, la végétation est plus clairsemée en raison d’un climat plus sec et de précipitations moins fréquentes et moins abondantes. La différence entre les climats à Nalohou et à Wankama est notable, ce qui en fait des sites d’étude intéressants dans le cadre de notre étude.

1.2. Les données

Les données utilisées sont issues des stations météorologiques (Nalohou et Wankama) et des réanalyses de l’ERA-5 pour une résolution spatiale de 0,5 x 0,5°, produit par le Centre Européen pour les Prévisions Météorologiques à Moyen Terme (CEPMMT ; Copernicus Climate Change Service, 2019). Les stations Nalohou et Wankama font partie d’un réseau de stations de mesure et de sites d’observation répartis dans la région ouest-africaine du programme AMMA-CATCH (African Monsoon Multidisciplinary Analysis - Couplage de l’Atmosphère Tropicale et du Cycle Hydrologique) pour collecter des données météorologiques, hydrologiques et environnementales (AMMA-CATCH, 1990 ; Galle et al., 2018). Les données recueillies dans le cadre du programme AMMA-CATCH comprennent une gamme d’observations. Dans le cadre de cette étude, les données comprennent les précipitations, la température de l’air, la pression atmosphérique, l’humidité relative, le vent, le rayonnement courte et grande longueur d’onde, la température et l’humidité à différentes profondeurs dans le sol, ainsi que les flux de chaleur sensible et latente (tableau 1). Les réanalyses comprennent le LAI et la température de surface du sol pour les deux stations et la pression atmosphérique pour la station Wankama. Les données issues des stations et les réanalyses de l’ERA-5 couvrent la période 2006-2009. Une simulation de quatre années est effectuée en utilisant les années 2006 et 2007 pour la mise en régime de notre modèle. Les variables utilisées pour comparer aux sorties du modèle ne sont disponibles à la fois pour les deux stations et pour la même période que pour les années 2008 et 2009.

Tableau 1

Caractéristiques des instruments équipant les stations météorologiques Nalohou et Wankama. Characteristics of the measurements at the Nalohou and Wankama weather stations.

1.3. Méthodologie

1.3.1. Description du schéma de surface SISVAT utilisé dans MAR

Le MAR (Modèle Atmosphérique Régional) est un modèle climatique tridimensionnel à aire limitée (c’est-à-dire qu’il couvre une région spécifique du globe terrestre) et à haute résolution spatiale, avec une représentation de la surface terrestre sur une grille fine (Gallée et Schayes, 1994), utilisant le mode d’imbrication unidirectionnelle dans un Modèle de Circulation Générale Atmosphérique – MCGA. La partie atmosphérique du MAR est couplée au schéma de transfert sol-atmosphère SISVAT développé par De Ridder et Schayes (1997) et De Ridder et Gallée (1998). Pour notre étude, nous avons eu recours à la partie sol-végétation-transfert atmosphérique, soit un modèle unidimensionnel contenant une couche de végétation et 13 couches de sol. Le potentiel en eau du sol et la conductivité hydraulique sont calculés suivant Clapp et Hornberger (1978). Pour chaque type de sol, quatre paramètres sont requis : le contenu en eau à saturation, la conductivité hydraulique à saturation, le potentiel en eau à saturation et un paramètre de forme de la courbe de rétention d’eau (Clapp et Hornberger, 1978). Le couplage du SISVAT avec l’atmosphère se fait via l’échange de flux radiatif (solaires et infrarouges) et de flux turbulents de mouvement et de chaleur (sensible et latente). Les schémas de transfert radiatif courte et grande longueur d’onde au sein de la végétation sont fondés sur la théorie proposée par Dickinson (1983). Les processus à la surface ainsi que dans le sol tels que les échanges de flux turbulents d’énergie en surface et de vapeur d’eau sont traités en considérant les échanges végétation-atmosphère et sol-atmosphère séparément. La différence de potentiel en eau entre le sol et les feuilles gouverne la circulation de celleci dans la plante. Une approche en mosaïque est utilisée pour représenter les hétérogénéités du couvert végétal à l’échelle de la sous-maille (De Ridder et Schayes 1997). Les flux de chaleur turbulents et radiatifs émis par la surface sont calculés séparément à l’intérieur de la sous-maille puis pondérés en fonction de la surface occupée.

1.3.2. Approche méthodologique

Dans le modèle, la phénologie de la végétation n’est pas prise en compte à travers une variation saisonnière explicite et quantifiée de la fraction verte. Pourtant, d’une saison à une autre, les plantes changent sous l’influence de facteurs environnementaux tels que la température, la lumière du jour, les précipitations, la disponibilité en eau et la période des semis et récoltes. Par exemple, les cultures céréalières comme le mil, le sorgho et le maïs sont particulièrement sensibles à la photopériode, c’est-à-dire à la durée du jour et de la nuit, ce qui influence leur phase de floraison et de maturation des graines (Ballaré et Pierik, 2017). De plus, dans les régions semi-arides comme l’Afrique de l’Ouest, les précipitations saisonnières, combinées à la capacité de rétention d’eau du sol et aux pratiques agricoles telles que l’irrigation, influent sur le rendement des cultures et leur santé générale (Dai, 2013). En outre, les changements de température saisonniers peuvent affecter la physiologie des plantes, y compris leur taux de croissance, leur métabolisme et leur résilience face au stress environnemental (Haworth et al., 2013). Aussi, la pluie représente un facteur discriminant très important dans les phénophases, dans la mesure où les variations saisonnières des précipitations influencent directement la croissance et le développement des plantes (Borchert et al., 2002 ; Chuine et al., 2004 ; Pau et al., 2011 ; Wang et Wu, 2019 ; Piao et al., 2019). Étant donné le rôle joué par la végétation dans le bilan énergétique en surface, il est important d’évaluer les effets d’une fraction verte variable induite par les précipitations. Pour ce faire, nous avons défini dans le modèle de surface une fonction fvv (fraction verte de la végétation variable) qui décrit sa variation dans le temps avec : f v v = ( 1 - exp ( - Q P C / Q Pi>min ) ) $$ f v v=(1-\exp (-Q P C / Q P \min )) $$

QPC correspond à l’accumulation de la quantité de pluie sur les 10 derniers jours et Qpmin (6 mm) à la quantité minimale de pluie nécessaire à la plante pour devenir verte.

Cette fonction exponentielle dépend de la quantité de pluie nécessaire à la croissance des plantes. On fait varier ainsi la fraction verte de la végétation entre les valeurs 1 et 0 selon qu’il est tombé une quantité minimale de pluie (6 mm) ou rien.

Pour évaluer la performance du modèle, nous avons utilisé le biais et le coefficient d’efficacité de Nash qui sont deux mesures de l’adéquation entre les valeurs simulées et les valeurs observées. Le biais peut être interprété comme la moyenne des erreurs de prédiction sur l’ensemble des observations. Un biais nul indiquerait une absence de déviation systématique entre les simulations et les observations. Il est important de noter que les biais ne capturent que la tendance générale de la méthode d’estimation, et peuvent ne pas fournir une indication complète de la qualité du modèle suite à une compensation possible d’erreurs sur la période analysée. Pour obtenir une évaluation plus complète, le coefficient d’efficacité de Nash est utilisé (Nash et Sutcliffe, 1970 ; Lelay et Galle, 2005 ; Romanowicz et al., 2005 ; Muma et al., 2014). Le test de Nash est utilisé pour évaluer les simulations par rapport aux observations en tenant compte des échelles de temps plus courtes. Il mesure à quel point les simulations reproduisent la variabilité des observations. Un test de Nash compris entre 0 et 1 indique une bonne adéquation entre les simulations et les observations, c’est-à-dire que le modèle représente de manière acceptable la variabilité des données observées, tandis qu’une valeur négative indique une mauvaise adéquation.

Pour la station Wankama (Niger), il est important de noter que les données de précipitations sont indisponibles à partir de la mi-août 2009. Par conséquent, notre analyse se concentre sur l’année 2008 et la première moitié de l’année 2009. Cela signifie que nous examinons uniquement les données disponibles pour cette période et que nos conclusions sont fondées sur cette plage temporelle spécifique.

2. Résultats et discussion

2.1. Évaluation des performances de SISVAT : analyse des biais annuels

Le tableau 2 présente les biais annuels et coefficients d’efficacité de Nash des flux turbulents de chaleur sensible et latente pour une fraction verte égale à 1 et une fraction verte variable à Nalohou et Wankama sur les 2 années étudiées.

Tableau 2

Biais annuel entre les simulations et les observations sur les 2 années étudiées, avec un test de Nash des flux turbulent de chaleur latente et sensible, pour deux configurations de la fraction verte de la végétation à la station de Nalohou (Bénin) et Wankama (Niger). Annual bias between simulations and observations over the 2 years studied, with a Nash test of turbulent flows of latent and sensible heat, for two configurations of the green fraction of vegetation at the Nalohou (Benin) and Wankama (Niger) stations.

À Nalohou (Bénin), la chaleur sensible est sous-estimée et la chaleur latente est surestimée. Tandis qu’à Wankama (Niger), la chaleur sensible est surestimée et le flux de chaleur latente sous-estimé. Les différences observées pour les flux de chaleur sensible et latente entre Nalohou (Bénin) et Wankama (Niger) peuvent être dues à divers facteurs propres à chaque site. Par exemple, la quantité de précipitation mesurée en 2008 (janvier à août 2009) à Nalohou est de 1220 mm contre 579 mm à Wankama (figure 2a). Cela influence le calcul des flux de chaleur latente et sensible par le modèle. Les caractéristiques de la végétation et la proportion de sol nu diffèrent entre les deux sites de mesure. À Nalohou, la végétation y est plus dense et occupe une plus grande couverture végétale que Wankama (figure 2c), modifiant ainsi la quantité de chaleur sensible et latente échangée entre la surface et l’atmosphère selon la station. Aussi, le contenu en eau du sol simulé à Nalohou est plus élevé que celle de Wankama (figure 2b).

thumbnail Figure 2

Comparaison des cumuls de pluie mensuels observés, du contenu en eau simulé et de l’indice de surface foliaire de ERA-5 pour la station de Nalohou (Bénin) et Wankama (Niger). Comparison of observed monthly rainfall cumulated, simulated water content and ERA-5 leaf area index for the Nalohou (Benin) and Wankama (Niger) stations.

Le tableau 2 montre que contrairement aux résultats obtenus pour la station de Nalohou, les biais annuels de la chaleur sensible (2008 et 2009) et latente (2009) s’améliorent suivis également d’une amélioration de l’efficacité de Nash pour la station de Wankama (tableau 2) ; sauf en 2008 qui montre une dégradation du biais pour le flux de chaleur latente, alors que l’efficacité s’améliore quand même.

Cependant, malgré cette différence entre Nalohou et Wankama au niveau des caractéristiques climatiques, utiliser une fraction verte variable améliore les coefficients annuels d’efficacité de Nash de la simulation des flux de chaleur sensible et latente pour les deux stations.

2.2. Analyse du cycle saisonnier

Les cycles saisonniers des 2 années étudiées montrent une amélioration des biais et des coefficients d’efficacité de Nash sur la période de juin à décembre pour les flux de chaleur sensible et latente à Nalohou (figures 3a et 3b). Il est toutefois difficile d’expliquer l’évolution des flux de chaleur sensible et latente pendant la saison sèche de janvier à mai.

thumbnail Figure 3

Représentation des biais moyennes mensuelles (à gauche) et des coefficients d’efficacité de Nash mensuels (à droite) des flux de chaleur sensible (rouge) et latente (bleu) pour une fraction verte égale à 1 (trait continu) et une variable (tireté) pour les stations Nalohou (A et B ; janvier 2008 – décembre 2009) et Wankama (C et D ; janvier 2008 – août 2009). Representation of mean monthly biases (left) and monthly Nash efficiency coefficients (right) of sensible (red) and latent (blue) heat fluxes for a green fraction equal to 1 (solid line) and a variable (dashed line) for the Nalohou (A and B; January 2008 - December 2009) and Wankama (C and D; January 2008 - August 2009) stations.

Faire varier la fraction verte n’améliore pas les biais des flux de chaleur sensible et latente pour la période janvier-avril 2008 et février-avril 2009 à Nalohou. L’amélioration du coefficient d’efficacité de Nash pour la chaleur sensible est observée aux mois de mars et avril 2008, et en janvier 2009 lorsque la fraction verte est variable, tandis que pour la chaleur latente, elle se dégrade. Pendant la saison humide (mai-septembre) des deux années étudiées, prendre en compte une fraction verte variable dans le modèle améliore les biais et les coefficients de Nash des flux de chaleur latente et sensible, sauf pour le mois de mai 2009 en ce qui concerne la chaleur latente. De même, la période après la saison des pluies (octobre-décembre 2008 et 2009) montre une réduction des biais et une amélioration des coefficients de Nash des flux de chaleur sensible et latente avec une fraction verte variable.

À Wankama, les biais et les coefficients de Nash du flux de chaleur sensible sont améliorés sur toute la période étudiée avec une fraction verte variable pour les différentes saisons (figures 3c et 3d). Le constat est le même pour la chaleur latente sauf sur la période octobre-décembre 2008 pour les biais et novembre-décembre 2008 pour les coefficients d’efficacité de Nash.

L’utilisation d’une fraction verte variable ne conduit pas à une amélioration des résultats de la simulation pendant la saison sèche en début d’année à Nalohou. En effet, pendant cette période, le niveau prescrit du LAI reste relativement élevé, se situant entre 4 et 5 (figure 2c). Ce constat est également observé à Wankama pendant la saison sèche en ce qui concerne la chaleur latente, notamment entre octobre et décembre 2008, lorsque le LAI demeure significativement élevé (> 1). En effet, les données du LAI utilisées par le modèle sont issues des produits ERA-5 et représentent une climatologie sur la période 1979-2009 (Hersbach et al., 2020). Or, la variabilité à l’échelle locale peut différer des valeurs fournies par la réanalyse, qui représentent un résumé statistique de la zone entourant le point de grille correspondant ici à la station de mesure. Aussi, la résolution spatiale des produits ERA-5 pourrait s’avérer insuffisante pour certaines applications locales. Le LAI intervient pour le calcul du flux de chaleur latente dans le modèle. Une valeur du LAI qui s’écarte de la réalité peut induire des erreurs de calcul des flux de chaleur latente et sensible.

L’analyse de la série temporelle des flux turbulents de chaleur sensible et latente à Nalohou (figures 4a et 4c), pendant les saisons sèches des deux années étudiées (janvier à avril 2008 et février à avril 2009), révèle que le biais du flux de chaleur latente simulé est plus important lorsqu’une fraction verte variable est prise en compte (21,92 W/m2 en 2008 et 80,91 W/m2 en 2009), par rapport au biais observé lorsque la fraction verte est fixée à 1 (12,30 W/m2 en 2008 et 23,67 W/m2 en 2009).

thumbnail Figure 4

Série temporelle des flux de chaleur sensible (rouge) et latente (bleu) simulés (trait continu) et observés (tireté) pour les stations Nalohou (panel a, c) et Wankama (b et d) avec une fraction verte égale à 1 (a et b) et variable (c et d) ; e et f représentent respectivement les variations de la fraction verte de la végétation (vert) et du contenu en eau (violet) à Nalohou et Wankama (2008-2009). Les précipitations journalières sont représentées par les traits verticaux (en noir). Time series of simulated (solid line) and observed (dashed line) sensible (red) and latent (blue) heat fluxes for the Nalohou (panel a, c) and Wankama (b and d) stations with a green fraction equal to 1 (a and b) and variable (c and d); e and f represent variations in the green fraction of vegetation (green) and water content (violet) respectively at Nalohou and Wankama (2008-2009). Daily rainfall is represented by the vertical lines (in black).

En effet, une fraction verte fixée à 1 réduit la disponibilité en eau du sol, surtout pendant la saison sèche, car la végétation pompe constamment de l’eau (figure 4e). En revanche, lorsque la fraction verte varie, cela conduit à une augmentation de la quantité d’eau du sol pendant les périodes durant lesquelles la fraction verte est basse (faible fraction verte en JFMA 2008 et 2009 ; figure 4e) et, par conséquent, à une augmentation du flux de chaleur latente dans ce cas de figure. Cette augmentation du flux de chaleur latente s’explique par le fait que, lors des périodes avec la fraction verte basse, moins d’eau est prélevée par la végétation, ce qui conduit à une augmentation de l’humidité du sol et, par conséquent, à une augmentation de l’évapotranspiration. C’est la période juin-décembre qui correspond aux meilleurs résultats obtenus pour le biais et les coefficients d’efficacité de Nash pour la fraction verte variable. En effet, la disponibilité en eau ayant augmenté à cause des précipitations survenues durant la saison des pluies (figure 4e), une fraction verte fixée à 1 favorise la libération de plus de vapeur d’eau par rapport à une simulation avec fraction verte variable. On le constate avec la diminution de l’évapotranspiration (figures 4a et 4c) sur la période octobre-décembre. Le comportement du flux de chaleur latente pendant cette période pourrait s’expliquer par les récoltes (sorgho, mil, maïs, coton) ainsi que le feu contrôlé (Mamadou et al., 2014) alors que le modèle ne prend pas en compte ces données importantes pour le calcul du bilan radiatif en surface.

À Wankama, une fraction verte variable améliore sur toute la période d’étude les résultats des flux turbulents de chaleur sensible et latente sauf pendant la période octobre-novembre 2008 pout le flux de chaleur latente (figures 4b et 4d). Tout comme à Nalohou, une fraction verte fixée à 1 toute l’année contribue à réduire la quantité d’eau disponible dans le sol, surtout dans cette région plus aride. On le constate à l’évapotranspiration simulée qui est plus faible dans ce cas, par rapport à une simulation avec une fraction verte variable. En effet, pendant la saison sèche (JFMAM 2008 et 2009), pour une fraction verte fixée à 1, la simulation conduit à une diminution de l’humidité du sol, comme le montre la figure 4f. En revanche, lorsque la fraction verte est variable, la simulation présente une plus grande humidité du sol à cette période. Cette augmentation de l’humidité du sol entraîne une augmentation de l’évapotranspiration et, par conséquent, du flux de chaleur latente. Cependant, la simulation avec une fraction verte fixée à 1 présente pour la période octobre-novembre 2008 un biais du flux de chaleur latente plus faible en termes de valeur absolue (-9,51 W/m2) que celle avec une fraction verte variable (-27,63 W/m2). Cette période marque la fin de la saison des pluies dans la région, entraînant une augmentation du contenu en eau dans le sol. La simulation avec une fraction verte fixée à 1 favorise la libération de plus de vapeur d’eau par rapport à une simulation avec une fraction verte variable, car dans ce dernier cas, la fraction verte subit une forte baisse à cette période (figure 4f).

La relation entre la fraction verte, l’humidité du sol et le flux de chaleur latente a été observée dans plusieurs études précédentes notamment Strengers et al. (2010) qui montrent le fort impact des changements anthropiques dans l’affectation des terres sur le climat, à travers la mise en œuvre d’une végétation dynamique dans un modèle. Également, Smith et al. (2011) mettent en évidence la répercussion de l’état de la végétation sur le climat via des ajustements des flux d’énergie de surface et des propriétés de surface lorsque les rétroactions de la dynamique de la végétation et de la biogéochimie des écosystèmes sont prises en compte dans les modèles climatiques régionaux (MCR).

Conclusion

L’évaluation de la performance du modèle de surface SISVAT pour les flux turbulents de chaleur sensible et latente a été réalisée en utilisant le biais et le coefficient d’efficacité de Nash. Deux configurations de la fraction verte de la végétation ont été examinées : une fraction verte fixée à 1 et une fraction verte variable en fonction des précipitations. Les résultats de deux années de simulations (2008 et 2009) pour les stations de Nalohou et Wankama ont été analysés en détail afin d’évaluer la capacité du modèle à représenter les variations saisonnières des flux d’énergie. Ces deux stations ont été choisies en raison de leurs caractéristiques climatiques et de leur situation géographique représentative de la région d’étude et de la disponibilité des données nécessaires à l’analyse.

Le modèle a montré dans l’ensemble des sous-estimations de la chaleur sensible et des surestimations significatives de la chaleur latente à la station de Nalohou en 2008 pour une fraction verte fixée à 1. Ces tendances ont persisté en 2009. Cependant, en introduisant une fraction verte variable, le modèle a montré une amélioration significative, réduisant les biais et améliorant les coefficients d’efficacité de Nash pour les flux de chaleur sensible et latente. À la station de Wankama, une fraction verte fixée à 1 conduit à des résultats moins satisfaisants, avec des surestimations importantes de la chaleur sensible en 2008 et 2009. Cette différence peut être attribuée aux conditions environnementales spécifiques à chaque site, comme les types de sols, la végétation locale ou encore le régime des précipitations. De plus, la variabilité saisonnière de la végétation et son influence sur les échanges d’énergie avec l’atmosphère peuvent varier considérablement d’un site à l’autre. L’introduction d’une fraction verte variable a permis de mieux prendre en compte ces variations locales, améliorant ainsi la concordance entre les simulations et les observations, et réduisant les biais tout en augmentant les coefficients d’efficacité de Nash.

L’analyse mensuelle a mis en évidence des variations saisonnières importantes dans les performances du modèle. La fraction verte variable a montré une réduction significative des biais et une amélioration générale des coefficients d’efficacité de Nash, en particulier pendant la saison des pluies, pour les deux stations. Cette amélioration peut être attribuée à une meilleure prise en compte des variations locales de la végétation et de leur impact sur les échanges d’énergie avec l’atmosphère. En effet, les conditions environnementales spécifiques à chaque site (les types de sols, la végétation locale et le régime des précipitations) ont un impact significatif sur les performances du modèle. Ainsi, l’introduction d’une fraction verte variable a permis de mieux représenter ces variations locales, ce qui a conduit à une meilleure adéquation entre les simulations du modèle et les observations.

En général, faire varier la fraction verte de la végétation a eu un impact significatif sur les résultats du modèle, permettant une meilleure représentation des changements saisonniers de la végétation. Cela a conduit à des estimations plus précises des flux turbulents d’énergie, notamment de la chaleur sensible et latente. Cependant, des précautions doivent être prises concernant l’utilisation des données d’indice de surface foliaire (LAI) qui pourraient influencer les résultats. La paramétrisation de la fraction verte utilisée dans cette étude est assez simple et grossière, ce qui limite sa capacité à capturer toutes les nuances des variations saisonnières de la végétation. Même si la paramétrisation de la fraction verte utilisée dans cette étude est simplifiée, elle a permis d’améliorer les résultats du modèle. Cependant, cette simplification pourrait ne pas refléter de manière précise les processus réels de la végétation et de l’évapotranspiration. En affinant cette paramétrisation pour la rendre plus proche de la réalité physique, qui prendrait en compte une plus grande variété de facteurs, tels que les types de sols, la variabilité spatiale de la végétation, ou encore les régimes hydrologiques locaux, permettrait d’obtenir une meilleure représentation des processus physiques et d’améliorer davantage les performances du modèle. Il est donc crucial de poursuivre les efforts de recherche pour développer des paramétrisations plus sophistiquées et plus précises de la fraction verte, afin de mieux représenter les interactions entre la végétation et l’atmosphère dans les modèles climatiques.

Références

Citation de l’article : Yao K. P. A. T., Gallée H., Diawara A., Kouassi K. B., Yoroba F., Pellarin T., Kouadio K., Ouattara Y., 2024. Sensibilité du schéma de surface SISVAT à la fraction verte de la végétation sur 2 sites d’Afrique de l’Ouest. Climatologie, 22, 3.

Liste des tableaux

Tableau 1

Caractéristiques des instruments équipant les stations météorologiques Nalohou et Wankama. Characteristics of the measurements at the Nalohou and Wankama weather stations.

Tableau 2

Biais annuel entre les simulations et les observations sur les 2 années étudiées, avec un test de Nash des flux turbulent de chaleur latente et sensible, pour deux configurations de la fraction verte de la végétation à la station de Nalohou (Bénin) et Wankama (Niger). Annual bias between simulations and observations over the 2 years studied, with a Nash test of turbulent flows of latent and sensible heat, for two configurations of the green fraction of vegetation at the Nalohou (Benin) and Wankama (Niger) stations.

Liste des figures

thumbnail Figure 1

Extension régionale des climats sahélien, soudanien et guinéen, et types de végétation en Afrique de l’Ouest avec la localisation des deux stations de mesure étudiées de Nalohou (Bénin) et Wankama (Niger) ; source : thèse de A. Richard, 2014. Regional extension of Sahelian, Sudanian and Guinean climates, and vegetation types in West Africa with the location of the two measurement stations studied at Nalohou (Benin) and Wankama (Niger); source: thesis by A. Richard, 2014).

Dans le texte
thumbnail Figure 2

Comparaison des cumuls de pluie mensuels observés, du contenu en eau simulé et de l’indice de surface foliaire de ERA-5 pour la station de Nalohou (Bénin) et Wankama (Niger). Comparison of observed monthly rainfall cumulated, simulated water content and ERA-5 leaf area index for the Nalohou (Benin) and Wankama (Niger) stations.

Dans le texte
thumbnail Figure 3

Représentation des biais moyennes mensuelles (à gauche) et des coefficients d’efficacité de Nash mensuels (à droite) des flux de chaleur sensible (rouge) et latente (bleu) pour une fraction verte égale à 1 (trait continu) et une variable (tireté) pour les stations Nalohou (A et B ; janvier 2008 – décembre 2009) et Wankama (C et D ; janvier 2008 – août 2009). Representation of mean monthly biases (left) and monthly Nash efficiency coefficients (right) of sensible (red) and latent (blue) heat fluxes for a green fraction equal to 1 (solid line) and a variable (dashed line) for the Nalohou (A and B; January 2008 - December 2009) and Wankama (C and D; January 2008 - August 2009) stations.

Dans le texte
thumbnail Figure 4

Série temporelle des flux de chaleur sensible (rouge) et latente (bleu) simulés (trait continu) et observés (tireté) pour les stations Nalohou (panel a, c) et Wankama (b et d) avec une fraction verte égale à 1 (a et b) et variable (c et d) ; e et f représentent respectivement les variations de la fraction verte de la végétation (vert) et du contenu en eau (violet) à Nalohou et Wankama (2008-2009). Les précipitations journalières sont représentées par les traits verticaux (en noir). Time series of simulated (solid line) and observed (dashed line) sensible (red) and latent (blue) heat fluxes for the Nalohou (panel a, c) and Wankama (b and d) stations with a green fraction equal to 1 (a and b) and variable (c and d); e and f represent variations in the green fraction of vegetation (green) and water content (violet) respectively at Nalohou and Wankama (2008-2009). Daily rainfall is represented by the vertical lines (in black).

Dans le texte

Les statistiques affichées correspondent au cumul d'une part des vues des résumés de l'article et d'autre part des vues et téléchargements de l'article plein-texte (PDF, Full-HTML, ePub... selon les formats disponibles) sur la platefome Vision4Press.

Les statistiques sont disponibles avec un délai de 48 à 96 heures et sont mises à jour quotidiennement en semaine.

Le chargement des statistiques peut être long.