Thèse Ndo - Montpellier SupAgro
Thèse Ndo - Montpellier SupAgro
Thèse Ndo - Montpellier SupAgro
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Elaboration d’un modèle de prédiction<br />
& Nilsson, 2002 ; Tenenhaus et al, 2005). Les corrélations entre les différentes variables et les<br />
composantes guident également le choix des composantes. Plus les corrélations sont fortes,<br />
mieux les variables sont représentées dans le modèle.<br />
L’influence relative de chaque variable explicative dans le modèle peut être exprimée comme<br />
l’importance de la variable dans la projection (Variable Importance in the Projection) ou VIP.<br />
Les variables ayant un fort VIP (>0.8) sont les plus importantes dans la construction de Y<br />
(Tenenhaus et al, 2005).<br />
6.3 Résultats<br />
6.3.1 Effet des facteurs environnementaux sur le comportement des<br />
orangers<br />
o Choix du nombre de composantes t h et leur degré d’explication des variables<br />
Les résultats de la validation croisée permettent de retenir les composantes 1 et 2 pour<br />
expliquer les variables Nles, Nlesm et Pom. En effet, Q²2 ≥ 0.0975 (Tableau 6.1). Toutes les<br />
variables de la maladie peuvent être expliquées par le modèle car au niveau de la composante<br />
2, tous les Q² sont ≥ 0.0975. La première composante (t 1 ) explique 58% des x et 10% des y,<br />
tandis que la 2 ème composante explique 11% des x et 73% des y (Tableau 6.2).<br />
Tableau 6. 1. Indice de qualité du modèle (Q²) par composante et par variable expliquée sur<br />
orangers.<br />
Q²<br />
Composante Nles Nlesm Pom Total<br />
1 -21,676 -21,621 -23,382 -22,226<br />
2 0,297 0,281 0,384 0,321<br />
3 -0,192 -0,225 -0,281 -0,232<br />
Lorsque nous nous intéressons aux corrélations entre les variables et leurs composantes t h , on<br />
note que l’altitude et presque toutes les variables du sol ont de fortes corrélations négatives<br />
avec la composante t 1 . La composante t2, elle, a de fortes corrélations positives avec les<br />
variables de la maladie (Figure 6.1). Ces variables sont les mieux expliquées par les 2<br />
composantes. On remarque que la pluviométrie et le taux de sodium (Na) sont mal représentés<br />
au centre du cercle de corrélation. Ces variables sont très faiblement corrélées aux deux<br />
composantes. Elles sont aussi très faiblement explicatives de la maladie car elles ont des R²<br />
faibles sur les 2 composantes (Tableau 6.2). Le taux de saturation (V) est la variable la mieux<br />
expliquée sur la composante t 1 . Lorsqu’on projette les sites d’observation dans le plan, on<br />
constate que les sites de Foumbot, Nkolbisson, Ekona et Kumba sont plus proches des<br />
variables de la maladie. Ce sont les sites qui présentent les attaques les plus sévères (voir<br />
résultats Chapitre 4). Par contre les sites de Bokito et Njombé sont les plus éloignés des<br />
variables de la maladie. Ils présentent de faibles sévérités. Le site de Jakiri est placé en dehors<br />
147