Thèse Ndo - Montpellier SupAgro

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