Introduction - Africa Adaptation Programme
Introduction - Africa Adaptation Programme
Introduction - Africa Adaptation Programme
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Acronymes<br />
CCNUCC : Convention Cadre des Nations Unies sur les Changements Climatiques<br />
CLIVAR: Climate Variability and Predictability (Variabilité et prédictabilité du climat)<br />
DGRST : Délégation Générale de la Recherche scientifique et technologique<br />
ECAD & D: European Climate Assessment and Dataset<br />
ETCCDI: Expert Team on Climate Change Detection and Indices (Equipe d’Experts sur la<br />
Détection, la surveillance et les indices du changement climatique)<br />
GEV: Generalized Extreme Value<br />
GIEC : (IPCC) Groupe d’experts Intergouvernemental sur l’Evolution du Climat<br />
(Intergovernmental Panel on Climate Change)<br />
GPD: Generalized Pareto Distribution<br />
GRSEN : Groupe de Recherches en Sciences exactes et Naturelles<br />
MDDEFE : Ministère du Développement Durable l’Economie Forestière et de<br />
l’Environnement<br />
OMM: (WMO) Organisation Météorologique Mondiale (World Meteorological<br />
Organisation)<br />
ORSTOM : Office de la Recherche scientifique et technique d’Outre Mer<br />
PMRC : <strong>Programme</strong> Mondial de Recherche sur le Climat<br />
POT: Peaks Over Threshold : (Pics au dessus du seuil)<br />
QC : Quality Control (Contrôle de Qualité)<br />
SQR: Série Quotidienne de Référence<br />
STARDEX: STAtiscal and Regional Dyna,ical Downscaling of Extremes for European<br />
Regions<br />
ZCIT : Zone de Convergence Intertropicale<br />
1
<strong>Introduction</strong><br />
« Le changement climatique est l’un des défis les plus complexes de notre siècle commençant.<br />
Aucun pays n’est à l’abri de ses effets et aucun pays ne peut, seul, faire face aux décisions<br />
politiques controversées, aux profondes transformations technologiques et autres enjeux<br />
indissociables et lourds de conséquences à l’échelle de la planète.<br />
En même temps que la planète se réchauffe, le régime des précipitations se modifie et des<br />
phénomènes extrêmes tels que sécheresses, inondations et incendies de forêts deviennent plus<br />
fréquents. Dans des zones côtières densément peuplées et dans des États insulaires, des<br />
millions de personnes seront chassées de leurs habitations par la montée des eaux.<br />
Les populations pauvres d’Afrique, d’Asie et d’autres parties du monde sont confrontées à la<br />
perspective de récoltes désastreuses, d’une baisse de la productivité agricole, et d’une<br />
recrudescence de la faim, de la malnutrition et de la maladie » (Banque Mondiale, 2011).<br />
Pour mieux prendre les décisions politiques nécessaires pour atténuer la vulnérabilité du<br />
Congo face aux effets pervers du changement climatique, les politiques doivent être bien<br />
informées sur l’état du climat et ses impacts aussi bien sur le plan économique que social. Le<br />
niveau de vulnérabilité, les actions d’adaptation actuelles et futures doivent également être<br />
analysés pour informer les décideurs politiques du pays afin de mettre en place des cadres<br />
stratégiques, législatifs, normatifs et réglementaires propices à un développement social,<br />
économique et environnemental durable. Les normes de construction des infrastructures<br />
structurantes telles que les routes et les ponts qui doivent durer plusieurs dizaines d’années,<br />
les plans de contingence intégrant la prévention et la préparation en plus de la réponse et la<br />
réhabilitation en situation de catastrophe, des projets agricoles sont des exemples d’initiatives<br />
qui nécessitent une implication majeure des décideurs politiques.<br />
Le <strong>Programme</strong> <strong>Africa</strong>in d’<strong>Adaptation</strong>, en sigle PAA, est conçu dans ce contexte. Par le biais<br />
des études, des compagnes de sensibilisation et d’information, il vise la communication<br />
directe avec la population et les institutions politiques et à mettre en place une banque des<br />
données aussi bien qualitatives que quantitatives pouvant permettre au pays de mieux<br />
s’adapter au changement climatique qui n’est possible que par un renforcement des capacités.<br />
2
1-Cadre scientifique<br />
Notre planète est confrontée à des événements extrêmes de plus en plus dévastateurs. A une<br />
échelle mondiale, les 25 catastrophes les plus coûteuses pour le secteur de l’assurance entre<br />
1970 et 2009 sont toutes survenues après 1987, et plus de la moitié d’entre elles depuis 2001.<br />
Sur ces 25 catastrophes, 23 étaient liées aux conditions climatiques (Decamps, 2010).<br />
La République du Congo n’est pas à l’abri des événements climatiques et hydrologiques<br />
extrêmes. Les inondations sont devenues plus récurrentes dans le Nord du Congo. Les<br />
souvenirs les plus tristes remontent en 1901, 1961, 1999 et 2001 (MEFE, 2004). La montée<br />
des eaux au cours de ces dernières années a atteint des niveaux rarement égalés. Lors des<br />
crues de 1999, les pouvoirs publics avaient décrété l’état d’urgence et le district de Mossaka<br />
s’est retrouvé en état de calamité publique, avec de nombreuses personnes sans abri.<br />
Elles avaient entraîné non seulement des pertes d’abris, mais aussi de plusieurs cycles<br />
complets de récolte et une diminution considérable de terres cultivables déjà exiguës. Aucune<br />
évaluation quantitative de ces pertes agricoles (récolte, terres cultivables…) n’est disponible à<br />
ce jour.<br />
La Cuvette congolaise est particulièrement soumise aux risques d’inondation dont le coût des<br />
dégâts n’est toujours pas évalué et pourtant les inondations ne sont pas un fait nouveau dans<br />
cette région. Trois zones à risques ont été détectées : Mossaka, Loukoléla et Ntokou. En 2001,<br />
sur un total 35.840 habitants, 23.603 sont vulnérables et 763 sont sans abri (CRC/Fédération,<br />
mission d’août 2000, 2001).<br />
En 2001, Les populations riveraines, bien qu’habituées aux phénomènes d’inondation, ont<br />
éprouvé d’énormes difficultés à faire face aux catastrophes dont l’ampleur n’a fait que croître.<br />
Dans les 103 villages situés sur les axes fluviaux Likouala Mossaka, Likouala-aux-Herbes et<br />
dans les centres administratifs de Mossaka, Owando et Loukoléla, 33.850 personnes sur<br />
73.000 ont été contraintes d’abandonner leurs domiciles (CRC/Fédération, mission d’août<br />
2000, 2001).<br />
Dans l’ensemble de la région Sud-Ouest du Congo (plaine du Niari, massif du Chailu,<br />
zone côtière), les années 1958 et 1978 ont été marquées par des sécheresse très sévères<br />
( Molinier, 1979). Dans certains postes pluviométriques, les hauteurs annuelles des<br />
précipitations enregistrées en 1958 et en 1978 ont été les plus faibles jamais enregistrées<br />
depuis le début des observations. En 1958 par exemple, il n’est tombé que 495 mm d’eau à<br />
3
la station de Kayes. Ce déficit a été beaucoup plus important au cours des cinq premiers<br />
mois de l’année (janvier : 21 mm d’eau, février : 3 mm d’eau, mars : 91 mm d’eau et 0 mm<br />
d’eau au mois de mai) et a eu des conséquences désastreuses sur l’agriculture. Les<br />
régimes des cours d’eau étant en relation étroite avec le rythme des pluies, les apports<br />
ont donc été particulièrement faibles, notamment à la fin de la grande saison sèche où les<br />
débits d’étiage ont atteint des valeurs exceptionnelles jamais observées dans l’histoire<br />
climatique de cette zone.<br />
De même, les phénomènes d’érosion dans les agglomérations de Brazzaville et de Pointe-<br />
Noire ne cessent de chasser les populations dans des nombreux quartiers. Des parcelles et des<br />
édifices publics sont engloutis par des ravins. La population est parfois obligée d’abandonner<br />
leur maison. Cette situation génère des conflits entre propriétaires fonciers et leurs clients<br />
d’une part, et d’autre part entre la population menacée et l’Etat qui est qualifié d’insensible à<br />
leur situation.<br />
Tout récemment, des pluies diluviennes qui se sont abattues dans les villes du Sud (Pointe-<br />
Noire, Nkayi et Dolisie), le 02 février 2011, avaient plongé des nombreux quartiers dans le<br />
sinistre si bien que le gouvernement avait décrété un état d’urgence pour assister les victimes.<br />
Depuis toujours, la très grande partie de la littérature sur la variabilité et le changement<br />
climatiques à travers le monde en général et le Congo en particulier est basée sur l’analyse des<br />
observations de la température et de la précipitation en s’intéressant aux valeurs moyennes<br />
(Zhang et al, 2005; Alexander et al., 2006). La variabilité dans le temps et dans l’espace des<br />
indicateurs dérivés de ces données a reçu plus d’attention tout récemment (Frich et al, 2002 ;<br />
Groisman et al, 2005;Vincent et Mékis, 2006). Selon certains auteurs (Karl et al. , 1999) et<br />
Easterling et al (2000)), l’un des moyens envisagés pour détecter et décrire de façon<br />
synthétique le changement climatique, ses conséquences et les mesures d’adaptation, est<br />
l’élaboration d’indices climatiques. Ces indices sont de plus en plus recommandés pour des<br />
analyses d’extrêmes climatiques. Ils présentent l’avantage de traduire les résultats des<br />
simulations sous une forme plus directement exploitable pour discuter les résultats obtenus<br />
avec ceux des autres localités même dans des conditions climatiques différentes. Ces études<br />
climatiques exigent des séries de données quotidiennes assez longues et homogènes (Klein<br />
Tank et al (2002)). Les indices climatiques sont utilisés généralement par les<br />
scientifiques dans leur tentative de caractériser et de comprendre divers processus<br />
4
climatiques liés au temps et suivre les fluctuations des éléments météorologiques à long<br />
terme.<br />
En effet, l'intérêt récent de la communauté scientifique porté aux événements extrêmes est lié,<br />
en partie, à l'augmentation quasi-exponentielle des pertes économiques attribuées à ces<br />
événements, ainsi qu'à l'augmentation apparente du nombre de victimes de ces phénomènes<br />
au cours des trente dernières années. Néanmoins, la notion d'extrêmes qui repose sur les<br />
impacts socio-économiques n'est pas pertinente pour ce travail qui est, en effet, une étude<br />
climatique et hydrologique. Nous considérerons « seulement » des événements climatiques et<br />
hydrologiques exceptionnels qui n'ont pas nécessairement d'impacts sévères.<br />
2-Objectifs<br />
L’objectif général est d’établir les mécanismes et les infrastructures d’accès de collecte et<br />
d’analyse des meilleures données disponibles sur le changement climatique et ses impacts<br />
ainsi que les outils d’aide à la décision pour la planification d’adaptation.<br />
Mais, la présente étude se limite aux activités 3 et 4 des termes de référence qui sont :<br />
Activités 3 :<br />
a) Entreprendre un examen de données existantes dans les secteurs clés et développer des<br />
cartes climatiques, notamment sur des indices des températures et des précipitations<br />
extrêmes (27 indices des extrêmes de l’OMM) ;<br />
b) Dresser une liste d’indicateurs climatiques critiques pour l’évaluation de la<br />
vulnérabilité à partir des indices climatiques passés et futurs par rapport aux différents<br />
secteurs ;<br />
c) Entreprendre une analyse de sensibilité afin de déterminer comment certaines<br />
variables climatiques ont-elles dégradé les sols.<br />
Activité 4 : Elaborer un cadre pour la validation des paramètres et indices hydro-climatiques<br />
sur des échelles spatio-temporelles mensuelles, saisonnières et annuelles pour la période<br />
(1950-2010).<br />
5
3-Cadre conceptuel<br />
Le but de tous travaux scientifiques étant de construire une image de « la réalité »,<br />
les concepts descriptifs et analytiques sont l’échelle dont se sert chaque science pour y<br />
parvenir.<br />
En fait, les observations de la «réalité » n’auraient aucun sens pour nous, si nous n’avions<br />
pas appris à les interpréter en fonction de concepts préétablis ou, développés<br />
spécialement pour l’occasion car un même concept peut avoir plusieurs sens, d’où la nécessité<br />
de bien définir le concept utilisé et le sens qui lui est donné dans l’étude.<br />
Les concepts jugés importants dans le cadre de cette étude sont présentés ci-dessous:<br />
‣ Climat<br />
Le climat est défini comme étant la synthèse des phénomènes météorologiques<br />
observés sur l’ensemble d’une période statiquement longue pour pouvoir établir ses<br />
propriétés statistiques d’ensemble à savoir : valeurs moyennes, variances, probabilités des<br />
phénomènes extrêmes, etc. (Pedelaborde, 1970 ; Leroux, 1980).<br />
Selon le GIEC (1996), au sens étroit du terme, climat désigne en général le « temps moyen »,<br />
ou plus précisément une description statistique en termes de moyennes et de variabilité<br />
de grandeurs pertinentes sur des périodes allant de quelques mois à des milliers ou des<br />
millions d’années. La période type est de 30 ans, d’après la définition de l’Organisation<br />
Météorologique Mondiale (OMM). Ces grandeurs pertinentes sont le plus souvent des<br />
variables de surface tels que la température, les précipitations et le vent. Au sens large du<br />
terme, climat désigne l’état du système climatique, y compris une description statistique de<br />
celui-ci.<br />
‣ Système climatique<br />
Système extrêmement complexe comprenant cinq grands éléments (l’atmosphère,<br />
l’hydrosphère, la cryosphère, les terres émergées et la biosphère) et qui résulte de<br />
leurs interactions. Ce système évolue avec le temps sous l’effet de sa propre dynamique<br />
interne et en raison de forçages externes tels que les éruptions volcaniques, les<br />
variations de l’activité solaire ou les forçages anthropiques (par exemple les variations<br />
de la composition de l’atmosphère ou les changements d’affectation des terres). (GIEC,<br />
2007).<br />
6
‣ Changement climatique et Variabilité climatique<br />
Selon le Dictionnaire Encyclopédique, le changement climatique désigne l'ensemble des<br />
variations des caractéristiques climatiques en un endroit donné, au cours du temps :<br />
réchauffement ou refroidissement.<br />
Le GIEC (1996) utilise le terme “changement climatique” pour tout changement de<br />
climat dans le temps, qu’il soit dû à la variabilité naturelle ou aux activités humaines.<br />
Cette définition diffère de celle qui est employée dans la Convention Cadre des<br />
Nations unies sur les Changements Climatiques(CCNUCC), dans laquelle le changement<br />
climatique s’applique à un changement de climat attribué directement ou indirectement aux<br />
activités humaines qui modifient la composition de l’atmosphère dans son ensemble et<br />
qui s’ajoute à la variabilité naturelle du climat constatée sur des périodes de temps<br />
comparables. La CCNUCC fait ainsi une distinction entre les « changements climatiques »<br />
qui peuvent être attribués aux activités humaines altérant la composition de l’atmosphère,<br />
et la « variabilité climatique » due à des causes naturelles. La variabilité climatique<br />
est donc une modification naturelle du climat et donc indépendante des activités<br />
humaines.<br />
‣ Extrêmes climatiques et extrêmes hydrologiques<br />
La définition appropriée ne peut être choisie qu'en fonction du contexte dans lequel on<br />
considère tel ou tel phénomène. Beniston and Stephenson (2004) proposent trois définitions<br />
du phénomène climatique extrême ou hydrologique, qui reposent sur différentes notions :<br />
- La définition peut être basée sur la rareté d'un phénomène climatique ou hydrologique ; on<br />
doit donc considérer sa fréquence ;<br />
- Elle peut également être basée sur l'intensité d'un phénomène ; ceci implique la<br />
considération de dépassement d'un seuil par des variables climatiques ou hydrologiques<br />
associées à ce phénomène ;<br />
- On peut également introduire la notion d'impact et s'appuyer sur des dégâts socioéconomiques<br />
causés par un phénomène.<br />
Pour Yan et al. (2008), est extrême un événement dont la probabilité est inférieure à 10%. Il y<br />
a une notion de période de retour qui vient alors s’insérer. Notons que la notion d’évènements<br />
extrêmes dépend du temps, il peut y avoir moins d’évènements extrêmes dans 100 ans<br />
puisque les pluies diluviennes, canicules ou crues peuvent survenir à une probabilité<br />
7
supérieure à 10%, un événement extrême dans 80 ans pourrait être une journée avec un<br />
débit de 68971,66 m3 d’eau/seconde, cette notion est subjective.<br />
. On va ainsi adopter la définition donnée par les climatologues dans le dernier rapport du<br />
Groupe d'experts Intergouvernemental sur l'Evolution du Climat (GIEC ,2007) : « Un<br />
phénomène climatique extrême est un phénomène qui est rare dans le cadre de sa distribution<br />
de référence statistique à un endroit spécifique. Les définitions de « rare » varient, mais un<br />
phénomène climatique extrême serait normalement aussi rare ou plus rare que le 10 ème ou<br />
90ème percentile ». Cette définition permet de considérer deux caractéristiques importantes<br />
des extrêmes : leur fréquence et leur intensité.<br />
‣ Vulnérabilité<br />
Mesure dans laquelle un système est sensible – ou incapable de faire face – aux effets<br />
défavorables des changements climatiques ou hydrologiques, y compris la variabilité du<br />
climat et les phénomènes extrêmes. La vulnérabilité est fonction de la nature, de l’ampleur et<br />
du rythme de l’évolution et de la variation du climat à laquelle le système considéré est<br />
exposé, de la sensibilité de ce système et de sa capacité d’adaptation.<br />
‣ Atténuation<br />
Modification et substitution des techniques employées dans le but de réduire les ressources<br />
engagées et les émissions par unité de production. Bien que certaines politiques sociales,<br />
économiques et technologiques puissent contribuer à réduire les émissions, du point de vue du<br />
changement climatique, l’atténuation signifie la mise en œuvre de politiques destinées à<br />
réduire les émissions de gaz à effet de serre et à renforcer les puits. Il est question dans le<br />
texte de cette étude non de réduire les gaz à effet de serre, mais de minimiser, diminuer les<br />
effets négatifs des pluies sur les pratiques agricoles.<br />
‣ <strong>Adaptation</strong><br />
Initiatives et mesures prises pour réduire la vulnérabilité des systèmes naturels et humains aux<br />
effets des changements climatiques réels ou prévus.<br />
Le Groupe d’experts Intergouvernemental sur l’Evolution du Climat (GIEC), définit la<br />
stratégie d’adaptation comme étant le mécanisme ou les actions entreprises par un<br />
système, une communauté, un individu en réaction aux impacts et effets présents et futurs<br />
8
induits par le changement climatique (GIEC, 2001). Pour Ogouwalé (2006), l’adaptation<br />
climatique apparaît être une des solutions qui permettraient à la communauté humaine de<br />
réduire les impacts des changements climatiques annoncés.<br />
L’adaptation consiste en un ajustement à l’intérieur d’un système humain, en réponse à un<br />
stimulus climatique actuel ou envisagé ou à ses effets, incluant la variabilité et les<br />
extrêmes climatiques (GIEC 2001). L’adaptation est donc un processus qui prend racine<br />
dans la socialisation, l’apprentissage social et politique, et s’exprime à travers des<br />
mécanismes et des décisions pour affronter les stress climatiques (NYONG et al, 2007).<br />
L’adaptation est un changement de procédure, de pratiques et de structures visant à limiter ou<br />
effacer les dommages potentiels ou à tirer bénéfice des opportunités créées par la variabilité et<br />
les changements climatiques (www.ipcc.ch/pub/syrgloss.pdf). Selon le dictionnaire Robert,<br />
l’adaptation est l’appropriation d’un organisme aux conditions externes et internes de<br />
l’existence, permettant à cet organisme de durer et de se reproduire. Pour atténuer les<br />
impacts des changements climatiques, l’adaptation climatique est souvent préconisée.<br />
Cette adaptation se résume à un ensemble de réajustements opérés ou auto-opérés à<br />
l’intérieur des systèmes naturel et humain, en réponse curative ou préventive aux<br />
stimuli climatiques actuels ou futurs ou à leurs effets en vue d’atténuer leurs nuisances ou<br />
d’en tirer opportunément profit (Issa, 1995). L’adaptation se résume en termes de stratégies<br />
mises en place pour atténuer les effets pervers (aléas) liés aux changements climatiques.<br />
4-Articulation de l’étude<br />
Ce travail est subdivisé en sept chapitres :<br />
Le premier chapitre expose sur les données et méthodes utilisées dans le cadre de l’analyse<br />
des valeurs extrêmes du climat et des débits hydrologiques.<br />
Le deuxième présente la situation climatique de référence en République du Congo.<br />
Le troisième, analyse la tendance des indices des valeurs extrêmes des précipitations<br />
journalières ;<br />
Le quatrième chapitre est consacré à l’analyse de l’évolution des valeurs journalières des<br />
températures minimales et maximales ;<br />
9
Le cinquième chapitre fait une récapitulation des tendances des principaux indices analysés et<br />
montre les effets possibles sur l’agriculture, les inondations et la dégradation de sol par<br />
l’érosion.<br />
Le sixième chapitre est consacré à l’étude des extrêmes hydrologiques de quelques cours<br />
d’eau du Congo.<br />
Le septième chapitre s’intéresse à la mise en place d’un cadre de validation des indices<br />
hydrologiques et climatiques.<br />
10
Chapitre 1<br />
Approche méthodologique<br />
<strong>Introduction</strong><br />
Plusieurs techniques et méthodes ont été développées ou adaptées par la communauté<br />
scientifique tout comme par des projets (STARDEX, ENSMBLE, ECA & D) pour analyser<br />
les extrêmes climatiques. Les méthodes utilisées dans cette étude sont tirées du « Guidelines<br />
on Analysis of extremes in a changing climate in support of informed decisions for<br />
adaptation » mis en place par l’Organisation Météorologique Mondiale à l’intention des<br />
décideurs (WMO, 2009). Ces méthodes ont été utilisées avec succès dans des nombreux<br />
travaux sur l’analyse des extrêmes des précipitations et des températures à travers le monde<br />
(Vincent et al., 2005 ; Aguilar et al., 2005; Meehl et al, 2000 ). Loin de faire un catalogue, le<br />
présent chapitre ne fait qu’un bref aperçu des méthodes qui seront utilisées dans le cadre de<br />
cette étude.<br />
1.1-Données<br />
1.1.1-Données climatologiques<br />
Nous avons utilisé les valeurs des précipitations et des températures (minimales et maximales)<br />
au pas de temps journalier sur la période allant du 01 janvier 1950 au 31 décembre 2010. Ces<br />
données, provenant des fichiers informatisés de la Direction de la Météorologie du Congo<br />
seront stockées dans la base de données développée par le Projet <strong>Africa</strong>in d’<strong>Adaptation</strong><br />
(PAA).<br />
L’étude du changement climatique à partir de séries brutes, sans contrôle spécifique ni<br />
examen des ruptures d’origine non climatique, peut conduire à des conclusions erronées.<br />
11
La qualité des données rassemblées diffère d'une station à l'autre. Néanmoins, obtenir des<br />
séries chronologiques presque complètes au niveau des différentes stations était le souci<br />
majeur qui nous a animé. Après 1996 la République du Congo a connu une instabilité sociopolitique<br />
qui s’est traduite par des lacunes dans la presque totalité des stations synoptiques du<br />
Congo. Douze stations synoptiques ont été retenues dont les renseignements sont portés dans<br />
le tableau 1 et la figure 1. Mais, pour le calcul des indices des températures, nous n’avons<br />
considéré que 11 stations. Celle de Makabana, présentant plusieurs lacunes dans les données,<br />
a été systématiquement écartée. Pour la seule raison que le logiciel ne peut calculer les indices<br />
d’une station ayant plus de 25% des données manquantes. Il convient aussi de signaler<br />
l’absence de la station de Souanké sur la liste. Aucune donnée n’a été fournie tout au moins<br />
sur les précipitations.<br />
Figure 1 :Localisation des stations synoptiques retenues<br />
12
Tableau 1:Stations synoptiques retenues<br />
Code (OMM) Station Longitude Latitude Altitude Période<br />
64400 Pointe-Noire 11°54E 4`49’S 17m 1950-2010<br />
64402 Mouyondzi 13°55’E 03°59’S 352 m 1950-2010<br />
64450 Brazzaville 15°51’E 01°54’S 377 m 1950-2010<br />
64452 Mpouya 16°13’E 02°37’S 313 m 1951-2010<br />
64453 Djambala 14°46’E 02°32’S 790 m 1950-2010<br />
64456 Makabana 12°37'E 03°29'S 160m 1957-1995<br />
64459 Dolisie 12°40’E 01°37’S 327 m 1951-2010<br />
66405 Sibiti 13`24E 3`44’S 535m 1950-2010<br />
644540 Gamboma 15°51’E 01°54’S 377 m 1950-2010<br />
644560 Makoua 15°39’E 00°1’S 380 m 1957-2010<br />
644580 Ouesso 16°04’E 03°17’N 352 m 1950-2010<br />
644590 Impfondo 18°04’E 01°37’N 327 m 1951-2010<br />
1.1.1-Données hydrologiques<br />
Il s’agit des valeurs des débits journaliers des trois cours d’eau qui ont été mises à notre<br />
disposition (tableau 2). Il s’agit de l’Oubangui dont la période d’étude va de 1970 à 2010, de<br />
la Sangha à Ouesso (1970 à 2010) et du Fleuve Congo à Brazzaville (1948 à 2010). Ces<br />
données proviennent De l’IRD (ex ORSTOM) et du GRSEN/DGRST<br />
Tableau 2: Stations hydrologiques retenues<br />
N° Hydrom Cours<br />
d’eau<br />
Station de<br />
référence<br />
Coordonnées géographiques<br />
Long. Lat. Altitude<br />
(m)<br />
Superficie bassin versant<br />
(Km2)<br />
Station<br />
Exutoire<br />
Période<br />
10705000105 F. Congo Brazzaville 015°19’ -04°16’ 314 3500000 3700000 1948-2011<br />
1060700105 Oubangui Bangui 16°03’ -04°22’ 345 488500 643900 1970-2011<br />
1070800120 Sangha Ouesso 16°03’ -01°37’ 326 158350 211120 1970-2011<br />
13
1.2. Méthodes statistiques<br />
L’analyse du climat se fait suivant une démarche classique qui répond aux étapes suivantes<br />
(Chaumont, 2004 ; WMO, 2009):<br />
‣ contrôle de qualité,<br />
‣ homogénéisation,<br />
‣ choix et calcul des indices,<br />
‣ application de tests<br />
‣ régionalisation.<br />
1.2.1-Contrôle de qualité<br />
Nous avons utilisé le programme disponible dans le logiciel RClimDex développé par la<br />
branche de recherches sur le climat du service météorologique du Canada (voir le<br />
http://cccma.seos.uvic.ca/ETCCDMI/software.shtml).<br />
Le procédé de contrôle de qualité dans RClimDex n'est pas censé être complet. Néanmoins,<br />
elle aide plutôt l’utilisateur à identifier les erreurs d’enregistrement qui peuvent exister sur<br />
des données quotidiennes (Peter, 2004 ; Planche, 2005) (figures 2 et 3). Les principes sont les<br />
suivants :<br />
‣ remplacer la température maximale quotidienne des valeurs erronées par -99.9, si la elle<br />
est inférieure à la température minimale quotidienne,<br />
‣ Il n’est pas possible d’avoir plus de 365 à 366 observations journalières par année ;<br />
‣ Le mois de février ne doit pas avoir plus de 28 observations quelle que soit l’année<br />
considérée ;<br />
‣ Les données manquantes ou négatives (pour les précipitations) sont remplacées par -99.9<br />
avant le contrôle de qualité par le logiciel.<br />
C’est un programme qui n’accepte que les formats des fichiers ASCII ou CSV. La<br />
configuration du fichier est la suivante (tableau 3).<br />
14
Tableau 3: Format de données dans RClimDex 1.0<br />
Années Mois Jours PRCPTOT Tmax Tmin<br />
1961 1 1 -99.9 37.2 25.5<br />
1961 1 2 21.3 36.3 23.4<br />
1961 1 3 20.2 35.3 25.3<br />
Figure 2: Exemple de contrôle de qualité des données des précipitations observées à la<br />
station de Mpouya (1950 à 2010)<br />
15
Figure 3: Exemple de contrôle de qualité des données des précipitations observées à la<br />
station de Mouyondzi (1950 à 2010)<br />
1.2.2-Homogénéisation<br />
Le terme homogénéisation désigne la correction de séries de données présentant des ruptures<br />
artificielles dues à des modifications dans les réseaux d’observations (déplacement de station,<br />
changement d’instrument de mesure, changement dans l’environnement immédiat d’une<br />
station, changement d’observateur, etc.). Ces ruptures artificielles sont présentes dans la<br />
plupart des enregistrements climatiques et peuvent interférer avec les variations réelles du<br />
climat. La détection et la correction de ces ruptures sont nécessaires pour construire des bases<br />
de données climatiques qui serviront ultérieurement à analyser le signal climatique et suivre<br />
son évolution dans le temps.<br />
Omettre de corriger ces ruptures artificielles implique le risque que les projections futures<br />
basées sur les observations passées soient biaisées.<br />
Après le contrôle de qualité, les différentes valeurs de chacune des stations ont été<br />
homogénéisées à partir du progiciel RHtestV3.r<br />
Les fonctions de RHtestsV3 peuvent traiter des séries annuelles, mensuelles ou<br />
quotidiennes d’erreurs gaussiennes (veuillez noter que la procédure RHtests_dlyPrpc<br />
doit être utilisée pour l’homogénéisation des séries de précipitation quotidienne qui<br />
sont typiquement non-gaussiennes); il est cependant correct d’utiliser les fonctions<br />
RHtestsV3 sur une transformée-log des précipitations totales mensuelles et annuelles.<br />
Chaque série de données d’entrée doit être stockée dans un fichier distinct (p. ex., un<br />
16
fichier nommé Example.dat), dans lequel les trois premières colonnes représentent les<br />
dates d’observation (AAAA pour l’année du calendrier, MM pour le mois et JJ pour le<br />
jour) et la quatrième colonne, les valeurs des données d’observation (ou code de<br />
valeur absente).<br />
Il est à noter que pour les séries mensuelles, JJ=00, et pour les séries annuelles,<br />
MM=00 et JJ=00 (tableaux 4 et 5). Par exemple :<br />
Tableau 4 et 5: Format de données dans RHtestV3.r<br />
Série quotidienne OU Série mensuelle<br />
Années Mois Jours Pluies<br />
1994 1 27 8.1<br />
1994 1 28 5.3<br />
1994 1 29 4.9<br />
1994 1 30 4.9<br />
1994 1 31 4.0<br />
1994 2 1 3.9<br />
1994 2 2 7.2<br />
1994 2 3 8.7<br />
1994 2 4 6.3<br />
1994 2 5 -999.<br />
1994 2 6 -999.<br />
1994 2 7 -999.<br />
1994 2 8 -999.<br />
1994 2 9 9.0<br />
1994 2 10 6.0<br />
Années Mois Jours Pluies<br />
1967 7 0 1015.70<br />
1967 8 0 1015.95<br />
1967 9 0 1016.10<br />
1967 10 0 -999.99<br />
1967 11 0 1010.71<br />
1967 12 0 1011.58<br />
1968 1 0 1009.37<br />
1968 2 0 1003.07<br />
1968 3 0 1011.94<br />
1968 4 0 1014.74<br />
1968 5 0 1009.59<br />
1968 6 0 1011.77<br />
1968 7 0 1014.35<br />
1968 8 0 1010.87<br />
1968 9 0 1016.45<br />
Les dates des données d’entrée doivent être consécutives et dans l’ordre du calendrier.<br />
Autrement, le programme se fermera en produisant un message d’erreur contenant la première<br />
date où l’erreur de données s’est produite. Par exemple : les quatre lignes du 5 au 8 février<br />
1994 de l’exemple de série quotidienne ci-dessus doivent être incluses dans le fichier d’entrée<br />
de données. Elles ne doivent pas être supprimées en raison de leurs données manquantes. La<br />
ligne du 10 février 1994 ne doit pas être avant le 9 février 1994, etc.<br />
<br />
L’exigence ci-dessus s’applique à la série de base et à la série de référence, si elles<br />
sont utilisées. Les séries de base et de référence peuvent comporter des dates pour<br />
diverses périodes (il n’est pas nécessaire qu’elles soient de même longueur), mais dans<br />
ce cas, seules les périodes communes à la série de base et à celle de référence sont<br />
17
testées/analysées. Il est à noter qu’il peut manquer des valeurs à certaines dates/heures<br />
dans les séries de base et de référence, mais alors il faut que le même code soit utilisé<br />
pour indiquer les valeurs absentes. Toutes les dates et heures correspondant aux<br />
valeurs manquantes, que ce soit dans la série de base, ou dans la série de référence, ou<br />
dans les deux séries, sont alors exclues de l’analyse.<br />
Ce logiciel peut être utilisé pour détecter et ajuster des points de changement multiples (des<br />
sauts) pouvant exister dans une série de données comportant des erreurs autorégressives du<br />
premier ordre [mais les séries de précipitations doivent être traitées avec le logiciel<br />
RHtests_dlyPrpc (Wang et al. 2010)]. Il est basé sur le test t maxima avec pénalité (Wang et<br />
al. 2007) et le test F maxima avec pénalité (Wang 2008b), imbriqués dans un algorithme de<br />
test récursif (Wang 2008a), avec un facteur d’auto corrélation avec retard de 1 (si significatif)<br />
appliqué à la série temporelle étant prise en compte. La série temporelle testée peut présenter<br />
une tendance nulle ou linéaire pendant toute la durée d’enregistrement. Le problème de la<br />
répartition non uniforme des taux de fausse alarme et de la puissance de détection est aussi<br />
grandement réduit au moyen de fonctions de pénalité empiriques.<br />
Aussi, RHtestsV3 permet la détection de points de changement lorsqu’on ne dispose pas de<br />
série de référence homogène (figures 4 et 7).<br />
Année de rupture<br />
Figure 4:Exemple d’une série non-homogène des températures minimales à Mouyondzi. Cette<br />
figure montre plusieurs ruptures ou sauts vers 1964, 1970, 1989 et 2000.<br />
18
Figure 5: Exemple d’une série homogène des précipitations à la station de Ouesso<br />
Figure 6: Exemple d’une série homogène des débits du fleuve Congo à Brazzaville<br />
Figure 7 : Exemple d’une série non-homogène des débits de la Sangha à Ouesso. La rupture<br />
est intervenue en avril 1971.<br />
19
L’homogénéisation des séries mensuelles fournit la date et l’amplitude des ruptures détectées.<br />
S’il n’est pas possible d’appliquer les coefficients correcteurs aux données quotidiennes, les<br />
dates des ruptures permettent néanmoins de déterminer des périodes supposées homogènes.<br />
Cette méthode offre l’avantage, d’une part, de bénéficier des travaux de correction et de<br />
comblement des séries des données climatiques considérées lors de la phase<br />
d’homogénéisation des séries mensuelles et, d’autre part, de pouvoir associer<br />
systématiquement un diagnostic sur la moyenne à un diagnostic sur les extrêmes. Entre cette<br />
date et la fin de la série, la série devient série quotidienne de référence (SQR). La période<br />
allant de 1965 à 1994 a été retenue comme normale climatique pour calculer les indices des<br />
extrêmes climatiques pour l’ensemble du pays. Il est difficile dans le contexte du Congo de<br />
trouver une station de référence pouvant permettre de corriger les lacunes détectées. La<br />
longueur disproportionnée des séries, la différence des climats entre station et des états de<br />
surfaces rendent difficile voire impossible le choix d’une station de référence. Cette approche<br />
dite de sélection sans correction des données quotidiennes a déjà été employée dans<br />
différentes études sur l’évolution observée du climat (Frich et al, 2002 ; Moisselin et<br />
Dubuisson, 2006 ; Katerina, 2007 ; Sensoy S. et al, 2008 ; Publina, 2009).<br />
1.2.3-Indices<br />
Pour analyser les extrêmes de pluies, nous avons procédé par le calcul des indices. L'avantage<br />
d'utiliser les indices pour la détection du changement climatique est qu’ils peuvent être<br />
appliqués à différents paramètres du climat tels que les températures minimales, les<br />
températures maximales et les précipitations au pas de temps journalier; ils permettent aussi<br />
une comparaison facile des tendances entre diverses régions appartenant à des zones<br />
climatiques différentes ; les indices des extrêmes climatiques sont facilement compréhensibles<br />
et maniables pour des études d'impacts climatiques sur le plan socio-économique (Christensen<br />
et al, 2002 ; Loredana, 2008). .<br />
De nombreux indices climatiques ont été définis par la communauté des climatologues<br />
Le projet ClimateVariability and Predictability (Clivar) du <strong>Programme</strong> Mondial de<br />
Recherche sur le Climat (PMRC) de l’Organisation Météorologique Mondiale (OMM) a<br />
proposé une liste de différents indices. Certains d’entre eux sont repris et calculés pour<br />
différentes séries dans le cadre du projet européen European ClimateAssessment and Dataset<br />
20
(ECA&D) dont le site Internet présente un dictionnaire complet d’indices<br />
(http://eca.knmi.nl/indicesextremes/indicesdictionary.php#5) de 60 indices correspondant aux<br />
différents aspects du changement climatique.<br />
Le logiciel "RClimDex" offre un calibre approprié pour calculer ces indices de manière<br />
efficace. Un total de 27 indices a été suggéré par l’Equipe d’experts sur la détection d’indices<br />
du changement climatique (Expert Team on Climate Change Detction indices ETCCDI) du<br />
groupe conjoint de la Commission de climatologie et du Clivar CCI/CLIVAR/JCOMM sur la<br />
détection et les indices de changement de climat avec les foyers primaires sur des extrêmes<br />
pour détecter les changements de l'intensité, de la fréquence et de la durée des événements,<br />
peuvant être calculés par ce logiciel.<br />
Le groupe de travail commun Clivar-Commission de climatologie de l’OMM recommande<br />
une liste de dix indices simples et accessibles (Frich et al., 2002).<br />
Les indices, élaborés à l’échelle annuelle par le programme RClimDex (Zhang X. et al.,<br />
2004), peuvent être regroupés en plusieurs catégories (Alexander et al., 2005).<br />
On distingue :<br />
<br />
<br />
<br />
<br />
Les indices basés sur des percentiles fournissant des informations sur la température des<br />
nuits froides (TN10p), des nuits chaudes (TN90p), des jours froids (TX10p) et des jours<br />
chauds (TX90p)<br />
Les indices absolus représentent les valeurs maximale ou minimale de la température au<br />
cours d'une période donnée de temps (saison, année) comme la température maximale la<br />
plus élevée (TXx), la température minimale la plus élevée (TNx), la plus basse<br />
température maximale (TXn) ou la plus basse température minimale (TNn), les totaux des<br />
précipitations journalières au-dessus des percentiles 95 (jours très humides (R95p)) et 99<br />
(jours extrêmement humides (R99p)); les totaux de ces indices varient d’une station à une<br />
autre même quand les différentes stations sont influencées par un même type de climat; il<br />
est donc impossible d’avoir une valeur commune à toutes les stations pour définir le R95p<br />
et le R99p.<br />
Les indices des précipitations maximales d’1 jour (RX1day) et de 5 jours consécutifs<br />
(RX5day);<br />
Les indices de la durée maximale des périodes sèches (R journalière =1mm: CWD); l’amplitude diurne thermique, l’indicateur des<br />
21
durées des séquences chaudes (WSDI), de l’indicateur des durées des séquences fraîches<br />
(CSDI) ;<br />
Les indices seuils, définis sur la base du numéro des jours où l’intensité de la précipitation<br />
est supérieure à un seuil déterminé, c'est-à-dire, 10 mm (R10) et 20 mm (R20); jours de<br />
gel ou FDO(TN25°C), jours de glace ou IDO (TN20°C) ;<br />
Les indices des conditions moyennes, c'est-à-dire les totaux annuels des précipitations<br />
(PRCPTOT) et l’intensité moyenne journalière (SDII), Amplitude de température diurne<br />
journalière (ATD), longueur de saison de croissance (GSL).<br />
Tous ces indices sont représentés dans les tableaux 6 et 7 ci-après :<br />
Tableau 6: Indices des extrêmes des précipitations journalières (Xuebin Zhang et Feng Yang,<br />
2004)<br />
Précipitations<br />
Identification Noms de l’indice Définition Unité<br />
1-PRCPTOT Total annuel des pluies Précipitations totales annuelles des jours pluvieux (RR ≥<br />
1,0 mm)<br />
2-RX1day<br />
Hauteur maximale des<br />
Précipitations d’un jour<br />
3-Rx5day Cumul maximal des<br />
précipitations de 5 jours<br />
4-R10 Nombre de jours de<br />
précipitations ≥ 10 mm<br />
5-R20 Nombre de jours de<br />
précipitations ≥ 20 mm<br />
6-Rnn*<br />
Nombre de jours audessus<br />
du nn millimètre<br />
Précipitation totale maximale d’un jour pluvieux<br />
Précipitation totale maximale sur 5 jours pluvieux<br />
consécutifs pendant l’année<br />
Nombre de jours de l’année avec précipitation ≥ 10 mm<br />
Nombre de jours de l’année avec précipitations ≥ 20 mm<br />
Compte le nombre de jours dans l’année dont la valeur est<br />
au-dessus du seuil fixé par le décideur<br />
7-R95p Jours très pluvieux Précipitation totale annuelle avec précipitation > 95 e<br />
percentile<br />
8-R99p Jours extrêmement<br />
pluvieux<br />
9-SDII Intensité simple des<br />
pluies<br />
Précipitations totales annuelles avec les précipitations ><br />
99 e percentile<br />
Total annuel des précipitations sur le nombre des jours<br />
pluvieux (PRCP ≥1,0 mm)<br />
10-CDD Jours secs consécutifs Nombre maximal des jours consécutifs avec précipitations<br />
journalières < 1 mm<br />
11-CWD Jours pluvieux<br />
consécutifs<br />
Nombre maximal de jours consécutifs avec des<br />
précipitations journalières ≥1 mm<br />
mm<br />
mm<br />
mm<br />
jour<br />
jour<br />
jours<br />
mm<br />
mm<br />
mm/jour<br />
jour<br />
jour<br />
22
Tableau 7: Indices des extrêmes des températures journalières (Xuebin Zhang et Feng Yang,<br />
2004)<br />
Températures<br />
Indices Noms Définition Unités<br />
12-FDO* Jours de gel Compte le nombre de jours dans l’année quand la TN (minimum<br />
journalière) < 0°C<br />
13-SU25* Jours d’été Compte le nombre de jours dans l’année quand la TX (maximum<br />
journalière) > 25°C<br />
14-IDO* Jours de glace Compte le nombre de jours dans l’année quand la TX (minimum<br />
journalière) < 0°C<br />
15-TR20* Nuits tropicales Compte le nombre de jours dans l’année quand la TX (minimum<br />
journalières) > 20°C<br />
Jours<br />
jours<br />
jours<br />
jours<br />
16-GSL*<br />
Longueur de saison<br />
de croissance<br />
(à partir du 1 er janvier au 31 décembre dans l’hémisphère Nord, du<br />
1 er juillet au 30 juin dans l’hémisphère Sud) compte le 1 er jour de<br />
l’année quand le cumul de 6 jours consécutifs TG > 5°C et le<br />
premier jour de l’année dont la somme des températures est < 5°C<br />
(après le 1 er juillet dans l’hémisphère Nord et le 1 er janvier dans<br />
l’hémisphère sud)<br />
Jours<br />
17-TXx Maximum des<br />
Tmax<br />
Température maximale la plus élevée dans l’année °C<br />
18-TN X Maximum des Tmin Température minimale la plus forte dans l’année °C<br />
19-TX n Minimum des Tmax Température maximale la plus basse dans l’année °C<br />
20-TN n Minimum des Tmin Température minimale la plus basse dans l’année °C<br />
21-TN 10p Nuits relativement<br />
fraiches<br />
22-TX 10p Jours relativement<br />
frais<br />
23-TN 90p Nuits relativement<br />
chaudes<br />
24-TX 90p Nuits relativement<br />
chaudes<br />
25-WSDI Indicateur des<br />
durées des<br />
séquences chaudes<br />
26-CSDI Indicateur des<br />
durées des<br />
séquences fraiches<br />
Pourcentage des jours avec Tmin 90 eme percentile<br />
Nombre de jours dans l’année avec au moins six jours consécutifs où<br />
Tmax > 90 e percentile<br />
Nombre de jours dans l’année avec au moins six jours consécutifs où<br />
Tmin < 10 e percentile<br />
%jours<br />
%jours<br />
%jours<br />
%jours<br />
%jours<br />
%jours<br />
27-ATD<br />
Amplitude<br />
Thermiques Diurne<br />
Différence moyenne annuelle entre Tmax et Tmin °C<br />
23
Tableau 8: Indices hydrologiques<br />
Identification Noms de l’indice Définition Unité<br />
1-Fn1day Dédit minimum Débit le plus faible observé en une journée m 3 /sec<br />
d’une journée pendant une année<br />
2-Fx1day Dédit maximum Débit le plus fort observé en une journée pendant m 3 /sec<br />
d’une journée une année<br />
3-F10p Débit faible Nombre des jours avec Débits
1.2.5-Tests statistiques<br />
1.2.5.1-Estimateur de la pente<br />
Il a permis de détecter la tendance (trends) de l’évolution des précipitations. Cette statistique<br />
non paramétrique calcule l'importance de toutes les tendances significatives trouvées.<br />
L'estimateur de pente (slope estimator ) de Sen (Sen, 1968) est calculé comme suit :<br />
pour j=1, …,12 ;<br />
L'évaluation de la pente et de la médiane de toutes les valeurs de<br />
trop forte pour les valeurs extrêmement rares ; les valeurs de<br />
. Hirsch et al. (1982) est<br />
sont calculées sur les<br />
valeurs qui sont des multiples de 12 mois. Les effets de confusion de la corrélation périodique<br />
sont peu probables. Les seuils de confiance pour cet estimateur de pente sont calculés à partir<br />
d’un percentile simple de toutes les valeurs de pentes calculées. La méthode de Sen (1968)<br />
obéit au principe suivant : si le slope error est supérieur au slope estimate, alors le slope<br />
estimator est faux. Si le p-value est inférieur à 0.05, la tendance est significative au seuil de<br />
confiance de 95%. Appliquée sur la description des indices des extrêmes par Aguilar et al.<br />
(2005) et par Zhang et al. (2000), cette méthode a été adaptée avec succès en climatologie<br />
dans l’analyse des températures annuelles du Canada, à l’étude des vagues de chaleurs dans<br />
l’hémisphère Nord par Wang et Swail (2001) et des précipitations du Nord Congo par<br />
Maleké (2010).<br />
1.2.5.2-Généralisation des Valeurs Extrêmes (GEV)<br />
La modélisation statistique des séries (WMO, 1989) suppose que l’on choisisse au préalable :<br />
‣ La façon de constituer un échantillon,<br />
‣ Une loi de distribution,<br />
‣ Une méthode d’estimation des paramètres et des quantiles,<br />
‣ Un schéma qui permet l’utilisation conjointe de données locales et régionales.<br />
Dans le cadre de cette étude, le GEV paraît être le mieux adapté.<br />
L’étude des extrêmes passe par l'analyse du maximum d'un échantillon de taille n. Soit {X1,<br />
X2, ..., Xn} un échantillon de variables aléatoires. Par exemple des observations de la<br />
25
température moyenne journalière durant la période d’étude (n =54 ans), et Mn = max{X1, X2,<br />
..., Xn} est la plus grande valeur de l'échantillon.<br />
L'analyse des maxima d'échantillons de taille n est également appelée analyse des maxima par<br />
bloc. Dans notre analyse, un bloc correspond à une année et Mn est le maximum journalier.<br />
On dit qu’une variable aléatoire X appartient à la famille de distributions GEV (Generalized<br />
Extreme Value Distribution) si sa fonction de distribution FX(x) peut être mise sous la forme :<br />
<br />
Fxxexp1<br />
<br />
<br />
1<br />
<br />
x<br />
<br />
<br />
<br />
<br />
, 0, .<br />
et où t max t,0<br />
. µ est donc un paramètre de localisation un<br />
paramètre d’échelle et un paramètre de forme.<br />
‣ Paramètres du modèle<br />
Pour comprendre le comportement de Mn, une autre approche consiste à accepter que cette<br />
fonction F soit inconnue, et d’essayer de voir à quelle famille de distribution nous pouvons<br />
l’apparenter. L’estimation des paramètres peut s’effectuer en évaluant le maximum de<br />
vraisemblance de l’échantillon. Calculons la vraisemblance d’un jeu de données Z1, . . ., Zm<br />
indépendantes. Et suivant la loi de probabilité aux valeurs extrêmes f GEV , ,<br />
;<br />
où est un paramètre de forme (shape parameter) encore appelé indice des valeurs extrêmes<br />
ou indice de queue. Plus cet indice est grand en valeur absolue, plus le poids des extrêmes<br />
dans la distribution initiale est important. On parle alors des distributions à « queue épaisses ».<br />
Trois cas sont possibles :<br />
> 0, G , ,<br />
suit la loi de Fréchet<br />
< 0, G , ,<br />
suit la loi de Weibull<br />
→0, G<br />
, ,<br />
suit la loi de Fréchet<br />
26
‣ Niveaux et périodes de retour<br />
Dans le cadre de notre problème de prédiction des événements extrêmes, on aimerait<br />
connaître la probabilité de retour à laquelle un événement extrême serait observé.<br />
Cet argument conduit à l’approche suivante : Les données sont stockées dans des séquences<br />
d’observations de taille n, pour une grande valeur de n, ce qui génère une série de maxima de<br />
blocs Mn1, Mn2 . . . Mn, sur lesquels la distribution GEV peut être ajustée. Souvent ces blocs<br />
sont choisis de telle manière qu’ils correspondent à une période d’une année, de manière à ce<br />
que les maxima de blocs correspondent aux maxima journaliers. Nous pouvons ensuite<br />
calculer les quantiles de la loi GEV :<br />
xp<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
<br />
log<br />
<br />
<br />
1<br />
log 1<br />
p<br />
log 1<br />
p<br />
<br />
<br />
,<br />
<br />
,<br />
0<br />
0<br />
Où la valeur xp est le (1 − p)-quantile de la loi GEV : G (xp) = 1 − p. Ainsi, dans la<br />
terminologie commune, la valeur xp est le niveau de retour associé à la période de retour 1/p<br />
moyennant un degré raisonnable de précision, le niveau xp serait en effet excédé en moyenne<br />
toutes les 1/p années. Plus précisément, xp est dépassé sur le maximum annuel au cours d’une<br />
année donnée avec probabilité.<br />
Dans la pratique, nous estimons les niveaux de retour pour une valeur fixée p, en remplaçant<br />
dans la formule précédente les estimations des paramètres par le maximum de<br />
vraisemblances. Aussi, nous obtenons les formules suivantes :<br />
Nous avons appliqué cette théorie sur les données hydrologiques. Elle nous a permis de<br />
modéliser statistiquement les données journalières des débits (Guillou et Willems, 2006 ;<br />
Receanu, 2009). Ce programme est incorporé toolkit extReme qui est une extension du<br />
logiciel R, développée par Gilleland et al, 2005. Elle est souvent utilisée dans l’analyse du<br />
temps et du climat.<br />
27
Conclusion partielle du chapitre 1<br />
Les méthodes présentées dans ce chapitre sont les plus utilisées dans le cadre de l’analyse des<br />
valeurs extrêmes du climat et que nous avons adoptées pour notre étude. Ces méthodes sont<br />
largement développées et détaillées dans beaucoup d’articles et ouvrages d’économétrie,<br />
d’assurance et de climatologie.<br />
28
Chapitre 2<br />
Situation climatique de référence<br />
<strong>Introduction</strong><br />
Ce chapitre présente la répartition spatiale des températures et des précipitations en<br />
République du Congo d’une part, et l’évolution du climat dans le passé par le biais des cartes<br />
d’autre part.<br />
2.1-Configurations spatiales du climat<br />
2.1.1-Configurations spatiales annuelles des températures<br />
‣ Températures maximales<br />
Les températures maximales dans l’ensemble du territoire congolais varient entre 26 ,08°C et<br />
31,56°C. Les valeurs les plus élevées sont enregistrées dans la partie Nord-est du pays et dans<br />
une certaine mesure dans l’extrême sud. Elles sont comprises entre 29°C et 31,56°C.<br />
Le noyau des faibles températures est observé dans la partie sud et ouest du Congo, plus<br />
précisément dans le Chaillu et sur les plateaux Batéké. Les valeurs observées dans cette zone<br />
n’atteignent point 28°C quelle que soit l’année considérée (figure 8)<br />
29
Figure 8: Répartition spatiale des températures minimales<br />
‣ Configurations annuelles des températures minimales<br />
En République du Congo, les températures minimales moyennes observées dans l’année<br />
oscillent entre 17,29°C et 21,48°C. La répartition spatiale des valeurs minimales présentent<br />
deux grands noyaux : un noyau de fortes valeurs centré sur Ouesso et une bonne partie de la<br />
Cuvette Congolaise et le noyau de faibles valeurs sur le plateau Djambala. La zone côtière<br />
présente le même comportement thermique que la Cuvette Congolaise (figure 9).<br />
30
Figure 9 : Répartition spatiale des températures minimales (1950-2010)<br />
2.1.2-Configuration annuelles des précipitations<br />
Le régime pluviométrique annuel sur la période 1951- 2010 (Figure 10) se caractérise par des<br />
quantités, allant en moyenne, de 1200 à 2100 mm sur le territoire national ; les quantités de<br />
pluies les plus importantes enregistrées sur la partie centrale et nord. On observe deux zones<br />
de maximum et une zone de minimum : Le maximum absolu centré dans la zone des plateaux<br />
autour de Djambala et le maximum relatif sur le nord-est autour d’Impfondo, Le minimum est<br />
observé le long du littoral et dans la vallée du Niari.<br />
31
Figure 10: Configuration spatiale des précipitations (1950-2010)<br />
2.2. Evolution du climat<br />
2.2.1. Evolution des températures<br />
Les études antérieures avaient permis de mettre en évidence deux sous-périodes dans le cadre<br />
de l’évolution des températures (Massouangui Kifouala, 2002 ; Ovoua, 2004 ; Mpounza et al.,<br />
2003 ; Gantsiala Mbouala, 2011) ; Elles sont ainsi résumées dans le tableau ci-dessus :<br />
32
Tableau 9: sous-périodes de l’évolution des températures au Congo de 1950 à 2006<br />
(Gantsiala Mbouala, 2011)<br />
Températures<br />
Sous-périodes<br />
Période 1(P1) Période 2 (P2)<br />
Minimales 1950-1985 1986-2006<br />
Maximales 1950-1969 1970-2006<br />
C’est sur cette base que nous établis les cartes passées de l’évolution des températures en<br />
République du Congo.<br />
‣ Evolution des températures minimales<br />
Comme au niveau des températures maximales, on observe une tendance au réchauffement<br />
qui se fait d’est vers l’ouest dans la partie nord du Congo (figure 11). La courbe de 20,6°C<br />
passe désormais au-dessus d’Impfondo ; il sied aussi de faire remarquer l’apparition de la<br />
courbe de 21°C dans la Cuvette Congolaise. La zone côtière, à l’image du Nord Congo<br />
connaît un réchauffement climatique. L’isotherme de 21°C passe désormais vers le Mayonbe<br />
pendant la deuxième sous-période.<br />
33
Figure 11: Evolution des températures minimales pendant P1 et P2<br />
‣ Températures maximales<br />
L’observation de la figure 12 montre un décalage des isothermes surtout dans le Nord du<br />
Congo de l’est vers l’ouest. La courbe de 30°C sur la figure 1950-1969est remplacée par celle<br />
de 30,6°C sur la figure 1970-2006, tout comme celle de 30,6°C par celle de 31°C. Au même<br />
moment, on note un refroidissement des Plateaux de Djambala et une partie du Chaillu.<br />
34
Figure 12 : Evolution des températures minimales pendant P1 et P2<br />
35
2.2.2-Evolution décennale des pluies<br />
‣ La période 1951-1980<br />
La période 1951-1980 se caractérise par des pluies annuelles plus faibles que celles de la<br />
moyenne 1951-2010 sur le littoral et la vallée du Niari et des quantités de pluies plus<br />
importantes partout ailleurs sur le territoire national.<br />
On note aussi un contraste général nord/sud avec des quantités de pluies plus importantes<br />
dans la partie centrale et nord et des quantités relativement faibles le long du littoral et dans la<br />
vallée du Niari. (Figure 13)<br />
‣ La période 1981-2010<br />
La période récente (1981-2010) se caractérise par une baisse des cumuls annuels de pluies sur<br />
les 2 zones de maximums observés au cours de la période 1951-1980 et une augmentation des<br />
pluies le long du littoral et dans vallée du Niari (figure 13).<br />
Cependant le contraste général nord/sud demeure avec des quantités plus importantes dans la<br />
partie centrale et nord et des quantités relativement faibles le long du littoral et dans la vallée<br />
du Niari.<br />
36
Figure 13: Evolution des précipitations pendant les sous-périodes 1950-1980 et 1981-2010<br />
37
Conclusion du chapitre 2<br />
En résumé, il convient de retenir que les précipitations et les températures sont très<br />
inégalement réparties en République du Congo. Cette répartition est en rapport avec le relief<br />
et la continentalité. Les zones les plus élevées sont les pluvieuses et les moins chaudes. Elles<br />
s’opposent aux zones basses qui enregistrent des faibles précipitations et des fortes<br />
températures.<br />
Le climat de la République du Congo connait un réchauffement ressenti dans l’ensemble du<br />
pays. Quant aux précipitations, elles présentent une évolution qui varie d’une zone à une<br />
autre.<br />
38
Chapitre 3 :<br />
Tendances des indices des extrêmes<br />
des précipitations<br />
<strong>Introduction</strong><br />
Les précipitations représentent l’élément météorologique qui définit mieux le climat de la<br />
zone intertropicale en générale et de la République du Congo en particulier. Elles permettent<br />
la bonne pratique économique des populations comme l’agriculture, une agriculture qui est<br />
pour l’essentielle pluviale. Les cycles culturaux suivent le rythme des précipitations. Les<br />
précipitations constituent la source principale de ravitaillement des cours d’eau et des nappes.<br />
Si jamais elles venaient à changer, les conséquences seront multiples. Faire une analyse de<br />
l’évolution des précipitations de la République du Congo est le principal objectif que vise ce<br />
chapitre.<br />
3.1-Jours consécutivement sec (CDD)<br />
L’évolution de cet indice est marquée par une baisse très significative (fig. 14). Cette baisse<br />
est plus considérable à Dolisie, Mouyondzi, Mpouya et Sibiti. Elle est évaluée entre -0,401 et<br />
-0,814% jours/année. Dans les autres stations comme Djambala, Gamboma, Makoua cette<br />
baisse est assez faible. Elle ne dépasse pas -0.11%jours/an. Les stations de Brazzaville,<br />
d’Impfondo, de Ouesso et de Pointe-Noire sont caractérisées par une hausse qui va de 0,08 à<br />
0,45%jours/an. Cette hausse est plus accusée à Makabana qui a enregistré une valeur de<br />
1,259% des jours consécutifs sans pluies/année.<br />
39
Figure 14: Evolution des jours consécutivement sec (1950-2010)<br />
40
3.2-Jours consécutivement humides CWD<br />
La figure 15 présente l’évolution des jours pluvieux consécutifs au Congo sur la période allant<br />
de 1950 à 2010. L’observation de cette figure nous permet de constater que cet indice connait<br />
une baisse comprise entre -0,011 et -0,034% jours/année. La baisse est moins accusée à<br />
Impfondo, Gamboma et Makoua où elle ne dépasse pas -0,011% jour/ année. Les stations de<br />
Brazzaville, Djambala, Dolisie, Mpouya et Sibiti sont caractérisées par des CWD en nette<br />
augmentation. Cette hausse va de 0,002 à 0,018% jours/an.<br />
Figure 15: Evolution du nombre de jours consécutivement humides (1950-2010)<br />
41
3.3-Totaux annuels des précipitations (PRCPTOT)<br />
L’indice des totaux des pluies est caractérisé par une tendance à la baisse (fig.16). Sept<br />
stations sur 11 analysées sont frappées par cette récession pluviométrique qui est comprise<br />
entre -9,577 et -0,776 mm d’eau/an). Cette baisse est plus impressionnante dans les stations<br />
situées dans la partie nord du Congo. Il s’agit précisément de Makoua (-9,577 mm d’eau/an),<br />
de Gamboma (-4,361 mm d’eau/an), d’Impfondo (-3,827 mm d’eau/an). Dans la partie sud du<br />
Congo, la baisse est observée surtout dans les localités de Sibiti (-3,573 mm d’eau/an), de<br />
Pointe-Noire (-2,118 mm d’eau/an) et de Mpouya (-1,044 mm d’eau/an). A Dolisie,<br />
Makabana et Ouesso les totaux des pluies sont en nette augmentation. Cette augmentation<br />
atteint 18,506 mm d’eau/an à Djambala.<br />
Figure 16: Evolution des totaux annuels des précipitations (1950-2010)<br />
42
3.4-Maximum d’une journée de pluies (R1days)<br />
On note une diminution très significative des maximums des pluies d’une journée dans<br />
l’ensemble du pays (fig.17). Cette tendance est plus accusée à la station de Makoua où on a<br />
enregistré une diminution de l’ordre de -1,034 mm d’eau/décade sur la période allant de 1950<br />
à 2010. Dans les stations de Mouyondzi, Sibiti et Makabana, cette baisse varie entre -0,018 et<br />
-0,491 mm d’eau par décade. Par contre, Brazzaville, Gamboma, Mpouya et Impfondo<br />
accusent une hausse comprise entre 0,101 et 0,36 mm d’eau/décade.<br />
Figure 17: Evolution du maximum d’une journée de pluies (1950-2010)<br />
43
3.5-Maximum de cinq jours de pluies (R5days)<br />
Les valeurs portées sur la figure traduisent l’évolution des maximums de cinq jours<br />
consécutifs de pluies sur la période allant de 1950 à 2010 (fig.18). Dans l’ensemble, on note<br />
une tendance à la baisse de cet indice ; une baisse comprise entre -0,057 et -1,034 mm d’eau<br />
par décade à Makoua, Gamboma, Sibiti et Mouyondzi. La station de Makoua est celle qui<br />
enregistre la plus importante récession des maximums des pluies de cinq jours consécutifs.<br />
Djambala (1,098 mm d’eau/décade) est caractérisé par une importante hausse. Elle est<br />
comprise entre 0,129 à 0,404 mm d’eau/décade à Pointe-Noire, Ouesso, Mpouya et<br />
Brazzaville.<br />
Figure 18: Evolution du maximum de cinq jours de pluies (1950-2010)<br />
44
3.6-Nombre de jours des pluies ≥ R10 mm<br />
Le nombre de jours pluvieux supérieurs à 10 mm d’eau connait une baisse en République du<br />
Congo (fig.19). Cette baisse très significative est observée à Sibiti, Pointe-Noire, Mpouya,<br />
Makoua, Impfondo, Gamboma et à Brazzaville. Elle est estimée entre -0.02 et -0,253 mm<br />
d’eau par décade. Les stations de Djambala (0,189 mm d’eau/décade), de Dolisie (0,009 mm<br />
d’eau/décade), de Makabana (0,061 mm d’eau/décade), de Mouyondzi (0,246 mm<br />
d’eau/décade) et de Ouesso (0,06 mm d’eau/décade) présentent une tendance à la hausse.<br />
Figure 19: Evolution du nombre de jours des pluies ≥ R10 mm (1950-2010)<br />
45
3.7-Nombre de jours pluvieux ≥ R20 mm<br />
Sept stations synoptiques sur onze enregistrent une récession de nombre de jours pluvieux<br />
≥10 mm d’eau (fig.20). Il s’agit principalement des stations de Brazzaville, Gamboma,<br />
Impfondo, Makoua, Mpouya, Pointe-Noire et de Sibiti. La baisse observée dans ces stations<br />
va de -0,024 à 0,082 mm d’eau/décade. Les stations de Djambala (0,096 mmd’eau/décade),<br />
Dolisie (0,002 mmd’eau/décade), Makabana (0,071 mmd’eau/décade), Mouyondzi (0,183<br />
mmd’eau/décade) et de Ouesso (0,025 mmd’eau/décade) ont une tendance à la hausse, très<br />
significative à 95% comme seuil de confiance.<br />
Figure 20: Evolution du nombre de jours pluvieux ≥ R20 mm (1950-2010)<br />
46
3.8-Jours très humides (R95p)<br />
Les jours très humides ont évolué en deux grandes tendances (fig.21). Les stations de<br />
Brazzaville, de Djambala, d’Impfondo, de Makabana, de Mpouya et de Pointe-Noire<br />
présentent une tendance à la hausse évaluée entre 0,025 et 21,247 mm d’eau/an. Cette hausse<br />
est très accusée à Djambala (21,30 mm d’eau/an) et à Mpouya (1,14 mm d’eau/an). La<br />
tendance à la baisse est perceptible surtout à Makoua (-4,619 mm d’eau/an), à Sibiti (-3,772<br />
mm d’eau/an), à Ouesso (-2,44 mm d’eau/an) et à Mouyondzi (-1,23 mm d’eau/an), à<br />
Gamboma (-0,733 mm d’eau/an) et à Dolisie (0,139 mm d’eau/an).<br />
Figure 21: Evolution des jours très humides (1950-2010)<br />
47
3.9-Jours extrêmement humides (R99p)<br />
La figure 22 montre l’évolution des totaux des précipitations des jours extrêmement humides<br />
de 1950 à 2010. L’observation de cette figure permet de constater que cet indice est en nette<br />
augmentation. Cette augmentation est plus accusée à Djambala (21,247 mm d’eau/an) dans<br />
une moindre mesure à Impfondo (1,31 mm d’eau/an), à Brazzaville (1,1 mm d’eau/an) et à<br />
Gamboma (0,098 mm d’eau/an). La situation de baisse est constatée dans les stations de<br />
Makabana, Makoua, Sibiti, Mouyondzi et de Mpouya. La baisse est estimée autour de -0,032<br />
et -1,689 mm d’eau/an). Les stations de Sibiti (-1,689 mm d’eau/an) et de Makoua (-1,055<br />
mm d’eau/an) sont les plus frappées par ce phénomène.<br />
Figure 22: Evolution des jours extrêmement humides (1950-2010)<br />
48
3.10-Intensité Simples des Précipitations (SDII)<br />
Les intensités simples de précipitations sont en augmentation au Congo (fig.23). Cette hausse<br />
est comprise entre 0,001 et 0,114 mm d’eau/jour. Gamboma, Makoua, Mpouya, Pointe-Noire<br />
et Sibiti connaissent une baisse. Ce sont les stations de Makoua et de Sibiti qui ont enregistré<br />
la plus importante baisse au Congo. Elle est de l’ordre de -0,33 mm d’eau/jour.<br />
Figure 23: Evolution des Intensités Simples des Précipitations (1950-2010)<br />
49
Conclusion partielle du chapitre 3<br />
La République du Congo est marquée par un contexte climatique de diminution des<br />
précipitations, surtout dans la partie Nord. Cette récession se traduit par une tendance à la<br />
baisse des totaux des pluies, des jours humides consécutifs, des jours très humides et une<br />
augmentation des jours secs consécutifs.<br />
Il est aussi important de noter que les jours très humides et les intensités simples des pluies<br />
sont en augmentation.<br />
50
Chapitre 4<br />
Tendances des indices des extrêmes<br />
des températures<br />
<strong>Introduction</strong><br />
La notion de réchauffement climatique est liée aux températures. Les vagues des chaleurs ou<br />
canicules font des victimes dans le monde comme en 2003 en Europe. L’analyse des valeurs<br />
extrêmes des températures minimales et maximales à partir des indices, constituent la toile de<br />
fond de ce chapitre.<br />
4.1-Indicateur des durées des séquences fraiches (CSDI)<br />
L’évolution de l’indicateur de la durée des jours frais présente une tendance dominée par une<br />
baisse (fig.24). La hausse est observée à la station de Brazzaville (0,325% de jours/an),<br />
d’Impfondo (0,078% de jours/an), de Makoua (0,044% de jours/an), de Ouesso (0,015% de<br />
jours/an ) et surtout de Sibiti (0,593% de jours/an). Cette hausse très significative à 95%<br />
comme seuil de confiance va de 0,119% de jours/an à 0,593% de jours/an. Quant à la baisse,<br />
elle est enregistrée par les stations de Djambala (-0,043% de jours/an), de Dolisie (-0,001% de<br />
jours/an) de Gamboma (-0,302% de jours/an), de Mouyondzi (-0,112% de jours/an), de<br />
Mpouya (-0,126% de jours/an) et de Pointe-Noire (-0,119% de jours/an). Il est important de<br />
souligner que la plus importante baisse est survenue à Gamboma, localité située au centre du<br />
pays et influencé par le climat équatorial.<br />
51
Figure 24: Evolution de l’indicateur des durées des séquences fraiches (1950-2010)<br />
4.2-Amplitude Thermiques Diurne (ATD)<br />
L’évolution des valeurs journalières des températures en République du Congo est marquée<br />
par une augmentation des Amplitudes thermiques Diurnes (fig.25). Cette hausse qui est très<br />
significative est comprise entre 0,006 et 0,026°C dans l’ensemble du pays. La plus importante<br />
hausse est survenue à Djambala (0,026°C) et à Dolisie (0,026°C). Dans les autres stations<br />
52
comme Impfondo (0,004°C), Makoua (0,009°C) et Ouesso (0,006°C), les valeurs sont<br />
presque nulles. La station de Brazzaville, de Gamboma, de Pointe-Noire et dans une moindre<br />
mesure de Mouyondzi accusent une baisse moins significative. Cette baisse varie entre -0,001<br />
et 0,039°C. Cette situation traduit un réchauffement assez important à la fois des températures<br />
minimales et maximales. Le rapprochement de ces deux types de températures fait que les<br />
amplititudes thermiques tendent à s’annuler jusqu’à atteindre des valeurs négatives.<br />
Figure 25: Evolution des Amplitude Thermiques Diurne (1950-2010)<br />
53
4.3-Nuits relativement fraiches (TN10p)<br />
Les nuits fraîches sont en nette diminution en République du Congo, à en croire les tendances<br />
présentées par les valeurs déterminées de cet indice (fig.26). On note une baisse de -0,066 à -<br />
0,351% de jours/an. C’est à Gamboma (-0,351% de jours/an) et à Brazzaville (-0,256% de<br />
jours/an) que l’on observe la plus importante baisse. Seules les stations de Makoua (0,008%<br />
de jours/an) et de Djambala (0,225% de jours/an) font figure d’exception. L’évolution dans<br />
ces deux dernières stations est marquée par une tendance à la baisse des nuits fraîches.<br />
Figure 26: Evolution des nuits relativement fraiche (1950-2010)<br />
54
4.3-Nuits relativement chaudes (TN90p)<br />
Si à Djambala (-0,216% de jours/an) on note une diminution des nuits relativement chaudes, il<br />
n’est pas le cas dans le reste des stations du pays. La tendance générale est à la hausse, une<br />
augmentation très significative à 95% comme seuil de confiance (fig.27). Les estimations<br />
faites à partir de la pente nous donnent des valeurs comprises entre 0,131 et 0,444% de<br />
jours/an. Cette situation est très remarquable à Pointe-Noire (0,444% de jours/an) et à<br />
Impfondo (0,352% de jours/an).<br />
Figure 27: Evolution des jours relativement frais (1950-2010)<br />
55
4.4-Minimum des températures minimales (TNn)<br />
La figure 28 montre que le minimum des températures minimales évolue en deux tendances.<br />
La tendance à la hausse est observée à Sibiti, Pointe-Noire, Mouyondzi, Makoua, Gamboma<br />
et Dolisie. Cette hausse va de 0,001 à 0,036°C. Quant à la baisse, elle est perceptible dans les<br />
localités de Brazzaville surtout, de Djambala, d’Impfondo, de Mpouya et de de Ouesso. La<br />
baisse enregistrée dans ces stations ne dépasse pas -0,055°C.<br />
Figure 28: Evolution du minimum des températures minimales (1950-2010)<br />
56
4.5-Maximum des températures minimales (TNx)<br />
De façon générale, le maximum des températures minimales accuse une hausse dans toutes<br />
les stations analysées, exception faite pour Brazzaville (-0,121°C) et Mpouya (-0,021°C)<br />
Cette hausse va de 0,008 à 0,23°C (fig.29). Mais à Ouesso, la tendance est à la stabilité (0°C).<br />
Figure 29: Evolution du maximum des températures minimales (1950-2010)<br />
57
4.6-Jours relativement frais (TX10p)<br />
L’évolution des jours frais au Congo met en évidence une baisse assez accusée surtout à<br />
Dolisie (-0,196% de jours/an) et à Sibiti (-0,162% de jours/an). Dans l’ensemble, le TX10p<br />
diminue de -0,077 à -0,196% de jours/an. A la station de Brazzaville, la tendance est à<br />
l’augmentation ; une hausse estimée à 0,108% de jours/an (fig.30).<br />
Figure 30: Evolution des jours relativement frais (1950-2010)<br />
58
4.7-Jours relativement chauds (TX90p)<br />
Comme les nuits chaudes, les jours chauds accusent une réelle augmentation. Ce constat est<br />
valable pour tous les observatoires analysés. Cette hausse oscille entre 0,026 et 0,366% de<br />
jours/an dans l’ensemble du pays. Les cas les plus frappants sont ceux de Mpouya (0,366% de<br />
jours/an), de Pointe-Noire (0,256% de jours/an), de Sibiti (0 ,244% de jours/an) et d’impfondo<br />
(0,191% de jours/an). On ne note désormais aucune différence du point de vue tendance de<br />
l’évolution des jours chauds entre les localités rurales et les zones urbaines (fig.31).<br />
Figure 31: Evolution des jours relativement chauds (1950-2010)<br />
59
4.8-Minimum des températures maximales (TXn)<br />
La figure 32 présente l’évolution du minimum de températures maximales sur l’ensemble du<br />
territoire du Congo de 1950 à 2010. Cette évolution est dominée par une tendance à la hausse<br />
généralisée et très significative. La hausse la plus importante est survenue à Impfondo<br />
(0,037°C) et à Brazzaville (0,025°C). Dans le reste des stations, elle gravite autour de 0,008 à<br />
0,023°C. Il convient de souligner qu’à la station de Brazzaville (-0,121°C) et de Mpouya (-<br />
0,021°C) l’évolution de TNx est marquée par une baisse.<br />
Figure 32: Evolution du minimum des températures maximales (1950-2010)<br />
60
4.9-Maximum des températures maximales (TXx)<br />
A l’instar de TXn, le maximum des températures maximales présentent une tendance<br />
caractérisée par une nette augmentation (fig.33). Cette hausse varie suivant les cas entre 0,006<br />
et 0,036°C. Mais la station de Brazzaville accuse une baisse de l’ordre de -0,002°C, une<br />
baisse non significative (p-value
4.10-Indicateur des durées des séquences chaudes (WSDI)<br />
Comme il est le cas pour le CSDI, six stations synoptiques sur 11 présentent une tendance à la<br />
baisse de l’indicateur de durée des jours chauds en République du Congo. C’est à la station de<br />
Gamboma que l’on observe la plus importante baisse qui est de l’ordre de -0,216% de<br />
jours/an. Dans l’ensemble le WSDI diminue à une proportion allant de -0,006 à -0,216% de<br />
jours/an. La situation de hausse est enregistrée surtout à Mpouya (0,176% de jours/an). Dans<br />
les autres stations comme Dolisie, Pointe-Noire et Sibiti, cette hausse tourne autour de 0,013 à<br />
0,041% de jours/an.A Impfondo la tendance est à la stabilité (fig.34).<br />
Figure 34 : Evolution de l’Indicateur des durées des séquences chaudes (1950-2010)<br />
62
Conclusion partielle du chapitre 4<br />
Le réchauffement climatique est une réalité en République du Congo. Ce réchauffement est<br />
matérialisé par une hausse de nuits chaudes, des jours chauds et des amplitudes thermiques<br />
diurnes. Les nuits fraiches, les jours frais et l’indicateur de durée de chaleur accusent une<br />
décroissance.<br />
63
Chapitre 5 :<br />
Tendances des indices des extrêmes<br />
hydrologiques<br />
<strong>Introduction</strong><br />
Le phénomène d’inondation est de plus en plus observé dans la partie nord du pays à la fin de<br />
la décennie 1990. On peut citer récemment les inondation dans les localités de Mossaka,<br />
Epéna, Bouaniéla, Makotimpoko. La fréquence d’apparition est relativement très courte :<br />
2004, 2005, 2006, 2011. Les inondations mettent souvent en difficulté les populations vivant<br />
dans les localités touchées mais aussi les autorités souvent mal préparées pour réparer les<br />
désastres causés.<br />
L’objectif visé dans ce chapitre est d’analyser les valeurs journalières de débits du Fleuve<br />
Congo, de l’Oubangui et de la Sangha qui sont parmi les cours d’eau les plus importants qui<br />
arrosent la zone sujette aux inondations. La particularité de cette étude réside dans son<br />
approche méthodologique qui consiste à définir les indices et à les analyser. Il faut aussi<br />
ajouter que contrairement aux travaux antérieurs (Pouyaud, 1989 ; Mahé, 1993; Laraque,<br />
1998) qui fondent leurs analyses sur des valeurs mensuelles et interannuelles, cette étude<br />
s’intéresse aux données journalières. En effet, les inondations sont des phénomènes qui<br />
surviennent dès que les débits journaliers d’un cours d’eau viennent à dépasser la normale.<br />
C’est pourquoi toute étude des crues basée sur des données annuelles et mensuelles ne saurait<br />
mettre en évidence les fines modifications survenues sur les débits. Il existe une relation très<br />
parfaite entre les extrêmes pluviométriques et les extrêmes hydrologiques (Su B et al, 2006).<br />
Le tableau ci-dessous présente les différents débits des trois cours d’eau retenus. Ces valeurs<br />
ont été retenues pour définir les indices hydrologiques qui nous ont permis de suivre<br />
l’évolution des débits journaliers au fil des années (Tableau 10).<br />
64
Tableau 10: Débits journaliers du Fleuve Congo, de l’Oubangui et de la Sangha<br />
Cours d’eau(valeurs en m 3 /s)<br />
Indices<br />
Fleuve Congo Oubangui Sangha<br />
F10p 39460 -24 78<br />
F90p 55100 498 396<br />
F95p 59400 550,1 438<br />
F99p 65500 635 498<br />
5.1-Evolution des indices hydrologiques<br />
5.1.1 Evolution du débit minimum<br />
Les débits minimums du Fleuve Congo, de l’Oubangui et de la Sangha accusent une baisse<br />
continue en quantité d’eau (Fig. 35). Cette baisse est estimée respectivement à 1714,87m3/s, à<br />
28,13 m3/s et à 15,91 m3 par année. Les valeurs les plus critiques ont été enregistrées en 2004<br />
sur le Fleuve Congo (25160 m3/s), en 1990 sur l’Oubangui (-90 m3 d’eau/s) et en 1985 pour<br />
la Sangha (5 m3 d’eau/s).<br />
65
Figure 35: Evolution des débits minimums journaliers<br />
66
5.1.2-Evolution du débit maximum<br />
L’évolution des débits maxima journaliers présente une tendance à la baisse (fig. 36). Cette<br />
baisse est de l’ordre de 85,52 m 3 d’eau en moyenne par année sur le fleuve Congo, de 36,09<br />
m 3 sur la Sangha et sur 11,19 m 3 sur l’Oubangui. Dans l’ensemble de ces cours d’eau, la<br />
période allant de 1975 à 1995 a été très critique. C’est pendant cette phase qu’ont été<br />
observées les plus basses valeurs des débits journaliers maxima. A titre indicatif, on peut citer<br />
379 m 3 d’eau pour l’Oubangui en 1990, 375 m 3 /s en 1984 pour la Sangha et 47300 m 3 /s<br />
pendant la même année pour le Fleuve Congo.<br />
67
Figure 36: Evolution des débits maximums journaliers<br />
5.1.3-Evolution des débits faibles (F10p)<br />
Le nombre de jours des débits faibles sont en nette augmentations sur le Fleuve Congo, la<br />
Sangha et l’Oubangui (fig. 37). Cette augmentation est plus accusée sur l’Oubangui. Elle est<br />
estimée à 36 jours par année. En 1990, par exemple, on en a compté 90 jours. Le F10p croît<br />
de 11 jours par année sur la Sangha et de 08 jours sur le Fleuve Congo. Le record a été battu<br />
en 1992 par le Fleuve Congo, l’année pendant laquelle il a été enregistré 170 jours de faibles<br />
débits.<br />
68
Figure 37: Evolution des débits faibles journaliers<br />
69
5.1.4-Evolution des débits forts (F90p)<br />
Les Forts débits évoluent de façon diamétralement opposée au F10p (fig. 38). Ce constat est<br />
valable aussi bien pour le Fleuve Congo que pour la Sangha et pour l’Oubangui. Le plus<br />
important déclin est survenu sur l’Oubangui. La diminution est de l’ordre de 28 jours en<br />
moyenne par année. Elle est de 8 jours sur le Fleuve Congo et de 12 jours par an en moyenne<br />
sur la Sangha.<br />
70
Figure 38: Evolution des débits forts journaliers<br />
5.1.5-Evolution des débits extrêmement forts (F95p)<br />
Les débits journaliers extrêmement forts connaissent une décroissance très prononcée sur<br />
l’Oubangui (17 jours/ an). Cette situation est aussi ressentie sur le Fleuve Congo (5 jours/ an)<br />
et sur la Sangha( 5jours/an). La baisse est devenue presque chronique depuis le début de la<br />
décennie 1980. Mais, entre 1995 et 2005, le nombre de jours des débits extrêmement forts<br />
avait connu une hausse assez remarquable (fig. 39).<br />
71
Figure 39: Evolution des débits journaliers extrêmement forts<br />
72
5.1.6-Evolution des débits exceptionnels (F99p)<br />
Les débits exceptionnels présentent une tendance à la baisse en nombre de jours (fig.40).<br />
Cette tendance est plus remarquable sur l’Oubangui. Elle est estimée à 5,70 jours par an. Sur<br />
la Sangha et le Fleuve Congo, elle est respectivement de 2,64 et de 2,48 jours par an. Il<br />
convient de signaler que la période allant de 1998 à 2001 est caractérisée par une hausse plus<br />
ou moins importante du nombre de jours des débits exceptionnels.<br />
73
Figure 40: Evolution des débits journaliers exceptionnels<br />
5.2-Modélisation statistique des débits<br />
Dans la perspective de gérer les inondations et d’aider les populations riveraines, il est<br />
vivement conseiller de connaître le niveau de retour lié à chaque valeur journalière de débits<br />
des différents courants d’eau. Ceci n’est possible qu’avec la modélisation statistique fondée<br />
sur la théorie des valeurs extrêmes.<br />
5.2.1-Paramètres du modèle<br />
Le tableau ci-dessous présente les paramètres du modèle des différentes stations (Tableau :<br />
10). est un paramètre de forme (shape parameter) encore appelé indice des valeurs<br />
extrêmes ou indice de queue. Il permet de voir à quelle loi obéissent les données de la série.<br />
Plus cet indice est grand en valeur absolue, plus le poids des extrêmes dans la distribution<br />
initiale est important.<br />
Les résultats obtenus montrent que l’Oubangui et la Sangha obéissent à la loi de Weibull. Ce<br />
qui montre la prépondérance des événements dans ces cours d’eau. Par contre les données du<br />
Fleuve Congo suivent la loi de Fréchet.<br />
74
Les résultats obtenus montrent que l’Oubangui et la Sangha obéissent à la loi de Weibull. Ce<br />
qui montre la prépondérance des événements dans ces cours d’eau. Par contre les données du<br />
Fleuve Congo suivent la loi de Fréchet.<br />
Tableau 11:paramètres du modèle<br />
Paramètres<br />
Cours d’eau<br />
Location ( ) Scale ( ) Shape ( )<br />
Fleuve Congo 37124.63 7998.19 -0,03<br />
Oubangui 104,52 149,92 0,09<br />
Sangha 149,56 87,36 0,07<br />
5.2.2-Durée de retour<br />
L’étude diagnostique permet de constater que les données des débits journaliers sont bien<br />
adaptées au modèle. Il paraît très nette que la théorie sur la Généralisation des Valeurs<br />
Extrêmes ne permet pas de prédire les valeurs au-delà de 80 ans. La prédiction des données du<br />
Fleuve Congo est possible jusqu’à 80 ans. Mais elle s’arrête à 60 ans pour la Sangha et à 40<br />
ans pour l’Oubangui. Les différents résultats obtenus sont ainsi présentés dans les tables 12 ;<br />
13 et 14.<br />
5.2.2.1-Fleuve Congo<br />
Les résultats obtenus sur le Fleuve Congo sont différents de ceux obtenus par Laraque et al.<br />
(1995). A 80 ans comme période de retour, ce dernier trouve une valeur de 77000 m3/s. Or le<br />
GEV montre qu’à 80 ans, les débits varient entre 68325,03 et 69693,97 m3 d’eau/s. D’après le<br />
même auteur, la valeur de 77000 m3/s a été observée le 17 décembre 1961. Mais le fichier à<br />
notre disposition montre qu’à cette date, la valeur observée est de l’ordre de 76200 m3/s. De<br />
1948 à 2011, la valeur la plus élevée des débits journaliers a été de 76900 m3/s. Cette valeur<br />
est très difficile à prédire. Le modèle ne nous donne pas la possibilité d’aller au-delà de 80 ans<br />
(Tableau 12).<br />
75
Tableau 12:Niveaux de retour des débits journaliers du fleuve Congo<br />
Période de retour Moyenne (m3 d’eau/s) Intervalle de confiance<br />
05 ans 48560,41 [48389,30-48741,97]<br />
10 ans 54074,91 [53844,25-54325,71]<br />
15 ans 57126,38 [56842,31-57438,57]<br />
20 ans 59237,69 [58907,11-59603,09]<br />
25 ans 60849,92 [60478,41-61258,99]<br />
30 ans 62152,58 [61744,91-62605,49]<br />
35 ans 63244,52 [62804,01-63244,52]<br />
40 ans 64183,84 [63713,22-64707,59]<br />
45 ans 65007,56 [64509,74-65562,36]<br />
50 ans 65740,72 [65217,27-66324,17]<br />
55 ans 66401,05 [65853,97-67011,29]<br />
60 ans 67001,55 [66432,36-67636,55]<br />
65 ans 67552,02 [66961,75-68210,48]<br />
70 ans 68060,07 [67450,21-68740,71]<br />
75 ans 68531,68 [67903,21-69233,52]<br />
80 ans 68971,66 [68325,03-69693,97]<br />
5.2.2.2-Oubangui<br />
Pour le cours d’eau Oubangui, le modèle se limite à 40 ans (Tableau 13). Dans l’ensemble, il<br />
convient de noter que les valeurs des débits journaliers ne sont pas assez importantes. La<br />
valeur maximale la plus élevée est de l’ordre de 763 m3/s. Sa période de retour est 40 ans. Ce<br />
cours connaît des sérieux problèmes de navigation liés aux étiages et à l’ensablement.<br />
Tableau 5: Niveaux de retour des débits journaliers de l’Oubangui<br />
Niveau de retour Valeur moyenne Intervalle de variation<br />
5 ans 345.86 [340.82-351.13]<br />
10 ans 479.850 [471.78-488.67]<br />
15 ans 559.68 [548.39-572.16]<br />
20 ans 617.47 [603.25-633.26]<br />
25 ans 663.09 [646.24-681.84]<br />
30 ans 700.93 [681.69-722.36]<br />
35 ans 733 [711.92-757.23]<br />
40 ans 761.73 [738.30-787. 89]<br />
76
5.2.2.3-Sangha<br />
Les valeurs des débits journaliers de la Sangha sont moins importantes que celles de<br />
l’Oubangui. La valeur maximale la plus élevée est de 575 m3/s. Elle apparaît tous les soixante<br />
ans (Tableau 14).<br />
Tableau 14: Périodes de retour des débits journaliers de la Sangha<br />
Niveau de retour Valeur moyenne Intervalles de variation<br />
5 ans 288.39 [285.36-291.42]<br />
10 ans 364.02 [359.49-368.67]<br />
15 ans 408.64 [402.75-414.70]<br />
20 ans 440.75 [433.67-448.13<br />
25 ans 465.98 [457.86-474.48]<br />
30 ans 486.83 [477.76-496.36]<br />
35 ans 504.64 [494.71-515.10]<br />
40 ans 520.21 [509.48-531.52]<br />
45 ans 534.05 [522.59-546.15]<br />
50 ans 546.52 [534.39-559.37]<br />
55 ans 557.88 [545.09-571.49]<br />
60 ans 568.31 [554.92-582.51]<br />
Conclusion partielle du chapitre 5<br />
En définitive, il convient de retenir que les valeurs journalières des débits maximales et<br />
minimales de l’Oubangui, de la Sangha et du Fleuve Congo enregistrent une baisse en termes<br />
de quantité d’eau. Cette baisse est aussi observée pour les débits forts, les débits extrêmement<br />
forts et les débits exceptionnels. Quant aux débits faibles, ils accusent une hausse dans<br />
l’ensemble des cours d’eau retenus.<br />
La période allant de 1995 à 2005 est marquée par une hausse des débits exceptionnels.<br />
Pendant cette période, il a été enregistré des inondations dans la partie nord du Congo.<br />
77
Il est important non pas seulement de retenir que les indices définis à la suite de la présente<br />
étude constituent un outil important pour mieux diagnostiquer l’évolution des débits des cours<br />
d’eau et surtout des impacts que ces cours d’eau peuvent causer.<br />
La théorie des valeurs extrêmes, plus précisément la Généralisation des Valeurs Extrêmes<br />
permet de prédire des valeurs des débits journaliers sur des périodes plus moins longues allant<br />
de 40 à 80 ans. Ces résultats peuvent aider dans la gestion des catastrophes naturelles pour les<br />
décideurs.<br />
78
Chapitre 6:<br />
Indicateurs climatiques et leurs<br />
impacts possibles en République du<br />
Congo<br />
<strong>Introduction</strong><br />
Les modifications climatiques et hydrologiques induisent forcement des impacts sur les<br />
activités de l’homme et son environnement.<br />
Le but de ce chapitre est de dresser une liste d’indicateurs climatiques et hydrologiques<br />
critiques pour l’évaluation de la vulnérabilité des différents secteurs, d’entreprendre une<br />
analyse de sensibilité de ces secteurs. Deux secteurs sont retenus dans cette étude:<br />
l’agriculture et l’environnement.<br />
Les tableaux 15 et 16 font la synthèse des tendances observées des indices des températures et<br />
des précipitations journalières de la République du Congo sur la période allant de 1950 à<br />
2006.<br />
79
Tableau 6:Indices des températures journalières<br />
Station Longitude Latitude CSDI WSDI TDR TN10P TX10p TN90P TX90p TNn TXn TNx TXx<br />
Brazzaville 15,25 -4,25 0.325 -0.141 -0.039 -0.256 0.108 0.282 0.026 -0.055 0.025 -0.121 -0.002<br />
Djambala 14,766 -2,53 -0.043 -0.006 0.026 0.225 -0.097 -0.216 0.153 -0.004 -0.004 0.008 0.016<br />
Dolisie 12,7 -4,02 -0.001 0.032 0.026 -0.187 -0.196 0.288 0.178 0.003 0.024 0.031 0.018<br />
Gamboma 15,866 -1,866 -0.302 -0.216 -0.004 -0.351 -0.089 0.215 0.083 0.023 0.022 0.023 0.006<br />
Impfondo 18,06 1,616 0.078 0 0.004 -0.002 -0.077 0.352 0.191 -0.002 0.037 0.01 0.023<br />
Makoua 15,583 -0,016 0.044 -0.039 0.009 0.008 -0.106 0.168 0.059 0.001 0.019 0.009 0.02<br />
Mouyondzi 13,916 -3,983 -0.112 -0.037 -0.001 -0.122 -0.083 0.131 0.077 0.047 0.008 0.012 0.008<br />
Mpouya 16,216 -2,616 -0.126 0.176 0.014 -0.138 -0.131 0.239 0.366 -0.004 0.013 -0.021 0.023<br />
Ouesso 16,005 1,616 0.015 -0.027 0.006 -0.068 -0.077 0.111 0.139 -0.022 0.006 0 0.028<br />
Pointe-Noire 11,75 -4,816 -0.119 0.013 -0.015 -0.258 -0.106 0.444 0.256 0.028 0.021 0.021 0.021<br />
Sibiti 13,35 -3,683 0.593 0.041 0.013 -0.066 -0.162 0.221 0.244 0.036 0.003 0.021 0.036<br />
Tableau 16:Indices des précipitations journalières<br />
Station Longitude Latitude CDD CWD PRCPTOT R1day R5days R10mm R20 mm R95p R99p SDII<br />
Brazzaville 15,25 -4,25 0.084 0.018 -0.776 0.101 0.129 -0.02 -0.024 0.273 1.1 0.001<br />
Djambala 14,766 -2,53 -0.114 0.002 18.506 -0.018 1.098 0.189 0.096 21.301 21.247 0.114<br />
Dolisie 12,7 -4,02 -0.814 0.003 0.261 -0.133 -0.057 0.009 0.002 -0.139 0.098 0.025<br />
Gamboma 15,866 -1,866 -0.167 -0.007 -4.361 0.135 -0.702 -0.204 -0.125 -0.733 0.849 -0.009<br />
Impfondo 18,06 1,616 0.32 -0.011 -3.827 0.34 -0.183 -0.127 -0.082 0.394 1.315 0.024<br />
Makabana 12,576 -3,455 1.259 -0.027 1.511 -0.558 -0.63 0.061 0.071 0.604 -0.346 0.033<br />
Makoua 15,583 -0,016 -0.25 -0.002 -9.577 -1.034 -1.034 -0.253 -0.135 -4.619 -1.055 -0.033<br />
Mouyondzi 13,916 -3,983 -0.602 -0.029 5.162 -0.214 -0.909 0.246 0.183 -1.23 -0.38 0.045<br />
Mpouya 16,216 -2,616 -0.434 0.003 -1.044 0.36 0.209 -0.106 -0.114 1.14 -0.032 -0.011<br />
Ouesso 16,005 1,616 0.025 -0.034 0.081 -0.022 0.404 0.06 0.025 -2.44 0.461 0.01<br />
Pointe-Noire 11,75 -4,816 0.447 -0.001 -2.118 -0.143 0.143 -0.082 -0.082 0.465 0.596 -0.011<br />
Sibiti 13,35 -3,683 -0.401 0.003 -3.573 -0.491 -1.215 -0.045 -0.038 -3.772 -1.689 -0.033<br />
80
6.1-Indicateurs climatiques et agriculture<br />
L’agriculture au Congo comme dans l’ensemble des pays en voie du développement est l’une<br />
des activités qui occupe un pourcentage important de la population active (60%). Elle est la<br />
principale source de revenus pour les paysans. L’agriculture pratiquée en République du<br />
Congo est essentiellement pluviale ; le calendrier agricole est calqué sur le rythme des pluies.<br />
Les saisons des pluies correspondent aux cycles culturaux. Il est évident que les changements<br />
climatiques pouvant affectés les précipitations ont des conséquences sur la production<br />
agricole.<br />
6.1.1-Indicateurs climatiques<br />
Cinq indicateurs climatiques obtenus ont été retenus pour apprécier la sensibilité de<br />
l’agriculture face aux modifications climatiques. Il s’agit principalement des totaux<br />
pluviométriques (PRCPTOT), des Jours pluvieux Consécutifs (CWD) et des Jours Secs<br />
consécutifs (CDD) pour les précipitations, de la température maximum la plus élevée d’une<br />
journée (TXx) et de la température minimale la plus élevée de la journée (TNx) pour les<br />
température.<br />
-Les totaux pluviométriques (PRCPTOT) enregistrés au cours d’une saison influence<br />
largement les rendements agricoles. Les études menées par Delolme (1948), Slatyer (1933),<br />
Prevot et Ollagnier (1957) sur la culture d’arachide, par exemple au Sénégal, a montré que les<br />
rendements augmentent approximativement de 80 kg de gousse par accroissement de 100 mm<br />
de pluie. Mais ceci ne tient pas compte des différences dans la fertilité des sols suivant les<br />
régions. Portère (1952) a constaté qu’à Bambay (Sénégal) une diminution des pluies utiles<br />
(pluies du semis à la récolte) de 700 à 400 mm réduit les rendements d’environ de moitié.<br />
Chaque plante a ses exigences en quantité d’eau pour couronner son cycle. Quand cette<br />
quantité n’est pas atteinte, il s’ensuit une baisse de la production.<br />
-L’occurrence d’une séquence de jours consécutifs secs (CDD) au sein de la saison des<br />
pluies peut également avoir un impact fort sur la production agricole. Les séquences sèches<br />
créent un manque d’eau au niveau de la plante. Quand elles interviennent au début ou en plein<br />
saison de croissance, elles peuvent être l’origine d’un faut démarrage de saison ou encore<br />
hypothéquer tout une campagne agricole comme on l’a pu observer en 1958 et 1978 dans la<br />
81
Vallée du Niari (Molinier, 1979). Leurs effets sont encore de plus en plus amplifier quant à la<br />
durée de ses séquences est assez importante. Ce c’est qui est à l’origine des sécheresses. Dans<br />
certains pays, comme de l’Afrique de l’Ouest, la solution est dans le recours à l’irrigation.<br />
Non seulement que son coût est assez élevé, mais il est ignoré par les paysans dans notre pays.<br />
- Le nombre de jours pluvieux (CWD) : Il existe une parfaite corrélation entre le nombre de<br />
jours pluvieux et la quantité d’eau qui tombe (Carbonel et al, 1990, Mugnier, 1995 ;<br />
Massouangui Kifouala, 2004), plus il pleut, plus la quantité d’eau enregistrée est importante.<br />
Ils déterminent aussi la durée des saisons pluvio-agricoles dans un lieu donné. Or la durée des<br />
cycles culturaux est un facteur très déterminant de la production agricole. Elle oriente les<br />
paysans dans le choix des variétés à cultiver. Une variété dont la durée du cycle est nettement<br />
supérieure à la durée de la saison pluvio-agricole éprouvera éventuellement des sérieux<br />
problèmes d’adaptation.<br />
-Minimum des températures minimales (TNx) et Maximum des températures maximales<br />
(TXx) : la vie de chaque plante obéit à un intervalle donné des températures appelé l’aire de<br />
tolérance biologique. Au-delà et au-deçà de cet intervalle, la plante finit par s’étioler.<br />
A Sibiti, par exemple, les basses températures ont constitué un facteur limitant pour de<br />
nombreuses cultures et en tout premier lieu pour le palmier à huile. En effet, la<br />
plupart des souches d'Elaeis cultivées sont atteintes dans des proportions plus ou moins<br />
importantes par une maladie du cœur, qui serait essentiellement d'origine<br />
physiologique.<br />
Les experts de l’Institut de Recherches sur les Huiles et OléagineuxI (I.R.H.0)<br />
considèrent que les températures minimales de l'ordre de 15°C (sub-léthales pour les<br />
palmiers) seraient à l'origine de ce déséquilibre physiologique (JULIA , 1962).<br />
Si pour l'Hévéa et le caféier Robusta ces conditions ne sont pas spécialement néfastes,<br />
par contre pour le bananier les basses températures doivent provoquer un ralentissement<br />
ou un arrêt de la croissance et, lorsque la température descend en dessous de 12°C. une<br />
coagulation du contenu des cellules du péricarpe du fruit (CHAMPION, 1964).<br />
82
6.1.2-Dégradation de ces indicateurs et leurs effets possibles<br />
Les résultats de l’analyse de ces cinq indices dans les principales stations situées en milieu<br />
rural (Mouyondzi, Sibiti, Makabana, Mpouya, Djambala, Impfondo, Gamboma et Makoua)<br />
ont montré que (Tableaux 10 et 11) :<br />
- Les PRCPTOT : cet indice n’évolue pas de la même manière dans les différentes<br />
stations rurales. Gamboma, d’Impfondo, Makoua, Mpouya et Sibiti connaissent une<br />
diminution des totaux des précipitations. Ce qui peut être préjudiciable pour les<br />
pratiques agricoles dans ces localités. Par contre, Djambala, Makabana, Mouyondzi et<br />
Sibiti voient leur situation s’améliorer. La tendance de l’évolution des précipitations<br />
est à la hausse. Ce fait constitue un gain indéniable pour les paysans vivant dans ces<br />
localités.<br />
- CWD : Les jours pluvieux consécutifs sont en nette décroissance dans la presque<br />
totalité de ces stations rurales (Gamboma, Impfondo, Makabana, Makoua, Mouyondzi<br />
et Ouesso). La baisse des totaux pluviométriques enregistrée dans ces stations est<br />
sûrement la conséquence de la réduction du nombre des jours pluvieux. Cette situation<br />
peut poser le problème de satisfaction des besoins en eau de la plante. A Djambala,<br />
Mpouya et Sibiti, on note une augmentation du nombre de jours pluvieux consécutifs,<br />
donc de la durée des cycles culturaux. Ceci constitue un pour les cultures vivrières à<br />
cycles long.<br />
- CDD : Les jours consécutivement secs connaissent une baisse graduelle. Mais à<br />
Impfondo, Makabana et Ouesso la tendance est l’augmentation. Cette augmentation<br />
peut être à l’origine des phénomènes de sécheresse dans ces localités et compliquer les<br />
pratiques agricoles.<br />
Cette analyse montre l’opposition entre les stations du nord et celles situées au sud du<br />
Congo. Il paraît très net que les stations du nord Congo (Gamboma, Impfondo,<br />
Makoua, Mpouya et Ouesso) connaissent des sérieux problèmes d’ordre agricole.<br />
Elles sont caractérisées par une baisse concomitante des totaux pluviométriques et du<br />
nombre des jours pluvieux, facteurs importants pour la satisfaction des besoins en eau<br />
des plantes. Cette situation est aggravée par une augmentation continue des jours sans<br />
pluies. Seules les stations du sud (Makabana, Mouyondzi et Sibiti) qui connaissent une<br />
83
situation en nette amélioration. En ce sens que les totaux des pluies et les jours<br />
pluvieux augmentent. Et, les jours secs consécutifs diminuent au fil du temps.<br />
- Les TNx et le TXx : ces deux indices ont connu une augmentation dans l’ensemble<br />
des stations, les TXx surtout. A Mpouya la température minimale la plus élevée diminue et se<br />
stabilise à Ouesso. Or, Gamboma, Impfondo, Makoua et Mpouya se caractérisent par une<br />
récession pluviométrique graduelle. Cette ambiance climatique marquée par une hausse des<br />
températures et une baisse des pluies peut paraître très difficile pour l’adaptation des cultures<br />
et pour la vie des paysans. Les fortes chaleurs peuvent aussi réduire la durée du travail chez<br />
les pays en Afrique (GIEC, 2001). Les paysans sont obligés d’aller très tôt aux champs pour<br />
entrer à temps, question d’éviter les fortes chaleurs des après-midi.<br />
Mais le réchauffement climatique actuel devrait normalement permettre le développement<br />
facile des palmiers à huile à Sibiti qui connaît à la fois une hausse du maximum de<br />
températures maximale et du minimum des températures minimales.<br />
6.2-Indicateurs climatiques et problèmes environnementaux<br />
6.2.1-Indicateurs climatiques<br />
La sensibilité de l’environnement vis-à-vis des indicateurs climatiques a été appréciée<br />
essentiellement dans les grandes villes du Congo, plus précisément à Brazzaville et Pointe-<br />
Noire. Dans ces localités, les problèmes les plus cruciaux sont l’érosion et les inondations<br />
dans des nombreux quartiers.<br />
A ce sujet, trois indicateurs climatiques ont été retenus à savoir : les jours très humides<br />
(R95p), les jours extrêmement humides (R99p) et les intensités simples des pluies (SDII).<br />
-Les jours très humides (R95p) et les jours extrêmement humides (R99p) : constituent<br />
les apports journaliers en eau les plus importants par rapports à leurs seuils (au 95 è<br />
percentile et au 99 è percentile). Par la quantité d’eau apportée, ils peuvent contribuer aux<br />
phénomènes d’inondations.<br />
-Les intensités simples des pluies : participe aux phénomènes d’érosion. Quand elles sont<br />
très importantes, le temps d’infiltration des eaux de pluies est très réduit ; cette eau finit<br />
par ruisseler et par arracher les matériaux se trouvant sur les versants à pentes fortes mal<br />
84
protégées par la végétation. Les agglomérations de Brazzaville et de Pointe-Noire face à<br />
l’augmentation de la population enregistrent une extension de l’espace. L’occupation<br />
anarchique de l’espace contribue à la destruction sans exemple de la végétation exposant<br />
ainsi le sol à l’érosion.<br />
-Le maximum d’une journée pluvieuse : influence les intensités des pluies ; plus la<br />
quantité d’eau qui tombe en temps court est important, plus l’intensité est importante et<br />
inversement.<br />
6.2.2-Dégradation de ces indicateurs et leurs conséquences possibles<br />
L’analyse ses indices nous permet de constater que :<br />
-Les R95p et R99p : sont partout à la hausse dans les grandes agglomérations du Congo, à<br />
Brazzaville surtout. Mais les R95p enregistrent une tendance à la baisse à la station de<br />
Dolisie (Tableaux 10 et 11). De nos jours, les arrondissements situés dans les zones des<br />
plaines, drainés par des cours d’eau comme la Tsiémé et Madoukou (Moungali, Poto et<br />
Ouenzé) sont sujets aux inondations. La canalisation souvent mal orientée et<br />
dimensionnée ne peut qu’aggraver ce phénomène.<br />
-Les SDII et les R1day : les intensités simples des pluies décroissent à Dolisie et à<br />
Brazzaville. Quant au maximum d’une journée de pluvieuse, il enregistre une hausse<br />
seulement à Brazzaville. Dans les deux autres villes, il connait une décroissance.<br />
Il convient de signaler que ces quatre indices retenus présentent tous à la fois une tendance à<br />
la hausse à Brazzaville. On comprend aisément la recrudescence des phénomènes érosifs et<br />
des inondations observés à Brazzaville.<br />
85
Conclusion partielle du chapitre 6<br />
En définitive, il paraît très net que les indicateurs climatiques permettent de mieux dégager les<br />
effets du changement climatique sur les activités humaines et sur l’environnement. Or, les<br />
indices climatiques les plus significatifs connaissent des modifications importantes en<br />
République du Congo. Ces modifications peuvent être induire des effets positifs et négatifs<br />
sur l’agriculture, la dégradation des sols et les phénomènes d’inondation dans les<br />
agglomérations du pays. Il convient surtout de signaler que les effets pervers l’emportent sur<br />
les conséquences positives.<br />
86
Chapitre 7<br />
Elaboration d’un cadre de validation<br />
des indices hydro-climatiques<br />
<strong>Introduction</strong><br />
Dans le cadre de validation des indices climatiques et hydrologiques, deux secteurs d’activités<br />
ont été retenus : l’agriculture dans la Vallée du Niari et le secteur de navigation dans les cours<br />
d’eau du nord Congo.<br />
7.1-Cadre de validation des indicateurs climatiques<br />
Située dans la partie sud-ouest de la République du Congo, la Vallée du Niari est comprise<br />
entre 2° et 4° de latitude Sud, et 12° et 14° de longitude Est (fig. 41). La Vallée du Niari<br />
connait une alternance des saisons, saisons de pluies (octobre-décembre (premier cycle<br />
cultural) et mars-mai (deuxième cycle cultural)) et saisons sèches (janvier-février et juinseptembre)<br />
sur lesquelles est calqué le calendrier agricole. Malgré sa faible pluviométrie de<br />
l’ordre de 1200 mm d’eau en moyenne par année, elle est taxée de « grénier » du Congo. Les<br />
études menées dans le Sud du Congo (Batchi, 2003 ; Massouangui Kifouala, 2004) en général<br />
et dans la Vallée du Niari (Mouton, 1956; Vennetier, 1963 ; Molinier, 1979 ; Mbayi, 2005 )<br />
en particulier montrent que les saisons pluvio-agricoles sont confrontées à une baisse des<br />
pluies, surtout le deuxième cycle cultural qui tend à disparaître. Ce qui rend vulnérable non<br />
seulement l’activité elle-même mais aussi la vie des paysans aux aléas climatiques. Ce<br />
caractère vulnérable de la Vallée du Niari a été aussi mis en évidence dans la Seconde<br />
communication nationale du Congo (2009).<br />
Ainsi se pose alors les problèmes d’adaptation des cultures au contexte climatique, de<br />
pratiquer deux semis dans l’année, du calage des cycles culturaux et de désorganisation des<br />
saisons pluvio-agricoles.<br />
87
Figure 41: Vallée du Niari (Vennetier, 1972).<br />
7.1.1-Evolution des indicateurs pluviométriques dans la Vallée du Niari<br />
Pour tenter de comprendre la vulnérabilité de la vallée du Niari, nous avons apprécié<br />
l’évolution des indices : Prcptot, CWD et CDD dans les trois stations synoptiques de la zone à<br />
savoir : Dolisie, Makabana et Mouyondzi dans les deux cycles culturaux (Octobre-Novembre-<br />
Décembre (OND) et Mars-Avril-Mai (MAM)). A ces indices, nous avons ajouté GSL que<br />
nous avons calculé à partir du logiciel Instat plus.<br />
7.1.1.1-Evolution des Prcptot<br />
‣ Saison OND<br />
Pendant le premier cycle cultural communément appelé Ntombo, les cumuls annuels des<br />
précipitations accusent une hausse surtout à la station de Mouyondzi et de Dolisie (fig. 42)<br />
88
Figure 42: Evolution des PRCPTOT (1950-2011)<br />
‣ Saison MAM<br />
Pendant cette saison souvent appelée Ndolo qui est correspond au deuxième cycle cultural, les<br />
totaux des précipitations sont en nette diminution à la station de Dolisie et de Makabana. Mais<br />
à Mouyondzi par contre la tendance est à la hausse (fig. 43)<br />
89
Figure 43:Evolution des PRCPTOT (1950-2010)<br />
7.1.1.2-Evolution des CWD<br />
‣ Saison OND<br />
Le nombre de jours pluvieux consécutifs sont en nette augmentation dans la vallée du Niari<br />
durant la période allant de 1950 à 2010 (fig. 44)<br />
90
Figure 44: Evolution des CWD (1950-2010)<br />
‣ Saison MAM<br />
Cette saison est caractérisée par une diminution des jours pluvieux consécutifs à la station de<br />
Makabana et de Dolisie. Mais la situation est très stable à Mouyondzi (fig. 45)<br />
Figure 45: Evolution des CWD (1950-2010)<br />
91
7.1.1.3-Evolution des CDD<br />
‣ Saison OND<br />
Les jours sans pluies sont en nette diminution à dans les trois stations synoptiques analysées<br />
dans la Vallée du Niari (fig.46).<br />
Figure 46: Evolution des CDD (1950-2010)<br />
‣ Saison MAM<br />
Les jours sans pluies présentent une tendance à la baisse à Makabana et à Dolisie. La station<br />
de Mouyondzi est marquée par une stabilité (fig. 47)<br />
92
Figure 47: Evolution des CDD (1950-2010)<br />
7.1.1.4-Durées des saisons pluvio-agricoles<br />
La durée des cycles culturaux varie d’une année à une autre. Elle est assez longue à<br />
Mouyondzi où elle dure en moyenne (50%) 99 jours au premier cycle et 89 au deuxième.<br />
Cette durée est minable à ma Makabana. Il est aussi important de noter que dans l’ensemble<br />
de la Vallée du Niari, le deuxième cycle cultural n’est pas assez long. Elle n’atteint point 90<br />
jours. Cette situation peut être préjudiciable pour les cultures à cycles long (tableau 17)<br />
comme l’arachide tri ou quadri-agraines qui a besoin 110 à 120 jours de pluies.<br />
Tableau 7:Evolution des durées des cycles culturaux (1950-2010)<br />
Stations 1 er cycle cultural (Ntombo) 2è cycle cultural (Ndoolo)<br />
20% 50% 80% 20% 50% 80%<br />
Dolisie 81 85 100 72 80 81<br />
Makabana 69 79 80 74 80 82<br />
Mouyondzi 94 99 104 81 86 89<br />
93
7.1.1.5-Périodes de retour des totaux des pluies<br />
Il est souvent conseillé de connaître la quantité d’eau nécessaire pour une plante pour<br />
couronner son cycle. Il est aussi important de connaître le niveau de retour attaché à cette<br />
valeur pour les aménagements agricoles. L’arachide en culture pluviale, par exemple, et le<br />
maïs qui sont les cultures vivrières les plus importantes, après le manioc, ont besoin<br />
respectivement de 500 à 800 mm d’eau pendant toute la période végétative (FAO, 1980).<br />
‣ Saison OND<br />
Le tableau ci-dessus montre que la valeur de 500 mm d’eau est atteinte ou dépassée tous les<br />
deux ans à Mouyondzi et à Makabana. Mais il faut attendre 5 ans à Dolisie. Pour atteindre ou<br />
dépasser 800 mm d’eau, il faut 30 ans à Makabana, 60 ans à Mouyondzi et 80 ans à Dolisie<br />
(tableau 18).<br />
Tableau18: Niveau de retour des PRCPTOT pendant la saison OND<br />
Niveau de<br />
Stations<br />
retour Dolisie Makabana Mouyondzi<br />
2 ans 452,1 510,7 552,8<br />
5 ans 572,1 635,9 668,4<br />
10 ans 642,1 710,3 721,5<br />
20 ans 702,9 775,8 759,8<br />
30 ans 735,4 811,1 777,5<br />
40 ans 757,2 835 788,4<br />
50 ans 773,4 852,9 796<br />
60 ans 786,3 867,2 801,8<br />
70 ans 797 879 806,37<br />
80 ans 806 889,1 810<br />
90 ans 813,9 897,8 813,2<br />
100 ans 820,8 905,5 815,8<br />
‣ Saison MAM<br />
Pendant cette saison, la valeur de 500 mm d’eau est atteinte ou dépassée tous les 5 ans. A<br />
Dolisie et à Mouyondzi, la hauteur d’eau de 800 mm est attachée à un niveau de retour de 60<br />
ans. Mais à la station de Makabana, jusqu’à 100 ans il est difficile voire impossible<br />
d’atteindre cette valeur (tableau 19).<br />
94
Tableau 8:Niveau de retour des PRCPTOT pendant la saison MAM<br />
Niveau de<br />
Stations<br />
retour Dolisie Makabana Mouyondzi<br />
2 ans 454,2 462,1 480,9<br />
5 ans 583,2 581,1 598,7<br />
10 ans 656 640,5 666<br />
20 ans 719,9 686,4 723,5<br />
30 ans 753 708,7 753,8<br />
40 ans 775,1 722,8 774<br />
50 ans 791,5 732,9 789<br />
60 ans 804,4 740,7 800,9<br />
70 ans 815,1 746,9 810,6<br />
80 ans 824,1 752,1 818 ,8<br />
90 ans 831,9 756,5 826<br />
100 ans 838,7 760,3 832,2<br />
7.2-Cadre de validation des indices hydrologiques<br />
La baisse concomitante des Fn1day, Fx1day, F10p, F90p et F95p pèse sur la navigabilité de<br />
certains cours d’eau comme Oubangui. Il a observé sur l’Oubangui: 4 jours /an de 1935 à<br />
1971 de non navigabilité, 40 jours /an de 1972 à 1982, 107 jours /an de 1983 à 1989, + 200<br />
jours /an depuis 2002 (Pandi et al., 2009).<br />
L’augmentation des débits exceptionnels a souvent occasionné des inondations dans les<br />
localités situées le long des cours d’eau comme la Sangha et le Fleuve Congo. A cet effet, on<br />
peut citer la localité de Makotipoko, de Mossaka, de Loukolela et de Ntokou.<br />
Conclusion du chapitre 7<br />
Il ressort après analyse que la hausse des CDD, la baisse des PRCPTOT et des CWD surtout<br />
pendant le deuxième cycle cultural dans la vallée du Niari explique la vulnérabilité de cette<br />
entité géographique. Le CWD sont très déterminants dans la durée des cycles culturaux.<br />
De même, la baisse des Fn1day, Fx1day, F10p, F90p et F95p rendent difficile la navigation<br />
des cours d’eau du nord Congo. Et l’augmentation des F99p peut expliquer le phénomène<br />
d’inondation devenu monnaie courante dans le nord du Congo.<br />
95
Conclusion<br />
Au terme de cette étude plusieurs constats se dégagent.<br />
Les données météorologiques (précipitations et températures journalières) présentent dans des<br />
multiples stations des lacunes et des ruptures. Ces ruptures et lacunes sont liées à des<br />
multiples causes tantôt humaines, tantôt instrumentales et naturelles. Il existe des multiples<br />
méthodes pour combler les lacunes et homogénéiser les séries. Mais, dans le contexte de la<br />
République du Congo, faute d’une station de référence, il est difficile de les utiliser. Il est au<br />
moins possible de trouver une période homogène, celle de 1961 à 2010, à toutes les stations.<br />
C’est sur cette période qu’il est permis de faire toute analyse possible.<br />
Pour les données hydrologiques, les ruptures ont été observées sur la Sangha et l’Oubangui.<br />
Elles sont liées certainement à l’évolution des précipitations qui se caractérisent par une<br />
tendance à la baisse.<br />
L’analyse du climat de la République du Congo montre un réchauffement qui se traduit d’une<br />
part par la baisse des jours frais, des nuits fraiches et de l’indicateur de durée de fraicheur.<br />
D’autre part, les nuits chaudes, les jours chauds, l’indicateur de durée de chaleur et les<br />
amplitudes thermiques diurnes enregistrent une hausse.<br />
Les précipitations diminuent de façon graduelle dans l’ensemble de la République du Congo.<br />
Cette baisse est matérialisée par une baisse des totaux pluviométriques annuels, des jours<br />
pluvieux consécutifs, des maximums d’une journée pluvieuse et des jours très humides. Quant<br />
aux séquences sèches consécutives, aux intensités simples des pluies et aux jours<br />
extrêmement humides, la tendance est à la hausse.<br />
Les débits forts, les débits extrêmement forts et les débits exceptionnels accusent une baisse<br />
sur le Fleuve Congo, l’Oubangui et la Sangha alors que les débits faibles sont en nette hausse<br />
dans ces trois cours d’eau analysés.<br />
L’obtention de ces résultats a été facilitée par le recours aux principaux indices définis par la<br />
communauté scientifique. Sur les 60 définis par ECA&D, 27 indices ont été programmés dans<br />
le logiciel RClimDex mis en place par le projet CLIVAR. Mais sur les vingt-sept (27), dix<br />
(10) sur onze (11) ont été retenus pour les précipitations, et onze (11) sur seize pour les<br />
96
températures minimales et maximales ; soit un total de 21 indices sont valables pour la<br />
République du Congo en tenant compte de nos réalités climatiques.<br />
Les indices surmontés d’un astérisque (*) n’ont pas été calculés pour deux raisons<br />
fondamentales :<br />
‣ Soit ils sont inadaptés à notre contexte climatique. Il s’agit par exemple le IDO et<br />
FDO dont le calcul prend comme référence la température à 0°C, valeur jamais<br />
enregistrée dans notre pays. La valeur la plus basse observée est de 8°C à Sibiti en<br />
1954 depuis le début de l’histoire de la météorologie au Congo. On peut aussi citer<br />
dans cet ordre d’idées l’indice GSL qui est la durée de saison de croissance. Cette<br />
durée est déterminée à partir des températures. Or en République du Congo, les<br />
saisons ne sont pas thermiques mais pluviométriques,<br />
‣ Soit ils n’ont aucune signification véritable par rapport aux objectifs visés par l’étude.<br />
C’est le cas de Rnn, TRE25 et SU25.<br />
Parmi les indices, nous avons retenu le PRCPTT, le CWD, le CDD, le TNx et le TXx pour<br />
apprécier les impacts possibles sur l’agriculture dans des localités purement rurales.<br />
Et, les SDII, R95p et R99p ont été utilisés dans le cadre de la dégradation des sols par le<br />
processus d’érosion.<br />
Il est important aussi de signaler que le GEV est la théorie des valeurs extrêmes la mieux<br />
adaptée dans la modélisation statistique des valeurs journalières des débits.<br />
97
Références bibliographiques<br />
Aguilar E, Peterson T. C, Ramrez, Obando , Frutos R, Retana J. A, Solera M, Soley J,<br />
Gonzalez Garcıa I, Araujo R. M, Rosa Santos A, Valle V. E, Brunet M, Aguilar L, lvarez<br />
L. A, Bautista M, Castanon C, Herrera L, Ruano E, Sinay J. J, Sanchez E, Hernandez<br />
G. I Oviedo, Obed F, Salgado J. E, Vazquez J. L, Baca M, Gutierrez M, Centella C,<br />
Espinosa J, Martınez D, Olmedo B, Ojeda Espinoza C. E, Nunez R, Haylock M,<br />
Benavides H and Mayorga R,2005: Changes in precipitation and temperature extremes in<br />
Central America and n orthern South America, 1961 – 2003, Journal of geophysical research,<br />
VOL. 110, D23107, doi:10.1029/2005JD006119<br />
Aguilar E,Barry A, Brunet M, Ekang L, Fernandes A, Massoukina A,Mbah J, Mhanda<br />
A, Nascimento D, Peterson C, ThambaUmba O, Tomou M and Zhang X, 2009: Changes<br />
in temperature and precipitation extremes in western central <strong>Africa</strong>, Guinea Conakry, and<br />
Zimbabwe, 1955–2006; Journal of Geophysical Research, Vol. 114, D02115,<br />
doi:10.1029/2008JD011010,11p.<br />
Alexander L V, Zhang X, Peterson T, Caesar J, Gleason B, Klein Tank A, Haylock M,<br />
Collins D, Trewin B, Rahimzadeh F, Tagipour A, Ambenje P, Rupa Kumar K,<br />
Revadekar J, Grifths G, Vincent L, Stephenson D, Burn J, Aguilar E, Brunet M, Taylor<br />
M, New M, Zhai P, Rusticucci M, and Vazquez-Aguirre J ,2005: Global observed changes<br />
in daily climate extremes of temperature and precipitation. Journal of Geophysical Research,<br />
111 : DO5109 :doi : 10.1029/2005JD006290.<br />
Atlas Congo, 2001,2è édition, Paris, 75 p.<br />
Banque Mondiale, 2010 : Développement et changement climatique ; rapport sur le<br />
développement dans le monde ; abrégé-version préliminaire, pour un climat favorable au<br />
développement ; Washington, 52p.<br />
Beniston M. and Stephenson D, 2004: Extreme climatic events and their evolution under<br />
changing climatic conditions. Global and Planetary Change, 44 :1-9.<br />
Carbonnel J.P, Hubert P., Valbadet E. , Mermoud A. Bariac TH ,1990 : Variabilité<br />
spatiale des précipitations soudano-sahéliennes à l’échelle décamétrique, C.R, Académie Sci.,<br />
Paris ,t311, Série II, pp1425-1430.<br />
Champion J. 1963 - Le bananier, Maison-neuve Larose Paris, 264 p.<br />
Chaumont D, 2004 : Variabilité et extrêmes climatiques au Canada, révue de la littérature,<br />
rapport Ouranos-101,14p.<br />
98
Christensen J., Carterand T., and Giorgi F., 2002: PRUDENCE employs new methods to<br />
assess European climate change. EOS, 83:147.<br />
Decamps H., 2010 : Evénements climatiques extrêmes : réduire les vulnérabilités des<br />
systèmes écologiques et sociaux, rapport sur la science et la technologie n°29, Académie des<br />
Sciences, 240 p.<br />
Delolme M., 1948: Rendement à hectare des cultures indigènes de l’arachide au Sénégal,<br />
Oléagineux III, pp 262-267.<br />
Easterling D, Evans J, Groisman P, Karl P,Kunkel K, Ambenje P, 2000 : Observed<br />
Variability and Trends in Extreme Climate Events : A Brief Review. Bulletin of the American<br />
MeteorologicalSociety, Vol. 81, N°3, 9 p<br />
FAO, 1982: Réponse des rendements à l’eau. Bulletin FAO d’irrigation et de demande, éd.<br />
FAO, Rome, 219p.<br />
Frei C. et C. Schär, 2001: Detection probability of trends in rare events: theory and<br />
application to heavy precipitation in the Alpine region. J. Climate, 14, 1568-1584.<br />
Frich P, Alexander L.V, Della-Marta P, Gleason B, Haylock M, AMG Klein Tank,<br />
Peterson P, 2002: Observed coherent changes in climatic extremes during the second half of<br />
the twentieth century. Climate Research, 19, 193-212.<br />
Gantsiala Mbouala S., 2011 : Etude et cartographie des températures minimales et<br />
maximales de la République du Congo. Mémoire de maîtrise, Univ. Marien Ngouabi, FLSH,<br />
Brazzaville, 56p.<br />
GIEC, 1996: Climate Change 1995: The Science of Climate Change. Contribution of WGI to<br />
the Second Assessment Report of the Intergovernmental Panel on Climate Change<br />
[Houghton, J.T., L.G. Meira Filho, B.A. Callander, N. Harris, A. Kattenberg et K. Maskell<br />
(éd.)].Cambridge University Press, Cambridge, Royaume-Uni, 572 p.<br />
GIEC, 2001: Incidences de l’évolution du climat dans les régions: évaluation de la<br />
vulnérabilité Afrique, 60 p<br />
GIEC, 2007 : Bilan 2007 des changements climatiques : Rapport de synthèse ; Genève, 114p.<br />
Gilleland E and Richard W, 2005: The Extremes Toolkit extRemes: Weather and Climate<br />
Applications of Extreme Value Statistics; http://www.assessment.ucar.edu/toolkit;130p<br />
Groisman P. Y, Knight R. W, Easterling D. R, Karl T. R, 2005: Trends in intense<br />
precipitation in the climate record, J. Climate, 188, 1326–1349, 2005.<br />
Guillot B, 1978 : les savanes de la vallée du Niari : intérêt de l'emploi de la méthode des<br />
tableaux ordonnables dans la mise en évidence de types de végétation, Cah.<br />
O.R.S.T.O.M., sér. Sci. Hum., Vol. XV, no 1, pp 17-33.<br />
99
Guillou A et Willems P., 2006: Application de la théorie des valeurs extrêmes en hydrologie,<br />
Rev. Statistique Appliqu´ee, 2006, LIV (2), 5-31.<br />
Haylock M. R, Cawley G. C , Harpham C, Wilby R. L, Goodess C, 2006:<br />
Downscaling heavy precipitation over the UK: a comparison of dynamical and statistical<br />
methods and their future scenarios. International Journal of Climatology.<br />
Julia H., 1962 : L'I.R.H.0. au Congo. Oléagineux, 17e année, n° 4, avril, p 355-360.<br />
Karl TR. and Easterling DR., 1999: Climate extremes: selected review and future research<br />
directions. Climatic Change 42: 309 – 325<br />
Katerina G, 2007 : Une étude des événements climatiques extrêmes sur l'Europe et le bassin<br />
Méditerranéen et de leur évolution future ; thèse de doctorat, Université Paris 6 ; 121p.<br />
Klein Tank A. M, et Konnen G.P, 2002: Trends in indices of daily temperature and<br />
precipitation extremes in Europe, 1946–99, J. Clim., 16, 3665–3680.<br />
Koechlin J., 1961 : La végétation des savanes dans le Sud de la République du Congo-<br />
Brazzaville, Mémoire ORSTOM, n°1, 310 p<br />
Laraque A., Orange D., Maziezoula B., Olivry J.C, 1998 : Origine des variations des débits<br />
du Congo à Brazzaville durant le XXè siècle ; Water Resources Variability in <strong>Africa</strong> during<br />
the XX th Ceruury (proceedings of me Abidjan'98 Conference 171held at Abidjan, COle<br />
d'lvoire, November 1998). IAHS Pub. no. 252,pp 171-179.<br />
Leroux M., 1980. Le climat de l’Afrique tropicale. Thèse d’Etat, Université de Dijon.<br />
3 tomes, 1427p.<br />
Loredana P, 2008 : Extreme temperature events in the Mediterranean, thèse de doctorat,<br />
Université de Bern, 80 p.<br />
Mahé G., 1993 : Modulation annuelle et fluctuation interannuelles des précipitations sur le<br />
bassin versant du congo ; grands bassins fluviaux, du 22 au 24 novembre 1993, Paris, pp 12-<br />
26<br />
Maléké P. S, 2011 : Tendances des valeurs extrêmes des précipitations journalières dans le<br />
Congo septentrional. Mémoire de DEA. Univ. Marien Ngouabi, 66 p<br />
Massouangui Kifouala M., 2004 : Etude de la pluviométrie journalière dans le Sud du<br />
Congo. Mémoire de DEA, Univ. Marien Ngouabi, FLSH, Brazzaville, 71 p.<br />
Mauger, M, Demarée, G.R, Verhoeve T, Thoen E, Barriendos M, Rodríguez R,J<br />
Martín-VIde J , Yang C, 2002: Trends of extreme temperatures in Europe and China<br />
based on daily observations, Clim.Change, 53, 355–392.<br />
Meehl, G.A., T. Karl, D.R. Easterling, S. Changnon, R. Pielke, Jr., D.Changnon, J.<br />
Evans, P.Ya., Groisman, T.R. Knutson, K.E. Knukel, L.O. Mearns, C. Parmesan, R.<br />
100
Pulwarty, T. Root, R.T. Sylves, P.Whetton and F. Zwiers, 2000: An introduction to trends<br />
in extreme weather and climate events:Observations, socioeconomic impacts, terrestrial<br />
ecological impacts, and model projections. Bull. Am. Met.Soc., 81, 413-416.<br />
Ministère de l’économie forestière et de l’environnement, 2004 : Rapport sur la gestion et<br />
la prévention des catastrophes naturelles. Direction Générale de l’Environnement,<br />
Brazzaville, 55p.<br />
Moisselin J. et Dubuisson B, 2006 : Évolution des valeurs extrêmes des températures et des<br />
précipitations au cours du XXe siècle en France ; La Météorologie - n° 54, 10p.<br />
Moisselin J.-M. et C. Canellas, 2005 : Longues séries d’insolation homogénéisées en<br />
France. C.R. Géoscience, 337, 729-734<br />
Moisselin J.-M., M. Schneider, C. Canellas et O. Mestre, 2002 : Les changements<br />
climatiques en France au XXe siècle. Étude des longues séries de données homo-généisées de<br />
température et de précipitations. La Météorologie 8 e série, 38, 45-56.<br />
Molinier M, 1979 : la sécheresse dans le Sud-ouest congolais, cah. ORSTOM, sér. Hydrol.<br />
Vol. XVI, n°2, pp43-80.<br />
Mugnier S, 1995 : Pluviométrie journalière et types des pluies au Sahel Central : Manga et<br />
Botnu (Niger et Nigeria ), mémoire de DEA Univ. de Bourgogne , Centre de recherche de<br />
Climatologie ,48 p.<br />
Nyong A., Adesina F., Ousman B. Alasha, 2007: The value of the indigenous knowledge in<br />
the climate change: Mitigation and adaptation strategies in the <strong>Africa</strong> Sahel. Original<br />
article, Published online 14 june 2007.<br />
Ogouwalé E., 2006 : Changement climatique dans le bénin méridionale et central :<br />
Indicateurs, scenarios et perspectives de la sécurité alimentaire. Thèse présentée pour<br />
obtenir le diplôme de doctorat unique de l’Université d’Abomey-Calavi, 220 p<br />
Pandi A., Ibiassi G., Tondo B., Ladel J. et Laraque A., 2009 : Impact de la variabilité des<br />
écoulements sur la navigabilité de l’Oubangui, un affluent du fleuve Congo. Ann. De<br />
l’UMNG ; 10 (1) 75-81.<br />
Pedelaborde P., 1970. <strong>Introduction</strong> à l’étude scientifique du climat. SEDES, Paris, 246p.<br />
PetersonT, 2004: <strong>Introduction</strong> to Indices; National Climatic Data<br />
Center/NESDIS/NOAAAsheville, NC USA, 24p.<br />
Planchon V, 2005 : Traitement des valeurs aberrantes : concepts actuels et tendances<br />
générales ;GeographiaTechnica, Vol.10 , pp20-30.<br />
101
Portères R., 1952: Amenagement de l’économie agricole et rurale du Sénégal, Gouvernement<br />
général de l’Afrique Occidentale Française, 113 p.<br />
Pouyaud B., 1989 : Hydrologie des grands fleuves du congo; Conférence de l’ORSTOM ,<br />
Quanrante ans de recherche scientifique au Congo, hommes et environnement, pp 85-90.<br />
Prevot P. et Ollagnier M., 1957 : Le problème de l’eau dans l’arachide,Oléagineux, 12è<br />
année, n°4.<br />
PulinaM, 2009 : Analyse des événements pluviométriques extrêmes dans le Sud de la<br />
Sardaigne durant la période de 1951 à 2005 ; GeographiaTechnica. Numéro spécial, pp.377-<br />
385<br />
Receanu R, Hertig J, Fallot J, 2009: Modélisation spatiale et temporelle des précipitations<br />
pour l’estimation des crues extrêmes dans les Alpes ; GeographiaTechnica. Numéro spécial,<br />
pp 283-388.<br />
Samba Kimbata M. J., 1978: Le climat du Bas6Congo. Thèse de 3è cycle. Univ. De<br />
Bourgogne, Dijon, 280 p + figuress<br />
Sen P. K., 1968: Estimates of the regression coefficient based on Kendall’s tau. J. Amer. Stat.<br />
Assoc., 63, 1379–1389<br />
Sensoy S., Demircan M., Alan I., 2008: Trends in Turkey Climate Extreme Indices from<br />
1971 to 2004. Third International Conference BALWOIS 2008, Ohrid, Republic of<br />
Macedonia, 27 -31 May.<br />
Slatyer, 1933 : Studies on the water relation of crop plants grown under natural rainfall in<br />
Northern Australia, Australian J. Ag. Res.6, pp 365-377<br />
Su B, Jiang T, and Jin W, 2006: Recent trends in observed temperature and precipitation<br />
extremes in the Yangtse River basin, China; Theor. Appl. Climatol. 83. pp.139–151<br />
Trochain J. er Koechlin B., 1958 : Les pâturages naturels du Sud de l’A.E.F, Bull. N lle<br />
n°15-16 : 59-83.<br />
série<br />
Vincent, L., X. Zhang, B. Bonsal et W. Hogg. 2002: «Homogenization of daily<br />
temperatures over Canada». Journal of Climate, vol. 15, p. 1322-1334.<br />
60-Vincent, L.A. and, Mekis É, 2006: Changes in daily and extreme temperature and<br />
precipitation indices for Canada over the twentieth century. Atmosphere-Ocean 44(2), 177<br />
193.<br />
Wang X. L, 2008a: Accounting for autocorrelation in detecting mean-shifts in climate data<br />
series using the penalized maximal t or F test. J. Appl. Meteor. Climatol., 47, 2423–2444.<br />
102
Wang X. L, 2008b: Penalized maximal F-test for detecting undocumented mean-shifts<br />
without trend-change. J. Atmos. Oceanic Tech., 25 No. 3, 368-384.<br />
DOI:10.1175/2007/JTECHA982.1.<br />
Wang X. L, Chen H, Y. Wu, Y, Feng Y and Pu Q, 2006: New techniques for detection<br />
and adjustment of shifts in daily precipitation data series. J. Appl. Meteor. Climatol., accepted<br />
subject to revision.<br />
Wang, X. L., 2003 and Swail V. R., 2001: Changes of extreme wave heights in Northern<br />
Hemisphere oceans and related atmospheric circu-lation regimes. J. Climate, 14, 2204–2221.<br />
WMO, 2009 : Guidelines on Analysis of extremes in a changing climate in support of<br />
informed decisions for adaptation; Climate Data and Monitoring; WCDMP-No. 72,<br />
http://www.clivar.org/organization/etccdi/etccdi.php),55p.<br />
Zhang X and Yang F, 2004: RClimDex 1.0, User Manual; Climate Research<br />
Environment, Downsview, Ontario, Canada, 23p.<br />
Branch<br />
103
Annexes<br />
104
Annexe 1: Tableaux des Indices des températures journalières<br />
Stations Lon Lat Indice Syear EYear Slope STD_of_Slope P_Value<br />
Brazzavile -4.25 15.25 dtr 1950 2010 -0.039 0.007 0<br />
Djambala NA NA dtr 1950 2010 0.026 0.004 0<br />
Dolisie -4.02 12.7 dtr 1950 2010 -0.001 0.004 0.734<br />
Gamboma -1.87 15.87 dtr 1950 2010 -0.004 0.006 0.494<br />
Impfondo -1.62 18.06 dtr 1951 2010 0.004 0.006 0.492<br />
Makoua -0.02 15.58 dtr 1957 2010 0.009 0.005 0.065<br />
Mpouya -2.62 16.22 dtr 1951 2010 0.014 0.007 0.036<br />
Ouesso -1.62 16.01 dtr 1950 2010 0.006 0.003 0.097<br />
Pointe-Noire 0 0 dtr 1950 2010 -0.015 0.004 0<br />
Sibiti -3.68 13.35 dtr 1950 2010 0.013 0.007 0.075<br />
Station Lon Lat Indices SYear EYear Slope STD_of_Slope P_Value<br />
Brazzavile -4.25 15.25 csdi 1950 2010 0.462 0.264 0.085<br />
Djambala NA NA csdi 1950 2010 -0.064 0.042 0.137<br />
Dolisie -4.02 12.7 csdi 1950 2010 -0.14 0.059 0.021<br />
Gamboma -1.87 15.87 csdi 1950 2010 -0.212 0.081 0.012<br />
Impfondo -1.62 18.06 csdi 1951 2010 0.112 0.058 0.059<br />
Makoua -0.02 15.58 csdi 1957 2010 0.087 0.058 0.143<br />
Mpouya -2.62 16.22 csdi 1951 2010 -0.128 0.062 0.044<br />
Ouesso -1.62 16.01 csdi 1950 2010 0.029 0.044 0.519<br />
Pointe-Noire 0 0 csdi 1950 2010 -0.039 0.053 0.464<br />
Sibiti -3.68 13.35 csdi 1950 2010 0.649 0.526 0.223<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzavile -4.25 15.25 wsdi 1950 2010 -0.153 0.063 0.019<br />
Djambala NA NA wsdi 1950 2010 0.01 0.015 0.49<br />
Dolisie -4.02 12.7 wsdi 1950 2010 0.044 0.03 0.147<br />
Gamboma -1.87 15.87 wsdi 1950 2010 -0.191 0.196 0.336<br />
Impfondo -1.62 18.06 wsdi 1951 2010 0 0 NaN<br />
Makoua -0.02 15.58 wsdi 1957 2010 -0.043 0.036 0.244<br />
Mpouya -2.62 16.22 wsdi 1951 2010 0.139 0.037 0<br />
Ouesso -1.62 16.01 wsdi 1950 2010 -0.028 0.045 0.535<br />
Pointe-Noire 0 0 wsdi 1950 2010 0.123 0.107 0.255<br />
Sibiti -3.68 13.35 wsdi 1950 2010 0.041 0.025 0.113<br />
105
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzavile -4.25 15.25 tn90p 1950 2010 0.384 0.042 0<br />
Djambala NA NA tn90p 1950 2010 -0.21 0.065 0.002<br />
Dolisie -4.02 12.7 tn90p 1950 2010 0.312 0.054 0<br />
Gamboma -1.87 15.87 tn90p 1950 2010 0.26 0.054 0<br />
Impfondo -1.62 18.06 tn90p 1951 2010 0.38 0.105 0.001<br />
Makoua -0.02 15.58 tn90p 1957 2010 0.166 0.079 0.042<br />
Mpouya -2.62 16.22 tn90p 1951 2010 0.277 0.075 0.001<br />
Ouesso -1.62 16.01 tn90p 1950 2010 0.123 0.107 0.256<br />
Pointe-Noire 0 0 tn90p 1950 2010 0.506 0.079 0<br />
Sibiti -3.68 13.35 tn90p 1950 2010 0.242 0.063 0<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzavile -4.25 15.25 tn10p 1950 2010 -0.16 0.075 0.035<br />
Djambala NA NA tn10p 1950 2010 0.243 0.079 0.004<br />
Dolisie -4.02 12.7 tn10p 1950 2010 -0.179 0.041 0<br />
Gamboma -1.87 15.87 tn10p 1950 2010 -0.294 0.051 0<br />
Impfondo -1.62 18.06 tn10p 1951 2010 -0.003 0.07 0.97<br />
Makoua -0.02 15.58 tn10p 1957 2010 -0.003 0.076 0.972<br />
Mpouya -2.62 16.22 tn10p 1951 2010 -0.101 0.096 0.302<br />
Ouesso -1.62 16.01 tn10p 1950 2010 -0.052 0.05 0.301<br />
Pointe-Noire 0 0 tn10p 1950 2010 -0.228 0.04 0<br />
Sibiti -3.68 13.35 tn10p 1950 2010 -0.063 0.157 0.691<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzavile -4.25 15.25 tx90p 1950 2010 0.029 0.043 0.505<br />
Djambala NA NA tx90p 1950 2010 0.16 0.04 0<br />
Dolisie -4.02 12.7 tx90p 1950 2010 0.192 0.055 0.001<br />
Gamboma -1.87 15.87 tx90p 1950 2010 0.105 0.096 0.283<br />
Impfondo -1.62 18.06 tx90p 1951 2010 0.197 0.059 0.002<br />
Makoua -0.02 15.58 tx90p 1957 2010 0.108 0.058 0.072<br />
Mpouya -2.62 16.22 tx90p 1951 2010 0.385 0.061 0<br />
Ouesso -1.62 16.01 tx90p 1950 2010 0.177 0.083 0.039<br />
Pointe-Noire 0 0 tx90p 1950 2010 0.279 0.097 0.006<br />
Sibiti -3.68 13.35 tx90p 1950 2010 0.259 0.037 0<br />
106
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzavile -4.25 15.25 tx10p 1950 2010 0.118 0.066 0.08<br />
Djambala 14,766 -2,53 tx10p 1950 2010 -0.102 0.022 0<br />
Dolisie -4.02 12.7 tx10p 1950 2010 -0.173 0.031 0<br />
Gamboma -1.87 15.87 tx10p 1950 2010 -0.085 0.033 0.012<br />
Impfondo -1.62 18.06 tx10p 1951 2010 -0.079 0.027 0.005<br />
Makoua -0.02 15.58 tx10p 1957 2010 -0.092 0.028 0.003<br />
Mpouya -2.62 16.22 tx10p 1951 2010 -0.118 0.021 0<br />
Ouesso -1.62 16.01 tx10p 1950 2010 -0.069 0.018 0<br />
Pointe-Noire 11,75 -4,816 tx10p 1950 2010 -0.105 0.047 0.03<br />
Sibiti -3.68 13.35 tx10p 1950 2010 -0.151 0.026 0<br />
Stations Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 tnn 1950 2010 -0.055 0.04 0.176<br />
Djambala 14,766 -2,53 tnn 1950 2010 -0.004 0.011 0.726<br />
Dolisie 12,7 -4,02 tnn 1950 2010 0.003 0.009 0.747<br />
Gamboma 15,866 -1,866 tnn 1950 2010 0.023 0.009 0.015<br />
Impfondo 18,06 1,616 tnn 1951 2010 -0.002 0.016 0.924<br />
Makoua 15,583 -0,016 tnn 1957 2010 0.001 0.016 0.974<br />
Mouyondzi 13,916 -3,983 tnn 1950 2010 0.047 0.017 0.007<br />
Mpouya 16,216 -2,616 tnn 1951 2010 -0.004 0.027 0.897<br />
Ouesso 16,005 1,616 tnn 1950 2010 -0.022 0.017 0.201<br />
Pointe-Noire 11,75 -4,816 tnn 1950 2010 0.028 0.023 0.226<br />
Sibiti 13,35 -3,683 tnn 1950 2010 0.036 0.012 0.004<br />
Stations Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 tnx 1932 2006 0.025 0.003 0<br />
Djambala 14,766 -2,53 tnx 1950 1996 -0.004 0.012 0.733<br />
Dolisie 12,7 -4,02 tnx 1950 2006 0.024 0.005 0<br />
Gamboma 15,866 -1,866 tnx 1950 1996 0.022 0.005 0<br />
Impfondo 18,06 1,616 tnx 1951 2006 0.037 0.009 0<br />
Makoua 15,583 -0,016 tnx 1957 1996 0.019 0.006 0.004<br />
Mouyondzi 13,916 -3,983 tnx 1950 1996 0.008 0.014 0.568<br />
Mpouya 16,216 -2,616 tnx 1951 2006 0.013 0.005 0.013<br />
Ouesso 16,005 1,616 tnx 1950 2006 0.006 0.007 0.398<br />
Pointe-Noire 11,75 -4,816 tnx 1950 2004 0.021 0.007 0.006<br />
Sibiti 13,35 -3,683 tnx 1950 2006 0.003 0.006 0.656<br />
107
Stations Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 txn 1950 2006 -0.121 0.053 0.024<br />
Djambala 14,766 -2,53 txn 1950 1996 0.008 0.009 0.384<br />
Dolisie 12,7 -4,02 txn 1950 2006 0.031 0.007 0<br />
Gamboma 15,866 -1,866 txn 1950 1996 0.023 0.01 0.02<br />
Impfondo 18,06 1,616 txn 1951 2006 0.01 0.007 0.168<br />
Makoua 15,583 -0,016 txn 1957 1996 0.009 0.012 0.5<br />
Mouyondzi 13,916 -3,983 txn 1950 1996 0.012 0.009 0.176<br />
Mpouya 16,216 -2,616 txn 1951 2006 -0.021 0.035 0.543<br />
Ouesso 16,005 1,616 txn 1950 2006 0 0.007 0.968<br />
Pointe-Noire 11,75 -4,816 txn 1950 2004 0.021 0.006 0.001<br />
Sibiti 13,35 -3,683 txn 1950 2006 0.021 0.007 0.007<br />
Staions Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 txx 1950 2006 -0.002 0.006 0.66<br />
Djambala 14,766 -2,53 txx 1950 1996 0.016 0.006 0.011<br />
Dolisie 12,7 -4,02 txx 1950 2006 0.018 0.011 0.109<br />
Gamboma 15,866 -1,866 txx 1950 1996 0.006 0.01 0.525<br />
Impfondo 18,06 1,616 txx 1951 2006 0.023 0.008 0.004<br />
Makoua 15,583 -0,016 txx 1957 1996 0.02 0.011 0.084<br />
Mouyondzi 13,916 -3,983 txx 1950 1996 0.008 0.008 0.322<br />
Mpouya 16,216 -2,616 txx 1951 2006 0.023 0.007 0.002<br />
Ouesso 16,005 1,616 txx 1950 2006 0.028 0.021 0.184<br />
Pointe-Noire 11,75 -4,816 txx 1950 2004 0.021 0.01 0.041<br />
Sibiti 13,35 -3,683 txx 1950 2006 0.036 0.007 0<br />
108
Annexe 2 : Tableaux des indices des précipitations journalières<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 cwd 1950 2006 0.018 0.008 0.041<br />
Djambala 14,766 -2,53 cwd 1950 1996 0.002 0.02 0.937<br />
Dolisie 12,7 -4,02 cwd 1950 2006 0.003 0.019 0.859<br />
Gamboma 15,866 -1,866 cwd 1950 1996 -0.007 0.022 0.737<br />
Impfondo 18,06 1,616 cwd 1951 2006 -0.011 0.02 0.585<br />
Makabana 12,576 -3,455 cwd 1964 1998 -0.027 0.031 0.403<br />
Makoua 15,583 -0,016 cwd 1957 1996 -0.002 0.024 0.928<br />
Mouyondzi 13,916 -3,983 cwd 1950 1996 -0.029 0.026 0.268<br />
Mpouya 16,216 -2,616 cwd 1951 2006 0.003 0.014 0.814<br />
Ouesso 16,005 1,616 cwd 1950 2006 -0.034 0.018 0.074<br />
Pointe-Noire 11,75 -4,816 cwd 1950 2004 -0.001 0.015 0.958<br />
Sibiti 13,35 -3,683 cwd 1950 2006 0.003 0.023 0.907<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 cdd 1950 2006 0.084 0.176 0.637<br />
Djambala 14,77 -2,53 cdd 1950 1996 -0.114 0.173 0.511<br />
Dolisie 12,7 -4,02 cdd 1950 2006 -0.814 0.303 0.01<br />
Gamboma 15,87 -1,87 cdd 1950 1996 -0.167 0.131 0.208<br />
Impfondo 18,06 1,616 cdd 1951 2006 0.32 0.139 0.028<br />
Makabana 12,58 -3,46 cdd 1964 1998 1.259 0.81 0.132<br />
Makoua 15,58 -0,02 cdd 1957 1996 -0.25 0.157 0.122<br />
Mouyondzi 13,92 -3,98 cdd 1950 1996 -0.602 0.362 0.105<br />
Mpouya 16,22 -2,62 cdd 1951 2006 -0.434 0.19 0.028<br />
Ouesso 16,01 1,616 cdd 1950 2006 0.025 0.09 0.779<br />
Pointe-Noire 11,75 -4,82 cdd 1950 2004 0.447 0.177 0.015<br />
Sibiti 13,35 -3,68 cdd 1950 2006 -0.401 0.29 0.176<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,3 -4,25 r20mm 1950 2006 -0.024 0.029 0.401<br />
Djambala 14,8 -2,53 r20mm 1950 1996 0.096 0.08 0.234<br />
Dolisie 12,7 -4,02 r20mm 1950 2006 0.002 0.039 0.969<br />
Gamboma 15,9 -1,87 r20mm 1950 1996 -0.125 0.064 0.06<br />
Impfondo 18,1 1,616 r20mm 1951 2006 -0.082 0.085 0.341<br />
Makabana 12,6 -3,46 r20mm 1964 1998 0.071 0.114 0.54<br />
Makoua 15,6 -0,02 r20mm 1957 1996 -0.135 0.078 0.093<br />
Mouyondzi 13,9 -3,98 r20mm 1950 1996 0.183 0.067 0.009<br />
Mpouya 16,2 -2,62 r20mm 1951 2006 -0.114 0.071 0.117<br />
Ouesso 16 1,616 r20mm 1950 2006 0.025 0.051 0.621<br />
Pointe-Noire 11,8 -4,82 r20mm 1950 2004 -0.082 0.054 0.132<br />
Sibiti 13,4 -3,68 r20mm 1950 2006 -0.038 0.067 0.57<br />
109
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 r10mm 1950 2006 -0.02 0.04 0.613<br />
Djambala 14,77 -2,53 r10mm 1950 1996 0.189 0.091 0.043<br />
Dolisie 12,7 -4,02 r10mm 1950 2006 0.009 0.064 0.883<br />
Gamboma 15,87 -1,87 r10mm 1950 1996 -0.204 0.084 0.02<br />
Impfondo 18,06 1,62 r10mm 1951 2006 -0.127 0.092 0.178<br />
Makabana 12,58 -3,46 r10mm 1964 1998 0.061 0.163 0.711<br />
Makoua 15,58 -0,02 r10mm 1957 1996 -0.253 0.094 0.011<br />
Mouyondzi 13,92 -3,98 r10mm 1950 1996 0.246 0.098 0.016<br />
Mpouya 16,22 -2,62 r10mm 1951 2006 -0.106 0.094 0.266<br />
Ouesso 16,01 1,62 r10mm 1950 2006 0.06 0.066 0.367<br />
Pointe-noire 11,75 -4,82 r20mm 1950 2004 -0.082 0.054 0.132<br />
Sibiti 13,35 -3,68 r10mm 1950 2006 -0.045 0.091 0.622<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 sdii 1950 2006 0.001 0.009 0.923<br />
Djambala 14,766 -2,53 sdii 1950 1996 0.114 0.03 0<br />
Dolisie 12,7 -4,02 sdii 1950 2006 0.025 0.015 0.106<br />
Gamboma 15,866 -1,866 sdii 1950 1996 -0.009 0.018 0.602<br />
Impfondo 18,06 1,616 sdii 1951 2006 0.024 0.023 0.3<br />
Makabana 12,576 -3,455 sdii 1964 1998 0.033 0.039 0.402<br />
Makoua 15,583 -0,016 sdii 1957 1996 -0.033 0.031 0.293<br />
Mouyondzi 13,916 -3,983 sdii 1950 1996 0.045 0.027 0.111<br />
Mpouya 16,216 -2,616 sdii 1951 2006 -0.011 0.032 0.743<br />
Ouesso 16,005 1,616 sdii 1950 2006 0.01 0.015 0.507<br />
Pointe-noire 11,75 -4,816 sdii 1950 2004 -0.011 0.024 0.66<br />
Sibiti 13,35 -3,683 sdii 1950 2006 -0.033 0.019 0.089<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 rx5day 1950 2006 0.129 0.177 0.467<br />
Djambala 14,77 -2,53 rx5day 1950 1996 1.098 0.397 0.008<br />
Dolisie 12,7 -4,02 rx5day 1950 2006 -0.057 0.265 0.831<br />
Gamboma 15,87 -1,866 rx5day 1950 1996 -0.702 0.381 0.073<br />
Impfondo 18,06 1,616 rx5day 1951 2006 -0.183 0.473 0.701<br />
Makabana 12,58 -3,455 rx5day 1964 1998 -0.63 0.945 0.513<br />
Makoua 15,58 -0,016 rx5day 1957 1996 -1.034 0.364 0.008<br />
Mouyondzi 13,92 -3,983 rx5day 1950 1996 -0.909 0.631 0.16<br />
Mpouya 16,22 -2,616 rx5day 1951 2006 0.209 0.585 0.722<br />
Ouesso 16,01 1,616 rx5day 1950 2006 0.404 0.315 0.207<br />
Pointe-noire 11,75 -4,816 rx5day 1950 2004 0.143 0.467 0.76<br />
Sibiti 13,35 -3,683 rx5day 1950 2006 -1.215 0.416 0.007<br />
110
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 rx1day 1950 2006 0.101 0.128 0.432<br />
Djambala 14,766 -2,53 rx1day 1950 1996 -0.018 0.246 0.942<br />
Dolisie 12,7 -4,02 rx1day 1950 2006 -0.133 0.199 0.505<br />
Gamboma 15,866 -1,866 rx1day 1950 1996 0.135 0.275 0.626<br />
Impfondo 18,06 1,616 rx1day 1951 2006 0.34 0.258 0.198<br />
Makabana 12,576 -3,455 rx1day 1964 1998 -0.558 0.569 0.338<br />
Makoua 15,583 -0,016 rx5day 1957 1996 -1.034 0.364 0.008<br />
Mouyondzi 13,916 -3,983 rx1day 1950 1996 -0.214 0.53 0.69<br />
Mpouya 16,216 -2,616 rx1day 1951 2006 0.36 0.374 0.342<br />
Ouesso 16,005 1,616 rx1day 1950 2006 -0.022 0.237 0.926<br />
Pointe-noire 11,75 -4,816 rx1day 1950 2004 -0.143 0.311 0.648<br />
Sibiti 13,35 -3,683 rx1day 1950 2006 -0.491 0.38 0.207<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 r95p 1950 2006 0.273 0.73 0.709<br />
Djambala 14,766 -2,53 r95p 1950 1996 21.301 5.362 0<br />
Dolisie 12,7 -4,02 r95p 1950 2006 -0.139 1.198 0.908<br />
Gamboma 15,866 -1,866 r95p 1950 1996 -0.733 2.001 0.716<br />
Impfondo 18,06 1,616 r95p 1951 2006 0.394 1.666 0.815<br />
Makabana 12,576 -3,455 r95p 1964 1998 0.604 2.854 0.834<br />
Makoua 15,583 -0,016 r95p 1957 1996 -4.619 2.821 0.112<br />
Mouyondzi 13,916 -3,983 r95p 1950 1996 -1.23 2.271 0.592<br />
Mpouya 16,216 -2,616 r95p 1951 2006 1.14 2.544 0.657<br />
Ouesso 16,005 1,616 r95p 1950 2006 -2.44 1.446 0.099<br />
Pointe-Noire 11,75 -4,816 r95p 1950 2004 0.465 1.731 0.789<br />
Sibiti 13,35 -3,683 r95p 1950 2006 -3.772 1.996 0.068<br />
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 r99p 1950 2010 1.1 0.467 0.021<br />
Djambala 14,766 -2,53 r99p 1950 2010 21.247 5.215 0<br />
Dolisie 12,7 -4,02 r99p 1950 2010 0.098 0.78 0.901<br />
Gamboma 15,866 -1,866 r99p 1950 2010 0.849 1.477 0.569<br />
Impfondo 18,06 1,616 r99p 1951 2010 1.315 1.132 0.254<br />
Makabana 12,576 -3,455 r99p 1964 2010 -0.346 2.048 0.867<br />
Makoua 15,583 -0,016 r99p 1957 2010 -1.055 1.46 0.475<br />
Mouyondzi 13,916 -3,983 r99p 1950 2010 -0.38 1.432 0.792<br />
Mpouya 16,216 -2,616 r99p 1951 2010 -0.032 1.426 0.982<br />
Ouesso 16,005 1,616 r99p 1950 2010 0.461 0.825 0.579<br />
Pointe-Noire 11,75 -4,816 r99p 1950 2010 0.596 0.903 0.512<br />
Sibiti 13,35 -3,683 r99p 1950 2010 -1.689 1.237 0.182<br />
111
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value<br />
Brazzaville 15,25 -4,25 prcptot 1950 2006 -0.776 1.345 0.566<br />
Djambala 14,766 -2,53 prcptot 1950 1996 18.506 5.654 0.002<br />
Dolisie 12,7 -4,02 prcptot 1950 2006 0.261 1.999 0.897<br />
Gamboma 15,866 -1,866 prcptot 1950 1996 -4.361 2.827 0.131<br />
Impfondo 18,06 1,616 prcptot 1951 2006 -3.827 2.936 0.202<br />
Makabana 12,576 -3,455 prcptot 1964 1998 1.511 4.767 0.754<br />
Makoua 15,583 -0,016 prcptot 1957 1996 -9.577 3.456 0.009<br />
Mouyondzi 13,916 -3,983 prcptot 1950 1996 5.162 3.036 0.098<br />
Mpouya 16,216 -2,616 prcptot 1951 2006 -1.044 3.704 0.78<br />
Ouesso 16,005 1,616 prcptot 1950 2006 0.081 2.181 0.971<br />
Pointe-Noire 11,75 -4,816 prcptot 1950 2004 -2.118 3.276 0.521<br />
Sibiti 13,35 -3,683 prcptot 1950 2006 -3.573 3.008 0.243<br />
112
Annexe 3 : TERMES DE REFERENCE<br />
Gestion et information de données pour les études des scénarii climatiques<br />
Recrutement des consultants nationaux : 2 administrateurs système+ 1 climatologue+1 météorologue<br />
N° Job /Titre :<br />
Gestion et information de données pour les études des scénarii climatiques<br />
Catégorie :<br />
Organisation :<br />
Lieu :<br />
Type de Contrat :<br />
Langue requise:<br />
Durée du travail<br />
Lieu d’affectation<br />
Environnement<br />
PNUD<br />
République du Congo<br />
IC<br />
Français<br />
3 mois<br />
Brazzaville<br />
I. Contexte et justification<br />
Les informations météorologiques et climatologiques détaillées sont cruciales pour l'adaptation et l'atténuation<br />
de l'impact de la variabilité climatique, en particulier en Afrique sub-saharienne, où cette variabilité se traduit<br />
souvent par de graves inondations et sécheresse (Held. et al. 2005). Le Groupe d'Experts Intergouvernemental<br />
sur l'Evolution du climat (GIEC) a indiqué que la température est susceptible d'augmenter progressivement dans<br />
la région. D’autres effets climatiques connexes, tels que la variabilité des précipitations et la fréquence des<br />
événements météorologiques extrêmes constitueront une pression considérable sur les moyens de subsistance et<br />
des économies à travers le continent.<br />
Répondre efficacement à ces menaces, c’est entreprendre une analyse approfondie des impacts avec des<br />
scénarios fiables du changement climatique, en alignement avec les stratégies nationales et régionales pour lutter<br />
contre la pauvreté, telle que recommande la CCNUCC (Convention Cadre des Nations Unies sur les<br />
changements climatiques) dans les communications nationales (CN) et d’autres études connexes. Les modèles<br />
de circulation générale (MCG) ont été les principaux outils utilisés pour anticiper l'évolution des composantes du<br />
climat causé par les gaz à effet de serre anthropiques (GES). Afin d’assurer la signification des résultats<br />
statistiques, la complexité de calcul sur le MCG a un coût élevé et exacerbé pour les simulations d'ensemble à<br />
long terme. En conséquence, le MCG utilise une résolution spatiale grossière de quelques centaines de km qui<br />
est inappropriée pour générer l'information sur le climat, nécessaire à l'impact et aux études de vulnérabilité.<br />
Comme alternative au MCG pour la production des scénarios climatiques de haute résolution spatiale, les<br />
modèles climatiques régionaux (MCR) intègrent avec une grille spatiale fine (typiquement de 25-50 km). Ainsi,<br />
les MRC permettront de réduire le coût de calcul et d'isoler l'influence des caractéristiques climatiques clés<br />
d’échelle locale (par exemple, la végétation, les lacs, rivières, montagnes)<br />
113
La génération de scénarios climatiques fiables et détaillés spatialement pour une utilisation dans les études<br />
d'impact et de vulnérabilité exige un niveau considérable d'expertise technique et scientifique, et dans la<br />
compréhension approfondie des pilotes du système climatique africain dans son ensemble. Ces capacités sont<br />
cruellement font défaut dans la plupart de l'Afrique sub-saharienne, en particulier en République du Congo.<br />
Même s'il y a eu des améliorations significatives dans le renforcement des capacités de calcul au cours de la<br />
dernière décennie ; l'effort humain nécessaire pour entreprendre des études de haute résolution spatiale du<br />
modèle climatique et de gérer de gros volumes de données produites peut être énorme. La République du Congo<br />
est l’un des pays d'Afrique subsaharienne parmi tant d’autres, qui rencontre d'énormes difficultés pour évaluer<br />
l'impact de la variabilité et du changement climatiques sur les différents secteurs clés de la société tels que les<br />
ressources agricoles, forestières, les secteurs de la santé, la zone côtière et de l'eau. Le Congo a connu une<br />
tendance nette positive dans l'évolution des températures et des précipitations durant la période 1950-1998. Deux<br />
périodes caractérisent l'évolution récente du climat au Congo : il s'agit notamment, de la période pré-1970 avec<br />
des températures basses et des précipitations abondantes, et la période post-1970 avec des températures plus<br />
chaudes et une diminution des précipitations, malgré quelques records pluviométriques en1984 et 1988<br />
II. Objectifs<br />
a) Objectif général<br />
L’objectif général est d’établir les mécanismes et les infrastructures d’accès de collecte et d’analyse des<br />
meilleures données disponibles sur le changement climatique et ses impacts ainsi que les outils d’aide à la<br />
décision pour la planification d’adaptation.<br />
b) Objectifs spécifiques<br />
• Développer des indices hydro-climatiques et des paramètres (tableaux et cartes, etc.) pour évaluer V&A<br />
des différents secteurs ;<br />
• Développer un système internet intégré pour la base de données climatique en utilisant<br />
RAMADADDA, Unidata et des serveurs et le client THREDDS IDV.<br />
N.B. : L’atteinte des objectifs attendus sera le fait de l’équipe de quatre () consultants nationaux à recruter<br />
par le biais des présents TDR. Ces consultants nationaux travailleront en étroite collaboration et avec<br />
l’appui d’un Consultant international chargé de développer les scénarii climatiques<br />
III. Activités et Résultats:<br />
Résultats 1 : L’e-infrastructure pour les modèles, les données et méthodes mise en place.<br />
Activités 1 :Mettre en place une infrastructure de TIER 2 (Système d'exploitation Linux : Centos ; Serveur des<br />
données: TDS et les logiciels correspondants ; IDV (Integrated Data Viewer) et RAMADDA (Repository for<br />
Archiving, Managing and Accessing Diversa Data): analyse, visualisation et publication des données ;<br />
Rclimdex: analyse des comportements des extrêmes climatiques ; ENSEMBLES Web/Data Portail : modèle<br />
climatique de prévision à échelle moyenne) pour permettre le stockage des données climatiques.<br />
Résultat 2 : Le système internet de gestion intégrée de base de données<br />
accessibles/outils de traitement développé<br />
climatiques sur serveur,<br />
Activité 2 : Développer un système de gestion de données sur Internet, archivées, accessibles afin de les diffuser.<br />
114
Résultat 3 :<br />
a) Rapport sur les données et cartes climatiques de référence (climats passés et récents), notamment sur<br />
les indices climatiques disponibles<br />
b) Un tableau d’indicateurs pour l’évaluation de la vulnérabilité dans différents secteurs et un rapport sur<br />
l’ensemble de paramètres climatiques/ indicateurs pour l’évaluation de la vulnérabilité des différents<br />
secteurs établi<br />
c) Un rapport sur la sensibilité des paramètres climatiques par rapport à l’occupation et à la dégradation<br />
des terres disponible<br />
Activités 3 :<br />
d) Entreprendre un examen de données existantes dans les secteurs clés et développer des cartes<br />
climatiques, notamment sur des indices des températures et précipitations extrêmes (27 indices des<br />
extrêmes de l’OMM) ;<br />
e) Dresser une liste d’indicateurs climatiques critiques pour l’évaluation de la vulnérabilité à partir des<br />
indices climatiques passées et futures par rapport aux différents secteurs ;<br />
f) Entreprendre une analyse de sensibilité afin de déterminer comment certains variables climatiques ontils<br />
dégradés les sols.<br />
Résultats 4 : Des outils et méthodes pour l’analyse du climat, validés et lacunes comblées<br />
Activité 4 : Elaborer un cadre pour la validation des paramètres et indices hydro-climatiques sur des échelles<br />
spatio-temporelles mensuelles, saisonnières et annuelles pour la période (1950-2010).<br />
IV. Dates limite des livraisons<br />
Un total de 90jours / homme sera requis des consultants pour appuyer la réalisation des résultats ci-dessus<br />
mentionnés. La durée de la mission s’étale de la date d'entrée en vigueur jusqu'au 30 avril 2012.<br />
Les consultants pourraient- être sollicités sur une base plus ou moins intensive au cours de la mission et devront<br />
faire montre de souplesse et de disponibilité pour fournir un appui dans des délais raisonnables.<br />
.<br />
Résultats Dates limite de livraison Responsables<br />
L’e-infrastructure pour les modèles, les 15 février 2012 Les 2 administrateurs<br />
données et méthodes mise en place<br />
Le système internet de gestion intégrée de<br />
30 avril 2012 Climatologue et météorologue<br />
base de données climatiques sur serveur,<br />
accessibles/outils de traitement développé<br />
a) Rapport sur les données et cartes<br />
climatiques de référence (climats<br />
passés et récents), notamment sur les<br />
indices climatiques disponible<br />
b) Un tableau d’indicateurs pour<br />
l’évaluation de la vulnérabilité dans<br />
différents secteurs et un rapport sur<br />
l’ensemble de paramètres<br />
climatiques/ indicateurs pour<br />
l’évaluation de la vulnérabilité des<br />
différents secteurs<br />
c) Un rapport sur la sensibilité des<br />
paramètres climatiques par rapport à<br />
l’occupation et à la dégradation des<br />
terres disponible<br />
30 mars 2012<br />
15 avril 2012<br />
30 avril 2012<br />
Climatologue et météorologue<br />
Climatologue et météorologue<br />
Des outils et méthodes pour l’analyse du<br />
climat, validés et lacunes comblées<br />
30 avril 2012 Climatologue et météorologue<br />
115
V. Méthodologie<br />
Les résultats attendus ci-dessus définis pour chaque activité – en conformité avec le chronogramme agréé<br />
constitueront les moyens objectivement vérifiables du suivi et de l’évaluation du projet.<br />
Le travail sera effectué sur la base d’une collaboration régulière et étroite entre l'Unité de gestion PAA,<br />
l’UA, le Consultant International et les quatre consultants nationaux.<br />
La composante nationale du PAA au Congo sera appuyée par l’équipe régionale (IRTSC) du PAA qui<br />
pourra, le cas échéant, fournir des conseils d’orientation dans ce processus.<br />
VI. Modalités de paiement<br />
Les quatre consultants nationaux<br />
définies:<br />
retenus devront percevoir leur paiement selon les modalités ci-dessous<br />
<br />
<br />
20% à la signature du contrat;<br />
80% au terme de la restitution officielle et à la validation du rapport final.<br />
VII.<br />
Profil des consultants<br />
Niveau requis. Les consultants nationaux devront justifier des qualifications suivantes :<br />
- Deux (2) Administrateurs système Bac+2 en informatique (Informaticiens/Physicien ayant une bonne<br />
expérience dans l'installation, la configuration des logiciels du Tier 2 et capable d'assurer la<br />
maintenance du serveur) ;<br />
- Un (1) Climatologue BAC+5 en climatologie ayant une bonne maîtrise des logiciels R, RCLIMDEX et<br />
ENSEMBLES et capable d'utiliser les infrastructures du Tier2. Une bonne connaissance de IDV et<br />
capable d'utiliser des outils et méthodes de collecte, de contrôle de qualité et de gestion des données<br />
est requise ;<br />
- Un (1) Météorologue BAC+5 en météorologie ayant une bonne maîtrise des logiciels R, RCLIMDEX<br />
RANET, ENSEMBLES et de IDV, capable d'utiliser des outils et méthodes de collecte, de contrôle de<br />
qualité et de gestion des données est requise ;<br />
116
Liste des Figures<br />
Figure 1 : Localisation des stations synoptiques retenues ...................................................... 12<br />
Figure 2: Exemple de contrôle de qualité des données des précipitations observées à la<br />
station de Mpouya (1950 à 2010) ............................................................................................ 15<br />
Figure 3:Exemple de contrôle de qualité des données des précipitations observées à la station<br />
de Mouyondzi (1950 à 2010) .................................................................................................... 16<br />
Figure 4:Exemple d’une série non-homogène des températures minimales à Mouyondzi.. .... 18<br />
Figure 5: Exemple d’une série homogène des précipitations à la station de Ouesso .............. 19<br />
Figure 6: Exemple d’une série homogène des débits du fleuve Congo à Brazzaville............. 19<br />
Figure 7 : Exemple d’une série non-homogène des débits de la Sangha à Ouesso. La rupture<br />
est intervenue en avril 1971. .................................................................................................... 19<br />
Figure 8: Répartition spatiale des températures minimales .................................................... 30<br />
Figure 9 : Répartition spatiale des températures minimales (1950-2010) .............................. 31<br />
Figure 10: Configuration spatiale des précipitations (1950-2010) ......................................... 32<br />
Figure 11: Evolution des températures minimales pendant P1 et P2 ...................................... 34<br />
Figure 12 : Evolution des températures minimales pendant P1 et P2 ..................................... 35<br />
Figure 13:Evolution des précipitations pendant les sous-périodes 1950-1980 et 1981-2010 37<br />
Figure 14: Evolution des jours consécutivement sec (1950-2010) .......................................... 40<br />
Figure 15: Evolution du nombre de jours consécutivement humides (1950-2010) ................. 41<br />
Figure 16: Evolution des totaux annuels des précipitations (1950-2010) ............................... 42<br />
Figure 17: Evolution du maximum d’une journée de pluies (1950-2010) ............................... 43<br />
Figure 18: Evolution du maximum de cinq jours de pluies (1950-2010) ................................ 44<br />
Figure 19: Evolution du nombre de jours des pluies ≥ R10 mm (1950-2010) ......................... 45<br />
Figure 20: Evolution du nombre de jours pluvieux ≥ R20 mm (1950-2010) ........................... 46<br />
Figure 21: Evolution des jours très humides (1950-2010) ...................................................... 47<br />
Figure 22: Evolution des jours extrêmement humides (1950-2010) ........................................ 48<br />
117
Figure 23: Evolution des Intensités Simples des Précipitations (1950-2010) ......................... 49<br />
Figure 24: Evolution de l’indicateur des durées des séquences fraiches (1950-2010)........... 52<br />
Figure 25: Evolution des Amplitude Thermiques Diurne (1950-2010) ................................... 53<br />
Figure 26: Evolution des nuits relativement fraiche (1950-2010).......................................... 54<br />
Figure 27:Evolution des jours relativement frais (1950-2010) ............................................... 55<br />
Figure 28: Evolution du minimum des températures minimales (1950-2010) ........................ 56<br />
Figure 29: Evolution du maximum des températures minimales (1950-2010)........................ 57<br />
Figure 30: Evolution des jours relativement frais (1950-2010) .............................................. 58<br />
Figure 31: Evolution des jours relativement chauds (1950-2010) .......................................... 59<br />
Figure 32: Evolution du minimum des températures maximales (1950-2010)........................ 60<br />
Figure 33 : Evolution du maximum des températures maximales (1950-2010) ...................... 61<br />
Figure 34 : Evolution de l’Indicateur des durées des séquences chaudes (1950-2010).......... 62<br />
Figure 35: Evolution des débits minimums journaliers ........................................................... 66<br />
Figure 36: Evolution des débits maximums journaliers .......................................................... 68<br />
Figure 37: Evolution des débits faibles journaliers ................................................................. 69<br />
Figure 38: Evolution des débits forts journaliers .................................................................... 71<br />
Figure 39: Evolution des débits journaliers extrêmement forts ............................................... 72<br />
Figure 40: Evolution des débits journaliers exceptionnels ...................................................... 74<br />
Figure 41: Vallée du Niari (Vennetier, 1972). ......................................................................... 88<br />
Figure 42: Evolution des PRCPTOT (1950-2011) .................................................................. 89<br />
Figure 43:Evolution des PRCPTOT (1950-2010) ................................................................... 90<br />
Figure 44: Evolution des CWD (1950-2010)........................................................................... 91<br />
Figure 45: Evolution des CWD (1950-2010)........................................................................... 91<br />
Figure 46: Evolution des CDD (1950-2010) ........................................................................... 92<br />
Figure 47: Evolution des CDD (1950-2010) ........................................................................... 93<br />
118
Liste des tableaux<br />
Tableau 1:Stations synoptiques retenues ................................................................................. 13<br />
Tableau 2:Stations hydrologiques retenues ............................................................................. 13<br />
Tableau 3:Format de données dans RClimDex 1.0 ................................................................. 15<br />
Tableau 4 et 5:Format de données dans RHtestV3.r ............................................................... 17<br />
Tableau 6:Indices des extrêmes des précipitations journalières (Xuebin Zhang et Feng Yang,<br />
2004) ......................................................................................................................................... 22<br />
Tableau 7:Indices des extrêmes des températures journalières (Xuebin Zhang et Feng Yang,<br />
2004) ......................................................................................................................................... 23<br />
Tableau 8:Indices hydrologiques ............................................................................................. 24<br />
Tableau 9: sous-périodes de l’évolution des températures au Congo de 1950 à 2006<br />
(Gantsiala Mbouala, 2011) ...................................................................................................... 33<br />
Tableau 10: Débits journaliers du Fleuve Congo, de l’Oubangui et de la Sangha ................. 65<br />
Tableau 11:paramètres du modèle ........................................................................................... 75<br />
Tableau 12:Niveaux de retour des débits journaliers du fleuve Congo .................................. 76<br />
Tableau 13: Niveaux de retour des débits journaliers de l’Oubangui .................................... 76<br />
Tableau 14: Périodes de retour des débits journaliers de la Sangha ..................................... 77<br />
Tableau 15:Indices des températures journalières .................................................................. 80<br />
Tableau 16:Indices des précipitations journalières ................................................................. 80<br />
Tableau 17:Evolution des durées des cycles culturaux (1950-2010)....................................... 93<br />
Tableau 18: Niveau de retour des PRCPTOT pendant la saison OND ................................... 94<br />
Tableau 19:Niveau de retour des PRCPTOT pendant la saison MAM ................................... 95<br />
119
Table de matières<br />
Acronymes ................................................................................................................................. 1<br />
<strong>Introduction</strong> .............................................................................................................................. 2<br />
1. Cadre scientifique ............................................................................................................... 3<br />
2. Objectifs .............................................................................................................................. 5<br />
3. Cadre conceptuel ................................................................................................................ 6<br />
4. Articulation de l’étude ........................................................................................................ 9<br />
Chapitre 1: Approche méthodologique ................................................................................ 11<br />
<strong>Introduction</strong> .......................................................................................................................... 11<br />
1.1-Données .......................................................................................................................... 11<br />
1.1.1-Données climatologiques ......................................................................................... 11<br />
1.1.1-Données hydrologiques ........................................................................................... 13<br />
1.2. Méthodes statistiques ..................................................................................................... 14<br />
1.2.1 Contrôle de qualité ................................................................................................... 14<br />
1.2.2 Homogénéisation ..................................................................................................... 16<br />
1.2.3-Indices ...................................................................................................................... 20<br />
1.2.4 Régionalisation ........................................................................................................ 24<br />
1.2.5 Tests statistiques ...................................................................................................... 25<br />
1.2.5.1 Estimateur de la pente ........................................................................................... 25<br />
1.2.5.2. Généralisation des Valeurs Extrêmes (GEV) ...................................................... 25<br />
Conclusion partielle du chapitre 1 ........................................................................................ 28<br />
Chapitre 2: Situation climatique de référence ....................................................................... 29<br />
2.1. Configurations spatiales du climat ................................................................................ 29<br />
2.1.1. Configurations spatiales annuelles des températures .............................................. 29<br />
120
2.1.2. Configuration annuelles des précipitations ............................................................. 31<br />
2.2. Evolution du climat ....................................................................................................... 32<br />
2.2.1. Evolution des températures ..................................................................................... 32<br />
2.2.2. Evolution décennale des pluies ............................................................................... 36<br />
Conclusion du chapitre 2 ...................................................................................................... 38<br />
Chapitre 3 : Tendances des indices des extrêmes des précipitations ..................................... 39<br />
<strong>Introduction</strong> .......................................................................................................................... 39<br />
3.1-Jours consécutivement sec (CDD) ................................................................................. 39<br />
3.2-Jours consécutivement humides CWD ........................................................................... 41<br />
3.3-Totaux annuels des précipitations (PRCPTOT) ............................................................. 42<br />
3.4-Maximum d’une journée de pluies (R1days) ................................................................. 42<br />
3.5-Maximum de cinq jours de pluies (R5days)................................................................... 44<br />
3.6-Nombre de jours des pluies ≥ R10 mm .......................................................................... 45<br />
3.7-Nombre de jours pluvieux ≥ R20 mm ............................................................................ 46<br />
3.8-Jours très humides (R95p).............................................................................................. 47<br />
3.9-Jours extrêmement humides (R99p)............................................................................... 48<br />
3.10-Intensité Simples des Précipitations (SDII) ................................................................. 49<br />
Conclusion partielle du chapitre 3 ........................................................................................ 50<br />
Chapitre 4: Tendances des indices des extrêmes des températures ...................................... 51<br />
<strong>Introduction</strong> .......................................................................................................................... 51<br />
4.1-Indicateur des durées des séquences fraiches (CSDI) .................................................... 51<br />
4.2-Amplitude Thermiques Diurne (ATD)........................................................................... 52<br />
4.3-Nuits relativement fraiches (TN10p).............................................................................. 54<br />
4.3-Nuits relativement chaudes (TN90p) ............................................................................. 55<br />
4.4-Minimum des températures minimales (TNn) ............................................................... 56<br />
4.5-Maximum des températures minimales (TNx)............................................................... 56<br />
121
4.6-Jours relativement frais (TX10p) ................................................................................... 58<br />
4.7-Jours relativement chauds (TX90p) ............................................................................... 59<br />
4.8-Minimum des températures maximales (TXn)............................................................... 60<br />
4.9-Maximum des températures maximales (TXx).............................................................. 61<br />
4.10-Indicateur des durées des séquences chaudes (WSDI)................................................. 62<br />
Conclusion partielle du chapitre 4 ........................................................................................ 63<br />
Chapitre 5 : Tendances des indices des extrêmes hydrologiques ......................................... 64<br />
<strong>Introduction</strong> .......................................................................................................................... 64<br />
5.1-Evolution des indices hydrologiques .............................................................................. 65<br />
5.1.1-Evolution du débit minimum ................................................................................... 65<br />
5.1.2-Evolution du débit maximum .................................................................................. 67<br />
5.1.3-Evolution des débits faibles (F10p) ......................................................................... 68<br />
5.1.4-Evolution des débits forts (F90p) ............................................................................ 70<br />
5.1.5-Evolution des débits extrêmement forts (F95p)....................................................... 71<br />
5.1.6-Evolution des débits exceptionnels (F99p).............................................................. 73<br />
5.2-Modélisation statistique des débits ................................................................................. 74<br />
5.2.1-Paramètres du modèle .............................................................................................. 74<br />
5.2.2-Durée de retour ........................................................................................................ 75<br />
5.2.2.1-Fleuve Congo ........................................................................................................ 75<br />
5.2.2.2-Oubangui .............................................................................................................. 76<br />
5.2.2.3-Sangha .................................................................................................................. 77<br />
Conclusion partielle du chapitre 5 ........................................................................................ 77<br />
Chapitre 6: Indicateurs climatiques et leurs impacts possibles en République du Congo .. 79<br />
<strong>Introduction</strong> .......................................................................................................................... 79<br />
6.1 Indicateurs climatiques et agriculture ............................................................................. 81<br />
6.1.1 Indicateurs climatiques ............................................................................................ 81<br />
122
6.1.2 Dégradation de ces indicateurs et leurs effets possibles .......................................... 83<br />
6.2 Indicateurs climatiques et problèmes environnementaux ........................................... 84<br />
6.2.1 Indicateurs climatiques ............................................................................................ 84<br />
6.2.2 Dégradation de ces indicateurs et leurs conséquences possibles ............................. 85<br />
Conclusion partielle du chapitre 6 ........................................................................................ 86<br />
Chapitre 7 : Elaboration d’un cadre de validation des indices hydro-climatiques .......... 87<br />
<strong>Introduction</strong> .......................................................................................................................... 87<br />
7.1. Cadre de validation des indicateurs climatiques ............................................................ 87<br />
7.1.1. Evolution des indicateurs pluviométriques dans la Vallée du Niari ....................... 88<br />
7.1.1.1. Evolution des Prcptot ........................................................................................... 88<br />
7.1.1.2. Evolution des CWD ............................................................................................. 90<br />
7.1.1.3. Evolution des CDD .............................................................................................. 92<br />
7.1.1.4. Durées des saisons pluvio-agricoles .................................................................... 93<br />
7.1.1.5. Périodes de retour des totaux des pluies .............................................................. 94<br />
7.2. Cadre de validation des indices ..................................................................................... 95<br />
Conclusion du chapitre 7 ...................................................................................................... 95<br />
Conclusion ............................................................................................................................ 96<br />
Références bibliographiques ................................................................................................. 98<br />
Annexes ................................................................................................................................. 104<br />
Annexe 1 ............................................................................................................................. 105<br />
Annexe 2 ............................................................................................................................. 109<br />
Annexe 3 ............................................................................................................................. 113<br />
Liste des Figures ................................................................................................................... 117<br />
Liste des tableaux ................................................................................................................. 119<br />
Table de matières ................................................................................................................. 120<br />
123