Introduction - Africa Adaptation Programme

Acronymes
CCNUCC : Convention Cadre des Nations Unies sur les Changements Climatiques
CLIVAR: Climate Variability and Predictability (Variabilité et prédictabilité du climat)
DGRST : Délégation Générale de la Recherche scientifique et technologique
ECAD & D: European Climate Assessment and Dataset
ETCCDI: Expert Team on Climate Change Detection and Indices (Equipe d’Experts sur la
Détection, la surveillance et les indices du changement climatique)
GEV: Generalized Extreme Value
GIEC : (IPCC) Groupe d’experts Intergouvernemental sur l’Evolution du Climat
(Intergovernmental Panel on Climate Change)
GPD: Generalized Pareto Distribution
GRSEN : Groupe de Recherches en Sciences exactes et Naturelles
MDDEFE : Ministère du Développement Durable l’Economie Forestière et de
l’Environnement
OMM: (WMO) Organisation Météorologique Mondiale (World Meteorological
Organisation)
ORSTOM : Office de la Recherche scientifique et technique d’Outre Mer
PMRC : Programme Mondial de Recherche sur le Climat
POT: Peaks Over Threshold : (Pics au dessus du seuil)
QC : Quality Control (Contrôle de Qualité)
SQR: Série Quotidienne de Référence
STARDEX: STAtiscal and Regional Dyna,ical Downscaling of Extremes for European
Regions
ZCIT : Zone de Convergence Intertropicale
1

Introduction
« Le changement climatique est l’un des défis les plus complexes de notre siècle commençant.
Aucun pays n’est à l’abri de ses effets et aucun pays ne peut, seul, faire face aux décisions
politiques controversées, aux profondes transformations technologiques et autres enjeux
indissociables et lourds de conséquences à l’échelle de la planète.
En même temps que la planète se réchauffe, le régime des précipitations se modifie et des
phénomènes extrêmes tels que sécheresses, inondations et incendies de forêts deviennent plus
fréquents. Dans des zones côtières densément peuplées et dans des États insulaires, des
millions de personnes seront chassées de leurs habitations par la montée des eaux.
Les populations pauvres d’Afrique, d’Asie et d’autres parties du monde sont confrontées à la
perspective de récoltes désastreuses, d’une baisse de la productivité agricole, et d’une
recrudescence de la faim, de la malnutrition et de la maladie » (Banque Mondiale, 2011).
Pour mieux prendre les décisions politiques nécessaires pour atténuer la vulnérabilité du
Congo face aux effets pervers du changement climatique, les politiques doivent être bien
informées sur l’état du climat et ses impacts aussi bien sur le plan économique que social. Le
niveau de vulnérabilité, les actions d’adaptation actuelles et futures doivent également être
analysés pour informer les décideurs politiques du pays afin de mettre en place des cadres
stratégiques, législatifs, normatifs et réglementaires propices à un développement social,
économique et environnemental durable. Les normes de construction des infrastructures
structurantes telles que les routes et les ponts qui doivent durer plusieurs dizaines d’années,
les plans de contingence intégrant la prévention et la préparation en plus de la réponse et la
réhabilitation en situation de catastrophe, des projets agricoles sont des exemples d’initiatives
qui nécessitent une implication majeure des décideurs politiques.
Le Programme Africain d’Adaptation, en sigle PAA, est conçu dans ce contexte. Par le biais
des études, des compagnes de sensibilisation et d’information, il vise la communication
directe avec la population et les institutions politiques et à mettre en place une banque des
données aussi bien qualitatives que quantitatives pouvant permettre au pays de mieux
s’adapter au changement climatique qui n’est possible que par un renforcement des capacités.
2

1-Cadre scientifique
Notre planète est confrontée à des événements extrêmes de plus en plus dévastateurs. A une
échelle mondiale, les 25 catastrophes les plus coûteuses pour le secteur de l’assurance entre
1970 et 2009 sont toutes survenues après 1987, et plus de la moitié d’entre elles depuis 2001.
Sur ces 25 catastrophes, 23 étaient liées aux conditions climatiques (Decamps, 2010).
La République du Congo n’est pas à l’abri des événements climatiques et hydrologiques
extrêmes. Les inondations sont devenues plus récurrentes dans le Nord du Congo. Les
souvenirs les plus tristes remontent en 1901, 1961, 1999 et 2001 (MEFE, 2004). La montée
des eaux au cours de ces dernières années a atteint des niveaux rarement égalés. Lors des
crues de 1999, les pouvoirs publics avaient décrété l’état d’urgence et le district de Mossaka
s’est retrouvé en état de calamité publique, avec de nombreuses personnes sans abri.
Elles avaient entraîné non seulement des pertes d’abris, mais aussi de plusieurs cycles
complets de récolte et une diminution considérable de terres cultivables déjà exiguës. Aucune
évaluation quantitative de ces pertes agricoles (récolte, terres cultivables…) n’est disponible à
ce jour.
La Cuvette congolaise est particulièrement soumise aux risques d’inondation dont le coût des
dégâts n’est toujours pas évalué et pourtant les inondations ne sont pas un fait nouveau dans
cette région. Trois zones à risques ont été détectées : Mossaka, Loukoléla et Ntokou. En 2001,
sur un total 35.840 habitants, 23.603 sont vulnérables et 763 sont sans abri (CRC/Fédération,
mission d’août 2000, 2001).
En 2001, Les populations riveraines, bien qu’habituées aux phénomènes d’inondation, ont
éprouvé d’énormes difficultés à faire face aux catastrophes dont l’ampleur n’a fait que croître.
Dans les 103 villages situés sur les axes fluviaux Likouala Mossaka, Likouala-aux-Herbes et
dans les centres administratifs de Mossaka, Owando et Loukoléla, 33.850 personnes sur
73.000 ont été contraintes d’abandonner leurs domiciles (CRC/Fédération, mission d’août
2000, 2001).
Dans l’ensemble de la région Sud-Ouest du Congo (plaine du Niari, massif du Chailu,
zone côtière), les années 1958 et 1978 ont été marquées par des sécheresse très sévères
( Molinier, 1979). Dans certains postes pluviométriques, les hauteurs annuelles des
précipitations enregistrées en 1958 et en 1978 ont été les plus faibles jamais enregistrées
depuis le début des observations. En 1958 par exemple, il n’est tombé que 495 mm d’eau à
3

la station de Kayes. Ce déficit a été beaucoup plus important au cours des cinq premiers
mois de l’année (janvier : 21 mm d’eau, février : 3 mm d’eau, mars : 91 mm d’eau et 0 mm
d’eau au mois de mai) et a eu des conséquences désastreuses sur l’agriculture. Les
régimes des cours d’eau étant en relation étroite avec le rythme des pluies, les apports
ont donc été particulièrement faibles, notamment à la fin de la grande saison sèche où les
débits d’étiage ont atteint des valeurs exceptionnelles jamais observées dans l’histoire
climatique de cette zone.
De même, les phénomènes d’érosion dans les agglomérations de Brazzaville et de Pointe-
Noire ne cessent de chasser les populations dans des nombreux quartiers. Des parcelles et des
édifices publics sont engloutis par des ravins. La population est parfois obligée d’abandonner
leur maison. Cette situation génère des conflits entre propriétaires fonciers et leurs clients
d’une part, et d’autre part entre la population menacée et l’Etat qui est qualifié d’insensible à
leur situation.
Tout récemment, des pluies diluviennes qui se sont abattues dans les villes du Sud (Pointe-
Noire, Nkayi et Dolisie), le 02 février 2011, avaient plongé des nombreux quartiers dans le
sinistre si bien que le gouvernement avait décrété un état d’urgence pour assister les victimes.
Depuis toujours, la très grande partie de la littérature sur la variabilité et le changement
climatiques à travers le monde en général et le Congo en particulier est basée sur l’analyse des
observations de la température et de la précipitation en s’intéressant aux valeurs moyennes
(Zhang et al, 2005; Alexander et al., 2006). La variabilité dans le temps et dans l’espace des
indicateurs dérivés de ces données a reçu plus d’attention tout récemment (Frich et al, 2002 ;
Groisman et al, 2005;Vincent et Mékis, 2006). Selon certains auteurs (Karl et al. , 1999) et
Easterling et al (2000)), l’un des moyens envisagés pour détecter et décrire de façon
synthétique le changement climatique, ses conséquences et les mesures d’adaptation, est
l’élaboration d’indices climatiques. Ces indices sont de plus en plus recommandés pour des
analyses d’extrêmes climatiques. Ils présentent l’avantage de traduire les résultats des
simulations sous une forme plus directement exploitable pour discuter les résultats obtenus
avec ceux des autres localités même dans des conditions climatiques différentes. Ces études
climatiques exigent des séries de données quotidiennes assez longues et homogènes (Klein
Tank et al (2002)). Les indices climatiques sont utilisés généralement par les
scientifiques dans leur tentative de caractériser et de comprendre divers processus
4

climatiques liés au temps et suivre les fluctuations des éléments météorologiques à long
terme.
En effet, l'intérêt récent de la communauté scientifique porté aux événements extrêmes est lié,
en partie, à l'augmentation quasi-exponentielle des pertes économiques attribuées à ces
événements, ainsi qu'à l'augmentation apparente du nombre de victimes de ces phénomènes
au cours des trente dernières années. Néanmoins, la notion d'extrêmes qui repose sur les
impacts socio-économiques n'est pas pertinente pour ce travail qui est, en effet, une étude
climatique et hydrologique. Nous considérerons « seulement » des événements climatiques et
hydrologiques exceptionnels qui n'ont pas nécessairement d'impacts sévères.
2-Objectifs
L’objectif général est d’établir les mécanismes et les infrastructures d’accès de collecte et
d’analyse des meilleures données disponibles sur le changement climatique et ses impacts
ainsi que les outils d’aide à la décision pour la planification d’adaptation.
Mais, la présente étude se limite aux activités 3 et 4 des termes de référence qui sont :
Activités 3 :
a) Entreprendre un examen de données existantes dans les secteurs clés et développer des
cartes climatiques, notamment sur des indices des températures et des précipitations
extrêmes (27 indices des extrêmes de l’OMM) ;
b) Dresser une liste d’indicateurs climatiques critiques pour l’évaluation de la
vulnérabilité à partir des indices climatiques passés et futurs par rapport aux différents
secteurs ;
c) Entreprendre une analyse de sensibilité afin de déterminer comment certaines
variables climatiques ont-elles dégradé les sols.
Activité 4 : Elaborer un cadre pour la validation des paramètres et indices hydro-climatiques
sur des échelles spatio-temporelles mensuelles, saisonnières et annuelles pour la période
(1950-2010).
5

3-Cadre conceptuel
Le but de tous travaux scientifiques étant de construire une image de « la réalité »,
les concepts descriptifs et analytiques sont l’échelle dont se sert chaque science pour y
parvenir.
En fait, les observations de la «réalité » n’auraient aucun sens pour nous, si nous n’avions
pas appris à les interpréter en fonction de concepts préétablis ou, développés
spécialement pour l’occasion car un même concept peut avoir plusieurs sens, d’où la nécessité
de bien définir le concept utilisé et le sens qui lui est donné dans l’étude.
Les concepts jugés importants dans le cadre de cette étude sont présentés ci-dessous:
‣ Climat
Le climat est défini comme étant la synthèse des phénomènes météorologiques
observés sur l’ensemble d’une période statiquement longue pour pouvoir établir ses
propriétés statistiques d’ensemble à savoir : valeurs moyennes, variances, probabilités des
phénomènes extrêmes, etc. (Pedelaborde, 1970 ; Leroux, 1980).
Selon le GIEC (1996), au sens étroit du terme, climat désigne en général le « temps moyen »,
ou plus précisément une description statistique en termes de moyennes et de variabilité
de grandeurs pertinentes sur des périodes allant de quelques mois à des milliers ou des
millions d’années. La période type est de 30 ans, d’après la définition de l’Organisation
Météorologique Mondiale (OMM). Ces grandeurs pertinentes sont le plus souvent des
variables de surface tels que la température, les précipitations et le vent. Au sens large du
terme, climat désigne l’état du système climatique, y compris une description statistique de
celui-ci.
‣ Système climatique
Système extrêmement complexe comprenant cinq grands éléments (l’atmosphère,
l’hydrosphère, la cryosphère, les terres émergées et la biosphère) et qui résulte de
leurs interactions. Ce système évolue avec le temps sous l’effet de sa propre dynamique
interne et en raison de forçages externes tels que les éruptions volcaniques, les
variations de l’activité solaire ou les forçages anthropiques (par exemple les variations
de la composition de l’atmosphère ou les changements d’affectation des terres). (GIEC,
2007).
6

‣ Changement climatique et Variabilité climatique
Selon le Dictionnaire Encyclopédique, le changement climatique désigne l'ensemble des
variations des caractéristiques climatiques en un endroit donné, au cours du temps :
réchauffement ou refroidissement.
Le GIEC (1996) utilise le terme “changement climatique” pour tout changement de
climat dans le temps, qu’il soit dû à la variabilité naturelle ou aux activités humaines.
Cette définition diffère de celle qui est employée dans la Convention Cadre des
Nations unies sur les Changements Climatiques(CCNUCC), dans laquelle le changement
climatique s’applique à un changement de climat attribué directement ou indirectement aux
activités humaines qui modifient la composition de l’atmosphère dans son ensemble et
qui s’ajoute à la variabilité naturelle du climat constatée sur des périodes de temps
comparables. La CCNUCC fait ainsi une distinction entre les « changements climatiques »
qui peuvent être attribués aux activités humaines altérant la composition de l’atmosphère,
et la « variabilité climatique » due à des causes naturelles. La variabilité climatique
est donc une modification naturelle du climat et donc indépendante des activités
humaines.
‣ Extrêmes climatiques et extrêmes hydrologiques
La définition appropriée ne peut être choisie qu'en fonction du contexte dans lequel on
considère tel ou tel phénomène. Beniston and Stephenson (2004) proposent trois définitions
du phénomène climatique extrême ou hydrologique, qui reposent sur différentes notions :
- La définition peut être basée sur la rareté d'un phénomène climatique ou hydrologique ; on
doit donc considérer sa fréquence ;
- Elle peut également être basée sur l'intensité d'un phénomène ; ceci implique la
considération de dépassement d'un seuil par des variables climatiques ou hydrologiques
associées à ce phénomène ;
- On peut également introduire la notion d'impact et s'appuyer sur des dégâts socioéconomiques
causés par un phénomène.
Pour Yan et al. (2008), est extrême un événement dont la probabilité est inférieure à 10%. Il y
a une notion de période de retour qui vient alors s’insérer. Notons que la notion d’évènements
extrêmes dépend du temps, il peut y avoir moins d’évènements extrêmes dans 100 ans
puisque les pluies diluviennes, canicules ou crues peuvent survenir à une probabilité
7

supérieure à 10%, un événement extrême dans 80 ans pourrait être une journée avec un
débit de 68971,66 m3 d’eau/seconde, cette notion est subjective.
. On va ainsi adopter la définition donnée par les climatologues dans le dernier rapport du
Groupe d'experts Intergouvernemental sur l'Evolution du Climat (GIEC ,2007) : « Un
phénomène climatique extrême est un phénomène qui est rare dans le cadre de sa distribution
de référence statistique à un endroit spécifique. Les définitions de « rare » varient, mais un
phénomène climatique extrême serait normalement aussi rare ou plus rare que le 10 ème ou
90ème percentile ». Cette définition permet de considérer deux caractéristiques importantes
des extrêmes : leur fréquence et leur intensité.
‣ Vulnérabilité
Mesure dans laquelle un système est sensible – ou incapable de faire face – aux effets
défavorables des changements climatiques ou hydrologiques, y compris la variabilité du
climat et les phénomènes extrêmes. La vulnérabilité est fonction de la nature, de l’ampleur et
du rythme de l’évolution et de la variation du climat à laquelle le système considéré est
exposé, de la sensibilité de ce système et de sa capacité d’adaptation.
‣ Atténuation
Modification et substitution des techniques employées dans le but de réduire les ressources
engagées et les émissions par unité de production. Bien que certaines politiques sociales,
économiques et technologiques puissent contribuer à réduire les émissions, du point de vue du
changement climatique, l’atténuation signifie la mise en œuvre de politiques destinées à
réduire les émissions de gaz à effet de serre et à renforcer les puits. Il est question dans le
texte de cette étude non de réduire les gaz à effet de serre, mais de minimiser, diminuer les
effets négatifs des pluies sur les pratiques agricoles.
‣ Adaptation
Initiatives et mesures prises pour réduire la vulnérabilité des systèmes naturels et humains aux
effets des changements climatiques réels ou prévus.
Le Groupe d’experts Intergouvernemental sur l’Evolution du Climat (GIEC), définit la
stratégie d’adaptation comme étant le mécanisme ou les actions entreprises par un
système, une communauté, un individu en réaction aux impacts et effets présents et futurs
8

induits par le changement climatique (GIEC, 2001). Pour Ogouwalé (2006), l’adaptation
climatique apparaît être une des solutions qui permettraient à la communauté humaine de
réduire les impacts des changements climatiques annoncés.
L’adaptation consiste en un ajustement à l’intérieur d’un système humain, en réponse à un
stimulus climatique actuel ou envisagé ou à ses effets, incluant la variabilité et les
extrêmes climatiques (GIEC 2001). L’adaptation est donc un processus qui prend racine
dans la socialisation, l’apprentissage social et politique, et s’exprime à travers des
mécanismes et des décisions pour affronter les stress climatiques (NYONG et al, 2007).
L’adaptation est un changement de procédure, de pratiques et de structures visant à limiter ou
effacer les dommages potentiels ou à tirer bénéfice des opportunités créées par la variabilité et
les changements climatiques (www.ipcc.ch/pub/syrgloss.pdf). Selon le dictionnaire Robert,
l’adaptation est l’appropriation d’un organisme aux conditions externes et internes de
l’existence, permettant à cet organisme de durer et de se reproduire. Pour atténuer les
impacts des changements climatiques, l’adaptation climatique est souvent préconisée.
Cette adaptation se résume à un ensemble de réajustements opérés ou auto-opérés à
l’intérieur des systèmes naturel et humain, en réponse curative ou préventive aux
stimuli climatiques actuels ou futurs ou à leurs effets en vue d’atténuer leurs nuisances ou
d’en tirer opportunément profit (Issa, 1995). L’adaptation se résume en termes de stratégies
mises en place pour atténuer les effets pervers (aléas) liés aux changements climatiques.
4-Articulation de l’étude
Ce travail est subdivisé en sept chapitres :
Le premier chapitre expose sur les données et méthodes utilisées dans le cadre de l’analyse
des valeurs extrêmes du climat et des débits hydrologiques.
Le deuxième présente la situation climatique de référence en République du Congo.
Le troisième, analyse la tendance des indices des valeurs extrêmes des précipitations
journalières ;
Le quatrième chapitre est consacré à l’analyse de l’évolution des valeurs journalières des
températures minimales et maximales ;
9

Le cinquième chapitre fait une récapitulation des tendances des principaux indices analysés et
montre les effets possibles sur l’agriculture, les inondations et la dégradation de sol par
l’érosion.
Le sixième chapitre est consacré à l’étude des extrêmes hydrologiques de quelques cours
d’eau du Congo.
Le septième chapitre s’intéresse à la mise en place d’un cadre de validation des indices
hydrologiques et climatiques.
10

Chapitre 1
Approche méthodologique
Introduction
Plusieurs techniques et méthodes ont été développées ou adaptées par la communauté
scientifique tout comme par des projets (STARDEX, ENSMBLE, ECA & D) pour analyser
les extrêmes climatiques. Les méthodes utilisées dans cette étude sont tirées du « Guidelines
on Analysis of extremes in a changing climate in support of informed decisions for
adaptation » mis en place par l’Organisation Météorologique Mondiale à l’intention des
décideurs (WMO, 2009). Ces méthodes ont été utilisées avec succès dans des nombreux
travaux sur l’analyse des extrêmes des précipitations et des températures à travers le monde
(Vincent et al., 2005 ; Aguilar et al., 2005; Meehl et al, 2000 ). Loin de faire un catalogue, le
présent chapitre ne fait qu’un bref aperçu des méthodes qui seront utilisées dans le cadre de
cette étude.
1.1-Données
1.1.1-Données climatologiques
Nous avons utilisé les valeurs des précipitations et des températures (minimales et maximales)
au pas de temps journalier sur la période allant du 01 janvier 1950 au 31 décembre 2010. Ces
données, provenant des fichiers informatisés de la Direction de la Météorologie du Congo
seront stockées dans la base de données développée par le Projet Africain d’Adaptation
(PAA).
L’étude du changement climatique à partir de séries brutes, sans contrôle spécifique ni
examen des ruptures d’origine non climatique, peut conduire à des conclusions erronées.
11

La qualité des données rassemblées diffère d'une station à l'autre. Néanmoins, obtenir des
séries chronologiques presque complètes au niveau des différentes stations était le souci
majeur qui nous a animé. Après 1996 la République du Congo a connu une instabilité sociopolitique
qui s’est traduite par des lacunes dans la presque totalité des stations synoptiques du
Congo. Douze stations synoptiques ont été retenues dont les renseignements sont portés dans
le tableau 1 et la figure 1. Mais, pour le calcul des indices des températures, nous n’avons
considéré que 11 stations. Celle de Makabana, présentant plusieurs lacunes dans les données,
a été systématiquement écartée. Pour la seule raison que le logiciel ne peut calculer les indices
d’une station ayant plus de 25% des données manquantes. Il convient aussi de signaler
l’absence de la station de Souanké sur la liste. Aucune donnée n’a été fournie tout au moins
sur les précipitations.
Figure 1 :Localisation des stations synoptiques retenues
12

Tableau 1:Stations synoptiques retenues
Code (OMM) Station Longitude Latitude Altitude Période
64400 Pointe-Noire 11°54E 4`49’S 17m 1950-2010
64402 Mouyondzi 13°55’E 03°59’S 352 m 1950-2010
64450 Brazzaville 15°51’E 01°54’S 377 m 1950-2010
64452 Mpouya 16°13’E 02°37’S 313 m 1951-2010
64453 Djambala 14°46’E 02°32’S 790 m 1950-2010
64456 Makabana 12°37'E 03°29'S 160m 1957-1995
64459 Dolisie 12°40’E 01°37’S 327 m 1951-2010
66405 Sibiti 13`24E 3`44’S 535m 1950-2010
644540 Gamboma 15°51’E 01°54’S 377 m 1950-2010
644560 Makoua 15°39’E 00°1’S 380 m 1957-2010
644580 Ouesso 16°04’E 03°17’N 352 m 1950-2010
644590 Impfondo 18°04’E 01°37’N 327 m 1951-2010
1.1.1-Données hydrologiques
Il s’agit des valeurs des débits journaliers des trois cours d’eau qui ont été mises à notre
disposition (tableau 2). Il s’agit de l’Oubangui dont la période d’étude va de 1970 à 2010, de
la Sangha à Ouesso (1970 à 2010) et du Fleuve Congo à Brazzaville (1948 à 2010). Ces
données proviennent De l’IRD (ex ORSTOM) et du GRSEN/DGRST
Tableau 2: Stations hydrologiques retenues
N° Hydrom Cours
d’eau
Station de
référence
Coordonnées géographiques
Long. Lat. Altitude
(m)
Superficie bassin versant
(Km2)
Station
Exutoire
Période
10705000105 F. Congo Brazzaville 015°19’ -04°16’ 314 3500000 3700000 1948-2011
1060700105 Oubangui Bangui 16°03’ -04°22’ 345 488500 643900 1970-2011
1070800120 Sangha Ouesso 16°03’ -01°37’ 326 158350 211120 1970-2011
13

1.2. Méthodes statistiques
L’analyse du climat se fait suivant une démarche classique qui répond aux étapes suivantes
(Chaumont, 2004 ; WMO, 2009):
‣ contrôle de qualité,
‣ homogénéisation,
‣ choix et calcul des indices,
‣ application de tests
‣ régionalisation.
1.2.1-Contrôle de qualité
Nous avons utilisé le programme disponible dans le logiciel RClimDex développé par la
branche de recherches sur le climat du service météorologique du Canada (voir le
http://cccma.seos.uvic.ca/ETCCDMI/software.shtml).
Le procédé de contrôle de qualité dans RClimDex n'est pas censé être complet. Néanmoins,
elle aide plutôt l’utilisateur à identifier les erreurs d’enregistrement qui peuvent exister sur
des données quotidiennes (Peter, 2004 ; Planche, 2005) (figures 2 et 3). Les principes sont les
suivants :
‣ remplacer la température maximale quotidienne des valeurs erronées par -99.9, si la elle
est inférieure à la température minimale quotidienne,
‣ Il n’est pas possible d’avoir plus de 365 à 366 observations journalières par année ;
‣ Le mois de février ne doit pas avoir plus de 28 observations quelle que soit l’année
considérée ;
‣ Les données manquantes ou négatives (pour les précipitations) sont remplacées par -99.9
avant le contrôle de qualité par le logiciel.
C’est un programme qui n’accepte que les formats des fichiers ASCII ou CSV. La
configuration du fichier est la suivante (tableau 3).
14

Tableau 3: Format de données dans RClimDex 1.0
Années Mois Jours PRCPTOT Tmax Tmin
1961 1 1 -99.9 37.2 25.5
1961 1 2 21.3 36.3 23.4
1961 1 3 20.2 35.3 25.3
Figure 2: Exemple de contrôle de qualité des données des précipitations observées à la
station de Mpouya (1950 à 2010)
15

Figure 3: Exemple de contrôle de qualité des données des précipitations observées à la
station de Mouyondzi (1950 à 2010)
1.2.2-Homogénéisation
Le terme homogénéisation désigne la correction de séries de données présentant des ruptures
artificielles dues à des modifications dans les réseaux d’observations (déplacement de station,
changement d’instrument de mesure, changement dans l’environnement immédiat d’une
station, changement d’observateur, etc.). Ces ruptures artificielles sont présentes dans la
plupart des enregistrements climatiques et peuvent interférer avec les variations réelles du
climat. La détection et la correction de ces ruptures sont nécessaires pour construire des bases
de données climatiques qui serviront ultérieurement à analyser le signal climatique et suivre
son évolution dans le temps.
Omettre de corriger ces ruptures artificielles implique le risque que les projections futures
basées sur les observations passées soient biaisées.
Après le contrôle de qualité, les différentes valeurs de chacune des stations ont été
homogénéisées à partir du progiciel RHtestV3.r
Les fonctions de RHtestsV3 peuvent traiter des séries annuelles, mensuelles ou
quotidiennes d’erreurs gaussiennes (veuillez noter que la procédure RHtests_dlyPrpc
doit être utilisée pour l’homogénéisation des séries de précipitation quotidienne qui
sont typiquement non-gaussiennes); il est cependant correct d’utiliser les fonctions
RHtestsV3 sur une transformée-log des précipitations totales mensuelles et annuelles.
Chaque série de données d’entrée doit être stockée dans un fichier distinct (p. ex., un
16

fichier nommé Example.dat), dans lequel les trois premières colonnes représentent les
dates d’observation (AAAA pour l’année du calendrier, MM pour le mois et JJ pour le
jour) et la quatrième colonne, les valeurs des données d’observation (ou code de
valeur absente).
Il est à noter que pour les séries mensuelles, JJ=00, et pour les séries annuelles,
MM=00 et JJ=00 (tableaux 4 et 5). Par exemple :
Tableau 4 et 5: Format de données dans RHtestV3.r
Série quotidienne OU Série mensuelle
Années Mois Jours Pluies
1994 1 27 8.1
1994 1 28 5.3
1994 1 29 4.9
1994 1 30 4.9
1994 1 31 4.0
1994 2 1 3.9
1994 2 2 7.2
1994 2 3 8.7
1994 2 4 6.3
1994 2 5 -999.
1994 2 6 -999.
1994 2 7 -999.
1994 2 8 -999.
1994 2 9 9.0
1994 2 10 6.0
Années Mois Jours Pluies
1967 7 0 1015.70
1967 8 0 1015.95
1967 9 0 1016.10
1967 10 0 -999.99
1967 11 0 1010.71
1967 12 0 1011.58
1968 1 0 1009.37
1968 2 0 1003.07
1968 3 0 1011.94
1968 4 0 1014.74
1968 5 0 1009.59
1968 6 0 1011.77
1968 7 0 1014.35
1968 8 0 1010.87
1968 9 0 1016.45
Les dates des données d’entrée doivent être consécutives et dans l’ordre du calendrier.
Autrement, le programme se fermera en produisant un message d’erreur contenant la première
date où l’erreur de données s’est produite. Par exemple : les quatre lignes du 5 au 8 février
1994 de l’exemple de série quotidienne ci-dessus doivent être incluses dans le fichier d’entrée
de données. Elles ne doivent pas être supprimées en raison de leurs données manquantes. La
ligne du 10 février 1994 ne doit pas être avant le 9 février 1994, etc.
L’exigence ci-dessus s’applique à la série de base et à la série de référence, si elles
sont utilisées. Les séries de base et de référence peuvent comporter des dates pour
diverses périodes (il n’est pas nécessaire qu’elles soient de même longueur), mais dans
ce cas, seules les périodes communes à la série de base et à celle de référence sont
17

testées/analysées. Il est à noter qu’il peut manquer des valeurs à certaines dates/heures
dans les séries de base et de référence, mais alors il faut que le même code soit utilisé
pour indiquer les valeurs absentes. Toutes les dates et heures correspondant aux
valeurs manquantes, que ce soit dans la série de base, ou dans la série de référence, ou
dans les deux séries, sont alors exclues de l’analyse.
Ce logiciel peut être utilisé pour détecter et ajuster des points de changement multiples (des
sauts) pouvant exister dans une série de données comportant des erreurs autorégressives du
premier ordre [mais les séries de précipitations doivent être traitées avec le logiciel
RHtests_dlyPrpc (Wang et al. 2010)]. Il est basé sur le test t maxima avec pénalité (Wang et
al. 2007) et le test F maxima avec pénalité (Wang 2008b), imbriqués dans un algorithme de
test récursif (Wang 2008a), avec un facteur d’auto corrélation avec retard de 1 (si significatif)
appliqué à la série temporelle étant prise en compte. La série temporelle testée peut présenter
une tendance nulle ou linéaire pendant toute la durée d’enregistrement. Le problème de la
répartition non uniforme des taux de fausse alarme et de la puissance de détection est aussi
grandement réduit au moyen de fonctions de pénalité empiriques.
Aussi, RHtestsV3 permet la détection de points de changement lorsqu’on ne dispose pas de
série de référence homogène (figures 4 et 7).
Année de rupture
Figure 4:Exemple d’une série non-homogène des températures minimales à Mouyondzi. Cette
figure montre plusieurs ruptures ou sauts vers 1964, 1970, 1989 et 2000.
18

Figure 5: Exemple d’une série homogène des précipitations à la station de Ouesso
Figure 6: Exemple d’une série homogène des débits du fleuve Congo à Brazzaville
Figure 7 : Exemple d’une série non-homogène des débits de la Sangha à Ouesso. La rupture
est intervenue en avril 1971.
19

L’homogénéisation des séries mensuelles fournit la date et l’amplitude des ruptures détectées.
S’il n’est pas possible d’appliquer les coefficients correcteurs aux données quotidiennes, les
dates des ruptures permettent néanmoins de déterminer des périodes supposées homogènes.
Cette méthode offre l’avantage, d’une part, de bénéficier des travaux de correction et de
comblement des séries des données climatiques considérées lors de la phase
d’homogénéisation des séries mensuelles et, d’autre part, de pouvoir associer
systématiquement un diagnostic sur la moyenne à un diagnostic sur les extrêmes. Entre cette
date et la fin de la série, la série devient série quotidienne de référence (SQR). La période
allant de 1965 à 1994 a été retenue comme normale climatique pour calculer les indices des
extrêmes climatiques pour l’ensemble du pays. Il est difficile dans le contexte du Congo de
trouver une station de référence pouvant permettre de corriger les lacunes détectées. La
longueur disproportionnée des séries, la différence des climats entre station et des états de
surfaces rendent difficile voire impossible le choix d’une station de référence. Cette approche
dite de sélection sans correction des données quotidiennes a déjà été employée dans
différentes études sur l’évolution observée du climat (Frich et al, 2002 ; Moisselin et
Dubuisson, 2006 ; Katerina, 2007 ; Sensoy S. et al, 2008 ; Publina, 2009).
1.2.3-Indices
Pour analyser les extrêmes de pluies, nous avons procédé par le calcul des indices. L'avantage
d'utiliser les indices pour la détection du changement climatique est qu’ils peuvent être
appliqués à différents paramètres du climat tels que les températures minimales, les
températures maximales et les précipitations au pas de temps journalier; ils permettent aussi
une comparaison facile des tendances entre diverses régions appartenant à des zones
climatiques différentes ; les indices des extrêmes climatiques sont facilement compréhensibles
et maniables pour des études d'impacts climatiques sur le plan socio-économique (Christensen
et al, 2002 ; Loredana, 2008). .
De nombreux indices climatiques ont été définis par la communauté des climatologues
Le projet ClimateVariability and Predictability (Clivar) du Programme Mondial de
Recherche sur le Climat (PMRC) de l’Organisation Météorologique Mondiale (OMM) a
proposé une liste de différents indices. Certains d’entre eux sont repris et calculés pour
différentes séries dans le cadre du projet européen European ClimateAssessment and Dataset
20

(ECA&D) dont le site Internet présente un dictionnaire complet d’indices
(http://eca.knmi.nl/indicesextremes/indicesdictionary.php#5) de 60 indices correspondant aux
différents aspects du changement climatique.
Le logiciel "RClimDex" offre un calibre approprié pour calculer ces indices de manière
efficace. Un total de 27 indices a été suggéré par l’Equipe d’experts sur la détection d’indices
du changement climatique (Expert Team on Climate Change Detction indices ETCCDI) du
groupe conjoint de la Commission de climatologie et du Clivar CCI/CLIVAR/JCOMM sur la
détection et les indices de changement de climat avec les foyers primaires sur des extrêmes
pour détecter les changements de l'intensité, de la fréquence et de la durée des événements,
peuvant être calculés par ce logiciel.
Le groupe de travail commun Clivar-Commission de climatologie de l’OMM recommande
une liste de dix indices simples et accessibles (Frich et al., 2002).
Les indices, élaborés à l’échelle annuelle par le programme RClimDex (Zhang X. et al.,
2004), peuvent être regroupés en plusieurs catégories (Alexander et al., 2005).
On distingue :
Les indices basés sur des percentiles fournissant des informations sur la température des
nuits froides (TN10p), des nuits chaudes (TN90p), des jours froids (TX10p) et des jours
chauds (TX90p)
Les indices absolus représentent les valeurs maximale ou minimale de la température au
cours d'une période donnée de temps (saison, année) comme la température maximale la
plus élevée (TXx), la température minimale la plus élevée (TNx), la plus basse
température maximale (TXn) ou la plus basse température minimale (TNn), les totaux des
précipitations journalières au-dessus des percentiles 95 (jours très humides (R95p)) et 99
(jours extrêmement humides (R99p)); les totaux de ces indices varient d’une station à une
autre même quand les différentes stations sont influencées par un même type de climat; il
est donc impossible d’avoir une valeur commune à toutes les stations pour définir le R95p
et le R99p.
Les indices des précipitations maximales d’1 jour (RX1day) et de 5 jours consécutifs
(RX5day);
Les indices de la durée maximale des périodes sèches (R journalière =1mm: CWD); l’amplitude diurne thermique, l’indicateur des
21

durées des séquences chaudes (WSDI), de l’indicateur des durées des séquences fraîches
(CSDI) ;
Les indices seuils, définis sur la base du numéro des jours où l’intensité de la précipitation
est supérieure à un seuil déterminé, c'est-à-dire, 10 mm (R10) et 20 mm (R20); jours de
gel ou FDO(TN25°C), jours de glace ou IDO (TN20°C) ;
Les indices des conditions moyennes, c'est-à-dire les totaux annuels des précipitations
(PRCPTOT) et l’intensité moyenne journalière (SDII), Amplitude de température diurne
journalière (ATD), longueur de saison de croissance (GSL).
Tous ces indices sont représentés dans les tableaux 6 et 7 ci-après :
Tableau 6: Indices des extrêmes des précipitations journalières (Xuebin Zhang et Feng Yang,
2004)
Précipitations
Identification Noms de l’indice Définition Unité
1-PRCPTOT Total annuel des pluies Précipitations totales annuelles des jours pluvieux (RR ≥
1,0 mm)
2-RX1day
Hauteur maximale des
Précipitations d’un jour
3-Rx5day Cumul maximal des
précipitations de 5 jours
4-R10 Nombre de jours de
précipitations ≥ 10 mm
5-R20 Nombre de jours de
précipitations ≥ 20 mm
6-Rnn*
Nombre de jours audessus
du nn millimètre
Précipitation totale maximale d’un jour pluvieux
Précipitation totale maximale sur 5 jours pluvieux
consécutifs pendant l’année
Nombre de jours de l’année avec précipitation ≥ 10 mm
Nombre de jours de l’année avec précipitations ≥ 20 mm
Compte le nombre de jours dans l’année dont la valeur est
au-dessus du seuil fixé par le décideur
7-R95p Jours très pluvieux Précipitation totale annuelle avec précipitation > 95 e
percentile
8-R99p Jours extrêmement
pluvieux
9-SDII Intensité simple des
pluies
Précipitations totales annuelles avec les précipitations >
99 e percentile
Total annuel des précipitations sur le nombre des jours
pluvieux (PRCP ≥1,0 mm)
10-CDD Jours secs consécutifs Nombre maximal des jours consécutifs avec précipitations
journalières < 1 mm
11-CWD Jours pluvieux
consécutifs
Nombre maximal de jours consécutifs avec des
précipitations journalières ≥1 mm
mm
mm
mm
jour
jour
jours
mm
mm
mm/jour
jour
jour
22

Tableau 7: Indices des extrêmes des températures journalières (Xuebin Zhang et Feng Yang,
2004)
Températures
Indices Noms Définition Unités
12-FDO* Jours de gel Compte le nombre de jours dans l’année quand la TN (minimum
journalière) < 0°C
13-SU25* Jours d’été Compte le nombre de jours dans l’année quand la TX (maximum
journalière) > 25°C
14-IDO* Jours de glace Compte le nombre de jours dans l’année quand la TX (minimum
journalière) < 0°C
15-TR20* Nuits tropicales Compte le nombre de jours dans l’année quand la TX (minimum
journalières) > 20°C
Jours
jours
jours
jours
16-GSL*
Longueur de saison
de croissance
(à partir du 1 er janvier au 31 décembre dans l’hémisphère Nord, du
1 er juillet au 30 juin dans l’hémisphère Sud) compte le 1 er jour de
l’année quand le cumul de 6 jours consécutifs TG > 5°C et le
premier jour de l’année dont la somme des températures est < 5°C
(après le 1 er juillet dans l’hémisphère Nord et le 1 er janvier dans
l’hémisphère sud)
Jours
17-TXx Maximum des
Tmax
Température maximale la plus élevée dans l’année °C
18-TN X Maximum des Tmin Température minimale la plus forte dans l’année °C
19-TX n Minimum des Tmax Température maximale la plus basse dans l’année °C
20-TN n Minimum des Tmin Température minimale la plus basse dans l’année °C
21-TN 10p Nuits relativement
fraiches
22-TX 10p Jours relativement
frais
23-TN 90p Nuits relativement
chaudes
24-TX 90p Nuits relativement
chaudes
25-WSDI Indicateur des
durées des
séquences chaudes
26-CSDI Indicateur des
durées des
séquences fraiches
Pourcentage des jours avec Tmin 90 eme percentile
Nombre de jours dans l’année avec au moins six jours consécutifs où
Tmax > 90 e percentile
Nombre de jours dans l’année avec au moins six jours consécutifs où
Tmin < 10 e percentile
%jours
%jours
%jours
%jours
%jours
%jours
27-ATD
Amplitude
Thermiques Diurne
Différence moyenne annuelle entre Tmax et Tmin °C
23

Tableau 8: Indices hydrologiques
Identification Noms de l’indice Définition Unité
1-Fn1day Dédit minimum Débit le plus faible observé en une journée m 3 /sec
d’une journée pendant une année
2-Fx1day Dédit maximum Débit le plus fort observé en une journée pendant m 3 /sec
d’une journée une année
3-F10p Débit faible Nombre des jours avec Débits

1.2.5-Tests statistiques
1.2.5.1-Estimateur de la pente
Il a permis de détecter la tendance (trends) de l’évolution des précipitations. Cette statistique
non paramétrique calcule l'importance de toutes les tendances significatives trouvées.
L'estimateur de pente (slope estimator ) de Sen (Sen, 1968) est calculé comme suit :
pour j=1, …,12 ;
L'évaluation de la pente et de la médiane de toutes les valeurs de
trop forte pour les valeurs extrêmement rares ; les valeurs de
. Hirsch et al. (1982) est
sont calculées sur les
valeurs qui sont des multiples de 12 mois. Les effets de confusion de la corrélation périodique
sont peu probables. Les seuils de confiance pour cet estimateur de pente sont calculés à partir
d’un percentile simple de toutes les valeurs de pentes calculées. La méthode de Sen (1968)
obéit au principe suivant : si le slope error est supérieur au slope estimate, alors le slope
estimator est faux. Si le p-value est inférieur à 0.05, la tendance est significative au seuil de
confiance de 95%. Appliquée sur la description des indices des extrêmes par Aguilar et al.
(2005) et par Zhang et al. (2000), cette méthode a été adaptée avec succès en climatologie
dans l’analyse des températures annuelles du Canada, à l’étude des vagues de chaleurs dans
l’hémisphère Nord par Wang et Swail (2001) et des précipitations du Nord Congo par
Maleké (2010).
1.2.5.2-Généralisation des Valeurs Extrêmes (GEV)
La modélisation statistique des séries (WMO, 1989) suppose que l’on choisisse au préalable :
‣ La façon de constituer un échantillon,
‣ Une loi de distribution,
‣ Une méthode d’estimation des paramètres et des quantiles,
‣ Un schéma qui permet l’utilisation conjointe de données locales et régionales.
Dans le cadre de cette étude, le GEV paraît être le mieux adapté.
L’étude des extrêmes passe par l'analyse du maximum d'un échantillon de taille n. Soit {X1,
X2, ..., Xn} un échantillon de variables aléatoires. Par exemple des observations de la
25

température moyenne journalière durant la période d’étude (n =54 ans), et Mn = max{X1, X2,
..., Xn} est la plus grande valeur de l'échantillon.
L'analyse des maxima d'échantillons de taille n est également appelée analyse des maxima par
bloc. Dans notre analyse, un bloc correspond à une année et Mn est le maximum journalier.
On dit qu’une variable aléatoire X appartient à la famille de distributions GEV (Generalized
Extreme Value Distribution) si sa fonction de distribution FX(x) peut être mise sous la forme :
Fxxexp1
1
x
, 0, .
et où t max t,0
. µ est donc un paramètre de localisation un
paramètre d’échelle et un paramètre de forme.
‣ Paramètres du modèle
Pour comprendre le comportement de Mn, une autre approche consiste à accepter que cette
fonction F soit inconnue, et d’essayer de voir à quelle famille de distribution nous pouvons
l’apparenter. L’estimation des paramètres peut s’effectuer en évaluant le maximum de
vraisemblance de l’échantillon. Calculons la vraisemblance d’un jeu de données Z1, . . ., Zm
indépendantes. Et suivant la loi de probabilité aux valeurs extrêmes f GEV , ,
;
où est un paramètre de forme (shape parameter) encore appelé indice des valeurs extrêmes
ou indice de queue. Plus cet indice est grand en valeur absolue, plus le poids des extrêmes
dans la distribution initiale est important. On parle alors des distributions à « queue épaisses ».
Trois cas sont possibles :
> 0, G , ,
suit la loi de Fréchet
< 0, G , ,
suit la loi de Weibull
→0, G
, ,
suit la loi de Fréchet
26

‣ Niveaux et périodes de retour
Dans le cadre de notre problème de prédiction des événements extrêmes, on aimerait
connaître la probabilité de retour à laquelle un événement extrême serait observé.
Cet argument conduit à l’approche suivante : Les données sont stockées dans des séquences
d’observations de taille n, pour une grande valeur de n, ce qui génère une série de maxima de
blocs Mn1, Mn2 . . . Mn, sur lesquels la distribution GEV peut être ajustée. Souvent ces blocs
sont choisis de telle manière qu’ils correspondent à une période d’une année, de manière à ce
que les maxima de blocs correspondent aux maxima journaliers. Nous pouvons ensuite
calculer les quantiles de la loi GEV :
xp
log
1
log 1
p
log 1
p
,
,
0
0
Où la valeur xp est le (1 − p)-quantile de la loi GEV : G (xp) = 1 − p. Ainsi, dans la
terminologie commune, la valeur xp est le niveau de retour associé à la période de retour 1/p
moyennant un degré raisonnable de précision, le niveau xp serait en effet excédé en moyenne
toutes les 1/p années. Plus précisément, xp est dépassé sur le maximum annuel au cours d’une
année donnée avec probabilité.
Dans la pratique, nous estimons les niveaux de retour pour une valeur fixée p, en remplaçant
dans la formule précédente les estimations des paramètres par le maximum de
vraisemblances. Aussi, nous obtenons les formules suivantes :
Nous avons appliqué cette théorie sur les données hydrologiques. Elle nous a permis de
modéliser statistiquement les données journalières des débits (Guillou et Willems, 2006 ;
Receanu, 2009). Ce programme est incorporé toolkit extReme qui est une extension du
logiciel R, développée par Gilleland et al, 2005. Elle est souvent utilisée dans l’analyse du
temps et du climat.
27

Conclusion partielle du chapitre 1
Les méthodes présentées dans ce chapitre sont les plus utilisées dans le cadre de l’analyse des
valeurs extrêmes du climat et que nous avons adoptées pour notre étude. Ces méthodes sont
largement développées et détaillées dans beaucoup d’articles et ouvrages d’économétrie,
d’assurance et de climatologie.
28

Chapitre 2
Situation climatique de référence
Introduction
Ce chapitre présente la répartition spatiale des températures et des précipitations en
République du Congo d’une part, et l’évolution du climat dans le passé par le biais des cartes
d’autre part.
2.1-Configurations spatiales du climat
2.1.1-Configurations spatiales annuelles des températures
‣ Températures maximales
Les températures maximales dans l’ensemble du territoire congolais varient entre 26 ,08°C et
31,56°C. Les valeurs les plus élevées sont enregistrées dans la partie Nord-est du pays et dans
une certaine mesure dans l’extrême sud. Elles sont comprises entre 29°C et 31,56°C.
Le noyau des faibles températures est observé dans la partie sud et ouest du Congo, plus
précisément dans le Chaillu et sur les plateaux Batéké. Les valeurs observées dans cette zone
n’atteignent point 28°C quelle que soit l’année considérée (figure 8)
29

Figure 8: Répartition spatiale des températures minimales
‣ Configurations annuelles des températures minimales
En République du Congo, les températures minimales moyennes observées dans l’année
oscillent entre 17,29°C et 21,48°C. La répartition spatiale des valeurs minimales présentent
deux grands noyaux : un noyau de fortes valeurs centré sur Ouesso et une bonne partie de la
Cuvette Congolaise et le noyau de faibles valeurs sur le plateau Djambala. La zone côtière
présente le même comportement thermique que la Cuvette Congolaise (figure 9).
30

Figure 9 : Répartition spatiale des températures minimales (1950-2010)
2.1.2-Configuration annuelles des précipitations
Le régime pluviométrique annuel sur la période 1951- 2010 (Figure 10) se caractérise par des
quantités, allant en moyenne, de 1200 à 2100 mm sur le territoire national ; les quantités de
pluies les plus importantes enregistrées sur la partie centrale et nord. On observe deux zones
de maximum et une zone de minimum : Le maximum absolu centré dans la zone des plateaux
autour de Djambala et le maximum relatif sur le nord-est autour d’Impfondo, Le minimum est
observé le long du littoral et dans la vallée du Niari.
31

Figure 10: Configuration spatiale des précipitations (1950-2010)
2.2. Evolution du climat
2.2.1. Evolution des températures
Les études antérieures avaient permis de mettre en évidence deux sous-périodes dans le cadre
de l’évolution des températures (Massouangui Kifouala, 2002 ; Ovoua, 2004 ; Mpounza et al.,
2003 ; Gantsiala Mbouala, 2011) ; Elles sont ainsi résumées dans le tableau ci-dessus :
32

Tableau 9: sous-périodes de l’évolution des températures au Congo de 1950 à 2006
(Gantsiala Mbouala, 2011)
Températures
Sous-périodes
Période 1(P1) Période 2 (P2)
Minimales 1950-1985 1986-2006
Maximales 1950-1969 1970-2006
C’est sur cette base que nous établis les cartes passées de l’évolution des températures en
République du Congo.
‣ Evolution des températures minimales
Comme au niveau des températures maximales, on observe une tendance au réchauffement
qui se fait d’est vers l’ouest dans la partie nord du Congo (figure 11). La courbe de 20,6°C
passe désormais au-dessus d’Impfondo ; il sied aussi de faire remarquer l’apparition de la
courbe de 21°C dans la Cuvette Congolaise. La zone côtière, à l’image du Nord Congo
connaît un réchauffement climatique. L’isotherme de 21°C passe désormais vers le Mayonbe
pendant la deuxième sous-période.
33

Figure 11: Evolution des températures minimales pendant P1 et P2
‣ Températures maximales
L’observation de la figure 12 montre un décalage des isothermes surtout dans le Nord du
Congo de l’est vers l’ouest. La courbe de 30°C sur la figure 1950-1969est remplacée par celle
de 30,6°C sur la figure 1970-2006, tout comme celle de 30,6°C par celle de 31°C. Au même
moment, on note un refroidissement des Plateaux de Djambala et une partie du Chaillu.
34

Figure 12 : Evolution des températures minimales pendant P1 et P2
35

2.2.2-Evolution décennale des pluies
‣ La période 1951-1980
La période 1951-1980 se caractérise par des pluies annuelles plus faibles que celles de la
moyenne 1951-2010 sur le littoral et la vallée du Niari et des quantités de pluies plus
importantes partout ailleurs sur le territoire national.
On note aussi un contraste général nord/sud avec des quantités de pluies plus importantes
dans la partie centrale et nord et des quantités relativement faibles le long du littoral et dans la
vallée du Niari. (Figure 13)
‣ La période 1981-2010
La période récente (1981-2010) se caractérise par une baisse des cumuls annuels de pluies sur
les 2 zones de maximums observés au cours de la période 1951-1980 et une augmentation des
pluies le long du littoral et dans vallée du Niari (figure 13).
Cependant le contraste général nord/sud demeure avec des quantités plus importantes dans la
partie centrale et nord et des quantités relativement faibles le long du littoral et dans la vallée
du Niari.
36

Figure 13: Evolution des précipitations pendant les sous-périodes 1950-1980 et 1981-2010
37

Conclusion du chapitre 2
En résumé, il convient de retenir que les précipitations et les températures sont très
inégalement réparties en République du Congo. Cette répartition est en rapport avec le relief
et la continentalité. Les zones les plus élevées sont les pluvieuses et les moins chaudes. Elles
s’opposent aux zones basses qui enregistrent des faibles précipitations et des fortes
températures.
Le climat de la République du Congo connait un réchauffement ressenti dans l’ensemble du
pays. Quant aux précipitations, elles présentent une évolution qui varie d’une zone à une
autre.
38

Chapitre 3 :
Tendances des indices des extrêmes
des précipitations
Introduction
Les précipitations représentent l’élément météorologique qui définit mieux le climat de la
zone intertropicale en générale et de la République du Congo en particulier. Elles permettent
la bonne pratique économique des populations comme l’agriculture, une agriculture qui est
pour l’essentielle pluviale. Les cycles culturaux suivent le rythme des précipitations. Les
précipitations constituent la source principale de ravitaillement des cours d’eau et des nappes.
Si jamais elles venaient à changer, les conséquences seront multiples. Faire une analyse de
l’évolution des précipitations de la République du Congo est le principal objectif que vise ce
chapitre.
3.1-Jours consécutivement sec (CDD)
L’évolution de cet indice est marquée par une baisse très significative (fig. 14). Cette baisse
est plus considérable à Dolisie, Mouyondzi, Mpouya et Sibiti. Elle est évaluée entre -0,401 et
-0,814% jours/année. Dans les autres stations comme Djambala, Gamboma, Makoua cette
baisse est assez faible. Elle ne dépasse pas -0.11%jours/an. Les stations de Brazzaville,
d’Impfondo, de Ouesso et de Pointe-Noire sont caractérisées par une hausse qui va de 0,08 à
0,45%jours/an. Cette hausse est plus accusée à Makabana qui a enregistré une valeur de
1,259% des jours consécutifs sans pluies/année.
39

Figure 14: Evolution des jours consécutivement sec (1950-2010)
40

3.2-Jours consécutivement humides CWD
La figure 15 présente l’évolution des jours pluvieux consécutifs au Congo sur la période allant
de 1950 à 2010. L’observation de cette figure nous permet de constater que cet indice connait
une baisse comprise entre -0,011 et -0,034% jours/année. La baisse est moins accusée à
Impfondo, Gamboma et Makoua où elle ne dépasse pas -0,011% jour/ année. Les stations de
Brazzaville, Djambala, Dolisie, Mpouya et Sibiti sont caractérisées par des CWD en nette
augmentation. Cette hausse va de 0,002 à 0,018% jours/an.
Figure 15: Evolution du nombre de jours consécutivement humides (1950-2010)
41

3.3-Totaux annuels des précipitations (PRCPTOT)
L’indice des totaux des pluies est caractérisé par une tendance à la baisse (fig.16). Sept
stations sur 11 analysées sont frappées par cette récession pluviométrique qui est comprise
entre -9,577 et -0,776 mm d’eau/an). Cette baisse est plus impressionnante dans les stations
situées dans la partie nord du Congo. Il s’agit précisément de Makoua (-9,577 mm d’eau/an),
de Gamboma (-4,361 mm d’eau/an), d’Impfondo (-3,827 mm d’eau/an). Dans la partie sud du
Congo, la baisse est observée surtout dans les localités de Sibiti (-3,573 mm d’eau/an), de
Pointe-Noire (-2,118 mm d’eau/an) et de Mpouya (-1,044 mm d’eau/an). A Dolisie,
Makabana et Ouesso les totaux des pluies sont en nette augmentation. Cette augmentation
atteint 18,506 mm d’eau/an à Djambala.
Figure 16: Evolution des totaux annuels des précipitations (1950-2010)
42

3.4-Maximum d’une journée de pluies (R1days)
On note une diminution très significative des maximums des pluies d’une journée dans
l’ensemble du pays (fig.17). Cette tendance est plus accusée à la station de Makoua où on a
enregistré une diminution de l’ordre de -1,034 mm d’eau/décade sur la période allant de 1950
à 2010. Dans les stations de Mouyondzi, Sibiti et Makabana, cette baisse varie entre -0,018 et
-0,491 mm d’eau par décade. Par contre, Brazzaville, Gamboma, Mpouya et Impfondo
accusent une hausse comprise entre 0,101 et 0,36 mm d’eau/décade.
Figure 17: Evolution du maximum d’une journée de pluies (1950-2010)
43

3.5-Maximum de cinq jours de pluies (R5days)
Les valeurs portées sur la figure traduisent l’évolution des maximums de cinq jours
consécutifs de pluies sur la période allant de 1950 à 2010 (fig.18). Dans l’ensemble, on note
une tendance à la baisse de cet indice ; une baisse comprise entre -0,057 et -1,034 mm d’eau
par décade à Makoua, Gamboma, Sibiti et Mouyondzi. La station de Makoua est celle qui
enregistre la plus importante récession des maximums des pluies de cinq jours consécutifs.
Djambala (1,098 mm d’eau/décade) est caractérisé par une importante hausse. Elle est
comprise entre 0,129 à 0,404 mm d’eau/décade à Pointe-Noire, Ouesso, Mpouya et
Brazzaville.
Figure 18: Evolution du maximum de cinq jours de pluies (1950-2010)
44

3.6-Nombre de jours des pluies ≥ R10 mm
Le nombre de jours pluvieux supérieurs à 10 mm d’eau connait une baisse en République du
Congo (fig.19). Cette baisse très significative est observée à Sibiti, Pointe-Noire, Mpouya,
Makoua, Impfondo, Gamboma et à Brazzaville. Elle est estimée entre -0.02 et -0,253 mm
d’eau par décade. Les stations de Djambala (0,189 mm d’eau/décade), de Dolisie (0,009 mm
d’eau/décade), de Makabana (0,061 mm d’eau/décade), de Mouyondzi (0,246 mm
d’eau/décade) et de Ouesso (0,06 mm d’eau/décade) présentent une tendance à la hausse.
Figure 19: Evolution du nombre de jours des pluies ≥ R10 mm (1950-2010)
45

3.7-Nombre de jours pluvieux ≥ R20 mm
Sept stations synoptiques sur onze enregistrent une récession de nombre de jours pluvieux
≥10 mm d’eau (fig.20). Il s’agit principalement des stations de Brazzaville, Gamboma,
Impfondo, Makoua, Mpouya, Pointe-Noire et de Sibiti. La baisse observée dans ces stations
va de -0,024 à 0,082 mm d’eau/décade. Les stations de Djambala (0,096 mmd’eau/décade),
Dolisie (0,002 mmd’eau/décade), Makabana (0,071 mmd’eau/décade), Mouyondzi (0,183
mmd’eau/décade) et de Ouesso (0,025 mmd’eau/décade) ont une tendance à la hausse, très
significative à 95% comme seuil de confiance.
Figure 20: Evolution du nombre de jours pluvieux ≥ R20 mm (1950-2010)
46

3.8-Jours très humides (R95p)
Les jours très humides ont évolué en deux grandes tendances (fig.21). Les stations de
Brazzaville, de Djambala, d’Impfondo, de Makabana, de Mpouya et de Pointe-Noire
présentent une tendance à la hausse évaluée entre 0,025 et 21,247 mm d’eau/an. Cette hausse
est très accusée à Djambala (21,30 mm d’eau/an) et à Mpouya (1,14 mm d’eau/an). La
tendance à la baisse est perceptible surtout à Makoua (-4,619 mm d’eau/an), à Sibiti (-3,772
mm d’eau/an), à Ouesso (-2,44 mm d’eau/an) et à Mouyondzi (-1,23 mm d’eau/an), à
Gamboma (-0,733 mm d’eau/an) et à Dolisie (0,139 mm d’eau/an).
Figure 21: Evolution des jours très humides (1950-2010)
47

3.9-Jours extrêmement humides (R99p)
La figure 22 montre l’évolution des totaux des précipitations des jours extrêmement humides
de 1950 à 2010. L’observation de cette figure permet de constater que cet indice est en nette
augmentation. Cette augmentation est plus accusée à Djambala (21,247 mm d’eau/an) dans
une moindre mesure à Impfondo (1,31 mm d’eau/an), à Brazzaville (1,1 mm d’eau/an) et à
Gamboma (0,098 mm d’eau/an). La situation de baisse est constatée dans les stations de
Makabana, Makoua, Sibiti, Mouyondzi et de Mpouya. La baisse est estimée autour de -0,032
et -1,689 mm d’eau/an). Les stations de Sibiti (-1,689 mm d’eau/an) et de Makoua (-1,055
mm d’eau/an) sont les plus frappées par ce phénomène.
Figure 22: Evolution des jours extrêmement humides (1950-2010)
48

3.10-Intensité Simples des Précipitations (SDII)
Les intensités simples de précipitations sont en augmentation au Congo (fig.23). Cette hausse
est comprise entre 0,001 et 0,114 mm d’eau/jour. Gamboma, Makoua, Mpouya, Pointe-Noire
et Sibiti connaissent une baisse. Ce sont les stations de Makoua et de Sibiti qui ont enregistré
la plus importante baisse au Congo. Elle est de l’ordre de -0,33 mm d’eau/jour.
Figure 23: Evolution des Intensités Simples des Précipitations (1950-2010)
49

Conclusion partielle du chapitre 3
La République du Congo est marquée par un contexte climatique de diminution des
précipitations, surtout dans la partie Nord. Cette récession se traduit par une tendance à la
baisse des totaux des pluies, des jours humides consécutifs, des jours très humides et une
augmentation des jours secs consécutifs.
Il est aussi important de noter que les jours très humides et les intensités simples des pluies
sont en augmentation.
50

Chapitre 4
Tendances des indices des extrêmes
des températures
Introduction
La notion de réchauffement climatique est liée aux températures. Les vagues des chaleurs ou
canicules font des victimes dans le monde comme en 2003 en Europe. L’analyse des valeurs
extrêmes des températures minimales et maximales à partir des indices, constituent la toile de
fond de ce chapitre.
4.1-Indicateur des durées des séquences fraiches (CSDI)
L’évolution de l’indicateur de la durée des jours frais présente une tendance dominée par une
baisse (fig.24). La hausse est observée à la station de Brazzaville (0,325% de jours/an),
d’Impfondo (0,078% de jours/an), de Makoua (0,044% de jours/an), de Ouesso (0,015% de
jours/an ) et surtout de Sibiti (0,593% de jours/an). Cette hausse très significative à 95%
comme seuil de confiance va de 0,119% de jours/an à 0,593% de jours/an. Quant à la baisse,
elle est enregistrée par les stations de Djambala (-0,043% de jours/an), de Dolisie (-0,001% de
jours/an) de Gamboma (-0,302% de jours/an), de Mouyondzi (-0,112% de jours/an), de
Mpouya (-0,126% de jours/an) et de Pointe-Noire (-0,119% de jours/an). Il est important de
souligner que la plus importante baisse est survenue à Gamboma, localité située au centre du
pays et influencé par le climat équatorial.
51

Figure 24: Evolution de l’indicateur des durées des séquences fraiches (1950-2010)
4.2-Amplitude Thermiques Diurne (ATD)
L’évolution des valeurs journalières des températures en République du Congo est marquée
par une augmentation des Amplitudes thermiques Diurnes (fig.25). Cette hausse qui est très
significative est comprise entre 0,006 et 0,026°C dans l’ensemble du pays. La plus importante
hausse est survenue à Djambala (0,026°C) et à Dolisie (0,026°C). Dans les autres stations
52

comme Impfondo (0,004°C), Makoua (0,009°C) et Ouesso (0,006°C), les valeurs sont
presque nulles. La station de Brazzaville, de Gamboma, de Pointe-Noire et dans une moindre
mesure de Mouyondzi accusent une baisse moins significative. Cette baisse varie entre -0,001
et 0,039°C. Cette situation traduit un réchauffement assez important à la fois des températures
minimales et maximales. Le rapprochement de ces deux types de températures fait que les
amplititudes thermiques tendent à s’annuler jusqu’à atteindre des valeurs négatives.
Figure 25: Evolution des Amplitude Thermiques Diurne (1950-2010)
53

4.3-Nuits relativement fraiches (TN10p)
Les nuits fraîches sont en nette diminution en République du Congo, à en croire les tendances
présentées par les valeurs déterminées de cet indice (fig.26). On note une baisse de -0,066 à -
0,351% de jours/an. C’est à Gamboma (-0,351% de jours/an) et à Brazzaville (-0,256% de
jours/an) que l’on observe la plus importante baisse. Seules les stations de Makoua (0,008%
de jours/an) et de Djambala (0,225% de jours/an) font figure d’exception. L’évolution dans
ces deux dernières stations est marquée par une tendance à la baisse des nuits fraîches.
Figure 26: Evolution des nuits relativement fraiche (1950-2010)
54

4.3-Nuits relativement chaudes (TN90p)
Si à Djambala (-0,216% de jours/an) on note une diminution des nuits relativement chaudes, il
n’est pas le cas dans le reste des stations du pays. La tendance générale est à la hausse, une
augmentation très significative à 95% comme seuil de confiance (fig.27). Les estimations
faites à partir de la pente nous donnent des valeurs comprises entre 0,131 et 0,444% de
jours/an. Cette situation est très remarquable à Pointe-Noire (0,444% de jours/an) et à
Impfondo (0,352% de jours/an).
Figure 27: Evolution des jours relativement frais (1950-2010)
55

4.4-Minimum des températures minimales (TNn)
La figure 28 montre que le minimum des températures minimales évolue en deux tendances.
La tendance à la hausse est observée à Sibiti, Pointe-Noire, Mouyondzi, Makoua, Gamboma
et Dolisie. Cette hausse va de 0,001 à 0,036°C. Quant à la baisse, elle est perceptible dans les
localités de Brazzaville surtout, de Djambala, d’Impfondo, de Mpouya et de de Ouesso. La
baisse enregistrée dans ces stations ne dépasse pas -0,055°C.
Figure 28: Evolution du minimum des températures minimales (1950-2010)
56

4.5-Maximum des températures minimales (TNx)
De façon générale, le maximum des températures minimales accuse une hausse dans toutes
les stations analysées, exception faite pour Brazzaville (-0,121°C) et Mpouya (-0,021°C)
Cette hausse va de 0,008 à 0,23°C (fig.29). Mais à Ouesso, la tendance est à la stabilité (0°C).
Figure 29: Evolution du maximum des températures minimales (1950-2010)
57

4.6-Jours relativement frais (TX10p)
L’évolution des jours frais au Congo met en évidence une baisse assez accusée surtout à
Dolisie (-0,196% de jours/an) et à Sibiti (-0,162% de jours/an). Dans l’ensemble, le TX10p
diminue de -0,077 à -0,196% de jours/an. A la station de Brazzaville, la tendance est à
l’augmentation ; une hausse estimée à 0,108% de jours/an (fig.30).
Figure 30: Evolution des jours relativement frais (1950-2010)
58

4.7-Jours relativement chauds (TX90p)
Comme les nuits chaudes, les jours chauds accusent une réelle augmentation. Ce constat est
valable pour tous les observatoires analysés. Cette hausse oscille entre 0,026 et 0,366% de
jours/an dans l’ensemble du pays. Les cas les plus frappants sont ceux de Mpouya (0,366% de
jours/an), de Pointe-Noire (0,256% de jours/an), de Sibiti (0 ,244% de jours/an) et d’impfondo
(0,191% de jours/an). On ne note désormais aucune différence du point de vue tendance de
l’évolution des jours chauds entre les localités rurales et les zones urbaines (fig.31).
Figure 31: Evolution des jours relativement chauds (1950-2010)
59

4.8-Minimum des températures maximales (TXn)
La figure 32 présente l’évolution du minimum de températures maximales sur l’ensemble du
territoire du Congo de 1950 à 2010. Cette évolution est dominée par une tendance à la hausse
généralisée et très significative. La hausse la plus importante est survenue à Impfondo
(0,037°C) et à Brazzaville (0,025°C). Dans le reste des stations, elle gravite autour de 0,008 à
0,023°C. Il convient de souligner qu’à la station de Brazzaville (-0,121°C) et de Mpouya (-
0,021°C) l’évolution de TNx est marquée par une baisse.
Figure 32: Evolution du minimum des températures maximales (1950-2010)
60

4.9-Maximum des températures maximales (TXx)
A l’instar de TXn, le maximum des températures maximales présentent une tendance
caractérisée par une nette augmentation (fig.33). Cette hausse varie suivant les cas entre 0,006
et 0,036°C. Mais la station de Brazzaville accuse une baisse de l’ordre de -0,002°C, une
baisse non significative (p-value

4.10-Indicateur des durées des séquences chaudes (WSDI)
Comme il est le cas pour le CSDI, six stations synoptiques sur 11 présentent une tendance à la
baisse de l’indicateur de durée des jours chauds en République du Congo. C’est à la station de
Gamboma que l’on observe la plus importante baisse qui est de l’ordre de -0,216% de
jours/an. Dans l’ensemble le WSDI diminue à une proportion allant de -0,006 à -0,216% de
jours/an. La situation de hausse est enregistrée surtout à Mpouya (0,176% de jours/an). Dans
les autres stations comme Dolisie, Pointe-Noire et Sibiti, cette hausse tourne autour de 0,013 à
0,041% de jours/an.A Impfondo la tendance est à la stabilité (fig.34).
Figure 34 : Evolution de l’Indicateur des durées des séquences chaudes (1950-2010)
62

Conclusion partielle du chapitre 4
Le réchauffement climatique est une réalité en République du Congo. Ce réchauffement est
matérialisé par une hausse de nuits chaudes, des jours chauds et des amplitudes thermiques
diurnes. Les nuits fraiches, les jours frais et l’indicateur de durée de chaleur accusent une
décroissance.
63

Chapitre 5 :
Tendances des indices des extrêmes
hydrologiques
Introduction
Le phénomène d’inondation est de plus en plus observé dans la partie nord du pays à la fin de
la décennie 1990. On peut citer récemment les inondation dans les localités de Mossaka,
Epéna, Bouaniéla, Makotimpoko. La fréquence d’apparition est relativement très courte :
2004, 2005, 2006, 2011. Les inondations mettent souvent en difficulté les populations vivant
dans les localités touchées mais aussi les autorités souvent mal préparées pour réparer les
désastres causés.
L’objectif visé dans ce chapitre est d’analyser les valeurs journalières de débits du Fleuve
Congo, de l’Oubangui et de la Sangha qui sont parmi les cours d’eau les plus importants qui
arrosent la zone sujette aux inondations. La particularité de cette étude réside dans son
approche méthodologique qui consiste à définir les indices et à les analyser. Il faut aussi
ajouter que contrairement aux travaux antérieurs (Pouyaud, 1989 ; Mahé, 1993; Laraque,
1998) qui fondent leurs analyses sur des valeurs mensuelles et interannuelles, cette étude
s’intéresse aux données journalières. En effet, les inondations sont des phénomènes qui
surviennent dès que les débits journaliers d’un cours d’eau viennent à dépasser la normale.
C’est pourquoi toute étude des crues basée sur des données annuelles et mensuelles ne saurait
mettre en évidence les fines modifications survenues sur les débits. Il existe une relation très
parfaite entre les extrêmes pluviométriques et les extrêmes hydrologiques (Su B et al, 2006).
Le tableau ci-dessous présente les différents débits des trois cours d’eau retenus. Ces valeurs
ont été retenues pour définir les indices hydrologiques qui nous ont permis de suivre
l’évolution des débits journaliers au fil des années (Tableau 10).
64

Tableau 10: Débits journaliers du Fleuve Congo, de l’Oubangui et de la Sangha
Cours d’eau(valeurs en m 3 /s)
Indices
Fleuve Congo Oubangui Sangha
F10p 39460 -24 78
F90p 55100 498 396
F95p 59400 550,1 438
F99p 65500 635 498
5.1-Evolution des indices hydrologiques
5.1.1 Evolution du débit minimum
Les débits minimums du Fleuve Congo, de l’Oubangui et de la Sangha accusent une baisse
continue en quantité d’eau (Fig. 35). Cette baisse est estimée respectivement à 1714,87m3/s, à
28,13 m3/s et à 15,91 m3 par année. Les valeurs les plus critiques ont été enregistrées en 2004
sur le Fleuve Congo (25160 m3/s), en 1990 sur l’Oubangui (-90 m3 d’eau/s) et en 1985 pour
la Sangha (5 m3 d’eau/s).
65

Figure 35: Evolution des débits minimums journaliers
66

5.1.2-Evolution du débit maximum
L’évolution des débits maxima journaliers présente une tendance à la baisse (fig. 36). Cette
baisse est de l’ordre de 85,52 m 3 d’eau en moyenne par année sur le fleuve Congo, de 36,09
m 3 sur la Sangha et sur 11,19 m 3 sur l’Oubangui. Dans l’ensemble de ces cours d’eau, la
période allant de 1975 à 1995 a été très critique. C’est pendant cette phase qu’ont été
observées les plus basses valeurs des débits journaliers maxima. A titre indicatif, on peut citer
379 m 3 d’eau pour l’Oubangui en 1990, 375 m 3 /s en 1984 pour la Sangha et 47300 m 3 /s
pendant la même année pour le Fleuve Congo.
67

Figure 36: Evolution des débits maximums journaliers
5.1.3-Evolution des débits faibles (F10p)
Le nombre de jours des débits faibles sont en nette augmentations sur le Fleuve Congo, la
Sangha et l’Oubangui (fig. 37). Cette augmentation est plus accusée sur l’Oubangui. Elle est
estimée à 36 jours par année. En 1990, par exemple, on en a compté 90 jours. Le F10p croît
de 11 jours par année sur la Sangha et de 08 jours sur le Fleuve Congo. Le record a été battu
en 1992 par le Fleuve Congo, l’année pendant laquelle il a été enregistré 170 jours de faibles
débits.
68

Figure 37: Evolution des débits faibles journaliers
69

5.1.4-Evolution des débits forts (F90p)
Les Forts débits évoluent de façon diamétralement opposée au F10p (fig. 38). Ce constat est
valable aussi bien pour le Fleuve Congo que pour la Sangha et pour l’Oubangui. Le plus
important déclin est survenu sur l’Oubangui. La diminution est de l’ordre de 28 jours en
moyenne par année. Elle est de 8 jours sur le Fleuve Congo et de 12 jours par an en moyenne
sur la Sangha.
70

Figure 38: Evolution des débits forts journaliers
5.1.5-Evolution des débits extrêmement forts (F95p)
Les débits journaliers extrêmement forts connaissent une décroissance très prononcée sur
l’Oubangui (17 jours/ an). Cette situation est aussi ressentie sur le Fleuve Congo (5 jours/ an)
et sur la Sangha( 5jours/an). La baisse est devenue presque chronique depuis le début de la
décennie 1980. Mais, entre 1995 et 2005, le nombre de jours des débits extrêmement forts
avait connu une hausse assez remarquable (fig. 39).
71

Figure 39: Evolution des débits journaliers extrêmement forts
72

5.1.6-Evolution des débits exceptionnels (F99p)
Les débits exceptionnels présentent une tendance à la baisse en nombre de jours (fig.40).
Cette tendance est plus remarquable sur l’Oubangui. Elle est estimée à 5,70 jours par an. Sur
la Sangha et le Fleuve Congo, elle est respectivement de 2,64 et de 2,48 jours par an. Il
convient de signaler que la période allant de 1998 à 2001 est caractérisée par une hausse plus
ou moins importante du nombre de jours des débits exceptionnels.
73

Figure 40: Evolution des débits journaliers exceptionnels
5.2-Modélisation statistique des débits
Dans la perspective de gérer les inondations et d’aider les populations riveraines, il est
vivement conseiller de connaître le niveau de retour lié à chaque valeur journalière de débits
des différents courants d’eau. Ceci n’est possible qu’avec la modélisation statistique fondée
sur la théorie des valeurs extrêmes.
5.2.1-Paramètres du modèle
Le tableau ci-dessous présente les paramètres du modèle des différentes stations (Tableau :
10). est un paramètre de forme (shape parameter) encore appelé indice des valeurs
extrêmes ou indice de queue. Il permet de voir à quelle loi obéissent les données de la série.
Plus cet indice est grand en valeur absolue, plus le poids des extrêmes dans la distribution
initiale est important.
Les résultats obtenus montrent que l’Oubangui et la Sangha obéissent à la loi de Weibull. Ce
qui montre la prépondérance des événements dans ces cours d’eau. Par contre les données du
Fleuve Congo suivent la loi de Fréchet.
74

Les résultats obtenus montrent que l’Oubangui et la Sangha obéissent à la loi de Weibull. Ce
qui montre la prépondérance des événements dans ces cours d’eau. Par contre les données du
Fleuve Congo suivent la loi de Fréchet.
Tableau 11:paramètres du modèle
Paramètres
Cours d’eau
Location ( ) Scale ( ) Shape ( )
Fleuve Congo 37124.63 7998.19 -0,03
Oubangui 104,52 149,92 0,09
Sangha 149,56 87,36 0,07
5.2.2-Durée de retour
L’étude diagnostique permet de constater que les données des débits journaliers sont bien
adaptées au modèle. Il paraît très nette que la théorie sur la Généralisation des Valeurs
Extrêmes ne permet pas de prédire les valeurs au-delà de 80 ans. La prédiction des données du
Fleuve Congo est possible jusqu’à 80 ans. Mais elle s’arrête à 60 ans pour la Sangha et à 40
ans pour l’Oubangui. Les différents résultats obtenus sont ainsi présentés dans les tables 12 ;
13 et 14.
5.2.2.1-Fleuve Congo
Les résultats obtenus sur le Fleuve Congo sont différents de ceux obtenus par Laraque et al.
(1995). A 80 ans comme période de retour, ce dernier trouve une valeur de 77000 m3/s. Or le
GEV montre qu’à 80 ans, les débits varient entre 68325,03 et 69693,97 m3 d’eau/s. D’après le
même auteur, la valeur de 77000 m3/s a été observée le 17 décembre 1961. Mais le fichier à
notre disposition montre qu’à cette date, la valeur observée est de l’ordre de 76200 m3/s. De
1948 à 2011, la valeur la plus élevée des débits journaliers a été de 76900 m3/s. Cette valeur
est très difficile à prédire. Le modèle ne nous donne pas la possibilité d’aller au-delà de 80 ans
(Tableau 12).
75

Tableau 12:Niveaux de retour des débits journaliers du fleuve Congo
Période de retour Moyenne (m3 d’eau/s) Intervalle de confiance
05 ans 48560,41 [48389,30-48741,97]
10 ans 54074,91 [53844,25-54325,71]
15 ans 57126,38 [56842,31-57438,57]
20 ans 59237,69 [58907,11-59603,09]
25 ans 60849,92 [60478,41-61258,99]
30 ans 62152,58 [61744,91-62605,49]
35 ans 63244,52 [62804,01-63244,52]
40 ans 64183,84 [63713,22-64707,59]
45 ans 65007,56 [64509,74-65562,36]
50 ans 65740,72 [65217,27-66324,17]
55 ans 66401,05 [65853,97-67011,29]
60 ans 67001,55 [66432,36-67636,55]
65 ans 67552,02 [66961,75-68210,48]
70 ans 68060,07 [67450,21-68740,71]
75 ans 68531,68 [67903,21-69233,52]
80 ans 68971,66 [68325,03-69693,97]
5.2.2.2-Oubangui
Pour le cours d’eau Oubangui, le modèle se limite à 40 ans (Tableau 13). Dans l’ensemble, il
convient de noter que les valeurs des débits journaliers ne sont pas assez importantes. La
valeur maximale la plus élevée est de l’ordre de 763 m3/s. Sa période de retour est 40 ans. Ce
cours connaît des sérieux problèmes de navigation liés aux étiages et à l’ensablement.
Tableau 5: Niveaux de retour des débits journaliers de l’Oubangui
Niveau de retour Valeur moyenne Intervalle de variation
5 ans 345.86 [340.82-351.13]
10 ans 479.850 [471.78-488.67]
15 ans 559.68 [548.39-572.16]
20 ans 617.47 [603.25-633.26]
25 ans 663.09 [646.24-681.84]
30 ans 700.93 [681.69-722.36]
35 ans 733 [711.92-757.23]
40 ans 761.73 [738.30-787. 89]
76

5.2.2.3-Sangha
Les valeurs des débits journaliers de la Sangha sont moins importantes que celles de
l’Oubangui. La valeur maximale la plus élevée est de 575 m3/s. Elle apparaît tous les soixante
ans (Tableau 14).
Tableau 14: Périodes de retour des débits journaliers de la Sangha
Niveau de retour Valeur moyenne Intervalles de variation
5 ans 288.39 [285.36-291.42]
10 ans 364.02 [359.49-368.67]
15 ans 408.64 [402.75-414.70]
20 ans 440.75 [433.67-448.13
25 ans 465.98 [457.86-474.48]
30 ans 486.83 [477.76-496.36]
35 ans 504.64 [494.71-515.10]
40 ans 520.21 [509.48-531.52]
45 ans 534.05 [522.59-546.15]
50 ans 546.52 [534.39-559.37]
55 ans 557.88 [545.09-571.49]
60 ans 568.31 [554.92-582.51]
Conclusion partielle du chapitre 5
En définitive, il convient de retenir que les valeurs journalières des débits maximales et
minimales de l’Oubangui, de la Sangha et du Fleuve Congo enregistrent une baisse en termes
de quantité d’eau. Cette baisse est aussi observée pour les débits forts, les débits extrêmement
forts et les débits exceptionnels. Quant aux débits faibles, ils accusent une hausse dans
l’ensemble des cours d’eau retenus.
La période allant de 1995 à 2005 est marquée par une hausse des débits exceptionnels.
Pendant cette période, il a été enregistré des inondations dans la partie nord du Congo.
77

Il est important non pas seulement de retenir que les indices définis à la suite de la présente
étude constituent un outil important pour mieux diagnostiquer l’évolution des débits des cours
d’eau et surtout des impacts que ces cours d’eau peuvent causer.
La théorie des valeurs extrêmes, plus précisément la Généralisation des Valeurs Extrêmes
permet de prédire des valeurs des débits journaliers sur des périodes plus moins longues allant
de 40 à 80 ans. Ces résultats peuvent aider dans la gestion des catastrophes naturelles pour les
décideurs.
78

Chapitre 6:
Indicateurs climatiques et leurs
impacts possibles en République du
Congo
Introduction
Les modifications climatiques et hydrologiques induisent forcement des impacts sur les
activités de l’homme et son environnement.
Le but de ce chapitre est de dresser une liste d’indicateurs climatiques et hydrologiques
critiques pour l’évaluation de la vulnérabilité des différents secteurs, d’entreprendre une
analyse de sensibilité de ces secteurs. Deux secteurs sont retenus dans cette étude:
l’agriculture et l’environnement.
Les tableaux 15 et 16 font la synthèse des tendances observées des indices des températures et
des précipitations journalières de la République du Congo sur la période allant de 1950 à
2006.
79

Tableau 6:Indices des températures journalières
Station Longitude Latitude CSDI WSDI TDR TN10P TX10p TN90P TX90p TNn TXn TNx TXx
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
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
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
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
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
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
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
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
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
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
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
Tableau 16:Indices des précipitations journalières
Station Longitude Latitude CDD CWD PRCPTOT R1day R5days R10mm R20 mm R95p R99p SDII
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
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
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
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
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
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
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
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
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
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
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
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
80

6.1-Indicateurs climatiques et agriculture
L’agriculture au Congo comme dans l’ensemble des pays en voie du développement est l’une
des activités qui occupe un pourcentage important de la population active (60%). Elle est la
principale source de revenus pour les paysans. L’agriculture pratiquée en République du
Congo est essentiellement pluviale ; le calendrier agricole est calqué sur le rythme des pluies.
Les saisons des pluies correspondent aux cycles culturaux. Il est évident que les changements
climatiques pouvant affectés les précipitations ont des conséquences sur la production
agricole.
6.1.1-Indicateurs climatiques
Cinq indicateurs climatiques obtenus ont été retenus pour apprécier la sensibilité de
l’agriculture face aux modifications climatiques. Il s’agit principalement des totaux
pluviométriques (PRCPTOT), des Jours pluvieux Consécutifs (CWD) et des Jours Secs
consécutifs (CDD) pour les précipitations, de la température maximum la plus élevée d’une
journée (TXx) et de la température minimale la plus élevée de la journée (TNx) pour les
température.
-Les totaux pluviométriques (PRCPTOT) enregistrés au cours d’une saison influence
largement les rendements agricoles. Les études menées par Delolme (1948), Slatyer (1933),
Prevot et Ollagnier (1957) sur la culture d’arachide, par exemple au Sénégal, a montré que les
rendements augmentent approximativement de 80 kg de gousse par accroissement de 100 mm
de pluie. Mais ceci ne tient pas compte des différences dans la fertilité des sols suivant les
régions. Portère (1952) a constaté qu’à Bambay (Sénégal) une diminution des pluies utiles
(pluies du semis à la récolte) de 700 à 400 mm réduit les rendements d’environ de moitié.
Chaque plante a ses exigences en quantité d’eau pour couronner son cycle. Quand cette
quantité n’est pas atteinte, il s’ensuit une baisse de la production.
-L’occurrence d’une séquence de jours consécutifs secs (CDD) au sein de la saison des
pluies peut également avoir un impact fort sur la production agricole. Les séquences sèches
créent un manque d’eau au niveau de la plante. Quand elles interviennent au début ou en plein
saison de croissance, elles peuvent être l’origine d’un faut démarrage de saison ou encore
hypothéquer tout une campagne agricole comme on l’a pu observer en 1958 et 1978 dans la
81

Vallée du Niari (Molinier, 1979). Leurs effets sont encore de plus en plus amplifier quant à la
durée de ses séquences est assez importante. Ce c’est qui est à l’origine des sécheresses. Dans
certains pays, comme de l’Afrique de l’Ouest, la solution est dans le recours à l’irrigation.
Non seulement que son coût est assez élevé, mais il est ignoré par les paysans dans notre pays.
- Le nombre de jours pluvieux (CWD) : Il existe une parfaite corrélation entre le nombre de
jours pluvieux et la quantité d’eau qui tombe (Carbonel et al, 1990, Mugnier, 1995 ;
Massouangui Kifouala, 2004), plus il pleut, plus la quantité d’eau enregistrée est importante.
Ils déterminent aussi la durée des saisons pluvio-agricoles dans un lieu donné. Or la durée des
cycles culturaux est un facteur très déterminant de la production agricole. Elle oriente les
paysans dans le choix des variétés à cultiver. Une variété dont la durée du cycle est nettement
supérieure à la durée de la saison pluvio-agricole éprouvera éventuellement des sérieux
problèmes d’adaptation.
-Minimum des températures minimales (TNx) et Maximum des températures maximales
(TXx) : la vie de chaque plante obéit à un intervalle donné des températures appelé l’aire de
tolérance biologique. Au-delà et au-deçà de cet intervalle, la plante finit par s’étioler.
A Sibiti, par exemple, les basses températures ont constitué un facteur limitant pour de
nombreuses cultures et en tout premier lieu pour le palmier à huile. En effet, la
plupart des souches d'Elaeis cultivées sont atteintes dans des proportions plus ou moins
importantes par une maladie du cœur, qui serait essentiellement d'origine
physiologique.
Les experts de l’Institut de Recherches sur les Huiles et OléagineuxI (I.R.H.0)
considèrent que les températures minimales de l'ordre de 15°C (sub-léthales pour les
palmiers) seraient à l'origine de ce déséquilibre physiologique (JULIA , 1962).
Si pour l'Hévéa et le caféier Robusta ces conditions ne sont pas spécialement néfastes,
par contre pour le bananier les basses températures doivent provoquer un ralentissement
ou un arrêt de la croissance et, lorsque la température descend en dessous de 12°C. une
coagulation du contenu des cellules du péricarpe du fruit (CHAMPION, 1964).
82

6.1.2-Dégradation de ces indicateurs et leurs effets possibles
Les résultats de l’analyse de ces cinq indices dans les principales stations situées en milieu
rural (Mouyondzi, Sibiti, Makabana, Mpouya, Djambala, Impfondo, Gamboma et Makoua)
ont montré que (Tableaux 10 et 11) :
- Les PRCPTOT : cet indice n’évolue pas de la même manière dans les différentes
stations rurales. Gamboma, d’Impfondo, Makoua, Mpouya et Sibiti connaissent une
diminution des totaux des précipitations. Ce qui peut être préjudiciable pour les
pratiques agricoles dans ces localités. Par contre, Djambala, Makabana, Mouyondzi et
Sibiti voient leur situation s’améliorer. La tendance de l’évolution des précipitations
est à la hausse. Ce fait constitue un gain indéniable pour les paysans vivant dans ces
localités.
- CWD : Les jours pluvieux consécutifs sont en nette décroissance dans la presque
totalité de ces stations rurales (Gamboma, Impfondo, Makabana, Makoua, Mouyondzi
et Ouesso). La baisse des totaux pluviométriques enregistrée dans ces stations est
sûrement la conséquence de la réduction du nombre des jours pluvieux. Cette situation
peut poser le problème de satisfaction des besoins en eau de la plante. A Djambala,
Mpouya et Sibiti, on note une augmentation du nombre de jours pluvieux consécutifs,
donc de la durée des cycles culturaux. Ceci constitue un pour les cultures vivrières à
cycles long.
- CDD : Les jours consécutivement secs connaissent une baisse graduelle. Mais à
Impfondo, Makabana et Ouesso la tendance est l’augmentation. Cette augmentation
peut être à l’origine des phénomènes de sécheresse dans ces localités et compliquer les
pratiques agricoles.
Cette analyse montre l’opposition entre les stations du nord et celles situées au sud du
Congo. Il paraît très net que les stations du nord Congo (Gamboma, Impfondo,
Makoua, Mpouya et Ouesso) connaissent des sérieux problèmes d’ordre agricole.
Elles sont caractérisées par une baisse concomitante des totaux pluviométriques et du
nombre des jours pluvieux, facteurs importants pour la satisfaction des besoins en eau
des plantes. Cette situation est aggravée par une augmentation continue des jours sans
pluies. Seules les stations du sud (Makabana, Mouyondzi et Sibiti) qui connaissent une
83

situation en nette amélioration. En ce sens que les totaux des pluies et les jours
pluvieux augmentent. Et, les jours secs consécutifs diminuent au fil du temps.
- Les TNx et le TXx : ces deux indices ont connu une augmentation dans l’ensemble
des stations, les TXx surtout. A Mpouya la température minimale la plus élevée diminue et se
stabilise à Ouesso. Or, Gamboma, Impfondo, Makoua et Mpouya se caractérisent par une
récession pluviométrique graduelle. Cette ambiance climatique marquée par une hausse des
températures et une baisse des pluies peut paraître très difficile pour l’adaptation des cultures
et pour la vie des paysans. Les fortes chaleurs peuvent aussi réduire la durée du travail chez
les pays en Afrique (GIEC, 2001). Les paysans sont obligés d’aller très tôt aux champs pour
entrer à temps, question d’éviter les fortes chaleurs des après-midi.
Mais le réchauffement climatique actuel devrait normalement permettre le développement
facile des palmiers à huile à Sibiti qui connaît à la fois une hausse du maximum de
températures maximale et du minimum des températures minimales.
6.2-Indicateurs climatiques et problèmes environnementaux
6.2.1-Indicateurs climatiques
La sensibilité de l’environnement vis-à-vis des indicateurs climatiques a été appréciée
essentiellement dans les grandes villes du Congo, plus précisément à Brazzaville et Pointe-
Noire. Dans ces localités, les problèmes les plus cruciaux sont l’érosion et les inondations
dans des nombreux quartiers.
A ce sujet, trois indicateurs climatiques ont été retenus à savoir : les jours très humides
(R95p), les jours extrêmement humides (R99p) et les intensités simples des pluies (SDII).
-Les jours très humides (R95p) et les jours extrêmement humides (R99p) : constituent
les apports journaliers en eau les plus importants par rapports à leurs seuils (au 95 è
percentile et au 99 è percentile). Par la quantité d’eau apportée, ils peuvent contribuer aux
phénomènes d’inondations.
-Les intensités simples des pluies : participe aux phénomènes d’érosion. Quand elles sont
très importantes, le temps d’infiltration des eaux de pluies est très réduit ; cette eau finit
par ruisseler et par arracher les matériaux se trouvant sur les versants à pentes fortes mal
84

protégées par la végétation. Les agglomérations de Brazzaville et de Pointe-Noire face à
l’augmentation de la population enregistrent une extension de l’espace. L’occupation
anarchique de l’espace contribue à la destruction sans exemple de la végétation exposant
ainsi le sol à l’érosion.
-Le maximum d’une journée pluvieuse : influence les intensités des pluies ; plus la
quantité d’eau qui tombe en temps court est important, plus l’intensité est importante et
inversement.
6.2.2-Dégradation de ces indicateurs et leurs conséquences possibles
L’analyse ses indices nous permet de constater que :
-Les R95p et R99p : sont partout à la hausse dans les grandes agglomérations du Congo, à
Brazzaville surtout. Mais les R95p enregistrent une tendance à la baisse à la station de
Dolisie (Tableaux 10 et 11). De nos jours, les arrondissements situés dans les zones des
plaines, drainés par des cours d’eau comme la Tsiémé et Madoukou (Moungali, Poto et
Ouenzé) sont sujets aux inondations. La canalisation souvent mal orientée et
dimensionnée ne peut qu’aggraver ce phénomène.
-Les SDII et les R1day : les intensités simples des pluies décroissent à Dolisie et à
Brazzaville. Quant au maximum d’une journée de pluvieuse, il enregistre une hausse
seulement à Brazzaville. Dans les deux autres villes, il connait une décroissance.
Il convient de signaler que ces quatre indices retenus présentent tous à la fois une tendance à
la hausse à Brazzaville. On comprend aisément la recrudescence des phénomènes érosifs et
des inondations observés à Brazzaville.
85

Conclusion partielle du chapitre 6
En définitive, il paraît très net que les indicateurs climatiques permettent de mieux dégager les
effets du changement climatique sur les activités humaines et sur l’environnement. Or, les
indices climatiques les plus significatifs connaissent des modifications importantes en
République du Congo. Ces modifications peuvent être induire des effets positifs et négatifs
sur l’agriculture, la dégradation des sols et les phénomènes d’inondation dans les
agglomérations du pays. Il convient surtout de signaler que les effets pervers l’emportent sur
les conséquences positives.
86

Chapitre 7
Elaboration d’un cadre de validation
des indices hydro-climatiques
Introduction
Dans le cadre de validation des indices climatiques et hydrologiques, deux secteurs d’activités
ont été retenus : l’agriculture dans la Vallée du Niari et le secteur de navigation dans les cours
d’eau du nord Congo.
7.1-Cadre de validation des indicateurs climatiques
Située dans la partie sud-ouest de la République du Congo, la Vallée du Niari est comprise
entre 2° et 4° de latitude Sud, et 12° et 14° de longitude Est (fig. 41). La Vallée du Niari
connait une alternance des saisons, saisons de pluies (octobre-décembre (premier cycle
cultural) et mars-mai (deuxième cycle cultural)) et saisons sèches (janvier-février et juinseptembre)
sur lesquelles est calqué le calendrier agricole. Malgré sa faible pluviométrie de
l’ordre de 1200 mm d’eau en moyenne par année, elle est taxée de « grénier » du Congo. Les
études menées dans le Sud du Congo (Batchi, 2003 ; Massouangui Kifouala, 2004) en général
et dans la Vallée du Niari (Mouton, 1956; Vennetier, 1963 ; Molinier, 1979 ; Mbayi, 2005 )
en particulier montrent que les saisons pluvio-agricoles sont confrontées à une baisse des
pluies, surtout le deuxième cycle cultural qui tend à disparaître. Ce qui rend vulnérable non
seulement l’activité elle-même mais aussi la vie des paysans aux aléas climatiques. Ce
caractère vulnérable de la Vallée du Niari a été aussi mis en évidence dans la Seconde
communication nationale du Congo (2009).
Ainsi se pose alors les problèmes d’adaptation des cultures au contexte climatique, de
pratiquer deux semis dans l’année, du calage des cycles culturaux et de désorganisation des
saisons pluvio-agricoles.
87

Figure 41: Vallée du Niari (Vennetier, 1972).
7.1.1-Evolution des indicateurs pluviométriques dans la Vallée du Niari
Pour tenter de comprendre la vulnérabilité de la vallée du Niari, nous avons apprécié
l’évolution des indices : Prcptot, CWD et CDD dans les trois stations synoptiques de la zone à
savoir : Dolisie, Makabana et Mouyondzi dans les deux cycles culturaux (Octobre-Novembre-
Décembre (OND) et Mars-Avril-Mai (MAM)). A ces indices, nous avons ajouté GSL que
nous avons calculé à partir du logiciel Instat plus.
7.1.1.1-Evolution des Prcptot
‣ Saison OND
Pendant le premier cycle cultural communément appelé Ntombo, les cumuls annuels des
précipitations accusent une hausse surtout à la station de Mouyondzi et de Dolisie (fig. 42)
88

Figure 42: Evolution des PRCPTOT (1950-2011)
‣ Saison MAM
Pendant cette saison souvent appelée Ndolo qui est correspond au deuxième cycle cultural, les
totaux des précipitations sont en nette diminution à la station de Dolisie et de Makabana. Mais
à Mouyondzi par contre la tendance est à la hausse (fig. 43)
89

Figure 43:Evolution des PRCPTOT (1950-2010)
7.1.1.2-Evolution des CWD
‣ Saison OND
Le nombre de jours pluvieux consécutifs sont en nette augmentation dans la vallée du Niari
durant la période allant de 1950 à 2010 (fig. 44)
90

Figure 44: Evolution des CWD (1950-2010)
‣ Saison MAM
Cette saison est caractérisée par une diminution des jours pluvieux consécutifs à la station de
Makabana et de Dolisie. Mais la situation est très stable à Mouyondzi (fig. 45)
Figure 45: Evolution des CWD (1950-2010)
91

7.1.1.3-Evolution des CDD
‣ Saison OND
Les jours sans pluies sont en nette diminution à dans les trois stations synoptiques analysées
dans la Vallée du Niari (fig.46).
Figure 46: Evolution des CDD (1950-2010)
‣ Saison MAM
Les jours sans pluies présentent une tendance à la baisse à Makabana et à Dolisie. La station
de Mouyondzi est marquée par une stabilité (fig. 47)
92

Figure 47: Evolution des CDD (1950-2010)
7.1.1.4-Durées des saisons pluvio-agricoles
La durée des cycles culturaux varie d’une année à une autre. Elle est assez longue à
Mouyondzi où elle dure en moyenne (50%) 99 jours au premier cycle et 89 au deuxième.
Cette durée est minable à ma Makabana. Il est aussi important de noter que dans l’ensemble
de la Vallée du Niari, le deuxième cycle cultural n’est pas assez long. Elle n’atteint point 90
jours. Cette situation peut être préjudiciable pour les cultures à cycles long (tableau 17)
comme l’arachide tri ou quadri-agraines qui a besoin 110 à 120 jours de pluies.
Tableau 7:Evolution des durées des cycles culturaux (1950-2010)
Stations 1 er cycle cultural (Ntombo) 2è cycle cultural (Ndoolo)
20% 50% 80% 20% 50% 80%
Dolisie 81 85 100 72 80 81
Makabana 69 79 80 74 80 82
Mouyondzi 94 99 104 81 86 89
93

7.1.1.5-Périodes de retour des totaux des pluies
Il est souvent conseillé de connaître la quantité d’eau nécessaire pour une plante pour
couronner son cycle. Il est aussi important de connaître le niveau de retour attaché à cette
valeur pour les aménagements agricoles. L’arachide en culture pluviale, par exemple, et le
maïs qui sont les cultures vivrières les plus importantes, après le manioc, ont besoin
respectivement de 500 à 800 mm d’eau pendant toute la période végétative (FAO, 1980).
‣ Saison OND
Le tableau ci-dessus montre que la valeur de 500 mm d’eau est atteinte ou dépassée tous les
deux ans à Mouyondzi et à Makabana. Mais il faut attendre 5 ans à Dolisie. Pour atteindre ou
dépasser 800 mm d’eau, il faut 30 ans à Makabana, 60 ans à Mouyondzi et 80 ans à Dolisie
(tableau 18).
Tableau18: Niveau de retour des PRCPTOT pendant la saison OND
Niveau de
Stations
retour Dolisie Makabana Mouyondzi
2 ans 452,1 510,7 552,8
5 ans 572,1 635,9 668,4
10 ans 642,1 710,3 721,5
20 ans 702,9 775,8 759,8
30 ans 735,4 811,1 777,5
40 ans 757,2 835 788,4
50 ans 773,4 852,9 796
60 ans 786,3 867,2 801,8
70 ans 797 879 806,37
80 ans 806 889,1 810
90 ans 813,9 897,8 813,2
100 ans 820,8 905,5 815,8
‣ Saison MAM
Pendant cette saison, la valeur de 500 mm d’eau est atteinte ou dépassée tous les 5 ans. A
Dolisie et à Mouyondzi, la hauteur d’eau de 800 mm est attachée à un niveau de retour de 60
ans. Mais à la station de Makabana, jusqu’à 100 ans il est difficile voire impossible
d’atteindre cette valeur (tableau 19).
94

Tableau 8:Niveau de retour des PRCPTOT pendant la saison MAM
Niveau de
Stations
retour Dolisie Makabana Mouyondzi
2 ans 454,2 462,1 480,9
5 ans 583,2 581,1 598,7
10 ans 656 640,5 666
20 ans 719,9 686,4 723,5
30 ans 753 708,7 753,8
40 ans 775,1 722,8 774
50 ans 791,5 732,9 789
60 ans 804,4 740,7 800,9
70 ans 815,1 746,9 810,6
80 ans 824,1 752,1 818 ,8
90 ans 831,9 756,5 826
100 ans 838,7 760,3 832,2
7.2-Cadre de validation des indices hydrologiques
La baisse concomitante des Fn1day, Fx1day, F10p, F90p et F95p pèse sur la navigabilité de
certains cours d’eau comme Oubangui. Il a observé sur l’Oubangui: 4 jours /an de 1935 à
1971 de non navigabilité, 40 jours /an de 1972 à 1982, 107 jours /an de 1983 à 1989, + 200
jours /an depuis 2002 (Pandi et al., 2009).
L’augmentation des débits exceptionnels a souvent occasionné des inondations dans les
localités situées le long des cours d’eau comme la Sangha et le Fleuve Congo. A cet effet, on
peut citer la localité de Makotipoko, de Mossaka, de Loukolela et de Ntokou.
Conclusion du chapitre 7
Il ressort après analyse que la hausse des CDD, la baisse des PRCPTOT et des CWD surtout
pendant le deuxième cycle cultural dans la vallée du Niari explique la vulnérabilité de cette
entité géographique. Le CWD sont très déterminants dans la durée des cycles culturaux.
De même, la baisse des Fn1day, Fx1day, F10p, F90p et F95p rendent difficile la navigation
des cours d’eau du nord Congo. Et l’augmentation des F99p peut expliquer le phénomène
d’inondation devenu monnaie courante dans le nord du Congo.
95

Conclusion
Au terme de cette étude plusieurs constats se dégagent.
Les données météorologiques (précipitations et températures journalières) présentent dans des
multiples stations des lacunes et des ruptures. Ces ruptures et lacunes sont liées à des
multiples causes tantôt humaines, tantôt instrumentales et naturelles. Il existe des multiples
méthodes pour combler les lacunes et homogénéiser les séries. Mais, dans le contexte de la
République du Congo, faute d’une station de référence, il est difficile de les utiliser. Il est au
moins possible de trouver une période homogène, celle de 1961 à 2010, à toutes les stations.
C’est sur cette période qu’il est permis de faire toute analyse possible.
Pour les données hydrologiques, les ruptures ont été observées sur la Sangha et l’Oubangui.
Elles sont liées certainement à l’évolution des précipitations qui se caractérisent par une
tendance à la baisse.
L’analyse du climat de la République du Congo montre un réchauffement qui se traduit d’une
part par la baisse des jours frais, des nuits fraiches et de l’indicateur de durée de fraicheur.
D’autre part, les nuits chaudes, les jours chauds, l’indicateur de durée de chaleur et les
amplitudes thermiques diurnes enregistrent une hausse.
Les précipitations diminuent de façon graduelle dans l’ensemble de la République du Congo.
Cette baisse est matérialisée par une baisse des totaux pluviométriques annuels, des jours
pluvieux consécutifs, des maximums d’une journée pluvieuse et des jours très humides. Quant
aux séquences sèches consécutives, aux intensités simples des pluies et aux jours
extrêmement humides, la tendance est à la hausse.
Les débits forts, les débits extrêmement forts et les débits exceptionnels accusent une baisse
sur le Fleuve Congo, l’Oubangui et la Sangha alors que les débits faibles sont en nette hausse
dans ces trois cours d’eau analysés.
L’obtention de ces résultats a été facilitée par le recours aux principaux indices définis par la
communauté scientifique. Sur les 60 définis par ECA&D, 27 indices ont été programmés dans
le logiciel RClimDex mis en place par le projet CLIVAR. Mais sur les vingt-sept (27), dix
(10) sur onze (11) ont été retenus pour les précipitations, et onze (11) sur seize pour les
96

températures minimales et maximales ; soit un total de 21 indices sont valables pour la
République du Congo en tenant compte de nos réalités climatiques.
Les indices surmontés d’un astérisque (*) n’ont pas été calculés pour deux raisons
fondamentales :
‣ Soit ils sont inadaptés à notre contexte climatique. Il s’agit par exemple le IDO et
FDO dont le calcul prend comme référence la température à 0°C, valeur jamais
enregistrée dans notre pays. La valeur la plus basse observée est de 8°C à Sibiti en
1954 depuis le début de l’histoire de la météorologie au Congo. On peut aussi citer
dans cet ordre d’idées l’indice GSL qui est la durée de saison de croissance. Cette
durée est déterminée à partir des températures. Or en République du Congo, les
saisons ne sont pas thermiques mais pluviométriques,
‣ Soit ils n’ont aucune signification véritable par rapport aux objectifs visés par l’étude.
C’est le cas de Rnn, TRE25 et SU25.
Parmi les indices, nous avons retenu le PRCPTT, le CWD, le CDD, le TNx et le TXx pour
apprécier les impacts possibles sur l’agriculture dans des localités purement rurales.
Et, les SDII, R95p et R99p ont été utilisés dans le cadre de la dégradation des sols par le
processus d’érosion.
Il est important aussi de signaler que le GEV est la théorie des valeurs extrêmes la mieux
adaptée dans la modélisation statistique des valeurs journalières des débits.
97

Références bibliographiques
Aguilar E, Peterson T. C, Ramrez, Obando , Frutos R, Retana J. A, Solera M, Soley J,
Gonzalez Garcıa I, Araujo R. M, Rosa Santos A, Valle V. E, Brunet M, Aguilar L, lvarez
L. A, Bautista M, Castanon C, Herrera L, Ruano E, Sinay J. J, Sanchez E, Hernandez
G. I Oviedo, Obed F, Salgado J. E, Vazquez J. L, Baca M, Gutierrez M, Centella C,
Espinosa J, Martınez D, Olmedo B, Ojeda Espinoza C. E, Nunez R, Haylock M,
Benavides H and Mayorga R,2005: Changes in precipitation and temperature extremes in
Central America and n orthern South America, 1961 – 2003, Journal of geophysical research,
VOL. 110, D23107, doi:10.1029/2005JD006119
Aguilar E,Barry A, Brunet M, Ekang L, Fernandes A, Massoukina A,Mbah J, Mhanda
A, Nascimento D, Peterson C, ThambaUmba O, Tomou M and Zhang X, 2009: Changes
in temperature and precipitation extremes in western central Africa, Guinea Conakry, and
Zimbabwe, 1955–2006; Journal of Geophysical Research, Vol. 114, D02115,
doi:10.1029/2008JD011010,11p.
Alexander L V, Zhang X, Peterson T, Caesar J, Gleason B, Klein Tank A, Haylock M,
Collins D, Trewin B, Rahimzadeh F, Tagipour A, Ambenje P, Rupa Kumar K,
Revadekar J, Grifths G, Vincent L, Stephenson D, Burn J, Aguilar E, Brunet M, Taylor
M, New M, Zhai P, Rusticucci M, and Vazquez-Aguirre J ,2005: Global observed changes
in daily climate extremes of temperature and precipitation. Journal of Geophysical Research,
111 : DO5109 :doi : 10.1029/2005JD006290.
Atlas Congo, 2001,2è édition, Paris, 75 p.
Banque Mondiale, 2010 : Développement et changement climatique ; rapport sur le
développement dans le monde ; abrégé-version préliminaire, pour un climat favorable au
développement ; Washington, 52p.
Beniston M. and Stephenson D, 2004: Extreme climatic events and their evolution under
changing climatic conditions. Global and Planetary Change, 44 :1-9.
Carbonnel J.P, Hubert P., Valbadet E. , Mermoud A. Bariac TH ,1990 : Variabilité
spatiale des précipitations soudano-sahéliennes à l’échelle décamétrique, C.R, Académie Sci.,
Paris ,t311, Série II, pp1425-1430.
Champion J. 1963 - Le bananier, Maison-neuve Larose Paris, 264 p.
Chaumont D, 2004 : Variabilité et extrêmes climatiques au Canada, révue de la littérature,
rapport Ouranos-101,14p.
98

Christensen J., Carterand T., and Giorgi F., 2002: PRUDENCE employs new methods to
assess European climate change. EOS, 83:147.
Decamps H., 2010 : Evénements climatiques extrêmes : réduire les vulnérabilités des
systèmes écologiques et sociaux, rapport sur la science et la technologie n°29, Académie des
Sciences, 240 p.
Delolme M., 1948: Rendement à hectare des cultures indigènes de l’arachide au Sénégal,
Oléagineux III, pp 262-267.
Easterling D, Evans J, Groisman P, Karl P,Kunkel K, Ambenje P, 2000 : Observed
Variability and Trends in Extreme Climate Events : A Brief Review. Bulletin of the American
MeteorologicalSociety, Vol. 81, N°3, 9 p
FAO, 1982: Réponse des rendements à l’eau. Bulletin FAO d’irrigation et de demande, éd.
FAO, Rome, 219p.
Frei C. et C. Schär, 2001: Detection probability of trends in rare events: theory and
application to heavy precipitation in the Alpine region. J. Climate, 14, 1568-1584.
Frich P, Alexander L.V, Della-Marta P, Gleason B, Haylock M, AMG Klein Tank,
Peterson P, 2002: Observed coherent changes in climatic extremes during the second half of
the twentieth century. Climate Research, 19, 193-212.
Gantsiala Mbouala S., 2011 : Etude et cartographie des températures minimales et
maximales de la République du Congo. Mémoire de maîtrise, Univ. Marien Ngouabi, FLSH,
Brazzaville, 56p.
GIEC, 1996: Climate Change 1995: The Science of Climate Change. Contribution of WGI to
the Second Assessment Report of the Intergovernmental Panel on Climate Change
[Houghton, J.T., L.G. Meira Filho, B.A. Callander, N. Harris, A. Kattenberg et K. Maskell
(éd.)].Cambridge University Press, Cambridge, Royaume-Uni, 572 p.
GIEC, 2001: Incidences de l’évolution du climat dans les régions: évaluation de la
vulnérabilité Afrique, 60 p
GIEC, 2007 : Bilan 2007 des changements climatiques : Rapport de synthèse ; Genève, 114p.
Gilleland E and Richard W, 2005: The Extremes Toolkit extRemes: Weather and Climate
Applications of Extreme Value Statistics; http://www.assessment.ucar.edu/toolkit;130p
Groisman P. Y, Knight R. W, Easterling D. R, Karl T. R, 2005: Trends in intense
precipitation in the climate record, J. Climate, 188, 1326–1349, 2005.
Guillot B, 1978 : les savanes de la vallée du Niari : intérêt de l'emploi de la méthode des
tableaux ordonnables dans la mise en évidence de types de végétation, Cah.
O.R.S.T.O.M., sér. Sci. Hum., Vol. XV, no 1, pp 17-33.
99

Guillou A et Willems P., 2006: Application de la théorie des valeurs extrêmes en hydrologie,
Rev. Statistique Appliqu´ee, 2006, LIV (2), 5-31.
Haylock M. R, Cawley G. C , Harpham C, Wilby R. L, Goodess C, 2006:
Downscaling heavy precipitation over the UK: a comparison of dynamical and statistical
methods and their future scenarios. International Journal of Climatology.
Julia H., 1962 : L'I.R.H.0. au Congo. Oléagineux, 17e année, n° 4, avril, p 355-360.
Karl TR. and Easterling DR., 1999: Climate extremes: selected review and future research
directions. Climatic Change 42: 309 – 325
Katerina G, 2007 : Une étude des événements climatiques extrêmes sur l'Europe et le bassin
Méditerranéen et de leur évolution future ; thèse de doctorat, Université Paris 6 ; 121p.
Klein Tank A. M, et Konnen G.P, 2002: Trends in indices of daily temperature and
precipitation extremes in Europe, 1946–99, J. Clim., 16, 3665–3680.
Koechlin J., 1961 : La végétation des savanes dans le Sud de la République du Congo-
Brazzaville, Mémoire ORSTOM, n°1, 310 p
Laraque A., Orange D., Maziezoula B., Olivry J.C, 1998 : Origine des variations des débits
du Congo à Brazzaville durant le XXè siècle ; Water Resources Variability in Africa during
the XX th Ceruury (proceedings of me Abidjan'98 Conference 171held at Abidjan, COle
d'lvoire, November 1998). IAHS Pub. no. 252,pp 171-179.
Leroux M., 1980. Le climat de l’Afrique tropicale. Thèse d’Etat, Université de Dijon.
3 tomes, 1427p.
Loredana P, 2008 : Extreme temperature events in the Mediterranean, thèse de doctorat,
Université de Bern, 80 p.
Mahé G., 1993 : Modulation annuelle et fluctuation interannuelles des précipitations sur le
bassin versant du congo ; grands bassins fluviaux, du 22 au 24 novembre 1993, Paris, pp 12-
26
Maléké P. S, 2011 : Tendances des valeurs extrêmes des précipitations journalières dans le
Congo septentrional. Mémoire de DEA. Univ. Marien Ngouabi, 66 p
Massouangui Kifouala M., 2004 : Etude de la pluviométrie journalière dans le Sud du
Congo. Mémoire de DEA, Univ. Marien Ngouabi, FLSH, Brazzaville, 71 p.
Mauger, M, Demarée, G.R, Verhoeve T, Thoen E, Barriendos M, Rodríguez R,J
Martín-VIde J , Yang C, 2002: Trends of extreme temperatures in Europe and China
based on daily observations, Clim.Change, 53, 355–392.
Meehl, G.A., T. Karl, D.R. Easterling, S. Changnon, R. Pielke, Jr., D.Changnon, J.
Evans, P.Ya., Groisman, T.R. Knutson, K.E. Knukel, L.O. Mearns, C. Parmesan, R.
100

Pulwarty, T. Root, R.T. Sylves, P.Whetton and F. Zwiers, 2000: An introduction to trends
in extreme weather and climate events:Observations, socioeconomic impacts, terrestrial
ecological impacts, and model projections. Bull. Am. Met.Soc., 81, 413-416.
Ministère de l’économie forestière et de l’environnement, 2004 : Rapport sur la gestion et
la prévention des catastrophes naturelles. Direction Générale de l’Environnement,
Brazzaville, 55p.
Moisselin J. et Dubuisson B, 2006 : Évolution des valeurs extrêmes des températures et des
précipitations au cours du XXe siècle en France ; La Météorologie - n° 54, 10p.
Moisselin J.-M. et C. Canellas, 2005 : Longues séries d’insolation homogénéisées en
France. C.R. Géoscience, 337, 729-734
Moisselin J.-M., M. Schneider, C. Canellas et O. Mestre, 2002 : Les changements
climatiques en France au XXe siècle. Étude des longues séries de données homo-généisées de
température et de précipitations. La Météorologie 8 e série, 38, 45-56.
Molinier M, 1979 : la sécheresse dans le Sud-ouest congolais, cah. ORSTOM, sér. Hydrol.
Vol. XVI, n°2, pp43-80.
Mugnier S, 1995 : Pluviométrie journalière et types des pluies au Sahel Central : Manga et
Botnu (Niger et Nigeria ), mémoire de DEA Univ. de Bourgogne , Centre de recherche de
Climatologie ,48 p.
Nyong A., Adesina F., Ousman B. Alasha, 2007: The value of the indigenous knowledge in
the climate change: Mitigation and adaptation strategies in the Africa Sahel. Original
article, Published online 14 june 2007.
Ogouwalé E., 2006 : Changement climatique dans le bénin méridionale et central :
Indicateurs, scenarios et perspectives de la sécurité alimentaire. Thèse présentée pour
obtenir le diplôme de doctorat unique de l’Université d’Abomey-Calavi, 220 p
Pandi A., Ibiassi G., Tondo B., Ladel J. et Laraque A., 2009 : Impact de la variabilité des
écoulements sur la navigabilité de l’Oubangui, un affluent du fleuve Congo. Ann. De
l’UMNG ; 10 (1) 75-81.
Pedelaborde P., 1970. Introduction à l’étude scientifique du climat. SEDES, Paris, 246p.
PetersonT, 2004: Introduction to Indices; National Climatic Data
Center/NESDIS/NOAAAsheville, NC USA, 24p.
Planchon V, 2005 : Traitement des valeurs aberrantes : concepts actuels et tendances
générales ;GeographiaTechnica, Vol.10 , pp20-30.
101

Portères R., 1952: Amenagement de l’économie agricole et rurale du Sénégal, Gouvernement
général de l’Afrique Occidentale Française, 113 p.
Pouyaud B., 1989 : Hydrologie des grands fleuves du congo; Conférence de l’ORSTOM ,
Quanrante ans de recherche scientifique au Congo, hommes et environnement, pp 85-90.
Prevot P. et Ollagnier M., 1957 : Le problème de l’eau dans l’arachide,Oléagineux, 12è
année, n°4.
PulinaM, 2009 : Analyse des événements pluviométriques extrêmes dans le Sud de la
Sardaigne durant la période de 1951 à 2005 ; GeographiaTechnica. Numéro spécial, pp.377-
385
Receanu R, Hertig J, Fallot J, 2009: Modélisation spatiale et temporelle des précipitations
pour l’estimation des crues extrêmes dans les Alpes ; GeographiaTechnica. Numéro spécial,
pp 283-388.
Samba Kimbata M. J., 1978: Le climat du Bas6Congo. Thèse de 3è cycle. Univ. De
Bourgogne, Dijon, 280 p + figuress
Sen P. K., 1968: Estimates of the regression coefficient based on Kendall’s tau. J. Amer. Stat.
Assoc., 63, 1379–1389
Sensoy S., Demircan M., Alan I., 2008: Trends in Turkey Climate Extreme Indices from
1971 to 2004. Third International Conference BALWOIS 2008, Ohrid, Republic of
Macedonia, 27 -31 May.
Slatyer, 1933 : Studies on the water relation of crop plants grown under natural rainfall in
Northern Australia, Australian J. Ag. Res.6, pp 365-377
Su B, Jiang T, and Jin W, 2006: Recent trends in observed temperature and precipitation
extremes in the Yangtse River basin, China; Theor. Appl. Climatol. 83. pp.139–151
Trochain J. er Koechlin B., 1958 : Les pâturages naturels du Sud de l’A.E.F, Bull. N lle
n°15-16 : 59-83.
série
Vincent, L., X. Zhang, B. Bonsal et W. Hogg. 2002: «Homogenization of daily
temperatures over Canada». Journal of Climate, vol. 15, p. 1322-1334.
60-Vincent, L.A. and, Mekis É, 2006: Changes in daily and extreme temperature and
precipitation indices for Canada over the twentieth century. Atmosphere-Ocean 44(2), 177
193.
Wang X. L, 2008a: Accounting for autocorrelation in detecting mean-shifts in climate data
series using the penalized maximal t or F test. J. Appl. Meteor. Climatol., 47, 2423–2444.
102

Wang X. L, 2008b: Penalized maximal F-test for detecting undocumented mean-shifts
without trend-change. J. Atmos. Oceanic Tech., 25 No. 3, 368-384.
DOI:10.1175/2007/JTECHA982.1.
Wang X. L, Chen H, Y. Wu, Y, Feng Y and Pu Q, 2006: New techniques for detection
and adjustment of shifts in daily precipitation data series. J. Appl. Meteor. Climatol., accepted
subject to revision.
Wang, X. L., 2003 and Swail V. R., 2001: Changes of extreme wave heights in Northern
Hemisphere oceans and related atmospheric circu-lation regimes. J. Climate, 14, 2204–2221.
WMO, 2009 : Guidelines on Analysis of extremes in a changing climate in support of
informed decisions for adaptation; Climate Data and Monitoring; WCDMP-No. 72,
http://www.clivar.org/organization/etccdi/etccdi.php),55p.
Zhang X and Yang F, 2004: RClimDex 1.0, User Manual; Climate Research
Environment, Downsview, Ontario, Canada, 23p.
Branch
103

Annexes
104

Annexe 1: Tableaux des Indices des températures journalières
Stations Lon Lat Indice Syear EYear Slope STD_of_Slope P_Value
Brazzavile -4.25 15.25 dtr 1950 2010 -0.039 0.007 0
Djambala NA NA dtr 1950 2010 0.026 0.004 0
Dolisie -4.02 12.7 dtr 1950 2010 -0.001 0.004 0.734
Gamboma -1.87 15.87 dtr 1950 2010 -0.004 0.006 0.494
Impfondo -1.62 18.06 dtr 1951 2010 0.004 0.006 0.492
Makoua -0.02 15.58 dtr 1957 2010 0.009 0.005 0.065
Mpouya -2.62 16.22 dtr 1951 2010 0.014 0.007 0.036
Ouesso -1.62 16.01 dtr 1950 2010 0.006 0.003 0.097
Pointe-Noire 0 0 dtr 1950 2010 -0.015 0.004 0
Sibiti -3.68 13.35 dtr 1950 2010 0.013 0.007 0.075
Station Lon Lat Indices SYear EYear Slope STD_of_Slope P_Value
Brazzavile -4.25 15.25 csdi 1950 2010 0.462 0.264 0.085
Djambala NA NA csdi 1950 2010 -0.064 0.042 0.137
Dolisie -4.02 12.7 csdi 1950 2010 -0.14 0.059 0.021
Gamboma -1.87 15.87 csdi 1950 2010 -0.212 0.081 0.012
Impfondo -1.62 18.06 csdi 1951 2010 0.112 0.058 0.059
Makoua -0.02 15.58 csdi 1957 2010 0.087 0.058 0.143
Mpouya -2.62 16.22 csdi 1951 2010 -0.128 0.062 0.044
Ouesso -1.62 16.01 csdi 1950 2010 0.029 0.044 0.519
Pointe-Noire 0 0 csdi 1950 2010 -0.039 0.053 0.464
Sibiti -3.68 13.35 csdi 1950 2010 0.649 0.526 0.223
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzavile -4.25 15.25 wsdi 1950 2010 -0.153 0.063 0.019
Djambala NA NA wsdi 1950 2010 0.01 0.015 0.49
Dolisie -4.02 12.7 wsdi 1950 2010 0.044 0.03 0.147
Gamboma -1.87 15.87 wsdi 1950 2010 -0.191 0.196 0.336
Impfondo -1.62 18.06 wsdi 1951 2010 0 0 NaN
Makoua -0.02 15.58 wsdi 1957 2010 -0.043 0.036 0.244
Mpouya -2.62 16.22 wsdi 1951 2010 0.139 0.037 0
Ouesso -1.62 16.01 wsdi 1950 2010 -0.028 0.045 0.535
Pointe-Noire 0 0 wsdi 1950 2010 0.123 0.107 0.255
Sibiti -3.68 13.35 wsdi 1950 2010 0.041 0.025 0.113
105

Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzavile -4.25 15.25 tn90p 1950 2010 0.384 0.042 0
Djambala NA NA tn90p 1950 2010 -0.21 0.065 0.002
Dolisie -4.02 12.7 tn90p 1950 2010 0.312 0.054 0
Gamboma -1.87 15.87 tn90p 1950 2010 0.26 0.054 0
Impfondo -1.62 18.06 tn90p 1951 2010 0.38 0.105 0.001
Makoua -0.02 15.58 tn90p 1957 2010 0.166 0.079 0.042
Mpouya -2.62 16.22 tn90p 1951 2010 0.277 0.075 0.001
Ouesso -1.62 16.01 tn90p 1950 2010 0.123 0.107 0.256
Pointe-Noire 0 0 tn90p 1950 2010 0.506 0.079 0
Sibiti -3.68 13.35 tn90p 1950 2010 0.242 0.063 0
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzavile -4.25 15.25 tn10p 1950 2010 -0.16 0.075 0.035
Djambala NA NA tn10p 1950 2010 0.243 0.079 0.004
Dolisie -4.02 12.7 tn10p 1950 2010 -0.179 0.041 0
Gamboma -1.87 15.87 tn10p 1950 2010 -0.294 0.051 0
Impfondo -1.62 18.06 tn10p 1951 2010 -0.003 0.07 0.97
Makoua -0.02 15.58 tn10p 1957 2010 -0.003 0.076 0.972
Mpouya -2.62 16.22 tn10p 1951 2010 -0.101 0.096 0.302
Ouesso -1.62 16.01 tn10p 1950 2010 -0.052 0.05 0.301
Pointe-Noire 0 0 tn10p 1950 2010 -0.228 0.04 0
Sibiti -3.68 13.35 tn10p 1950 2010 -0.063 0.157 0.691
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzavile -4.25 15.25 tx90p 1950 2010 0.029 0.043 0.505
Djambala NA NA tx90p 1950 2010 0.16 0.04 0
Dolisie -4.02 12.7 tx90p 1950 2010 0.192 0.055 0.001
Gamboma -1.87 15.87 tx90p 1950 2010 0.105 0.096 0.283
Impfondo -1.62 18.06 tx90p 1951 2010 0.197 0.059 0.002
Makoua -0.02 15.58 tx90p 1957 2010 0.108 0.058 0.072
Mpouya -2.62 16.22 tx90p 1951 2010 0.385 0.061 0
Ouesso -1.62 16.01 tx90p 1950 2010 0.177 0.083 0.039
Pointe-Noire 0 0 tx90p 1950 2010 0.279 0.097 0.006
Sibiti -3.68 13.35 tx90p 1950 2010 0.259 0.037 0
106

Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzavile -4.25 15.25 tx10p 1950 2010 0.118 0.066 0.08
Djambala 14,766 -2,53 tx10p 1950 2010 -0.102 0.022 0
Dolisie -4.02 12.7 tx10p 1950 2010 -0.173 0.031 0
Gamboma -1.87 15.87 tx10p 1950 2010 -0.085 0.033 0.012
Impfondo -1.62 18.06 tx10p 1951 2010 -0.079 0.027 0.005
Makoua -0.02 15.58 tx10p 1957 2010 -0.092 0.028 0.003
Mpouya -2.62 16.22 tx10p 1951 2010 -0.118 0.021 0
Ouesso -1.62 16.01 tx10p 1950 2010 -0.069 0.018 0
Pointe-Noire 11,75 -4,816 tx10p 1950 2010 -0.105 0.047 0.03
Sibiti -3.68 13.35 tx10p 1950 2010 -0.151 0.026 0
Stations Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 tnn 1950 2010 -0.055 0.04 0.176
Djambala 14,766 -2,53 tnn 1950 2010 -0.004 0.011 0.726
Dolisie 12,7 -4,02 tnn 1950 2010 0.003 0.009 0.747
Gamboma 15,866 -1,866 tnn 1950 2010 0.023 0.009 0.015
Impfondo 18,06 1,616 tnn 1951 2010 -0.002 0.016 0.924
Makoua 15,583 -0,016 tnn 1957 2010 0.001 0.016 0.974
Mouyondzi 13,916 -3,983 tnn 1950 2010 0.047 0.017 0.007
Mpouya 16,216 -2,616 tnn 1951 2010 -0.004 0.027 0.897
Ouesso 16,005 1,616 tnn 1950 2010 -0.022 0.017 0.201
Pointe-Noire 11,75 -4,816 tnn 1950 2010 0.028 0.023 0.226
Sibiti 13,35 -3,683 tnn 1950 2010 0.036 0.012 0.004
Stations Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 tnx 1932 2006 0.025 0.003 0
Djambala 14,766 -2,53 tnx 1950 1996 -0.004 0.012 0.733
Dolisie 12,7 -4,02 tnx 1950 2006 0.024 0.005 0
Gamboma 15,866 -1,866 tnx 1950 1996 0.022 0.005 0
Impfondo 18,06 1,616 tnx 1951 2006 0.037 0.009 0
Makoua 15,583 -0,016 tnx 1957 1996 0.019 0.006 0.004
Mouyondzi 13,916 -3,983 tnx 1950 1996 0.008 0.014 0.568
Mpouya 16,216 -2,616 tnx 1951 2006 0.013 0.005 0.013
Ouesso 16,005 1,616 tnx 1950 2006 0.006 0.007 0.398
Pointe-Noire 11,75 -4,816 tnx 1950 2004 0.021 0.007 0.006
Sibiti 13,35 -3,683 tnx 1950 2006 0.003 0.006 0.656
107

Stations Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 txn 1950 2006 -0.121 0.053 0.024
Djambala 14,766 -2,53 txn 1950 1996 0.008 0.009 0.384
Dolisie 12,7 -4,02 txn 1950 2006 0.031 0.007 0
Gamboma 15,866 -1,866 txn 1950 1996 0.023 0.01 0.02
Impfondo 18,06 1,616 txn 1951 2006 0.01 0.007 0.168
Makoua 15,583 -0,016 txn 1957 1996 0.009 0.012 0.5
Mouyondzi 13,916 -3,983 txn 1950 1996 0.012 0.009 0.176
Mpouya 16,216 -2,616 txn 1951 2006 -0.021 0.035 0.543
Ouesso 16,005 1,616 txn 1950 2006 0 0.007 0.968
Pointe-Noire 11,75 -4,816 txn 1950 2004 0.021 0.006 0.001
Sibiti 13,35 -3,683 txn 1950 2006 0.021 0.007 0.007
Staions Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 txx 1950 2006 -0.002 0.006 0.66
Djambala 14,766 -2,53 txx 1950 1996 0.016 0.006 0.011
Dolisie 12,7 -4,02 txx 1950 2006 0.018 0.011 0.109
Gamboma 15,866 -1,866 txx 1950 1996 0.006 0.01 0.525
Impfondo 18,06 1,616 txx 1951 2006 0.023 0.008 0.004
Makoua 15,583 -0,016 txx 1957 1996 0.02 0.011 0.084
Mouyondzi 13,916 -3,983 txx 1950 1996 0.008 0.008 0.322
Mpouya 16,216 -2,616 txx 1951 2006 0.023 0.007 0.002
Ouesso 16,005 1,616 txx 1950 2006 0.028 0.021 0.184
Pointe-Noire 11,75 -4,816 txx 1950 2004 0.021 0.01 0.041
Sibiti 13,35 -3,683 txx 1950 2006 0.036 0.007 0
108

Annexe 2 : Tableaux des indices des précipitations journalières
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 cwd 1950 2006 0.018 0.008 0.041
Djambala 14,766 -2,53 cwd 1950 1996 0.002 0.02 0.937
Dolisie 12,7 -4,02 cwd 1950 2006 0.003 0.019 0.859
Gamboma 15,866 -1,866 cwd 1950 1996 -0.007 0.022 0.737
Impfondo 18,06 1,616 cwd 1951 2006 -0.011 0.02 0.585
Makabana 12,576 -3,455 cwd 1964 1998 -0.027 0.031 0.403
Makoua 15,583 -0,016 cwd 1957 1996 -0.002 0.024 0.928
Mouyondzi 13,916 -3,983 cwd 1950 1996 -0.029 0.026 0.268
Mpouya 16,216 -2,616 cwd 1951 2006 0.003 0.014 0.814
Ouesso 16,005 1,616 cwd 1950 2006 -0.034 0.018 0.074
Pointe-Noire 11,75 -4,816 cwd 1950 2004 -0.001 0.015 0.958
Sibiti 13,35 -3,683 cwd 1950 2006 0.003 0.023 0.907
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 cdd 1950 2006 0.084 0.176 0.637
Djambala 14,77 -2,53 cdd 1950 1996 -0.114 0.173 0.511
Dolisie 12,7 -4,02 cdd 1950 2006 -0.814 0.303 0.01
Gamboma 15,87 -1,87 cdd 1950 1996 -0.167 0.131 0.208
Impfondo 18,06 1,616 cdd 1951 2006 0.32 0.139 0.028
Makabana 12,58 -3,46 cdd 1964 1998 1.259 0.81 0.132
Makoua 15,58 -0,02 cdd 1957 1996 -0.25 0.157 0.122
Mouyondzi 13,92 -3,98 cdd 1950 1996 -0.602 0.362 0.105
Mpouya 16,22 -2,62 cdd 1951 2006 -0.434 0.19 0.028
Ouesso 16,01 1,616 cdd 1950 2006 0.025 0.09 0.779
Pointe-Noire 11,75 -4,82 cdd 1950 2004 0.447 0.177 0.015
Sibiti 13,35 -3,68 cdd 1950 2006 -0.401 0.29 0.176
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,3 -4,25 r20mm 1950 2006 -0.024 0.029 0.401
Djambala 14,8 -2,53 r20mm 1950 1996 0.096 0.08 0.234
Dolisie 12,7 -4,02 r20mm 1950 2006 0.002 0.039 0.969
Gamboma 15,9 -1,87 r20mm 1950 1996 -0.125 0.064 0.06
Impfondo 18,1 1,616 r20mm 1951 2006 -0.082 0.085 0.341
Makabana 12,6 -3,46 r20mm 1964 1998 0.071 0.114 0.54
Makoua 15,6 -0,02 r20mm 1957 1996 -0.135 0.078 0.093
Mouyondzi 13,9 -3,98 r20mm 1950 1996 0.183 0.067 0.009
Mpouya 16,2 -2,62 r20mm 1951 2006 -0.114 0.071 0.117
Ouesso 16 1,616 r20mm 1950 2006 0.025 0.051 0.621
Pointe-Noire 11,8 -4,82 r20mm 1950 2004 -0.082 0.054 0.132
Sibiti 13,4 -3,68 r20mm 1950 2006 -0.038 0.067 0.57
109

Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 r10mm 1950 2006 -0.02 0.04 0.613
Djambala 14,77 -2,53 r10mm 1950 1996 0.189 0.091 0.043
Dolisie 12,7 -4,02 r10mm 1950 2006 0.009 0.064 0.883
Gamboma 15,87 -1,87 r10mm 1950 1996 -0.204 0.084 0.02
Impfondo 18,06 1,62 r10mm 1951 2006 -0.127 0.092 0.178
Makabana 12,58 -3,46 r10mm 1964 1998 0.061 0.163 0.711
Makoua 15,58 -0,02 r10mm 1957 1996 -0.253 0.094 0.011
Mouyondzi 13,92 -3,98 r10mm 1950 1996 0.246 0.098 0.016
Mpouya 16,22 -2,62 r10mm 1951 2006 -0.106 0.094 0.266
Ouesso 16,01 1,62 r10mm 1950 2006 0.06 0.066 0.367
Pointe-noire 11,75 -4,82 r20mm 1950 2004 -0.082 0.054 0.132
Sibiti 13,35 -3,68 r10mm 1950 2006 -0.045 0.091 0.622
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 sdii 1950 2006 0.001 0.009 0.923
Djambala 14,766 -2,53 sdii 1950 1996 0.114 0.03 0
Dolisie 12,7 -4,02 sdii 1950 2006 0.025 0.015 0.106
Gamboma 15,866 -1,866 sdii 1950 1996 -0.009 0.018 0.602
Impfondo 18,06 1,616 sdii 1951 2006 0.024 0.023 0.3
Makabana 12,576 -3,455 sdii 1964 1998 0.033 0.039 0.402
Makoua 15,583 -0,016 sdii 1957 1996 -0.033 0.031 0.293
Mouyondzi 13,916 -3,983 sdii 1950 1996 0.045 0.027 0.111
Mpouya 16,216 -2,616 sdii 1951 2006 -0.011 0.032 0.743
Ouesso 16,005 1,616 sdii 1950 2006 0.01 0.015 0.507
Pointe-noire 11,75 -4,816 sdii 1950 2004 -0.011 0.024 0.66
Sibiti 13,35 -3,683 sdii 1950 2006 -0.033 0.019 0.089
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 rx5day 1950 2006 0.129 0.177 0.467
Djambala 14,77 -2,53 rx5day 1950 1996 1.098 0.397 0.008
Dolisie 12,7 -4,02 rx5day 1950 2006 -0.057 0.265 0.831
Gamboma 15,87 -1,866 rx5day 1950 1996 -0.702 0.381 0.073
Impfondo 18,06 1,616 rx5day 1951 2006 -0.183 0.473 0.701
Makabana 12,58 -3,455 rx5day 1964 1998 -0.63 0.945 0.513
Makoua 15,58 -0,016 rx5day 1957 1996 -1.034 0.364 0.008
Mouyondzi 13,92 -3,983 rx5day 1950 1996 -0.909 0.631 0.16
Mpouya 16,22 -2,616 rx5day 1951 2006 0.209 0.585 0.722
Ouesso 16,01 1,616 rx5day 1950 2006 0.404 0.315 0.207
Pointe-noire 11,75 -4,816 rx5day 1950 2004 0.143 0.467 0.76
Sibiti 13,35 -3,683 rx5day 1950 2006 -1.215 0.416 0.007
110

Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 rx1day 1950 2006 0.101 0.128 0.432
Djambala 14,766 -2,53 rx1day 1950 1996 -0.018 0.246 0.942
Dolisie 12,7 -4,02 rx1day 1950 2006 -0.133 0.199 0.505
Gamboma 15,866 -1,866 rx1day 1950 1996 0.135 0.275 0.626
Impfondo 18,06 1,616 rx1day 1951 2006 0.34 0.258 0.198
Makabana 12,576 -3,455 rx1day 1964 1998 -0.558 0.569 0.338
Makoua 15,583 -0,016 rx5day 1957 1996 -1.034 0.364 0.008
Mouyondzi 13,916 -3,983 rx1day 1950 1996 -0.214 0.53 0.69
Mpouya 16,216 -2,616 rx1day 1951 2006 0.36 0.374 0.342
Ouesso 16,005 1,616 rx1day 1950 2006 -0.022 0.237 0.926
Pointe-noire 11,75 -4,816 rx1day 1950 2004 -0.143 0.311 0.648
Sibiti 13,35 -3,683 rx1day 1950 2006 -0.491 0.38 0.207
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 r95p 1950 2006 0.273 0.73 0.709
Djambala 14,766 -2,53 r95p 1950 1996 21.301 5.362 0
Dolisie 12,7 -4,02 r95p 1950 2006 -0.139 1.198 0.908
Gamboma 15,866 -1,866 r95p 1950 1996 -0.733 2.001 0.716
Impfondo 18,06 1,616 r95p 1951 2006 0.394 1.666 0.815
Makabana 12,576 -3,455 r95p 1964 1998 0.604 2.854 0.834
Makoua 15,583 -0,016 r95p 1957 1996 -4.619 2.821 0.112
Mouyondzi 13,916 -3,983 r95p 1950 1996 -1.23 2.271 0.592
Mpouya 16,216 -2,616 r95p 1951 2006 1.14 2.544 0.657
Ouesso 16,005 1,616 r95p 1950 2006 -2.44 1.446 0.099
Pointe-Noire 11,75 -4,816 r95p 1950 2004 0.465 1.731 0.789
Sibiti 13,35 -3,683 r95p 1950 2006 -3.772 1.996 0.068
Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 r99p 1950 2010 1.1 0.467 0.021
Djambala 14,766 -2,53 r99p 1950 2010 21.247 5.215 0
Dolisie 12,7 -4,02 r99p 1950 2010 0.098 0.78 0.901
Gamboma 15,866 -1,866 r99p 1950 2010 0.849 1.477 0.569
Impfondo 18,06 1,616 r99p 1951 2010 1.315 1.132 0.254
Makabana 12,576 -3,455 r99p 1964 2010 -0.346 2.048 0.867
Makoua 15,583 -0,016 r99p 1957 2010 -1.055 1.46 0.475
Mouyondzi 13,916 -3,983 r99p 1950 2010 -0.38 1.432 0.792
Mpouya 16,216 -2,616 r99p 1951 2010 -0.032 1.426 0.982
Ouesso 16,005 1,616 r99p 1950 2010 0.461 0.825 0.579
Pointe-Noire 11,75 -4,816 r99p 1950 2010 0.596 0.903 0.512
Sibiti 13,35 -3,683 r99p 1950 2010 -1.689 1.237 0.182
111

Station Lon Lat Indice SYear EYear Slope STD_of_Slope P_Value
Brazzaville 15,25 -4,25 prcptot 1950 2006 -0.776 1.345 0.566
Djambala 14,766 -2,53 prcptot 1950 1996 18.506 5.654 0.002
Dolisie 12,7 -4,02 prcptot 1950 2006 0.261 1.999 0.897
Gamboma 15,866 -1,866 prcptot 1950 1996 -4.361 2.827 0.131
Impfondo 18,06 1,616 prcptot 1951 2006 -3.827 2.936 0.202
Makabana 12,576 -3,455 prcptot 1964 1998 1.511 4.767 0.754
Makoua 15,583 -0,016 prcptot 1957 1996 -9.577 3.456 0.009
Mouyondzi 13,916 -3,983 prcptot 1950 1996 5.162 3.036 0.098
Mpouya 16,216 -2,616 prcptot 1951 2006 -1.044 3.704 0.78
Ouesso 16,005 1,616 prcptot 1950 2006 0.081 2.181 0.971
Pointe-Noire 11,75 -4,816 prcptot 1950 2004 -2.118 3.276 0.521
Sibiti 13,35 -3,683 prcptot 1950 2006 -3.573 3.008 0.243
112

Annexe 3 : TERMES DE REFERENCE
Gestion et information de données pour les études des scénarii climatiques
Recrutement des consultants nationaux : 2 administrateurs système+ 1 climatologue+1 météorologue
N° Job /Titre :
Gestion et information de données pour les études des scénarii climatiques
Catégorie :
Organisation :
Lieu :
Type de Contrat :
Langue requise:
Durée du travail
Lieu d’affectation
Environnement
PNUD
République du Congo
IC
Français
3 mois
Brazzaville
I. Contexte et justification
Les informations météorologiques et climatologiques détaillées sont cruciales pour l'adaptation et l'atténuation
de l'impact de la variabilité climatique, en particulier en Afrique sub-saharienne, où cette variabilité se traduit
souvent par de graves inondations et sécheresse (Held. et al. 2005). Le Groupe d'Experts Intergouvernemental
sur l'Evolution du climat (GIEC) a indiqué que la température est susceptible d'augmenter progressivement dans
la région. D’autres effets climatiques connexes, tels que la variabilité des précipitations et la fréquence des
événements météorologiques extrêmes constitueront une pression considérable sur les moyens de subsistance et
des économies à travers le continent.
Répondre efficacement à ces menaces, c’est entreprendre une analyse approfondie des impacts avec des
scénarios fiables du changement climatique, en alignement avec les stratégies nationales et régionales pour lutter
contre la pauvreté, telle que recommande la CCNUCC (Convention Cadre des Nations Unies sur les
changements climatiques) dans les communications nationales (CN) et d’autres études connexes. Les modèles
de circulation générale (MCG) ont été les principaux outils utilisés pour anticiper l'évolution des composantes du
climat causé par les gaz à effet de serre anthropiques (GES). Afin d’assurer la signification des résultats
statistiques, la complexité de calcul sur le MCG a un coût élevé et exacerbé pour les simulations d'ensemble à
long terme. En conséquence, le MCG utilise une résolution spatiale grossière de quelques centaines de km qui
est inappropriée pour générer l'information sur le climat, nécessaire à l'impact et aux études de vulnérabilité.
Comme alternative au MCG pour la production des scénarios climatiques de haute résolution spatiale, les
modèles climatiques régionaux (MCR) intègrent avec une grille spatiale fine (typiquement de 25-50 km). Ainsi,
les MRC permettront de réduire le coût de calcul et d'isoler l'influence des caractéristiques climatiques clés
d’échelle locale (par exemple, la végétation, les lacs, rivières, montagnes)
113

La génération de scénarios climatiques fiables et détaillés spatialement pour une utilisation dans les études
d'impact et de vulnérabilité exige un niveau considérable d'expertise technique et scientifique, et dans la
compréhension approfondie des pilotes du système climatique africain dans son ensemble. Ces capacités sont
cruellement font défaut dans la plupart de l'Afrique sub-saharienne, en particulier en République du Congo.
Même s'il y a eu des améliorations significatives dans le renforcement des capacités de calcul au cours de la
dernière décennie ; l'effort humain nécessaire pour entreprendre des études de haute résolution spatiale du
modèle climatique et de gérer de gros volumes de données produites peut être énorme. La République du Congo
est l’un des pays d'Afrique subsaharienne parmi tant d’autres, qui rencontre d'énormes difficultés pour évaluer
l'impact de la variabilité et du changement climatiques sur les différents secteurs clés de la société tels que les
ressources agricoles, forestières, les secteurs de la santé, la zone côtière et de l'eau. Le Congo a connu une
tendance nette positive dans l'évolution des températures et des précipitations durant la période 1950-1998. Deux
périodes caractérisent l'évolution récente du climat au Congo : il s'agit notamment, de la période pré-1970 avec
des températures basses et des précipitations abondantes, et la période post-1970 avec des températures plus
chaudes et une diminution des précipitations, malgré quelques records pluviométriques en1984 et 1988
II. Objectifs
a) Objectif général
L’objectif général est d’établir les mécanismes et les infrastructures d’accès de collecte et d’analyse des
meilleures données disponibles sur le changement climatique et ses impacts ainsi que les outils d’aide à la
décision pour la planification d’adaptation.
b) Objectifs spécifiques
• Développer des indices hydro-climatiques et des paramètres (tableaux et cartes, etc.) pour évaluer V&A
des différents secteurs ;
• Développer un système internet intégré pour la base de données climatique en utilisant
RAMADADDA, Unidata et des serveurs et le client THREDDS IDV.
N.B. : L’atteinte des objectifs attendus sera le fait de l’équipe de quatre () consultants nationaux à recruter
par le biais des présents TDR. Ces consultants nationaux travailleront en étroite collaboration et avec
l’appui d’un Consultant international chargé de développer les scénarii climatiques
III. Activités et Résultats:
Résultats 1 : L’e-infrastructure pour les modèles, les données et méthodes mise en place.
Activités 1 :Mettre en place une infrastructure de TIER 2 (Système d'exploitation Linux : Centos ; Serveur des
données: TDS et les logiciels correspondants ; IDV (Integrated Data Viewer) et RAMADDA (Repository for
Archiving, Managing and Accessing Diversa Data): analyse, visualisation et publication des données ;
Rclimdex: analyse des comportements des extrêmes climatiques ; ENSEMBLES Web/Data Portail : modèle
climatique de prévision à échelle moyenne) pour permettre le stockage des données climatiques.
Résultat 2 : Le système internet de gestion intégrée de base de données
accessibles/outils de traitement développé
climatiques sur serveur,
Activité 2 : Développer un système de gestion de données sur Internet, archivées, accessibles afin de les diffuser.
114

Résultat 3 :
a) Rapport sur les données et cartes climatiques de référence (climats passés et récents), notamment sur
les indices climatiques disponibles
b) Un tableau d’indicateurs pour l’évaluation de la vulnérabilité dans différents secteurs et un rapport sur
l’ensemble de paramètres climatiques/ indicateurs pour l’évaluation de la vulnérabilité des différents
secteurs établi
c) Un rapport sur la sensibilité des paramètres climatiques par rapport à l’occupation et à la dégradation
des terres disponible
Activités 3 :
d) Entreprendre un examen de données existantes dans les secteurs clés et développer des cartes
climatiques, notamment sur des indices des températures et précipitations extrêmes (27 indices des
extrêmes de l’OMM) ;
e) Dresser une liste d’indicateurs climatiques critiques pour l’évaluation de la vulnérabilité à partir des
indices climatiques passées et futures par rapport aux différents secteurs ;
f) Entreprendre une analyse de sensibilité afin de déterminer comment certains variables climatiques ontils
dégradés les sols.
Résultats 4 : Des outils et méthodes pour l’analyse du climat, validés et lacunes comblées
Activité 4 : Elaborer un cadre pour la validation des paramètres et indices hydro-climatiques sur des échelles
spatio-temporelles mensuelles, saisonnières et annuelles pour la période (1950-2010).
IV. Dates limite des livraisons
Un total de 90jours / homme sera requis des consultants pour appuyer la réalisation des résultats ci-dessus
mentionnés. La durée de la mission s’étale de la date d'entrée en vigueur jusqu'au 30 avril 2012.
Les consultants pourraient- être sollicités sur une base plus ou moins intensive au cours de la mission et devront
faire montre de souplesse et de disponibilité pour fournir un appui dans des délais raisonnables.
.
Résultats Dates limite de livraison Responsables
L’e-infrastructure pour les modèles, les 15 février 2012 Les 2 administrateurs
données et méthodes mise en place
Le système internet de gestion intégrée de
30 avril 2012 Climatologue et météorologue
base de données climatiques sur serveur,
accessibles/outils de traitement développé
a) Rapport sur les données et cartes
climatiques de référence (climats
passés et récents), notamment sur les
indices climatiques disponible
b) Un tableau d’indicateurs pour
l’évaluation de la vulnérabilité dans
différents secteurs et un rapport sur
l’ensemble de paramètres
climatiques/ indicateurs pour
l’évaluation de la vulnérabilité des
différents secteurs
c) Un rapport sur la sensibilité des
paramètres climatiques par rapport à
l’occupation et à la dégradation des
terres disponible
30 mars 2012
15 avril 2012
30 avril 2012
Climatologue et météorologue
Climatologue et météorologue
Des outils et méthodes pour l’analyse du
climat, validés et lacunes comblées
30 avril 2012 Climatologue et météorologue
115

V. Méthodologie
Les résultats attendus ci-dessus définis pour chaque activité – en conformité avec le chronogramme agréé
constitueront les moyens objectivement vérifiables du suivi et de l’évaluation du projet.
Le travail sera effectué sur la base d’une collaboration régulière et étroite entre l'Unité de gestion PAA,
l’UA, le Consultant International et les quatre consultants nationaux.
La composante nationale du PAA au Congo sera appuyée par l’équipe régionale (IRTSC) du PAA qui
pourra, le cas échéant, fournir des conseils d’orientation dans ce processus.
VI. Modalités de paiement
Les quatre consultants nationaux
définies:
retenus devront percevoir leur paiement selon les modalités ci-dessous
20% à la signature du contrat;
80% au terme de la restitution officielle et à la validation du rapport final.
VII.
Profil des consultants
Niveau requis. Les consultants nationaux devront justifier des qualifications suivantes :
- Deux (2) Administrateurs système Bac+2 en informatique (Informaticiens/Physicien ayant une bonne
expérience dans l'installation, la configuration des logiciels du Tier 2 et capable d'assurer la
maintenance du serveur) ;
- Un (1) Climatologue BAC+5 en climatologie ayant une bonne maîtrise des logiciels R, RCLIMDEX et
ENSEMBLES et capable d'utiliser les infrastructures du Tier2. Une bonne connaissance de IDV et
capable d'utiliser des outils et méthodes de collecte, de contrôle de qualité et de gestion des données
est requise ;
- Un (1) Météorologue BAC+5 en météorologie ayant une bonne maîtrise des logiciels R, RCLIMDEX
RANET, ENSEMBLES et de IDV, capable d'utiliser des outils et méthodes de collecte, de contrôle de
qualité et de gestion des données est requise ;
116

Liste des Figures
Figure 1 : Localisation des stations synoptiques retenues ...................................................... 12
Figure 2: Exemple de contrôle de qualité des données des précipitations observées à la
station de Mpouya (1950 à 2010) ............................................................................................ 15
Figure 3:Exemple de contrôle de qualité des données des précipitations observées à la station
de Mouyondzi (1950 à 2010) .................................................................................................... 16
Figure 4:Exemple d’une série non-homogène des températures minimales à Mouyondzi.. .... 18
Figure 5: Exemple d’une série homogène des précipitations à la station de Ouesso .............. 19
Figure 6: Exemple d’une série homogène des débits du fleuve Congo à Brazzaville............. 19
Figure 7 : Exemple d’une série non-homogène des débits de la Sangha à Ouesso. La rupture
est intervenue en avril 1971. .................................................................................................... 19
Figure 8: Répartition spatiale des températures minimales .................................................... 30
Figure 9 : Répartition spatiale des températures minimales (1950-2010) .............................. 31
Figure 10: Configuration spatiale des précipitations (1950-2010) ......................................... 32
Figure 11: Evolution des températures minimales pendant P1 et P2 ...................................... 34
Figure 12 : Evolution des températures minimales pendant P1 et P2 ..................................... 35
Figure 13:Evolution des précipitations pendant les sous-périodes 1950-1980 et 1981-2010 37
Figure 14: Evolution des jours consécutivement sec (1950-2010) .......................................... 40
Figure 15: Evolution du nombre de jours consécutivement humides (1950-2010) ................. 41
Figure 16: Evolution des totaux annuels des précipitations (1950-2010) ............................... 42
Figure 17: Evolution du maximum d’une journée de pluies (1950-2010) ............................... 43
Figure 18: Evolution du maximum de cinq jours de pluies (1950-2010) ................................ 44
Figure 19: Evolution du nombre de jours des pluies ≥ R10 mm (1950-2010) ......................... 45
Figure 20: Evolution du nombre de jours pluvieux ≥ R20 mm (1950-2010) ........................... 46
Figure 21: Evolution des jours très humides (1950-2010) ...................................................... 47
Figure 22: Evolution des jours extrêmement humides (1950-2010) ........................................ 48
117

Figure 23: Evolution des Intensités Simples des Précipitations (1950-2010) ......................... 49
Figure 24: Evolution de l’indicateur des durées des séquences fraiches (1950-2010)........... 52
Figure 25: Evolution des Amplitude Thermiques Diurne (1950-2010) ................................... 53
Figure 26: Evolution des nuits relativement fraiche (1950-2010).......................................... 54
Figure 27:Evolution des jours relativement frais (1950-2010) ............................................... 55
Figure 28: Evolution du minimum des températures minimales (1950-2010) ........................ 56
Figure 29: Evolution du maximum des températures minimales (1950-2010)........................ 57
Figure 30: Evolution des jours relativement frais (1950-2010) .............................................. 58
Figure 31: Evolution des jours relativement chauds (1950-2010) .......................................... 59
Figure 32: Evolution du minimum des températures maximales (1950-2010)........................ 60
Figure 33 : Evolution du maximum des températures maximales (1950-2010) ...................... 61
Figure 34 : Evolution de l’Indicateur des durées des séquences chaudes (1950-2010).......... 62
Figure 35: Evolution des débits minimums journaliers ........................................................... 66
Figure 36: Evolution des débits maximums journaliers .......................................................... 68
Figure 37: Evolution des débits faibles journaliers ................................................................. 69
Figure 38: Evolution des débits forts journaliers .................................................................... 71
Figure 39: Evolution des débits journaliers extrêmement forts ............................................... 72
Figure 40: Evolution des débits journaliers exceptionnels ...................................................... 74
Figure 41: Vallée du Niari (Vennetier, 1972). ......................................................................... 88
Figure 42: Evolution des PRCPTOT (1950-2011) .................................................................. 89
Figure 43:Evolution des PRCPTOT (1950-2010) ................................................................... 90
Figure 44: Evolution des CWD (1950-2010)........................................................................... 91
Figure 45: Evolution des CWD (1950-2010)........................................................................... 91
Figure 46: Evolution des CDD (1950-2010) ........................................................................... 92
Figure 47: Evolution des CDD (1950-2010) ........................................................................... 93
118

Liste des tableaux
Tableau 1:Stations synoptiques retenues ................................................................................. 13
Tableau 2:Stations hydrologiques retenues ............................................................................. 13
Tableau 3:Format de données dans RClimDex 1.0 ................................................................. 15
Tableau 4 et 5:Format de données dans RHtestV3.r ............................................................... 17
Tableau 6:Indices des extrêmes des précipitations journalières (Xuebin Zhang et Feng Yang,
2004) ......................................................................................................................................... 22
Tableau 7:Indices des extrêmes des températures journalières (Xuebin Zhang et Feng Yang,
2004) ......................................................................................................................................... 23
Tableau 8:Indices hydrologiques ............................................................................................. 24
Tableau 9: sous-périodes de l’évolution des températures au Congo de 1950 à 2006
(Gantsiala Mbouala, 2011) ...................................................................................................... 33
Tableau 10: Débits journaliers du Fleuve Congo, de l’Oubangui et de la Sangha ................. 65
Tableau 11:paramètres du modèle ........................................................................................... 75
Tableau 12:Niveaux de retour des débits journaliers du fleuve Congo .................................. 76
Tableau 13: Niveaux de retour des débits journaliers de l’Oubangui .................................... 76
Tableau 14: Périodes de retour des débits journaliers de la Sangha ..................................... 77
Tableau 15:Indices des températures journalières .................................................................. 80
Tableau 16:Indices des précipitations journalières ................................................................. 80
Tableau 17:Evolution des durées des cycles culturaux (1950-2010)....................................... 93
Tableau 18: Niveau de retour des PRCPTOT pendant la saison OND ................................... 94
Tableau 19:Niveau de retour des PRCPTOT pendant la saison MAM ................................... 95
119

Table de matières
Acronymes ................................................................................................................................. 1
Introduction .............................................................................................................................. 2
1. Cadre scientifique ............................................................................................................... 3
2. Objectifs .............................................................................................................................. 5
3. Cadre conceptuel ................................................................................................................ 6
4. Articulation de l’étude ........................................................................................................ 9
Chapitre 1: Approche méthodologique ................................................................................ 11
Introduction .......................................................................................................................... 11
1.1-Données .......................................................................................................................... 11
1.1.1-Données climatologiques ......................................................................................... 11
1.1.1-Données hydrologiques ........................................................................................... 13
1.2. Méthodes statistiques ..................................................................................................... 14
1.2.1 Contrôle de qualité ................................................................................................... 14
1.2.2 Homogénéisation ..................................................................................................... 16
1.2.3-Indices ...................................................................................................................... 20
1.2.4 Régionalisation ........................................................................................................ 24
1.2.5 Tests statistiques ...................................................................................................... 25
1.2.5.1 Estimateur de la pente ........................................................................................... 25
1.2.5.2. Généralisation des Valeurs Extrêmes (GEV) ...................................................... 25
Conclusion partielle du chapitre 1 ........................................................................................ 28
Chapitre 2: Situation climatique de référence ....................................................................... 29
2.1. Configurations spatiales du climat ................................................................................ 29
2.1.1. Configurations spatiales annuelles des températures .............................................. 29
120

2.1.2. Configuration annuelles des précipitations ............................................................. 31
2.2. Evolution du climat ....................................................................................................... 32
2.2.1. Evolution des températures ..................................................................................... 32
2.2.2. Evolution décennale des pluies ............................................................................... 36
Conclusion du chapitre 2 ...................................................................................................... 38
Chapitre 3 : Tendances des indices des extrêmes des précipitations ..................................... 39
Introduction .......................................................................................................................... 39
3.1-Jours consécutivement sec (CDD) ................................................................................. 39
3.2-Jours consécutivement humides CWD ........................................................................... 41
3.3-Totaux annuels des précipitations (PRCPTOT) ............................................................. 42
3.4-Maximum d’une journée de pluies (R1days) ................................................................. 42
3.5-Maximum de cinq jours de pluies (R5days)................................................................... 44
3.6-Nombre de jours des pluies ≥ R10 mm .......................................................................... 45
3.7-Nombre de jours pluvieux ≥ R20 mm ............................................................................ 46
3.8-Jours très humides (R95p).............................................................................................. 47
3.9-Jours extrêmement humides (R99p)............................................................................... 48
3.10-Intensité Simples des Précipitations (SDII) ................................................................. 49
Conclusion partielle du chapitre 3 ........................................................................................ 50
Chapitre 4: Tendances des indices des extrêmes des températures ...................................... 51
Introduction .......................................................................................................................... 51
4.1-Indicateur des durées des séquences fraiches (CSDI) .................................................... 51
4.2-Amplitude Thermiques Diurne (ATD)........................................................................... 52
4.3-Nuits relativement fraiches (TN10p).............................................................................. 54
4.3-Nuits relativement chaudes (TN90p) ............................................................................. 55
4.4-Minimum des températures minimales (TNn) ............................................................... 56
4.5-Maximum des températures minimales (TNx)............................................................... 56
121

4.6-Jours relativement frais (TX10p) ................................................................................... 58
4.7-Jours relativement chauds (TX90p) ............................................................................... 59
4.8-Minimum des températures maximales (TXn)............................................................... 60
4.9-Maximum des températures maximales (TXx).............................................................. 61
4.10-Indicateur des durées des séquences chaudes (WSDI)................................................. 62
Conclusion partielle du chapitre 4 ........................................................................................ 63
Chapitre 5 : Tendances des indices des extrêmes hydrologiques ......................................... 64
Introduction .......................................................................................................................... 64
5.1-Evolution des indices hydrologiques .............................................................................. 65
5.1.1-Evolution du débit minimum ................................................................................... 65
5.1.2-Evolution du débit maximum .................................................................................. 67
5.1.3-Evolution des débits faibles (F10p) ......................................................................... 68
5.1.4-Evolution des débits forts (F90p) ............................................................................ 70
5.1.5-Evolution des débits extrêmement forts (F95p)....................................................... 71
5.1.6-Evolution des débits exceptionnels (F99p).............................................................. 73
5.2-Modélisation statistique des débits ................................................................................. 74
5.2.1-Paramètres du modèle .............................................................................................. 74
5.2.2-Durée de retour ........................................................................................................ 75
5.2.2.1-Fleuve Congo ........................................................................................................ 75
5.2.2.2-Oubangui .............................................................................................................. 76
5.2.2.3-Sangha .................................................................................................................. 77
Conclusion partielle du chapitre 5 ........................................................................................ 77
Chapitre 6: Indicateurs climatiques et leurs impacts possibles en République du Congo .. 79
Introduction .......................................................................................................................... 79
6.1 Indicateurs climatiques et agriculture ............................................................................. 81
6.1.1 Indicateurs climatiques ............................................................................................ 81
122

6.1.2 Dégradation de ces indicateurs et leurs effets possibles .......................................... 83
6.2 Indicateurs climatiques et problèmes environnementaux ........................................... 84
6.2.1 Indicateurs climatiques ............................................................................................ 84
6.2.2 Dégradation de ces indicateurs et leurs conséquences possibles ............................. 85
Conclusion partielle du chapitre 6 ........................................................................................ 86
Chapitre 7 : Elaboration d’un cadre de validation des indices hydro-climatiques .......... 87
Introduction .......................................................................................................................... 87
7.1. Cadre de validation des indicateurs climatiques ............................................................ 87
7.1.1. Evolution des indicateurs pluviométriques dans la Vallée du Niari ....................... 88
7.1.1.1. Evolution des Prcptot ........................................................................................... 88
7.1.1.2. Evolution des CWD ............................................................................................. 90
7.1.1.3. Evolution des CDD .............................................................................................. 92
7.1.1.4. Durées des saisons pluvio-agricoles .................................................................... 93
7.1.1.5. Périodes de retour des totaux des pluies .............................................................. 94
7.2. Cadre de validation des indices ..................................................................................... 95
Conclusion du chapitre 7 ...................................................................................................... 95
Conclusion ............................................................................................................................ 96
Références bibliographiques ................................................................................................. 98
Annexes ................................................................................................................................. 104
Annexe 1 ............................................................................................................................. 105
Annexe 2 ............................................................................................................................. 109
Annexe 3 ............................................................................................................................. 113
Liste des Figures ................................................................................................................... 117
Liste des tableaux ................................................................................................................. 119
Table de matières ................................................................................................................. 120
123