Ministère de l'Enseignement Supérieur et

de la recherche scientifique

N° de série:

ùfl{-Sqfo Mémoire présenté pour l'obtention

du

DIPLOME DE MASTER Il EN SCIENCES ET

GESTION DE L'ENVIRONNEMENT

OPTION: Géosciences et Environnement N° du candidat : 02 03 021460

Nom:TCHIMOU

Prénoms : Djobolo Romain Roland

Laboratoire : Géosciences et Environnement

THEME:

Mise à l'échelle statistique des

données pluviométriques via le modèle

LARS- WG pour la projection des

changements climatiques futurs en

Côte d'Ivoire

Date de soutenance: 11/07/2014

TABLES DES MATIERES

Dédicace iii

Remerciements iv

Liste des abréviations v

Liste des figures vi

Liste des tableaux viii

Résumé .ix

Introduction 1

CHAPITRE I : GENERALITES 3

Chapitre l : Eléments de contexte et cadre d'étude 4

1. 1. Eléments de contexte .4

1. 1. 1. Concepts sur les changements climatiques .4

1. 1.1.1. Définition 4

1.1.1.2. Effet de serre 4

l.1.1.3. Scénarios d'émissions anthropiques 5

1.1.1.4. Types de scenarios d'émissions des gaz à effet de serre 6

l.1.1.5. Système climatique et les modèles de simulation du climat.. 7

1.1.1.6. Modèles climatiques 8

1.1.1.6.1 Modèles Climatiques Globaux (MCG) 8

1.1.1.6.2 Modèles Climatiques Régionaux (MCR) 9

1.1.2. Méthodes de désagrégation 10

1.1.2.1. Méthodes de désagrégation dynamique 11

1.1.2.2. Méthodes de désagrégation statistique 11

1. 1 .3. Problématique du changement climatique 15

1.1.3.1. A l'échelle planétaire 15

l.1.3.2. A l'échelle de la Côte d'Ivoire 16

1. 1 .4. Projections des changements climatiques futurs 17

1.2. Cadre d'étude 19

1.2.1. Localisation géographique 19

1 .2.2. Relief 20

1.2.3. Végétation 21

1.2.4. Climat 22

1.2.4. 1. Régime pluviométrique 22

1.2.5. Température 24

CHAPITRE II : DONNEES ET METHODES 25

Chapitre 2 : Données d'étude et approche méthodologique 26

2.1. Données pluviométriques 26

2.2. Approche méthodologique 27

2.2.1. Evaluation de la performance du modèle de réduction d'échelle statistique 27

2.2.1.1. Présentation du modèle stochastique 27

2.2.1.2. Fonctionnement du modèle stochastique 27

2.2.2. Génération des scénarios de changement climatiques 28

2.2.2.1. Choix des modèles climatiques 28

2.2.2.2. Choix des périodes de projection 30

2.2. 3.Projection des changements climatiques futurs sur les paramètres pluviométriques 30

2.2.3.1. Approche graphique 30

2.2.3.2. Approche statistique 30

2.2.3.3. Approche spatiale 30

2.3. Outils de traitement des données 31

CHAPITRE ID: RESULTATS ET DISCUSSION 32

Chapitre 3 : Résultats et Discussion 3 3

3 .1. Analyse des résultats 3 3

3.1.1. Performance du modèle de réduction d'échelle LARS-WG 33

3 .1.1.1. Analyse graphique 33

3.1.1.2. Analyse statistique 35 3.1.2. Génération des scénarios climatiques futurs .41

3.1.3.Projection des changements climatiques futurs sur les paramètres pluviométriques .41

3. I.3. l. Tendances futures des hauteurs de pluies annueUes .41

3.1.3.2.Tendances futures des saisons humides et sèches .43

3.1.3.3.Tendances futures des hauteurs de pluies mensuelles .46

3.2. Discussion 49

3.2.1. Performance du modèle LARS-WG .49

3.2.2. Projection climatiques futures 50

CONCLUSION ET PERSPECTIVES 51

REFERENCES BIBLIOGRAPHIQUES 54

Il

..

DEDICACE

A toute mafamille

Particulièrement à mon père M'POUE TCHIMOU RAYMOND et à ma mère M'BOLO

N'GASSA JEANNE, en reconnaissance de tout l 'amour qu'ils me donnent et de taus les

sacrifices qu'ils consentent pour moi.

A la Chorale Miséricorde Divine de la paroisse Sainte Famille d'Aklomiabla Koumassi pour

son soutien spirituel et moral.

A ma bien aimée chérie N'DIAKA ROSE MARIE ANAISE, merci pour ton amour et ton

soutien constant que tu n'as eu cesse de me donner.

A la mémoire de mon frère BROU AL V ARES KEVIN dit " DALL Y DJEDJE" que le Dieu

de miséricorde qui est omnipotent et omniscient se souvienne de toi.

111

REMERCIEMENTS

Au terme de ce travail, je voudrais exprimer toute ma reconnaissance aux personnes qui ont contribuées de près ou de loin sa réalisation. Qu 'elles trouvent ici / 'expression de ma profonde gratitude.

A Monsieur le Professeur GO(JLA Bi Tié Albert, Doyen de l'Unité de Formation des Sciences et Gestion de 1 'Environnement (UFR-SGE) de 1 'Université Nangui Abrogoua, qui a assuré La direction du présent mémoire. Malgré son emploi du temps très chargé et ses nombreuses obligations, il a suivi constamment le déroulement de ce travail dans les moindres détails.

Merci professeur pour m 'avoir encadré, guidé et soutenu tout le long de ce mémoire Je vous suis également reconnaissant et vous exprime ma grande admiration, ma profonde gratitude et mon entière sympathie.

Je remercie le Professeur SAVANE Jssiaka, Directeur du Laboratoire Géoscience et Environnement (LGE) qui m'a accueilli dans le dit Laboratoire.

J'exprime mes sincères remerciements au Docteur SORO.G.E, qui a suivi quotidiennement mon travail. A son endroit, je voudrais exprimer ma reconnaissance pour avoir mis à ma disposition les données et les outils nécessaires à la modélisation climatique. Pour ses critiques, conseils, encouragements en vue d'améliorer ce travail.

Mes remerciements vont à 1 'endroit du professeur DIOMANDE Dramane pour avoir accepté de présider la soutenance de ce mémoire tout en lui témoignant toute ma gratitude.

Je remercie le Docteur DAO. Amidou pour son intervention, son aide, ses sugestions et critiques qui ont permis d'améliorer ce travail.

Ausssi je remercie Monsieur Kanga Brou Isidore, Monsieur N'ZUE Kouakou et Monsieur EDDY tous à la SODEXAM au Département de Météo-Climatologie pour leurs encouragements et sages conseils dans la réalisation de ce mémoire.

A mes amis et collaborateurs du laboratoire notamment Kohou Edithe, Koffi thierry, Dégui, Koffi Ehouman et Wayou Pacome pour l'ambiance fraternelle, la courtoisie et l'entraide qui ont prévalues entres nous. Je leur témoigne mon infinie sympathie.

J'adresse mes remerciements les plus fraternels à mon ami N'DA KABLAN GERARD, qui a installé tous les programmes informatiques nécessaires au fonctionnement du modèle climatique. Que le Seigneur te bénisse et te rende au centuple tout ce que tu as fait pour moi.

A ma famille, particulièrement mon père M'POUE TCHIMOU, ma mère M'BOLO

Jeanne, et mon grand frère TCHIMOU kouassi. J'exprime ma profonde gratitude pour

votre aide financière, votre assistance et vos soutiens. IV

LISTE DES ABREVIATIONS

ACC:

AOGCM:

CCNUCC:

CFC:

CST:

CMJ:

DJF:

F.I.T:

GES:

GIEC:

HadCMJ:

IPCC:

JJA:

KS:

LARS-WG:

MAS:

MCG:

MCR:

OMM:

PNUE:

RNA:

SRES:

SON:

Analyse de Corrélation Canonique

Modèles de Circulation Générale Couplés Atmosphère-Océan

Convention-cadre des Nations Unies sur les changements climatiques

ChJoro-Fluoro Carbone

Classification Synoptique du Temps

Centre National de Météorologie Canadienne, Version 3

Décembre - Janvier-Février

Front Inter Tropical de Transition

Gaz à effet de serre

Groupement d'Experts Intergouvernemental sur l'Evolution du Climat

Hadley Centre Coupled Model, Version 3

International Centre for Theorical Physic

Juin-Juillet-

Kolmogorov-Smirnov

Long Asthon Research Station Weather Generator

Mise à l'échelle statistique

Modèles Climatiques Globaux

Modèles Climatiques Régionaux

Organisation Mondiale de la Météorologie

Programme des Nations Unies pour l'Environnement

Réseau de Neurones Artificiel

Rapport Spécial sur les Scénarios d'Ernission

Septembre-Octobre-Novembre.

SODEXAM : Société d'Exploitation et de Développement Aéroportuaire, Aéronautique et

Métérologique

STARDEX: Statistical and Regional Dynamical Downscaling ofExtrème for European

WGEN: Weather Generator

V

LISTE DES FIGURES

Figure 1: Estimation de la moyenne annuelle et mondiale du bilan énergetique de la Terre 5

Figure 2: Les émissions mondiales de C02 liées à l'energie et à l'industrie 7

Figure 3 : Vue schématique des composantes du système climatique, leurs processus et leurs

interactions 8

Figure 4: Structure conceptuelle d'un modèle de circulation générale couplé Atmosphère-

océan 9

Figure 5 : Problématique de la désagrégation 10

Figure 6: Localisation géographique de la Côte d'Ivoire 19

Figure 7 : Relief de la Côte d'Ivoire 20

Figure 8: Couvert végétal de la Côte d'Ivoire 21

Figure9: Principales zones climatiques de la Côte d'Ivoire avec une illustration des quatre

' . 1 . ' . regimes p uviometnques 22

Figure 10: Températures minimales et maximales moyennes de la Côte d'Ivoire sur la

période 1955-1997 24

Figure 11 : Schéma du processus de fonctionnement du modèle LARS-WG 29

Figure 12 : Variation saisonnière des pluies observées et simulées par les modèles dans le

régime équatorial de transition 33

Figure 13 : Variation saisonnière des pluies observées et simulées par les modèles dans le

régime équatorial de transition atténué 34

Figure 14: Variation saisonnière des pluies observées et simulées par les modèles dans le

régime tropical de transition 35

Vl

Figure 15: Variation saisonnière des pluies observées et simulées par les modèles dans le

régime montagnard 35

Figure 16 : Carte des écarts moyens annuels de la pluviométrie aux horizons 2011-

2030; 2046-2065 et 2080-2099 en Côte d'Ivoire par les modèles BCM2 ;CNCMJ ;HADCM3 .42

Figure 17: Variabilité saisonnière future des précipitations à l'horizon 2011-2030 .43

Figure 18: Variabilité saisonnière future des précipitations à l'horizon 2046-2065 .44

Figure 19: Variabilité saisonnière future des précipitations à l'horizon 2080-2099 .45

Figure 20: Ecarts moyen des pluies mensuelles à l'horizon 2011-2030 par les trois modèles .. .46

Figure 21 : Ecarts moyen des pluies mensuelles à l'horizon 2046-2065 par les trois modèles . .47

Figure 22 : Ecarts moyen des pluies mensuelles à l'horizon 2080-2099 par les trois modèles .. .48

VII

LISTE DES TABLEAUX

Tableau I: Scénarios d'émission du SRES 6

Tableau Il : Synthèse des méthodes de désagrégation statistique 13

Tableau m: Caractéristiques des postes pluviométriques utilisées 26

Tableau IV : Modèles climatiques utilisés pour la génération des données futures 29

Tableau V : Résultats des tests statistiques des séries observées et générées à la station

d'Abidjan 36

Tableau VI: Synthèse de la comparaison des écarts- types et de la moyenne mensuelle des

séries observées et générées pour chaque station de l'étude 37

TableauVIl: Distribution de probabilité des pluies journalières : exemple de la station

d'Abidjan 38

Tableau VIIl: Résumé des résultats de comparaison de la distribution des pluies journalières

observées et générées pour chaque station .39

Tableau IX: Distribution de probabilité de la longueur des séries Humides et Sèches par le

test de Kolmogorov-Smirnov (KS) exemple de la station d'Abidjan .40

Tableau X: Résumé des résultats de la comparaison de la longueur des séries humides et

sèche pour chaque station par le test de Kolrnogorov-Smirnov .40

Vlll

RESUME

Les effets du changement climatique affectent très fortement les pays en développement qui

ont pour la plupart une économie basée sur l'agriculture pluviale. Les modèles climatiques

régionaux couramment utilisés pour appréhender ces perturbations climatiques sont

complexes, relativement couteux et demandent une grande capacité de calcul et de stockage

des données qui fait souvent défaut en Afrique. Dans un tel contexte, la présente étude a été

initiée afin de mettre en évidence d'éventuels impacts des changements climatiques sur

quelques paramètres temporels des précipitations de la Côte d'Ivoire via une réduction

d'échelle statistique. Dans cette optique, les hauteurs de pluie journalière de 13 stations de

mesures sur la période 1970-1991 ont servi au calibrage du modèle de réduction d'échelle

statistique LARS-WG. Il ressort des analyses statistiques que les performances du modèle à

simuler les conditions climatiques de la Côte d'Ivoire sont globalement bonnes. Les

projections climatiques à l'aide d'une mise à l'échelle statistique des données liées aux

modèles globaux BCM2, CNCM3 et HADCM3 sous le scénario AlB indiquent qu'aux

horizons 2011-2030 et 2080-2099, les pluies annuelles seront plus importantes que celles de

la période de référence 1970-1990 à l'exception des régions de Sud-Est et du Nord-Ouest et

du centre qui connaitront d'importants déficits. A l'échelle mensuelle, l'on assiste tantôt à une

augmentation, tantôt à une baisse suivant les mois, le régime pluviométrique et le modèle

climatique. Les modèles prédisent une hausse des hauteurs pluviométriques du mois de

janvier sur les trois horizons. Les saisons humides du régime équatorial de transition

connaîtront un décalage du pic pluviométrique passant du mois de juin au mois de mai. Dans

les autres régimes, ce décalage varie selon le modèle et l'horizon.

Motsclés: Changement climatique, LARS-WG, Réduction d'échelle statistique,

Pluviométrie, Côte d'Ivoire.

IX

INTRODUCTION

1

INTRODUCTION

La variabilité du climat et le changement climatique sont considérés comme les plus

grands défis auxquels l'humanité devrait faire face les décennies à venir sur toutes les échelles

géographiques et dans tous les secteurs économiques (Aerts et Droogers, 2004). Ces

modifications climatiques affectent très fortement les pays en développement car ces derniers

ne disposent pas de moyens techniques et financiers pour y faire face. En effet, les modèles

régionaux couramment utilisés pour analyser les changements climatiques sont complexes,

relativement couteux et demandent une grande capacité de calcul et de stockage des données.

Cette capacité de calcul et de stockage fait souvent défaut en Afrique.

La Côte d'Ivoire, qui sort progressivement d'une crise sociopolitique, est un pays

vulnérable surtout face aux changements climatiques dont les impacts consistent en une

érosion côtière manifeste, des inondations fréquentes, des glissements de terrains,

l'émergence de certaines maladies, une dégradation des terres, et une perte de la biodiversité

(PNUD, 2009). Il est cependant primordial que la Côte d'Ivoire, pays dont l'économie est

fortement tributaire de l'agriculture pluviale puisse mettre en place des stratégies

d'atténuation ou dans le cas échéant des mesures d'adaptation dans les domaines affectés par

le changement climatique. Cela ne peut se faire que si 1 'on dispose d'information sur les

modifications climatiques. Ces informations peuvent être fournies par des études sur l'analyse

des impacts des changements climatiques sur les paramètres pluviométriques. Il devient donc

essentiel de créer de nouveaux outils permettant de produire facilement et à moindre coût des

données climatiques à l'échelle locale tenant comptent d'un climat futur perturbé. Les

techniques de réduction d'échelle statistique communément appelées en anglais «downscaling

statistical » constituent l'outil idéal pour une analyse des perturbations climatiques.

Selon Salatbe et al.,(2003), les techniques de réduction d'échelle statistique ont comme

avantage, par rapport à la réduction d'échelle dynamique, d'exiger moins de ressources

informatiques et de permettre une plus large gamme de scénarios climatiques. A travers le

monde, plusieurs auteurs (Mearns et al,1996; Sennenov et Barrow, 1997; Katz et

Parlange, 1998; Wilks et Wilby, 1999; Tolika et al., 2007) ont utilisé divers outils de mise à

échelle statistique pour appréhender les changements climatiques.

Dans le cadre de la présente étude, la réduction d'échelle basée sur un générateur

stochastique de conditions météorologiques a été mise en œuvre.

Ce générateur a l'avantage d'avoir la capacité de générer de l'information climatique à

l'échelle locale via une fonction de transfert entre paramètres de distribution statistique du

1 .

prédictant considéré et les variables de la circulation atmosphérique à grande échelle. Et ceci

avec une très haute résolution temporelle qui peut être sub-quotidienne (Kilsby et al., 1998 ;

Fowler et al., 2000).

Ainsi, la présente étude porte sur la « mise à l'échelle statistique des données

pluviométriques via le modèle LARS-WG pour la projection des changements climatiques

futurs en Côte d'Ivoire». L'objectif général de cette étude est de mettre en évidence

d'éventuelles modifications temporelles des paramètres pluviométriques (pluie annuelle,

mensuelJe, saisons) dues aux changements climatiques futurs. De manière spécifique, il s'agit

de:

• évaluer la performance du modèle LARS-WG à reproduire les conditions climatiques

de la Côte d'Ivoire;

• analyser les tendances futures des saisons, des hauteurs de pluie à l'échelle annuelle et

mensuelle sur les horizons 2011-2030, 2045-2065 et 2080-2099.

Le présent mémoire s'articule autour de trois grandes parties. Des considérations

générales relatives aux changements climatiques, aux outils de réduction d'échelle utilisés

pour les appréhender et au cadre physique de la zone d'étude sont présentées dans la première

partie.

La deuxième partie, présente les données pluviométriques collectées, les outils de

traitement et le cadre méthodologique adopté.

La troisième partie, est consacrée à la présentation des résultats obtenus et des discussions.

A la suite de cette troisième partie, la conclusion générale dresse le bilan des

connaissances acquises au cours de cette étude ainsi que les perspectives de recherche qu'elle

suscite.

2

CHAPITRE I : GENERALITES

3

Chapitre 1 : Généralités

1.1. Eléments de contexte

1.1.1. Concepts sur les changements climatique

1.1.1.1. Définition

Le GIEC (Groupement d'Experts Intergouvernemental sur l'Evolution du Climat)

définit un changement climatique comme «tout changement du climat dû à sa variabilité

naturelle ou résultant de l'activité humaine». La Convention-cadre des Nations Unies sur les

changements climatiques (CCNUCC) restreint cette définition en parlant de « changements

qui sont attribués directement ou indirectement à une activité humaine altérant la composition

de l'atmosphère mondiale et qui viennent s'ajouter à la variabilité naturelle du climat

observée sur une échelle de temps comparables».

Pour le GIEC (2007), le changement climatique se réfère à un changement

statistiquement significatif dans l'état moyen du climat ou de la variabilité de ses propriétés et

qui persiste sur une longue période de temps (décennies ou plus). Le changement climatique

peut être dû aux processus naturels internes ou à des forçages exogènes ou à des activités

anthropiques persistantes dans l'atmosphère ou dans les usages du sol.

1.1.1.2. Effet de serre

La Terre et spécialement sa surface absorbent le rayonnement solaire qui est ensuite

restitué en direction de l'atmosphère à de plus grandes longueurs d'onde (Figure 1). Une

partie de ce rayonnement infrarouge est alors absorbée par les gaz suspendus dans

l'atmosphère, dits« gaz à effet de serre». C'est cette part du rayonnement qui est à l'origine

d'un apport supplémentaire de chaleur à la surface terrestre. Sans ces GES, la chaleur émise

par la terre serait intégralement renvoyée dans l'espace et par la suite la température de la

surface de la planète serait alors de -18 °Cau lieu de +15°C et à la fin la vie sur terre aurait

été alors impossible. L'augmentation des concentrations de gaz à effet de serre aura pour effet

d'augmenter la proportion du rayonnement terrestre absorbé par l'atmosphère. Le forçage

radiatif devient alors positif et le déséquilibre induit ne peut être compensé que par une

hausse de la température du système surface-troposphère causant ainsi des changements dans

le climat. Parmi les principaux gaz à effet de serre, on peut citer la vapeur d'eau, le dioxyde

de carbone (C02), le méthane (CI-Li), l'oxyde nitreux (ou protoxyde d'azote) et l'ozone

troposphériquerOj). Les gaz à effet de serre industriels incluent les halocarbones lourds

(comme les chlorofluorocarbones CFC) et l'hexafluorure de soufre (SF6).

4

Figure 1 : Estimation de la moyenne annuelle et mondiale du bilan énergétique de la Terre (Source: http://www.ipcc.ch/publications and data/ar4/wgl/fr/fag-l-1.html)

1.1.1.3. Scénarios d'émissions anthropiques

Selon le Groupe Intergouvernemental sur !'Evolution du Climat (GIEC), un scénario

climatique est une représentation plausible de l'évolution future des émissions de substances

susceptibles d'avoir des effets radiatifs (par exemple, gaz à effet de serre, aérosols), fondée sur

un ensemble cohérent et homogène d'hypothèses relatives aux éléments moteurs ( évolution

démographique et socio-économique, progrès technologique, etc.) et à leurs interactions.

Les premiers scénarii ont été construits en 1992 et nommés IS92a-f Comme ils ont couvert

une grande gamme d'émissions de GES, ces scénarii ont été largement utilisés dans les

modèles climatiques. Mais une évaluation de ces scénarii par l 'lPCC en 1995 en a montré

quelques faiblesses, surtout en raison de l'amélioration des connaissances sur l'atmosphère.

Un nouveau jeu de quarante scénarii a alors été défini à travers le rapport spécial sur les

scenarios d'émissions-SRES (Nakicenovic et Swart, 2000). Quatre canevas de scenarios sont

définis pour donner une description cohérente des rapports entre les forces qui déterminent

ces émissions et leur évolution et ajouter un contexte pour la quantification des scénarios. Les

scénarios sont des images diverses du déroulement possible du future et ils constituent un

outil approprié pour analyser comment des forces motrices peuvent influer sur les émissions

futures. Les scénarios sont nécessaires pour évaluer l'incidence des changements climatiques

et les mesures d'adaptation pour avoir des visions différentes des conditions susceptibles

d'influer sur un système ou une activité donnée. Actuellement, les scientifiques travaillent

5

avec des scénarios qui décrivent les évolutions d'émissions des gaz à effet de serre jusqu'en

2100.

1.1.1.4. Types de scenarios d'émissions des gaz à effet de serre

./ Scenarios du SRES

Les scénarios ont été regroupés en quatre grandes familles désignées (Monnier, 2007)

sous le sigle Al, A2, Bl et B2.Chaque famille représente une évolution différente au plan

démographique, social, économique et environnemental (Tableau I).

Tableau Il: Scénarios d'émission du SRES

Scénario Description

A2 • Un accroissement continu de la population mondiale;

• Le développement économique a une orientation principalement regionale;

• La croissance économique par habitant et l'évolution technologique sont

plus lentes que dans les autres scenarios.

Bl • La population mondiale culminant au milieu du siècle et déclinant ensuite;

• Un changement rapide dans les structures économiques vers une économie

de services et d'information, avec l'introduction de technologies propres et

l'utilisation des ressources de manière efficiente

B2 • La population mondiale s'accroit de manière continue mais à un rythme plus

faible que dans A2;

• TI y a des niveaux intermédiaires de developpement économique et

l'évolution technologique est moins rapide et plus diverse que dans les scenarios

BI et A1.

Al • • •

Intensite de combustibles fossiles (AlFI),

Sources d'énergie autres que fossiles (Al T),

Et équilibre entre les sources (AlB).

La Figure 2 montre l'évolution des émissions totales de C02 pour les six groupes de scenarios

qui constituent les quatre familles (les trois familles A2, BI et B2 plus trois groupes de la

famille Al: AlFI, Al Tet AlB).

6

.....•• - ... __ •• *'--

Figure 2: Evolution des émissions de C02 au cours du 21 ème siècle en fonction des

familles de scénarii (IPCC, 2000)

1.1.1.5. Système climatique et les modèles de simulation du climat

Les bases physiques du système climatique sont bien connues et largement comprises. Le

climat de la terre est déterminé par de nombreux facteurs, processus et interactions à l'échelle

de la planète (figure 3). Parmi les éléments importants, citons l'atmosphère, la biosphère,

l'océan, la glace marine, les nuages et les façons dont ils interagissent. Les propriétés du

système climatique de la terre peuvent être classées en :

• Propriétés thermiques (température de l'air, de l'eau, ... );

• Propriétés cinétiques (vents, courants océaniques, mouvements verticaux, ... );

• Propriétés aqueuses (humidité atmosphérique, contenu en eau liquide ou glace des

nuages, nébulosité, contenu en eau du sol, de la neige, ... );

Propriétés statiques (densité, pression de l'atmosphère et de l'océan, composition de l'air

7

eme-n:t dans rAtmœphère: Co~tiOJ\, Cïrcu~tion

~ , j Atmosphère j

-~Ai. ~--?-~Ot-t.. 'N;,O.~etc.

Atnwz,,:I" C

Figure 3 : Vue schématique des composantes du système climatique, leurs processus et

leurs interactions (OKER, 2010)

1.1.1.6. Modèles climatiques

1.1.1.6.1 Modèles Climatiques Globaux (MCG)

Les modèles climatiques globaux sont une représentation mathématique simplifiée du système

climatique fondée sur des lois physiques. Les différentes composantes du système climatique

doivent y être représentées (atmosphère, biosphère, hydrosphère et cryosphère) ainsi que leurs

processus d'échanges. Ces différents éléments ont été modélisés séparément depuis le début

de l'année 70 avant d'être couplés dans les modèles globaux. Aujourd'hui, on utilise des

Modèles de Circulation Générale Couplés Atmosphère-Océan (AOGCM). Les équations

mathématiques sont résolues au moyen de grilles tridimensionnelles couvrant la surface du

globe (Figure 4). L'espace est subdivisé en milliers de colonnes permettant de recouvrir la

totalité de la surface terrestre et des océans. Les colonnes sont elles-mêmes subdivisées en

plusieurs couches. Les MCG ont typiquement une résolution horizontale comprise entre 250

km et 600 km, de 10 à 20 couches verticales dans l'atmosphère, et parfois jusqu'à 30 couches

dans les océans. La fréquence à laquelle les processus sont calculés à l'intérieur du modèle,

constitue la résolution temporelle du modèle. Il existe actuellement 23 modèles climatiques

globaux dans le monde qui diffèrent les uns les autres par leur résolution spatiale et

8

temporelle, leur structure et le nombre de processus et de paramètres pris en compte

(Debroise, 2007). Les modèles recommandés selon les critères du GIEC: CGCM2, HadCM3,

ECHAM4, GFDL Rl5, CSIR0-Mk2, NCAR-DOE, CCSR.

llomonbl.exchmr;w, 11ori:imd:ù betweo. cobnns of excli.mg,,, momemtam, heù and :moistœe be_twH.a là}'US of :momentum. lleù.u.l~

oooyaphy, wgeta.tioJI. and~~ c~temtics incb.d ~ suâ.ce oauch çia>ox

-l'licù~ be~làyusof momentum, lleù and sali by diflùsioll. romomù eze1wige 'be_tween

cokmms bydiftùmona.nd ~

Figure 4: Structure conceptuelle d'un modèle de circulation générale couplé Atmosphère­

océan (Viner et Hulme, 1997)

1.1.1.6.2 Modèles Climatiques Régionaux (MCR)

Les modèles climatiques régionaux sont des représentations mathématiques des

processus physiques à petite échelle par rapport aux modèles globaux. Ce sont des modèles

numériques semblables aux modèles globaux, mais ils ont une résolution supérieure qui

permet une meilleure représentation, par exemple, du relief présent dans le domaine du

modèle. Les modèles régionaux commencent la résolution des équations à partir des résultats

d'un modèle global qui lui servent de conditions initiales. La plupart des techniques de

réduction d'échelle ou "downscaling" sont à sens unique (la simulation avec les MCR

n'envoie pas de rétroaction vers le MCG directeur) (Kouakou, 2011).

9

1.1.2. Méthodes de désagrégation

L'évaJuation des impacts induits par le changement climatique fait appel à des

formalismes méthodologiques et des outils appropriés pour leur mise en œuvre. Ces méthodes

peuvent être régies par des approches croisées, sectorielles ou multisectorielles.

Les MCG génèrent des variables cJimatiques à grandes échelles conséquentes à des

forçages radiatifs. Ils ne permettent pas de capturer les effets régionaux occasionnés par

exemple par les montagnes ou les variations de l'utilisation du sol, s'ils sont en-deçà de la

résolution des modèJes. Les méthodes de réduction d'échelle des données établissent le lien

entre le climat global et les impacts locaux (Salathe et al, 2003). Une part de l'incertitude des

impacts hydrologiques des changements climatiques provient de la technique de réduction

d'échelle utilisée.

Une étape déterminante de la plupart des études d'impact du changement climatique

consiste donc à utiliser l'information climatique contenue dans les scenarios globaux à basse

résolution pour dériver les scenarios régionaux à haute résolution nécessaires pour forcer le

modèle d'impact. On parle aussi de désagrégation. La Figure 6 illustre cette problématique.

Figure 5 : Problématique de la désagrégation (BOE, 2007)

10

Deux approches existent en matière de méthodes de descente d'échelle:

./ l'approche dynamique qui consiste à résoudre explicitement la physique et la

dynamique du système climatique régional (Bokoye, 2007).

./ l'approche statistique qui repose sur la recherche d'une relation statistique

entre les variables locales et les variables modèles de grande échelle (Wilby et

a/.,2004).

Ces deux approches peuvent être utilisées de façon indépendante ou combinée (méthodes

statistico-dynamiques).

L'approche dynamique est souvent plus coûteuse en temps de calcul. L'approche

statistique quant à elle nécessite de trouver une méthode adaptée au type d'impact que l'on

souhaite étudier (paramètres, domaine, ... ) et de disposer de données historiques sur une

période aussi longue que possible (une vingtaine d'années étant un minimum sous lequel il est

difficile de descendre) pour la construction du modèle statistique.

1.1.2.1. Méthodes de désagrégation dynamique

La méthode de désagrégation dynamique ou réduction d'échelle dynamique consiste à

reproduire le climat par un modèle climatique régional à aire limitée ou a maille variable.

L'extraction de l'information à l'échelle locale à partir de la grande échelle peut être effectuée

par l'une des trois approches suivantes:

./ augmentation de la résolution du modèle atmosphérique, en l'utilisant seul,

sans couplage avec un modèle d'océan;

./ augmentation de la résolution du modèle atmosphérique uniquement sur la

zone d'intérêt et de la dégrader progressivement à mesure qu'on s'en éloigne;

./ utilisation d' un modèle atmosphérique à haute résolution sur une zone unique,

géographiquement limitée.

Un inconvénient de cette méthode est que les MRC transportent l'incertitude des modèles

globaux, car ils y sont emboîtés. Cette approche nécessite plus de ressources humaines et de

moyens informatiques.

1.1.2.2. Méthodes de désagrégation statistique

La méthode de désagrégation statistique ou de mise à l'échelle statistique (MAS) est un

ensemble de méthodes qui permet de générer de l'information climatique ou de changement

climatique de haute résolution spatiale à partir de données de modèles climatiques globaux

(MCG) de résolution spatiale relativement grossière.

11

Les MCGs ont typiquement des résolutions de l'ordre de 150--400 km x 150--400 km.

Les méthodes de MAS visent à répondre aux besoins des études et applications en impacts et

adaptation climatiques qui nécessitent de l'information à l'échelle de l'ordre de 50 km ou

moins. Le principe de MAS repose sur l'établissement de relations entre les variables

observées à l'échelle locale (souvent à l'échelle de la station climatique) [prédictants] et les

variables caractéristiques de la circulation générale à large échelle (prédicteurs). Selon

Salathe et al, (2007), les techniques de réduction d'échelle statistiques ont comme avantage,

par rapport à la réduction d'échelle dynamique, d'exiger moins de ressources informatiques et

de permettre une plus large gamme de scenarios climatiques. La désagrégation statistique

repose ainsi sur l'idée que le climat régional est conditionné par deux facteurs: l'état

climatique de grande échelle (prédicteurs) et des propriétés physiographiques locales

(prédicants) (Cherkaoui, 2012).

Les méthodes statistiques ont pour avantage d'être en générale peu coûteuses en temps

de calcul et d'être capables d'apporter une information localisée (ponctuelle) sur un ou

plusieurs sites. La principale faiblesse est liée au fait que l'hypothèse de stationnarité ne peut

être vérifiée ( on suppose que les relations calculées sur le climat présent restent valides pour

Je climat futur). Une autre contrainte de l'approche statistique est de disposer de données

homogènes sur la période observée pour permettre le calage du modèle statistique. Il existe

plusieurs grandes catégories de méthodes statistiques (tableau II).

12

Tableau JI : Synthèse des méthodes de désagrégation statistique

Catégories méthodes Description

Régression

Pour un prédicant donné, cette méthode permet de

déterminer une relation empirique entre celui-ci et un

linéaire multiple ensemble de prédicteurs connus couvrant une période

d'observation dite d'étalonnage. (Gachon et al., 2005).

Régression

linéaire

Régression

canoruque

L' Analyse de Corrélation Canonique (ACC) permet

d'étudier la relation entre un ensemble de variables

dépendantes et un ensemble de variables indépendantes. La

corrélation canonique est optimisée de façon à ce que la

corrélation entre les deux ensembles de variables soit

maximale (Bokoye, 2007).

Réseau de

neurones

artificiel

Ces modèles apparaissent comme une boîte noire

permettant l'estimation d'un nombre de paramètres à partir

des paramètres des prédicateurs, les deux ensembles sont

reliés par des relations non-linéaires entre prédictant et

prédicateurs (Coulibaly et al, 2001).

Générateur de

séries LARS-WG

Un générateur stochastique de conditions météorologiques

est un modèle qui reproduit les attributs statistiques

( moyenne et variance) d'une variable climatique

considérée à l'échelle locale (Semenov et al., 1998).

Classification

synoptique du

temps Analogie

temporelle

La classification est conduite de façon à choisir les

prédictants en fonction du degré de similitude des états

synoptiques passés avec l'état courant. Cette approche

s'avère efficace pour la construction de séries temporelle

de type multi-sites et multi-variables (Cheng et al., 2006).

Occurrence des

patrons

Elle utilise une approche stochastique de chaîne de Markov

où ce dernier est associé à un type de temps synoptique ou

état synoptique (Robertson et al., 2004).

Deltas

Méthode des

deltas

La méthode des deltas reste encore la procédure la plus

populaire pour générer des scénarios climatiques à

l'échelle locale ou pour une région d'intérêt (Rosh an et al.,

2012).

13

Diverses études récentes ont permis de comparer les méthodes de « downscaling »

statistique, comme celles réalisées en Europe dans le cadre du projet ST ARDEX (Goodess et

al, 2005; Haylock et al, 2006; Schmidli et al, 2007), en Asie ( Li et al, 2005), en

Amérique du Sud ( Christopher, 2001), au Canada ( Gachon et al, 2005; Gachon et Dibike,

2007; Dibike et al, 2008) et quelques unes plus rares en Afrique ( Landman et al, 2001).

Toutefois peu d'études utilisant des techniques de désagrégation statistique ont été

réalisées en Afrique de l'Ouest. L'étude de N'diaye (2001) en plein coeur de la région

Sahélienne a permis d'améliorer la simulation de la précipitation par rapport au MCG, et plus

précisément le MCG allemand ECHAM. Cherkaoui (2012), a utilisé la méthode de réduction

d'échelle statistique via l'outil SDSM et la régression linéaire multiple pour la projection des

changements climatiques futurs dans la haute Moulouya au Maroc. Les projections futures

issues de SDSM, à l'horizon 2099 selon les scenarios A2 et B2, pour les précipitations

montrent une évolution vers l'assèchement quasi-généralisée à toutes les saisons au niveau des

deux stations. Les precipitations baisseraient en moyenne de 84,56 % selon le scenario A2 et

de 26,68% selon le scenario B2 à l'horizon 2099. Chenet al., (2012) ont testé la capacité du

modèle Lars-Wg à réproduire les variables climatiques précipitations et températures au Sud

du Soudan. Les résultats ont montré une bonne performance du modèle à réproduire le climat

du Soudan. Landman et al., (2001) ont également utilisé les techniques de MAS à l'échelle

mensuelle, afin de simuler la précipitation à l'échelle régionale en Afrique du Sud. Ces auteurs

ont conclu que la simulation des évènements extrêmes est réalisable. Li et al., (2005) ont

quant à eux testé les mêmes méthodes mais dans le Sud de la Chine et dans la région de

Taiwan, où un régime de pluie contrasté été/hiver existe, similaire à celui du Sahel. Ils ont

conclu que la variabilité décennale est plus ou moins bien prise en compte dans le processus

de mise à l'échelle statistique. Lim et al (2006) ont montré que la réduction d'échelle

statistique améliore la simulation de la précipitation en Australie, par rapport aux sorties des

MCGs. Schmidli et al, (2007) ont comparé six modèles statistiques (méthodes de régression,

weather typing, générateurs stochastiques de climat et approches de désagrégation spatiale)

avec trois MR.Cs afin de reproduire les statistiques observées de la précipitation journalière

dans les Alpes Européennes. L'évaluation a montré que les modèles de MAS et les MR.Cs ont

tendance à avoir des biais comparables, mais les modèles de MAS sous-estiment fortement

l'amplitude des variations interannuelles. Hellstrom et Chen (2003) ont quant à eux utilisé les

variables prédicteurs issues de MR.Cs et celles issues des MCGs afin de piloter un modèle

statistique de régression linéaire multiple, afin de simuler la précipitation mensuelle en Suède.

14

Les résultats ont montré une légère amélioration des simulations du cycle saisonnier de la

précipitation quant à l'utilisation des prédicteurs du MRC comparé aux prédicteurs de MCG.

1.1.3. Problématique du changement climatique

1.1.3.1. A l'échelle planétaire

Les études portant sur la variabilité et les changements climatiques ont intéressé la

communauté mondiale suite à plusieurs manifestations climatiques de grande ampleur. Parmi

celles-ci, on note la sécheresse qui a touché les deux bandes tropicales de notre planète

(surtout les pays sahéliens d'Afrique de l'Ouest) depuis les années 1970 (Sircoulon, 1976). A

cette sécheresse, s'ajoutent les constatations de l'Organisation Mondiale de la Météorologie

(OMM) sur le réchauffement de la planète, supérieur à 0,7°C, depuis le début du siècle

dernier et les récents phénomènes d'El Nino (Cantat, 1995). Certains effets du changement

climatique sont déjà observables et bien d'autres sont à attendre si l'augmentation des

concentrations de gaz à effet de serre n'est pas maîtrisée. Ils touchent tous les secteurs de la

vie et la plupart des activités. Parmi les manifestations du changement climatique, il y a

l'augmentation de la température moyenne dans l'atmosphère et dans l'océan, des fontes de

neige et du niveau moyen global de la mer. En effet, la température moyenne à la surface de

la terre a augmenté de 0,74°C entre 1906 et 2005 et onze des douze dernières années figurent

parmi les plus chaudes jamais enregistrées depuis 1850 (GIEC, 2007). L'océan, quant à lui,

s'est réchauffé jusqu'à une profondeur d'au moins 3000 met le niveau de la mer a augmenté

de 1,8 mm/an en moyenne depuis 1961 puis, il est passé de 3,1 mm/an entre 1993 et 2003.

A l'échelle des continents et des bassins océaniques, de nombreux changements ont lieu

également. Dans l'Arctique, les températures moyennes observées ont augmenté à un rythme

deux fois supérieur au rythme mondial au cours des 100 dernières années et la banquise a subi

un retrait de 2, 7% par décennie (7,4% en été). Il est également observé que la fonte des

glaciers du Groenland et de la péninsule antarctique a contribué à l'augmentation du niveau

de la mer. De même, des précipitations accrues ont été observées dans de nombreuses régions

(façade Est des continents américains, Europe du Nord, Asie Centrale et du Nord). Des

épisodes de sécheresse plus intenses et plus longs sont observés dans les zones tropicales et

subtropicales ainsi que dans certaines autres régions (bassin méditerranéen). Le dérèglement

du climat pose également des problèmes de santé publique avec le développement

d'épidémie, de maladies émergentes et l'expansion du paludisme en Europe. Le coût

économique annuel mondial des catastrophes naturelJes est passé de 40 milliards de dollars

15

américains dans les années 1990, à US $60 milliards en 2003 selon le PNUE. De nombreuses

catastrophes liées aux conditions météorologiques et au climat ont marqué l'année 2003. En

effet, en Europe et en Amérique du Nord, les vagues de chaleur ont fait 30000 victimes

(PNUE, 2004) et les feux de forêts ont été particulièrement dévastateurs.

Selon Nduita (2004), les bandes côtières de la capitale Namibienne très riches en poissons

par le plancton ainsi que le courant marin chaud de Benguela sont menacées

d'engloutissement par l'océan à cause du changement climatique. De même, la ville de Saint­

Louis à l'embouchure du Fleuve Sénégal connaît des inondations à répétition.C'est aussi le

cas de Ouagadougou qui a été sous les eaux le 1er septembre 2009. Les pays du Golfe de

Guinée sont également sous la menace de l'érosion côtière. En 1998, le Ghana a connu une

crise énergétique sévère due à la baisse du niveau de l'eau dans le principal barrage

d' Akosombo. Celui-ci assure jusqu'à 95% de la consommation d'électricité du Ghana. Cette

crise majeure mettait en exergue la forte corrélation entre la pluviométrie annuelle et les

débits moyens des cours d'eau et aussi le taux de croissance économique. La dépendance de

la consommation d'énergie vis-à-vis du climat témoigne du niveau de vulnérabilité du Ghana

et de l'extrême fragilité de l'ensemble de la sous-région face au changement climatique.

D'une façon générale, les pays en développement sont plus vulnérables que les pays

développés, car ils dépendent fortement des secteurs sensibles au climat comme l'agriculture

ou la foresterie. Les zones les plus touchées sont : les terres basses et les deltas, les grandes

villes côtières, les campements situés dans des plaines inondables.

1

1.1.3.2. A l'échelle de la Côte d'Ivoire

Comme la plupart des pays africains, la Côte d'Ivoire est en proie à une démographie

galopante (environ 20 millions d'habitants) provoquant une pression anthropique sur

l'environnement au sens large du terme entrainant la déforestation, l'urbanisation accrue, la

pollution avérée de l'air, du sol et des eaux. En Côte d'Ivoire, la variabilité climatique s'est

traduite aussi par une alternance de phases sèches et humides qui a engendré l'apparition de

ruptures dans les séries pluviométriques mesurées dans le pays. Ces ruptures ont entraîné à

leur tour des déficits pluviométriques qui varient entre 10% et 30% (Servat et al, 1998 ;

Goula et al, 2006; Kouakou et al., 2007 ;Goula et al., 2009). La longue période de déficits

pluviométriques (1970-2000) a eu un effet prononcé sur les écoulements et les réserves en

eaux souterraines, notamment pendant les périodes 1970-1974 et 1981-1993. La baisse dans

les écoulements atteint parfois les 50% (Goula et al, 2009). De plus, les saisons des pluies

sont réduites avec des débuts tardifs et de bins précoces, perturbant ainsi les calendriers

16

culturaux et les phénomènes météorologiques sont extrêmes et surviennent de façon

hasardeuse ces dernières années.

La Côte d'Ivoire, qui sort progressivement d'une crise sociopolitique est un pays

vulnérable surtout face aux changements climatiques dont les impacts consistent en une

érosion côtière manifeste, des inondations fréquentes, des glissements de terrains,

l'émergence de certaines maladies telles que la fièvre typhoïde, une dégradation des terres, et

une perte de la biodiversité. L'érosion côtière a déjà causé beaucoup de dégâts au niveau de la

commune de Port- Bouet (Abidjan) et des villes de Grand- Bassam, de Jacqueville et de

Grand- Lahou (Kouakou, 2011). En Côte d'Ivoire, l'année 1996 a été marquée par de fortes

pluies qui ont entraîné des inondations dans les quartiers d' Abobo et de Cocody faisant ainsi

31 morts. Aussi les trois dernières années surtout 2014 le mois de Juin a enrégistré des pertes

en vie humaines des ces mêmes quartiers dont 13 en une seule nuit.

1.1.4. Projections des changements climatiques futurs

Les nombreuses simulations réalisées depuis le 3ème rapport d'évaluation permettent de

mieux évaluer la probabilité des changements attendus, pour différents "futurs

possibles", en fonction des hypothèses relatives aux profils d'émissions. Selon les rapports de

l'IPCC (2001) et du GIEC (2007), les tendances globales au réchauffement de

l'atmosphère seraient de 0,2°C par décennie. De même, dans l'hypothèse d'une

stabilisation des concentrations des émissions au niveau de 2000, un réchauffement de

0, 1 °C par décennie serait inévitable. Les projections du réchauffement moyen mondial à

l'horizon 2100 sont fortement dépendantes des scénarii d'émissions envisagés. Par

rapport à la période 1980-1999, le réchauffement attendu en 2100 peut varier en moyenne

de 1,8°C à 4,0°C selon les scénarii (GIEC, 2007). L'augmentation du niveau de la mer à

l'horizon 2100 relativement à la période 1980-1999 pour 6 scénarii d'émission pourrait

varier de 0,19 m à 0,59 m (GIEC, 2007) .

./ Ressources en eau

j

1

, _

Il y aura une augmentation de la fréquence et de l'intensité des événements de

précipitations extrêmes. Les effets des changements climatiques pourraient provoquer la

diminution de la couverture neigeuse. Il apparaîtra une augmentation très importante du

niveau de la mer suite à la fonte massive des glaciers; ce qui provoquerait des modifications

importantes du profil des côtes et des perturbations très importantes dans les zones

17

estuariennes et les deltas. Concernant les eaux souterraines, peu d'études existent. Nous

notons toutefois que des inondations plus fréquentes pourraient contribuer à une recharge

plus importante des nappes alluviales. Par ailleurs, l'augmentation du niveau de la mer

entraînera une poussée vers les continents du biseau salé. En effet, la plupart des bassins

sédimentaires côtiers contenant d'importantes nappes d'eau douce seront sous la mer.

./ Ecosystèmes

Le GIEC (2007) prévoit trois impacts majeurs sur les écosystèmes :

- la capacité naturelle d'adaptation de nombreux écosystèmes sera dépassée au cours de ce

siècle par une combinaison, sans précédent, de perturbations diverses ( changements

climatiques et effets associés, pollutions, changement d'affectation des terres, ... );

- les puits terrestres de carbone diminueront vraisemblablement, amplifiant ainsi le

changement climatique. Les écosystèmes pourraient devenir des sources nettes de

carbone avant 2100. Des émissions potentiellement importantes proviendront des stocks

de carbone qui se décomposent plus rapidement qu'on ne le pensait précédemment (toundra,

pergélisol) ;

- en cas de réchauffement moyen mondial supérieur à 1,5 à 2,5°C, 20 à 30% des

espèces végétales et animales seront menacées d'extinction et des changements majeurs

affecteront la structure et le fonctionnement des écosystèmes ainsi que les interactions entre

espèces et leur distribution géographique .

./ Sociétés humaines

Les coûts et les bénéfices du changement climatique pour l'industrie, les habitations

et la population varieront considérablement en fonction des localités et de la zone

géographique. Les domaines les plus exposés sont ceux situés dans les zones côtières

inondables et dans les plaines alluviales. Les communautés pauvres sont particulièrement

vulnérables du fait, notamment de leur plus grande dépendance aux ressources locales

exposées aux risques climatiques comme l'eau et la production alimentaire.

./ Santé

Les changements climatiques affecteraient la santé de millions de personnes, en raison

de l'incidence plus élevée de la malnutrition, de la morbidité et de la mortalité accrue que

pourraient causer les vagues de chaleur, les inondations, les tempêtes, les sécheresses. Ils

affecteraient aussi la distribution spatiale des vecteurs de maladies infectieuses (GIEC, 2007).

18

1.2. Cadre d'étude

1.2.1. Localisation géographique

La Côte d'Ivoire est située en Afrique de l'Ouest entre les longitudes 2°30 et 8°40

Ouest et les latitudes 4°20 et 10°50 Nord (Figure 6). Le territoire est limité au Sud par

!'Océan Atlantique, à l'Est par le Ghana, au Nord par le Burkina Faso et le Mali, à l'Ouest par

la Guinée et le Liberia. Sa superficie est de l'ordre de 332462 km'.

-20"(---~--

••

r 0 1

Figure 6: Localisation géographique de la Côte d'Ivoire (Mines, 1998)

19

1.2.2. Relief

Dans son ensemble, le relief de la Côte d'Ivoire est peu contrasté; il est surtout

caractérisé par une sorte de monotonie. Dans la réalité, à travers cette uniformité apparente, on

peut distinguer trois grands types de reliefs (Figure 7) :

• les plaines, s'étendent du Sud du pays, où les altitudes varient de O à 200 m de la mer

vers l'intérieur;

• les plateaux, prolongent les plaines vers le Nord et s'en détachent progressivement. Les

altitudes varient de 200 à 500 m;

• les massifs montagneux, localisés dans l'Ouest, constituent l'avancée orientale d'un vaste

ensemble de hautes terres centrées sur la Guinée (chaîne du Fouta Djallon). Il s'y

rencontre des sommets culminant au-delà de 1000 m d'altitude (aux monts Tonkpi et

Nimba).

Utitudef~

Figure 7 : Relief de la Côte d'Ivoire (Arnaud, 1983)

20

1.2.3. Végétation

En Côte d'Ivoire, deux grands types de paysages végétaux se partagent le territoire

(Figure 8):

• Le domaine guinéen est situé dans la moitié sud en zone forestière. On y distingue quatre

secteurs caractérisés par des groupements végétaux particuliers répondant à des conditions

écologiques différentes. On trouve dans ce domaine guinéen, des prairies altimontaines

(sommet du mont Nimba) et des savanes de basse côte entre Grand-Lahou et la lagune

Aby;

• Le domaine soudanais, situé dans la partie septentrionale en zone de savane se subdivise

en deux secteurs : le secteur sub-soudanais et le secteur soudanais. Le secteur sub­

soudanien plus important, s'étend de la limite nord de la zone guinéenne aux frontières du

Mali et du Burkina Faso. Le secteur soudanien est très limité et ne concerne que l'extrême

nord du pays, suivant une ligne Férédou (au Nord d'Odienné), Ferkessédougou, Nassian

(au Sud de la réserve de Bouna), Farko.

N

A

Dom4'in«t Guiné•

Fôret dense humide - Fônat d•frfchée ombrophil& -- Fôret humide semi-decidue

Fôret defrichée mésophile - S.r.a,m11 mésophih• ·-- Fôn,t et prairie

Domaine Soudanai5

Fô.-.t d•n•• sicha s-..na art>usr.-. sul>-soud:a,nals Sa...-ane boisée sub soud_an_ai:s - Sa\lane boisée soudanais .•...

SaYëlne arbusive soudanais

E,:h,,lle: .'l~S'O'.ù:Oùù

Figure 8: Couvert végétal de la Côte d'Ivoire (Brou, 2005)

21

1.2.4. Climat

1.2.4.1. Regime pluviometrique

En Côte d'Ivoire, la pluviométrie est tributaire des variations thermiques de !'Océan

Atlantique, du couvert végétal et des déplacements du Front Inter Tropical de transition

(F.I.T.). Les déplacements du Front Inter Tropical créent une zonation nord-sud des

différentes régions climatiques qui permet de distinguer quatre types de climat (Figure 9).

10°

BQ

-~ Ou

___________ ,,,,.,,...,,. •

IJU

• T1 t)

11glo • •

Snut, /

B

.,,. .j

,,,..-----~ ..• ,. Our •

1 ,G.;;gno.-. .. ,l •

l O'J"J.i> Ti • .. CD

lfiàlro----- •

en_g:::orou +

0

Légende

+ Poste pluvromêtrique

<D RiglrM iquatorial de transtion (c:tim. 111111ffn

Rigime~de~on @ -.ttànui (climat baou!Mn)

Limite dê zone climaitlque

Régime tropical de ·i tnmsition(climat soudanien) a

.:c L•••••·•••••• • Régime dê montagne

. "'

J FlîlAMJ JASOND

Figure 9 : Principales zones climatiques de la Côte d'Ivoire avec une illustration des

quatre régimes pluviométriques (Goula et al., 2007).

22

./ Régime équatorial de transition

Le climat équatorial de transition englobe le littoral et une grande partie de la zone

forestière, se rétrécissant dans le Sud-Ouest du pays ; à la limite sud de Taï et de Soubré

(Avena.rd et al., 1971).

Dans cette zone climatique, les pluies sont inégalement réparties. Les régions les plus

arrosées (hauteur moyenne annuelle supérieure à 1800 mm) sont : la bande littorale s'étendant

de Jacqueville à la frontière Est avec le Ghana (Brou, 2005) .

La partie du littoral de San-Pedro à Grand-Lahou reçoit des pluies entre 1400 mm et

1800 mm annuellement. La région de Tabou est particulière avec une hauteur moyenne de

2200 mm. Sur le reste de cette zone climatique les hauteurs vont en décroissant du Sud vers le

Nord (de 1600 mm à 1200 mm).

./ Régime équatorial de transition atténué

C'est un climat de type intermédiaire très variable selon les années. Il s'étend des

régions de Bouna et de Bondoukou au Centre de la Côte d'Ivoire (région de Bouaké) et aux

régions forestières et montagneuses de l'Ouest ( entre Taï et Touba); il jouit d'un climat de

transition entre le climat équatorial et le climat tropical prédésertique.

La répartition géographique des pluies se fait d'Est en Ouest; de la région faiblement

arrosée de Bouna (hauteur moyenne annuelle entre 1000 mm et 1100 mm) aux régions

fortement arrosées de l'Ouest; la hauteur moyenne annuelle étant supérieure à 1900 mm. La

croissance est régulière suivant la ligne Séguéla, Vavoua, Touba .

,/ Régime tropical de transition

Cette zone englobe la partie septentrionale du pays et s'étend de la région d'Ouangofitini

aux régions de Tengréla et d'Odienné. La température y est plus variable et l'humidité relative

demeure plus basse.

La répartition géographique des pluies dans le climat soudanais est semblable à celui du

climat baouléen. La répartition se fait d'Est en Ouest. En effet, on passe progressivement des

secteurs faiblement arrosés du Nord-Est (entre 1000 et 1200 mm à Bouna), aux ambiances

plus humides des milieux montagneux de l'Ouest avec 1600 mm par an en moyenne à

Odienné.

23

./ Régime sub-montagnard

C'est un type de climat azonal, très influencé par les facteurs orographiques locaux du

fait de la localisation de l'aire concernée à l'extrémité occidentale des reliefs de la dorsale

guinéenne. Il s'agit en réalité d'une zone charnière entre les climats tropicaux, tropicaux

humides et sub-équatoriaux. C'est le régime pluviométrique des massifs montagneux de

l'Ouest de la Côte d'Ivoire; dans les régions de Man, Danané et Toulepleu .

1.2.5. Temperature

En Côte d'Ivoire, le gradient thermique est orienté grossièrement du Sud vers le Nord

(Brou, 2005). Un échauffement de l'air est en effet observé à mesure que l'on progresse vers

le Nord. Les températures annuelles les plus basses sont toutefois observées dans la zone

montagneuse (Figure 10), à l'Ouest de la Côte d'Ivoire. Les températures les plus fortes sont

enregistrées dans 1' extrême nord à Korhogo, mais également dans le secteur sud-est de la

cuvette de Dimbokro (Figure 10).

Les mois les plus chauds de l'année sont ceux de février, mars et avril où, à l'exception du

quart sud-ouest du pays, toutes les localités connaissent des températures mensuelles

supérieures à 27 °C. La Côte d'Ivoire enregistre ses températures les plus basses en juillet et

en août. Sur l'ensemble du pays, ces températures descendent souvent à 20 °C.

10

Î8'np9rana"-.

rc, 1

23-6

231 g

22~

22.T

216

1)1

llllli

lll.l

19.6

1 u-:-; l'l J;li 1,JJ •• .,.

~ 1 1 7 ~ -4 ,)

Figure 10: Températures minimales (A) et maximales moyennes (B) de la Côte d'Ivoire sur

la période 1955-1997

24

CHAPITRE II : DONNEES ET METHODES

25

Chapitre 2: Données d'étude et approche méthodologique

2.1. Données pluviométriques

Les données utilisées pour cette étude proviennent de la Direction de la Météorologie

Nationale (SODEXAM). Ces données couvrent la période de 1970 à 1991. Elles sont

constituées des hauteurs de pluies journalières. Les postes pluviométriques sélectionnés,

obéissent à des critères de continuité, de durée de l'information disponible et de qualité des

données. Le choix des postes s'est également effectué de manière à permettre une couverture,

la plus homogène possible de la zone d'étude. Pour cette étude, 13 postes pluviométriques ont

été retenus. Ces postes présentent toutes des séries chronologiques de 22 ans de mesures. Les

caractéristiques des postes utilisés sont présentées dans le tableau III.

Tableau ID: caractéristiques des postes pluviométriques utilisées

Stations Type Période Altitude Longitude Latitude

d'observation (m) Ouest Nord

( degré décimale) (degré décimale)

Abidjan Synoptique 1936 7 -3,56 5,15

Adiake Synoptique 1944 35 -3,18 5,18

Bondoukou Synoptique 1919 371 -2,47 8,3

Bouake Synoptique 1955 376 -5,40 7,44

Daloa Synoptique 1966 276 -6,28 6,52

Dimbokro Synoptique 1921 92 -4,42 6,39

Gagnoa Synoptique 1919 205 -5,57 6,08

Korhogo Synoptique 1971 J81 -5,37 9,25

Man Synoptique 1922 340 -7,31 7,24

Odienne Synoptique 1921 434 -7,34 9,30

Sassandra Synoptique 1922 62 -6,50 4,57

Tabou Synoptique 1919 20 -7,22 4,25

Yamoussoukro Synoptique 1974 196 -5,21 6,54

26

2.2. Approche méthodologique

2.2.1. Evaluation de la performance du modèle de réduction d'échelle statistique

2.2.1.1. Présentation du modèle stochastique

Le modèle Lars-WG est un générateur stochastique de climat utilisant une approche

basée sur les séries pour la génération des variables climatiques. Il a été développé en Grande­

Bretagne au «Long Ashton Research Station» pour reproduire diverses catégories de climats à

travers l'Europe. Lars-WG est fondé sur le générateur de climat décrit en détail par Racsko et

al. (1991) et Semenov et Barrow (1997). Le générateur de type Lars-WG utilise une

distribution semi-empirique pour la génération des séries de jours secs et pluvieux, des

quantités de précipitations pour les jours pluvieux et des radiations solaires. Il utilise des

données observées pour un site spécifique comme données d'entrée pour définir les

paramètres de distribution des différentes variables climatiques ainsi que les corrélations entre

ces variables.

Les variables climatiques analysées et produites par Lars-WG sont les précipitations, les

températures maximales et minimales, et les radiations solaires. Dans la présente étude, la

variable d'étude est constituée des pluies.

2.2.1.2. Fonctionnement du modèle stochastique

A cette phase de la méthodologie, le fonctionnement du modèle de réduction d'échelle

statistique peut-être divisé en 2 étapes distinctes :

./ Calibration du modèle stochastique

La première étape du processus consiste à analyser les données pluviométriques

observées aux stations afin de déterminer leurs caractéristiques statistiques. Ces paramètres

des données pluviométriques observés permettent de générer des données synthétiques à

1' aide à de distributions semi-empiriques. La distribution de fréquence des séries synthétiques

est calculée en tenant compte des séries de jours pluvieux et de jours secs et de la quantité de

précipitations observées (Semenov et Stratonovitch, 2010) .

Les données pluviométriques journalières des 13 stations de l'étude ont servi à la

calibration du modèle de réduction d'échelle sur la période 1970-1991.

27

../ Validation du modèle stochastique

Au cours de cette étape, les caractéristiques statistiques des données pluviométriques

observées et synthétiques sont analysées pour déterminer s'il y a des différences significatives

(Semenov et Barrow, 1997).

La validation des performances du générateur stochastique se fait en comparant les

distributions de probabilité, la moyenne et la variance des données observés et synthétisées à

l'échelle mensuelle à l'aide de tests statistiques notamment du test de Kolmogorov-Smirov,

du test t de Student et du test F de Fisher (Semenov et al, 1998). A chaque test statistique est

associée une valeur de p-value. Celle-ci indique la probabilité que les données générées et

observés proviennent de la même population. La valeur de signification de 0,05 est un niveau

commun de signification utilisé dans les tests statistiques .

De façon spécifique, Si p-value est inférieure à 0,05 cela veut dire que le climat simulé

ne sera probablement pas le même que le climat «vrai ».Dans le cas contraire les données

observées et générées proviennent de la même série de distribution.

Le test de Kolmogorov-Smirov compare les distributions de probabilité de la longueur

des séries sèches et humides des séries de données observées et générées. Le test de Student

ou test t est utilisé pour l'analyse des moyennes des données observées et des données

simulées. Ce test suppose que les échantillons analysés proviennent de populations normales

et possèdent des écarts-type inconnus mais égaux (Weiss et Basset, 1991). Le test de Fisher

ou test F est utilisé pour comparer les écart-types des données observées et les données

simulées. Ce test suppose que les échantillons analysés proviennent de populations normales

(BaiJJargeon, 1990).

2.2.2. Génération des scénarios de changement climatiques

Après validation des paramètres statistiques, le modèle offre la possibilité de générer des

scénarios futurs. Avant la génération des scénarios futurs, il est indispensable de procéder au

choix du scénario, du ou des modèles climatiques ainsi que des périodes de projection.

2.2.2.2. Choix des modèles climatiques

Le générateur LARS-WG regroupe en son sein près de 15 modèles de circulation

général. Pour les projections climatiques futures, 3 modèles de circulation générale ont été

utilisés (Tableau IV). Ces derniers ont des résolutions d'échelle plus faibles que les autres

modèles.

28

Tableau IV : Modèles climatiques utilisés pour la génération des données futures

'•odèJe climatique Institution Resolution

(kmxkm

BCM2 Bjerknes Centre for Climate Research BCCR Norway 1.9° x}.9°

CM3 Centre national de Recherche Météorologique l.9° xI.9°

HADCM3 UK Meteorological Office UK 2.5° x3.75°

La figurell résume le processus de fonctionnement du modèle de réduction d'échelle

statistique.

Caractéristiques statistiques des données observées

Correction des données

Génération de serie synthétiques et comparaison avec les données de pluies observées

Non Validation du Modèle

Oui

Génération des Scénarios de Changement climatique

Figure 11 : Schéma du processus de fonctionnement du modèle de réduction d'échelle

LARS-WG.

29

2.2.2.2. Choix des périodes de projection

Dans notre étude les périodes futures choisies pour la simulation sont les intervalles

2011-2030; 2046-2065; 2080-2099. Ce choix a été fait pour observer les effets du

changement climatique à moyen et long terme.

2.2. 3. Projection des changements climatiques futurs

2.2.3.1. Approche graphique

A l'aide de représentations graphiques, l'évolution des pluies historiques (1970-1991) est

comparée à celle des pluies générées sous le scénario AlB pour les modèles BCM2, CNCM3

et HADCM3 afin de détecter d'éventuelles modifications des paramètres pluviométriques sur

les trois périodes futures considérées.

2.2.3.2. Approche statistique

L'approche statistique consiste à calculer l'écart moyen entre les hauteurs de pluies

historiques (période de référence) et les hauteurs de pluie générées sous scénario AlB pour

les modèles BCM2, CNCM3 et HADCMJ afin d'évaluer les tendances futures des paramètres

pluviométriques. L'expression de l'écart moyen est donnée comme suit:

f;m:::: (Psim-Pobs) Pobs

Avec:

Em: écart moyen pluviométrique(%)

Psim: pluie moyenne mensuelle simulée par le modèle

P obs : pluie moyenne mensuelle observée

Si Em > 0 : tendance à la hausse des pluies

Si Em < 0 : tendance à la baisse des pluies

(1)

2.2.3.3. Approche spatiale

La méthode de krigeage est utilisée ici pour le tracé des isohyètes. Ce qui permet d'en

étudier l'évolution spatiale. Le krigeage tient compte de la variabilité spatiale et de la variable

régionalisée, ce qui lui permet de minimiser l'erreur d'estimation. Cette méthode a été choisie

pour la cartographie des écarts moyens annuels des précipitations pour les trois périodes

futures considérées par rapport à la période de référence 1970-1991.

30

2.3. Outils de traitement des données

La mise en œuvre de cette méthodologie a nécessité l'utilisation des programmes

suivants:

"' LARS-WG (Version 5): pour la mise à l'échelle statistique des données

pluviométriques

"' HYDROSPECT : pour la préparation des données de pluie journalière en données

moyennes mensuelles

"' Tableur Excel 2007 : par la réalisation des graphes et le traitement statistique des

données.

,/ P AINT : amélioration des cartes.

"' SURFER : pour la réalisation des isohyètes

31

CHAPITRE III : RESULTATS ET DISCUSSION

32

Chapitre 3 : Résultats et Discussion

3.1. Analyse des résultats

3.1.1. Performance du modèle de réduction d'échelle LARS-WG

3.1.1.1. Analyse graphique

La performance du modèle a été analysée du point de vue graphique en tenant compte

des régimes pluviométriques de la zone d'étude. Celui-ci traite donc du volet qualitatif en vue

de savoir si le modèle traduit fidèlement les régimes pluviométriques saisonniers de la Côte

d'Ivoire.

v"Régime équatorial de transition

L'analyse graphique montre que le modèle est capable de décrire les variations

saisonnières caractéristiques du régime équatorial de transition (Figure 12). Les variations

pluviométriques de ce régime, caractérisées par 2 pics pluviométriques sont bien représentées

tant dans la zone côtière (Abidjan, Tabou,) qu'à l'intérieur des terres (Gagnoa et Dimbokro).

T,

/ \ ·~

./ .I

,Y .y

so 1 ~· ., 0

,1-/ , ~ ~ ,, § ~ ~ ~ ~

. ~

...... .... •... •." \

.-~ . .. ····~ .

J ., #

•... t' I I

. pluie~ - plm ,lfflérér

Figure 12: Variation saisonnière des pluies observées et simulées par le modèle dans le régime équatorial de transition

33

./ Régime équatoriaJ de transition atténué

Dans ce régime climatique, outre le fait que les pluies soient surestimées ou sous-estimées par

endroit, notamment pour les mois d'avril à mai dans la zone de Bondoukou et Yamoussoukro .

De manière générale, les périodes de la saison sèche et de la saison humide sont similaires à

celles issues des observations.

\

/

600 1-:

1-60

Yamoussoukro

•..•. -- ... ---~ !- .

... · .. i

,f .. .•

. i t

·····•

~ ••••••.. .~.t!, ~~ ·~~ ~"' , ,.p~ ,4~ .Îf .,. .,... ~>F'

pluie~ -plu~~~

\ •••

···•··· pluie amttvr.e

;:,'- A ~ ~ ~ "0 ~...,. ••. ~ .F î .If~- Ji ~o~ t]t'

pluîe~értt

Figure 13 : Variation saisonnière des pluies observées et simulées par le modèle dans le

régime équatorial de transition atténué

./Régime tropical de transition

Le régime climatique dans cette zone est bien représenté dans les deux stations Korhogo

et Odienné (Figure 14). En effet, les précipitations générées suivent presque exactement la

distribution des précipitations observées .

34

-200 e ~150 .Il 3 ••. '.100

.•....... ~ .. ~ \..

Figure 14: Variation saisonnière des pluies observées et simulées par le modèle dans le

régime tropical de transition

v"'Régime montagnard

Dans ce régime climatique représenté par la station de Man le régime des précipitations

observées et générées sont similaires. Les régimes pluviométriques saisonniers sont bien

reproduits.

300 _,

'l 1.50 ., 100

. .::::- •. ~ ••.. > .•

\

Figure 15: Variation saisonnière des pluies observées et simulées par le modèle dans le

régime montagnard

3.1.1.2. Analyse statistique

L'analyse des performances du modèle a été évaluée du point de vue statistique. Il s'agit

1c1 d'une part de comparer les paramètres statistiques (moyenne et variance) des pluies

mensuelles observées et ceux des pluies générées par le modèle et d'autre part d'analyser la

35

capacité du modèle à décrire la distribution de probabilité des pluies mensuelles ainsi que les

séquences de périodes humides et sèches.

./ Analyse des paramètres statistiques des pluies générées et observées

Le tableau V présente les résultats des tests t etf sur les moyennes et les écart-type des pluies

observées et générées de la station d'Abidjan. Le test de Student ou test T indique que les

moyennes et écarts types des pluies observées et générées ne sont pas significativement

différents. Les pluies générées et observées proviennent selon ce test de la même population.

Quant au test de Fisher ou test/, il montre que les écart-types des pluies générées et observées

d'août et septembre sont significativement différents. En effet, les valeurs de la plus-value de

ces deux mois est inférieure à 0,05. La synthèse des résultats de l'ensemble des stations

analysées dans cette étude est présentée dans le tableau VI. Il ressort de l'analyse qu'à part

les stations de Gagnoa et de Man au mois de février le modèle simule mieux les hauteurs de

pluies mensuelles caractériser par la moyennes mensuelle que leur variabilité caractérisé par

la variance mensuelle.

Tableau V: Résultats des tests statistiques des séries observées et générées à la station d'Abidjan

Jan. Fév. Mars Avril Mai Juin Juil. Aout Sept. Oct. Nov. Déc.

Moy.Obs. 11,35 44,67 106,94 142,35 324,89 524,45 125,10 31,12 88,00 136,24 134,49 68,72

Moy. Gén. 15,02 37,35 101,55 137,11 327,13 544,25 144,19 32,00 73,74 156,13 118,52 77,55

Testt -0,95 0,71 0,40 0,30 -0,06 -0,32 -0,72 -0,15 0,77 -0,79 1,12 -0,65 p-value 0,34 0,48 0,69 0,76 0,95 0,75 0,47 0,88 0,44 0,43 0,27 0,52 Ec. Obs. 14,12 41,61 58,33 57,56 171,89 224,66 105,21 30,05 102,26 91,17 60,05 45,03 Ec. Gén. 15,4 39,4 50,5 71,1 143,5 250,5 102,6 18,4 54,5 100,6 54,0 56,7

Test/ 1,19 1,12 1,33 1,53 1,44 1,24 1,05 2,66 3,52 1,22 1,24 1,59 p-value 0,68 0,73 0,40 0,29 0,30 0,60 0,85 0,01 0,00 0,64 0,53 0,25

Pluie moyenne observée : Moy.Obs. ; Pluie moyenne Générée : Moy.Gén. ; Pluie observée (écart-type):

Ec.Obs. ; Pluie Générée (écart-type): Ec.Gén.) lest t: test de comparaison de !a moyenne ; test f: lest dJ

comparaison de la variance : p-value : probabilité que les données observées et générées proviennent de La même distribution.

36

Tableau VI: Synthèse de la comparaison des écarts- types et de la moyenne mensuelle des

séries observées et générées des stations d'étude

stations TESTS JAN FEV MAR AVR MAI JUI JULL AOT SEP OCT NOV DEC

Test, V V V V V V V V V V V w Abidjan

TestF V V V V V V V X X X V V

Test z V V V V V V V V V V V V Adiake

TestF V X V V V V V V V V V V

Test, V V V V V V V V V V V .Bondoukou

TestF V V V V V V V V V V V V

Testt V V V V V V V V V V V V Bouaké

TestF V V V V V V V V V V V V

Testt V V V V V V V V V V V Daloa

TestF V V V V V X V V X V V V

Testt V V V V V V V V V V V V Dimbokro

TestF X V V V V V V V V V V

Test; V X V V V V V V V V V Gagnoa

TestF X V V X V V V V V V V V

Testt V V V V V V V V V V V V Korhogo

TestF X X V V V V V V V X V

Test, V X V V V V V V V V V V Man

TestF X V V V V V V V X V V V

Testt V V V V V V V V V V V V Odiénné

TestF X V V V V V V V V V V X Test, V V V V V V V V V V V V

Sassandra TestF V X V V V V V V V X V X Testi V V V V V V V V V V V V

Tabou TestF X V X V X V X X V V V V

Testt V V V V V V V V V V V Yamoussoukro

TestF V V V V V V V V V V X V

V: valeurs de paramètres statistiques journaliers générés eJ observées ne sont pas

significativement differentes mi seuil de 0, 05 : X: Valeurs de paramètres statistiques journaliers

générés et observées sont significativement différentes au seuil de 0, 05

37

./ Analyse de la distribution de probabilité des pluies générées et observées

Le tableau VII présente les résultats de la comparaison de la pluie journalière générée

par le modèle et celle observée à 1 'aide du test Kolmogorov-Smirnov(KS) de la station

d'Abidjan. Selon ces résultats les valeurs de la p-value associées au test KS sont toutes

supérieures à 0,05. Cela montre que le modèle reproduit correctement les pluies journalières

de tous les mois à la station d'Abidjan. La synthèse des résultats de l'ensemble des stations

analysées dans cette étude est consignée dans le tableau VIII. Il réssort de l'analyse que 98%

des pluies générées et observées ne sont pas significativement different au seuil de 0,05.

Le modèle n'a pas pu reproduire de manière significative les pluies journalières du mois

de Janvier des stations d' Adiaké et de Bondoukou.

TableauVIl: Distribution de probabilité des pluies journalières à la station d'Abidjan

Mois Kolmogorov-Smirnov p-Value

Janvier 0,084 1,0000 --

Fevrier 0,066 1,0000

Mars 0,073 1,0000

Avril 0,076 1,0000

Mai 0,112 0,9975

Juin 0,168 0,8704

Juillet 0,056 1,0000

Aout 0,036 1,0000

Septembre 0,186 0,7778

Octobre 0,161 0,9007

Novembre 0,088 1,0000

Decembre 0,079 1,0000

38

Tableau Vlll: Synthèse des résultats de comparaison de la distribution des pluies journalières

observées et générées des stations d'étude

stations JAN FEV MAR A VR MAI JUl JU1 AOT SEP OCf NOV DEC

Abidjan V V V V V V V V V V

Adiake X V V V V V V V V V V

V

Bondoukou X V V V V V V V V V V V

Bouaké V V V V V V V V V V V V

Daioa V V V V V V V V V V V V

Dimbokro V V V V V V V V V V V V

Gagnoa V V V V V V V V V

Korhogo V V V V V V V V V V V V

Man V V V V V V V V V V V V

Odiénné V V V V V V V

Sassandra V V V V V V V V V V V V

Tabou V V V V V V V V V V V V

Yamoussoukro V V V V V V V V V V V

V : valeurs de paramètres statistiques journaliers generes et significativement diffèrentes au seuil de O. 05 ; X : Valeurs de paramètres eénérés et observées sont significativement âzfferentes a1, seuil de 0.05

./ Analyse de la longueur des périodes humides et sèches générées et observées

Le test de Kolmogorov-Smirnov (KS) est utilisé pour comparer la longueur des saisons sèches

et humides. L'année a été divisée en quatre trimestres de deux saisons chacune (Humide et

Sèche) à partir du mois de Décembre. Le tableau IX présente les résultats de la station

d'Abidjan ou le modèle ne reproduit pas bien la longueur de la saison humide du trimestre

Septembre -Octobre -Novembre (SON), La synthèse des résultats de l'ensemble des stations analysées dans cette étude est consignée dans le tableau X

39

A part la station d'Abidjan à la saison humide du trimestre SON, toutes les autres stations de

notre étude donne une p-Value de Kolmogorov-Smirnov supérieur à 0,05. Cela montre que

la distribution sémi-empirique utilisée par le modèle reproduit correctement le climat dans

ces différents régimes climatiques.

Tableau IX: Distribution de probabilité de la longueur des séries Humides et Sèches par le test de Kolrnogorov-Smirnov (KS) de la station d'Abidjan.

Trimestre Saisons KS p-Value

Décembre-Janvier-Février Humide 0,057 1,0000

Décembre-Janvier-Février Sèche 0,100 0,9996

Mars-Avril-Mai Humide 0,062 1,0000

Mars-Avril-Mai Sèche 0,113 0,9971

Juin-Juillet-Aout Humide 0,087 1,0000

Juin-Juillet-Aout Sèche 0,080 1,0000

Septembre-Octobre-Novembre Humide 0,399 0,0367

Septembre-Octobre-Novembre Sèche 0,109 0,9983

Tableau X: Synthèse des résultats de la comparaison de la longueur des séries humides et

sèches des stations d'étude

Trimestre Saison Abj Adk Bon Bou Dal Dim Gag Kor Man Odi Sas Tab Yam

Humide V V V V V V V V V V V V V DJF

Sèche V V V V V V V V V V V V

Humide V V V V V V V V V V V V V MAM

Sèche V V V V V V V V V V V V V

Humide V V V V V V V V V V V V V DA

Sèche V V V V V V V V V V V V V

Humide X V V V V V V V V V V V V so

Sèche V V V V V V V V V V V V V

DJF: Décembre <Janvier -Février M:L\I: Mars-Avril-Mai JJA. : Juin-Juiltet-Aoûi SON: Septembre-Octobre-Novembre

40

1 1

3.1.2. Génération des scénarios climatiques futurs

Après l'étude des performances du modèle à simuler les régimes pluviométriques des

zones climatiques de la Côte d'Ivoire, cette partie présente les tendances futures de la pluie

annuelle et mensuelle ainsi que des modifications susceptible d'affecter les saisons. Les

tendances sont analysées sous trois horizons 2011-2030, 2046-2065 et 2080-2099 par rapport

à la période de référence 1970-1991.

3.1.3. Projection des changements climatiques futurs selon le scénario AlB aux

horizons 2011-2030, 2046-2065 et 2080-2095

3.1.3.1. Tendances futures des hauteurs de pluies annuelles

La figure 16 présente les écarts pluviométriques annuels aux horizons 2011-2030, 2046-

2065 et 2080-2095. Il ressort des analyses qu'à l'horizon 2011-2030, la grande partie du

territoire de la Côte d'Ivoire pourrait connaitre une tendance à la hausse des pluies annuelles

d'environ 10% selon les trois modèles. Par contre, une spécificité s'observe au sud-est de la

Côte d'Ivoire, ou la pluviométrie annuelle aura une tendance à la baisse avec des déficits

pluviométriques pouvant atteindre 5% à 30%.

A l'horizon 2046-2065, la majeure partie de la Côte d'Ivoire pourrait être sur un déficit

pluviométrique à l'échelle annuelle d'environ 30%.Ce déficit pluviométrique est très marqué

dans les régions centres (Bouaké, Dimbokro ). Cependant, quelques zones vont connaitre un

accroissement de la pluviométrie de 20% à 50%. Ce sont notamment les régions nord et du

sud-ouest (Sassandra, Tabou, San-Pedro) de la Côte d'Ivoire. A l'horizon 2080-2099, les

régions du nord-est, du sud-ouest et la région des montagnes pourraient devenir plus arrosées

avec des excédents de 10% à 40%. Les faibles pluviométries annuelles s'observeront selon

une diagonale du sud-est (Adiaké), passant par le centre (Bouaké, Dimbokro), jusqu'au nord­

ouest(Odienné) de la Côte d'Ivoire (figure 16 C et F). Mais une spécificité est observée pour

le modèle HADCM3 où la pluviométrie reprend dans le Nord-Ouest (figure 16 I).

41

1 1

BCM2 (2011-2030) IICIIZ (21N6-Z065)

--(%)

.. .1 .. .. .3· -8 -1 -8 .•

50 ,.5 40 35 lO 25 20 1, 10 5 0 ..

.J .. -1

C .J

A CHCll3 (2011-2030)

B CNCll3 (2046-2065) CNCIIJ (2080-2099)

.. D

HADCll3 (2011-2030)

-8 .1 .. .5 .3

..

-8

.,

-1

..

..

.. ..

..

N

50 .. 40 35 se 25 ',o

.. .7 .. .. .. .J

E F HADC113 (2046-2065) HADCM.1 \.C..UOV-Lu~9)

50 45 40 35 30 25 20 15 10 s

.. ., .. .. .J

G H I

Figure 16: Ecarts pluviométriques à l'échelle annuelle selon les modèles BCM2, CNCM3, HADCM3 aux horizons 2011-2030; 2046-2065 et 2080-2099

42

3.1.3.2. Tendances futures des saisons humides et sèches

../ Horizon 2011-2030

La figure 17 présente les évolutions futures des saisons sèches et humides à l'horizon

2011-2030. A la station d'Abidjan, les saisons sèches et humides ne vont pas être modifiées

selon les modèles climatiques utilisés. Les modèles prévoient une modification des saisons

sèches et humides à la station de Bondoukou. En effet, on observe une réduction des périodes

sèches et une augmentation des périodes humides. De même, les modèles prévoient un

décalage des pics pluviométriques de septembre à mai. Dans les régions montagneuses, il est

noté que les modèles prévoient une augmentation significative de la pluviométrie au mois

d' Avril et de Septembre respectivement de 52,44% et 23,83%. Par contre, les autres mois de

l'année deviendront déficitaires en pluie par rapport à la période de référence. A Korhogo, les

modèles prévoient 3 mois de fortes pluviométries avec une hausse au mois d' Août de 30, 23%

par rapport à la période de référence. Les mois de novembre à mars en saison sèche ont une

pluviométrie inférieure à 50mm. Les pluies des mois d'avril, mai et juin présentent des

tendances à la hausse. Les deux saisons des pluies sont biens reproduites par le modèle.

100

Pob -+- P-,ee

li î . ~ ~~-#> y

:lllll·-

Figure 17: Variabilité saisonnière des précipitations à l'horizon 2011-2030

43

./ horizon 2046-2065

A l'horizon 2046-2065, on assiste à une modification des régimes pluviométriques de

la station de Dimbokro, avec déplacement du maximum de juin à mai. Les deux saisons des

pluies sont biens représentées, à Daloa on assiste à une baisse régulière de la pluviométrie aux

mois d'Octobre à Décembre, Février, Mars, Mai et Juin. Contrairement aux mois d' Août et

Septembre ou l'on s'attend à une hausse des pluies. A la station de Man le régime uni modal

est conservé, on note une augmentation des précipitations moyennes mensuelles aux mois de

Janvier, Mars, Mai, Juillet, Septembre et Octobre par rapport à la période de référence 1970-

1991de 1,42% à 423,33%. A la station d'Odienné, le régime climatique est bien reproduit

dans cette période. Les variations concernent les mois de Juillet et d' Aout où les hauteurs de

pluie seront élevées par rapport à la période de référence.

lt _,/~·\ _./ \

~~

Figure 18: Variabilité saisonnière des précipitations à l'horizon 2046-2065

44

./ horizon 2080-2099

A la station de Tabou à l'horizon 2080, il est prévu une modification du régime

pluviométrique avec décalage du maximum de Juin à Mai. Les régimes pluviométriques sont

biens marquées à la station de Yamoussoukro, les variations portent sur une hausse des pluies

aux mois d' Avril, Mai, Juin et Juillet. Le régime climatique est bien reproduit dans cette

période les variations concernent les mois de Juillet et d' Aout où les pluies sont surestimées à

Korhogo. Dans le régime pluviométrique des massifs montagneux de l'Ouest de la Côte

d'Ivoire les deux saisons des pluies sont biens marquées, les modèles prévoient une

augmentation significative de la pluviométrie au mois d' Avril et de Septembre. Le régime

pluviométrique à un comportement identique à celle de la période 2011-2030.

T âoo:::.mall.;;mgg 800

TOO

Q10

êSOO I!! i4001 l , \ I'-... .!Il i .• ,.:: '"' l300 f li:

200

100

0 -~ _, ..•.. ;:,. i" ~ ~

·-•-Pob --~

400

350

300

~ ~ _.,.iillO i .•. ,so

100

; ~ ' -1' ~, / ; • ..,,. ~ ..,. ~· •.. ·I

Figure 19: Variabilité saisonnière des précipitations à l'horizon 2080-2099

45

3.1.3.3. Tendances futures des hauteurs de pluies mensuelles

./ Horizon 2011-2030

La figure 20 présente les écarts pluviométriques moyens mensuels des stations d'Abidjan,

Yamoussoukro, Korhogo et Man à l'horizon 2011-2030. Il ressort des analyses qu'à l'horizon

2011-2030, les hauteurs de pluie mensuelle des mois de janvier, mars, avril et décembre

connaitront une hausse. A la station d'Abidjan, les pluies mensuelles vont augmenter de 20 à

60% selon les modèles. Concernant, les pluies de Yamoussoukro, elles vont connaître une

hausse de plus de 90%. Des baisses notables seront observées au cours des mois de juillet à

novembre et de mars respectivement à Abidjan et Korhogo .

Korbogo 150 ;~ 100

-~12

"'0 - 50 C""

-sg 1 •••• aCNCM3

Cl C >..2 0 •• E~ -100 .•. a. -150

:'tJ 'S)' '.!O' ~... ~

•.. - .....• ~<fi:. ~~<(:, ~ :.!,' -:§!:--

.,. .... '.t..~

~V

~~l}-<;;,e~ e;

u ••

~ ~ ....,.:s g-v. a ~r:r ,;;,'té-

••• a.

c.,e •BCM2 ,lan

• 700 •• -- ~~ 200 ... - CC ••• 0

-300 >- o';;j E 'a -800

--~ ~- ~ ~~ ~

,._ u

~ ~<e, -= .••• ·~

'>" ' u - ::,,.~ ~ ~'ri; ~ ~ ••• ,Q.

Figure 20: Ecarts moyen des pluies mensuelles à l'horizon 2011-2030 par les trois modèles.

46

./ Horizon 2046-2065

A cet horizon d'étude il faut s'attendre à Abidjan à une hausse légère de la pluviométrie de

1,48%, le mois de Janvier sera plus arrosé avec 79, 73% par rapport à la pluie moyenne

observée en Janvier. L'analyse des écarts pluviométriques à Yamoussoukro nous montre que

les précipitions moyennes mensuelles seront à la hausse de 19%. Les mois de Janvier, Juin,

Juillet, aout et septembre justifient cette hausse. L'observation des écarts nous montre qu'à

l'horizon 2065 les pluies moyennes mensuelles à Korhogo auront une tendance à la hausse de

38,08%, les mois de Janvier, Août Octobre Novembre et Décembre le montre si bien. Dans le

climat de montagne la moyenne mensuelle des pluies va augmenter de 34, 15% par rapport à

la moyenne des précipitations observées. Le mois de Janvier aura une pluviométrie plus

élévée que les autres mois.

... ... - -.:, -;Ji!. ~-;;; ••• C >-.2 o- elê :: .!!- - u :t; ~ u - •.•• a.

150 00 50 0

-50 -100 -150

300 100 -100 -300

••• - 400 {:~ 200 ~ ~ 0 ~-;::; -200 E !! %!:§. - u ,: - V"'­ IU Q.

800 600 400 200 0

-200 400 -600

1:m

• aCNCM.3

HAOCM3

•

• aCNCM3

• aCNCM3

HADCM3

•CNCM3

H

Figure 21 : Ecarts moyen des pluies mensuelles à l'horizon 2046-2065

47

,/ Horizon 2080-2099

A la station d'Abidjan, les mois de Janvier et Décembre seront plus arrosés avec les écarts

respectifs de 73,06% et 41,53%. Le mois d'Août sera le plus sec avec une baisse

pluviométrique de -32,89% par rapport à celle observée. A Yamoussoukro, l'on observera une

augmentation de la pluie moyenne mensuelle de 40,56% qui se justifie du fait qu'à part le

mois de Septembre ou l'on observe une baisse de -9 ,04% tous les autres mois présentent une

tendance à la hausse. A Korhogo, le modèle climatique HADCM3 prévoit des hauteurs

pluviométriques très élevées surtout aux mois de Janvier et de Décembre. Dans la région de

Man, on notera une augmentation des pluies de Janvier et Novembre respectivement de 494

% et 221,09%. Les pluies les plus faibles seront observées aux mois de Décembre Février et

Juillet.

• Prl\11,

aCNCM3 .,._ QI"* -u­ s: ••• -c» C >.:2 o- E -~ tJ .~ - u .,. •QI u •.. w ~

2 100 0

-1 -200

00 2.00

0 -200 -400

K.orbogo 300

100 -100 -300

•&CM2

•CNCM3

1-u~omu

• B0.'12

aOKM3

l'A.DUI.I

.J~n 1000 800 600 400 200

0 -200

•BCM2

• • HAOCM3

Figure 22 : Ecarts moyen des pluies mensuels à l'horizon 2080-2099 -}8

3.2. Discussion

3.2.1. Performance du modèle LARS-WG

Il ressort des analyses que le modèle LARS-WG reproduit assez bien les quatre régimes

pluviométriques de la Côte d'Ivoire. En effet, les régimes à deux pics et à un pic

pluviométrique ont été bien simulés. En outre, le modèle simule mieux les hauteurs de pluies

mensuelles caractérisé par les moyennes mensuelles que leur variabilité caractérisé par les

variances mensuelles. La principale raison est que le modèle traite les pluies quotidiennes

comme des événements indépendants de la distribution mensuelle des données (Semenov et

al., 1998). En Iran, Fakbir et al. (2011) ont montré que le modèle simule les pluies dans une

fourchette acceptable. Chum et al. (2013) ont montré que les générateurs de conditions

météorologiques sont capables de simuler la plupart des propriétés statistiques des données

historiques de précipitation, mais il semble que le GLM-WG simule mieux les extrêmes de

précipitation et la variabilité temporelle des indices de sévérité de la sécheresse que le LARS­

WG.

La principale lacune des générateurs stochastiques se situe au niveau de la variance

interannuelle des données de précipitations synthétiques. Les données simulées ont tendance

à sous-estimer cette variabilité. La raison probable de cette sous-estimation est le fait que,

dans les deux cas, les probabilités d'occurrence et les quantités de précipitations sont générées

séparément. Une série de jours consécutifs avec des précipitations importantes est

difficilement reproductible puisque chaque quantité de précipitations journalières est générée

à partir d'un nombre aléatoire indépendant. Une solution possible à ce problème serait

d'inclure dans l'analyse de ce paramètre une variable basée sur les patrons de circulation

atmosphérique et de conditionner la distribution des précipitations sur cette variable. Les différences entre les données observées et simulées dépendent aussi de la situation géographique et du climat de la région où la station climatologique est située. La distribution

semi-empirique utilisée par le modèle implique une meilleure représentation de ces séries car

il prend en compte, dans sa distribution semi-empirique, toutes les séries observées.

Dans l'ensemble, le modèle LARS-WG est un bon outil de réduction d'échelle

statistique et peut donc servir à la projection des changements climatiques futurs en Côte

d'Ivoire.

49

1

3.2.2. Projection climatiques futures en Côte d'Ivoire

L'analyse des éventuels effets du changement climatiques sur les paramètres

pluviométriques indiquent des modifications futures au niveau des hauteurs des pluies à

l'échelle annuelle et mensuelle ainsi que des perturbations des saisons. Ces modifications et

perturbations varient selon les horizons et les modèles. A l'échelle annuelle, les hauteurs de

pluies vont augmenter de 10% à l'horizon 2011-2030 et une diminution de 5% à 10% à

l'horizon 2046-2065 dans les régions sud-est et centre du pays. La période 2080-2099 sera

marquée par une reprise de la pluviométrie dans les régions nord-est, sud-ouest et la région

des montagnes avec des excédents de 10% à 20%. Les travaux de Kouakou et al. (2012) ont

montré avec le modèle régional RegCMJ une augmentation de l'ordre de 5% des pluies

annuelles sur l'ensemble du pays. Selon Bigot et al. (2002), les fluctuations de la

pluviométrie sont tributaires des variations thermiques de l'Océan Atlantique.

A l'échelle mensuelle, l'on assiste tantôt à une augmentation, tantôt à une baisse suivant

les mois, le régime pluviométrique et le modèle climatique. Ce même constat a été fait par

Kouakou (2011) lors de ces travaux sur le bassin versant de la Comoé avec une réduction

d'échelle dynamique. Les études effectuées par Goula et al. (2006) ont montré pour la zone

de savane arborée et pré forestière, une diminution de 1,33% des précipitations avec le

modèle GFD3 contre une hausse de 8,4% avec le modèle UK.89 à l'horizon 2075. Dans la

zone de savane, le modèle GFD3 prédit une diminution de 1,33% contre 0,56% pour le

modèle UK.89. L'augmentation ou la diminution des précipitations moyennes mensuelles

prévues par le modèle lors de la présente étude est en accord avec les travaux de la

CEDEAO-CSAO (2008). Selon l'IPCC (2008), le volume des précipitations augmentera aux

latitudes élevées alors qu'il diminuera d'environ 20 % en 2100 dans la Plupart des régions

continentales subtropicales. D'après les études de Kouadio et al. (2002) menées en Côte

d'Ivoire, un réchauffement anormal des températures de surface de l'océan de l'Atlantique

Sud-Ouest, entraîne des baisses pluviométriques. Un refroidissement des températures de

surface de l'Atlantique tropicale (au Nord de l'équateur) entraine l'augmentation des

précipitations dans certaines parties de l'Afrique de l'Ouest.

50

CONCLUSION ET PERSPECTIVES

51

En somme, cette étude s'est intéressée à la mise en évidence d'éventuelles

modifications temporelles de la pluviométrie (pluie annuelle, mensuelle, saisons) dues aux

changements climatiques futurs. Elle poursuivait deux objectifs majeurs : évaluer la

performance du modèle LARS-WG à reproduire les conditions climatiques de la Côte

d'Ivoire et analyser les tendances futures des saisons humides et sèches, des hauteurs de pluie

à l'échelle annuelle et mensuelle sur les horizons 2011-2030, 2045-2065 et 2080-2099.

Concernant le premier objectif, l'étude a montré que le modèle LARS-WG a permis de

réaliser une bonne réduction d'échelle statistique. En effet, selon les tests statistiques de

Fisher, de student et de Kolmogorov-Smirnov, ce modèle a su reproduire fidèlement les

saisons, les distributions statistiques des pluies ainsi que les hauteurs de pluies mensuelles

avec un niveau de signification 5%.

Au niveau du second objectif, l'analyse des projections climatiques s'est faite à

l'échelle annuelle et mensuelle. A l'échelle annuelle, l'analyse des écarts pluviométriques

présente une tendance à la baisse et une autre à la hausse. Les plus faibles pluviométries

seront observées au Sud-Est, dans les régions centres et du Nord-Ouest de la Côte d'Ivoire

selon les modèles climatiques considérés. Par rapport à la période de référence 1970-1991,

les pluies moyennes mensuelles aurons des tendances soient à la hausse soient à la baisse

selon les mois sur les trois horizons futurs considérés. L'effet des changements climatiques

pourrait se produire dans le futur ou les projections climatiques prévoient une modification du

régime pluviométrique dans certaines régions du sud et du centre de la Côte d'Ivoire. En effet

dans ces régions il est prévu un déplacement du mois le plus pluvieux (Juin) au mois de Mai.

Le mois de Janvier sur les trois périodes futures aura une tendance à la hausse. Les pluies

moyennes mensuelles seront plus élevées à la station d'Abidjan et dans le régime des

montagnes représentées par la station pluviométrique de Man.

Le modèle LARS-WG bien qu'aillant des limites est un excellent outil de réduction

d'échelle pour la simulation et la projection des changements climatiques futurs en Côte

d'Ivoire. Les changements annoncés dépendent largement du scénario d'émission de gaz à

effet de serre choisit, du comportement économique, social et environnemental des

communautés au cours des prochaines années ce qui constitue une inconnue de taille.

Il va falloir en ce sens élaborer des scénarios climatiques pour la Côte d'Ivoire. Il

s'agira d'évaluer l'adéquation pour la Côte d'Ivoire des divers Modèles Climatiques

Régionaux (RMC) produits par le projet européen ENSEMBLES pour le scénario AlB et

déterminer une combinaison de modèles qui sera validée pour la prévision de l'évolution du

52

climat futur. Cette évolution sera présentée sous forme de variations saisonnières et annuelles

des données de précipitation et de température.

Comparer si possible avec d'autres méthodes dynamiques de mise à l'échelle (modèles

climatiques régionaux) en parallèle, afin d'explorer les incertitudes associées au choix de la

méthode de mise à l'échelle statistique.

Analyser et comparer la méthode suggérée avec d'autres méthodes de mise à l'échelle

statistique.

53

REFERENCES BIBLIOGRAPHIQUES

54

Aerts J. Droogers P., 2004. Climate change in contrasting River Basins: Adaptation

Strategies for water, food and Environnement. CABL Books, Londen, 288p.

Arnaud J. C., 1983. Le relief de la Cote d'Ivoire. In Les Atlas jeune Afrique de la Côte

d'Ivoire. Editions jeune Afrique, Paris : 36pp 6 - 7.

Ardoin B. S., 2004. Variabilité hydroclirnatique et impacts sur les ressources en eau de

grands bassins hydrographiques en zone soudano-sahélienne. Thèse de Doctorat de

l'Université de Montpellier II, 440 p.

Avenard J. M., Girard G., Sircoulon J., Toucheboeuf P., Guillaume J. L., Adjonohoun

E. et Perraud A. (Eds.) ., 1971. Le milieu naturel de la Côte d'Ivoire. Mémoire

ORSTOM, Paris, 39lp.

Baillargeon, G., 1990. Méthodes statistiques de l'ingénieur (Vol. 1) ,28p.

Bigot S., Brou Y. T, Bonnardot V., Servat E., 2002. Interannual stability of rainfall patterns

in the Ivory Coast over the period 1950-1996. International Association of

Hydrological Sciences, 274, pp.507-514.

Boe J., 2007. Changement global et cycle hydrologique: Une etude de regionalisation sur la

France, Thèse de doctorat, Universite paul sabatier - toulouse m, 21 Op.

Bokoye 1., 2007. Description sommaire des méthodes de mise à échelle statistique (mas)

Environnement Montréal (Québec) Canada, 18p.

Brou Y. T., 2005. Climat, mutations socio-économiques et paysages en Côte d'Ivoire.

Mémoire de synthèse des activités scientifiques présenté en vue de l'obtention de

!'Habilitation à Diriger des Recherches, Université des Sciences et Techniques de

Lille (France), 212p.

Cantat O., 1995. Variabilité et variation climatiques en Normandie. L'évolution récente des

températures à Caen-Carpiquet. Sécheresse, vol. 6, n° 3, p. 273-279.

CEDEAO-CSAO., 2008. Climat et changements climatiques en Afrique de l'Ouest. Atlas de

l'intégration Régionale en Afrique de l'Ouest. CSAO/OCDE, ILSS, FAO. 13p.

Cheng, S.C., Campbell, M., Li, Q, Auld, H., Day, N., Pengelly, D., Gingrich, S., et Yap,

D., 2006 A Synoptic Climatological Approach to Assess Clirnatic Impact on Air

Quality in South-central Canada. Part I: Historical Analysis. Water Air Soi! Pollut.

doi 10.1007/sl 1270-006-9327-3.

Chen, H., Jiali G., Zengxin Z., Chong-Yu Xu., 2012. Prediction oftemperature am

précipitation in Sudan and South Sudan by using LARS-WG in future. Theor Appl

limatol doi 10.1007/s00704-012-0793-9.

55

Cherkaoui A., 2012. Désagrégation statistique des données via l'outil SDSM pour la

projection des changements climatiques futur dans la haute Moulaya au Maroc.

Mémoire présenté pour l'obtention du diplôme d'ingénieur d'état, Université Hassan

II Moharned-Casablanca (Maroc), 93p.

Coulibaly P., Anctil F. et Bobée. B., 2001. Multivariate reservoir in:flow forecasting using

temporal neural networks. Journal of Hydrologie Engineering, ASCE, 6(5), pp. 367-

376.

Christopher A., 2001. Regional Climate Modeling with RSMA Case study over Northem

Brazil, pp19-36.

Debroise A., 2007. Accusés : les gaz à effet de serre, Sciences et vie, S&V hors série,

Mondadori, France, pp.18-34.

Dibike, Y.B., Gachon, P., St-Hilaire, A., Ouarda, T.B.MJ., Nguyen, V.T.-V., 2008.

Uncertainty analysis of statistically downscaled temperature and précipitation

regimes in Northem Canada. Theoretical and Applied Climatology, 91(1-4):pp 149-

170.

Fakhir,M.,Farzaneh,M., Eslamian, S., et Hosseinipour, E., 2011. Uncertainty Analysis of

Downscaled Précipitation Using LARS-WG Statistical Mode) in Shahrekored

Station, Iran. World Environnement and Water Ressources Congres: pp. 4572-4578.

Fowler, H. J., C. G. Kilsby., 2000. A stochastic rainfall model for the assessment of regional

water resource systems under changed climatic conditions. Hydrology and Earth

System Sciences, 4(2): pp263-282.

Gacbon P. et Dibike Y. B., 2005. Temperature change signais in northem Canada:

Convergence of statistical downscaling results using two driving GCMs,

International Journal ofClimatology, 27(12): pp. 1623-1641.

Gachon P. et Dibike Y. B., 2007. Temperature change signais in northern Canada:

Convergence of statistical downscaling results using two driving GCMs,

International Journal of Climatology, 27(12): pp.1623-1641.

GIEC ., 2000.Rapport special du Groupe de travail m du GIEC, Scenariosd'emissions,

GIEC ., 2007. Bilan 2007 des changements climatiques. Contribution des Groupes de travai

I, II et Ill au quatrième Rapport d'évaluation du Groupe d'Experts

Intergouvernemental sur L 'Evolution du Climat, Genève, Suisse, 103p.

Goodess, C.M., Anagnostopoulou,C., Bardossy, A., Frei. c., Harpham, c., Haylock, M.R., Hundecha, Y., Tomozeiu, R. and Wilby, R.L., 2005. "An intercomparison

ofstatistical downscaling methods for Europe and European regions -assessing their

56

performance witb respect to extreme temperature and precipitation events", Climate

Change, submitted, 52p.

Goula B. T. A., Kouassi V. J., Savané L, 2006. Impacts du changement climatique sur les

ressources en eau en zone tropicale humide : cas du Bandama en Côte d'Ivoire.

Agronomie Africaine, 18 (1), pp.1-11.

Goula B. T. A., Konan B., Brou Y. T., Savané 1., Fadika V. et Srohourou B., 2007.

Estimation des pluies exceptionnelles journalières en zone tropicale: cas de la Côte

d'Ivoire par comparaison des lois Lognormale et de Gumbel. Journal des Sciences

Hydrologiques, 52 (2): pp49 - 67.

Goula B. T. A., Kouassi W. F., Fatika V., Kouakou K. E., Savané L, 2009. Impacts du

changement climatique et de la variabilité climatique sur les eaux souterraines en

zone tropicale humide : cas du bassin versant de la Comoé. International Association

of Hydrological Sciences, 3 3 4, pp 190-202.

Baylock, M. R., Peterson TC., AJves L.M, Ambrizi T, Anunciacao Y.M.T, Baez J.,

Barros V.R., Berlato M.A., Bidegain M., Coronel G., Corradi V., Garcia V.J.,

Vincent L.A.,2006. Trends in total and extreme South American rainfall in 1960-

2000 and links with sea surface temperature, Journal ofC!ima/ology, 19, pp 490-

1512.

Bellstrom C., et Chen D., 2003. Statistical downscaling based on dynamically downscaled

predictors: Application to monthly precipitation in Sweden. Advances in

Atmospheric Science, 20, pp 951-958.

IPCC, 2001. Climate Change 2001. Impacts, adaptation and Vulnerability. Contribution

of Working Group II to the Third Assessment Report of the IPCC. Cambridge

University Press, UK, 1032p.

IPCC, 2000. Emissions scenarios, A Special Report ofWorking Group ID of

Intergovernmental Panel on Climate Change. Cambridge University Press,

Cambridge, U. K. and New York, NY, USA, 599p.

IPCC, 2008. Climate Change and Water. !PCC Technical Rapport IV, 214 p.

Katz, R. W. et M. B. Parlange., 1998. Over dispersion phenomenon in stochastic modeling

of precipitation. J Climate, 11, pp59l--601.

Kouadio Y., Ochou D. A., Servain J., 2002. Atlantic influence on the rainfall variability

in Côte d'Ivoire. Geophysical Research Letters, 30, pp.8005-8012.

Kouakou K. E., Goula B. T. A., Savané 1., 2007. Impacts de la variabilité climatique sur

les ressources en eau de surface en zone tropicale humide : Cas du bassin versant

57

transfrontalier de la Comoé (Côte d'Ivoire - Burkina Faso). European Journal of

Scientific Research, 16 (1), pp.31-43.

Kouakou K. E.,2011. Impacts de la variabilité climatique et du changement climatique sur

les ressources en eau en Afrique de l'Ouest : Cas du bassin versant de la Comoé.

Thèse de Doctorat de l'Université Naangui Abrogoua (Côte d'Ivoire), 186p

Landman, W.A., Mason, P.D. Tyson, and W.J. Tennant.,2001. Retro-active skill of

multitiered forecasts of summer rainfall over southem Africa. International journal

ofClimatology2l, pp 1-19.

Li T., Tung Y.-C., and Hwu 1-W., 2005. Remote and Local SST Forcing in shaping

AsianAustralian Monsoon Anomalies. Journal ojthe Meteorological Society ofJapan,

83(2), pl53-167.

Lim E., Hendon H., Wang G., Alves O., 2006. Statistical-dynamical prediction of tropical

Indo-Pacific SST and Australian rainfall. Bureau of Meteorology Research Centre.

South Eastern Australian Climate Initiativel2.pp 24-34.

Mearns, L.O., Rosenzweig C., et Goldberg.R, 1996. The effect of changes in daily and

interannual climatic variability on CERES-Wheat: A sensitivity study. CUm. Change

32:pp257-292.

Mines., 1998. L'Archéen, l'aube des temps géologiques a plus de 2 milliards d'années : c'est

vieux la Terre?http://www.mines98.com/country/lr/3.htm.

Monnier E., 2007., les activités humaines. Sciences et vie, S&V hors série, Mondadori,

France, pp.57-64.

Nakicenovic N, Swart R (eds)., 2000. Special Report on Emissions Scenarios. A Special

Report of Working Group ID of the Intergovemmental Panel on Climate Change.

Cambridge University Press: Cambridge, UK and New York. 570 p.

Ndiaye O., 2001. "Current seasonal Forecasting methods and downscaling", CLIMAG in

West Africa, Proceedings of the ST AR/EU commissionlFMA International

Workshop held in Bamako, pp 23-45.

Nduita J., 2004. Changement et variabilité climatique. Bulletin d'information du Bureau

régional de l'UICN pour l'Afrique de l'Ouest, 10, 24 p

Oker T., 2010. Effects of climate change on the spatial and temporal transformations of

wetlands: Case study on abajuzzi wetlands, MSc Thesis.123p.

PNUE., 2004. Impacts de la canicule 2003 en Europe. Bulletin d' Alerte Environnementale,

4p.

58

Racsko, P., Szeidl L. et Semenov M., 1991. A serial approach to local stochastic weather

models. EcologicalModeling 57, pp 27-41.

PNUD., 2009. Rapport Mondial sur le developpement humain. Lever les barrières: Mobilité

et developpement humains, New york, Programme des Nations Unies pour le

Développement, pp45

Robertson. A.W., Kirshner,S. et Smyth,P., 2004. Downscaling of daily rainfall occurrence

over Northeast Brazil using a Hidden Markov Mode), J. Climate, 17, pp 4407-4424.

Salathe. E. P., 2003. Comparison of various precipitation downscaling methods for the

simulation of streamflow in a rainshadow river basin. International. Journal of

Climatology, 23(8).pp887-901.

Schmidli, 1., C. M. Goodess, C. Frei, M. R. Haylock, Y. Hundecha, 1. Ribalaygua, et T

Schmith.,2007. Statistical and dynamical downscaling of precipitation. An

evaluation and comparison of scenarios for European Alps. Journal of Geophysical

Research, l 12(d4), D04105.

Semenov, M. A. et Barrow E. M.,1997. Use of a stochastic weather generator in the

development of climate change scenarios. Climatic Change, 35(4. 397-414.

Semenov, M.A., Brooks, R.J., Barrow, E.M. et Richardson, C.W. 1998. Comparison of

the WGEN et LARS-WG stochastic weather generators for diverse climates. Climate

Research, 10, 95-107.

Semenov M.A, Stratonovitch P., 2010. Use of Multi-model ensembles from global climate

models for assessment of climate change impacts. Climate Research 41 : 1-14.

Servat E., Paturel J. E., Kouame B., Travaglio M., Ouedraogo M., Boyer J. F., Lubès­

Niel H., Semenov, M.A., Brooks, R.J., Barrow, E.M. et Richardson, C.W,.1998.

Comparison of the WGEN et LARS-WG stochastic weather generators for diverse

climates. Climate Research, 10. pp 95-107.

Viner D., Hulme M., 1997. The Climate Impacts: applying results from the Hadley Centre's

Climate change impact assessment Climatic Research Unit, Norwich, UK, l 7p.

Weiss, N. A., et Basset, M. J.,1991. Introd:uctory Statistics (3rd ed.): Addition-Wesley

Publishing Company,32p.

Wilby, R.L., S.P. Charles, E. Zorita, B. Timbal, P. Whetton, and 1.0. Meams.,2004.

Guidelines for use of climate scenarios developed from statistical downscaling

methods, available from the DDC ofIPCC TGClA, 27 pp.

Wilks, D.S., et R.L. Wilby., 1999. The weather generation game: a review of stochastic

weather models. Progress in Physical Geography, 23, pp329-357

59