"
Climatologie

2015

Reconstitution de séries de pluies quotidiennes en Afrique de l’Est : application aux caractéristiques des saisons des pluies

Daily rainfall reconstruction in East Africa: application to the rainy season characteristics

Joseph Boyard-Micheau et Pierre Camberlin

[Version PDF]

Résumé

La reconstitution de données de pluies manquantes au pas de temps quotidien et à l'échelle stationnelle est parfois nécessaire pour l'étude de changements climatiques ou des travaux de climatologie appliquée. C'est le cas, en domaine tropical, de l'analyse des variations des caractéristiques des saisons des pluies (dates de démarrage et de fin, durée, etc.). A partir d'une approche méthodologique classique fondée sur une régression linéaire multiple pas à pas, mais appliquée pour tirer le meilleur parti possible des données disponibles et incluant une correction des biais, les performances de la reconstitution des pluies obtenues sont évaluées en considérant différents descripteurs de la structure temporelle des saisons des pluies est-africaines. L'Afrique de l'Est, par sa topographie contrastée et ses deux saisons des pluies forcées par des mécanismes d'échelles spatiales différentes, constitue une zone pertinente pour tester la méthodologie de reconstitution. Les résultats montrent que l'occurrence des jours de pluies ainsi que les quantités précipitées sont reproduites correctement dans les espaces où les précipitations sont les plus abondantes et où le nombre de pluviomètres est plus important. Si au pas de temps journalier, les performances des reconstitutions restent parfois modestes, elles sont bien plus satisfaisantes lorsqu'on les évalue à partir des caractéristiques saisonnières ou intra-saisonnières comme le cumul saisonnier, le nombre de jours de pluie, ou les dates de début et de fin des saisons des pluies. L'impact du comblement des lacunes est directement associé à la proportion de lacunes dans les séries temporelles de pluie, sans qu'il soit possible d’identifier un pourcentage de lacunes au-delà duquel les performances de la méthode de reconstitution se détériorent significativement. La distribution temporelle des valeurs manquantes a également un impact non négligeable sur la qualité de la reconstitution de la saison des pluies : ainsi, lorsque l’absence de données de pluie concerne de longues périodes continues, les caractéristiques de la saison des pluies sont mal reproduites.

Abstract

The reconstruction of daily rainfall data at the station scale can be necessary to study the climate change or other applied climatology work. This is the case in tropical area to analyze rainy season characteristics (onset and cessation dates, duration, etc.). A classical methodological approach based on multiple linear stepwise regression is applied to reconstitute daily rainfall data. This methodology is developed to take advantage of all the available data and included a bias correction. Performances are assessed from various descriptors allowing to describe the temporal structure of the African rainy seasons. It is tested over East Africa, a challenging area where the complex topography strongly constrains spatial and temporal rainfall distribution. Results show that the rainy days occurrence and the daily rainfall amount are correctly reproduced in wettest and well-documented areas. Although the reconstruction skill is sometimes modest at the daily time step, satisfactory skill scores are obtained when the reconstruction method is evaluated through seasonal and intra-seasonal characteristics such as the total rainfall, the number of rain days and the dates of rainy season onset and cessation. The impact of temporal series – in-filling is directly associated with the amount and temporal distribution of missing values in the original series but it was not possible to determine how much missing values may lead to a significant decrease of the quality of the rainy season characteristics decreases. The temporal distribution of missing values has also an impact on the quality of the reconstructed rainy season so that the longer the sequences of missing values, the poorer the skill of the reconstruction.

Entrées d'index

Mots-clés : comblement de lacunes, hauteurs de précipitations quotidiennes, régression linéaire multiple pas à pas, variables intra-saisonnières, Afrique de l'Est

Keywords: missing values reconstruction, daily rainfall, multiple linear stepwise regression, intra seasonal characteristics, East Africa

Texte intégral

Introduction

Les données pluviométriques mesurées directement sur le terrain par les services météorologiques nationaux ont l’avantage de fournir souvent de longues séries d’observations indispensables à la détection des changements climatiques, mais elles présentent en contrepartie certaines limites comme par exemple souvent la présence de valeurs manquantes. Ces lacunes peuvent être la conséquence de différents problèmes d'enregistrement, comme une défaillance mécanique dans le cas des pluviomètres automatiques, une absence temporaire d'observateurs dans le cas de pluviomètres manuels ou encore l'arrêt temporaire et/ou définitif de la mesure. Ces lacunes prennent une importance considérable dans des régions où la densité de pluviomètres est faible comme dans la plupart des pays africains par exemple, où les densités recommandées par l'Organisation Météorologique Mondiale, soit au moins une station pour 575 km² en plaine et pour 250 km² en zone montagneuse sont loin d'être atteintes (WMO, 2008). Les lacunes dans les séries temporelles sont un réel problème pour de nombreuses applications scientifiques qui nécessitent des séries continues complètes. On peut citer pour exemple, les hydrologues pour qui les précipitations quotidiennes sont nécessaires en entrée des modèles de pluie-débit (Obled et al., 2009), les climatologues qui les utilisent dans l'étude des sécheresses (Usman et Reason, 2004 ; Gitau, 2011 ; Gitau et al., 2012). C'est aussi le cas en agronomie où les pluies représentent la variable d'entrée majeure dans les modèles de croissance de plantes (Baron et al., 2005 ; Traoré et al., 2011) et les modèles statistiques empiriques (Schlenker et Lobell, 2010) dont l'objectif est la compréhension et la prévision de l'évolution des rendements céréaliers par exemple (Ramarohetra et al., 2012 ;Philippon et al., 2015a). Si les jeux de données globaux en points de grille fournissent des séries complètes, leurs résolutions spatiales et temporelles (au mieux 0,5° en latitude et longitude et au pas de temps mensuel pour les données du Climatic Research Unit par exemple) les rendent inadéquats pour analyser les caractéristiques intra-saisonnières des pluies en zone de forts gradients climatiques. Par ailleurs, la couverture temporelle des fichiers journaliers en points de grille reste limitée (au mieux, 1979 pour certains jeux de données intégrant dans estimations satellitaires). Or la détection d’éventuels changements climatiques dans les caractéristiques des pluies (début ou fin de saisons par exemple) et des événements pluvieux intenses nécessite de disposer de longues séries journalières continues. Afin d’anticiper les crises alimentaires liées aux phénomènes climatiques (sécheresses, mauvaise distribution des pluies), certains services météorologiques nationaux africains et les institutions internationales telles qu'USAID (soutenant le programme Famine Early Warming System) focalisent désormais leurs efforts sur le développement de prévisions de caractéristiques pluviométriques complémentaires aux simples cumuls saisonniers (Jones et al., 2000) et décrivant la répartition temporelle des pluies (Thomas et al., 2007 ; Mwongera, 2012). L'établissement des modèles statistiques de prévision nécessite des séries longues complètes.

Le panel d’outils statistiques qu’il est possible d’utiliser pour reconstruire des données est vaste et dépendant de la nature des analyses qui doivent être réalisées ainsi que de la qualité intrinsèque des données initiales. Karl et al. (1995), Brunetti et al. (2001) ou encore Moron et al. (2007) ont reconstitué des pluies quotidiennes en utilisant un générateur stochastique (Wilks, 1999). Le principe consiste à créer aléatoirement des quantités journalières de pluies en s’appuyant sur les probabilités de distribution des caractéristiques des pluies (intensité et nombre de jours) dans les stations considérées. Cette méthode, reprise par Marteau et al. (2009) pour reconstruire une partie des pluies quotidiennes de stations sahéliennes, aboutit à des performances similaires à celles obtenues à partir de la méthode de local scaling (Ines et Hansen, 2006 ; Schmidli et al., 2006), méthode qui consiste à remplacer les lacunes en utilisant les données de précipitations issues de réanalyses dont les intensités et la fréquence du nombre de jours de pluies ont préalablement été calibrées à partir des pluies observées. Dans le même registre, Simolo et al. (2010) estiment les précipitations manquantes à partir d’une fonction de probabilité de densité qui consiste à respecter la forme de distribution (loi Gamma) à laquelle les précipitations quotidiennes sont associées (Dunn, 2004). Makhuva et al. (1997a et b) utilisent des méthodes de régression construites sur l’approche espérance-maximisation (Dempster et al., 1977). La méthode des analogues, proposée par Lorenz (1969) aux Etats-Unis puis reprise par Duband (1970) en France, consiste à rechercher dans une longue archive météorologique les situations passées comparables. Cette méthode robuste peut être utilisée pour prévoir les précipitations (Obled et al., 2002) et combler les lacunes d'une série pluviométrique. Le Département Kenyan de Météorologie l’utilise également, de façon relativement subjective, pour prévoir les précipitations saisonnières (Colman et al., 2015). Une autre méthode, couramment employée pour l’estimation des précipitations manquantes au pas de temps mensuel (pour l’Afrique de l’Est, cf. par exemple Camberlin et al., 2014) repose sur une régression linéaire multiple utilisant simplement les séries de pluies des stations voisines. La même méthode est parfois appliquée pour estimer des précipitations quotidiennes (Eischeid et al., 2000 ; Vicente-Serrano et al., 2010 ; Boyard-Micheau et al., 2013).

Ce travail a pour objectif de présenter l’effet du comblement de lacunes dans les séries de précipitations quotidiennes sur les caractéristiques des pluies saisonnières en région tropicale. La méthode est mise en œuvre sur une région d’Afrique équatoriale orientale comprenant le Kenya et le nord-est de la Tanzanie. Il s'agit d'un territoire topographiquement complexe, pertinent pour développer et tester une méthode de reconstitution des précipitations (et indirectement les caractéristiques pluviométriques saisonnières) étant donné leur dépendance au relief. En effet, en Afrique de l’Est, les effets de versants sont très importants pour expliquer la répartition spatiale des précipitations (Oettli et Camberlin, 2005 ; Oettli, 2008). Ces effets influencent fortement les cumuls saisonniers ainsi que d’autres caractéristiques pluviométriques comme par exemple les intensités ou la fréquence des jours de pluies (Camberlin et al., 2014). Les caractéristiques saisonnières comme le cumul ou le nombre de jours de pluies, et les caractéristiques intra-saisonnières telles que la date de démarrage de saisons pluvieuses par exemple, ont une importance considérable dans cette région où l’économie et le bien-être des populations dépend fortement d’une agriculture majoritairement pluviale (Dixon et al., 2001 ; Hickey et al., 2012). Les deux saisons des pluies de la région sont particulièrement courtes, ce qui rend toute modification de leur temporalité très contraignante pour les activités agricoles.

La reconstitution des précipitations est réalisée à partir d’une méthodologie construite autour de régressions linéaires. Une procédure mise en place permet de tirer le meilleur parti possible des séries non lacunaires, et effectue une post-correction des biais d'estimation. La qualité des reconstitutions est évaluée en considérant les caractéristiques pluviométriques saisonnières, calculées à partir de définitions agro-climatiques courantes (Camberlin et al., 2014 ; Boyard-Micheau et al., 2013). Ces définitions sont basées sur des seuils empiriques de précipitations à atteindre en sommant les pluies quotidiennes, ce qui nécessite, par conséquent, d’avoir des séries ininterrompues. Il est donc indispensable de connaitre l’effet du comblement de ces lacunes sur le calcul des descripteurs clés. La qualité de la reconstitution des précipitations est testée selon deux approches distinctes. La première approche, plutôt classique, consiste à comparer les séries de pluies quotidiennes observées et estimées afin de vérifier la capacité du modèle à reproduire l’occurrence des jours pluvieux ainsi que la quantité de précipitations journalières. La seconde approche, objectif de ce travail, permet d'estimer l'impact du remplacement des pluies manquantes sur les caractéristiques des saisons pluvieuses. Cette dimension de la validation est habituellement négligée alors même que le respect de la distribution temporelle des pluies journalières est important pour des applications tant hydrologiques, bioclimatiques, qu'agronomiques.

La première partie décrit les données pluviométriques retenues et utilisées. La deuxième partie présente le contexte géo-climatique de la région. Enfin, les troisième et quatrième parties exposent respectivement la méthodologie appliquée pour l'estimation des précipitations quotidiennes manquantes et les résultats obtenus lors des tests de performance.

1. Données de précipitations quotidiennes

Les précipitations quotidiennes ont été enregistrées par cinquante-trois pluviomètres répartis sur l’ensemble de la région Kenya – Tanzanie du Nord (figure 1a). Elles concernent une période de quarante et une années (1961-2001) et ont été fournies par le Kenya Meteorological Department (KMD), la Tanzania Meteorological Agency (TMA), ainsi que par le centre régional de prévision climatique de Nairobi (International Climate Prediction and Applications Centre, ICPAC) sous l’égide de l’Inter-Governmental Authority for Development (IGAD).

Figure 1. Relief (isohypses blanches, en mètres) et cumuls moyens saisonniers de précipitations (à-plats de couleur, en mm) du Kenya et de la Tanzanie du Nord pour la saison des long rains (a) et des short rains (b). La carte de gauche localise les principaux noms et les stations météorologiques retenues pour établir la base de données de pluies quotidiennes sur la période 1961-2001 (points noirs).
East African topography (white contours, in meters above mean sea level) and mean seasonal rainfall totals (color shadings) for the long rains season (a) and short rains season (b). Left: situation map and rain gauge distribution (black dots).

Les données ont fait l'objet d'un contrôle de qualité consistant à détecter les valeurs aberrantes et les éventuelles duplications de données. Ces données, très peu nombreuses (< 0,1 %) ont été éliminées. Le réseau d'observation météorologique présente une couverture spatiale anisotrope qui se traduit par un net déséquilibre entre d'une part, le nord et l’est de la région peu instrumentés (15 stations sur 53), et d'autre part, le sud et l’ouest qui le sont davantage. Cette localisation des pluviomètres est directement calquée sur l’organisation géographique et démographique puisqu’une majorité d'entre eux sont implantés dans les zones peuplées et valorisées des hautes terres kényanes et tanzaniennes ainsi que sur la côte. Les grandes plaines semi-arides de l’est, peu propices aux activités humaines et donc peu habitées, sont moins bien documentées. Cette inégale répartition des pluviomètres permet d'évaluer les performances de la méthodologie de reconstitution pour des séries de pluies enregistrées par des pluviomètres isolés et séparés du reste du réseau de mesure.

La base de données utilisée dans ce travail comporte au total 10,3 % de valeurs manquantes. L'agencement dans l’espace de ces lacunes se caractérise par une disparité importante (figure 2a) mais plus de la moitié des pluviomètres du réseau ont des pourcentages de manques faibles, inférieurs à 10 % (figure 2b).

Figure 2 : Répartition spatiale du pourcentage de manques au sein des séries pluviométriques quotidiennes de la période 1961-2001 (a) et distribution du pourcentage de manques entre les stations (b).
Spatial distribution of the missing values percentage into daily rainfall series over the 1961-2001 period (a) and statistical distribution of stational missing values percentage (b).

Les longueurs de séries manquantes (en nombre de jours consécutifs manquants), discrétisées en classes d’égales amplitudes, sont présentées graphiquement via des histogrammes de fréquences simples (figure 3). Le premier histogramme construit à partir de classes de trente jours (figure 3a) met en évidence :

  • la classe ]360-365[ qui indique la présence de quelques années entièrement manquantes ;

  • la classe ]30-60] qui représente près de 15 % des effectifs, souligne l’existence de blocs équivalents à un (ou plusieurs) mois complet de données manquantes. La figure 3b, construite avec des classes d’un jour, le confirme.

  • avec près de 75 % des effectifs, la classe [1-30] est largement surreprésentée et regroupe principalement des lacunes portant sur des jours isolés (figure 3b).

Figure 3. Histogrammes de fréquence simple montrant la longueur des séries de valeurs manquantes consécutives et leur répartition en classes d’égales amplitudes de trente jours (a) et unitaire (b) pour les stations du réseau Kenya et Tanzanie du Nord pour la période 1961-2001.
Distribution of length of missing values series from equal amplitudes classes of thirty days (a) and unit day (b) for Kenyan and northern Tanzanian stations over the period 1961-2001.

2. Contexte géo-climatique de la région d'étude 

Au Kenya et dans le nord de la Tanzanie, la répartition annuelle des précipitations est principalement contrôlée par la migration saisonnière de la Zone de Convergence InterTropicale (ZCIT) de part et d’autre de l’équateur (Ogallo, 1985). Elle s'organise annuellement en deux brèves saisons des pluies, les long rains (figure 1a) et les short rains (figure 1b), correspondant respectivement au printemps boréal (mars à mai) et à l’automne boréal (octobre à décembre). La répartition saisonnière est déséquilibrée puisque les pluies de printemps représentent près de 45 % des précipitations annuelles moyennes (1961-2001) contre environ 27 % seulement pour l’automne. Le forçage étroit exercé par les températures océaniques sur le climat de cette région (Ogallo et al., 1988 ; Rowell et al., 1995 ; Camberlin et al., 2001) induit une forte variabilité temporelle des pluies.

À ces contrôles de large échelle viennent se superposer des effets régionaux et locaux dus aux contrastes physico-géographiques de la région (figure 1). L’Est et le Nord-ouest sont occupés par de grandes plaines arides à semi-arides (200 à 500 mm annuels) aux altitudes peu élevées, et qui s'abaissent au Sud-est en direction du littoral de l’océan Indien, plus arrosé. Au contraire, le Sud-ouest et le Centre-ouest se caractérisent par une topographie accidentée, composée de hauts plateaux dont l’altitude oscille entre 1000 et 2500 mètres et de massifs montagneux plus élevés (Mt Kenya, Mt Kilimandjaro, Mt Elgon). Cet ensemble, fracturé par le rift est-africain, se sépare en deux unités, les Hautes Terres Occidentales et les Hautes Terres Orientales, qui bénéficient d'une pluviométrie relativement élevée (1000 à 1500 mm par an environ).

Les deux saisons des pluies présentent des distributions spatiales assez semblables (figure 1). Toutefois, les effets d’exposition des pentes aux vents dominants (Oettli et Camberlin, 2005 ; Camberlin et al., 2014), tout comme le contraste terre-mer le long de la côte, influencent les pluies à l’échelle locale et génèrent de forts gradients climatiques régionaux (Nicholson, 1996). La côte de l'océan Indien, orientée selon les saisons perpendiculairement ou parallèlement à la direction des vents, subit directement l'effet des variations de températures marines, plus basses pendant les short rains (Camberlin et Planchon, 1997), et est nettement plus arrosée pendant les long rains (figure 1a). A l'ouest, le lac Victoria, par son importante superficie et sa forme quasi circulaire, favorise la mise en place d’une circulation diurne de méso-échelle (brises de lac combinées à des brises de pentes ; Asnani, 1993 ; Anyah et Semazzi, 2004). L’apport constant d’humidité, en interaction avec la circulation synoptique moyenne, contribue au développement de pluies convectives fréquentes sur les Hautes Terres adjacentes (Asnani et Kinuthia, 1979).

La figure 4 présente la répartition fréquentielle cumulée des précipitations journalières (pour les deux saisons des pluies combinées) de trois stations représentatives, dont la localisation est montrée sur la figure 1. Dans les plaines arides de l'est (Garissa), les pluies sont rares (86 % de jours secs) mais relativement intenses. De fortes intensités journalières sont également observées dans la zone littorale (Malindi), dans un contexte plus arrosé. Sur les Hautes Terres, les pluies sont plus fréquentes (62 % de jours secs à Nakuru, mais beaucoup moins encore près du lac Victoria) mais peu intenses. Par exemple, 5 % des jours de pluie ont enregistré plus de 50 mm à Malindi, mais seulement 0,3 % d'entre eux à Nakuru.

Figure 4. Distribution fréquentielle cumulée des précipitations journalières observées de trois stations du Kenya. L'analyse porte sur les deux saisons des pluies combinées ; les précipitations inférieures à un millimètre sont considérées comme nulles.
Cumulative frequency distribution of observed daily rainfall at three stations in Kenya. Data for the two rainy seasons are combined. Daily falls below one millimeter are set to zero.

3. La méthode de reconstitution des valeurs de pluies quotidiennes

La chaîne méthodologique utilisée pour la reconstitution statistique de pluies quotidiennes est développée autour d’une Régression Linéaire Multiple (RLM). Cet outil de statistique multivariée largement connu permet de modéliser une relation entre une variable dépendante et une ou plusieurs variables indépendantes (Von Storch et Zwiers, 1999). Dans le cas présent, la variable dépendante (ou prédictant) correspond à la série de pluies quotidiennes pour une station cible, et les variables indépendantes (ou prédicteurs) qui vont être utilisées comme variables explicatives potentielles sont les séries de pluies quotidiennes des autres stations du réseau.

Afin de réaliser une présélection optimale des variables explicatives, deux principales étapes sont mises en œuvre pour tirer parti au maximum des informations disponibles dans la base de données initiale, en considérant à la fois le contexte géographique et la disponibilité temporelle des données de précipitations. L’idée consiste à effectuer un double classement des stations selon leur proximité avec la station cible d’une part, puis à établir la disponibilité de la donnée pour le jour à reconstruire d’autre part. Il y a donc au total six étapes analytiques successives (figure 5) appliquées sur chaque saison séparément. Pour les long rains,l'analyse porte surla période entre le 1er février et le 30 juin, mais pour les short rains, elle concerne celle entre le 1er septembre et le 31 janvier de l'année suivante. Afin de réduire l'asymétrie des distributions des pluies, les calculs sont réalisés sur les racines carrées des valeurs journalières (Bärring, 1988).

Figure 5. Illustration des étapes méthodologiques utilisées pour la reconstitution et la validation de précipitations quotidiennes.
Illustration of the different methodological steps used to the daily precipitation estimation and validation.

Etape 1 – Création des échantillons d'apprentissage et de validation

Les tests de performance de la qualité des reconstitutions de pluies sont réalisés par validation croisée. Ceci suppose l'extraction au sein du jeu de données initial d'échantillons de validation sur lesquels sont appliqués les modèles de régression définis sur le reste du jeu de données (l'échantillon d'apprentissage). Les jours présentant des lacunes réelles dans la série de la station cible sont bien sûr préalablement éliminés pour les analyses appliquées à cette station.

Pour chaque station, des échantillons de validation de taille variable sont constitués. Cette étape revient à créer artificiellement des lacunes (pseudo-aléatoirement) au sein du jeu de données initial. Plusieurs expériences sont réalisées en créant artificiellement de 10 à 50 % de valeurs manquantes avec un pas de variation de 5 %. En plus de faire varier le nombre de lacunes, nous agissons également sur leur agencement temporel en les forçant à s’organiser en séquences plus ou moins longues, comprises entre 1 à 150 jours, avec 150 jours qui correspond à la longueur théorique des saisons des pluies dans la région d’étude. Les jours ainsi écartés constituent les échantillons de validation.

Étape 2 - Présélection des prédicteurs selon un critère de proximité spatiale

Une présélection des prédicteurs potentiels (stations) est effectuée en se basant sur la distance géographique entre la station-cible, qui fait l’objet de la reconstitution des pluies quotidiennes, et les autres stations du réseau. Seules les quinze stations les plus proches sont conservées comme possibles « stations donneuses » pour la suite de l’analyse de telle sorte que la relation statistique entre la station cible et les facteurs prédictifs (autres stations) ne soit pas la seule condition, une certaine cohérence spatiale devant être respectée. Le choix de ce nombre de stations donneuses a été réalisé à partir de travaux antérieurs. Ainsi Boyard-Micheau (2013) a testé la cohérence spatiale de différentes caractéristiques pluviométriques saisonnières et intra-saisonnières en Afrique de l’Est. Il a notamment montré que lors des long rains, les cumuls saisonniers ainsi que le nombre de jours de pluies restent spatialement cohérents dans un rayon moyen de 200-250 km. A partir de ce constat, nous avons calculé la distance inter-station du réseau puis le nombre de stations comprises dans ce rayon moyen de 200-250 kilomètres autour de chacune des 53 stations. Ce nombre moyen de stations est égal à 12,1 (rayon = 200 km) et 16,5 (rayon = 250 km). A partir de ces valeurs, nous avons fait un choix intermédiaire qui consiste donc à retenir quinze stations.

Étape 3 - Présélection des prédicteurs selon un critère temporel

L’étape suivante considère la distribution temporelle des précipitations au sein de l'échantillon d'apprentissage. Pour la station cible, les prédicteurs potentiels précédemment présélectionnés sont ensuite répartis dans des sous-échantillons en fonction de la disponibilité de leurs données journalières de précipitations. En effet, les valeurs manquantes dans les séries temporelles des stations donneuses sont généralement non concomitantes, dans le jeu de données analysé ici. Les différents sous-échantillons de jours correspondent donc, chacun, à des combinaisons différentes de stations, ce qui permet d'exploiter de façon optimale les informations contenues dans les données existantes pour élaborer les modèles de régression et donc, estimer les précipitations de la station-cible (tableau 1).

Tableau 1. Illustration de la constitution des échantillons de stations pour l’estimation des valeurs manquantes par régression linéaire multiple (RLM) ; data signifie que la donnée est disponible et (-) qu’elle est non disponible. L’échantillon 2 regroupe par exemple tous les jours durant lesquels les données des stations 2 et 3 sont disponibles ; le modèle de régression paramétré sur les jours avec le prédictant disponible est ensuite utilisé pour reconstituer la valeur du 08/01/1961 (de l'échantillon de validation V) qui présente la même configuration de données disponibles.
Description of station samples used to estimate missing values from multiple linear regression (MLR). Data means that the data is available and (-) that the data is not available. For example, sample 2 groups all days when the station 2 and the station 3 are available; the regression model calibrated from days when the predictand is available, is then used to compute the value of the day 08/01/1961 (from the validation data set) which has the same data availability.

Jour

Prédictant

Station 1

Station 2

Station 3

N° d'échantillon

01/01/1961

data

data

data

data

1

02/01/1961

data

-

data

data

2

01/03/1961

data

data

data

data

1

01/04/1961

data

data

-

-

3

01/05/1961

data

-

data

data

2

01/06/1961

data

data

data

data

1

01/07/1961

data

data

data

-

3

08/01/1961 (V)

-

-

data

data

2

Étape 4 - Régression Linéaire Multiple pas à pas

C'est le cœur de la chaîne méthodologique, qui suppose le développement du modèle d’estimation des précipitations de la station cible construit via une RLM pas à pas ascendante (Hocking, 1976 ; Lazraq & Cléroux, 1988). A partir de l'échantillon d'apprentissage, cette méthode consiste à intégrer les prédicteurs un à un dans le modèle tout en vérifiant la qualité de la régression en s’appuyant sur les coefficients de détermination (r²) et en minimisant les résidus. Le modèle intègre le premier prédicteur qui est simplement celui qui a la plus forte corrélation avec le prédictant. Ensuite, il continue à intégrer de nouveaux prédicteurs qui aident à améliorer la prévision du prédictant tant que l’amélioration de cette prévision reste significative. L'ajout de nouveaux prédicteurs stoppe lorsque le gain, en termes de coefficient de détermination, entre deux itérations de la procédure, est non significatif (selon le test de Fisher, avec un seuil de confiance de 95 %). Dans le but de limiter l’apport d’information redondante dans le modèle, le nombre maximum de prédicteurs pouvant être introduit dans le modèle RLM est fixé ici à 5 (ce nombre maximal de prédicteurs a été déterminé à partir de tests de cohérence spatiale non montré ici). Ils sont choisis par le modèle de régression à partir du sous-échantillon de stations donneuses créé en étape 3.

Étape 5 - Correction des biais générés par la RLM

Cette étape permet de corriger les biais induits par la RLM sur les précipitations journalières estimées, en considérant l’occurrence des jours de pluies et les quantités moyennes journalières. Ines et Hansen (2006) ont notamment appliqué cette technique pour corriger les précipitations quotidiennes simulées par un modèle de circulation générale (MCG) avant de les utiliser pour renseigner un modèle agronomique simulant les rendements de maïs au Kenya. Ils proposent de comparer la fréquence des jours de pluies observée et simulée ainsi que les distributions d'intensités de pluies observées et simulées. Cette technique fréquemment utilisée (parmi d’autres, Widmann et al., 2003 ; Moron et al., 2007, 2009 ; Robertson et al., 2009 ; Piani et al., 2010 ; Philippon et al., 2015) est donc adaptée à nos travaux.

Comme les modèles numériques, la régression linéaire multiple tend à surestimer l’occurrence des jours pluvieux et à sous-estimer les intensités des pluies. Une double correction est donc appliquée sur les séries de pluies stationnelles. La fréquence des jours pluvieux et la distribution des intensités sont calculées séparément pour chaque mois, et chacune des stations, avec :

  • le calcul du nombre de jours de pluie observés (nOb), avec un jour considéré comme pluvieux lorsque la quantité précipitée enregistrée (Pobs) est supérieure ou égale à 1 mm ;

  • le calcul de l'intensité moyenne de ces jours de pluies observés (iOb = Pobs/nOb) ;

  • le tri par ordre décroissant des pluies quotidiennes estimées, puis extraction de la valeur du jour nOb + 1, qui représente la quantité de pluie qui définit un jour pluvieux dans les estimations (Pest) ;

  • le calcul de l'intensité moyenne de jours de pluie estimés (iEs) à partir de tous les jours dont les intensités sont supérieures ou égales à Pest ;

  • le calcul du facteur correctif Fcor = (iOb Pobs) / (iEs Pest), puis application sur les données pluviométriques quotidiennes estimées (PqE) afin de calibrer leur intensité selon la formule CAL = (Fcor * (PqE - Pest)) + Pobs ;

  • enfin, la fréquence des jours de pluies simulés est redimensionnée en remplaçant par 0 toutes les valeurs de CAL qui sont inférieures à Pobs.

Étape 6 - Validation des estimations de pluie quotidienne

Cette étape est essentielle puisqu'elle permet de tester la qualité des estimations de pluies quotidiennes calculées par la régression. Chaque modèle de RLM est développé en validation croisée (e.g. Michaelsen, 1987 ; Elsner et Schmertmann, 1994 ; Bishop, 1997), méthode permettant de contrôler la fiabilité d’un modèle statistique, calquée sur une technique d’échantillonnage de la série analysée. Dans le cas présent, l'échantillon initial est divisé en un sous-échantillon d'apprentissage et un autre de validation. Le modèle est paramétré sur celui d'apprentissage et validé sur l'échantillon de validation. Les valeurs de pluies quotidiennes qui composent l’échantillon de validation sont sélectionnées aléatoirement et se répartissent, indépendamment l’une de l’autre, sur l’ensemble de la période 1961-2001. Afin de limiter l’effet de sélection aléatoire, pouvant conduire à définir le modèle à partir d’un échantillon présentant un cas particulier, la création de l’échantillon de validation ainsi que les calculs qui en découlent sont réalisés cinquante fois indépendamment. Le choix de la valeur 50 résulte de tests préliminaires qui montrent une tendance à la stabilisation des performances moyennes à partir de quelques dizaines d'expériences.

La méthodologie est développée autour d'une double validation des résultats. La première, plutôt classique, consiste à comparer les valeurs de pluies quotidiennes observées et estimées afin de vérifier la capacité du modèle à reproduire l’occurrence des jours pluvieux ainsi que la quantité de précipitations journalières. La capacité du modèle à reproduire l’occurrence des jours de pluies est considérée à partir des scores de réussites et de scores de Heidke (Barnston, 1992 ; Joliffe et Stephenson, 2012). Les scores de réussite décrivent le pourcentage de prévisions correctement réalisées et soulignent, en quelque sorte, le degré de concordance entre les jours de pluies observés et ceux simulés. Le score de Heidke se calcule à partir d'une table de contingence. Il est approprié à la vérification des performances d’un modèle discrétisé en 2 classes (dans notre cas, la distinction jours de pluies / jours secs) et caractérise la qualité de la prévision par rapport à une prévision faite au hasard. S’il est égal à 1, alors la prévision est parfaite (0 pour une prévision réalisée au hasard). Une valeur négative est obtenue si la prévision est moins bonne que le hasard (Heidke, 1926 ; Von Storch et Zwiers, 1999). Les capacités de la RLM à estimer les quantités de précipitations quotidiennes sont présentées à partir de trois critères :

  • les valeurs de biais qui correspondent à la différence entre les quantités de pluies journalières observées et celles estimées ;

  • les valeurs moyennes stationnelles de l'erreur quadratique moyenne (RMSE ; Barnston, 1992) ;

  • des corrélations linéaires de Bravais-Pearson calculées entre les séries de pluies estimées et observées.

La seconde approche de validation permet d'estimer l'impact du remplacement des pluies manquantes sur les caractéristiques physiques des saisons pluvieuses en testant l'adéquation entre une sélection de descripteurs pluviométriques intra-saisonniers calculés à partir des précipitations quotidiennes observées d'une part, et à partir des séries pluviométriques reconstituées d'autre part. Les performances sont évaluées par le calcul des corrélations linéaires entre les séries interannuelles de ces descripteurs intra-saisonniers (observés et estimés).  Deux analyses complémentaires sont effectuées :

  • l’une sur l’incidence du taux de valeurs manquantes afin de voir s'il existe un pourcentage de valeurs manquantes au-delà duquel la qualité des saisons pluvieuses reconstituées se détériore significativement ;

  • l’autre sur l’incidence de la distribution des valeurs manquantes pour évaluer si la longueur des séquences manquantes peut influencer la qualité des reconstitutions et les caractéristiques saisonnières des pluies.

4. Analyses et résultats

L'ensemble de la méthodologie a été appliquée séparément pour les précipitations des long rains et des short rains. Toutefois, les performances de la méthode de reconstitution étant quasi similaires pour les deux saisons, nous avons finalement décidé de ne pas systématiquement présenter les résultats associés aux short rains.

4.1. Performances de reproduction des pluies quotidiennes

Dans le cas des long rains, les scores de réussites moyens calculés uniquement sur les jours pluvieux observés (figure 6) présentent une forte amplitude entre la réussite minimale de 29 % associée à la station très sèche de Lodwar (3°07' N – 35°36' E) à l’extrême nord-ouest du réseau d'observation, et les réussites maximales approchant 80 % pour les stations du sud-ouest. Cette large dispersion se retrouve pour les scores de Heidke (figure 6a). Même s’il n’est pas simple de faire ressortir une géographie bien définie (figure 6b), il semble que la méthodologie de reconstitution de pluies quotidiennes soit plus encline à générer correctement des jours de pluie aux stations localisées au centre et à l’ouest du Kenya ainsi qu’à proximité de la côte, qui sont aussi les plus arrosées. La densité importante de stations dans ces régions est le facteur prépondérant à l’obtention de bons scores.

Figure 6. Distribution des scores moyens de performance de la RLM dans la reconstitution des pluies quotidiennes des long rains (a) et répartition spatiale des scores de réussites sur les jours pluvieux (>1 mm) des long rains (b). La valeur médiane est indiquée en rouge, les minimum et maximum sont indiqués en noir et les 25ème et 75ème percentiles sont en bleu.
MLR skill scores distribution for the reconstruction of daily rainfall values during the long rains season (a) and spatial distribution of hit scores for rainy days (>1 mm) of the long rains season (b). The median value is indicated in red color, the minimum and maximum are shown in black and the 25th and 75th percentiles are indicated in blue.

Mais il s'y ajoute l'importance des pluies orographiques, alors que dans les régions sèches du nord et de l'est prévalent des averses convectives plus aléatoires et moins organisées spatialement. Néanmoins, l'obtention de scores de réussite élevés pour l'occurrence des pluies n'est pas impérative, car le déroulé au jour le jour des événements pluvieux est moins important que l'organisation spatio-temporelle des caractéristiques saisonnières critiques dans le déroulement du calendrier agricole (Sleger, 2008 ; Mwongera, 2012), comme le positionnement des phases de démarrage et de fin de saison des pluies (Boyard-Micheau, 2013 ; Philippon et al., 2015a et b).

Pour l'évaluation des capacités de la RLM à estimer les quantités de précipitations quotidiennes au cours des long rains,les indicateurs statistiques présentés correspondent à la moyenne des indicateurs statistiques obtenus lors de chacune des cinquante itérations de validation croisée. Les biais sont gaussiens (figure 7a). Les erreurs d’estimations sont souvent faibles (37 % sont inférieures à 1 mm en valeur absolue, et 80 % inférieures à 10 mm), mais quelques cas rares (3 %) présentent des écarts à l’observation dépassant 50 mm (figure 7b). Les valeurs de RMSE modérées (figure 7d) soulignent qu’à l’échelle stationnelle, la méthode de reconstitution paraît plus apte à reproduire les quantités journalières dans les régions Centre et Centre-ouest que dans le reste du pays. Cette distribution spatiale des RMSE est calquée sur la géographie des intensités journalières qui sont plus fortes à l’est (figure 2) ; or l’intensité journalière est une variable très décorrélée spatialement (Moron et al., 2007). Ceci peut expliquer les moins bonnes performances de la méthode dans cette région.

Figure 7. Scores moyens de performances de la méthode d’estimation des cumuls journaliers de pluie pour les long rains : distribution des biais (a) et des valeurs absolues de biais (b), répartition spatiale des corrélations (n=1500) entre les pluies estimées et les pluies observées (c) et RMSE (d).
Mean skill scores associated to the reconstruction of daily rainfall values during the long rains season: statistical distribution of bias (a) and absolute values of bias (b), spatial distribution of correlations (n=1500) computed between estimated rainfall and observed rainfall (c) and RMSE (d).

Enfin, les corrélations moyennes (figure 7c) restent modérées mais significatives dans une majorité de stations (65 % d'entre elles ont des corrélations inférieures à 0,35), mais deviennent élevées dans les régions avoisinant les monts Kenya et Kilimandjaro, et a fortiori sur la côte (corrélation moyenne des stations côtières égale à 0,61). Le caractère principalement convectif des pluies dans la région fait qu’il existe une composante essentiellement locale des pluies à l’échelle journalière, qu’aucun modèle d’interpolation ne peut parfaitement reproduire. Pour cette raison, les corrélations obtenues ici peuvent donc être jugées relativement satisfaisantes.

4.2. Performances sur les variables pluviométriques intra-saisonnières

Cette évaluation est plus fondamentale car elle considère un ensemble de variables intra-saisonnières critiques pour des analyses climatologiques. Deux analyses complémentaires sont effectuées, l’une sur l’incidence du nombre de valeurs manquantes, l’autre sur l’incidence de la longueur des séquences manquantes. Dans les deux cas, on s’attache à comparer les valeurs des variables saisonnières calculées à partir de pluies quotidiennes observées et des séries pluviométriques reconstituées.

4.2.1. Définition des variables pluviométriques intra-saisonnières

La variable saisonnière la plus souvent retenue dans l'étude des variations interannuelles des précipitations est le cumul saisonnier (CUM). Or cette variable ne décrit que la quantité totale d'eau précipitée et n'informe en rien sur la qualité de la saison en termes de distribution temporelle des événements pluvieux. Moron et al. (2007) décomposent le cumul saisonnier comme le produit du nombre de jours de pluie (NJP) et de l’intensité quotidienne moyenne (INT) des précipitations, intégrés sur une saison dont la durée est calculée entre une date de Démarrage de la Saison Pluvieuse (DSP) et une date de Fin de la Saison Pluvieuse (FSP), soit l’équation suivante :

CUM = (FSP – DSP + 1) . NJP . INT

Dans l'optique de vérifier si le remplacement des valeurs manquantes permet de reconstituer correctement les caractéristiques d'une saison des pluies, nous avons choisi de travailler avec ces indicateurs :

  • DSP et FSP : Les dates de démarrage et de fin de saison des pluies ont été déterminés à partir d'une définition agroclimatologique basée sur des critères empiriques relatifs à la quantité et à la durée des précipitations. Ces critères sont comparables à ceux utilisés par Sivakumar (1988), Dodd et Jolliffe (2001), Marteau et al. (2009) ou plus récemment Boyard-Micheau (2013) dans l'étude de descripteurs intra-saisonniers en Afrique de l'Est. Dans ce travail, DSP est définie comme le premier jour pluvieux d'une période enregistrant au moins 20 mm de précipitations sur 2 jours, sans être suivie dans les 20 jours d'une période sèche (moins de 5 mm de précipitations) de 10 jours ou plus. Pour permettre des comparaisons entre le début et la fin de la saison des pluies, une définition symétrique est adoptée pour calculer la date de fin de la saison des pluies.

  • NJP : Le nombre de jours de pluie, calculé entre les dates de démarrage et les dates de fin de saison des pluies, correspond au nombre total de jours ayant enregistré des quantités précipitées supérieures ou égales à 1 mm.

  • CUM : Le cumul saisonnier est la somme des quantités d'eau précipitée au cours des jours de pluies entre la date de démarrage et la date de fin de la saison.

  • INT : L'intensité quotidienne des pluies correspond au rapport entre le cumul saisonnier et le nombre de jours de pluie.

  • nbES : Le nombre d'épisodes secs est une variable informative de la qualité intrinsèque d'une saison des pluies puisqu'elle permet de renseigner la distribution des précipitations au cours de la saison.

4.2.2. Incidence du nombre de valeurs manquantes

La première étape consiste à explorer les performances de la méthode de reconstitution en fonction du nombre de valeurs manquantes à estimer, pour déterminer s’il existe un pourcentage de valeurs manquantes au-delà duquel la qualité des variables intra-saisonnières reconstituées se détériore significativement.

Les données qui ont été cachées sont recalculées via une RLM puis « réinjectées » dans la base de données initiale. Cette nouvelle base de données constituée d’observations et d’estimations est donc utilisée pour calculer les descripteurs intra-saisonniers et les comparer avec ceux préalablement calculés à partir des séries de pluies observées. Pour avoir différentes répartitions de lacunes au sein de la base de données, nous rappelons que la création artificielle de lacune est répétée 50 fois pour chacun des pourcentages de manques considérés. Le travail est donc réalisé pour chacune des 50 itérations, puis les performances évaluées à partir de corrélations linéaires.

Pour chacun des descripteurs intra-saisonniers, une corrélation est établie par station et par itération, soit au total cinquante corrélations multipliées par cinquante-trois stations. La moyenne des cinquante expériences par station a été calculée, aboutissant ainsi à une corrélation moyenne par station. Enfin, la moyenne des corrélations des cinquante-trois stations peut être calculée pour aboutir à une corrélation moyenne par variable (figure 8). En agissant ainsi, la mesure de performance obtenue est représentative de l’ensemble de l’espace : chacune des stations a le même poids dans le calcul. Il est important de noter que les calculs de corrélation se rapportant aux variables intra-saisonnières sont établis à partir de séries de longueur constante (41 ans) : ainsi, aucun biais ne peut être lié à une taille variable des séries chronologiques.

Figure 8. Évolution des corrélations interannuelles (n=41) entre les valeurs observées et estimées de différents descripteurs intra-saisonniers des pluies en fonction de la taille des échantillons de validation pour les long rains (a) et les short rains (b). Moyenne de cinquante expériences et des cinquante-trois stations. DSP est la date de Démarrage de Saison des Pluies, FSP est la Fin de Saison des Pluies, CUM correspond au CUMul saisonnier, NJP au Nombre de Jours de Pluie, INT est l’INTensité quotidienne moyenne des pluies et nbES est le nombre d’Episodes Secs.
Evolution of inter-annual correlations (n=41) computed between observed and estimated DIS values according to the size of the validation sample for the long rains (a) and the short rains (b). Results = average of 50 iterations and 53 stations. DSP is the onset date of rainy season, FSP is the cessation date of rainy season, CUM corresponds to seasonal amount, NJP is the number of rainy day, INT is the mean daily rainfall intensity and nbES indicate the number of dry spells.

Les corrélations obtenues (figure 8) sont majoritairement ordonnées en fonction du nombre de valeurs manquantes (donc de la taille de l’échantillon de validation), de telle sorte que, assez logiquement, moins les manques sont nombreux et meilleure est la reconstitution des descripteurs intra-saisonniers. Il n’existe cependant pas, quelle que soit la variable considérée, de seuil particulier de pourcentage de valeurs manquantes au-delà duquel les scores de corrélation diminueraient brutalement. Si on compare les variables entre elles, des différences intéressantes apparaissent. Pour le cumul et la fréquence des jours de pluies, l’augmentation du nombre de lacunes à estimer n’altère que modérément les performances du modèle. Il s’agit de variables très intégratives du comportement des pluies sur l’ensemble de la saison, ce qui les rend plus robustes que les autres descripteurs face à la qualité des données journalières. Cette constatation est moins vraie pour les autres variables pour lesquelles les performances sont globalement moins bonnes et qui se dégradent plus rapidement, tout en restant satisfaisantes puisque les corrélations descendent très rarement en deçà de 0,5 (la valeur critique du r de Pearson au seuil p=0,05 est de 0,31). Remarquons également que les scores obtenus sont meilleurs pour les long rains que pour les short rains. Ceci semble étonnant pour des descripteurs comme CUM et NJP dans la mesure où la cohérence spatiale interannuelle est indiscutablement plus forte pendant les short rains (Moron et al., 2007 ; Camberlin et al., 2009 ; Boyard-Micheau, 2013). Il est probable que les différences de distribution des pluies au cours des deux saisons (Philippon et al., 2015b) soient à l’origine de ce résultat. En effet, en travaillant à partir de la même base de données pluviométrique que celle utilisée dans ces analyses, Boyard-Micheau (2013) a montré que les long rains enregistrent en moyenne plus de jours pluvieux (31,2 jours) et de séquences pluvieuses (12,4) que les short rains (respectivement 24 jours pluvieux et 10 épisodes pluvieux). Cette caractéristique diminue la probabilité que les événements pluvieux soient synchronisés dans l’espace et dans le temps (à l'intérieur de la saison) au cours des short rains, et altère donc la cohérence spatiale de cette saison au pas de temps journalier.

En définitive, une baisse des performances est constatée à mesure que le nombre de valeurs manquantes reconstruites augmente, ce qui invite à la prudence dans l'utilisation des données reconstituées quand leur nombre est élevé, bien qu'il soit difficile d’identifier un pourcentage de valeurs manquantes au-delà duquel les reconstitutions ne seraient catégoriquement plus exploitables.

4.2.3. Incidence de la distribution des valeurs manquantes

La seconde étape consiste à explorer les performances de la méthode de reconstitution en fonction de l’agencement temporel des lacunes, notamment la longueur des séquences manquantes. En effet, comme dans la majorité des cas pour lesquels des reconstitutions de valeurs manquantes sont nécessaires, les séries de données considérées dans ce travail incluent soit des valeurs manquantes journalières isolées, soit des valeurs manquantes qui s’organisent en séquences de longueurs variables. Il apparaît légitime de s’interroger sur la capacité des méthodes de reconstitution à gérer ces cas spécifiques, ainsi que sur la qualité des données reconstituées. Afin de ne pas faire intervenir l’effet induit par le nombre de manques, la taille des échantillons de validation est fixée à 30 % (c'est-à-dire un nombre de valeurs manquantes fixé à 30 % de la série initiale). Ce choix n'est pas totalement subjectif car il correspond à la situation des stations les plus lacunaires de la base de données initiale utilisée dans ce travail (figure 2).

Les performances des modèles de RLM sont donc estimées à partir de séquences manquantes dont la longueur va varier de 1 à 150 jours consécutifs, le dernier cas représentant l’intégralité d’une saison des pluies dans la région d'étude. Les corrélations obtenues (figure 9) sont plus ou moins ordonnées en fonction de la longueur des séquences manquantes qui constituent l’échantillon de validation, de telle sorte que moins la longueur des séquences est importante et plus les coefficients de corrélation sont élevés. Ce constat s’applique à l’ensemble des descripteurs testés, mais il existe quelques différences tout de même puisque le cumul et le nombre de jours de pluie semblent se démarquer des autres descripteurs. En moyenne, pour les deux saisons, leurs corrélations sont plus élevées que pour les autres descripteurs. Ces deux variables sont également celles pour lesquelles le caractère isolé ou séquentiel des valeurs manquantes module le plus la qualité des reconstitutions. En effet, lorsque les lacunes sont isolées (figure 9), la corrélation entre cumuls observés et estimés des long rains (short rains)atteint 0,84 (0,77), tandis que lorsque des séquences manquantes de 125 jours sont considérées, cette même corrélation n'est plus que 0,69 (0,60).

Figure 9. Évolution des corrélations en fonction de la longueur des séquences manquantes (en nombre de jours consécutifs) pour les long rains (a) et short rains (b). Le pourcentage de manques est fixé à 30 % de la base de données initiale. DSP est la date de Démarrage de Saison des Pluies, FSP est la Fin de Saison des Pluies, CUM correspond au CUMul saisonnier, NJP au Nombre de Jour de Pluie, INT est l’INTensité quotidienne moyenne des pluies et nbES est le nombre d’Episodes Secs.
Correlation coefficient distribution according to the length of missing periods for the long rains season (a) and short rains season (b). The percentage of total missing values is 30 % of the initial database. DSP is the onset date of rainy season, FSP is the cessation date of rainy season, CUM corresponds to seasonal amount, NJP is the number of rainy day, INT is the mean daily rainfall intensity and nbES indicate the number of dry spells.

Pour les autres descripteurs, le caractère isolé ou séquentiel des valeurs manquantes intervient moins. La nature des descripteurs permet d’expliquer cette différence. Le démarrage et la fin de saison, par exemple, sont des variables qui dépendent des précipitations tombant au cours d'une période de temps précise, car ils sont calculés comme une agrégation de pluie sur une séquence de courte durée, même si ces pluies sont en partie contrôlées par le glissement de la ZCIT à large échelle. À l’inverse, le cumul saisonnier, le nombre de jours de pluie et l’intensité sont définis sur l’intégralité de la saison des pluies et intègrent l’ensemble des précipitations saisonnières. De fait, lorsque la reconstitution porte sur des séquences de jours inférieures à la durée de la saison des pluies, alors ces descripteurs sont définis à partir d’un mélange de pluies estimées et de pluies observées, ces dernières contenant une information sur les propriétés de la saison qui permet une estimation finale plus réaliste. À mesure que la longueur de la séquence s’allonge, cette information disparaît progressivement ce qui produit une détérioration de la qualité des descripteurs intégrateurs.

Il est difficile de fixer une longueur de séquence manquante critique au-delà de laquelle la reconstitution des pluies quotidiennes détériore indéniablement la qualité des variables intra-saisonnières calculées. Quoiqu'il en soit, les variables intégratrices du comportement des pluies sur de longues périodes sont tout de même plus sensibles au nombre et à la distribution temporelle des lacunes ayant été reconstituées statistiquement. Il serait intéressant de tester la méthodologie ci-dessus dans d'autres contextes tropicaux, comme l'Afrique de l'Ouest, où les mécanismes pluviogènes sont partiellement différents, avec un rôle clé des perturbations de méso-échelle. On notera qu'une étude ayant une philosophie d’approche comparable à la nôtre, mais pour une application agronomique, a été réalisée en Afrique de l’Ouest (Ramarohetra et al., 2012). Ces auteurs ont cherché à quantifier l’impact du comblement des lacunes dans les séries journalières de pluie sur les rendements en mil calculés avec un modèle agronomique. Les différentes méthodes de comblement utilisées montrent une faible incidence du comblement sur la simulation de rendements faites par un modèle de croissance de plante.

Conclusion

Le travail consistait à présenter l’effet du comblement de lacunes dans les séries de précipitations quotidiennes sur les caractéristiques des pluies saisonnières en région tropicale. La méthodologie a été développée et testée en Afrique de l'Est, région à l'environnement géographique complexe où le relief exerce un contrôle assez fort sur les précipitations. Il apparaît clairement que l'occurrence des jours de pluies (> 1 mm) ainsi que les quantités précipitées sont reproduites correctement dans les espaces où les précipitations sont les plus abondantes et où le réseau de pluviomètres est dense. Les corrélations obtenues entre les séries de pluies quotidiennes estimées et observées apparaissent globalement modérées à une majorité de stations, mais deviennent plutôt élevées dans les régions voisines des monts Kenya et Kilimandjaro, et encore plus sur les espaces côtiers. Le caractère principalement convectif des pluies en Afrique de l'Est fait qu’il existe une composante pluviométrique entièrement locale à l’échelle journalière, qu’aucun modèle d’interpolation n'est capable de parfaitement reproduire.

Néanmoins, si à l'échelle journalière les performances des reconstitutions restent souvent modestes, elles sont bien plus satisfaisantes dès lors qu'elles sont évaluées sur la base des caractéristiques saisonnières et même intra-saisonnières (cumul saisonnier précipité, nombre de jours de pluie, dates de démarrage et de fin des saisons des pluies). Ces performances, assez logiquement, dépendent du nombre de lacunes à combler. Il est néanmoins impossible de proposer des valeurs seuils en termes de pourcentage de lacunes au-delà desquelles la qualité des saisons pluvieuses se détériorerait significativement. L'agencement temporel de ces lacunes (jours isolés ou séquences plus ou moins longues) a un impact moindre, mais non négligeable, sur la qualité des saisons pluvieuses reconstruites, de telle manière que plus les lacunes sont regroupées en longues périodes et moins bien les caractéristiques de la saison des pluies sont reproduites. Toutefois, les variables intra-saisonnières ne sont pas toutes impactées de la même manière puisque les variables intégratives du comportement des pluies sur l’ensemble de la saison (comme le cumul saisonnier ou le nombre de jours de pluie) sont très bien reproduites, au contraire des variables décrivant le phasage de la saison des pluies (début et fin de saison), qui sont calculées à partir de définitions construites à partir d'une agrégation de pluie sur une période de courte durée.

Cette analyse souligne l'insuffisante densité du réseau d'observation dans certaines régions d'Afrique de l'Est, notamment les zones arides du nord et de l'est du Kenya. Les performances de reconstitution des séries de précipitations, quoiqu’acceptables, y sont plus basses qu'ailleurs. Ce constat s'explique par la faible densité du réseau, liée à la très faible densité de population, mais aussi par le caractère même des précipitations dans ces régions (événements pluvieux plus intenses, mais d'échelle locale et donc peu corrélés spatialement). Les estimations satellitaires sont des compléments indispensables pour ces zones arides ou semi-arides mal échantillonnées par les postes pluviométriques (Ali et al., 2005 ; Thiemig et al., 2012). Néanmoins, en Afrique de l'Est, ces estimations restent encore imparfaites, avec une sous-estimation des précipitations dans les zones montagneuses liée à une mauvaise prise en compte des pluies orographiques (associées à des nuages à sommet chaud), et une surestimation dans les régions sèches, vraisemblablement liée à l'évaporation de la pluie sous les nuages (Dinku et al., 2011 ; Habib et al., 2012). Par ailleurs, les données satellitaires ne permettent, dans le meilleur des cas, de remonter que jusqu'à 1979. Pour l'analyse des variations à long terme des précipitations journalières, une reconstitution des mesures in situ reste indispensable.

Bibliographie

Ali A., Amani A., Diedhiou A., Lebel T., 2005: Rainfall estimation in the Sahel. Part II: Evaluation of rain gauge networks in the CILSS countries and objective intercomparison of rainfall products. Journal of Applied Meteorology, 44 (11), 1707-1722.

Anyah R. O. and Semazzi F. H. M., 2004: Simulation of the response of Lake Victoria basin climate to lake surface temperatures. Theoretical and Applied Climatology, 79, 55-69.

Asnani G.C., 1993: Tropical meteorology. Indian Institute of Tropical Meteorology, Pune, vol. 2, 1202 p.

Asnani G. C. and Kinuthia J. H., 1979: Diurnal variation of precipitation in East Africa. Memo of East Africa Meteorological Department, 8, 58 p.

Barnston A. G., 1992: Correspondence among the Correlation, RMSE, and Heidke Forecast Verification Measures; Refinement of the Heidke Score.Weather and Forecasting, 7, 699-709.

Baron C., Sultan B., Balme M., Sarr B., Traore S., Lebel T., Janicot S., Dingkuhn M., 2005: From GCM grid cell to agricultural plot: Scale issues affecting modelling of climate impact. Phil. Trans. R. Soc. B, 360, 2095-2108.

Bärring L., 1988: Reginalization of daily rainfall in Kenya by means of common factor analysis. Journal of climatology, 8 (4), 371-389.

Bishop C.M., 1997: Neural Networks for Pattern Recognition. Third edition, Clarendon Press, Oxford.

Boyard-Micheau J., Camberlin P., Philippon N., Moron V., 2013: Regional scale rainy season onset detection: a new approach based on multivariate analysis. J. Climate, 26, 8916-8928.

Boyard-Micheau J., 2013 : Prévisibilité potentielle des variables climatiques à impact agricole en Afrique de l'Est et application au sorgho dans la région du mont Kenya. Thèse, Université de Bourgogne, Dijon, France, 337 p.

Brunetti M., Colacino M., Maugeri M., Nanni T., 2001: Trends in the daily intensity of precipitation in Italy from 1951 to 1996. International Journal of Climatology, 21 (3), 299-316.

Camberlin P. et Planchon O., 1997: Coastal precipitation regimes in Kenya. Geografiska Annaler, Serie A, Physical Geography, 79 (1-2), 109-119.

Camberlin P., Janicot S., Poccard I., 2001: Seasonality and atmospheric dynamics of the teleconnection between African rainfall and tropical sea-surface temperature: Atlantic vs. ENSO. International Journal of Climatology, 21 (8), 973-1005.

Camberlin P., Moron V., Okoola R., Philippon N., Gitau W., 2009: Components of rainy seasons’ variability in Equatorial East Africa: onset, cessation, rainfall frequency and intensity. Theoretical and applied climatology, 98 (3-4), 237-249.

Camberlin P., BoyardMicheau J., Philippon N., Baron C., Leclerc C., Mwongera C., 2014: Climatic gradients along the windward slopes of Mount Kenya and their implication for crop risks. Part 1: climate variability. International Journal of Climatology, 34 (7), 2136-2152.

Colman A., Janes T., Nying’uro P., Shaka A., Graham R., Jones R., 2015: Technical Work Package to Support Enhancements to Seasonal Forecast Production – Final Project Report. Kenye Meteorological Department, Met. Office Hadley Center, 33 p.

Dempster A. P., Laird N. M., Rubin D., 1977: Maximum Likelihood from Incomplete Data via the EM Algorithm. Journal of the Royal Statistical Society, Series B (Methodological), 39 (1), 1-38.

Dinku T., Ceccato P., Connor S. J., 2011: Challenges of satellite rainfall estimation over mountainous and arid parts of east Africa. International journal of remote sensing, 32(21), 5965-5979.

Dixon J., Gulliver A., Gibon D., 2001 : Système d’exploitation agricole et pauvreté. Améliorer les moyens d’existence des agriculteurs dans un monde changeant. Ed. Malcolm Hall, FAO et Banque Mondiale, Rome et Washington DC, 464 p.

Duband D., 1970 : Reconnaissance dynamique de la forme des situations météorologiques. Application à la prévision quantitative des précipitations. Thèse de 3ème cycle de la Faculté des Sciences de Paris.

Dodd D. E. et Jolliffe I. T., 2001: Early detection of the start of the wet season in semiarid tropical climates of Western Africa. International journal of climatology, 21 (10), 1251-1262.

Dunn P. K., 2004: Occurrence and quantity of precipitation can be modelled simultaneously. International Journal of Climatology, 24 (10), 1231-1239.

Eischeid J. K., Pasteris P. A., Diaz H. F., Plantico M. S., Lott N. J., 2000: Creating a serially complete, national daily time series of temperature and precipitation for the western United States. Journal of Applied Meteorology, 39 (9), 1580-1591.

Elsner J. B. et Schmertmann C. P., 1994: Assessing forecast skill through cross validation. Weather and Forecasting, 9 (4), 619-624.

Gitau W., 2011: Diagnosis and predictability of intraseasonal characteristicss of wet and dry spells over equatorial east Africa. Thèse de doctorat,University of Nairobi, Kenya.

Gitau W., Ogallo L., Camberlin P., Okoola R., 2012: Spatial coherence and potential predictability assessment of intraseasonal statistics of wet and dry spells over Equatorial Eastern Africa. International Journal of Climatology, 33 (12), 2690-2705.

Habib E., Elsaadan M., Hail A. T., 2012: Climatology-focused evaluation of CMORPH and TMPA satellite rainfall products over the Nile Basin. Journal of Applied Meteorology and Climatology, 51 (12), 2105-2121.

Heidke P., 1926: Berechnung des Erfolges und der Gute der Windstarkevorhersagen im Sturmwarnungsdienst. Geografiska Annaler, 8, 301-349.

Hickey G. M., Pelletier B., Brownhill L., Kamau G. M., Maina I. N., 2012: Preface: Challenges and opportunities for enhancing food security in Kenya. Food Security, 4 (3), 333-340.

Hocking R. R., 1976: A Biometrics invited paper. The analysis and selection of variables in linear regression. Biometrics, 32(1), 1-49.

Ines A.V. M. et Hansen J. W., 2006: Bias correction of daily GCM rainfall for crop simulation studies. Agricultural and Forest Meteorology, 138 (1), 44-53.

Joliffe I. et Stephenson D. B. (eds), 2012: Forecast verification: a practitioner's guide in atmospheric science. John Wiley & Sons. Jones J. W., Hansen J. W., Royce F. S., Messina C. D., 2000: Potential benefits of climate forecasting to agriculture. Agriculture, Ecosystems & Environment, 82, 169-184.

Karl T. R., Knight R. W., Plummer N., 1995: Trends in high-frequency climate variability in the twentieth century. Nature, 377, 217-220.

Lazraq A. et Cleroux R., 1988 : Un algorithme pas à pas de sélection de variables en régression linéaire multivariée. Statistique et analyse des données, 13 (1), 39-58.

Lorenz E., 1969: Atmospheric predictability as revealed by natural occuring analogues. Journal of the Atmospheric Sciences, 26, 636-646.

Makhuvha T., Pegram G., Sparks R., Zucchini W., 1997a: Patching rainfall data using regression methods. 1. Best subset selection, EM and pseudo-EM methods: theory. Journal of Hydrology, 198 (1-4), 289-307.

Makhuvha T., Pegram G., Sparks R., Zucchini W., 1997b: Patching rainfall data using regression methods. 2. Comparisons of accuracy, bias and efficiency. Journal of Hydrology, 198 (1-4), 308-318.

Marteau R., Moron V., Philippon N., 2009: Spatial coherence of monsoon onset over Western and Central Sahel (1950-2000). Journal of Climate, 22 (5), 1313-1324.

Michaelsen J., 1987: Cross-validation in statistical climate forecast models. Journal of climate and Applied Meteorology, 26(11), 1589-1600.

Moron V., Robertson A. W., Ward M. N., Camberlin P., 2007: Spatial coherence of tropical rainfall at the regional scale. Journal of Climate, 20 (21), 5244-5263.

Moron V., Lucero A., Hilario F., Lyon B., Robertson A. W., Dewitt D., 2009: Spatio-temporal variability and predictability of summer monsoon onset over the Philippines. Climate dynamics, 33 (7-8), 1159-1177.

Mwongera C. N., 2012: How smallholder farmers cope with climate variability: case study of the Eastern slope of Mount Kenya. Agricultures familiales et variabilité climatique sur le versant Est du Mont Kenya. Thèse de doctorat, Université de Montpellier, SupAgro. 166 p.

Nicholson S.E., 1996: A review of climate dynamics and climate variability in Eastern Africa. In: T.C. Johnson and E.O. Odada (Eds.), The limnology, Climatology and Paleoclimatology of the East African Lakes, Gordon and Breach, Toronto, 25-56.

Obled C., Bontron G., Garçon R., 2002: Quantitative precipitation forecasts: a statistical adaptation of model outputs through an analogues sorting approach. Atmospheric research, 63 (3), 303-324.

Obled C., Zin I., Hingray B., 2009 : Choix des pas de temps et d'espace pour des modélisations parcimonieuses en hydrologie des crues. La Houille Blanche, 5, 81-87.

Oettli P. et Camberlin P., 2005: Influence of topography on monthly rainfall distribution over East Africa. Climate Research, 28 (3), 199-212.

Oettli P., 2008 : Précipitations et relief en Afrique orientale et australe : modélisations statistiques et géostatistiques. Thèse de Doctorat, Université de Bourgogne, 287 p.

Ogallo L. J., Janowiak J. E., Halpert M. S., 1988: Teleconnections between seasonal rainfall over East Africa and global sea surface temperature anomalies. Journal of the Meteorological Society of Japan, 66, 807-821.

Ogallo L. J., 1985: Climatology of rainfall in East Africa. Proc. WMO conf. on GATE, WAMEX, and Tropical Meteorology,T.M.P n°16, Dakar, Senegal, WMO, 96-102.

Philippon N., Baron C., Boyard-Micheau J., Adde A., Leclerc C., Mongwera C., Camberlin P., 2015a: Climatic gradients along the windward slopes of Mount Kenya and their implication for crop risks. Part 2: crop sensitivity. International Journal of Climatology, DOI: http://dx.doi.org/10.1002/joc.4394

Philippon N., Camberlin P., Moron V., Boyard-Micheau J.,2015b: Anomalously wet and dry rainy seasons in Equatorial East Africa and associated differences in intra-seasonal characteristics. Climate Dynamics, 1-21. DOI: http://dx.doi.org/10.1007/s00382-014-2436-6.

Piani C., Haerter J. O., E. Coppola, 2010: Statistical bias correction for daily precipitation in regional climate models over Europe. Theoretical and Applied Climatology, 99 (1-2), 187-192.

Ramarohetra J., Roudier P., Sultan B., 2012 : Lacunes et comblement des mesures de pluies : quel impact pour la simulation de rendements agricoles en zone sahélienne ? Publications de l’Association Internationale de Climatologie, 25, 649-654.

Robertson A. W., Moron V., Swarinoto Y., 2009: Seasonal predictability of daily rainfall statistics over Indramayu district, Indonesia. International Journal of Climatology, 29 (10) 1449-1462.

Rowell D., Folland C., Maskell K., Ward N., 1995: Variability of summer rainfall over tropical north Africa (1906-92): observations and modeling. Quart. J. Roy. Met. Soc., 121, 669-704.

Schlenker W. et Lobell D. B., 2010: Robust negative impacts of climate change on African agriculture. Environmental Research Letters, 5 (1), 1-8.

Schmidli J., Frei C., Vidale P. L., 2006: Downscaling from GCM precipitation: a benchmark for dynamical and statistical downscaling methods. International journal of climatology, 26 (5), 679-689.

Simolo C., Brunetti M., Maugeri M., Nanni T., 2010: Improving estimation of missing values in daily precipitation series by a probability density functionpreserving approach. International Journal of Climatology, 30 (10), 1564-1576.

Sivakumar M. V. K., 1988: Predicting rainy season potential from the onset of rains in southern Sahelian and Sudanian climatic zones of West Africa. Agricultural Forest and Meteorology, 42, 295-305.

Slegers M. F., 2008: If only it would rain: Farmers’ perceptions of rainfall and drought in semi-arid central Tanzania. Journal of Arid Environments, 72 (11), 2106-2123.

Thiemig V., Rojas R., Zambrano-Bigiarini M., Levizzani V., De Roo A., 2012: Validation of satellite-based precipitation products over sparsely gauged African river basins. Journal of Hydrometeorology, 13 (6), 1760-1783.

Thomas D. S. G., Twyman C., Osbahr H., Hewitson B., 2007: Adaptation to climate change and variability: farmer responses to intra-seasonal precipitation trends in South Africa. Climatic change, 83 (3), 301-322.

Traore S., Alhassane A., Muller B., Kouressy M., Some L., Sultan B., Oettli P., Laope A.C.S., Sangaré S., Vaksmann M., Diop M., Dingkhum M., Baron C., 2011: Characterizing and modeling the diversity of cropping situations under climatic constraints in West Africa. Atmospheric science letters, 12, 89-95.

Usman M. T. et Reason C. J. C, 2004: Dry spell frequencies and their variability over southern Africa. Climate Research, 26 (3), 199-211.

VicenteSerrano S. M., Beguería S., LópezMoreno J. I., GarcíaVera M. A., STEPANEK P., 2010: A complete daily precipitation database for northeast Spain: reconstruction, quality control, and homogeneity. International Journal of Climatology, 30 (8), 1146-1163.

Von Storch H. et Zwiers F. W., 1999: Statistical analysis in climate research. Cambridge University Press, 484 p.

Widmann M. L., Bretherton C. S., Salathe E. P. J., 2003: Statistical precipitation downscaling over the Northwestern United States using numerically simulated precipitation as a predictor. J. Climate, 16, 799-816.

Wilks D.S., 1999: Interannual variability and extreme-value characteristics of several stochastic daily precipitation models. Agricultural and Forest Meteorology, 93(3), 153-169.

World Meteorological Organization, 2008: Guide to meteorological instruments and methods of observation: https://www.wmo.int/pages/prog/gcos/documents/gruanmanuals/CIMO/CIMO_Guide-7th_Edition-2008.pdf.

Pour citer ce document

Référence papier : Joseph Boyard-Micheau et Pierre Camberlin « Reconstitution de séries de pluies quotidiennes en Afrique de l’Est : application aux caractéristiques des saisons des pluies », Climatologie, 2016, p. 83-105.

Référence électronique : Joseph Boyard-Micheau et Pierre Camberlin « Reconstitution de séries de pluies quotidiennes en Afrique de l’Est : application aux caractéristiques des saisons des pluies », Climatologie [En ligne], mis à jour le : 24/03/2016, URL : http://lodel.irevues.inist.fr/climatologie/index.php?id=1142, https://doi.org/10.4267/climatologie.1142

Auteur(s)

Joseph Boyard-Micheau

Institut Català de Ciènces del Clima (IC3)  Carrer Doctor Trueta, 213 08005 Barcelona, Catalonia – Espagne

Pierre Camberlin

Centre de Recherche de Climatologie (CRC) / Biogéosciences UMR 6282 CNRS / Université Bourgogne Franche-Comté 6 Boulevard Gabriel, 21000 Dijon – France