Les données d’entrée des systèmes d’alerte précoce pour le suivi agricole

Les données d’entrées indispensables au fonctionnement des systèmes d’alerte pour le suivi agricole (disponibilité alimentaire) sont les images satellitaires, des observations in-situ et des modèles de rendements. La disponibilité de ces données dans le temps constitue la contrainte majeure de l’estimation des productions agricoles. Les systèmes de suivi et d’alerte traduisent certaines ces données entrantes en informations pertinentes pour les professionnels et les filières (cartes d’occupation du sol, suivi des récoltes, détection des anomalies de croissance…).

3.2.1. Les données satellitaires

D’après les différents types de capteurs et d’images décrits précédemment, nous avons pu voir que pour le suivi de l’agriculture à l’échelle globale, ce sont les images à moyenne ou basse résolution spatiale et à haute fréquence temporelle qui sont utilisées. Ces images servent à localiser les cultures et à suivre leur état. D’autres images à plus haute résolution peuvent ensuite être utilisées pour la caractérisation de ce que nous avons appelé les « systèmes agricoles ».

L’estimation de la production agricole se déroule en 4 étapes : i) la cartographie des superficies emblavées par culture chaque année, ii) la détection d’anomalies par rapport à une année précédente, iii) le couplage de ces résultats à un modèle de plante, des données météorologiques et/ou des statistiques agricoles pour prévoir le rendement, et iv) la prévision de production en tant que telle. Dans chacune des trois premières étapes, des données satellitaires sont utilisées. Quelles sont- elles ?

Nous donnerons en exemple les deux systèmes d’alerte existants les mieux renseignés, à savoir le GMFS et le FEWS NET, et leur utilisation des données de télédétection. Le GMFS est déployé en Ethiopie, au Soudan, au Sénégal, au Zimbabwe, au Mozambique et au Malawi, et ne fournit donc aucune donnée sur le Mali ; cependant, ce système d’alerte est très bien renseigné et sa méthode mérite d’être analysée.

Tableau 3 : Données et méthodes utilisées par les systèmes d’alerte FEWS NET et GMFS pour la cartographie et le suivi des surfaces cultivées.

Cartographie des cultures

Le GMFS propose des cartes du domaine cultivé à l’échelle nationale, générées chaque année, à partir d’images multi-temporelles ENVISAT-MERIS-FR (Tableau 3). Pour caractériser le ^ƵƌĨĂĐĞƐ ĠƚĞĐƚŝŽŶĚΖĂŶŽŵĂůŝĞƐ ^ƵŝǀŝĂŐƌŽͲĐůŝŵĂƚŝƋƵĞ WĂLJƐĚΖĨƌŝƋƵĞĐŽŶĐĞƌŶĠƐ ŽŶŶĠĞƐ Es/^dͲDZ/^ ^WKds'dd/KEĞƚ Es/^dͲDZ/^ DdK^d DĠƚŚŽĚĞƐ ůĂƐƐŝĨŝĐĂƚŝŽŶƐƵƌŝŵĂŐĞƐă ŚĂƵƚĞƌĠƐŽůƵƚŝŽŶнƌĠƐĞĂƵ ĚĞŶĞƵƌŽŶĞƐƉŽƵƌůĞĐĂůĐƵů ĚĞƉŽƵƌĐĞŶƚĂŐĞĚĞ ĐŚĂƋƵĞŽĐĐƵƉĂƚŝŽŶĚƵƐŽů ĚĂŶƐƵŶƉŝdžĞůDZ/^ ĂƌƚĞƐĚΖŝŶĚŝĐĂƚĞƵƌƐĚĞ ƉƌŽĚƵĐƚŝǀŝƚĠĚĞůĂǀĠŐĠƚĂƚŝŽŶ нĐĂƌƚĞĚĞĨWZƚŽƵƐůĞƐϭϬ ũŽƵƌƐ͕ăĐŽŵƉĂƌĞƌĂƵdž ƐĂŝƐŽŶƐƉƌĠĐĠĚĞŶƚĞƐƉŽƵƌ ƉƌĠǀĞŶŝƌůĞƐĠǀğŶĞŵĞŶƚƐ ĞdžƚƌġŵĞƐ ĂƌƚĞƐĚΖĞƐƚŝŵĂƚŝŽŶƐĚĞƐ ƉůƵŝĞƐ͕ĞƚĚƵΗƌLJŵĂƚƚĞƌ ƉƌŽĚƵĐƚŝǀŝƚLJΗƋƵŝŵĞƐƵƌĞ ůĞƚĂƵdžĚĞĐƌŽŝƐƐĂŶĐĞĚĞ ůĂƉůĂŶƚĞ ŽŶŶĠĞƐ >ĂŶĚƐĂƚ͕/ŬŽŶŽƐĞƚ YƵŝĐŬďŝƌĚ EKͲs,ZZĞƚDK/^Ͳ dZZǀŝĂůĞEs/͘ ƌŽŝƐĞŵĞŶƚĚĞƐĚŽŶŶĠĞƐ EKͲs,ZZĞƚDK/^Ͳ dZZĂǀĞĐůĞZ& DĠƚŚŽĚĞƐ ůĂƐƐŝĨŝĐĂƚŝŽŶƐƵƌŝŵĂŐĞƐ ăŚĂƵƚĞƌĠƐŽůƵƚŝŽŶƐƵƌĚĞƐ ƐŝƚĞƐƚĞƐƚ͘>ĞŝŵďĂďǁĞĂ ĠƚĠĐĂƌƚŽŐƌĂƉŚŝĠ ĞŶƚŝğƌĞŵĞŶƚƌĠĐĞŵŵĞŶƚ͘ ŽŵƉĂƌĂŝƐŽŶĚĞůΖĂŶŶĠĞĞŶ ĐŽƵƌƐĂǀĞĐůĂŵŽLJĞŶŶĞĚƵ Es/ĚĞƐĂŶŶĠĞƐ ƉƌĠĐĠĚĞŶƚĞƐ͘ /ŶĐŽƌƉŽƌƚĂƚŝŽŶĚĂŶƐƵŶ ŵŽĚğůĞĚĞƉůĂŶƚĞ͘ WĞƌĨŽƌŵĂŶĐĞĚĞůĂ ĐƵůƚƵƌĞĞŶĨŽŶĐƚŝŽŶĚĞůĂ ĚŝƐƉŽŶŝďŝůŝƚĠĞŶĞĂƵƉĂƌ ĚĞƐĐĂƌƚĞƐĚĞtĂƚĞƌ ZĞƋƵŝƌĞŵĞŶƚ^ĂƚŝƐĨĂĐƚŝŽŶ /ŶĚĞdž;tZ^/Ϳ &t^Ed 'D&^ ƚŚŝŽƉŝĞ͕^ŽƵĚĂŶ͕ ^ĠŶĠŐĂů͕ŝŵďĂďǁĞ͕ DŽnjĂŵďŝƋƵĞĞƚDĂůĂǁŝн ƐŝƚĞƐƚĞƐƚ ƵƌŬŝŶĂ&ĂƐŽ͕dĐŚĂĚ͕ >ŝďĞƌŝĂ͕DĂůŝ͕DĂƵƌŝƚĂŶŝĞ͕ EŝŐĞƌ͕EŝŐĞƌŝĂ͕^ĞŶĞŐĂů͕ ^ŝĞƌƌĂ>ĞŽŶĞнĨƌŝƋƵĞĚĞ ůΖƐƚĞƚĚƵ^ƵĚ

domaine cultivé et associer un type de culture à chaque pixel, le programme utilise une méthode « up- scaling ». Des classifications à haute résolution spatiale sont réalisées sur de petites zones tests, et utilisées pour entrainer un réseau de neurones qui permettra ensuite de calculer le pourcentage de chaque occupation du sol dans un pixel MERIS (300 m). Le réseau de neurones est ensuite appliqué à l’ensemble des images, à l’échelle nationale, en extrapolant les informations générées sur les zones tests.

Le FEWS NET se concentrait jusqu’à récemment uniquement à la détection d’anomalies de croissance, avec peu d’attention portée aux variations de surfaces cultivées pour une culture en particulier. Aujourd’hui le FEWS NET s’intéresse également à la cartographie précise des surfaces cultivées. C’est le cas par exemple au Zimbabwe, où une carte des cultures a été produite en 2005 grâce à 24 images Landsat. Ils utilisent également ponctuellement des images Ikonos et Quickbird (Tableau 3).

Détection d’anomalies

Le FEWS NET utilise des données NOAA-AVHRR et MODIS-TERRA, pour un suivi de la végétation, via l’indice NDVI (Tableau 3). Les anomalies sont étudiées : ce sont généralement des produits sous forme d’images, qui montrent combien la période présente est différente de la moyenne de toutes les images précédentes pour la même période.

Figure 9 : Anomalies du NDVI au 31 Août 2011 par rapport à la moyenne 2001 – 2010 (Source :

bulletin FEWS NET Septembre 2011).

Le GMFS produit des cartes d’indicateurs de productivité de la végétation (VPI), indice proposé par Sannier et al. (1998), basé sur des données SPOT VEGETATION à 1 km de résolution (Tableau 3). Cette méthode donne la distribution statistique du NDVI tous les 10 jours, pour prévenir des évènements extrêmes. Concrètement, pour chaque pixel, la valeur du NDVI est comparée aux données historiques, et le NDVI est classé dans un « groupe de productivité », en fonction du pourcentage de différence avec les années précédentes (0%, 20%, 40%, 60%, 80% ou plus de 100%). Le GMFS produit aussi des cartes d’indice de la fraction de rayonnement photosynthétiquement actif absorbé par la végétation pour sa photosynthèse chaque saison (fAPAR), à partir d’imagerie ENVISAT-MERIS-FR à 250 m de résolution à 10 jours qui peuvent être comparés aux saisons précédentes.

Suivi agro-climatique

Pour le suivi climatique de FEWS NET, les données de NDVI sont croisées avec de l’imagerie RainFall Estimation (RFE) qui est un produit automatisé basé sur des images METEOSAT en infrarouge à 10 km de résolution (Figure 10) (Tableau 3). Ces données sont utilisées en input de modèles hydrologiques ou agro-météorologiques et fournissent également des informations sur le climat (i.e. permettent de comparer des quantités de pluies vis-à-vis de périodes antérieures). Le démarrage de la saison des pluies est un produit calculé d’après les données RFE. Le produit montre la date du démarrage de la saison, comparé à la moyenne climatologique (Figure 10). La saison est considérée comme « démarrée » lorsque l’on assiste à 3 périodes de 10 jours consécutifs avec plus de 20 mm de précipitations. La date du démarrage est ensuite comparée à la moyenne des dates de démarrage sur les 10 années précédentes (lorsque les données sont disponibles). Ainsi, les régions présentant un retard dans le démarrage peuvent être identifiées.

Les données de pluies sont cependant hétérogènes, dans le sens où le RFE ne couvre pas toutes les régions du monde. Le NDVI est donc la source d’information la plus importante pour le programme FEWS NET car il permet d’évaluer l’impact de la pluie sur la végétation. Ces données de pluie et de NDVI sont croisées avec des modèles de plante pour suivre l’évolution de la croissance des plantes. Cependant, deux saisons de croissance avec la même quantité de pluie peuvent amener à des rendements de culture bien différents si la distribution dans le temps est différente. Le programme FEWS NET a donc implémenté des mesures de l’impact des pluies sur chaque culture grâce au « Water Requirement Satisfaction Index » (WRSI) (Senay and Verdin, 2003; Verdin and Klaver, 2002). Cet indice donne la performance de la culture en fonction de la disponibilité en eau durant la période de croissance.

Le GMFS produit également des cartes d’estimations des pluies à partir de données METEOSAT à 3 km de résolution (Tableau 3). Il travaille également avec un indicateur appelé « Dry matter productivity » (DMP) qui mesure le taux de croissance de la plante. Quand la végétation est en bonne santé et que les nutriments ne sont pas limitants, le DMP est proportionnel à la quantité de lumière reçue par la plante. Les estimations de productivité de la végétation peuvent être obtenues en croisant les images de télédétection et des données météorologiques (rayonnement solaire et température). Leur calcul est basé sur la méthode Monteith (1972).

Figure 10 : NOAA Climate Prediction Center FEWS NET Rainfall Estimate (mm) en Afrique (7 Aout 2011).

3.2.2. Les données de terrain

Les enquêtes agricoles sont évidemment l’instrument de base de la détermination des disponibilités alimentaires. En principe, tous les pays du CILSS disposent d’une enquête agricole, mais il arrive qu’elle soit mise en œuvre trop tardivement ou annulée pour des raisons financières. Les enquêtes sont généralement faites sous forme de sondage (sur les superficies, l’estimation de la production à partir des carrés de rendements…) et reposent sur les déclarations des paysans. Elles font souvent l’objet de polémiques lorsque les résultats définitifs de production ne correspondent pas aux prévisions de récolte. Ce sont parfois les services nationaux qui sont suspectés de manipuler les chiffres pour influencer les résultats du bilan céréalier. De plus, ces enquêtes sont fastidieuses, et l’harmonisation des données produites par des dispositifs différents par région est compliquée. Des efforts notables ont été faits grâce au programme « Amélioration des instruments du DIAgnostic PERmanent pour la sécurité alimentaire régionale » (DIAPER) conduit par le centre Agrhymet sur la période 1984-2000, qui était un projet d’appui technique aux services nationaux des pays membres du CILSS contribuant à la collecte de données statistiques sur l’agriculture et l’élevage.

Au-delà des données statistiques ou satellitaires sur lesquelles s’appuient les systèmes d’alerte pour prévoir la production, des campagnes de terrain sont organisées chaque année dans

différents pays africains pour valider les produits cartographiques. Par exemple, en parallèle des données de pluies acquises par imagerie satellitaire, des données pluviométriques in-situ sont également relevées. La plupart des systèmes d’alerte utilisent également des évaluations à dire d’experts.

Les systèmes de surveillance de la sécurité alimentaire utilisent différentes plateformes satellitaires, ainsi que des données de terrain pour fonctionner. La démarche est la suivante : i) localiser les cultures, ii) caractériser le type de culture, iii) prévoir un rendement grâce à des données de pluies in situ complétées par des estimations par satellite et/ou des statistiques agricoles.

Le Mali n’a jamais été cartographié avec précision par aucun des systèmes d’alerte existants. Il se trouve dans une zone particulière en termes de régime pluviométrique et d’agriculture. Les systèmes agricoles maliens sont complexes, et gagneraient à être identifiés et caractérisés par télédétection pour injecter de l’information utile, continue dans le temps et dans l’espace, dans les systèmes d’alerte précoce.

ŚĂƉŝƚƌĞϮ͘ KEE^dKhd/>^hd/>/^^