Obj 5101 File Obj 8595 File These Kouakou 2013

UNIVERSITÉ CHEIKH ANTA DIOP DE DAKAR
Ecole Doctorale Sciences de la Vie, de la Santé et de l'Environnement

Faculté des Sciences et Techniques
Année : 2013 N° d’ordre : 063
Amélioration de la prévision des rendements du mil (Pennisetum glaucum (L.) R. Br.)

au Sénégal par l’utilisation de modèles de culture : prise en compte de la sensibilité à
la photopériode des variétés et de la fertilité dans les parcelles d’agriculteurs
Thèse présentée et soutenue publiquement le 20 décembre 2013 pour obtenir le

Doctorat en Biologie, Physiologie et Pathologies végétales
Spécialité : Production et Protection des végétaux
par
Patrice Koffi KOUAKOU
devant le jury composé de :

Président : Kandioura NOBA, Professeur titulaire (FST/UCAD, Sénégal)
Rapporteurs : Amadou Thierno GAYE, Professeur titulaire (ESP/UCAD, Sénégal)
Mbaye DIOP, Maître de recherches (LNRPV/ISRA, Sénégal)
Examinateurs : Léonard Élie AKPO, Professeur titulaire (FST/UCAD, Sénégal)
Bertrand MULLER, Maître de recherches (UMR AGAP/CIRAD, France)
Directeurs de thèse : Aliou GUISSÉ, Professeur titulaire (FST/UCAD, Sénégal)
Nguettia René YAO, Maître de conférences (INP-HB, Côte d’Ivoire)
UNIVERSITÉ CHEIKH ANTA DIOP DE DAKAR
Ecole Doctorale Sciences de la Vie, de la Santé et de l'Environnement

Faculté des Sciences et Techniques
Année : 2013 N° d’ordre : 063
Amélioration de la prévision des rendements du mil (Pennisetum glaucum (L.) R. Br.)

au Sénégal par l’utilisation de modèles de culture : prise en compte de la sensibilité à
la photopériode des variétés et de la fertilité dans les parcelles d’agriculteurs
Thèse présentée et soutenue publiquement le 20 décembre 2013 pour obtenir le

Doctorat en Biologie, Physiologie et Pathologies végétales
Spécialité : Production et Protection des végétaux
par
Patrice Koffi KOUAKOU
devant le jury composé de :

Président : Kandioura NOBA, Professeur titulaire (FST/UCAD, Sénégal)
Rapporteurs : Amadou Thierno GAYE, Professeur titulaire (ESP/UCAD, Sénégal)
Mbaye DIOP, Maître de recherches (LNRPV/ISRA, Sénégal)
Examinateurs : Léonard Élie AKPO, Professeur titulaire (FST/UCAD, Sénégal)
Bertrand MULLER, Maître de recherches (UMR AGAP/CIRAD, France)
Directeurs de thèse : Aliou GUISSÉ, Professeur titulaire (FST/UCAD, Sénégal)
Nguettia René YAO, Maître de conférences (INP-HB, Côte d’Ivoire)
I
A la mémoire de mon père,
disparu beaucoup trop tôt.
A ma mère, brave femme africaine,

pour son amour et ses prières.
A ma fille Orlane Syntiche Mouahé,

pour la patience durant toutes ces années d’absence.
II
« Essentially, all models are wrong, but some are useful. »
George Edward Pelham Box (October 18, 1919 – March 28, 2013)
III
Avant-propos
Le travail qui fait l’objet de cette thèse a été réalisé au Centre d’Étude Régional pour l’Amélioration
de l’Adaptation à la Sécheresse (CERAAS) de Thiès (Sénégal). Les activités ont été conduites dans
le cadre du projet « WAAPP Agrométéorologie » du Programme de Productivité Agricole en
Afrique de l’Ouest (PPAAO), financé par la banque mondiale et le Gouvernement du Sénégal.
Nombreuses sont les personnes qui, de près ou de loin, ont contribué à ce travail et à qui nous
voudrions rendre hommage à travers ces quelques lignes.
Nous exprimons toute notre reconnaissance au Dr Bertrand Muller, Chercheur du CIRAD, du

CERAAS et d’AfricaRice, coordonnateur du projet « WAAPP Agrométéorologie ». Dr Muller est à
l’origine de notre thèse, de son orientation et ses évolutions et nous a encadré tout au long de celle-
ci. Plus qu’un « encadrant principal », il fut un co-directeur implicite.
Nous sommes reconnaissant envers les Prs Aliou Guissé et René Nguettia Yao, respectivement
directeur et co-directeur de cette thèse, pour leur disponibilité et leur contribution constructive au
cours de ces 4 années d’études.
Nos remerciements les plus sincères sont au Pr Amadou Thierno Gaye et au Dr Mbaye Diop qui
nous ont fait l’honneur d’être les rapporteurs de ce document, et qui ont bien voulu nous faire part
de leurs pertinentes critiques et suggestions, et au Pr Léonard Élie Akpo qui nous a fait l’honneur
d’être examinateur de notre travail.
Nos remerciements vont à l’endroit du Pr Saliou Ndiaye, recteur de l’Université Cheikh Anta Diop
(UCAD) de Dakar, du Pr Abdoulaye Samb, directeur de l’École Doctorale Sciences de la Vie, de la
Santé et de l'Environnement (ED-SEV) et du Pr Sérigne Ndiaye, doyen de la Faculté des Sciences et
Techniques (FST), qui ont bien voulu nous accepter dans la formation doctorale « Production et
Protection des Végétaux ».
Nous remercions les directeurs successifs du CERAAS, Drs Dogo Seck, Ousmane Ndoye et Ndiaga
Cissé, qui nous ont accordé une grande confiance en nous accueillant dans le centre, et en nous
intégrant dans un programme de recherche.
Nous sommes reconnaissant envers l’Office Allemand d’Échange Universitaire (DAAD) pour nous
avoir accordé une bourse de thèse pendant 45 mois à travers sa collaboration avec le CERAAS.
Nous encourageons les responsables du DAAD à continuer cette collaboration pour un bon
développement de la recherche agricole en Afrique de l’ouest.
IV
Nous remercions le Service de Coopération et d’Action Culturelle (SCAC) de l’Ambassade de
France en Côte d’Ivoire qui nous a apporté son soutien sous forme de séjours de 5 mois en 2012 et
en 2013 au Sénégal.
Nous aimerions remercier Drs François Affholder, Myriam Adam et Christian Baron, tous
chercheurs du CIRAD à Montpellier, pour leur disponibilité et leur importante contribution
scientifique à ce travail. François Affholder a mis à notre disposition sa base de données de suivis
des parcelles des agriculteurs faits dans le cadre du projet ESPACE (1990-1991). Christian Baron a
contribué à la mise au propre des données du programme AMMA (2006-2008) dont nous avions
également bénéficiées. Myriam Adam a guidé nos « premiers pas » dans l’apprentissage du modèle
DSSAT.
Il nous plait de remercier sincèrement Drs Amadou Abdoulaye Fall et Abdou Ndiaye,
respectivement chefs des Centre de Recherches Agricoles (CRA) de Saint-Louis et Centre de
Recherches Zootechniques (CRZ) de Kolda qui n’ont ménagé aucun effort pour nous permettre de
conduire des expérimentations sur leurs stations.
Nos remerciements vont à l’endroit de nombreux chercheurs au Sénégal pour leur appui scientifique
ou technique (fourniture de données météorologiques) au cours de cette thèse. Nous pensons aux
Drs Daniel Foncéka et Bassirou Sine du CERAAS, Dr Mamadou Sall et M. Malick Ndiaye du CRA
de Saint-Louis, M. Amadou Fofana du CRZ Kolda, M. Abdoulaye Sow et Dr Alpha Bocar Baldé
d’AfricaRice à Saint-Louis.
Nous sommes reconnaissant aux nombreux techniciens qui ont significativement contribué à la
collecte de données de terrain sur les différents sites d’étude. Nous citerons MM. Ibrahima Ndong,
Abdou Faye, Amadou Diop, Pape Mamadou Ndiaye, Mor Fall, Malamine Badji et Moustapha Fall
du CERAAS, Daniel Babène et Momar Sabaly du CRZ Kolda, Ndongo Ba et Magatte Dieye du
CRA de Saint-Louis.
De nombreux stagiaires d’écoles d’agronomie au Sénégal ont également contribué à la collecte de

données de terrain. Que Souleymane Diallo de l’ENSA de Thiès, Armang Ndiaga Sène, Rose
Diambogne Diouf, Mamadou Sow, Idrissa Touré, Mamoudou Mansaly, Mbaye Sarr Diop de
l’ENCR de Bambey, Moussa Faty, Abdoulaye Bouré Ngom, Mme Thiam née Sokhna Diagne du
CNFTA/GR (ex EATA) de Ziguinchor et Bécaye Dramé du CFPH de Cambérène trouvent ici
l’expression de notre reconnaissance.
V
Durant toutes ces années passées au CERAAS, nous avons eu à côtoyer des collègues thésards et
des étudiants en master avec qui nous avons vécu de façon conviviale, et qui d’une manière ou
d’une autre ont apporté leur contribution à ce travail. Nous faisons référence aux Drs Ambroise
Siéné, Nouhoun Belko, Sali Bourou, Seyni Boureima, Seyni Salack, Lucie Toumnou Aba, à Mmes
Aissata Ba-Thiam et Marème Niang-Belko, à MM. Roger Bayala, Hodo-Abalo Tossim, Nath
Bogie, Aliou Faye, Bassiaka Ouattara, Thierry Tovignan, Paul Martial Kouadio Kouakou, Joël
Romaric Nguepjop, Halimé Mahamat Hissene, Ndeye Bouba Mbengue, Sassoum Lo, Ndèye Fatou
Dème et Mohamed Lamine Teketé.
Il nous est également agréable de remercier le personnel d’appui du CERAAS pour son soutien
durant ces années passées au centre. Nous pensons à MM. Saliou Gning, Aly Égue Ka, Malick
Ndiaye, Makha Dembelé et Jean-Michel Manga, tous chauffeurs du CERAAS, avec qui nous avons
parcouru des milliers de kilomètres sur les routes et pistes villageoises, à M. Cheikhou Dramé et
Mlle Khady Diop du service informatique, à M. Cheikh Faye du service reprographie, à Mlle
Mariama Senghor, Mmes Thérèse Mané Faye-Faye, Fatou Guèye-Sall et Astou Faye-Guèye, à MM.
Saibane Cissokho, Abdou Latif Diack, Moussa Ndoye, Idrissa Cissé, tous membres du personnel
administratif et technique et Mme Sosso Faye, responsable de la cafeteria.
Je remercie également Cédric Ampoh pour ses remarques pertinentes lors de la relecture du
manuscrit.
Je ne saurais terminer sans remercier de tout cœur les braves agriculteurs du BAOL, du SINE, du
SALOUM, du SINE-SALOUM et du FOULADOU qui ont bien voulu mettre à notre disposition
leurs champs pour les suivis-enquêtes, ainsi que les nombreux observateurs qui ont contribué à la
collecte des données dans les parcelles, dont en particulier Adama Sène de Backfassagal. Pour
paraphraser Montesquieu, je ne peux que dire : « j’aime les paysans, ils ne sont pas assez savants
pour raisonner de travers ».
VI
Résumé
La thèse a pour objectif de contribuer à améliorer la prévision des rendements du mil au Sénégal par
l’utilisation de modèles de culture. Deux modèles écophysiologiques à base bilan hydrique (SARRA-H et
CELSIUS) ont d’abord été calés et validés sur les principaux cultivars du Sénégal (Souna, Sanio, Thialack),
dont la plupart sont photopériodiques. Des écarts importants entre rendements simulés et rendements des
agriculteurs ont été observés dans l’utilisation de ces modèles pour la prévision en condition paysanne.
L’analyse des écarts de rendement a révélé que ces écarts étaient dus en partie au faible niveau de fertilité
des parcelles paysannes. Un modèle plus complexe, CERES-Millet, capable de gérer en plus l’interaction
eau-fertilité, a donc été utilisé dans un second temps. Malgré de nombreux problèmes liés au calage de la
biomasse et du développement de la surface foliaire, il a été correctement calé et validé en station sur le
rendement en grain. Cependant, des écarts importants entre rendements simulés et rendements des
agriculteurs subsistaient en condition paysanne. L’option de prendre en compte le faible niveau de fertilité
des parcelles, à travers la baisse du facteur de fertilité (SLPF) de CERES-Millet, a permis d’obtenir des
résultats acceptables et meilleurs que ceux obtenus en faisant baisser dans le même but le coefficient de
conversion de l’énergie en biomasse de SARRA-H et de CELSIUS. Cependant, il conviendrait d’améliorer
le fonctionnement de CERES-Millet et de poursuivre l’exploration des modalités d’ajustement du coefficient
SLPF en fonction des conditions édaphiques en vue de bonnes prévisions.
Mots-clés : Modèle de culture, Photopériodisme, Prévision des rendements, Écarts de rendement,
Pennisetum glaucum (L.) R. Br., Sénégal.
Abstract
This thesis aims to improve pearl millet yield forecasting by using crop models. Two water-balance
ecophysiological models (SARRA-H and CELSIUS) were first calibrated and validated on the main pearl
millet cultivars (Souna, Sanio, Thialack) of Senegal, of which most are photosensitive. But important yield
gaps were observed between simulated yields and observed ones when the model was used under farmers’
fields conditions. The yield gaps analysis revealed that low fertility levels of farmers’ fields are responsible
for the gaps. In order to reduce yield gaps, CERES-Millet which is a more complex model able to simulate
water-nitrogen interaction, was then used. Despite several problems with the calibration of biomass and leaf
area, the calibration of grain yield was satisfactory. CERES-Millet, was correctly calibrated and validated in
research station conditions for the grain yield. However, important yield gaps were also observed when using
it for farmers’ fields conditions. We decided to reduce the fertility factor (SLPF) of CERES-Millet to take
into account the low fertility levels of farmer’s fields. This approach permitted us to obtain satisfactory
simulations, better than what we obtained by reducing empirically the conversion coefficient of intercepted
radiation to biomass for SARRA-H and CELSIUS. Yet, in order to obtain accurate yields forecasts, it
appears necessary to improve the functioning of CERES-Millet and to study the options of how to adjust the
coefficients SLPF.
Keywords: Crop model, Photoperiodism, Yield forecasting, Yield gaps, Pennisetum glaucum (L.) R. Br.,
Senegal.
VII
Table des matières
Sigles et abréviations ........................................................................................................................... 3

Liste des tableaux ................................................................................................................................. 7
Liste des figures ................................................................................................................................... 8
Introduction générale ......................................................................................................................... 10
Chapitre 1 : Prévision agricole au Sahel ............................................................................................ 16

1.1 Historique ..................................................................................................................................... 16
1.2 Systèmes de prévision et acteurs.................................................................................................. 17
1.2.1 Comité permanent Inter-États de Lutte contre la Sécheresse au Sahel (CILSS) .................. 18
1.2.2 Système Mondial d’Information et d’Alerte Rapide sur l’alimentation et l’agriculture
(SMIAR) ........................................................................................................................................ 20
1.2.3 Famine Early Warning Systems Network (FEWS NET) ...................................................... 22
1.3 Méthodes de prévision des rendements au Sahel ......................................................................... 24
1.3.1 Enquêtes agricoles ................................................................................................................ 24
1.3.1.1 Méthode d’échantillonnage ............................................................................................ 24
1.3.1.2 Estimation des superficies cultivées .............................................................................. 25
1.3.1.3 Estimation des rendements moyens départementaux .................................................... 25
1.3.2 Méthodes qualitatives ........................................................................................................... 26
1.3.3 Modèles de prévision ............................................................................................................ 26
1.3.3.1 Modèles empiriques ....................................................................................................... 26
1.3.3.2 Modèles mécanistes ....................................................................................................... 26
1.3.3.2.1 Modèles agrométéorologiques ................................................................................. 27
1.3.3.2.1.1 Système de suivi des zones à risques (ZAR)..................................................... 28
1.3.3.2.1.2 Système Intégré de Suivi et de Prévision des rendements (SISP)..................... 29
1.3.3.2.1.3 Modèle Diagnostic Hydrique des Cultures (DHC) ........................................... 29
1.3.3.2.1.4 Télédétection ..................................................................................................... 30
1.3.3.2.2 Modèles de simulation des cultures ......................................................................... 32
1.4 Conclusion ................................................................................................................................... 33
Chapitre 2 : Étude et prise en compte en modélisation de l’effet de la latitude sur la réponse à la

photopériode chez divers génotypes de mil (Pennisetum glaucum (L.) R. Br.) du Sénégal ............. 35
2.1 Introduction .................................................................................................................................. 35
2.2 Matériel et méthodes .................................................................................................................... 37
2.2.1 Présentation des sites d’étude ............................................................................................... 37
2.2.2 Matériel génétique ................................................................................................................ 38
2.2.3 Dispositif expérimental et conduite de la culture ................................................................. 39
2.2.4 Observations et paramètres calculés ..................................................................................... 39
2.2.5 Analyses statistiques ............................................................................................................. 40
2.2.6 Simulations de la réponse à la photopériode......................................................................... 40
2.2.6.1 Modèle utilisé................................................................................................................. 40
2.2.6.2 Paramétrage du modèle Impatience et simulations ........................................................ 41
2.3 Résultats ....................................................................................................................................... 42
2.3.1 Effet de la date de semis sur les longueurs de cycle ............................................................. 42
2.3.2 Effet de la latitude sur le photopériodisme ........................................................................... 42
2.3.3 Amélioration de la modélisation de la réponse à la photopériode ........................................ 44
2.4 Discussion .................................................................................................................................... 47
2.5 Conclusion ................................................................................................................................... 48
1
Chapitre 3 : Prévision des rendements du mil (Pennisetum glaucum (L.) R. Br.) au Sénégal : quel
apport de 2 modèles écophysiologiques (SARRA-H et CELCIUS) à base bilan hydrique ? ............ 49
3.1 Introduction .................................................................................................................................. 49
3.2.1 Présentation des sites d’étude ............................................................................................... 51
3.2.2 Méthodologie de collecte des données des parcelles paysannes .......................................... 54
3.2.3 Pratiques culturales dans les zones d’étude .......................................................................... 55
3.2.4 Présentation des modèles utilisés .......................................................................................... 57
3.2.4.1 Eléments communs aux 2 modèles ................................................................................ 57
3.2.4.2 Spécificités du modèle SARRA-H................................................................................. 57
3.2.4.3 Spécificités du modèle CELSIUS .................................................................................. 58
3.2.5 Calage et validation du modèle SARRA-H .......................................................................... 59
3.2.6 Calage et validation du modèle CELSIUS............................................................................ 60
3.2.7 Simulation des cultures paysannes et analyse de données .................................................... 61
3.3 Résultats ....................................................................................................................................... 62
3.3.1 Validation du modèle SARRA-H sur le rendement en grain ................................................ 62
3.3.2 Calage et validation du modèle CELSIUS............................................................................ 62
3.3.3 Application à la prévision des rendements des agriculteurs ................................................. 63
3.3.4 Analyse de la variabilité des rendements mesurés dans les parcelles d’agriculteurs ........... 64
3.3.5 Analyse des rendements simulés et des écarts de rendement ............................................... 66
3.3.6 Analyse de sensibilité sur le coefficient de conversion de l’énergie en biomasse................ 71
3.4 Discussion .................................................................................................................................... 73
3.5 Conclusion ................................................................................................................................... 75
Chapitre 4 : Évaluation du modèle CERES-Millet pour la simulation des interactions eau-fertilité en

culture de mil (Pennisetum glaucum (L.) R. Br.) en vue de son utilisation éventuelle pour la
prévision agricole au Sénégal ............................................................................................................ 76
4.1 Introduction .................................................................................................................................. 76
4.2.1 Présentation du site d’étude .................................................................................................. 77
4.2.2 Données expérimentales ....................................................................................................... 78
4.2.3 Description du modèle CERES-Millet.................................................................................. 80
4.2.4 Calage du modèle CERES-Millet ......................................................................................... 81
4.2.5 Validation du modèle CERES-Millet ................................................................................... 82
4.3 Résultats ....................................................................................................................................... 83
4.3.1 Calage du modèle CERES-Millet ......................................................................................... 83
4.3.1.1 Calage de la phénologie et de la croissance en biomasse du Souna en conditions non
limitantes .................................................................................................................................... 83
4.3.1.2 Calage de la croissance en biomasse et du rendement du Souna sous différentes
conditions d’alimentation hydrique ........................................................................................... 85
conditions de fertilité ................................................................................................................. 85
4.3.1.4 Calage de la phénologie et de la croissance en biomasse du Sanio ............................... 86
4.3.2 Validation du modèle CERES-Millet ................................................................................... 87
4.4 Discussion .................................................................................................................................... 90
4.5 Conclusion ................................................................................................................................... 92
Conclusion générale et perspectives .................................................................................................. 93
Références bibliographiques .............................................................................................................. 96
Annexes............................................................................................................................................... A
2
Sigles et abréviations
AMMA: Analyses Multidisciplinaires de la Mousson Africaine
AP3A : Alerte Précoce et Prévisions des Productions Agricoles
ARTEMIS : Africa Real Time Environmental Monitoring Information System (Système

d’information et suivi en temps réel de l’environnement en Afrique)
AVHRR: Advanced Very High Resolution Radiometer (Radiomètre Avancé à Très Haute
Résolution)
BAN : Bassin arachidier nord
BAS : Bassin arachidier sud
CB : Champ de brousse
CC : Champ de case
CCBS : Base de données sur les bilans céréaliers
CCD: Cold Cloud Duration (Nuages à sommets froids)
CELSIUS: CEreal and Legume crops SImulator Under changing Sahelian environment
CERAAS : Centre d’Étude Régional pour l’Amélioration de l’Adaptation à la Sécheresse
CERES: Crop Estimation through Resource and Environment Synthesis
CESIA: Centro Studi per l’applicazione dell’Informatica in Agricoltura (Centre d'Études pour
l'Application de l'Informatique à l'Agriculture)
CILSS : Comité permanent Inter-États de Lutte contre la Sécheresse au Sahel
CIRAD : Centre de coopération Internationale en Recherche Agronomique pour le Développement
CNRA : Centre National de Recherches Agronomiques
CRA : Centre Régional AgrHymet (Centre régional de formation et d’application en

agrométéorologie et hydrologie opérationnelle)
CRA : Centre de Recherches Agricoles
CROPSYST : CROPping SYSTems simulation model (Modèle de simulation des systèmes de

culture)
CRZ : Centre de Recherches Zootechniques
DAPSA : Direction de l’Analyse, la Prospective et des Statistiques Agricoles
3
DHC : Diagnostic Hydrique des Cultures
DIAPER : Projet d’amélioration des instruments du diagnostic permanent des secteurs de

l'agriculture et de l'élevage
DMN : Direction de la Météorologie Nationale
DR: District de Recensement
DSSAT: Decision Support System for Agrotechnology Transfer
ECLO : Emergency Centre for Locust Operations (Centre d’intervention antiacridienne d’urgence)
EMPRES : Emergency Prevention System for Animal Health (Système de prévention et de réponse
rapide contre les ravageurs et les maladies transfrontalières des animaux et des plantes)
ESA : European Space Administration (Agence Spatiale Européenne)
ESPACE : Evaluation et Suivi de la Production Agricole en fonction du Climat et de

l’Environnement
ET0 : Evapotranspiration de référence
FAO : Food and Agriculture Organization (Organisation des Nations unies pour l'alimentation et
l'agriculture)
FED : Fonds Européen de Développement
FESW : Fraction Evaporable Soil Water (Fraction d'eau évaporable dans le sol)
FEWS NET: Famine Early Warning Systems Network
FTSW: Fraction of Transpirable Soil Water within the bulk root zone (Fraction d’eau transpirable
du sol)
GMFS : Global Monitoring for Food Security (Suivi global de la sécurité alimentaire en Afrique)
GSFC: US NASA Goddard Space Flight Center (Centre de vols spatiaux Goddard)
H-C : Haute-Casamance
IA : Indice d’agrément
IATA: Agrometeorology and Environmental Analysis for Agriculture (Institut d'Agrométéorologie

et Analyse Environnementale)
IGAD : Intergovernmental Authority on Development (Autorité intergouvernementale pour le

développement)
INSAH : Institut du Sahel

4
IRD : Institut de Recherche pour le Développement
ISRA : Institut Sénégalais de Recherches Agricoles
ISRIC: International Soil Reference and Information Centre
ITC: International Institute for Aerospace Surveys and Earth Sciences
Kc: Coefficient cultural
LAI : Leaf Area Index (Index de surface foliaire)
NASA : National Aeronautics and Space Administration (Administration Spatiale et Aéronautique

Nationale)
NDVI : Normalized Difference Vegetation Index (Indice de végétation de la différence normalisée)
NOAA: National Oceanic and Atmospheric Administration (Administration Océanographique et

Atmosphérique Nationale)
OMM: Organisation Météorologique Mondiale
ONG : Organisation Non Gouvernementale
ORSTOM : Office de la Recherche Scientifique et Technique d’Outre-Mer
P4AS : Projet Pilote de Prévision des Productions Agricoles au Sahel
PAM : Programme Alimentaire Mondial
PAR : Photosynthetically Active Radiation (Rayonnement Photosynthétiquement Actif)
PPAAO: Programme de Productivité Agricole en Afrique de l’Ouest
RAINT : Rayonnement intercepté photosynthétiquement actif
RPGH : Recensement Général de la Population et de l’Habitat
RRMSE : Relative Root Mean-Squared Error (Racine de l’erreur quadratique moyenne relative)
SADC : Southern African Development Community (Communauté de développement d'Afrique

australe)
SAP : Système d’Alerte Précoce
SARIA : Systèmes d’Alerte Rapide et d’Information sur l’Alimentation
SARRA : Système d'Analyse Régional des Risques Agroclimatiques
SARRA-H : Système d'Analyse Régional des Risques Agroclimatiques – « Habillé »
SDD : Stress Degree Day

5
SDDR : Services Départementaux du Développement Rural
SDRN : Environment and Natural Resources Service (Unité de gestion de l’information sur
l’environnement de la FAO)
SIAP: Système Intégré pour l'Alerte Précoce
SISP : Système Intégré de Suivi et de Prévision des rendements
SLA: Specific Leaf Area (Surface foliaire spécifique)
SLPF : Soil fertility factor (Facteur de fertilité du sol)
SMIAR : Système Mondial d’Information et d’Alerte Rapide sur l’alimentation et l’agriculture
STICS : Simulateur mulTIdiscplinaire pour les Cultures Standard
SVS : Suivi de la Vulnérabilité au Sahel
TBASE: Température de base
TOPT: Température optimale
UE : Union Européenne
USAID: United States Agency for International Development (Agence des États-Unis pour le
développement international)
USDA : United States Department of Agriculture (Département de l'Agriculture des États-Unis)
USGS : U.S. Geological Survey (Observatoire Géologique des États-Unis)
VITO : Institut Flamand de Recherche Technologique
WISE: World Inventory of Soil Emission Potential
Yobs : Rendement observé
Yp : Rendement potentiel
Ypg : Écart de rendement entre rendement potentiel et rendement limité par l’eau
Yw : Rendement limité par l’eau
Ywg : Écart de rendement entre rendement limité par l’eau et rendement observé
ZAR : Zones à Risque
6
Liste des tableaux
Tableau I : Caractéristiques des 8 génotypes de l’étude .................................................................... 39

Tableau II : Valeurs des coefficients génétiques obtenues lors du paramétrage du modèle
Impatience .......................................................................................................................................... 44
Tableau III : Caractéristiques des villages d’étude ............................................................................ 52
Tableau IV : Pluviométries annuelles en millimètres des villages d’étude enregistrées lors des
différentes années de suivi. Les lettres A, B et C entre les parenthèses traduisent le nombre de
pluviomètres installés dans le village ................................................................................................ 53
Tableau V : Caractéristiques des essais ............................................................................................. 79
Tableau VI : Caractéristiques des sols de l’étude .............................................................................. 83
7
Liste des figures
Figure 1 : Exemple de carte produite par le CILSS présentant les niveaux des rendements attendus
du mil en cas de confirmation des prévisions saisonnières pluviométriques en 2013. La carte est
tirée du bulletin mensuel n°04 (juillet 2013) ..................................................................................... 19
Figure 2 : Exemple de carte (tirée du rapport n° 4 du 7 septembre 2001) produite par le SMIAR
présentant les prévisions de rendement du mil au 31 juillet au Sahel pour la saison agricole 2001.
Les pourcentages sont calculés par rapport au rendement moyen des 5 dernières années (1996-2000)
............................................................................................................................................................ 21
Figure 3 : Exemple de carte produite par le FEWS NET présentant les conditions estimées de la
sécurité alimentaire pour la période juillet-septembre 2013 .............................................................. 23
Figure 4 : Exemple de résultats d’une équation empirique montrant la relation entre le rendement du
coton au Mali et la pluie annuelle ...................................................................................................... 27
Figure 5 : Localisation des sites expérimentaux (CRA de St-Louis, CNRA de Bambey et CRZ de
Kolda) ................................................................................................................................................ 37
Figure 6 : Évolution de la photopériode sur les sites de Ndiol, Bambey et Kolda durant l’année
civile ................................................................................................................................................... 38
Figure 7 : Effet de la date de semis et de la latitude sur la durée semis-feuille drapeau (°C.j) des 8
génotypes sur les 3 sites. Les barres d’erreurs représentent les valeurs d’intervalles de confiance
calculées au seuil de 5% .................................................................................................................... 43
Figure 8 : Evolution du coefficient de photopériodisme des 8 génotypes en fonction de la latitude 44
Figure 9 : Durées semis-initiation paniculaire (SIP) des sites de Ndiol (A), Bambey (B) et Kolda
(C) simulées avec les paramétrages respectifs obtenus sur ces sites en fonction des durées semis-
initiation paniculaire (SIP) observées correspondantes ..................................................................... 45
Figure 10 : Durées semis-initiation paniculaire (SIP) simulées avec le paramétrage ajusté à Ndiol
(A) et à Kolda (B) en fonction des durées semis-initiation paniculaire (SIP) observées
correspondantes.................................................................................................................................. 46
Figure 11 : Localisation géographique des villages d’étude .............................................................. 52
Figure 12 : Variation des valeurs moyennes journalières du rayonnement global (A) et des
températures minimale et maximale (B) sur les périodes 1990-1991 et 2006-2012 ......................... 53
Figure 13 : Typologie des champs en lien avec la gestion de la fertilité dans les 3 zones d’étude. Les
taux sont calculés par rapport à la zone ............................................................................................. 56
Figure 14 : Résultats de la validation du modèle SARRA-H sur le Souna (A) et sur le Sanio (B)
pour le rendement en grain ................................................................................................................ 62
Figure 15 : Résultats de la validation de la phénologie de CELSIUS (A) et courbes enveloppes
permettant de déterminer les paramètres Cgrain et CgrainV0 du Souna (B) et du Sanio (C). Les
chiffres entre parenthèses sur la figure A représentent les dates de semis en jours juliens.
(NbGrainsObs = nombre de grains observé et PtsCouEnvel = Points de la courbe enveloppe). ...... 63
Figure 16 : Comparaison, à l’aide des modèles SARRA-H (A) et CELSIUS (B), des rendements
moyens obtenus avec les résultats des simulations en considérant des « conditions moyennes »
(YPrév), et de ceux obtenus en considérant les parcelles individuellement (YwMoy) avec les
rendements des agriculteurs des villages-années ............................................................................... 64
Figure 17 : Variabilité des rendements dans les parcelles des agriculteurs en fonction des villages-
années. Les nombres entre les crochets représentent les pluviométries annuelles ............................ 65
8
Figure 18 : Rendements moyens des agriculteurs en fonction de la typologie établie. Les barres
d’erreurs représentent les valeurs d’intervalles de confiance calculées au seuil de 5% .................... 66
Figure 19 : Écarts de rendement entre rendements potentiels (Yp) et rendements limités par l’eau
(Yw) pour les simulations avec SARRA-H et CELSIUS. Les barres d’erreurs représentent les
valeurs d’intervalles de confiance calculées au seuil de 5%.............................................................. 67
Figure 20 : Variabilité des rendements limités par l’eau simulés avec SARRA-H et CELSIUS en
fonction des villages-années dans le BAN (A) et le BAS + H-C (B). Les nombres entre les crochets
représentent les pluviométries annuelles ........................................................................................... 68
Figure 21 : Variabilité des écarts de rendement (Ywg) obtenus avec les simulations avec SARRA-H
et CELSIUS en fonction des villages-années dans le BAN (A) et le BAS + H-C (B). Les nombres
entre les crochets représentent les pluviométries annuelles ............................................................... 68
Figure 22 : Moyenne des écarts de rendement obtenus avec les simulations de SARRA-H (A) et
CELSIUS (B) en fonction de la typologie établie. Les barres d’erreurs représentent les valeurs
d’intervalles de confiance calculées au seuil de 5% .......................................................................... 69
Figure 23 : Comparaison entre parcelles d’agriculteurs et sous-parcelles fertilisées des écarts de
rendement obtenus avec les simulations de SARRA-H (A) et CELSIUS (B). Les nombres entre les
crochets représentent les pluviométries annuelles ............................................................................. 70
Figure 24 : Comparaison de la variabilité des écarts de rendement entre périodes dans le BAN (A)
et le BAS+H-C (B)............................................................................................................................. 71
Figure 25 : Rendements des villages-années simulés avec Ɛb = 2,8 g.MJ-1 pour SARRA-H (A) et
Ɛbmax = 1,5 g.MJ-1 pour CELSIUS (C) en fonction des rendements des agriculteurs, et écarts de
rendement obtenus avec SARRA-H (B) et CELSIUS (D) en fonction des pluies ............................ 72
Figure 26 : Moyennes mensuelles des pluviométries du CNRA de Bambey des années 1996, 1997,
1998 et 2012. Les barres d’erreur représentent les écarts-types ........................................................ 78
Figure 27 : Résultats du calage du Souna en conditions non limitantes pour le LAI (A), la biomasse
aérienne (B) et le rendement en grain (C). Les points représentent les valeurs observées et les lignes
continues les valeurs simulées ........................................................................................................... 84
Figure 28 : Résultats du calage du Souna sous différentes conditions d’alimentation hydrique pour
le LAI (A), la biomasse aérienne (B) et le rendement en grain (C). Les points représentent les
valeurs observées et les lignes continues les valeurs simulées .......................................................... 85
Figure 29 : Résultats du calage du Souna sous différentes conditions d’alimentation azotée pour le
LAI (A), la biomasse aérienne (B) et le rendement en grain (C). Les points représentent les valeurs
observées et les lignes continues les valeurs simulées....................................................................... 86
Figure 30 : Résultats du calage du Sanio sous différentes conditions d’alimentation hydriques et
azotées pour le LAI (A), la biomasse aérienne (B) et le rendement en grain (C). Les points
représentent les valeurs observées et les lignes continues les valeurs simulées ................................ 87
Figure 31 : Résultats de la validation du Souna sur le rendement en grain ....................................... 88
Figure 32 : Rendements simulés en fonction des rendements des agriculteurs des villages-années
pour des valeurs de SLPF de 1 (A) et de 0,62 (B) ............................................................................. 89
Figure 33 : Écarts de rendement en fonction des rendements des agriculteurs des villages-années
dans le BAN et le BAS + H-C ........................................................................................................... 90
9
Introduction générale
Situé à l'extrême Ouest de l'Afrique, le territoire sénégalais est compris entre 12,13° et 16,68° de
latitude nord et -11,35° et -17,53° de longitude ouest. Le Sénégal est un pays plat, constitué
essentiellement de plaines et de plateaux.
Les températures, généralement élevées, varient dans le temps (avec les saisons) et dans l’espace
(proximité ou éloignement de l’océan). Les minima thermiques sont atteints pendant le mois de
janvier et les maxima juste avant (mai-juin) et juste après (octobre-novembre) la saison des pluies.
Le Sénégal est caractérisé par l’alternance d’une saison sèche d’octobre à mai marquée par la
prédominance des alizés maritimes sur la côte, et d’une saison humide (appelée aussi « hivernage »)
de juin à septembre dominée par un flux de mousson issu de l’Anticyclone de Sainte-Hélène. Le
maximum de pluviométrie se situe en août et septembre. A l’instar des autres pays sahéliens, le
Sénégal est confronté à une forte variabilité inter-annuelle des précipitations. La période 1970-1993
a été marquée par une baisse importante des pluies (Ndong, 1995). A cette période de sécheresse,
ont succédé, depuis le milieu des années 1990, des conditions pluviométriques meilleures. Celles-ci
sont associées le plus souvent à des pluies parfois intenses et de plus en plus fréquentes même si
elles demeurent très variables (Salack et al., 2011). A la variabilité inter-annuelle s’ajoute une
variabilité spatiale très marquée. La pluviométrie moyenne annuelle suit un gradient croissant du
nord au sud du pays, passant de 200 mm au nord à 1400 mm au sud (Salack et al., 2011).
La variabilité des conditions bioclimatiques et la diversité du substratum géologique font que le

Sénégal recèle plusieurs types de sol (Charreau et Fauck, 1965) qui ont des aptitudes agricoles
inégales et dont les plus dominants selon la classification de (Aubert, 1963) sont:
 les sols minéraux bruts de cuirasse sur schiste (2,4%);
 les sols minéraux bruts de cuirasse sur grès argileux (8,1%);
 les sols gravillonnaires sur cuirasse (11,6%);
 les sols brun-rouge subarides sur sable (14,2%)
 les sols ferrugineux tropicaux faiblement lessivés sur sable, dits sols « Dior » (20%);
 les sols ferrugineux tropicaux lessivés sur grès sablo-argileux (17,2%);
 les sols ferrugineux tropicaux lessivés cuirassés sur schiste (12,4%);
 les sols faiblement ferralitiques sur grès sablo-argileux (6,2%);
 les sols halomorphes sur alluvions argileuses (1,9%);
 les sols hydromorphes sur argile de décantation (0,2%);
 les sols hydromorphes sur argile (3,3%);
 les sols sulfatés acides sur sable (2,5%).
10
Selon le plan national d'aménagement du territoire (Direction de l’aménagement du territoire,
1999), près de la moitié des sols du pays (47%) sont médiocres ou inaptes à l'agriculture au sens
large. Près de 36% sont pauvres à moyens et présentent des facteurs limitants (faible teneur en
matière organique, en phosphore, en azote et faible capacité de rétention hydrique) qui n'autorisent
que des rendements faibles. Les sols du Sénégal se caractérisent dans leur grande majorité par une
grande sensibilité à l’érosion. Cette sensibilité est liée essentiellement à leur texture sableuse, leur
structure instable et leur faible teneur en matière organique (Khouma, 2002).
La diversité des sols et leur vocation agricole, combinées à la diversité climatique et à la

disponibilité de ressources hydriques ont conduit à la détermination de 6 entités géographiques
homogènes appelées zones écogéographiques (annexe 1) (CSE, 2007) :
 la vallée du fleuve Sénégal qui couvre l’extrême Nord et l’Est du territoire. Les cultures
irriguées et de décrue (maraîchage et riziculture) y sont pratiquées, dont des cultures
industrielles comme la canne à sucre (Saccharum officinarum L.) et la tomate (Solanum
lycopersicum L.). Cette zone fournit 8% des terres arables du pays;
 la zone sylvo-pastorale qui se situe immédiatement au sud de la vallée du fleuve et qui

occupe une partie de la zone sahélienne et une partie de la zone sahélo-soudanienne. Du fait
du caractère austère de l'environnement, l'élevage extensif constitue le principal système de
production. Cependant près de 4% des terres arables du pays se trouvent dans cette zone;
 la zone du littoral et des Niayes qui fournit près de 80% de la production horticole du
Sénégal. L’élevage intensif y est pratiqué, notamment l’élevage bovin et l’aviculture. Les
terres arables de cette zone ne représentent que 1% des terres arables du pays;
 le bassin arachidier correspond à la zone agricole où domine la culture arachidière. Par

ailleurs, l’essentiel de la production agricole nationale provient de cette zone de cultures
sous pluies qui fournit 57% des terres arables du pays. Elle est la source de près de 2/3 de la
production nationale de mil (Pennisetum glaucum (L.) R. Br.) et d’arachide (Arachis
hypogaea L.), les 2 principales cultures du pays ;
 la Casamance qui est la partie la plus arrosée du Sénégal. Près de 20% des terres arables du
pays s’y trouvent. La densité du réseau hydrographique rend cette zone très propice à la
riziculture, surtout au niveau des bas-fonds;
 le Sénégal oriental (Centre-Est et Sud-Est) qui abrite d’importantes réserves fauniques.
11
C’est une région où se développent de plus en plus l’agriculture et l’élevage extensif avec le
fort courant migratoire provoqué par l’épuisement des terres de la partie Ouest du pays et la
précarité des pâturages du Nord du Sénégal. Les terres de cette partie du Sénégal
représentent près de 10% des terres arables du pays.
L’agriculture représente un des secteurs essentiels de l’économie du Sénégal. Elle contribue pour
une valeur relativement importante (17%) au produit intérieur brut (Ministère de l’Économie et des
Finances du Sénégal, 2011) et pourvoit en matières premières les industries de transformation
(huileries, sucrerie, filature et textile, menuiserie). L’agriculture sénégalaise est cependant peu
diversifiée. Elle repose à la fois sur des cultures de rente, à savoir l’arachide, le coton (Gossypium
sp.) et sur des cultures vivrières de subsistance telles que le mil, le sorgho (Sorghum bicolor L.
Moench), le maïs (Zea mays L.) et le riz (Oryza Sativa L.). Dans la grande majorité, les producteurs
agricoles sont de petits exploitants qui pratiquent des assolements traditionnels. La plupart d’entre
eux combinent cultures de rente et cultures vivrières de subsistance, tout en possédant quelques
animaux, en élevage extensif. Par ailleurs les régimes fonciers sont encore majoritairement
traditionnels. Les agriculteurs sénégalais doivent faire face aux incertitudes des marchés dans un
contexte de croissance démographique encore élevée.
Parmi les cultures céréalières, le mil occupe la place la plus importante aussi bien du point de vue
des surfaces emblavées (presque 75%) que de la production (60%). Le mil est cultivé soit avec une
légumineuse en association, généralement le niébé (Vigna unguiculata [L.] Walp.), soit en culture
pure. Il est semé au plus tôt, soit à sec avant les pluies (en mai ou juin), soit avec la première pluie
jugée utile, toujours en plaçant beaucoup de grains (30 à 40) dans le poquet. Un démariage
ultérieur, généralement lors du premier ou du second sarclage, permet de réduire à 4-5 (en
moyenne) le nombre de plants par poquet. Parfois, un deuxième, voire un troisième semis est
nécessaire surtout si une période de sécheresse survient juste après le premier semis (Spencer et
Sivakumar, 1987). Les densités de poquets en champs sont généralement faibles (entre 6000 et
30 000 poquets.ha-1) mais restent très variables en fonction de la zone agro-écologique.
Les variétés à cycle court (Souna) sont prédominantes depuis les années 80 du fait de la saison des
pluies courte. Les agriculteurs ont un très faible recours aux engrais minéraux. Le système de
gestion des exploitations est caractérisé par l’utilisation de la main-d’œuvre familiale, des outils
manuels, un faible accès au marché et une faible utilisation des produits phytosanitaires.
Cependant, les rendements du mil sont plus faibles que ceux des autres céréales, en raison de
nombreuses contraintes d’ordre variétal, agronomique, agro-pédologique (Fofana, 1996), et de
12
ravageurs de tout ordre et d’adventices. Les ravageurs sont principalement les oiseaux granivores,
les insectes, les champignons pathogènes (Ndoye et al., 1984).
Le mil est une culture alimentaire très importante dans les régions semi-arides du Sénégal. Il existe
une multitude de plats à base de mil (couscous, bouillie, beignets). Les grains et les tiges de cette
céréale sont aussi utilisés pour l'alimentation animale. Après la récolte, les tiges sont utilisées pour
confectionner des cases, des greniers et des clôtures (Spencer et Sivakumar, 1987).
L’agriculture sénégalaise est essentiellement pluviale et saisonnière, de sorte que l’activité agricole
est exposée aux aléas climatiques. La variabilité pluviométrique inter-annuelle et intra-saisonnière
des zones soudano-sahéliennes est une des plus importantes au monde. Elle implique des
incertitudes et risques pour les cultures qui constituent, au-delà des conditions socio-économiques
générales, le principal obstacle à l’intensification agricole (Hansen, 2005). Ses impacts ont de plus
été accentués depuis la fin des années 60 par une diminution globale des pluies et une augmentation
de son irrégularité. Ainsi, l’Afrique de l’ouest subit des déficits de production fréquents, engendrant
parfois des crises alimentaires. Au Sénégal, la dépendance alimentaire céréalière est très importante.
Dans ce contexte climatique incertain, les États ont recours à la prévision agricole qui leur permet
d’avoir une estimation précoce des productions (Samba et al., 2001). Ainsi, ils peuvent gérer au
mieux la sécurité alimentaire en anticipant et évitant les crises éventuelles.
Deux options existent pour produire des statistiques agricoles : d’une part les enquêtes, qui
permettent de déterminer les rendements en différents lieux, et ensuite de traiter statistiquement les
informations, et d’autre part le recours à des modèles pour estimer, sur la base des conditions
climatiques (pluviométriques essentiellement) de la campagne, les rendements. Les enquêtes sont
jusqu’à présent largement utilisées mais ont comme désavantage d’être très lourdes, fastidieuses et
onéreuses pour les États. Les résultats définitifs arrivent en général bien après la fin de la
campagne. Le recours à des modèles peut permettre de produire les informations demandées et ce,
dès le début des récoltes, voire avant, au cours de la campagne agricole (Samba et al., 2001).
A l’heure actuelle, le Centre Régional AgrHymet (CRA), relayé par les Directions de la
Météorologie Nationale (DMN), réalise les prévisions pour les zones soudano-sahéliennes. Il utilise
un outil simple : le modèle Diagnostic Hydrique des Cultures (DHC) (Samba, 1998; Samba et al.,
2001). Développé en 1990, le modèle DHC couple un bilan hydrique à une relation empirique
estimant le rendement moyen en mil d’un village. Mais DHC n’a été validé que pour le mil Souna
(cycle court) alors que le besoin d’utilisation sur une diversité de cultures (autres variétés de mil,
sorgho, maïs) traditionnelles et photopériodiques est nécessaire (Diop et al., 2005). Des travaux
13
plus récents ont permis de développer un modèle de simulation de la croissance des cultures bien
adapté aux céréales: le Système d'Analyse Régional des Risques Agroclimatiques - « Habillé »
(SARRA-H) (Dingkuhn et al., 2003). SARRA-H permet de simuler le comportement et de prévoir
le rendement de divers génotypes dans de bonnes conditions culturales. Cependant SARRA-H a été
développé pour l’échelle de la parcelle agricole alors que la prévision des rendements nécessite la
détermination d’un rendement moyen à l’échelle d’un village, voire de la région. Par ailleurs, il n’a
pas été conçu pour prendre en compte différentes conditions de fertilité ou de gestion agronomique.
Au travers de notre travail de thèse, nous souhaitons apporter quelques éléments pour contribuer à
améliorer les possibilités de prévoir les rendements du mil en milieu sahélien par le biais d’outils de
modélisation. Nous aborderons ainsi les points suivants :
 la caractérisation des cycles et sensibilités à la photopériode en interaction avec la latitude

des principaux génotypes locaux et améliorés de mil du Sénégal ;
 la documentation et l’analyse des productivités et conditions de production en milieu
paysan ;
 l’évaluation de la capacité de 2 modèles écophysiologiques à base bilan hydrique (SARRA-
H et CELCIUS) à prédire les rendements paysans ;
 l’évaluation de la capacité d’un outil de modélisation plus complexe (CERES-Millet),
capable en particulier d’intégrer de façon dynamique l’interaction eau-fertilité, à estimer les
rendements paysans.
La démarche de recherche combine des expérimentations en station en vue de caler et valider des
modèles de culture, des simulations à l’aide de ces modèles et des suivis de parcelles d’agriculteurs
en vue de documenter les réalités paysannes et de comparer les résultats simulés aux rendements
des agriculteurs. La thèse s’appuie sur une base de données que nous avons conçue sous Microsoft
Access, à partir de données collectées aussi bien dans le cadre de nos travaux de terrains que de
travaux antérieurs.
Les expérimentations dont les données ont été utilisées ont été conduites en contre-saison et en
hivernage à 3 périodes différentes. Les expérimentations de la première période (1996-1999)
portaient sur l’effet combiné du régime hydrique et de la fertilisation azotée sur le développement et
la productivité du mil (Diouf, 2000). Les données de la deuxième période (2006-2008) ont été
collectées dans le cadre des travaux de Siéné et al. (2010a, 2010b) dont l’objectif était de
caractériser le développement, la productivité et le bilan radiatif du mil Souna 3 et du Sanio sous
différentes densités. Les données de la dernière période correspondent à des expérimentations que
14
nous avons conduites dans le cadre de la thèse (2011-2012). Dans un premier temps, il s’est agi de
caractériser sous 3 latitudes différentes le développement phénologique de divers génotypes de mil,
d’origine paysanne ou moderne et d’améliorer la modélisation du photopériodisme en conséquence.
Dans un second temps, les essais ont porté sur la réponse du mil Souna 3 et du Sanio de Séfa à
divers niveaux d’alimentations hydrique et minérale.
Les données de suivis de parcelles paysannes ont été collectées également à 3 périodes différentes,
dans le cadre de 3 projets de recherche : le projet Evaluation et Suivi de la Production Agricole en
fonction du Climat et de l’Environnement (ESPACE, 1990-1991), le projet Analyses
Multidisciplinaires de la Mousson Africaine (AMMA, 2006-2008) et le Programme de Productivité
Agricole en Afrique de l'Ouest (PPAAO, 2009-2012). Ce dernier a servi de cadre pour le
développement de nos travaux de thèse. Les informations collectées au cours des suivis ont porté
sur l’historique et les caractéristiques des parcelles, les interventions des agriculteurs et les
rendements.
Les simulations ont été effectuées avec 2 modèles écophysiologiques à base bilan hydrique,
SARRA-H et CELSIUS (conçu selon le principe de la modélisation ad hoc) et CERES-Millet qui
simule en plus la dynamique de l’azote. L’approche a consisté à vérifier dans un premier temps
l’apport de modèles écophysiologiques et dans un second temps celui d’un modèle qui gère en plus
la dynamique de l’azote en prévision des rendements paysans.
Le document est composé de 4 chapitres. Le premier chapitre fait un point sur la prévision agricole
au Sahel en mettant l’accent sur l’historique, les systèmes en place et les méthodes. Le deuxième
chapitre porte sur la caractérisation du développement phénologique d’un ensemble de génotypes
de mil et propose une méthode pour l’amélioration de la modélisation de leur réponse à la
photopériode. Le troisième chapitre explore les possibilités d’améliorer la prévision des rendements
paysans à l’aide de 2 modèles écophysiologiques à base bilan hydrique (SARRA-H et CELSIUS).
Le dernier chapitre évalue l’apport d’un modèle complexe de référence (CERES-Millet) pour la
prévision des rendements paysans.
15
Chapitre 1 : Prévision agricole au Sahel
1.1 Historique
L’une des conséquences de la crise énergétique survenue au début des années 1970 a été une série
de régressions de la production alimentaire mondiale. Il en a résulté une situation alimentaire
préoccupante, aggravée en 1972 et en 1974 par des conditions météorologiques défavorables. Cette
situation va emmener l’Organisation des Nations Unies pour l'alimentation et l’agriculture (FAO) à
organiser la Conférence internationale de l’alimentation en 1974 à Rome. L’une des
recommandations de cette réunion était la mise en place du Système Mondial d’Information et
d’Alerte Rapide sur l’alimentation et l’agriculture (SMIAR), finalement créé en 1975. Son mandat
était de fournir au niveau international des données et analyses exhaustives sur la situation et les
perspectives de l’offre et de la demande alimentaires (FAO, 1975). Prévu pour couvrir l'ensemble
du monde, le système va mettre l'accent sur les pays et régions où les risques d'urgence alimentaire
sont les plus grands. Le SMIAR se concentre alors sur l’Afrique subsaharienne, principalement le
Sahel où la famine fait quelque 100 000 morts (Center for Disease Control, 1973). Une vaste
opération internationale de secours d'urgence est alors lancée pour éviter que la famine ne fasse
davantage de victimes.
Au niveau local, la mobilisation se traduit par la création en 1973 du Comité permanent Inter-États
de Lutte contre la Sécheresse au Sahel (CILSS). Son but était de fournir aux décideurs et aux
organismes d’aide des informations, aussi précises et récentes que possible, sur tous les aspects de
l’offre et de la demande d’aliments. Le CILSS compte 2 institutions spécialisées qui contribuent à
renforcer son action dans le domaine de la sécurité alimentaire : le CRA créé en 1974 et l'Institut du
Sahel (INSAH) créé en 1976. Lors de la deuxième grande sécheresse en 1984 qui a nécessité une
intervention massive en aide alimentaire, il est apparu que la région sahélienne n'était pas encore
capable d’évaluer l'ampleur du fléau et de définir des actions appropriées. C'est conscient de cette
lacune que le CILSS et les pays ont vu la nécessité de renforcer les dispositifs d'information pour
mieux prévenir et gérer les crises alimentaires. C'est dans ce cadre que le « Projet d’amélioration
des instruments du diagnostic permanent des secteurs de l'agriculture et de l'élevage » (DIAPER,
1984-1998) vit le jour, avec la collaboration de la FAO (SMIAR). Financé par le Fonds Européen
de Développement (FED), il connut 3 phases (DIAPER 1 de 1984 à 1988, DIAPER 2 de 1988 à
1992 et DIAPER 3 de 1994 à 1998). Ses activités étaient organisées autour de 3 principaux
domaines : l’appui institutionnel, le développement méthodologique et la formation. Le DIAPER
était un projet d'appui technique et matériel aux services nationaux des pays membres du CILSS,
contribuant à la collecte de données statistiques sur l'agriculture et l'élevage. Il était le précurseur du
16
dispositif d’enquête agricole intégrant la prévision des récoltes, l’estimation des stocks et les
systèmes d'information sur les marchés de céréale et de bétail. Il a favorisé la mise en place des
Systèmes d'Alerte Précoce (SAP) dans chacun des pays membre du CILSS. La première enquête
selon la méthode DIAPER a eu lieu en 1985.
Les systèmes nationaux reposent aujourd'hui sur des méthodologies d’enquête diverses. Mais d'une
manière générale, ils visent prioritairement l'identification des besoins alimentaires des populations
vulnérables et un meilleur ciblage des aides alimentaires. Au Sénégal, les données de l'enquête sur
les superficies remontent à 1960. Cependant, il faut signaler que la méthodologie a beaucoup évolué
au fil des ans. Avant 1985, ce sont les services régionaux de l'agriculture qui envoyaient leurs
données à la direction centrale qui se chargeait de les compiler. A partir de 1985, le CILSS a
élaboré une méthodologie harmonisée pour l'ensemble des pays membres. Depuis 1997, avec
l'organisation du premier recensement de l'agriculture, la base de sondage est régulièrement
actualisée. L'enquête dans sa forme actuelle est annuelle depuis 1992.
Parallèlement aux enquêtes, et s’appuyant sur les connaissances des relations entre le climat et le
fonctionnement du peuplement végétal (Monteith, 1984), ont été développés des modèles de
simulation du comportement hydrique des plantes (Lalau-Keraly, 1991). Le plus ancien est celui de
Frère et Popov (1987), conçu par la FAO et permettant de calculer un indice de satisfaction du
besoin en eau des plantes durant l’évolution de la campagne agricole. Le second modèle (DHC) a
été développé en 1988 pour fonctionner en routine au centre de Niamey par le CRA et le Centre de
coopération Internationale en Recherche Agronomique pour le Développement (CIRAD) dans le
cadre du projet ESPACE. Il permet d’estimer et d’actualiser les termes du bilan hydrique pour
estimer un rendement espéré. Par ailleurs, un dispositif agroclimatologique d’observation des
cultures a été mis en place, en collaboration avec les composantes nationales concernées par le
projet ESPACE pour calibrer le modèle (Forest et Cortier, 1991). Aujourd’hui, le modèle DHC
demeure encore le principal outil de prévision des rendements du mil utilisé par le CRA en Afrique
de l’ouest, au Tchad et au Cameroun.
1.2 Systèmes de prévision et acteurs
Les prévisions de récoltes céréalières sont très importantes dans la prise de décision dans le
domaine de la sécurité alimentaire. Elles permettent principalement d’établir le bilan céréalier
prévisionnel annuel. Ce bilan, qui fait le rapprochement entre les disponibilités et les besoins
prévisionnels, est devenu au fil du temps un instrument indispensable de politique à court terme.
17
Les gouvernements s'y réfèrent pour élaborer le programme annuel d'importation de céréales, ainsi
que les programmes d'aide alimentaire (FAO, 2000).
Aujourd’hui, divers acteurs mènent des actions plus ou moins complémentaires pour la prévision
des récoltes au Sahel. Il s’agit principalement du CILSS, en collaboration avec les gouvernements
des pays membres, de la FAO à travers le SMIAR et l’United States Agency for International
Development (USAID) à travers le Famine Early Warning Systems Network (FEWS NET).
1.2.1 Comité permanent Inter-États de Lutte contre la Sécheresse au Sahel (CILSS)
Composé à sa naissance de 9 pays de la zone sahélienne, le CILSS compte aujourd’hui 13 pays

membres avec l’adhésion récente de la Côte d’Ivoire, du Bénin, du Togo et de la Guinée. Le
secrétariat exécutif est basé à Ouagadougou (Burkina Faso), le CRA est hébergé à Niamey (Niger)
et l’INSAH, centre de recherche agro-socio-économique et sur la population et le développement,
est basé à Bamako (Mali).
Dans les pays du CILSS, la prévision des récoltes est placée sous la responsabilité technique du ou
des services qui ont à charge l'enquête agricole annuelle. L'appréciation et la validation des résultats
est souvent le fait d'un comité national qui regroupe différents services concernés dont ceux opérant
dans le cadre du SAP s'il en existe. Dans certains pays, les chiffres de prévision sont présentés en
conseil des ministres (FAO, 2000).
Par ailleurs, le CILSS et la FAO organisent annuellement en parfaite collaboration avec les
techniciens nationaux une mission conjointe d'évaluation de la campagne agricole. Cette mission a
pour but de vérifier la pertinence des prévisions faites, au regard d'une part de l'application effective
des méthodologies en vigueur et d'autre part, du déroulement de la campagne agricole. Une réunion
régionale, sous les hospices du CILSS permet de faire l'analyse par pays et la synthèse régionale.
Pour toutes ces raisons, une période de disponibilité des premiers chiffres de prévision est
strictement fixée pour tous les pays du CILSS (FAO, 2000).
Parfois, le CILSS bénéficie d’appuis financiers de certains partenaires pour renforcer ses actions.
Celles-ci s’inscrivent dans ce cas dans le cadre de divers projets. C’est le cas du projet « Suivi de la
Vulnérabilité au Sahel (SVS) » qui a démarré en 2003 et qui était financé par la Coopération
italienne. Ce projet a fait suite et a consolidé les acquis de l’ex-projet « Alerte Précoce et Prévisions
des Productions Agricoles » (AP3A, 1995-2001) afin de mieux répondre aux besoins des différentes
institutions opérant dans la prévention de crises dans le domaine de la sécurité alimentaire et de la
gestion des ressources naturelles. L’AP3A était le fruit d’une collaboration entre le CILSS, la
18
Coopération italienne et l’Organisation Météorologique Mondiale (OMM). Il a permis de
développer des méthodologies qui ont été intégrées au Système Intégré pour l’Alerte Précoce
(SIAP).
Un autre projet, le « Suivi global de la sécurité alimentaire en Afrique » (GMFS, 2010-2013) a été
financé par l'Agence Spatiale Européenne (ESA). Dans le cadre de ce projet, la méthodologie de
prévision des rendements utilisée est une approche statistique opérationnelle qui combine un grand
nombre de variables explicatives potentielles multi-sources (climatologiques, agrométéorologiques
et télédétection) pour trouver les meilleures variables explicatives du rendement. Les prévisions
réalisées dans le cadre de ce projet sont utilisées par les pays africains du Sahel pour la prévision en
cours de campagne des rendements agricoles du mil, du maïs et du sorgho.
De façon générale, les résultats de prévision du CILSS sont présentés sous-forme de cartes (figure
1) qui sont régulièrement publiées dans des bulletins.
Figure 1 : Exemple de carte produite par le CILSS présentant les niveaux des rendements attendus
du mil en cas de confirmation des prévisions saisonnières pluviométriques en 2013. La carte est
tirée du bulletin mensuel n°04 (juillet 2013)
19
1.2.2 Système Mondial d’Information et d’Alerte Rapide sur l’alimentation et
l’agriculture (SMIAR)
Le SMIAR est un réseau mondial qui fait intervenir 115 gouvernements, 61 Organisations Non-
gouvernementales (ONG) et de nombreux établissements de commerce, de recherche et
d’information. Il est administré par le service mondial d’information et d’alerte rapide de la division
des produits et du commerce international de la FAO. Il entretient des contacts réguliers avec les
bureaux nationaux, sous-régionaux et régionaux de la FAO, ainsi qu’avec les principales unités
techniques de la FAO pour mettre en commun les informations et élaborer des méthodologies. Le
but du système est de fournir aux décideurs et aux organismes d’aide des informations aussi
précises et récentes que possible sur tous les aspects de l’offre et de la demande d’aliments. Pour
cela, le SMIAR prépare régulièrement des bulletins sur la production et sur les marchés des
différentes cultures vivrières aux niveaux mondial, sous-régional et national (FAO, 2003).
Pour ses activités de suivi de campagne, le SMIAR est assisté par l’Unité de gestion de
l’information sur l’environnement (SDRN) de la FAO qui lui fournit des images satellitaires en
temps réel à l’aide du Système d’information et suivi en temps réel de l’environnement en Afrique
(ARTEMIS), ainsi que des évaluations agrométéorologiques menées par le Groupe
Agrométéorologie de la FAO. L’information concernant les mouvements migratoires des ravageurs
ainsi que les opérations de traitement sont fournies régulièrement par le Centre d’intervention
antiacridienne d’urgence (ECLO) et le Système de prévention et de réponse rapide contre les
ravageurs et les maladies transfrontalières des animaux et des plantes (EMPRES). Les premières
estimations de récolte (figure 2) sont établies puis révisées lorsque les chiffres officiels sont
disponibles.
Dans les pays où il est difficile d’avoir un flux continu d’informations fiables en provenance du
terrain sur les conditions agrométéorologiques et l’état des cultures, le SMIAR en collaboration
avec l’ARTEMIS, établit un système de suivi des cultures basé sur une imagerie satellitaire en
temps réel. Les données reçues directement par ARTEMIS en provenance du satellite européen
METEOSAT sont utilisées pour la production d’images décadaires de la durée de présence des
nuages à sommets froids (CCD) sur le continent africain. Ces images permettent d’estimer les
précipitations, car ce type de couverture nuageuse est souvent générateur de pluies et une durée
prolongée de sa présence au-dessus d’une zone permet de supposer des précipitations significatives.
Cela permet aux spécialistes du SMIAR d’identifier les régions souffrant d’un déficit hydrique ou
d’une sécheresse en comparant les images de la campagne en cours à celles des années précédentes
ou d’une moyenne de la série historique nationale (FAO, 2003).
20
Figure 2 : Exemple de carte (tirée du rapport n° 4 du 7 septembre 2001) produite par le SMIAR
présentant les prévisions de rendement du mil au 31 juillet au Sahel pour la saison agricole 2001.
Les pourcentages sont calculés par rapport au rendement moyen des 5 dernières années (1996-2000)
En complément de ce suivi des précipitations, le système fait largement usage des images de
l’Indice de végétation de la différence normalisée (NDVI) qui fournissent une indication sur la
vigueur et l’étendue de la couverture végétale. Cela permet aux spécialistes du SMIAR de suivre
l’évolution des conditions de croissance des cultures tout au long de la campagne. Les données
obtenues à partir des satellites américains à orbite polaire de l’Administration Océanographique et
Atmosphérique Nationale (NOAA) sont traitées par le Centre de vols spatiaux Goddard (GSFC)
afin de produire des images de végétation décadaires ayant une résolution de 8 km et couvrant
l’Afrique, l’Amérique latine et les Caraïbes (FAO, 2003).
Par ailleurs, le SMIAR mène des actions pour le renforcement des institutions nationales chargées
du suivi de la sécurité alimentaire. La FAO fournit une assistance technique pour renforcer les
services statistiques gouvernementaux et leurs unités spécialisées, dites Systèmes d’Alerte Rapide
et d’Information sur l’Alimentation (SARIA). Les SARIA sont les points focaux nationaux qui
collectent, traitent et communiquent les données sur toutes les variables qui déterminent la sécurité
alimentaire. Outre la mise en commun des informations, des échanges importants de données, de
méthodes et de logiciels existent entre les SARIA aux niveaux mondial, régional, national et local.
Dans les pays ne disposant pas de SARIA, le SMIAR s’appuie sur un flux d’informations provenant
21
directement des services techniques appropriés du gouvernement, du personnel local de la FAO et
des ONG (FAO, 2003).
Le SMIAR donne l’alerte quand des crises alimentaires sont imminentes de façon à permettre de
planifier des interventions et d’éviter des souffrances humaines. Pour les pays en état de crise grave,
le SMIAR et le Programme Alimentaire Mondial (PAM) mènent des missions d’évaluation des
récoltes et de la sécurité alimentaire. Leur objet est de fournir des informations rapides et fiables de
telle sorte que les mesures appropriées soient prises par les gouvernements, la communauté
internationale et d'autres acteurs concernés (FAO, 2003).
Le SMIAR a publié un guide méthodologique intitulé « Guidelines for Crop and Food Supply
Assessment Missions », qui détaille les méthodes d’évaluation rapide de la sécurité alimentaire dans
des pays où les données chiffrées sont rares. Afin de gérer plus efficacement ses différentes bases
de données, le SMIAR a développé un système d’information intégré appelé « Station de travail du
SMIAR ». Cette station de travail est composée d’un ensemble de modules spécifiques, incluant un
logiciel de gestion des bilans céréaliers par pays (CCBS), un logiciel d’affichage et d’analyse de
cartes et d’images satellitaires (WinDisp), ainsi qu’un module de gestion des dépêches d’agences de
presse (FAO, 2003; Rashid, 2009).
1.2.3 Famine Early Warning Systems Network (FEWS NET)
Le FEWS NET est un réseau d’alerte précoce, financé par l’USAID et qui fournit des informations
d’alerte précoce et de vulnérabilité sur des questions de sécurité alimentaire. L'activité du FEWS
NET est mise en œuvre par une société privée (Chemonics International, Inc.) et plusieurs agences
du gouvernement américain qui sont l’Observatoire Géologique des États-Unis (USGS),
l’Administration Spatiale et Aéronautique Nationale (NASA), la NOAA et le Département de
l'Agriculture des États-Unis (USDA). Chemonics opère en Afrique subsaharienne, en Amérique
centrale, en Haïti et en Afghanistan à partir de bureaux nationaux et 3 bureaux régionaux de terrain
(Ouagadougou, Nairobi et Pretoria).
Le FEWS NET fournit des informations pour définir et évaluer le niveau d’insécurité alimentaire,
en utilisant l’analyse des modes de vie combinée à l'analyse détaillée des marchés. Un mode de vie
peut être défini comme l’ensemble des façons par lesquelles les ménages obtiennent les choses
nécessaires à la vie, comment ils joignent les 2 bouts d’année en année et comment ils survivent (ou
n’arrivent pas à survivre) pendant les périodes difficiles. L’approche basée sur les modes de vie
utilisée pour analyser la sécurité alimentaire est l’approche de l’économie alimentaire ou du
ménage, développée en premier par l’organisation « Save the Children United Kingdom » dans les
22
années 1990. Le principe de base est qu’une analyse des modes de vie locaux est essentielle pour
une bonne compréhension de l’impact - au niveau du ménage - des risques tels que la sécheresse, un
conflit ou la désorganisation du marché (Seaman et al., 2000).
Une fois que des problèmes sont identifiés, le FEWS NET utilise un ensemble de produits de
communication pour informer les décideurs dans le but d’agir et atténuer l'insécurité alimentaire.
Ces produits incluent des bulletins de mises à jour mensuelles de l’état de sécurité alimentaire pour
25 pays, des bulletins d’alerte ou des cartes (figure 3) (USAID, 2013).
Pour favoriser la durabilité, le FEWS NET fournit une assistance technique aux principaux
systèmes nationaux et régionaux d’alerte précoce. Le FEWS NET collabore avec des agences aux
niveaux international (FAO, PAM et UE), régional (SADC, CILSS, IGAD, Centres de surveillance
de la sécheresse) et national pour améliorer les méthodologies d’analyse et de détection précoce de
la vulnérabilité.
Source : (USAID, 2013)
Figure 3 : Exemple de carte produite par le FEWS NET présentant les conditions estimées de la
sécurité alimentaire pour la période juillet-septembre 2013
23
1.3 Méthodes de prévision des rendements au Sahel
Les méthodes de prévision des rendements comprennent les enquêtes agricoles, les méthodes
qualitatives et les modèles de prévision.
1.3.1 Enquêtes agricoles
L’objectif des enquêtes est de fournir des données sur les productions agricoles, les niveaux des
stocks céréaliers des agriculteurs et sur les récoltes attendues (prévisions). Dans les pays du CILSS,
la plupart du temps ce sont les services statistiques du ministère de l’agriculture qui en sont
responsables. L’enquête couvre l’ensemble des exploitations traditionnelles. Le plan de sondage,
aléatoire, est à base démographique à différents degrés selon les pays. Généralement, le premier
degré est le village (ou la communauté rurale) et le second degré est l’exploitation agricole.
Au Sénégal, c’est la Direction de l’Analyse, de la Prévision et des Statistiques Agricoles (DAPSA)

qui est responsable de l’enquête. L’enquête agricole se déroule annuellement pendant 4 mois selon
le calendrier du CILSS. Depuis la mise en place des méthodes DIAPER, les enquêtes agricoles
annuelles sont réalisées par les agents des Services Départementaux du Développement Rural
(SDDR) sous le contrôle de la DAPSA. L’univers statistique est le département.
1.3.1.1 Méthode d’échantillonnage
Au Sénégal, les enquêtes reposent sur un sondage probabiliste stratifié à deux degrés avec comme
unités primaires les districts de recensement (DR), et comme unités secondaires les exploitations ou
ménages agricoles. Le DR est une unité aréolaire définie pour les besoins du Recensement Général
de la Population et de l’Habitat (RGPH) de 2002. Ce sont de petites unités géographiques de 800 à
1000 habitants qui peuvent correspondre à un ensemble de villages, un seul village ou à une partie
d'un village si celui-ci est vaste. Le nombre de DR à considérer dans l’échantillon est fixé
proportionnellement au nombre de DR dans le département. Ce nombre varie généralement de 10 à
30 selon le département. L'enquête couvre tout le territoire national à l'exception des zones
encadrées comme celles de la Société Nationale d'Aménagement et d'Exploitation des Terres du
Delta (SAED) ou de la Société de Développement et des Fibres Textiles (SODEFITEX) et des
zones urbaines comme Dakar, Guédiawaye et Pikine. Pour l'enquête agricole 2011-2012, 850 DR et
5726 ménages agricoles ont effectivement été enquêtés.
24
1.3.1.2 Estimation des superficies cultivées
L’estimation des superficies consiste à mesurer les superficies de tous les champs cultivés par 4
ménages sélectionnés dans chaque DR. La mesure des superficies est effectuée à l’aide de matériel
topographique simple (boussole, jalon, ruban métrique, calculatrice programmable et GPS).
La superficie totale cultivée en chaque culture principale est déterminée pour chaque ménage
enquêté. Par la suite la superficie de la culture est estimée au niveau du département en tenant
compte du nombre de ménages enquêtés et du nombre total de ménages du département. La
superficie de la parcelle est exprimée en hectare.
1.3.1.3 Estimation des rendements moyens départementaux
L’estimation du rendement concerne seulement 12 DR dans chaque département. La mesure des

rendements est effectuée sur 5 champs choisis au hasard parmi l’ensemble des champs des 4
ménages enquêtés du DR.
En pratique, un carré de rendement est posé dans un champ donné. Les dimensions des carrés sont
fixées avant le début de l’enquête et sont fonction de la culture :
 5 m de côté pour l'arachide, le niébé et le bissap ;

 10 m de côté pour le mil, le maïs et le sorgho ;
 1 m de côté pour le riz pluvial.
La récolte des carrés est effectuée par les agents des SDDR. Elle est par la suite séchée puis battue.
La pesée de la récolte est effectuée pour déterminer le poids sec de grains.
Après la collecte des informations, les questionnaires sont acheminés à la DAPSA à Dakar où elles
sont saisies. Le dépouillement, le traitement et l’archivage des informations sont effectués à l’aide
des logiciels CS Pro (U.S. Census Bureau et ICF International, 2013) et SPSS (IBM Corp., 2012).
Les enquêtes sont cependant très coûteuses et nécessitent un personnel nombreux sur le terrain.
L’erreur systématique peut être importante si les enquêtes ne sont pas soigneusement menées et
contrôlées. En outre, les résultats définitifs arrivent en général bien après la fin de la campagne.
25
1.3.2 Méthodes qualitatives
Les méthodes qualitatives reposent sur la connaissance du terrain par des spécialistes. Ces derniers
émettent des opinions à partir d’observations agrométéorologiques. Ces observations tiennent
compte du déroulement de la campagne et de la physionomie des cultures, et surtout font référence
aux productions et rendements des années antérieures. Les spécialistes traduisent par la suite ces
opinions en données chiffrées. Cette méthodologie sert parfois à vérifier la vraisemblance des
prévisions faites par d'autres moyens. Elle est beaucoup utilisée dans le cas de l’évaluation des
pertes dues aux calamités naturelles (FAO, 2000).
1.3.3 Modèles de prévision
Les modèles de prévision peuvent être subdivisés en 2 principaux groupes : les modèles empiriques
et les modèles mécanistes.
1.3.3.1 Modèles empiriques
Les modèles empiriques, dits aussi modèles statistiques, décrivent l’évolution d’un système au
travers de relations simplifiées entre les différentes variables sans faire de référence précise au
fonctionnement biologique ou physique, ni fournir d’explications. Ils n’ont pas de fondement
théorique mais reposent plutôt sur un raisonnement intuitif ou corrélatif. Les équations décrivant les
relations sont dites de régression. La difficulté de ces modèles réside surtout dans le choix des
variables explicatives, souvent très nombreuses (Dagnélie et Palm, 1993). Les modèles empiriques
sont orientés davantage vers l’application et ils sont surtout utilisés par les intervenants du milieu
agricole. Ce type de modèle fournit une prédiction de rendement pour une région donnée et est
rarement transposable à d’autres régions. La fiabilité de ce type de modèles dépend de la quantité et
de la qualité des données utilisées lors de sa définition.
La figure 4 montre le résultat d’une relation statistique entre la pluviométrie et le rendement du

coton au Mali obtenue par Sultan et al. (2010). La relation entre la pluie annuelle et le rendement du
coton est linéaire lorsque le cumul pluviométrique annuel est inférieur à 900 mm.an-1.
1.3.3.2 Modèles mécanistes
Les modèles mécanistes décrivent et quantifient les mécanismes et les processus qui interviennent
au niveau de la plante et du sol en se basant sur la formalisation d’hypothèses concernant les
fonctionnements physiologique et physique du système étudié. Ils sont basés sur des fonctions
mathématiques qui modélisent des relations précises de cause à effet. Parmi ces modèles, il y a les
26
modèles agrométéorologiques, relativement simples et comprenant essentiellement un bilan
hydrique, et les modèles de simulation de la croissance des cultures qui sont plus complexes car ils
tiennent compte du fonctionnement de la plante, en particulier jusque dans l’élaboration du
rendement.
Source : (Sultan et al., 2010)
Figure 4 : Exemple de résultats d’une équation empirique montrant la relation entre le rendement du
coton au Mali et la pluie annuelle
1.3.3.2.1 Modèles agrométéorologiques
La modélisation agrométéorologique consiste à définir des relations du premier degré entre le

rendement et des paramètres météorologiques. Le principe des modèles agrométéorologiques est
que les développements des biomasses et grains dépendent dans une large mesure des ressources en
lumière et en eau disponibles. Ils reposent sur des bilans hydriques à la parcelle ou par zone, et la
description de la croissance végétale est simplement résumée sous forme de relations statistiques
censées rendre compte de tous les processus d'échange. Les modèles agrométéorologiques
permettent de prévoir des rendements à l’échelle de stations pour déterminer en particulier des
zones à risque (Di Vecchia et al., 2003).
27
1.3.3.2.1.1 Système de suivi des zones à risques (ZAR)
Le système de suivi des zones à risques utilise un outil agrométéorologique appelé modèle « Zone à
Risque » (ZAR) et dont les hypothèses sont basées sur le bilan hydrique et ses conséquences sur
l’évolution des cultures. L’hypothèse principale qui sous-tend le ZAR est la comparaison du cycle
des cultures et la durée de la saison agricole déterminée à partir de méthodes agrométéorologiques,
avec un lien entre les exigences phénologiques des cultures et les réserves hydriques des sols. La
méthode se compose des étapes suivantes (Bacci, 2005):
 la détermination de la première date favorable aux semis en humide pour les céréales
pluviales : cette date a lieu durant la décade où les précipitations ont atteint le niveau
minimal pour le semis en humide (20 mm) ;
 la vérification de l'installation des cultures : la quantité de pluie tombée dans les 2 décades
qui suivent le semis doit permettre de satisfaire les besoins minimaux des cultures. La
période qui suit le semis est une phase critique pour les plantes qui peuvent mourir si leurs
exigences hydriques ne sont pas satisfaites d'une façon adéquate ;
 la détermination de la première date favorable au re-semis ;
 la détermination de la date définitive du démarrage de la campagne agricole ;
 l'estimation de la durée de la saison favorable aux cultures : la durée correspond à la période
entre le semis définitif dans la campagne en cours et la date moyenne de la fin de la saison.
Les zones où il est prévu une période trop brève par rapport aux exigences phénologiques
des cultures (70 jours) sont classées comme des zones à risque ;
 la vérification de l'évolution de la végétation dans les différentes zones agricoles de chaque
pays : la morphologie du profil du NDVI dans le temps est un indicateur de l'état du
développement des cultures.
L'échelle temporelle utilisée est la décade car les images d'estimation des pluies et de l'indice de
végétation sont produites avec une périodicité décadaire. Archivées sur le serveur du CRA, ces
images sont produites et fournies par l’Institut Flamand de Recherche Technologique (VITO) dans
le cadre d’une collaboration entre le CILSS et l’UE. Le ZAR permet de localiser les différentes
zones à risque avec une précision de 3 km (taille du pixel) et d’en déterminer les localités
concernées, l’étendue spatiale et le nombre d’habitants vivant dans ces zones grâce à l’utilisation
des bases de données existantes. Le degré de sévérité des crises s’apprécie par comparaison avec
une situation normale ou une année de référence des différents indicateurs (Di Vecchia et al., 2003).
28
1.3.3.2.1.2 Système Intégré de Suivi et de Prévision des rendements (SISP)
Le SISP a été développé par le Centre d'Études pour l'Application de l'Informatique à l'Agriculture
(CESIA) et l’Institut d'Agrométéorologie et Analyse Environnementale pour l'Agriculture (IATA)
de Florence (Italie) en collaboration avec le service météorologique du Niger, le CILSS et le
département de la coopération italienne. Le SISP est un modèle de simulation du mil au niveau
station qui permet d’estimer les conditions de croissance du mil et l’effet de la distribution des
précipitations sur la croissance de la culture et sur son rendement. La détermination des rendements
est basée sur le concept de la réduction proportionnelle de la production à la contrainte due au
facteur limitant pendant la saison de croissance. Le modèle SISP est structuré en 4 modules :
 un modèle de simulation du mil (module MILSUIVI) à faire tourner au niveau de la station

afin d’estimer les conditions de croissance du mil et l’effet de la distribution des
précipitations sur la culture et son rendement ;
 les procédures d’analyse statistique (module STATISTIQUES) sur les séries historiques des
données de pluie pour produire des caractéristiques agroclimatiques (tableaux, graphiques et
cartes pour les rapports décadaires produits périodiquement par les services
agrométéorologiques et par les unités nationales d'alerte précoce) ;
 les procédures d’analyse des images NOAA-NDVI (module NOAA) pour le suivi des
conditions de la végétation;
 un système de gestion des données pluviométriques (module GESTION BD).
Comme le ZAR, il permet d’évaluer les dates de semis et d’installation des cultures, d’évaluer les
périodes de carence hydrique et le coefficient de réduction global du rendement maximal (Di
Vecchia et al., 2003).
1.3.3.2.1.3 Modèle Diagnostic Hydrique des Cultures (DHC)
Le modèle DHC est basé sur un bilan hydrique décadaire assez précis de la parcelle cultivée. Celui-
ci permet de déterminer dans le temps l’évapotranspiration réelle de la culture puis les niveaux de
satisfaction de ses besoins en eau (évapotranspirations relatives), en fonction de la pluie, du sol
(réserve utile et ruissellement) et de la demande évaporative de référence. Le CRA utilise des
données de précipitation quotidiennes de 180 sites, effectue les simulations et extrapole l’analyse
pour la fin de la culture en utilisant des séries de données historiques. Les données d’ETP, quand
elles ne sont pas disponibles, peuvent être obtenues par krigeage (une méthode d’estimation par
interpolation spatiale). Les dates de semis sont généralement simulées en utilisant les critères
paysans basés sur la pluviométrie.
29
Une équation empirique permet ensuite d’estimer le rendement moyen paysan de la zone située
autour du site des mesures pluviométriques. Il a été montré que l’indicateur prévisionnel IRESP est
fortement corrélé aux rendements paysans de mil lorsqu’ils sont agrégés au niveau villageois pour
des recensements effectués au Sénégal, Mali, Burkina Faso et Niger en 1988-1990 (Forest et
Cortier, 1991).
∗ é 1
. 11,3 ∗ 128 2
Cette relation s'applique avec une bonne fiabilité (R2 = 66%) dans l'ensemble de la zone soudano-
sahélienne.
DHC procure plusieurs indicateurs et informations : les dates de semis réussis en humide avec les
zones de retard par rapport à la moyenne et à l’année précédente, des indicateurs de satisfaction des
besoins en eau, les réserves hydriques des sols, les besoins en eau pour le bouclage du cycle et les
rendements potentiels en milieu paysan. Une version modifiée appelé DHC-CP utilise les images du
satellite METEOSAT et est couplée à un générateur de pluie probabiliste basé sur la chaine de
Markov pour reproduire des distributions statistiques de pluies en tous points d’une grille géo-
référencée (Gozé, 1990). Cette version, bien que fonctionnelle, n’est pas utilisée actuellement de
façon systématique.
1.3.3.2.1.4 Télédétection
Selon la définition de la Commission interministérielle de terminologie de la télédétection

aérospatiale française, la télédétection est l’ensemble des connaissances et techniques utilisées pour
déterminer des caractéristiques physiques et biologiques d’objets par des mesures effectuées à
distance, sans contact matériel avec ceux-ci. Plusieurs méthodes d’estimation des rendements et
superficies sont basées sur des données de télédétection (Rasmussen, 1997). Parfois, ces données
peuvent servir à re-calibrer certaines démarches de la modélisation. Elles peuvent aussi intervenir
indirectement, lorsque certains paramètres d’entrée importants de modèles, tels que la pluviométrie,
le rayonnement global ou l’évapotranspiration par exemple, peuvent être estimés ou interpolés dans
l’espace de manière plus précise grâce aux satellites météorologiques (Genovese, 1997).
La prévision par télédétection est basée sur le calcul d’indicateurs qui sont mis en relation avec le
rendement des cultures. Parmi ces indicateurs se trouve le NDVI qui est le rapport de la différence
des réflectances des canaux PIR (bande Proche Infra-Rouge) et R (bande Rouge) sur leur somme.
30
3
Le NDVI renseigne directement sur l’état des cultures et permet la comparaison de différentes
récoltes. Les zones de végétation saines ont un NDVI plus élevé. Tout retard de croissance ou de
mûrissement des cultures peut être détecté par comparaison avec la situation saine.
L’une des premières expériences d’application de la télédétection au Sahel a été faite au Niger dans
le cadre du projet « Pilote de Prévision des Productions Agricoles au Sahel » (P4AS), mis en œuvre
par le CIRAD au début des années 1990. Son but était de développer un système intégré de
prévision des productions agricoles adapté aux spécificités de l’agriculture sahélienne par
l’utilisation des images du satellite météorologique NOAA-AVHRR. Le satellite NOAA-AVHRR
fournit à des pas de temps journaliers des mesures radiométriques dans la bande du rouge et du
proche infrarouge, avec une résolution spatiale de 1 km. Traitées par une station installée à Niamey
(Niger) et complétées par des observations de terrain, ces images satellitaires permettent au CILSS
d'établir en temps utile les prévisions de récoltes nécessaires à la gestion de l'aide humanitaire et à
l'approvisionnement des zones déficitaires à partir des régions excédentaires. Une relation reliant
l’efficience de conversion à un indicateur de stress hydrique a été introduit dans le modèle de
Monteith (1984). Cet indicateur est estimé à partir de données satellitaires. Il s’agit du Stress
Degree Day (SDD) calculé selon la formule suivante :
∑ 4
où Ts et Ta représentent respectivement la température de brillance dans l’infrarouge thermique et

la température de l’air. Ts est calculée par la méthode de la Split Window améliorée qui est la
combinaison des canaux thermiques T4 et T5 de AVHRR et d’un indice de végétation (Kerr et al.,
1992) et Ta est simulée par un modèle de circulation générale.
Le calcul du SDD se fait sur une période d’intégration démarrant 20 jours après le semis et se
terminant 20 jours avant la récolte (Begué, 2002). Cette relation, établie en 1991, a été appliquée
aux données NOAA-AVHRR acquises en 1992 et a permis d'établir des cartes de rendement du mil.
L'erreur maximale commise dans l'estimation est de 24,1% pour la matière sèche et de 43,16% pour
le grain (Ouaidrari, 1994).
Depuis 2003, le CRA utilise la méthode « Groten » (Groten, 1993), développée par l’International
Institute for Aerospace Surveys and Earth Sciences (ITC) et la méthode « Maselli » (Maselli et al.,
1992), développée par le CESIA pour l'évaluation des rendements agricoles (Moussa, 2005). Ce
sont des méthodes opérationnelles pour le traitement des données NDVI visant le suivi de
31
l'environnement et plus spécifiquement à l'évaluation et la prévision des récoltes dans les régions du
Sahel. Les 2 méthodologies sont basées sur le même principe. Elles s'appuient sur des études
expérimentales pour chercher une relation utilisant les données satellitaires et la pluviométrie ou le
rendement. Le but est de travailler de façon opérationnelle pour la prévision des rendements
agricoles à l'échelle des entités administratives pour lesquelles les données de rendement des années
antérieures existent (Moussa, 2005). La méthodologie appliquée est basée sur la corrélation entre
les valeurs de NDVI maximum par décade et les rendements finaux. L’utilisation de ces méthodes a
permis d'effectuer une estimation précoce des productions au niveau des provinces pour le Burkina
Faso et des départements pour le Sénégal. A travers l'analyse des corrélations, la meilleure période
pour la prévision des rendements a été identifiée à la fin du mois d’août (Moussa, 2005).
1.3.3.2.2 Modèles de simulation des cultures
Les modèles de simulation des cultures, aussi appelés modèles écophysiologiques, sont des outils
mathématiques et informatiques qui simulent le fonctionnement dynamique d’une culture (système
sol-plantes) en interaction avec le climat et les pratiques agricoles. Ils ont été développés depuis une
quarantaine d’années. Leur naissance correspond à une valorisation des travaux sur la
photosynthèse et la respiration (De Wit et al., 1970) avec une mise en relation entre la biomasse
accumulée et les processus instantanés.
Ces modèles intègrent la plupart des processus physiologiques qui sont mis en jeu dans la chaîne de
production végétale. Ils sont constitués d’un ensemble de relations mathématiques décrivant le
fonctionnement du système sol-plantes en interaction avec le climat et les opérations techniques.
Pour ces raisons, les modèles de culture sont aussi appelés modèles biophysiques ou encore
modèles biotechniques. Les équations mathématiques, appelées formalismes, sont constituées de
variables d’état qui caractérisent l’état du système à différents pas de temps, et de paramètres, qui
constituent les constantes des équations mathématiques utilisées (Jones et Luyten, 1988).
Les variables d’entrées décrivent les conditions du système, tels que les états initiaux du sol, la
météorologie journalière (rayonnement global, températures minimales et maximales, pluviométrie)
et l’itinéraire technique. Les paramètres sont relatifs à des propriétés intrinsèques du système et ils
gèrent les relations entre ses variables d’état. Leur valeur ne change pas durant les simulations. Les
variables d’états (ou exploratoires) décrivent l’évolution du système au cours du temps. Les
variables de sorties constituent les résultats de la simulation, intermédiaires ou finaux.
Une caractéristique majeure de ces modèles est leur structure élaborée et leur formulation
mathématique plus ou moins complexe. Ils ont l'avantage de permettre de faire des simulations
32
souvent difficiles à réaliser expérimentalement. De ce fait, ils sont utilisés comme des outils de
recherche. Le principal inconvénient de ces modèles est la difficulté de leur validation (Brisson,
2009).
Ces modèles gèrent au pas de temps journalier un développement du couvert reposant sur le
fonctionnement carboné des plantes. Le rayonnement intercepté est transformé en biomasse qui,
selon les choix de représentation du système, est répartie dans différents types d’organes. Cette
répartition des assimilats repose sur des proportions préétablies en fonction des stades de
développement ou sur des équilibres « sources–puits ». Dans tous les modèles de culture, c’est le
flux de matière carbonée qui pilote le fonctionnement trophique de la plante. Il est accompagné,
dans certains cas, d’un flux d’azote pouvant également être soumis à une loi de répartition entre
organes. L’essentiel des autres processus est introduit dans les modèles comme des flux
d’information servant à orienter, modifier ou limiter le flux de carbone (Brisson, 2009).
La construction d’un modèle commence par la question à laquelle le modèle permettra de répondre
et le champ d’application. Des hypothèses sont ensuite exprimées et les concepts sur lesquels
reposera le modèle sont définis. Il est alors possible de formaliser un jeux d’équations reliant les
variables d’état aux paramètres et variables d’entrée et de délimiter leur domaine de validité (Smith,
2001).
L’étape suivante de calibration suppose que les formalismes sont exacts et s’attache à donner des
valeurs aux paramètres par différents moyens et à les caler sur un jeu de données. Si le résultat de
cette étape ne donne déjà pas de satisfaction, il faut retourner aux formalismes et éventuellement
aux hypothèses de départ (Smith, 2001).
Une fois que le jeu de paramètres est considéré comme correct, il faut procéder à l’évaluation de la
qualité prédictive du modèle (validation) sur des jeux de données indépendantes en confrontant ses
résultats à la réalité. Si l’évaluation met en relief des défauts, il est nécessaire de retoucher aux
paramètres et si l’échec persiste, il faut remonter les différentes étapes de construction du modèle.
Finalement, le modèle peut être utilisé pour différentes application en réponse à des objectifs divers
à condition d’être dans son domaine de validité (Smith, 2001).
1.4 Conclusion
La prévision agricole est une activité stratégique des États qui leur permet de mieux gérer la
sécurité alimentaire. Ceci est d’une importance capitale en zone soudano-sahélienne où la
variabilité pluviométrique affecte fortement les agricultures essentiellement pluviales. Les
33
dispositifs d’enquête connaissent très souvent des problèmes de financement ou de mobilisation de
fonds. D’autres outils comme la télédétection n’ont pas encore donné de résultats concrets au Sahel
et leur application actuelle reste la plupart du temps dans le cadre de la recherche. Le principal outil
de prévision des rendements, encore utilisé par le CRA, demeurent le modèle DHC. Cependant, en
dépit des progrès réalisés dans l’utilisation de cet outil, de nombreux efforts scientifiques doivent
encore être consentis en matière de développement, d’adaptation, de validation et d’utilisation pour
divers environnements, diverses cultures. Les modèles écophysiologiques se présentent ainsi
comme une opportunité à exploiter.
34
Chapitre 2 : Étude et prise en compte en modélisation de l’effet de la latitude sur la réponse à
la photopériode chez divers génotypes de mil (Pennisetum glaucum (L.) R. Br.) du Sénégal
Ce chapitre est rédigé sous forme d’article qui a été accepté et publié le 30 juillet 2013 dans le numéro 67 de la revue
« Journal of Applied Biosciences (ISSN 1997 - 5902) » (cf. annexe 2).
2.1 Introduction
Au Sénégal, les mils locaux constituent l’essentiel de la production céréalière et occupent une place
importante dans l'alimentation humaine. La région sahélienne dont fait partie le pays représente un
centre important de diversité des mils. La diversification des écotypes locaux, qui s’est effectuée sur
plusieurs millénaires, a permis à ces derniers de s’adapter à la variabilité spatio-temporelle des
pluviométries, principale contrainte des cultures dans la région (Traoré et al., 2000). Cette
variabilité entraîne en particulier une grande incertitude sur la date de semis qui, en un même site,
peut se produire sur une période de près de 2 mois selon le démarrage des pluies (Sivakumar,
1988), alors que la variabilité de la fin de la saison des pluies est bien moindre (Traoré et al., 2000).
De nombreux travaux ont ainsi montré que l’adaptation des écotypes traditionnels consistait en leur
faculté à caler leur cycle sur les dates de début et de fin de saison des pluies, ce du fait de leur
caractère photopériodique (Cochemé et Franquin, 1967; Scheuring, 1996; Reyniers, 1998). En effet,
le photopériodisme permet de faire que quelle que soit la date de semis, les floraisons se déroulent
plus ou moins toujours à la même date, proche de la date moyenne de la fin de la saison humide, ce
qui permet de limiter les moisissures, importantes en cas de floraison trop précoce, ou les stress
hydriques finaux liés aux floraisons tardives, et également de minimiser les dégâts causés par les
oiseaux du fait de la synchronisation des maturités (Curtis, 1968; Vaksmann et al., 1996). Cela
assure aussi un séchage efficace des panicules qui arrivent à maturité après les dernières pluies.
Pourtant, suite à la péjoration de la pluviométrie de la fin des années 60 (Le Barbé et al., 2002), ce
caractère a été systématiquement éliminé par les programmes de sélection pour ces zones pour créer
des variétés à cycle fixe et plus court capables de supporter des saisons de pluies plus courtes
(Dancette, 1983). Ce n’est que récemment que la photosensibilité a été réellement comprise par les
sélectionneurs et agronomes comme étant un trait primordial d’adaptation à un climat fluctuant et
aux contraintes biotiques de la zone sahélienne (Clerget, 2004; Folliard et al., 2004; Kouressy et al.,
2008), dont les multiples avantages expliquent les préférences des paysans pour les écotypes locaux
(Trouche et al., 1998). Une bonne compréhension et la modélisation du photopériodisme sont donc
primordiales pour pouvoir correctement prévoir les comportements des génotypes en fonction de
leur environnement et des pratiques.
35
La modélisation de la réponse à la photopériode des mils et des sorghos tient compte des
températures et durées du jour (Alagarswamy et Ritchie, 1991; Chantereau et al., 1997). Deux
modèles ont fait longtemps référence : ceux de Franquin (1974) et de Major (1980). Le modèle de
Major est fondé sur une augmentation linéaire de la photopériode avec la durée de la période
végétative, exprimée en temps thermique, au-dessus du seuil de photopériode optimale. Le modèle
de Franquin est de type hyperbolique et s’adapte bien au comportement des sorghos africains dont
la durée de la phase végétative augmente de façon hyperbolique, s’accroissant rapidement au-delà
d’un seuil lorsque la photopériode augmente, jusqu’à rendre impossible la floraison en jours longs.
Ces modèles ne sont cependant pas adaptés lorsque le délai d’attente jusqu’à l’initiation paniculaire
(IP) devient très long ou lorsque les plantes sont cultivées en dehors des périodes de semis normales
(Clerget, 2004; Folliard et al., 2004). Clerget et al. (2004) ont donc proposé de tenir aussi compte
du sens de variation de la durée du jour ou de ses composantes, les heures de lever et de coucher du
soleil. Cette amélioration a permis une bonne simulation de la phénologie des sorghos africains
dans différents environnements. Mais malgré le nombre relativement élevé de paramètres et de
variables explicatives (température, photopériode, sens de variation de la durée du jour), la
phénologie dans certains environnements restait inexpliquée. Pour résoudre ce problème, Folliard et
al. (2004) ont proposé un modèle qui considère que les photopériodes élevées inhibent la mise à
fleur et que l’IP se produit lorsque la durée du jour descend en dessous d’un seuil qui dépend de
l’âge de la plante. Ces résultats ont été à la base du développement du modèle Impatience
(Dingkuhn et al., 2008) qui semble à ce jour être le plus adapté aux écotypes soudano-sahéliens de
mil et sorgho.
Le principe du modèle Impatience est que l'initiation paniculaire se produit lorsque la photopériode
descend en dessous d’un seuil qui dépend de la variété et de l’âge de la plante. Ce modèle de
réponse à la photopériode a été incorporé dans le modèle de simulation du développement des
cultures SARRA-H (Dingkuhn et al., 2003). SARRA-H est un modèle à base écophysiologique
développé par le CIRAD en collaboration avec le Centre d’Étude Régional pour l’Amélioration de
l’Adaptation à la Sécheresse (CERAAS) et le CRA. Il permet de simuler correctement les
phénologies et les développements des biomasses et rendements des céréales, en particulier des
écotypes africains traditionnels photopériodiques (Dingkuhn et al., 2008; Traoré et al., 2010). Mais
récemment des études ont montré que la modélisation du phénomène n’est satisfaisante qu’à la
latitude à laquelle les informations nécessaires au paramétrage du modèle ont été recueillies et
qu’Impatience ne simule pas correctement les cycles lorsque l’on change de latitude (Abdulai et al.,
2012). Ce constat a mis en évidence une interaction entre la latitude et la réponse à la photopériode
qui n’est pas encore comprise ni correctement intégrée à la modélisation. Par ailleurs au Sénégal
36
SARRA-H n’a été, jusqu’à maintenant, paramétré que sur le Souna 3, variété améliorée très peu
photosensible, et ce sur la base d’expérimentations réalisées seulement à Bambey (Sarr et al., 2004;
Siéné et al., 2010a, 2010b). Notre étude a ainsi pour objectifs de caractériser les variations de cycles
de différents génotypes de mil cultivés au Sénégal sous différentes latitudes et d’améliorer la
modélisation de leur réponse à la photopériode en conséquence.
2.2 Matériel et méthodes
2.2.1 Présentation des sites d’étude
Les essais ont été conduits lors de l’hivernage 2012 sur 3 stations expérimentales de l'Institut
Sénégalais de Recherches Agricoles (ISRA), à savoir les stations de Ndiol (16,13°N, -16,32° O, 7
m), de Bambey (14,70° N, -16,48° O, 20 m) et de Kolda (12,85° N, -14,93° O, 16 m) (figure 5).
Figure 5 : Localisation des sites expérimentaux (CRA de St-Louis, CNRA de Bambey et CRZ de
Kolda)
Les sols des essais sont de types brun-rouge subaride sur sable à Ndiol, ferrugineux tropical
faiblement lessivé sur sable à Bambey et ferrugineux tropical lessivé sur grès sablo-argileux à
Kolda. Le régime pluviométrique sur l’ensemble des sites est uni-modal avec des moyennes
annuelles sur la période 1971-2000 de 189 mm à Ndiol, 436 mm à Bambey et 897 mm à Kolda. Les
températures journalières minimales (maximales) sur la période de juin à novembre ont été en
37
moyenne de 22,9°C (33,3°C) à Ndiol, 23,5°C (35,2°C) à Bambey et 23,2°C (34,7°C) à Kolda. La
durée astronomique maximale du jour est de 12,87 heures (12 h 51 mn 55 s) à Kolda, de 12,98
heures (12 h 58 mn 49 s) à Bambey et de 13,07 heures (13 h 04 mn 14 s) à Ndiol. Les écarts
maximaux entre durées du jour sur la période de l’étude sont de 5’42 entre Ndiol et Bambey et de
6’90 entre Bambey et Kolda (figure 6).
Figure 6 : Évolution de la photopériode sur les sites de Ndiol, Bambey et Kolda durant l’année
civile
2.2.2 Matériel génétique
Le matériel végétal est composé de 2 variétés améliorées, de type Souna, et de 6 génotypes locaux
dont 2 de type Souna et 4 de type Sanio, qui ont été collectés suivant un gradient latitudinal nord-
sud en mai 2011 (tableau I). Les mils de type Souna sont des variétés précoces et peu sensibles à la
photopériode. Les mils de type Sanio, dits tardifs, ont un cycle de développement long et sont très
sensibles à la photopériode. Les 2 variétés améliorées sont le Souna 3 (variété très vulgarisée au
Sénégal) et le Thialack 2. Le Souna 3 est une population synthétique issue d’un programme de
sélection. Le Thialack 2 est une population locale améliorée. Les 6 génotypes locaux ont été
désignés par le nom de leur village d’origine.
38
Tableau I : Caractéristiques des 8 génotypes de l’étude
Zone d'origine ou
Nom Type Cycle
d'adaptation
Souna 3 Souna amélioré précoce Centre-nord
Thialack 2 Thialack amélioré intermédiaire Centre-sud
Backfassagal Souna local Précoce Centre-nord
Diana Bah Souna local Précoce Sud
Séfa Sanio amélioré Tardif Sud
Koutima Sanio local Tardif Sud
Maka Hamdallaï Sanio local Tardif Centre-sud
Allahbougou Sanio local Tardif Sud-est
2.2.3 Dispositif expérimental et conduite de la culture
Sur chaque site, l'essai a été semé à 3 dates, séparées d’environ un mois, à chaque fois selon un
dispositif en blocs complets randomisés à un facteur qui est le génotype et à 3 répétitions. La
parcelle élémentaire est constituée de 10 poquets disposés sur 2 lignes distantes de 0,8 m, avec un
écart entre poquets de 0,8 m. Les semis ont été effectués en humide après labour les 12 juin, 10
juillet et 08 août 2012. Des irrigations ont été effectuées afin d'éviter tout stress hydrique qui
pourrait affecter les phénologies. La fertilisation a été faite selon les recommandations de l’ISRA
sur chaque site, soit 150 kg.ha-1 de NPK au semis et 100 kg.ha-1 d’urée dont la première moitié au
démariage et la seconde moitié en pleine montaison. Les désherbages et luttes contre les ravageurs
et maladies ont été faits à la demande. Des parcelles additionnelles de 6 lignes de 7 poquets ont été
semées à Bambey pour chacun des génotypes le 13 octobre sous les mêmes conditions
agronomiques en vue de faire des observations destructrices des initiations paniculaires.
2.2.4 Observations et paramètres calculés
Le stade phénologique observé principalement est la date d’apparition de la ligule de la feuille

paniculaire, dite aussi « feuille-drapeau ». Les variations de longueur du cycle liées à la sensibilité à
la photopériode s’expriment en effet avant son apparition, alors que la fin du cycle varie peu, ne
dépendant que des températures. De plus, il s’agit d’un événement facile à identifier, sans
ambiguïté, ce qui n’est pas toujours le cas du stade de floraison. Les observations ont été faites sur
chacun des 6 poquets centraux, en passant tous les 2 jours dans les parcelles. Cela a permis de
déterminer les durées semis-ligulation de la feuille drapeau (SFD). Pour déterminer la date
39
d’initiation paniculaire (IP) dans les parcelles additionnelles, des dissections et observations
visuelles ont été pratiquées régulièrement sur des pieds choisis de façon aléatoire. La période
végétative sensible à la photopériode (notée ici PSP comme dans le modèle SARRA-H) est de
durée nulle quand les plantes sont semées tardivement comme cela a été le cas pour le semis du 13
octobre. La détection de l’IP permet d’établir la durée de la phase végétative initiale non sensible à
la photopériode (BVP) et celle de la phase de développement allant de l’IP à la ligulation de la
feuille drapeau (IPFD). Les IPFD ont ensuite été soustraites des SFD pour avoir les durées semis-
initiation paniculaire (SIP) aux différentes dates de semis. Toutes les durées calculées ont été
converties en temps thermique (temps perçu par les plantes en fonction de la température) selon
l’approche broken linear function (Hammer et Muchow, 1994). Les températures de base, optimale
et maximale ont été fixées respectivement à 11°C, 34°C et 46°C (Garcia-Huidobro et al., 1982; van
Oosterom et al., 2001). Le coefficient de sensibilité au photopériodisme (Kp) a été calculé pour les
différents génotypes selon la formule utilisée par Traoré et al. (2000).
avec SFD1 et SFD2, les nombres de jours entre le semis et la ligulation de la feuille drapeau pour
les 2 premières dates de semis DS1 et DS2.
Kp varie de 0 pour les variétés insensibles à la photopériode à 1 pour les variétés strictement
photopériodiques pour lesquelles le raccourcissement de la période végétative compense totalement
la variation entre les dates de semis (Kouressy et al., 2008).
2.2.5 Analyses statistiques
Le logiciel statistique R version 3.0.1 (R Development Core Team, 2013) a été utilisé pour les
représentations graphiques et le calcul des intervalles de confiance au seuil de 5%.
2.2.6 Simulations de la réponse à la photopériode
2.2.6.1 Modèle utilisé
Le modèle de simulation du développement des cultures qui a été utilisé, SARRA-H (version 3.2) a
été plusieurs fois décrit dans la littérature récente (Dingkuhn et al., 2003; Baron et al., 2005; Sultan
et al., 2005a, Dingkuhn et al., 2008). Il intègre le modèle Impatience pour lequel l’IP est déclenchée
selon les conditions suivantes :
40
∑
6
 dtti
i= BVP représente la somme des températures de la phase végétative. Pbase et Psat sont les limites
inférieure et supérieure de durée de jour au-delà desquelles l'initiation paniculaire n'est plus
possible. Pi est la photopériode réelle. Pexp et Psens sont des coefficients génétiques dépendant de
la variété.
Le modèle est surtout sensible à la variation de Psens qui prend des valeurs proches de 0,4 pour des
variétés très photopériodiques et supérieures à 1 pour des variétés insensibles à la photopériode.
Pexp est généralement inférieur à 1 (Dingkuhn et al., 2008).
2.2.6.2 Paramétrage du modèle Impatience et simulations
Le paramétrage du modèle Impatience peut être effectué par itération, soit en ajustant Psens et Pexp
ensemble, soit en fixant Pexp à 0,17 et en ajustant uniquement Psens (Dingkuhn et al., 2008). C’est
la deuxième approche que nous avons utilisée.
Pour l’ensemble des variétés, les seuils critique et maximal de photopériode ont été fixés
respectivement à 11 heures et 13,6 heures et Pexp à 0,17. La valeur de Psens qui a permis d’obtenir
la plus petite valeur de la racine de l’erreur quadratique moyenne relative (RRMSE) (Willmott et
Wicks, 1980; Willmott, 1982; Willmott et al., 2012) a été retenue.
La RRMSE se calcule selon la formule suivante :
où Pi = valeur prédite, Oi = valeur observée, n = nombre de cas considérés, O = moyenne des

valeurs observées.
Le paramétrage ainsi obtenu sur le site de Bambey a été utilisé pour simuler les durées SIP sur les
différents sites, et ceci aux 3 dates de semis.
41
2.3 Résultats
2.3.1 Effet de la date de semis sur les longueurs de cycle
La durée de la phase semis-feuille drapeau (SFD) permet bien de distinguer les Sanios, tardifs, des
Sounas, précoces (figure 7). Pour le semis du 12 juin, les génotypes tardifs ont une SFD variant de
2003°C.j à 1646°C.j à Ndiol, de 1892°C.j à 1561°C.j à Bambey et de 1768°C.j à 1308°C.j à Kolda.
Dans ce groupe, les 2 génotypes originaires du Sud du Sénégal ont eu pour l’un (Sanio de Séfa) le
cycle le plus long et pour l’autre (Sanio de Koutima) le cycle le plus court. Les génotypes de type
Souna ont eu des SFD variant entre 1104°C.j et 997°C.j à Ndiol, entre 1046°C.j à 971°C.j à
Bambey et entre 903°C.j et 839°C.j à Kolda. Dans ce groupe, le Thialack 2 a été le génotype le plus
tardif. Pour l’ensemble des génotypes, la durée de la SFD est réduite au fur et à mesure que le semis
est retardé. Cette réduction de cycle est beaucoup plus importante chez les génotypes tardifs. Entre
les 2 premières dates de semis, elle varie de 343°C.j environ pour le Sanio de Séfa à 371°C.j pour le
Sanio de Koutima. Chez les génotypes à cycle court, la réduction de cycle la plus importante est
enregistrée sur le Thialack 2 (233°C.j) et la plus faible sur le Souna de Diana Bah (162°C.j).
2.3.2 Effet de la latitude sur le photopériodisme
Les SFD de tous les génotypes varient avec la latitude (figure 7). Les valeurs les plus élevées sont
observées à Ndiol et les plus faibles à Kolda. L’effet de la latitude, plus marqué pour le semis
précoce, s’estompe progressivement au fur et à mesure que le semis est retardé. Par ailleurs, la
différence est plus importante entre Bambey et Kolda qu’elle ne l’est entre Bambey et Ndiol. Pour
le semis du 12 juin, hormis le Sanio de Séfa où le phénomène est moins marqué, la différence sur
les SFD entre Bambey et Kolda est au moins le double de celle entre Bambey et Ndiol. Pour le
Souna de Diana Bah par exemple, elle est 8,5 fois plus élevée. La même tendance est observée au
semis du 10 juillet où la différence sur les SFD entre Bambey et Kolda est 2 et 10 fois supérieure à
celle entre Bambey et Ndiol, respectivement pour le Sanio de Maka Hamdallaï et le Thialack 2.
Toutes les variétés de l’étude ont donc montré une sensibilité à la photopériode (Kp>0).
Les Kp varient en fonction de la latitude et du génotype (figure 8). Les valeurs les plus élevées ont
été observées à Ndiol et les plus faibles à Kolda. Les génotypes tardifs sont plus photopériodiques
avec des Kp variant de 0,74 à 0,79 à Ndiol, de 0,58 à 0,74 à Bambey et de 0,46 à 0,60 à Kolda. Les
génotypes à cycle court, faiblement photosensibles à Kolda, avec un Kp compris entre 0,08 et 0,23,
se sont avérés moyennement photosensibles à Bambey et à Ndiol avec des Kp variant entre 0,3 et
0,51.
42

Figure 7 : Effet de la date de semis et de la latitude sur la durée semis-feuille drapeau (°C.j) des 8
génotypes sur les 3 sites. Les barres d’erreurs représentent les valeurs d’intervalles de confiance
calculées au seuil de 5%
43
Figure 8 : Evolution du coefficient de photopériodisme des 8 génotypes en fonction de la latitude
2.3.3 Amélioration de la modélisation de la réponse à la photopériode
Les durées de BVP varient de 375°C.j à 423 °C.j. Elles ne dépendent pas de la longueur de cycle du
génotype. Les coefficients Psens diminuent quand la latitude augmente. Ils sont cependant plus
élevés à Bambey qu’à Ndiol pour les variétés précoces (tableau II).
Tableau II : Valeurs des coefficients génétiques obtenues lors du paramétrage du modèle

Impatience
Psens Psens Psens Phase végétative

Génotype
(Kolda) (Bambey) (Ndiol) de base (°C.j)
Souna 3 0,80 0,76 0,79 386
Thialack 2 0,85 0,79 0,81 386
Backfassagal 0,80 0,77 0,81 403
Diana Bah 0,82 0,76 0,81 422
Séfa 0,45 0,41 0,40 423
Koutima 0,55 0,50 0,48 375
Maka Hamdallaï 0,45 0,41 0,41 408
Allahbougou 0,46 0,43 0,43 375
44
L’ajustement des paramètres effectué sur les résultats obtenus sur chaque site permet de simuler
correctement les durées SIP des variétés du même site aux 3 dates de semis, avec des valeurs de
RRMSE de 5,2%, 3,8% et 4,8% respectivement à Ndiol, Bambey et Kolda (figure 9).
Figure 9 : Durées semis-initiation paniculaire (SIP) des sites de Ndiol (A), Bambey (B) et Kolda
(C) simulées avec les paramétrages respectifs obtenus sur ces sites en fonction des durées semis-
initiation paniculaire (SIP) observées correspondantes
Lorsque le paramétrage obtenu sur l’un des sites est utilisé pour effectuer les simulations sur les 2
autres, les résultats sont moins bons. Si par exemple le paramétrage établi à Bambey est utilisé pour
faire les simulations sur les sites de Ndiol et de Kolda, les valeurs de RRMSE sont respectivement
de 8% et 10%.
45
La méthode de correction proposée pour le sorgho au Mali (Abdulai et al., 2012) a donc été utilisée.
Elle consiste à établir, à partir des différentes valeurs de Psens déterminées sur les différents sites et
des latitudes des sites, une équation de régression permettant de déterminer la valeur de Psens d’un
site en fonction de sa latitude et d’une valeur de référence de Psens établie dans un autre site. La
méthode de correction a été développée en considérant chacun des 3 sites et en testant sur les 2
autres. Les meilleurs résultats sont obtenus quand Bambey est considéré comme site de référence,
ce qui s’explique par le fait qu’il soit central. Mais quel que soit le site de référence, la méthode de
correction permet d’améliorer les ajustements. L’équation établie à partir de nos données pour
estimer le Psens d’une variété en un site quelconque à partir de sa latitude et de son Psens déterminé
à Bambey est la suivante :
1,2468 ∗ 0,0120 ∗ ∗ 0,0148 8
avec PsensSite = coefficient génétique de photosensibilité pour le site, PsensBambey = coefficient

génétique de photosensibilité à Bambey et LatSite = latitude du Site. Le coefficient de
détermination (R2) de l’équation est de 99%.
Les paramétrages estimés ainsi ont été utilisés pour simuler les SIP sur les sites de Ndiol et Kolda.
Cela améliore les simulations des durées SIP avec des valeurs de RRMSE proches de celles
obtenues lorsque les paramétrages spécifiques de chaque site sont utilisés (figure 10).
Figure 10 : Durées semis-initiation paniculaire (SIP) simulées avec le paramétrage ajusté à Ndiol
(A) et à Kolda (B) en fonction des durées semis-initiation paniculaire (SIP) observées
correspondantes
46
2.4 Discussion
L’étude a porté sur la caractérisation des variations de cycles de génotypes de mil en fonction des
dates de semis et de la latitude en vue d’améliorer la modélisation de leur phénologie. L’originalité
de la méthodologie réside dans l’utilisation d’un modèle de développement de culture en
complément d’expérimentations multi-locales et à plusieurs dates de semis pour l’ajustement des
paramètres du modèle Impatience. Le dispositif est similaire à ceux utilisés au Mali par les équipes
de l’Institut d’Economie Rurale (IER) et du CIRAD qui travaillent depuis des années sur le
photopériodisme (Vaksmann et al., 1996; Kouressy et al., 2008; Abdulai et al., 2012). Au Sénégal,
c’est la toute première expérience d’étude de la sensibilité à la photopériode et d’ajustement du
coefficient Psens d’un lieu à partir de sa latitude et du Psens d’un site de référence.
Contrairement aux travaux de Curtis (1968) au Nigéria, qui ont montré que la date d’initiation
paniculaire des variétés traditionnelles était indépendante de la latitude, les 8 variétés de l’étude
(précoces et tardives) ont vu leurs durées SIP se raccourcir sous les faibles latitudes. Ce résultat,
similaire à ceux de divers auteurs (Vaksmann et al., 1996; Kouressy et al., 2008; Abdulai et al.
2012), s’explique par le fait que ces variétés étant de jours courts, et la durée du jour étant plus
longue au nord sur la période de l’étude, cela entraîne une diminution de la durée de la période
végétative lorsque l’on déplace une expérimentation du nord au sud. Ainsi, comme l’ont montré
Kouressy et al. (2008), les variétés semées à basse latitude se montrent plus précoces, leur floraison
est accélérée et leur cycle écourté. La durée SIP a également diminué au fur et à mesure que le
semis était retardé. Ce phénomène est dû au fait que pour les semis précoces la durée du jour est
trop élevée pour permettre l'initiation de la panicule ; alors la période végétative se poursuit jusqu'à
ce que la durée du jour soit devenue suffisamment courte. Ce résultat est conforme à ceux obtenus
par Folliard et al. (2004) et Kouressy et al. (2008). Par ailleurs, une étude menée par Vaksmann et
al. (1998) a montré que les variétés originaires du Nord (haute latitude) étaient plus
photopériodiques que celles du Sud, ce qui n’est pas le cas des variétés de notre étude dont les plus
photopériodiques étaient en grande partie celles provenant du Sud. Cependant, le nombre restreint
de notre échantillon ne nous permet pas d’être conclusif sur cette observation. Un plus grand
nombre de variétés provenant de différentes latitudes aurait pu permettre de dégager une tendance
claire sur la réaction photopériodique des génotypes en fonction de leur aire d’origine. L’ajustement
du coefficient Psens est très simple et trouve une application opérationnelle en modélisation des
cultures et ses applications. Elle donne un paramétrage acceptable permettant ainsi de s’affranchir
de la reprise de la détermination de Psens à chaque latitude à travers des expérimentations coûteuses
en temps et en argent. Le rôle de la latitude est très déterminant dans la procédure d’ajustement
47
mais reste encore incompris comme le soulignent Abdulai et al. (2012). Des études sont donc
nécessaires afin de déterminer les mécanismes physiologiques qui sous-tendent son action.
2.5 Conclusion
L’étude a permis de montrer que la plupart des variétés traditionnelles, qu’elles soient précoces ou
tardives, sont plus ou moins photosensibles en fonction de la latitude. Leur longueur de cycle
augmente avec la latitude et diminue avec la date de semis. Le coefficient génétique (Psens) d’une
variété en un lieu donné peut être déterminé en fonction de la latitude de ce lieu et du Psens d’un
lieu de référence. Ce résultat peut trouver une application opérationnelle en modélisation des
cultures et ses applications dont la prévision agricole. En effet, la simulation des rendements peut
être effectuée sous différentes latitudes, sans être obligé d’effectuer de nouvelles expérimentations
pour le paramétrage de la phénologie, une fois que l’équation d’ajustement est établie.
48
Chapitre 3 : Prévision des rendements du mil (Pennisetum glaucum (L.) R. Br.) au Sénégal :
quel apport de 2 modèles écophysiologiques (SARRA-H et CELCIUS) à base bilan hydrique ?
Une partie de ce chapitre a été soumise le 13 novembre 2013 à la revue « International Journal of Biological and
Chemical Sciences (ISSN: 1991-8631) » sous le titre « Évaluation du modèle de culture PYE pour la prévision des
rendements du mil (Pennisetum glaucum (L.) R. Br.) au Sénégal ».
3.1 Introduction
Le contexte de l’agriculture au Sénégal, comme dans la plupart des pays sahéliens, est caractérisé
par la faiblesse des précipitations et surtout leur très forte variabilité temporelle et spatiale (Baron et
al., 2005; Sultan et al., 2008). Cette forte variabilité implique des risques et incertitudes importants
qui expliquent les échecs des démarches d’intensification agricole classiques, à savoir l’utilisation
de variétés modernes plus productives ou l’usage d’engrais minéraux (Binswanger et Sillers, 1983;
de Rouw, 2004; Hallstrom, 2004; Hansen, 2005). Pour augmenter les productions, les agriculteurs
ont basé leurs stratégies en bonne partie sur l’extension des superficies agricoles, l’étalement des
semis dans le temps, le choix de plusieurs cultures et parcelles. Mais la pression démographique
sans cesse croissante dans les zones rurales a eu pour conséquence la disparition de la jachère,
principal moyen de restauration de la fertilité des sols dans les systèmes de culture soudano-
sahéliens (Ramaswamy et Sanders, 1992). Les systèmes culturaux actuels, basés sur la culture
continue, combinés aux déficits hydriques consécutifs, ont eu pour conséquence une raréfaction de
la couverture végétale, rendant les sols plus vulnérables aux effets du vent et de l’eau (Niane
Badiane et al., 2000). Ainsi, les sols sont confrontés à un épuisement continu du fait de la non-
restitution d’éléments minéraux. Cela favorise les adventices qui se développent de préférence dans
les sols pauvres à structure dégradée, et qui sont responsables d’importantes pertes de production.
La pression des adventices est d'autant plus marquée que les conditions climatiques sont plus
favorables et/ou que les moyens (équipement en matériel de culture) sont plus faibles (Ndoye et al.,
1984). En particulier, le striga (Striga hermonthica (Del.) Benth) cause localement des dégâts
importants surtout dans des champs exploités de façon continue (Ndoye et al., 1984; Olivier, 1995).
Doggett (1984) a indiqué que le striga pouvait causer des pertes de récolte de 60 à 70% sur le
sorgho dans certains pays du Sahel, et que le taux pouvait être plus faible au Sénégal et en Gambie,
du fait de l’effet antagoniste réel de l’arachide, qui couvre une année sur deux la plupart des terres
céréalières. Des études récentes au Sénégal ont estimé sur le mil souna des pertes de rendement
pouvant varier entre 30 et 52% (Wade et Kamara, 2007). Dans le cas d’attaque sévère, aucun épi
n’est produit.
49
La baisse de la productivité des sols en milieu rural ainsi que les diminutions de rendement dues
aux perturbations climatiques et biotiques entravent l’autosuffisance alimentaire d’une population
rurale sans cesse croissante. Au Sénégal, le déficit en besoins céréaliers était de 818 092 tonnes en
2009 pour une production nette d’environ 1 631 814 tonnes, soit 30% (Ndiaye et Niang, 2010). La
situation alimentaire et économique de la zone sahélienne, marquée par les récentes émeutes de la
faim et les tensions sur les marchés internationaux (Janin, 2009; Bush, 2010), plaident donc pour
une nécessaire augmentation des productions. Cette augmentation ne pourra se faire qu’au travers
d’une intensification des productions. Plusieurs auteurs ont montré qu’il existe de très fortes marges
de progression des rendements des céréales au Sahel, les rendements observés étant très inférieurs à
ce que permettent notamment les conditions climatiques et les capacités de stockage en eau des sols
(Pieri, 1989; Lobell et al., 2009; Affholder et al., 2013). Or l’absence de développement du recours
aux intrants externes et de changement majeur dans les prix de vente du mil n’incitent pas les
agriculteurs à l’intensification. La dépendance alimentaire céréalière s’accroit donc sans cesse.
Dans ces conditions, il sera difficile de réduire fortement la dépendance alimentaire céréalière.
Dans ce contexte alimentaire précaire, pour gérer au mieux la sécurité alimentaire en anticipant et
évitant les crises éventuelles, il est nécessaire pour les États de disposer d’outils leur permettant
d’avoir une estimation précoce des productions (Samba et al., 2001). Les modèles de culture
permettent d’estimer, sur la base des conditions climatiques de la campagne, les rendements, et ce
dès le début des récoltes, voire au cours de la campagne agricole (Samba et al., 2001). A l’heure
actuelle, le CRA, relayé par les Directions de Météorologie Nationale (DMN), réalise les prévisions
pour les zones soudano-sahéliennes. Il utilise le modèle DHC (Samba, 1998; Samba et al., 2001)
qui couple un bilan hydrique à une relation empirique estimant le rendement moyen en mil d’un
village. Le modèle DHC permet ainsi de s’affranchir d’une caractéristique spécifique des
agricultures soudano-sahéliennes qui est la très forte variabilité des rendements au sein d’un même
terroir agricole, donc entre des parcelles soumises à priori aux mêmes pluies, ce du fait de
nombreux facteurs et en relation à une très faible intensification (Forest et Cortier, 1991; Affholder,
1994; Barbier, 1998). Mais le modèle DHC est désormais dépassé par les modèles de croissance des
cultures (Baron et al., 2005) et par ailleurs, il n’a en réalité été validé que pour le mil Souna (cycle
de 90 jours) alors que le besoin d’utilisation sur une diversité de céréales (autres variétés de mil,
sorgho, maïs) traditionnelles et photopériodiques est nécessaire (Diop et al., 2005). Des travaux
récents ont permis de développer et valider pour différentes conditions le modèle SARRA-H, un
modèle écophysiologique. SARRA-H traduit de façon satisfaisante les dynamiques de
développement, des biomasses et des surfaces foliaires et le bilan hydrique des céréales. Il a en
outre été calé sur plusieurs génotypes photopériodiques du Sénégal (cf. chapitre 2) et permet de
50
simuler leur comportement, et prévoir leur rendement dans de bonnes conditions culturales. Mais
SARRA-H a été développé pour l’échelle de la parcelle agricole alors que la prévision des
rendements nécessite la détermination d’un rendement moyen à l’échelle d’un village, voire de la
région. Sultan et al. (2008) ont montré que les rendements moyens villageois au sein d’une région
étaient bien corrélés à la variabilité des pluviométries enregistrées, et que SARRA-H pouvait
permettre d’estimer de façon plus satisfaisante que DHC les rendements moyens villageois. Mais
cette étude a été effectuée sur une seule campagne agricole, ne prenant pas en compte la forte
variabilité inter-annuelle de la région. Par ailleurs, il semble que lors des années à forte
pluviométrie, ce qui est de plus en plus le cas (Salack et al., 2011), les rendements du mil sont très
faibles. Des tentatives récentes pour déterminer une démarche simple de passage au « milieu paysan
moyen » par la réduction uniquement du coefficient de conversion de l’énergie lumineuse ( b) s’est
avérée peu performante (Muller et al., 2009).
L’objectif de l’étude est de caractériser la variabilité des rendements des agriculteurs et d’en
rechercher les causes, et d’évaluer l’apport de 2 modèles écophysiologiques à base bilan hydrique
pour la prévision des rendements. En plus de SARRA-H, le modèle « CEreal and Legume crops
SImulator Under changing Sahelian environment » (CELSIUS) (Affholder et al,. 2013) sera utilisé.
CELSIUS est un modèle conçu selon le principe de la modélisation ad hoc (Sinclair et Seligman,
1996) et développé en Visual Basic sous Microsoft Access. L’étude permettra ainsi d’évaluer
l’apport d’un modèle se différenciant de SARRA-H de par sa fonction d’élaboration de rendement
et de par sa prise en compte de la densité de semis.
3.2.1 Présentation des sites d’étude
L’étude s’appuie sur des données collectées dans 18 villages au Sénégal (figure 11), et dont les
caractéristiques sont présentées dans le tableau III.
Sur la période d’étude (1990-1991 et 2006-2012), le rayonnement global moyen journalier oscillait
entre 14 et 25 MJ.m-2.j-1 à Bambey, entre 13 et 22 MJ.m-2.j-1 à Nioro et entre 10 et 26 MJ.m-2.j-1 à
Kolda. La forte variabilité apparente du rayonnement global à Kolda vient du fait qu’il s’agit de
valeurs d’un nombre limité d’années de mesure (figure 12A). Les moyennes journalières de la
température minimale ont varié entre 15 et 25°C à Bambey, entre 13 et 26 °C à Nioro et entre 11 et
27 °C à Kolda. Les températures maximales journalières étaient comprises entre 31 et 42°C à
Bambey, entre 31 et 43 °C à Nioro et entre 30 et 44°C à Kolda (figure 12B). Les pluviométries ont,
selon l’année et le village, varié entre 197 et 801 mm dans le nord du Bassin arachidier, entre 331 et
51
1276 mm dans le sud du Bassin arachidier et entre 816 et 1132 mm en Haute-Casamance (tableau
IV).
CRA= CRA de Ndiol, KBOU = Keur Boumi, TAIB = Taiba Sérère, SOB = Sob, KLAM = Keur Lamine, SABI = Saré Bidji, DIOU =
Dioulacolon, 1=Djigueul, 2=Thiock Niang, 3=Bambey Sérère, 4=CNRA de Bambey, 5=Backfassagal, 6=Mbaena Wolof,
7=Diackael Dig, 8=Mabo, 9=Paoskoto, 10=Ndimb Taba, 11=Firgui, 12=Dialacouna, 13=Darou Khoudoss, 14=CRZ de Kolda
Figure 11 : Localisation géographique des villages d’étude
Tableau III : Caractéristiques des villages d’étude
52
Figure 12 : Variation des valeurs moyennes journalières du rayonnement global (A) et des
températures minimale et maximale (B) sur les périodes 1990-1991 et 2006-2012
Tableau IV : Pluviométries annuelles en millimètres des villages d’étude enregistrées lors des
différentes années de suivi. Les lettres A, B et C entre les parenthèses traduisent le nombre de
pluviomètres installés dans le village
Pluviométrie (mm)
Zone Village 1990 1991 2006 2007 2008 2009 2010 2011 2012
Keur Boumi (A) 203 197
Keur Boumi (B) 240 239
Djigueul 445 475 644
Taiba Sérère 529 440 543
Thiock Niang 443 557 425 512 356 331
Bambey Sérère (A) 365 515
Bassin arachidier nord Bambey Sérère (B) 351
Bambey Sérère (C) 328
Diakael Dig 445 475 644
Backfassagal 381 606 647 632 663 379 801
Mbaena Wolof 416 472 478
Sob (A) 325 374 556 542
Sob (B) 327 373
Mabo 762
Paoskoto 657 619
Firgui 693
Keur Lamine (A) 481 331
Keur Lamine (B) 469 363
Bassin arachidier sud Keur Lamine (C) 351
Ndimb Taba 439
Darou Khoudoss (A) 450 555
Darou Khoudoss (B) 450 586
Dialacouna (A) 621
Dialacouna (B) 619
Saré Bidji 816
Haute‐Casamance
Dioulacolon 1 132
53
3.2.2 Méthodologie de collecte des données des parcelles paysannes
L’espace agricole est généralement organisé en 2 zones concentriques. Autour des villages, dans
une auréole d'étendue variable, le mil est cultivé en continu. Ce sont les champs de case (CC). Ces
parcelles reçoivent régulièrement des apports d'ordures ménagères. En saison sèche, c'est aussi le
lieu de parcage nocturne des animaux domestiques. Inversement, les champs de brousse (CB), plus
éloignés, sont exploités de façon extensive et assure l'interface entre les champs de case et les zones
de parcours (Pellissier, 1966).
Dans le cadre du projet ESPACE (1990-1991), l'échantillonnage de parcelles avait été raisonné en
respectant les proportions de parcelles (en nombre) dans chaque auréole. Dans chaque village, 20
parcelles ont été retenues annuellement dans l’échantillon. Dans le cadre du projet AMMA (2006-
2008), l’échantillonnage a consisté à tirer de façon aléatoire dans les listes de recensement des noms
de chefs de « carrés ». Le « carré » est un ensemble de champs géré par plusieurs familles
apparentées vivant ensemble. Les CB et les CC des « carrés » sélectionnés ont été retenus dans
l’échantillon, à concurrence de 35 parcelles dans le village par an. Pour le projet Agrométérologie
du PPAAO (2009-2012), la méthodologie a été identique mais en limitant le nombre de parcelles à
8 CC et 14 CB. Par ailleurs, en 2010, 2011 et 2012, 4 CC et 8 CB ont été choisis de façon aléatoire
parmi les 22 champs pour un essai qui permettait de créer des conditions très contrastées en terme
de fertilité, en vue d’évaluer le poids de ce facteur dans la limitation des rendements. L’essai a
consisté à délimiter une sous-parcelle de 400 m2 dans le champ de l’agriculteur sur laquelle de
l’engrais minéral a été apporté selon les doses recommandées de l’ISRA, soit 150 kg.ha-1 de NPK
au semis et 100 kg.ha-1 d’urée en 2 apports (stades de démariage et de montaison). L’essai fertilité a
concerné 146 sous-parcelles au total. Les suivis-enquêtes ont été menés à la fois sur la sous-parcelle
et sur la partie restante du champ qui est conduite selon les pratiques culturales habituelles de
l’agriculteur.
Les suivis-enquêtes ont concerné 41 villages-années dont 29 du nord du Bassin arachidier (BAN),
10 du sud du Bassin arachidier (BAS) et 2 de la Haute-Casamance (H-C). Les réseaux de parcelles,
1071 parcelles dont 816 provenant du BAN, 215 du BAS et 40 de la H-C ont été suivis pendant
toute la durée des saisons agricoles. Les informations recueillies à l’aide des questionnaires ont
porté sur le passé cultural, en particulier les apports de fertilisants antérieurs, ainsi que l’ensemble
des interventions des agriculteurs au cours de la campagne, le type de sol, l’état d’enherbement et la
production des parcelles. Le rendement en grain (Yobs) a été déterminé à partir de la production de
3 placettes de 15 à 25 poquets suivant les zones et les années.
54
3.2.3 Pratiques culturales dans les zones d’étude
Les modalités de travail du sol varient selon la zone. Dans le BAN, le travail du sol est
presqu’inexistant : seulement 14% des agriculteurs pratiquent le grattage superficiel. Le travail du
sol se fait à l’aide de charrue sur 50% des parcelles du BAS et sur la totalité de celles de la H-C.
Partout, les agriculteurs prélèvent les semences sur leurs récoltes. Le semis est pratiqué
exclusivement en ligne et sans traitement préalable des semences dans 99% des cas. Il se fait
majoritairement à l’aide du semoir attelé dans le BAN (98%) et le BAS (67%) et de semoir manuel
en H-C (74%). La variété Souna est cultivée dans la plupart des villages, hormis Mabo et Paoskoto
(Thialack) et Dioulacolon (Sanio). Les densités de semis sont faibles et peu variables dans le BAN
(10 017 à 12 538 poquets.ha-1). Elles sont plus variables dans le BAS et la H-C (11 185 à 36 399
poquets.ha-1). Quelques cas d’associations avec le sorgho (20%) et le niébé (25%) ont été observés
respectivement à Sob et à Backfassagal.
Le contrôle des mauvaises herbes se fait à travers 2 à 4 sarclages réalisés avec des houes ou des
bineuses tractées à l’aide de bovins, d’équins ou d’arsins, et des travaux complémentaires manuels
avec l’hilaire.
Traditionnellement, aucune fertilisation minérale n’est appliquée au mil. Dans le BAN, l’engrais
minéral n’a été rencontré qu’à Bambey Sérère en raison sans doute de sa proximité avec le CNRA,
mais seulement sur 13% des parcelles de mil suivies. Dans le BAS, son utilisation est plus fréquente
(95% à Firgui, 67% à Darou Khoudoss, 45% à Keur Lamine, 29% à Ndimb Taba et 20% à Mabo).
Dans ces villages, les parcelles de mil peuvent en effet bénéficier d’une partie de l’engrais réservé à
d’autres cultures (coton, maïs). Cependant les doses appliquées sont très variables et restent très en
deçà de celles recommandées. De plus, souvent les agriculteurs n’appliquent pas l’engrais de façon
homogène mais privilégient des zones jugées moins fertiles. Il est donc difficile de quantifier les
apports et d’appréhender leurs effets sur les rendements.
La fertilité est surtout gérée à travers les amendements organiques et les rotations culturales. La
fumure organique est pratiquée sur la majorité des CC (61% dans le BAN, 74% dans le BAS et
87% en H-C) et dans des proportions moyennes sur les CB (38% dans le BAN, 49% dans le BAS et
40% en H-C). Fréquemment, c’est le fumier seul qui est utilisé dans le BAN (55% sur les CC et
75% sur les CB) et dans le BAS (54% sur les CC et 42% sur les CB). En H-C, le fumier est souvent
associé au parcage (54% sur les CC et 50% sur les CB) (figure 13). Deux principaux types de
rotations culturales sont observés dans l’ensemble de l’échantillon : la culture continue en mil et la
rotation avec une légumineuse, principalement l’arachide. Les proportions sont variables selon la
55
zone. La culture continue en mil est pratiquée sur la majorité des parcelles en CC (79% dans le
BAN, 66% dans le BAS et 93% en H-C). Les CC en rotation avec les légumineuses sont en faible
proportion (17% dans le BAN, 34% dans le BAS et 7% en H-C). Les CB sont cultivés
principalement en rotation avec les légumineuses (62% dans le BAN, 82% dans le BAS et 72% en
H-C) et dans une moindre mesure en continu avec le mil (32% dans le BAN, 17% dans le BAS et
24% en H-C). Les proportions de la rotation avec le coton, la pastèque (Citrullus lanatus (Thunb.)
Matsum. et Nakai) ou le bissap (Hibiscus sabdariffa L.) excèdent rarement 6% dans les villages
(figure 13). Il est important de noter que les CB cultivés en continu en mil bénéficient de l’apport
de fumure organique (31% dans le BAN, 73% dans le BAS et 50% en H-C). Ainsi, 6 principaux
types de gestion de la fertilité, représentant 85% des parcelles de mil, se dégagent, avec des taux
variables selon la zone (figure 13). Il s’agit des :
 champs de brousse fumés à précédent légumineuse (CBFL) : 19% des parcelles totales ;
 champs de brousse non fumés à précédent légumineuse (CBNL) : 23% des parcelles totales ;
 champs de brousse fumés à précédent céréale (CBFC) : 7% des parcelles totales ;
 champs de brousse non fumés à précédent céréale (CBNC) : 11% des parcelles totales;
 champs de case fumés à précédent céréale (CCFC) : 18% des parcelles totales ;
 champs de case non fumés à précédent céréale (CCNC) : 7% des parcelles totales.
Figure 13 : Typologie des champs en lien avec la gestion de la fertilité dans les 3 zones d’étude. Les
taux sont calculés par rapport à la zone
56
3.2.4 Présentation des modèles utilisés
3.2.4.1 Eléments communs aux 2 modèles
SARRA-H et CELSIUS conservent le principe classique d’une croissance potentielle, fonction du

rayonnement et de son interception par le couvert, et d’un frein hydrique qui peut la limiter en
diminuant le taux de conversion de l’énergie interceptée en biomasse. Ils fonctionnent au pas de
temps journalier. Ils simulent le développement phénologique en fonction du temps thermique et
disposent d’algorithmes pour la prise en compte de la sensibilité des variétés au photopériodisme.
Les 2 modèles ont le même module de bilan hydrique fondé sur l’analogie réservoir selon les bases
développées dans le modèle SARRA (Affholder, 1997; Baron et Reyniers, 1999). Les processus
d’évaporation du sol et de transpiration de la culture sont séparés. L’évaporation du sol est
proportionnelle à l’évapotranspiration potentielle (ET0), qui est estimée selon les recommandations
de la FAO (Allen et al., 1998) et à la quantité d’énergie arrivant au sol (fonction de l’interception
du couvert). Elle est limitée par la fraction d’eau évaporable dans le sol (FESW) d’un réservoir de
surface virtuel dont la profondeur doit être définie. La demande en eau de la plante est gérée
classiquement par l’ET0 et un coefficient cultural (Kc) qui évolue de façon dynamique en relation à
l’indice de surface foliaire (LAI). La transpiration de la culture est régulée par la fraction d’eau
transpirable du sol (FTSW) du réservoir sol global selon l’approche Pfactor (Allen et al., 1998). Le
Pfactor indique la proportion de la FTSW qui est « facilement utilisable ». La profondeur du
réservoir sol (et donc la quantité d’eau disponible) varie en fonction de la progression du front
racinaire. Cette dernière est fonction d’une vitesse potentielle de croissance journalière en
profondeur des racines, mais elle est limitée par le front d’humectation.
3.2.4.2 Spécificités du modèle SARRA-H
L’énergie lumineuse interceptée (Ɛa) est convertie en biomasse en fonction d’un coefficient de
conversion (Ɛb), modulé par un frein hydrique lié à la transpiration relative. Une fraction de la
biomasse produite est allouée à la respiration de maintenance en fonction de la biomasse présente et
de la température (Penning de Vries et al., 1989). Le reste est attribué à l’augmentation de la
biomasse totale qui est répartie entre les racines, les tiges, les feuilles puis les grains. Des relations
allométriques empiriques sont utilisées pour la répartition des biomasses entre les parties aériennes
et souterraines, puis entre les tiges et les feuilles pour la biomasse aérienne (Samba et al., 2001). Le
LAI est déduit de la biomasse des feuilles en fonction de la surface foliaire spécifique (SLA)
(Penning de Vries et al., 1989). Il intervient dans l’interception du rayonnement selon la loi de
Beer.
57
L’évolution du rendement est simulée en 2 étapes permettant de définir d’abord la taille du « puits »
(équivalent au nombre de grains) puis le remplissage des grains. La taille du « puits-grains »
correspond au rendement potentiel (RdtPot). Elle est liée à l’évolution de la biomasse aérienne
durant la phase reproductive (entre l’initiation paniculaire et la floraison) selon une équation
empirique comprenant 2 paramètres génétiques (KRdtA et KRdtB) qui se rapportent à l’indice
potentiel de récolte (HI). Le remplissage est fonction de la production de biomasse, qui est sensible
à la contrainte hydrique, et de mécanismes de réallocation depuis les feuilles. Cela gère la
sénescence des feuilles et se traduit par une diminution de la biomasse verte et du LAI (Sultan et
al., 2005b). La contrainte hydrique est traduite par l’indice de satisfaction hydrique de la plante
(Tr/TrPot).
0,5 ∗ ∗ 1 ∗ Ɛ ∗ 10 ∗ 9
où RG = radiation solaire en MJ.m-².j-1, LTR = fraction de radiation non-interceptée par le couvert,

Tr/Trpot = niveau de stress hydrique physiologique, Ɛb = efficience de conversion de la radiation
interceptée en g.MJ-1.j-1, RespMaint = respiration de maintenance en g CO2.g-1 de MS.j-1.
∗ 10
3.2.4.3 Spécificités du modèle CELSIUS
Les composantes de CELSIUS qui simulent la croissance et le développement sont adaptées du

modèle « Simulateur mulTIdiscplinaire pour les Cultures Standard » (STICS) (Brisson et al., 1998,
2003). Le LAI est calculé en fonction du temps thermique (Hu) et d’un paramètre de croissance
maximale journalière du LAI en l’absence de tout stress (DLAImax) à caler pour le cultivar et la
densité de peuplement simulés. La croissance journalière de la biomasse (GR0) est une fonction du
rayonnement intercepté photosynthétiquement actif (RAINT), de la température journalière
moyenne et du coefficient de conversion du rayonnement maximal (Ɛbmax).
Ɛ ∗ 0,0815 ∗ ∗ 11
où F(T) est une fonction parabolique de la température dépendant de paramètres spécifiques à

l’espèce TCmin, TCopt et TCmax, respectivement les températures minimale, optimale et
maximale pour l’efficacité de conversion du rayonnement en biomasse.
Le rendement en grain est calculé selon 2 approches simples couplant un indice de récolte à une
limitation par les « puits » (Brisson et al., 1998). L’indice de récolte, qui est fonction de la durée de
la période de remplissage des grains, est calculé à partir d’un taux de croît journalier et d’un indice
58
de récolte maximal, spécifiques à l’espèce. Un premier rendement en grain est calculé comme étant
le produit de l’indice de récolte et de la biomasse totale. Un deuxième rendement en grain est
calculé comme étant le produit du poids maximal d’un grain (spécifique à l’espèce) et de la valeur
simulée du nombre de grains produits par unité de surface (Ngrain). Ngrain est une fonction linéaire
de la vitesse de croissance moyennée sur la durée du stade de floraison (VitMoy) :
∗ 0 12
Cgrain correspond au nombre de grains mis en place par gramme de matière sèche par jour et
Cgrainv0 est la valeur que cette variable prend quand la vitesse de croissance est nulle. Ces 2
paramètres sont spécifiques au cultivar.
Au final, le rendement en grain correspond à la valeur minimale entre les 2 valeurs calculées par le
modèle (Affholder et al., 2013; Poeydebat et al. 2013).
3.2.5 Calage et validation du modèle SARRA-H
Pour le calage de la phénologie, les paramétrages effectués pour les 3 variétés au chapitre 2 ont été
utilisés. Pour la croissance, SARRA-H a été calé sur les 3 variétés dans le cadre du projet AMMA à
l’aide d’expérimentations conduites au Sénégal lors de l’hivernage 2008 (Kouakou, 2009; Muller et
al., 2009). L’option a été faite au cours de la présente étude d’utiliser le modèle ainsi calé et de ne
procéder qu’à une validation. La validation a porté sur le rendement en grain et a été effectuée avec
des données provenant d’essais conduits d’une part sur le Souna de 1996 à 1999 (Diouf, 2000) et en
2007 (Siéné et al., 2010b), et d’autre part sur le Sanio en 2012. Ces essais ont été conduits sur le
site du Centre National de Recherches Agronomiques (CNRA) de Bambey en conditions
d’alimentation hydrique diverses et avec les doses d’engrais recommandées par l’ISRA.
Pour évaluer la performance du modèle, une combinaison de représentations graphiques et de

mesures statistiques a été utilisée. Les paramètres statistiques retenus sont la valeur de la racine de
l’erreur quadratique moyenne relative (RRMSE) et l’indice d’agrément (IA) (Willmott, 1982). La
RRMSE est exprimée en pourcentage (%) et l’IA est exprimé en valeur relative. Un modèle ayant
une bonne performance a des valeurs de RRMSE et d’IA qui tendent respectivement vers 0 et 1.
(7)
∑
1 ∑ | | | |
(13)
59
où Pi = valeur prédite, Oi = valeur observée, n = nombre de cas considérés, P = moyenne des
valeurs prédites, O = moyenne des valeurs observées.
3.2.6 Calage et validation du modèle CELSIUS
Le paramétrage du modèle CELSIUS a reposé principalement sur la méthodologie utilisée par

Affholder et al. (2013) dans son étude sur l’analyse des écarts de rendement dans le bassin
arachidier. Les paramètres du modèle comprennent d’une part des paramètres pour lesquels des
valeurs pouvaient être fixées grâce à la littérature, et d’autre part des paramètres à caler à partir des
données des réseaux de parcelles d’agriculteurs.
Presque tous les paramètres obtenus par Affholder et al. (2013) pour le Souna dans les mêmes
conditions de culture, et qui sont spécifiques à l’espèce mil ont été conservés durant cette étude. Le
calage ici n’a porté que sur la phénologie du Sanio, sur les paramètres Cgrain et CgrainV0 qui sont
liés au cultivar et sur le taux d’augmentation journalière de l'indice de récolte (Viticarb) du Souna et
du Sanio.
Le paramétrage de la phénologie du Sanio a consisté à déterminer les valeurs d’un coefficient

photopériodique empirique (SensiPhot) et de la photopériode critique (MOPP) qui permettent de
faire coïncider les dates de floraison observées à celles qui sont simulées. Les données des essais de
suivi de la phénologie du Sanio de Séfa à Kolda (cf. chapitre 2) ont été utilisées pour cela. Le
module phénologique a été validé à l’aide des données des essais de suivi de la phénologie du Sanio
de Séfa à Bambey (latitude =14,71°N) et à Ndiol (latitude =16,14°N) (cf. chapitre 2).
Affholder et al. (2013) ont déterminé les paramètres Cgrain et CgrainV0 du Souna lors de leur
étude, mais uniquement à partir des données de la base ESPACE. Dans le cadre de notre étude, ces
paramètres ont été déterminés à l’aide de l’ensemble des données des 3 périodes (ESPACE,
AMMA, PPAAO). La méthode de calage a consisté pour chaque cultivar à ajuster le nombre de
grains simulé à la courbe enveloppe du nuage de points obtenus à partir du nombre de grains
observé en fonction de VitMoy. En utilisant la procédure de la courbe enveloppe, nous assumons
que dans les parcelles définissant la courbe enveloppe, le nombre de grains est déterminé
uniquement par la température, la radiation, le stress hydrique et les caractéristiques du cultivar. La
valeur du paramètre Viticarb a été obtenue par ajustement. Les données des parcelles suivies à
Dioulacolon ont été utilisées pour construire la courbe enveloppe pour le Sanio et le reste des
données pour le Souna et le Thialack.
60
3.2.7 Simulation des cultures paysannes et analyse de données
Les données journalières de pluie (tableau IV) proviennent de pluviomètres manuels installés dans
chaque village. Les données climatiques du BAN proviennent de Bambey, celles du BAS de Nioro
et celles de la H-C de Kolda, qui sont les stations synoptiques les plus proches. Par soucis de
simplification, la densité moyenne de chaque zone (12 300 poquets.ha-1 pour le BAN, 25 000
poquets.ha-1 pour le BAS et 40 000 poquets.ha-1 pour la H-C) a été retenue pour CELSIUS. La
densité recommandée par l’ISRA (12 300 poquets.ha-1) a été retenue pour SARRA-H, car ce dernier
est quasi-insensible à la densité de semis. Les valeurs utilisées pour les réserves utiles des sols sont
de 90 mm (Dior), 110 mm (Deck-dior) et 120 mm (Deck) (Hamon, 1980; Imbernon, 1981).
Deux options de simulations ont été choisies. Dans la première option, les simulations sont
effectuées en considérant des « conditions moyennes », c’est-à-dire en considérant le village
comme un seul point de simulation : pour cela la date de semis majoritaire et le sol dominant sont
utilisés. Cette option a concerné 41 « villages-années ». Dans la seconde option, les simulations
sont faites pour chacune des parcelles individuellement, avec les dates de semis et les types de sols
observés. Elle a porté sur 1001 parcelles sur les 1071 de la base de données. En effet, 70 parcelles
ne présentant pas de données de rendement parce qu’ayant été récoltées sans contrôle par
l’agriculteur ou qu’il y avait beaucoup d’incertitudes sur la date de semis, ont été écartées.
Les modèles donnent accès aux rendements potentiels (Yp) permis par le rayonnement, la
température et le génotype en absence de contrainte hydrique, et aux rendements atteignables, dits
aussi rendements limités par l’eau (Yw) en absence de toutes autres contraintes qu’une éventuelle
contrainte hydrique (Evans, 1993; Penning de Vries et Rabbinge, 1995; Lobell et al., 2009). Ces
informations permettront de distinguer d’une part les différences de rendement dues aux différences
de conditions climatiques entre années et sites, et d’autre part les différences dues à d’autres
facteurs que le climat.
L’analyse des rendements et de leur variabilité a été faite à partir des Yobs, Yw et des écarts de
rendement (Ywg = Yw-Yobs et Ypg = Yp-Yw). Pour les analyses statistiques, des outils descriptifs
(moyennes, quantiles) et graphiques (histogrammes, boîtes à moustache), ainsi que des analyses de
variances (ANOVA) suivies de tests de Tukey en cas de besoin, ont été effectués au seuil de 5% à
l’aide du logiciel statistique R version 3.0.1 (R Development Core Team, 2013).
61
3.3 Résultats
3.3.1 Validation du modèle SARRA-H sur le rendement en grain
Les traitements hydriques qui ont servi à la validation de SARRA-H sont au nombre de 14 pour le
Souna et de 5 pour le Sanio. Les données ont été collectées lors d’essais en conditions d’hivernage
(Hi) et de contre-saison (Cs). Il s’agit principalement de traitement d’irrigation à évapotranspiration
maximale (ETM), de pluvial strict (PLU), de pluvial avec de l’irrigation de complément aux stades
épiaison (IrrEPI), remplissage des grains (IrrREG) ou tallage (IrrTAL) et des stress à différents
stades (STR) ou à des stades précis du cycle (remplissage des grains = StrREG et stade végétatif =
StrVEG). Le modèle reproduit de façon satisfaisante les rendements du Souna (IA=0,76 et
RRMSE=36%) (figure 14A) et du Sanio (IA=0,63 et RRMSE=19%) (figure 14B). Il peut donc être
utilisé pour la simulation des rendements de ces 2 variétés dans les conditions de l’étude.
Figure 14 : Résultats de la validation du modèle SARRA-H sur le Souna (A) et sur le Sanio (B)
pour le rendement en grain
3.3.2 Calage et validation du modèle CELSIUS
Pour la phénologie du Sanio, les valeurs de SensiPhot et de MOPP ayant permis un bon calage du
cycle de la culture avec CELSIUS sont respectivement de 0,68 et de 12 heures. La validation du
développement phénologique à des latitudes différentes, et ce à 3 différentes dates de semis, a été
satisfaisante (IA=0,93 et RRMSE=10%) (figure 15A).
62
Pour le rendement en grain, les valeurs de Cgrain et de CgrainV0 sont respectivement de 1846 et de
3266 g MS.j-1 pour le Souna (figure 15B) et de 2103 et 633 g MS.j-1 pour le Sanio (figure 15C). Le
taux d’augmentation journalière de l'indice de récolte a été fixé à 0,005 g grain.g MS-1.j-1.
Figure 15 : Résultats de la validation de la phénologie de CELSIUS (A) et courbes enveloppes

permettant de déterminer les paramètres Cgrain et CgrainV0 du Souna (B) et du Sanio (C). Les
chiffres entre parenthèses sur la figure A représentent les dates de semis en jours juliens.
(NbGrainsObs = nombre de grains observé et PtsCouEnvel = Points de la courbe enveloppe).
3.3.3 Application à la prévision des rendements des agriculteurs
Les résultats des simulations faites avec les « conditions moyennes » (YwPrév) des villages-années
sont quasiment identiques aux rendements moyens des villages-années calculés à partir des
simulations des parcelles individuellement (YwMoy). Les écarts entre les rendements moyens
obtenus par simulations et les rendements moyens observés sont très importants. Les valeurs de
RRMSE et d’IA, respectivement de 260% et 0,26 pour YwMoy et de 284% et 0,22 pour YPrév,
sont très éloignées de celles permettant d’assumer d’une bonne performance de SARRA-H pour la
63
détermination des rendements paysans (figure 16A). Les résultats obtenus avec CELSIUS (figure
16B) sont certes meilleurs, mais les écarts restent toutefois importants, avec des valeurs de RRMSE
et d’IA, respectivement de 198% et 0,24 pour YwMoy et de 200% et 0,23 pour YPrév. A noter que
lorsque les rendements simulés sont faibles (moins de 1000 kg.ha-1), en principe pour les villages-
années où la contrainte hydrique est importante, la qualité du modèle SARRA-H est bien meilleure
(figure 16A).
Ainsi, l’utilisation de la moyenne des parcelles simulées individuellement ne permet pas

d’améliorer les résultats de prévision par rapport à la méthode opérationnelle traditionnelle qui
consiste à utiliser les « conditions moyennes ». Des écarts importants existent entre rendements
simulés et rendements des agriculteurs, qui sont dus à des facteurs autres qu’hydriques et qu’il
conviendrait de déterminer à travers l’analyse d’écarts de rendement.
Figure 16 : Comparaison, à l’aide des modèles SARRA-H (A) et CELSIUS (B), des rendements
moyens obtenus avec les résultats des simulations en considérant des « conditions moyennes »
(YPrév), et de ceux obtenus en considérant les parcelles individuellement (YwMoy) avec les
rendements des agriculteurs des villages-années
3.3.4 Analyse de la variabilité des rendements mesurés dans les parcelles d’agriculteurs
Les rendements moyens des agriculteurs (Yobs) et la distribution de leur variabilité diffèrent
fortement en fonction des villages-années. Dans le BAN, les rendements des villages-années sont
compris entre 31 ± 14 kg.ha-1 (Keur Boumi 1990) et 1015 ± 157 kg.ha-1 (Bambey Sérère 2012) avec
des médianes variant de 14 à 1006 kg.ha-1. Dans le BAS et la H-C, les rendements et leurs médianes
64
sont plus élevés. Les moyennes varient de 615 ± 160 kg.ha-1 (Dioulacolon 2011) à 1330 ± 218
kg.ha-1 (Ndimb Taba 1991) et les médianes de 575 à 1253 kg.ha-1 (figure 17). La plupart des
rendements des parcelles (91% dans le BAN et 61% dans le BAS + H-C) ont un rendement de
moins d’1 tonne.ha-1. Dans le BAN, 57% des parcelles ont même moins de 500 kg.ha-1.
Figure 17 : Variabilité des rendements dans les parcelles des agriculteurs en fonction des villages-
années. Les nombres entre les crochets représentent les pluviométries annuelles
La distribution des rendements des agriculteurs a une allure normale. Les rendements maxima sont
obtenus avec des pluviométries se situant autour de 450 mm pour le BAN et de 600 mm pour le
BAS + H-C. Pour des pluviométries supérieures à ces seuils, les rendements deviennent de plus en
plus faibles. Par ailleurs, à pluviométrie équivalente, les villages de la période 1990-1991 ont des
rendements meilleurs que ceux de la période 2006-2012. Les meilleurs rendements des agriculteurs
(percentile 90) sont, dans 64% des villages du BAN, supérieurs à 500 kg.ha-1, avec près de 30% des
villages qui ont un percentile 90 supérieur à 1 tonne.ha-1. Dans le BAS + H-C, ils sont plus élevés
(plus de 1000 kg.ha-1), avec également près de 30% des villages qui ont un percentile 90 supérieur à
2 tonnes.ha-1.
L’analyse de variances du rendement en fonction de la typologie établie révèle que les rendements
obtenus sur les champs fumés (CCFC = 761 ± 74 kg.ha-1, CBFC = 750 ± 127 kg.ha-1 et CBFL =
694 ± 200 kg.ha-1) sont significativement plus élevés (p<0,05) que ceux obtenus sur les champs non
65
fumés (CBNL = 526 ± 45 kg.ha-1 et CBNC = 425 ± 52 kg.ha-1). Toutefois, le test n’a pu distinguer
le rendement des parcelles de CCNC (607 ± 103 kg.ha-1) des autres traitements (figure 18). Ainsi,
Yobs varie fortement avec le niveau de fertilité des parcelles.
Figure 18 : Rendements moyens des agriculteurs en fonction de la typologie établie. Les barres
d’erreurs représentent les valeurs d’intervalles de confiance calculées au seuil de 5%
3.3.5 Analyse des rendements simulés et des écarts de rendement
Les rendements des parcelles de 2 villages-années (Thiock Niang 2006 et Mbaena Wolof 2007),
soit 68 parcelles, n’ont pu être simulés correctement avec SARRA-H. En effet, de longues périodes
sans pluie ont succédé à la levée. Le modèle simule donc la mort des plants alors qu’en réalité ils
ont survécu. L’analyse avec le modèle SARRA-H ne portera donc que sur 933 parcelles.
Les écarts de rendement (Ypg), représentant la part de la pluviométrie dans la limitation du

rendement, diminuent du nord au sud (figure 19). Ces écarts représentent respectivement 28%, 18%
et 3% du rendement potentiel respectivement dans le BAN, le BAS et la H-C selon SARRA-H. Les
résultats de CELSIUS donnent des taux de 27%, 10% et 1% pour les mêmes zones. L’effet de la
contrainte hydrique devient donc plus important en partant du sud au nord.
66
Figure 19 : Écarts de rendement entre rendements potentiels (Yp) et rendements limités par l’eau
(Yw) pour les simulations avec SARRA-H et CELSIUS. Les barres d’erreurs représentent les
valeurs d’intervalles de confiance calculées au seuil de 5%
Yw est très variable en fonction des villages-années. Il est en général plus élevé dans les villages-
années à forte pluviométrie, en particulier à la période 2006-2012. Dans le BAN, la moyenne de
Yw des villages-années varient de 142 à 3220 kg.ha-1 selon SARRA-H et de 765 à 2617 kg.ha-1
selon CELSIUS. Dans le BAS + H-C, ils varient de 842 à 3239 kg.ha-1 selon SARRA-H et de 1345
à 1795 kg.ha-1 selon CELSIUS. Par ailleurs, la variabilité entre parcelles au sein du village-année
est faible pour des pluviométries élevées (figure 20).
Les rendements limités par l’eau sont très élevés par rapport aux rendements des agriculteurs. Ce
qui donne des écarts de rendement (Ywg) importants (figure 21). Dans le BAN, Ywg varie de 111 ±
16 kg.ha-1 (Keur Boumi 1990) à 2550 ± 147 kg.ha-1 (Backfassagal 2009), avec des médianes allant
de -184 à 2730 kg.ha-1. Dans le BAS + H-C, Ywg varient de 111 ± 89 kg.ha-1 (Darou Khoudoss
1990) à 2449 ± 190 kg.ha-1 (Mabo 2011) avec des médianes allant de -33 à 2520 kg.ha-1. Plus de
81% (BAN) et de 75% (BAS + H-C) selon SARRA-H ou de 89% (BAN) et de 83% (BAS + H-C)
selon CELSIUS des villages-années ont un écart de plus d’1 tonne.ha-1.
67

Figure 20 : Variabilité des rendements limités par l’eau simulés avec SARRA-H et CELSIUS en
fonction des villages-années dans le BAN (A) et le BAS + H-C (B). Les nombres entre les crochets
représentent les pluviométries annuelles
Figure 21 : Variabilité des écarts de rendement (Ywg) obtenus avec les simulations avec SARRA-H
et CELSIUS en fonction des villages-années dans le BAN (A) et le BAS + H-C (B). Les nombres
entre les crochets représentent les pluviométries annuelles
68
Dans l’ensemble, les écarts de rendement des villages-années augmentent avec le niveau des pluies,
jusqu’à des pluviométries de 650 mm. Au-delà de cette quantité, Ywg diminue lorsque la pluie
augmente. Pour CELSIUS, la baisse de Ywg dans le BAS + H-C commence à partir d’une valeur
plus faible de pluie (476 mm).
Les écarts de rendement varient avec le niveau de fertilité des parcelles. En fonction de la zone, la
variabilité des moyennes des rendements des types de champ est différente. Elle est plus forte dans
les zones humides (BAS + H-C), où selon la typologie établie Ywg passe de 1015 à 1769 kg.ha-1
selon SARRA-H et de 162 à 864 kg.ha-1 selon CELSIUS (figure 22).
Figure 22 : Moyenne des écarts de rendement obtenus avec les simulations de SARRA-H (A) et
CELSIUS (B) en fonction de la typologie établie. Les barres d’erreurs représentent les valeurs
d’intervalles de confiance calculées au seuil de 5%
La comparaison entre parcelles d’agriculteurs et sous-parcelles fertilisées montrent que Ywg est
plus faible sur les sous-parcelles fertilisées sauf à Backfassagal 2012 (figure 23). La baisse de Ywg
entre parcelles d’agriculteurs et sous-parcelles fertilisées varie de 7 à 62% quel que soit le modèle
utilisé. Cependant avec SARRA-H, il n’y a qu’à Sob 2012 que la baisse est significative (p<0,05).
Les résultats avec CELSIUS montrent en plus des différences significative (p<0,05) pour
Backfassagal 2011, Mabo 2011, Paoskoto 2012 et Thiock Niang 2011. L’augmentation de l’écart de
rendement avec l’engrais à Backfassagal en 2008 de près de 5% n’est pas significative quel que soit
le modèle.
69

Figure 23 : Comparaison entre parcelles d’agriculteurs et sous-parcelles fertilisées des écarts de

rendement obtenus avec les simulations de SARRA-H (A) et CELSIUS (B). Les nombres entre les
crochets représentent les pluviométries annuelles
Par ailleurs, les écarts de rendement dans chacune des zones augmentent avec le temps (figure 24).
Dans le BAN, Ywg passe de 915 kg.ha-1 (1990-1991) à 1642 kg.ha-1 (2006-2012) selon SARRA-H
et de 964 kg.ha-1 (1990-1991) à 1467 kg.ha-1 (2006-2012) selon CELSIUS. La différence de
moyenne entre périodes est significative (p<0,05). Dans le BAS + H-C, Ywg passe de de 616 kg.ha-
1
(1990-1991) à 630 kg.ha-1 (2006-2012) selon SARRA-H et de 1254 kg.ha-1 (1990-1991) à 1913
kg.ha-1 (2006-2012) selon CELSIUS. La différence n’est pas significative selon SARRA-H. Cette
hausse de Ywg suggère une baisse de la productivité du mil dans les zones d’étude entre les 2
périodes.
70
Figure 24 : Comparaison de la variabilité des écarts de rendement entre périodes dans le BAN (A)
et le BAS+H-C (B)
3.3.6 Analyse de sensibilité sur le coefficient de conversion de l’énergie en biomasse
Le faible niveau de fertilité des parcelles en milieu paysan est un facteur important dans la
limitation des rendements du mil. Pour faire donc des simulations qui reflètent les conditions
paysannes, nous avons fait l’option de baisser le coefficient de conversion de l’énergie en biomasse,
qui par défaut peut être utilisé pour représenter le niveau de fertilité. Sa valeur de calage est de 4,4
g.MJ-1 pour SARRA-H et de 3,4 g.MJ-1 pour CELSIUS.
De l’analyse de sensibilité qui a été effectuée sur ce coefficient, il ressort que la valeur qui permet
d’estimer correctement la valeur moyenne des rendements de l’ensemble des villages-années est de
2,8 g.MJ-1 pour SARRA-H (RRMSE = 71% et IA = 0,42) (figure 25A) et de 1,5 g.MJ-1 pour
CELSIUS (RRMSE = 50% et IA = 0,32) (figure 25C). L’analyse par zone révèle que la valeur de ce
coefficient pour SARRA-H est valable dans les 2 zones (BAN et BAS+H-C). Pour CELSIUS au
contraire, la valeur du coefficient dépend de la zone. Les valeurs qui permettent de bonnes
prévisions dans le BAN et le BAS+H-C sont respectivement de 1,3 g.MJ-1 (RRMSE = 46% et IA =
0,45) et de 2,2 g.MJ-1 (RRMSE = 28% et IA = 0,24).
Cependant l’usage d’une valeur unique de ce coefficient introduit des erreurs systématiques sur
certaines années. Pour SARRA-H, si l’on utilise la valeur 2,8 g.MJ-1 les rendements sont
systématiquement surestimés durant les années à forte pluviométrie. Durant les années à faible
71
pluviométrie, la prévision est par contre meilleure (figure 25B). Pour CELSIUS, avec la valeur
moyenne de 1,5 g.MJ-1, les rendements sont systématiquement surestimés durant les années à faible
pluviométrie tandis qu’ils sont sous-estimés durant celles à forte pluviométrie dans le BAS + H-C.
Dans le BAN, la tendance n’est pas nette (figure 25D).
Pour avoir de bonnes simulations par année, les valeurs de Ɛb à utiliser pour SARRA-H devraient
varier de 2,4 g.MJ-1 pour les années humides à 3,3 g.MJ-1 pour les années plutôt sèches. Pour
CELSIUS, les valeurs de Ɛbmax devraient varier de 2 à 2,3 g.MJ-1 dans le BAS + H-C et de 1 à 1,9
g.MJ-1 dans le BAN. Cependant, même si la baisse du coefficient de conversion de l’énergie en
biomasse permet d’améliorer considérablement la valeur moyenne des rendements des villages-
années, elle a pour conséquence de réduire très fortement la variabilité intra-année, inter-annuelle
ou inter-village.
Figure 25 : Rendements des villages-années simulés avec Ɛb = 2,8 g.MJ-1 pour SARRA-H (A) et
Ɛbmax = 1,5 g.MJ-1 pour CELSIUS (C) en fonction des rendements des agriculteurs, et écarts de
rendement obtenus avec SARRA-H (B) et CELSIUS (D) en fonction des pluies
72
3.4 Discussion
La détermination des rendements de référence (rendements potentiels et rendements limités par

l’eau) a été faite à l’aide de modèles de culture. L’utilisation de modèles en analyse d’écarts de
rendement est une approche qui donne des résultats satisfaisants, en comparaison à la méthode de la
courbe-enveloppe ou à celle utilisant le rendement maximum des agriculteurs comme référence,
parce qu’elle élimine les effets des pratiques culturales (Affholder et al., 2013; van Ittersum et al.,
2013). Cependant, pour une bonne estimation des rendements simulés, elle demande des données
climatiques de bonne qualité, et aussi que le modèle soit bien calé sur le cultivar utilisé. Dans notre
cas, les données climatiques ont été mesurées à l’aide de stations météorologiques robustes et ont
été contrôlées. En outre, dans plusieurs études effectuées au Sahel, y compris au Sénégal, le modèle
SARRA-H a déjà été correctement calé sur la phénologie et le rendement en grain des variétés de
mil fréquemment utilisées (Sultan et al., 2005; Mishra et al., 2008; Traoré et al., 2010). Par ailleurs,
pour le calage de CELSIUS, nous avons opté pour la méthode des courbe-enveloppes, décrite par
(Webb, 1972) et utilisée classiquement pour l’obtention des valeurs maximales d’une composante
du rendement en fonction des compétitions entre puits d’allocation des ressources (Fleury, 1990;
Affholder, 2001). En appliquant cette méthode, nous avons considéré que la limite supérieure du
nuage de points, dans un graphique du nombre de grains simulé en fonction de la vitesse de
croissance moyenne du grain, était définie par des situations où les facteurs hydriques, de fertilité et
de rayonnement exerçaient le plus faible niveau de contrainte dans les conditions du milieu et des
pratiques des agriculteurs. Malgré l’incapacité du modèle SARRA-H à simuler les rendements de 2
villages-années, en particulier parce que le stress hydrique simulé, très sévère, a conduit à la mort
des plants, nous pouvons estimer que les 2 modèles ont été correctement calés pour les simulations.
Il faut remarquer cependant que pour un même village-année, CELSIUS simule des rendements
moins variables que SARRA-H, en raison d’une plus faible sensibilité au stress hydrique.
Les rendements limités par l’eau croissent jusqu’à un seuil de pluie de 700-800 mm, puis
diminuent. Ce phénomène s’explique par la diminution du rayonnement liée aux couvertures
nuageuses de plus en plus importantes. C’est ce qui explique par ailleurs que les écarts de
rendement finissent par baisser lorsque les pluviométries deviennent élevées (car en parallèle les
rendements des agriculteurs n’évoluent plus).
L’eau est un facteur essentiel pour l’agriculture. Cependant au Sahel, le poids limitatif de la pluie et
de la capacité de stockage en eau des sols dans la détermination du rendement est secondaire (Teme
et al., 1996). Dans le cadre de notre étude, l’eau a été responsable d’à peine 12% (BAS + H-C) et de
25% (BAN) de réduction du rendement. Ces résultats sont similaires à ceux de Boling et al. (2010)
73
sur riz pluvial en Indonésie qui ont trouvé que la limitation de rendement due à la pluie variait de 0
à 28%. Le faible poids du facteur hydrique dans la variabilité des rendements explique que malgré
la prise en compte de ce facteur par SARRA-H et CELSIUS, les résultats de la prévision des
rendements n’ont pas été satisfaisants.
D’autres facteurs non pris en compte par les modèles SARRA-H et CELSIUS contribuent donc à la
limitation des rendements du mil. Les écarts de rendement sont très variables et diffèrent
grandement selon le type de champs, montrant ainsi l’importance du facteur fertilité (figure 22) et
sans doute d’autres facteurs difficiles à appréhender. En outre, il existe une différence entre les
parcelles d’agriculteurs et les sous-parcelles fertilisées de la période 2010-2012, confirmant que la
fertilité est un facteur de variabilité important. Ces résultats sont soutenus par ceux de plusieurs
chercheurs (Affholder, 1994; Regmi et al., 2002; van Ittersum et al., 2003; Mueller et al., 2012;
Tittonell et Giller, 2013) qui identifient également la fertilité comme l’un des facteurs les plus
importants qui limite le rendement des cultures. Dans des champs à niveaux de fertilité différents,
Tittonell et Giller (2013) ont mesuré des rendements relatifs du maïs de l’ordre de 0,40-0,60
(champs de cases, plus fertiles) et de l’ordre de 0,10-0,20 (champs de brousse, moins fertiles) au
Kenya.
Par ailleurs, la forte pression démographique dans la zone soudano-sahélienne a eu pour

conséquence la saturation de l’espace agraire et donc la disparition de la jachère ou la réduction
considérable des matières organiques d'origine animale. Cela oblige les agriculteurs à pratiquer la
culture continue avec pour conséquence un faible niveau de restitution des sols. Cette situation
entraine une baisse continue de la fertilité des sols qui certainement explique en bonne partie la
différence significative de l’écart de rendement relatif entre les périodes 1990-1991 et 2006-2012
(figure 24). Au Sénégal en particulier, les pluies intenses signalées par Salack et al. (2011) dans les
années 2000 ont pu accentuer cette baisse de fertilité par la perte d’éléments nutritifs par lixiviation.
En plus de la fertilité, des facteurs biotiques tels que les mauvaises herbes, les champignons ou
insectes ont pu avoir un effet dans la réduction du rendement. Nos suivis-enquêtes ne permettent
pas une analyse qui pourrait dissocier les effets des facteurs édaphiques de ceux des facteurs
biotiques ou socio-économiques dans l’explication des écarts de rendement. Mais Affholder (1994)
en a fait cas, en identifiant la compétition avec les mauvaises herbes comme un important facteur
limitant en conditions de pluviométrie à priori satisfaisante.
L’option de faire baisser le coefficient de conversion de l’énergie en biomasse pour prendre en

compte le faible niveau de fertilité des parcelles paysannes a permis d’améliorer dans l’ensemble
les résultats de prévision des villages-années. En outre pour CELSIUS, cette stratégie permet de
74
déterminer un coefficient pour chaque zone, permettant ainsi d’améliorer encore plus les prévisions
dans les 2 zones. Mais avec cette stratégie, nous assumons à tort que la réduction du potentiel de
croissance liée aux conditions agronomiques (fertilité, adventices, maladies, ravageurs) s’applique
avec la même intensité à tous les stades de développement de la culture et sans interaction avec les
conditions hydriques. Ce qui explique la perte de la variabilité aux différentes échelles spatio-
temporelles. En réalité les stress azotés, ou plus globalement les stress de fertilité, s’appliquent de
façon dynamique au cours du cycle.
3.5 Conclusion
Le modèle SARRA-H simule correctement le développement et la croissance des génotypes de mil

en conditions agronomiques favorables (station de recherche). Le modèle CELSIUS a été
correctement calé sur les données des parcelles des agriculteurs. Cependant, leur application en
milieu paysan a été très peu performante, hormis les situations à faible pluviométrie où les
prévisions avec SARRA-H sont bonnes. Des écarts de rendement importants dus au facteur fertilité
du sol et éventuellement aux facteurs biotiques subsistent. Ces facteurs entrainent de fortes
variabilités des rendements agricoles aux échelles du village qui rendent difficile le développement
des méthodes de prévision agricole basées sur ces modèles écophysiologiques à base bilan
hydrique. La prise en compte de l’effet des réalités agronomiques, et en particulier de stress azotés à
travers une baisse systématique du coefficient de conversion de l’énergie en biomasse s’est avérée
peu opérationnelle pour le moment. L’utilisation d’un modèle qui prend en compte, en plus de la
contrainte hydrique, la contrainte de fertilité de façon dynamique pourrait certainement permettre
d’améliorer la prévision des rendements des situations de notre étude.
75
Chapitre 4 : Évaluation du modèle CERES-Millet pour la simulation des interactions eau-
fertilité en culture de mil (Pennisetum glaucum (L.) R. Br.) en vue de son utilisation éventuelle
pour la prévision agricole au Sénégal
4.1 Introduction
La prévision agricole est une activité stratégique des États qui leur permet de mieux gérer leur
sécurité alimentaire. Elle est d’une importance capitale en zone soudano-sahélienne où la variabilité
pluviométrique affecte fortement les agricultures essentiellement pluviales. A la suite de la grande
sécheresse du milieu des années 70 (Ndong, 1995), différents dispositifs de prévision des
rendements des céréales ont été mis en place en Afrique de l’ouest. Parmi ceux-ci figure le CILSS
qui exerce cette activité à travers le CRA. Le principal outil utilisé par le CRA est le modèle DHC,
qui est fondé sur la détermination dans le temps de l’évapotranspiration réelle de la plante, en
fonction de l’humidité du sol et de la demande évaporative (Samba, 1998). Le rendement est
ensuite déterminé en fonction d’un indice de satisfaction des besoins en eaux de la culture. Le
facteur limitant est donc uniquement la contrainte hydrique. Bien que donnant des bonnes
indications sur les rendements potentiels dans les conditions à forte contrainte hydrique, des
surestimations ont été notées lorsque la disponibilité en eau était adéquate (Baron et al., 2009).
Par la suite, l’apport de modèles de simulation de la croissance de culture en prévision des

rendements a été évalué, en l’occurrence le modèle SARRA-H (Muller et al., 2009) et le modèle
CELSIUS dans le cadre de cette thèse (cf. chapitre 3). Ces modèles intègrent une double approche
(efficience de l’eau et efficience de la radiation) pour simuler la dynamique de la biomasse en
s’appuyant sur des concepts et processus physiologiques. Mais des écarts importants, dus à d’autres
facteurs limitants que la ressource hydrique, ont été notés entre rendements simulés et rendements
des agriculteurs. Parmi ces facteurs, il y a le niveau de fertilité des parcelles paysannes qui est très
faible en zone soudano-sahélienne (Affholder, 1994; Regmi et al., 2002; van Ittersum et al., 2003;
Mueller et al., 2012; Tittonell et Giller, 2013). Pour toute la région, le bilan d’éléments nutritifs
dans le sol (différence entre les apports et les exportations par les cultures) a été évalué par (Pol et
Traore, 1993). Les déficits en azote, potassium et magnésium ont été estimés respectivement à 25
kg.ha-1, 20 kg.ha-1 et 5 kg.ha-1. Pour le mil, la perte d’éléments minéraux au travers des récoltes de
grains est de l'ordre de 15 kg.ha-1.an-1 d’azote, 2 kg.ha-1.an-1 de phosphore et 15 kg.ha-1.an-1 de
potassium pour un champ traditionnel du sud du Sahel (Buerkert et Hiernaux, 1998). Les éléments
perdus au travers des prélèvements de fourrages, de bois de feu, de matières de construction, et
aussi par le ruissellement, l’érosion éolienne et hydrique, le lessivage et la volatilisation ne sont pas
restitués. Les jachères qui permettaient de le faire ont quasiment disparu des paysages agraires
76
sahéliens depuis bien longtemps (Ramaswamy et Sanders, 1992).
La fertilité est donc un facteur de premier plan dans la limitation des rendements du mil. Sa prise en
compte adéquate dans la modélisation pourrait contribuer à réduire les écarts de rendement élevés
obtenus avec les modèles qui ne l’intègrent pas comme SARRA-H et CELSIUS (cf. chapitre 3).
Divers modèles de culture ont été développés pour simuler en plus du bilan hydrique, le bilan azoté
(Brisson et al., 2003; Jones et al., 2003; Keating et al., 2003; Bechini et al., 2006). Parmi ces
derniers, le modèle Decision Support System for Agrotechnology Transfer (DSSAT) (Jones et al.,
2003) a retenu notre attention. En effet, le modèle Crop Estimation through Resource and
Environment Synthesis (CERES-Millet) , un sous-modèle de DSSAT, a déjà fait l’objet d’utilisation
dans diverses études dans la région soudano-sahélienne (Fechter et al., 1991; Thornton et al., 1997;
Jagtap et al., 1999). En outre, en plus de prendre en compte la nutrition azotée dans les simulations,
CERES-Millet est doté d’un module de photopériodisme, et donc pourrait être adapté aux cultivars
traditionnels de la zone soudano-sahélienne.
Cette étude se propose donc d’évaluer l’apport de ce modèle complexe pour la prévision des
rendements agricoles au Sénégal. Avant cette application, le modèle nécessitera un calage et une
validation pour la prise en compte de l’interaction eau-fertilité.
4.2.1 Présentation du site d’étude
Les essais, dont les données ont été utilisées, ont été conduits à la station expérimentale du CNRA
de Bambey (14,71°N, 16,48° W, 20 m). Le sol se caractérise par une texture sableuse comprenant
plus de 95% de sables totaux et de faibles teneurs en carbone (0,20%), en azote total (0,15‰) et en
bases échangeables (0,7 mEq pour 100 g de calcium, 0,04 mEq pour 100 g de potassium et 0,5 mEq
pour 100 g de magnésium). Le pH est compris entre 5,4 et 6,1 avec un faible pouvoir tampon. La
capacité de rétention en eau est faible, de l’ordre de 4,5% dans les horizons de surface et de 6%
dans les horizons de profondeur (Khouma, 2002). La saison pluvieuse couvre les mois de juin à
octobre. La pluviométrie moyenne mensuelle est caractérisée par une forte variabilité inter-annuelle
(figure 26). Les températures mensuelles les plus élevées sont notées aux mois d’avril et de mai.
Les plus faibles amplitudes thermiques sont enregistrées durant la saison agricole (figure 12B).
77
Figure 26 : Moyennes mensuelles des pluviométries du CNRA de Bambey des années 1996, 1997,
1998 et 2012. Les barres d’erreur représentent les écarts-types
4.2.2 Données expérimentales
Les données expérimentales proviennent de divers essais conduits en hivernage sous différentes
conditions d’alimentation hydrique et de fertilité (tableau V). La même densité de semis de 12 346
poquets.ha-1 avec 3 plantes par poquet a été utilisée sur l’ensemble des essais. Selon les essais,
différentes quantités d’engrais ont été apportées, en se référant aux recommandations de l’ISRA
pour les apports maximaux (150 kg.ha-1 de NPK et 100 kg.ha-1 d’urée) et les dates d’application (le
NPK appliqué au plus tard à la levée, la moitié de l’urée au démariage à environ 15 jours après le
semis et l’autre moitié à la montaison). Les essais ont été conduits sous de bonnes conditions
agronomiques : labour, luttes préventives et à la demande contre les mauvaises herbes, les maladies,
les ravageurs et les déprédateurs. Les irrigations de complément ont été faites par aspersion au
moyen de rampes oscillantes. Des mesures de biomasse et de LAI ont été effectuées à différentes
dates au cours des cycles.
78
Tableau V : Caractéristiques des essais
Dimension des
N° de Dispositif
Date de semis parcelles et carrés Variété Dose de fertilisation Régime hydrique Paramètres observés
l’essai expérimental
de rendement
5 traitements
 Pluvial strict
Phénologie, LAI,
Blocs complets  Pluvial + irrigation au stade végétatif
12 m x 12 m 150 kg.ha-1 de NPK 14-7-7 et 100 kg.ha- biomasse feuille,
1 19/07/1996 randomisés, 3 Souna 3 1  Pluvial + irrigation à la floraison
5,4 m x5,4 m d’urée biomasse tige,
répétitions  Pluvial + irrigation au stade de rendement en grain
remplissage des grains
 Régime irrigué
2 traitements
Split-plots, 3 12,6 m x 12,6 m 150 kg.ha-1 de NPK 15-15-15 et 100
2 29/06/1997 Souna 3  Pluvial strict Rendement en grain
répétitions 5,4 m x 5,4 m kg.ha-1 d’urée
3 traitements
 Aucun apport Phénologie, LAI,
2 traitements
Split-plots, 3 10,8 m x 10,8 m  75 kg.ha-1 de NPK 15-15-15 et 50 biomasse feuille,
3 22/07/1997 Souna 3  Pluvial strict
répétitions 3,6 m x 3,6 m kg.ha-1 d’urée biomasse tige,
 150 kg.ha-1 de NPK 15-15-15 et 100 rendement en grain
kg.ha-1 d’urée
3 traitements
 Aucun apport Phénologie, LAI,
Split-plots, 3 10,8 m x 10,8 m  75 kg.ha-1 de NPK 15-15-15 et 50 biomasse feuille,
4 24/07/1998 Souna 3 Régime irrigué
répétitions 3,6 m x 3,6 m kg.ha-1 d’urée biomasse tige,
 150 kg.ha-1 de NPK 15-15-15 et 100 rendement en grain
kg.ha-1 d’urée
2 traitements
2 traitements Phénologie, biomasse
Split plots, 3 7,2 m x 7,2 m Sanio de  Aucun apport
5 26/06/2012  Pluvial strict feuille, biomasse tige,
répétitions 3,6 m  3,6 m Séfa  150 kg.ha-1 de NPK 15-15-15 et 100
 Régime irrigué rendement en grain
kg.ha-1 d’urée
79
4.2.3 Description du modèle CERES-Millet
Le modèle CERES-Millet fait partie de la plateforme modulaire DSSAT. C’est un modèle de

simulation du développement, de la croissance et du rendement du mil, fonctionnant à pas de temps
journalier. Les données d’entrée du modèle concernent les caractéristiques du sol (physiques et
chimiques), du climat (données journalières), de la culture (caractéristiques de développement), et
les pratiques culturales. Le modèle intègre divers processus pour la simulation des bilans hydrique,
carboné et azoté des cultures (IBSNAT, 1990). C’est la version 4.5 de DSSAT qui a été utilisée
pour cette étude.
Le bilan hydrique est basé sur le modèle de Ritchie (1998) qui considère un sol unidimensionnel
dont le profil peut comprendre plusieurs couches. L’eau (pluie ou irrigation) s’infiltre dans la
couche supérieure du profil après extraction du ruissellement selon la méthode USDA-SCS (Soil
Conservations Service, 1972), telle que modifiée par Williams et al. (1984). Le drainage est calculé
selon une approche en cascade dans laquelle l’excès d’eau au-delà de la capacité au champ d’une
couche est reversé automatiquement dans la couche inférieure. Le drainage ne se produit pas
lorsque l’humidité du sol est inférieure à la capacité au champ. Les processus de transpiration et
d’évaporation sont séparés. L’évaporation est fonction de la quantité d’énergie reçue à la surface du
sol. La transpiration est proportionnelle à la quantité d’énergie interceptée par le couvert.
Le bilan de l’azote et de la matière organique du sol peut être simulé soit avec le module de
GODWIN (Godwin et Jones, 1991), soit avec le module CENTURY développé par Gijsman et al.
(2002) et basé sur le modèle de Parton et al. (1988). Dans le cas de cette étude, c’est le module
CENTURY qui a été utilisé parce que plus adapté aux sols pauvres. CENTURY simule la
minéralisation, la nitrification et la dénitrification, l’hydrolyse de l’urée, la volatilisation de
l’ammoniac pour les différentes formes de l’azote, de fertilisants organiques, de fumier et d’engrais.
La décomposition de la matière organique est fonction de la température du sol et de l’eau dans le
sol. Les variables d’entrée du modèle sont relatives aux propriétés du sol ainsi que des sorties du
module bilan hydrique. Le transport d’azote à travers les couches de sol est piloté par les flux d’eau
du sol. Un facteur de fertilité du sol (SLPF), variant de 0 à 1, permet de prendre en compte l’effet
des éléments nutritifs autres que l’azote, sur la croissance journalière en biomasse de la plante : sa
réduction permet de diminuer les biomasses et rendements simulés.
Le développement phénologique dépend des températures en relation à 2 températures cardinales :

la température de base (TBASE) et la température optimale (TOPT). Le cycle est découpé selon les
6 phases suivantes : germination-levée (P0), phase végétative de base (P1), phase sensible à la
80
photopériode (P2), phase reproductrice allant de l’initiation paniculaire au déploiement de la feuille
drapeau (P3), phase de floraison et de fécondation allant jusqu’au début du développement des
grains, soit quelques jours après la fécondation (P4), puis la phase de remplissage des grains allant
jusqu’à la maturité physiologique (P5). La durée de la phase photopériodique dépend de la valeur de
la photopériode critique (P2O) et du coefficient de sensibilité au photopériodisme (P2R).
Les processus de croissance (photosynthèse, expansion des feuilles, croissance des grains,
mobilisation de l’azote) dépendent aussi d’une température de base et d’une température optimale.
Le module de croissance calcule la matière sèche potentielle comme une fonction linéaire du
rayonnement photosynthétiquement actif (PAR) intercepté. Le taux de PAR intercepté par le
couvert est une fonction exponentielle du LAI. La matière sèche est allouée aux feuilles, à la tige et
aux grains selon des coefficients de répartition qui varient selon le stade phénologique et qui sont
sous l’influence des stress hydriques et azotés.
Le nombre de grains par plante est déterminé durant la phase de floraison en fonction du potentiel
génétique du cultivar, du taux d’accumulation de carbone durant la floraison, de la température et
des stress hydriques et azotés. La croissance du grain est fonction d’un taux de croissance
potentielle journalier, qui peut être modifié par la température et la disponibilité en assimilats. Elle
se poursuit jusqu’à la maturité physiologique. Le rendement final est le produit de la densité de
population, du nombre de grains par plante et du poids d’un grain (Jones et al., 2003).
4.2.4 Calage du modèle CERES-Millet
Le calage du modèle CERES-Millet a été effectué en 3 étapes : d’abord en conditions non

limitantes, ensuite en conditions de stress hydrique, et enfin en conditions de stress azoté.
La première étape du calage a eu pour objectif d’ajuster en l’absence de toute contrainte le

développement phénologique, puis la croissance des biomasses y compris les rendements en grains.
Les traitements qui ont permis de faire ce calage ont été obtenus en condition d’irrigation à
évapotranspiration maximale (ETM) et avec la dose de fertilisation recommandée (F2). La valeur
du SLPF a été maintenue à 1. Le calage a consisté à définir les valeurs de certains paramètres, en
particulier ceux qui régulent les phases phénologiques, afin de minimiser les différences entre
valeurs observées et valeurs prédites pour les dates de floraison et maturité, le LAI, les biomasses
aériennes et le rendement en grain. Les données observées qui ont servi au calage proviennent pour
le Souna des essais 1, 2, et 4, décrits plus en détail par (Diouf, 2000; Diouf et al., 2004) et pour le
Sanio de l’essai 5 (cf. tableau V).
81
La deuxième étape a consisté à étudier les réponses du modèle ainsi paramétré dans différentes
situations hydriques, dont toutes celles avec contrainte hydrique, mais en condition non limitante
d’azote et d’autres éléments fertilisants (SLPF égal à 1). Les résultats des simulations sont d’abord
comparés aux observations puis sont améliorés par ajustement notamment des paramètres régulant
les développements des biomasses et le bilan hydrique. Le paramétrage est effectué avec les
données de l’essai 1 (cf. tableau V).
Enfin, la troisième étape de calage a porté sur l’étude du comportement du modèle en relation à la
fertilité du sol et aux apports d’engrais. Elle consiste à vérifier si le modèle donne des réponses
satisfaisantes en conditions non limitantes d’eau et avec différentes doses d’azote. Les données de
l’essai 4 (cf. tableau V) ont été utilisées pour cette étape.
4.2.5 Validation du modèle CERES-Millet
La validation a porté uniquement sur le rendement en grain. Les données qui ont servi à la
validation de CERES-Millet sur le Souna proviennent de l’essai 3 (cf. tableau V). Pour évaluer la
performance du modèle, une combinaison de représentations graphiques et de mesures statistiques a
été utilisée. Les paramètres statistiques retenus sont la valeur de la racine de l’erreur quadratique
moyenne relative (RRMSE) et l’indice d’agrément (IA) (Willmott, 1982). La RRMSE est exprimée
en pourcentage (%) et l’IA est exprimé en valeur relative. Un modèle ayant une bonne performance
a des valeurs de RRMSE et d’IA qui tendent respectivement vers 0 et 1.
(7)
∑
1 ∑ | | | |
(13)
où Pi = valeur prédite, Oi = valeur observée, n = nombre de cas considérés, P = moyenne des

valeurs prédites, O = moyenne des valeurs observées.
L’application à la prévision des rendements a consisté à simuler les rendements de 41 villages-

années (cf. chapitre 3). Les données journalières de pluie (tableau IV) proviennent de pluviomètres
manuels installés dans chaque village. Les données climatiques du BAN proviennent de Bambey,
celles du BAS de Nioro et celles de la H-C de Kolda, qui sont les stations synoptiques les plus
proches. Les densités de population retenues, en considérant 4 plants par poquet chez les
82
agriculteurs, sont les valeurs moyennes des différentes zones : 4,94 plants.m-2 pour le BAN, 10,26
plants.m-2 pour le BAS et 16 plants.m-2 pour la H-C. Les paramètres de sol (tableau VI) proviennent
des travaux de Diouf (2000) pour les sols Dior et de Charreau et Nicou (1971) pour les sols Deck.
Certains paramètres de sols (albédo, conductivité hydraulique) ont été estimés par des
méthodologies internes au modèle et sur la base des caractéristiques physiques qui sont renseignées.
Les simulations ont été faites sans apport d’engrais, comme cela est le cas dans la réalité, et
également en considérant qu’il n’y a pas d’apport de matière organique.
Tableau VI : Caractéristiques des sols de l’étude
Capacité Point de
Carbone Azote Capacité Densité
Type Profondeur Argile Limon organiqu d'échange flétrissement Saturation
pH total au champ apparente
de sol (cm) (%) (%) cationique permanent (mm) -3
e (%) -1 (%) (mm) (g.cm )
(cmol.kg ) (mm)
10 3,5 1,7 0,169 5,6 2 0,02 0,089 0,028 0,4 1,53
20 3,6 1,8 0,201 5,8 1,7 0,02 0,092 0,039 0,403 1,52
Dior
40 5,6 2,8 0,155 5,7 2,2 0,02 0,103 0,048 0,393 1,55
300 5,6 2,8 0,155 5,7 2,2 0,02 0,103 0,048 0,393 1,55
12 8,8 3,5 0,4 5,3 2,1 0,03 0,133 0,079 0,355 1,65
40 12,8 3,5 0,3 5,6 1,9 0,02 0,152 0,098 0,356 1,65
Deck 60 14,5 3,8 0,4 5,8 2,2 0,02 0,167 0,109 0,355 1,65
100 13 3,5 0,3 5,9 2,8 0,01 0,153 0,099 0,356 1,65
300 13 3,5 0,3 5,9 2,8 0,01 0,153 0,099 0,356 1,65
4.3 Résultats
4.3.1 Calage du modèle CERES-Millet
4.3.1.1 Calage de la phénologie et de la croissance en biomasse du Souna en conditions

non limitantes
Les valeurs de TBASE et TOPT ont été fixées respectivement à 11°C et 34°C pour le 2 variétés
(Souna et Sanio) conformément à divers travaux sur le mil (Garcia-Huidobro et al., 1982; van
Oosterom et al., 2001).
Les durées des phases 1 et 5 ont été d’abord ajustées à l’aide des paramètres P1 et P5. Le
paramétrage obtenu (P1= 385 °C.j et P5 = 400 °C.j) a donné une concordance satisfaisante pour les
dates de floraison et maturité. Cependant la dynamique foliaire était mal simulée avec un retard
important du développement du LAI et une forte surestimation des biomasses végétatives. Pour
obtenir des développements des surfaces foliaires et des biomasses aériennes acceptables, et faute
de pouvoir agir sur la valeur initiale de la surface foliaire spécifique (SLA), car celle-ci est fixée
dans le code, la valeur du coefficient de la taille relative de la feuille (G1) a été augmentée à 3. La
83
longueur de la phase 1 a été également réduite à 250 °C.j (environ 12 jours) au lieu de 385°C.j (19
jours) observés, ce pour produire moins de feuilles, et donc réduire la biomasse végétative. Pour le
calage du rendement en grain, le coefficient d’allocation des assimilats dans la panicule (G4) a été
fixé 0,60 et la durée de la phase P5 a été réduite à 380°C.j (environ 19 jours).
Ces différentes valeurs de paramètres ont permis d’obtenir un calage globalement satisfaisant des
longueurs de cycle, des dynamiques des biomasses et des rendements. Cependant il faut souligner
que les cycles simulés sont plus courts d’environ 7 jours en 1997 et 4 jours en 1998. Le cycle
simulé en 1996 a été plus long de 3 jours, en particulier parce que la récolte a été très précoce dans
la réalité (76 jours). Les dates de floraison mâle sont plus tardives de 4 à 13 jours selon l’année.
Malheureusement, il est impossible d’ajuster la durée de la phase 4 qui est anormalement fixée dans
le code à 8 jours alors qu’en réalité elle est d’environ 15 jours. De plus les valeurs de LAI maximal
et de biomasses aériennes sont surestimées par le modèle (figure 27A et 27B) du fait d’une
croissance anormalement continue de la tige après la floraison. Le calage du rendement en grain est
par contre satisfaisant (figure 27C).
Figure 27 : Résultats du calage du Souna en conditions non limitantes pour le LAI (A), la biomasse
aérienne (B) et le rendement en grain (C). Les points représentent les valeurs observées et les lignes
continues les valeurs simulées
84
conditions d’alimentation hydrique
Le modèle tel qu’il a été paramétré en conditions non limitantes permet d’obtenir des valeurs de
rendements satisfaisantes sous différentes conditions hydriques (figure 28C). Cependant, le LAI
maximal et les biomasses restent surestimés (figures 28A et 28B). A noter que le LAI ne semble pas
être affecté par les contraintes hydriques. Cette étape n’a pas impliqué d’ajustement de paramètre.
Figure 28 : Résultats du calage du Souna sous différentes conditions d’alimentation hydrique pour
le LAI (A), la biomasse aérienne (B) et le rendement en grain (C). Les points représentent les
valeurs observées et les lignes continues les valeurs simulées

conditions de fertilité
Pour la prise en compte de la fertilité, le paramétrage initial du modèle n’a pas été satisfaisant.
CERES-Millet semble très sensible à la fertilisation azotée. Une analyse de sensibilité a donc été
effectuée sur la quantité initiale d’azote dans le sol (dont la valeur par défaut dans CERES-Millet
est de 500 kg.ha-1). La quantité qui a permis une bonne simulation de la réponse du mil aux
85
conditions agronomiques évaluées a été de 300 kg.ha-1 alors qu’en réalité pour les sols Dior, sur la
base des analyses de sol (Niane Badiane et al., 2000), la quantité initiale peut être estimée à environ
1000 kg.ha-1. Cette valeur permet de simuler correctement les rendements en grain mais le LAI et la
biomasse aérienne sont toujours surestimés (figures 29).
Figure 29 : Résultats du calage du Souna sous différentes conditions d’alimentation azotée pour le
LAI (A), la biomasse aérienne (B) et le rendement en grain (C). Les points représentent les valeurs
observées et les lignes continues les valeurs simulées
4.3.1.4 Calage de la phénologie et de la croissance en biomasse du Sanio
La démarche utilisée pour le Souna a été reprise pour le Sanio. Ainsi, les valeurs de paramètre qui
ont permis une bonne simulation de la phénologie sont de 423°C.j pour P1, 12,55 heures pour P20
et 999 °C.j pour P2R. Pour le rendement en grain, les valeurs de G4 et de P5 ont été fixées
respectivement à 0,44 et 350 °C.j. Avec ce paramétrage, le calage du rendement en grain et de la
croissance en biomasse a été satisfaisant, mais le LAI a été fortement surestimé surtout pour les
traitements avec la dose de fertilisation élevée (Hi12ETMF2 et Hi12PLUF2) (figure 30).
86
Figure 30 : Résultats du calage du Sanio sous différentes conditions d’alimentation hydriques et
azotées pour le LAI (A), la biomasse aérienne (B) et le rendement en grain (C). Les points
représentent les valeurs observées et les lignes continues les valeurs simulées
4.3.2 Validation du modèle CERES-Millet
La validation du modèle sur le rendement en grain du Souna a été faite avec les données de l’essai 3
(cf. tableau V) dont les traitements combinent différentes conditions hydriques et d’apports
fertilisants. La validation est satisfaisante pour l’ensemble des points. Les résultats donnent un IA
de 0,88 et une RRMSE de 14% (figure 31). Ainsi, malgré les mauvaises simulations des LAI et
biomasses, qui sont surestimés, le modèle à une bonne capacité d’estimation du rendement en grain
du Souna dans les conditions des essais. Nous avons donc considéré que le modèle ainsi calé et
validé pouvait être utilisé pour une application à la prévision des rendements.
87
Figure 31 : Résultats de la validation du Souna sur le rendement en grain
La validation sur le Sanio n’a pu être effectuée. Pour la réaliser nous ne disposions, comme données
indépendantes, que celles relatives à un semis de contre-saison (02 avril 2012) du cultivar calibré en
condition d’hivernage. Pour cette date de semis très particulière, le modèle a été incapable de
simuler correctement le cycle du cultivar. En effet, les écarts entre durées maximale et minimale du
jour sur la période de l’essai sont faibles (moins d’une heure) dans cette zone. Du fait de ces faibles
écarts associés à une valeur faible de P2R (999°C.j) déterminée pour la condition d’hivernage, le
modèle n’a pu reproduire l’effet prononcé du photopériodisme sur le cultivar qui dans la réalité a
allongé la durée de sa phase P2 à 2 180°C.j. Cela souligne les limites des algorithmes de simulation
de la sensibilité au photopériodisme, en particulier en dehors des périodes « normales » de semis.
Cependant, le calage du Sanio ayant été effectué en hivernage, nous avons estimé qu’il pouvait être
utilisé pour notre étude qui porte sur des semis d’hivernage.
L’application à la prévision des rendements montre un écart important entre les rendements simulés
et les rendements moyens des villages-années (figure 32A). Les valeurs de RRMSE et d’IA, de
155% et 0,45 sont très éloignées respectivement de 0 et de 1, qui permettent d’assumer que le
modèle a une bonne capacité de prédiction. Ainsi, le modèle tel que calé et validé selon les
conditions de station ne permet pas de faire une bonne prévision des rendements moyens à l’échelle
des villages, le niveau de fertilité des parcelles paysannes étant très faible.
88
Nous avons donc estimé qu’en faisant baisser la valeur du SLPF, les rendements simulés pourraient
plus refléter la réalité paysanne. Une analyse de sensibilité a donc été effectuée sur ce facteur. La
valeur de SLPF qui a permis d’avoir une faible RRMSE doublée d’un IA élevé est de 0,62. Les
résultats avec cette dernière montrent une nette amélioration des résultats de simulation des
rendements pour l’ensemble des villages-années, avec une RRMSE et un IA respectivement de 39%
et de 0,82 (figure 32B).
Figure 32 : Rendements simulés en fonction des rendements des agriculteurs des villages-années
pour des valeurs de SLPF de 1 (A) et de 0,62 (B)
Mais malgré ce résultat satisfaisant dans l’ensemble, il faut remarquer que la valeur du SLPF qui
permet des résultats satisfaisants dépend de la zone. Dans le BAN, les rendements des villages-
années sont en moyenne sous-estimés avec un SLPF de 0,62. Il faudrait augmenter le coefficient à
0,65 pour avoir une simulation acceptable, soit une RRMSE de 42% et un IA de 0,68. Dans le BAS
+ H-C au contraire, les rendements sont surestimés et il faudrait baisser le coefficient à 0,60 pour
avoir des simulations acceptables (RRMSE = 29% et IA=0,63).
Par ailleurs, certaines années ont été mieux simulées que d’autres. Dans le BAN, les années 2006 et
2012 ont été moins bien simulées que les autres. Ces 2 années ont enregistré les rendements moyens
les plus élevés du BAN. Dans le BAS + H-C, les années les moins bien simulées (1991 et 2012) ont
enregistré les rendements moyens les plus faibles. Ainsi, durant les mauvaises années, la
performance du modèle est meilleure dans le BAN, contrairement au BAS + H-C où le modèle est
performant durant les bonnes années (Figure 33).
89
Figure 33 : Écarts de rendement en fonction des rendements des agriculteurs des villages-années
dans le BAN et le BAS + H-C
4.4 Discussion
L’application du modèle CERES-Millet à la prévision des rendements a nécessité d’abord son

évaluation pour la prise en compte de l’interaction eau-fertilité. Si pour le rendement en grain les
résultats ont été globalement satisfaisants, le calage du LAI et de la biomasse aérienne a été moins
bon. CERES-Millet surestime systématiquement la surface foliaire du fait de la valeur trop élevée
du coefficient de la taille relative de la feuille. Or la photosynthèse est étroitement liée au couvert ;
il en résulte donc aussi une surestimation de la biomasse produite. Ce dysfonctionnement avait déjà
été soulevé par Fechter et al. (1991) qui, dans son étude à Tara au Niger, avait remarqué que le
modèle surestimait le LAI et la biomasse respectivement de 46% et 40%. Un ajustement de la
valeur initiale de la SLA aurait pu permettre de mieux caler le LAI et donc la biomasse. Mais cette
dernière est codée et toute modification va nécessiter de disposer du code source du modèle. Le
calage et la validation du rendement en grain ont été par contre globalement satisfaisants. Il n’y a eu
qu’en condition pluviale en 1997 et avec la dose de fertilisation recommandée par l’ISRA que le
rendement observé, particulièrement faible, a été surestimé. Ce traitement a été particulièrement
affecté par une pluviométrie faible et mal répartie (Diouf, 2000; Diouf et al., 2004). En effet, le
déficit hydrique diminue la disponibilité de l’azote minéral du sol et le grain est d’autant plus
affecté par le déficit hydrique que sa nutrition azotée est bonne (Diouf, 2000; Diouf et al., 2004).
Le modèle ainsi calé et validé en station sur le rendement en grain a été utilisé pour la simulation
90
des rendements des villages-années. Mais malgré la prise en compte des facteurs hydrique et azoté
des écarts importants ont été constatés entre rendements simulés et observés. Ces écarts pourraient
être en partie dus à des facteurs biotiques (insectes, maladies, adventices). Mais les suivis-enquêtes
de parcelles paysannes n’ont pas été orientés spécifiquement vers l’estimation des dégâts de ces
facteurs. Nous ne pouvons donc être conclusifs sur leurs contributions réelles aux écarts. Par
ailleurs, parmi les facteurs limitants, il se pourrait qu’il y ait aussi le faible niveau de fertilité en
phosphore des parcelles (Bationo et Mokwunye, 1991). Selon Manu et al. (1991), les niveaux de
phosphores dans les sols sont faibles : le phosphore assimilable des sols sahéliens est moins de 2
mg.kg-1 quand le niveau de phosphore total varie entre 25 et 340 mg.kg-1 avec une moyenne de 109
mg.kg-1. Le phosphore est donc l’un des facteurs limitants les plus importants au Sahel et dont la
déficience affecte selon Smithson et Giller (2002) plus de 40% des sols. CERES-Millet ne prend
pas en compte spécifiquement le phosphore, mais le fait à travers le SLPF qui représente l’effet de
la fertilité globale, au-delà de l’azote, sur la croissance journalière de biomasse. Nous avons estimé
que la réduction de ce coefficient pourrait permettre d’être plus proches des conditions paysannes
du Sénégal, dont les sols sont très pauvres surtout en phosphore (Charreau et Fauck, 1965; Khouma,
2002). Plusieurs chercheurs ont également utilisé cette approche dans le même but. Des coefficients
variant de 0,63 à 1 ont été utilisés dans des pays comme les États-Unis (Singh et al., 2013), l’Inde
(Singh et al., 1994) ou le Ghana (Naab et al., 2004). En baissant le coefficient, la performance du
modèle CERES-Millet s’améliore considérablement dans nos conditions. En outre, une valeur de
SLPF a été déterminée pour chaque zone. Dans le BAN où les sols sont plus pauvres, le SLPF a été
augmenté et dans les zones sud dont les sols sont plus riches, il a été rabaissé.
Cependant, comme tout modèle complexe, CERES-Millet nécessite beaucoup d’informations

d’entrées dont les plus difficiles à obtenir sont les informations sur les sols. Thornton et al. (1997)
ont obtenu des résultats satisfaisants par le passé en utilisant, dans le cadre d’une étude d’estimation
des rendements du mil au Burkina Faso avec CERES-Millet, des informations pédologiques
fournies par la carte d'aptitude des sols du Burkina Faso établie par l’ex-Office de la Recherche
Scientifique et Technique d’Outre-Mer (ORSTOM), aujourd’hui devenu l’Institut de Recherche
pour le Développement (IRD) à une échelle de 1:500 000. Dans notre cas, nous pourrions envisager
une connexion à une base de données pédologique spatialisée. A cet effet, le WISE database de
l’International Soil Reference and Information Centre (ISRIC) (http://www.isric.org/) peut
constituer une alternative pour la constitution d’une cartographie des sols du Sénégal dédiée à une
utilisation en prévision des rendements. Par ailleurs, CERES-Millet nécessitera un paramétrage sur
les principaux cultivars de mil du Sénégal. Mais avant, les divers problèmes rencontrés dans le
fonctionnement de la phénologie et dont la solution aura besoin de disposer du code devront être
91
résolus. Il s’agit du blocage de la levée à 5 jours au lieu de 3, du blocage de la durée de la phase de
la ligulation de la feuille drapeau au début du remplissage du grain (P4) à 8 jours au lieu de 15, des
problèmes liés au paramétrage de la sensibilité au photopériodisme.
Il sera utile également d’apporter des solutions à d’autres problèmes identifiés dans la structure du
modèle. Il s’agit des problèmes liés à la surestimation de la surface foliaire qui entraine également
une surestimation de la biomasse, à la mauvaise répartition de la biomasse entre tiges et feuilles, à
la croissance continue de la tige même après la floraison. Enfin il y a le problème de la forte
sensibilité du modèle à la teneur en azote du sol qui résulte certainement du fait que certains
modules du modèle CERES-Millet dérivent de CERES-Maize. Le maïs est en effet beaucoup plus
sensible au stress azoté que le mil.
4.5 Conclusion
L’étude a permis de caler le modèle CERES-Millet sur le Souna et le Sanio pour les conditions de
culture au Sénégal. Pour la croissance en biomasse, les résultats ont été moins bons au contraire du
rendement en grain qui a été calé de façon satisfaisante. Le modèle a eu une bonne performance en
station pour la simulation du rendement en grain. Mais en milieu paysan, un écart important a été
constaté entre rendements des agriculteurs et rendements simulés par le modèle.
En réduisant le facteur de fertilité, nous avons pu prendre en compte le faible niveau de fertilité des
parcelles paysannes et améliorer nettement la prévision des rendements des agriculteurs à l’échelle
villageoise. Mais des études doivent être poursuivies dans cette voie avant de pouvoir proposer un
modèle apte à être utilisé pour faire de la prévision agricole au Sénégal et ce, à condition de
disposer d’informations sur les principaux types de sols du pays. Par ailleurs, les simulations
pourraient être améliorées si des solutions étaient apportées à un certain nombre de problèmes
identifiés lors du calage. Ces problèmes sont liés au calage du développement phénologique, de la
croissance en biomasse et la forte sensibilité du modèle à la fertilisation azotée. Des discussions
sont en cours avec l’équipe de DSSAT à Gainsville en Floride au États-Unis (http://dssat.net/) pour
récupérer le code afin de tenter d’apporter des solutions à ces problèmes. Les résultats de recherches
feront l’objet de publications sous-forme d’article.
92
Conclusion générale et perspectives
Dans cette thèse, nous avons cherché à voir dans quelle mesure la prévision agricole au Sénégal
pouvait être améliorée en utilisant des modèles de simulations de la croissance des cultures. Plus
précisément, nous avons cherché à apporter quelques éléments de réponses à la question suivante :
« quels sont les apports d’abord d’un modèle écophysiologique à base bilan hydrique, puis d’un
modèle plus complexe qui gère l’interaction eau-fertilité pour la prévision des rendements du mil au
Sénégal » ?
La première partie de la thèse a permis de faire une revue des systèmes de prévision actuels au
Sahel et des différents outils utilisés. Il ressort de cette revue que plusieurs systèmes de gestion de la
sécurité alimentaire en général, et de la prévision des rendements en particulier existent au Sahel.
Parmi eux, le CILSS s’occupe particulièrement de la prévision des rendements pour les
gouvernements des pays de l’Afrique de l’ouest, du Tchad et du Cameroun. Il utilise pour cela un
modèle simple, appelé DHC, qui calcule le rendement à partir d’un indice synthétique de bilan
hydrique. Mais le DHC connait des limites dans la mesure où il n’a été calibré que pour des variétés
à cycle court. L’utilisation de modèles écophysiologiques est de plus en plus envisagée. Parmi ces
modèles figure SARRA-H qui a été développé par une équipe de chercheurs du CIRAD et de
centres de recherche en Afrique de l’ouest dont le CRA. En outre, SARRA-H est capable de simuler
la phénologie des céréales traditionnelles africaines photopériodiques. Ces 2 principales raisons
nous ont amené à faire le choix du modèle SARRA-H pour notre étude. Mais d’abord il a fallu le
caler sur les principaux cultivars de mil au Sénégal.
La seconde partie de la thèse a été consacrée à caractériser le développement phénologique des

principaux cultivars de mil au Sénégal et au paramétrage de leur sensibilité à la photopériode avec
le modèle SARRA-H. Dans le Centre-nord et le Centre-sud du Sénégal, les agriculteurs cultivent
principalement des variétés à cycle court (Souna, Thialack). Dans le Sud, en plus du Souna, les
agriculteurs cultivent des variétés photopériodiques (Sanio) qui présentent l’avantage d’avoir une
date de floraison quasiment fixe quelle que soit la date de semis. La plupart des variétés
traditionnelles, qu’elles soient précoces ou tardives, sont plus ou moins photosensibles en fonction
de la latitude. La sensibilité au photopériodisme des variétés a été correctement paramétrée sur
SARRA-H. Par ailleurs, une méthodologie a été proposée pour déterminer le coefficient génétique
de photopériodisme (Psens) d’un site donné à partir d’une formule liant la latitude de ce site à la
latitude du site de Bambey et au coefficient génétique déterminé pour Bambey. Ce résultat peut
trouver une application opérationnelle en modélisation des cultures et ses applications dont la
prévision agricole en ce sens que la simulation des rendements peut être effectuée sous différentes
93
latitudes, sans être obligé d’effectuer de nouvelles expérimentations pour le paramétrage de la
phénologie, une fois que l’équation d’ajustement est établie.
La troisième partie a porté sur l’utilisation du modèle SARRA-H pour la prévision des rendements
des villages où des parcelles d’agriculteurs ont été suivies. En plus de SARRA-H, nous avons utilisé
un second modèle écophysiologique (CELSIUS) qui diffère de SARRA-H de par sa fonction
d’élaboration de rendement, sa prise en compte de la densité de population et sa méthode de calage.
Les 2 modèles ont été correctement calés, SARRA-H dans des conditions de station et CELSIUS à
partir des données des parcelles des agriculteurs. Cependant, des écarts de rendement importants ont
été constatés entre rendements simulés et rendements des agriculteurs des villages-années. Ces
écarts sont dus au facteur fertilité du sol et éventuellement aux facteurs biotiques. L’option de faire
baisser le coefficient de conversion de l’énergie en biomasse pour prendre en compte les conditions
paysannes a permis de simuler de façon beaucoup plus acceptable les conditions paysannes. Mais
cela fait disparaitre la variabilité inter-annuelle et inter-sites. Les recherches doivent être
poursuivies afin d’établir des règles permettant de corriger annuellement ces coefficients. En outre,
l’effet des contraintes n’est pas dynamique dans la mesure où c’est le même niveau de contrainte
qui s’applique à tous les stades de développement. C’est pourquoi nous avons envisagé l’utilisation
d’un modèle complexe qui gère l’interaction eau fertilité de façon dynamique.
Dans la quatrième et dernière partie, l’apport d’un modèle complexe, en l’occurrence CERES-
Millet, pour la prévision des rendements du mil a été évalué. CERES-Millet a été choisi parce qu’il
a déjà fait l’objet d’utilisation dans le même but au Sahel et en plus, il dispose d’un module
photopériodique et donc peut être calé sur les principaux cultivars traditionnels du Sahel. Malgré de
multiples problèmes rencontrés dans la structure pour le paramétrage de la phénologie et de la
croissance en biomasse, CERES-Millet a été correctement calé et validé en station pour le
rendement en grain. Cependant son utilisation en condition paysanne n’a pas été satisfaisante dans
la mesure où des écarts de rendement importants ont été constatés entre rendements simulés et
rendements des agriculteurs. Nous avons donc choisi l’option de faire baisser le coefficient de
fertilité (SLPF) afin de se rapprocher des conditions paysannes. Des valeurs de coefficients ont été
déterminées pour chaque zone (BAS + H-C et BAN) et qui permettent de simuler de façon bien plus
satisfaisante les rendements des villages-années.
L’approche de faire baisser, soit le coefficient de conversion de l’énergie en biomasse (SARRA-H

et CELSIUS) ou le SLPF (CERES-Millet) a permis dans l’ensemble d’améliorer les résultats de
prévision des villages de notre base, mais avec des résultats variables en fonction du modèle. Dans
le BAN, la performance de CERES-Millet est meilleure que les 2 autres modèles, avec des valeurs
94
de RRMSE de 42%, 46% et 71% respectivement pour CERES-Millet, CELSIUS et SARRA-H.
Dans le BAS+H-C, les modèles CERES-Millet (RRMSE = 29%) et CELSIUS (RRMSE = 28%) ont
une meilleure performance que SARRA-H (RRMSE = 71%). Ainsi, CERES-Millet s’est avéré le
plus performant des 3 modèles, mais avec une performance qui ne diffère pas grandement de celle
de CELSIUS. Cependant, il ne peut être recommandé en l’état pour des opérations de prévisions au
Sénégal. Il conviendrait d’explorer plus les modalités d’application des ajustements du SLPF en
relation aux conditions édaphiques dans le but d’obtenir de bonnes prévisions.
En outre, il faudrait régler les nombreux problèmes qui ont été constatés avec CERES-Millet
concernant le développement phénologique, la croissance des biomasses et la prise en compte de
l’azote du sol.
Après cette étape, la constitution d’une cartographie des sols dédiée à l’utilisation de CERES-Millet
pour la prévision agricole devra être envisagée. Ce travail peut se faire à partir d’une revue de
littérature sur des études de sol au Sénégal ou à partir d’une base de données de sols comme celle de
la WISE database de l’ISRIC. Par la suite, des valeurs de coefficient SLPF pourraient aussi être
déterminées pour les différents types de sols qui seront identifiés.
Par ailleurs, CERES-Millet aura besoin d’être paramétré sur les principaux cultivars du Sénégal, en
particulier sur les cultivars du Sud qui sont fortement photopériodiques. Pour cela, le problème lié
aux limites du modèle pour la simulation de cultivars photopériodiques devra être résolu.
95
Références bibliographiques
Abdulai, A., M. Kouressy, M. Vaksmann, F. Asch, M. Giese et B. Holger. 2012. Latitude and date
of sowing influences phenology of photoperiod-sensitive sorghums. Journal of Agronomy
and Crop Science 198: 340–348.
Affholder, F. 1994. Influence de la fertilisation et du contrôle de l’enherbement sur la réponse des
rendements du mil pluvial à un indice hydrique synthétique, In Bilan Hydrique Agricole et
Sécheresse En Afrique Tropicale. John Libbey Eurotext, Paris, France. p. 191–203.
Affholder, F. 1997. Empirically modelling the interaction between intensification and climatic risk
in semiarid regions. Field Crops Research 52: 79–93.
Affholder, F. 2001. Modélisation de culture et diagnostic agronomique régional. Mise au point
d’une méthode et application au cas du maïs chez les petits producteurs du Brésil Central.
Thèse de Doctorat, Institut National Agronomique Paris-Grignon, Paris, France. 232 p.
Affholder, F., C. Poeydebat, M. Corbeels, E. Scopel et P. Tittonell. 2013. The yield gap of major
food crops in family agriculture in the tropics: Assessment and analysis through field
surveys and modelling. Field Crops Research 143: 106–118.
Alagarswamy, G. et J. Ritchie. 1991. Phasic development in CERES-Sorghum model, In Predicting
Crop Phenology, Hodges T. (ed.), CRC Press. Boca Raton, Florida, USA. p. 143–152.
Allen, R.G., L.S. Pereira, D. Raes et M. Smith. 1998. Crop evapotranspiration - Guidelines for
computing crop water requirements, Irrigation and drainage papers. FAO, Rome, Italie.
328p.
Aubert, G. 1963. La classification des sols. La classification pédologique française. Cahiers
ORSTOM, Série Pédologie 3: 1–7.
Bacci, M. 2005. Manuel de formation pour l’analyse, le suivi, la prévision et la communication des
informations météorologique et climatique concernant la production agricole, la santé et la
gestion de l’environnement (SASPreC). CNR-IBIMET, Firenze, Italie. 63p.
Barbier, B. 1998. Induced innovation and land degradation: Results from a bioeconomic model of a
village in West Africa. Agricultural Economics 19: 15–25.
Baron, C. et F. Reyniers. 1999. Applications du logiciel SARRA à l’étude de risques climatiques.
Agriculture et Développement 24: 89–97.
Baron, C., B. Sultan, M. Balme, B. Sarr, S. Traoré, T. Lebel, S. Janicot et M. Dingkuhn. 2005.
From GCM grid cell to agricultural plot: scale issues affecting modelling of climate impact.
Philosophical Transactions of the Royal Society B: Biological Sciences 360: 2095–2108.
Baron, C., B. Sultan, M. Dingkuhn, B. Muller, S.B. Traoré, A. Alhassane et M. Zouzou. 2009.
Adaptation and evaluation of the SARRA-H crop model for agricultural yield forecasting in
West Africa. Third International AMMA Conference, July 20—24, African Monsoon
Multidisciplinary Analyses, Ouagadougou, Burkina Faso.
Bationo, A. et A.U. Mokwunye. 1991. Alleviating soil fertility constraints to increased crop
production in West Africa: The experience in the Sahel. Fertilizer Research 29: 95–115.
Bechini, L., S. Bocchi, T. Maggiore et R. Confalonieri. 2006. Parameterization of a crop growth and
development simulation model at sub-model components level. An example for winter
wheat (Triticum aestivum L.). Environmental Modelling and Software 21: 1042–1054.
Begué, A. 2002. Télédétection et production végétale. Habilitation à Diriger des Recherches,
Université Pierre et Marie Curie, Paris, France. 109p.
Binswanger, H.P. et D.A. Sillers. 1983. Risk aversion and credit constraints in farmers’ decision-
96
making: A reinterpretation. Journal of Development Studies 20: 5–21.
Boling, A.A., T.P. Tuong, H. van Keulen, B.A.M. Bouman, H. Suganda et J.H.J. Spiertz. 2010.
Yield gap of rainfed rice in farmers’ fields in Central Java, Indonesia. Agricultural Systems
103: 307–315.
Brisson, N. 2009. Principes et utilité des modèles de culture, In Modélisation En Biologie Végétale.
Comptes rendus de l’Académie d’agriculture de France du 28 janvier 2009, Académie
d’Agriculture de France, Paris, France. 4p.
Brisson, N., C. Gary, E. Juste, R. Roche, B. Mary, D. Ripoche, D. Zimmer, J. Sierra, P. Bertuzzi, P.
Burger, F. Bussière, Y.M. Cabidoche, P. Cellier, P. Debaeke, J.P. Gaudillère, F. Maraux, B.
Seguin et H. Sinoquet. 2003. An overview of the crop model STICS. European Journal of
Agronomy 18: 309–332.
Brisson, N., B. Mary, D. Ripoche, M.H. Jeuffroy, F. Ruget, B. Nicoullaud, P. Gate, F. Devienne-
Barret, R. Antonioletti, C. Durr, G. Richard, N. Beaudoin, S. Recous, X. Tayot, D. Plenet, P.
Cellier, J.-M. Machet, J.M. Meynard et R. Delécolle. 1998. STICS: a generic model for the
simulation of crops and their water and nitrogen balances. I. Theory and parameterization
applied to wheat and corn. Agronomie 18: 311–346.
Buerkert, A. et P. Hiernaux. 1998. Nutrients in the West African Sudano-Sahelian zone: Losses,
transfers and role of external inputs. Zeitschrift für Pflanzenernährung und Bodenkunde
161: 365–383.
Bush, R. 2010. Food Riots : Poverty, Power and Protest. Journal of Agrarian Change 10: 119–129.
Center for Disease Control. 1973. Nutritionnal surveillance in drought affected areas West Africa
(Mali, Mauritania, Niger, Upper Volta)-August-September 1973. Mimeographed reports
No. 184, Public Health Sevices, Atlanta, US. 37p.
Chantereau, J., M. Vaksmann, I. Bahmani, M. Hamada, M. Chartier et R. Bonhomme. 1997.
Characterization of different temperature and photoperiod responses in African sorghum
cultivars, In Amélioration Du Sorgho et de Sa Culture En Afrique de L’ouest et Du Centre,
Cirad. Atelier de restitution du programme conjoint sur le sorgho, 17-20 mars 1997,
Ratnadass A., Chanterau J., Gigou J. (eds.), Montpellier, France, Bamako, Mali. p. 29–35.
Charreau, C. et R. Fauck. 1965. Les sols du Sénégal. In Connaissance Du Sénégal: Climat, Sols,
Végétation, Etudes Sénégalaises. CRDS, Dakar, Sénégal. p 115-145.
Charreau, C. et R. Nicou. 1971. L’amélioration du profil cultural dans les sols sableux et sablo-
argileux de la zone tropicale sèche ouest-africaine et ses incidences agronomique, Bulletin
Agronomique - IRAT. Dakar, Sénégal. 254p.
Clerget, B. 2004. Le rôle du photopériodisme dans l’élaboration du rendement de trois variétés de
sorgho cultivées en Afrique de l’Ouest. Thèse de Doctorat, Institut National Agronomique
Paris-Grignon, Paris, France. 192p.
Clerget, B., M. Dingkuhn, J. Chantereau, J. Hemberger, G. Louarn et M. Vaksmann. 2004. Does
panicle initiation in tropical sorghum depend on day-to-day change in photoperiod? Field
Crops Research 88: 21–37.
Cochemé, J. et P. Franquin. 1967. An agroclimatology survey of a semiarid area in Africa south of
the Sahara, WMO. Rome, Italie. 136p.
CSE. 2007. Caractérisation des systèmes de production agricole au Sénégal. Document de synthèse,
Dakar, Sénégal. 38p.
Curtis, D. 1968. The relation between the date of heading of Nigerian sorghums and the duration of
the growing season. Journal of Applied Ecology 5: 215–226.
97
Dagnélie, P. et R. Palm. 1993. Régression multiple et prévision de rendements agricoles en fonction
de données météorologiques, In Biométrie et Analyse Des Données Spatio-Temporelles.
Duby C., Boniface M., Asselin B. (eds.), Vannes, France. p. 50–57.
Dancette, C. 1983. Besoins en eau du mil au Sénégal. Adaptation en zone semi-aride tropicale.
Agronomie Tropicale 38: 267–280.
De Rouw, A. 2004. Improving yields and reducing risks in pearl millet farming in the African
Sahel. Agricultural Systems 81: 73–93.
De Wit, C., R. Brouwer et F. Penning de Vries. 1970. The simulation of photosynthetic system, In
Prediction and Measurement of Photosynthetic Productivity. Proceedings of the IBP/PP
technical meeting, Třeboň, 14-21 September 1969, Pudoc, Wageningen, The Netherlands.
632.
Di Vecchia, A., P. Vignaroli et B. Djaby. 2003. Les crises alimentaires et les systèmes de prévision
au Sahel, In Cours de Formation Sur Les Méthodologies, Les Produits et Les Applications À
Développer Par L’emploi Du METEOSAT Deuxième Génération. Réunion annuelle du
Réseau de Prévention des Crises Alimentaires au Sahel, Bruxelles, décembre 2002,
Agrhymet, CNR IBIMET, Bruxelles, Belgique. 8p.
Diarra, B. et K. Konaré. 1994. Réduction de l’impact du climat sur le calendrier agricole au Sahel,
In Bilan Hydrique Agricole et Sécheresse En Afrique Tropicale: Vers Une Gestion Des Flux
Hydriques Par Le Système de Culture, Séminaire international, Bamako, 9-13 décembre
1991, Reyniers F.N., Netoyo L. (eds.), John Libbey Eurotext. Paris, France. p. 31–49.
Dingkuhn, M., C. Baron, V. Bonnal, F. Maraux, B. Sarr, B. Sultan, A. Clopes et F. Forest. 2003.
Decision support tools for rainfed crops in the Sahel at the plot and regional scales, In
Decision Support Tools for Smallholder Agriculture in Sub-Saharan Africa-A Practical
Guide. Struif Bontkes T.E., Wopereis M.C.S. (eds), CTA, IFDC Wageningen, The
Netherlands. p. 127–139.
Dingkuhn, M., M. Kouressy, M. Vaksmann, B. Clerget et J. Chantereau. 2008. A model of sorghum
photoperiodism using the concept of threshold-lowering during prolonged appetence.
European Journal of Agronomy 28: 74–89.
Diop, M., F.N. Reyniers et B. Sarr. 2005. Apport du photopériodisme à l’adaptation du mil à la
sécheresse en milieu soudano-sahélien. Sécheresse 16: 35–40.
Diouf, O. 2000. Réponses agrophysiologiques du mil (Pennisetum glaucum (L.) R. Br.) à la
sécheresse : influence de la nutrition azotée. Thèse de Doctorat, Université Libre de
Bruxelles, Bruxelles. 160p.
Diouf, O., Y.C. Brou, M. Diouf, B. Sarr, M. Eyletters, H. Roy-Macauley et J.P. Delhaye. 2004.
Response of Pearl Millet to nitrogen as affected by water deficit. Agronomie 24: 77–84.
Direction de l’aménagement du territoire. 1999. Plan national d’aménagement du territoire.
Ministère de l’économie des finances et du plan, Dakar, Sénégal. 31p.
Doggett, H. 1984. Striga - its biology and control. An overview, In Biology and Control of Striga,
International Council of Scientific Unions. Proceedings of the Workshop, Dakar, Senegal,
14-17 November 1983, Ayensu et al., (eds), Paris, France. p. 203.
Evans, L.T. 1993. Crop evolution, adaptation and yield. Cambridge University Press, Cambridge.
514p.
FAO. 1975. Rapport du Conseil de la FAO-Soixante-cinquième session Rome, 10–14 mars 1975.
Rapport No. CL 65/REP, FAO, Rome, Italie. 50p.
FAO. 2000. Réunion technique sous-régionale sur les méthodes de prévision de récoltes des
98
cultures vivrières, 15-16 mai 2000 à Bamako. Rapport de synthèse, FAO, Bamako, Mali.
116p.
FAO. 2003. SMIAR-Système Mondial d’Information et d’Alerte Rapide sur l’alimentation et
l’agriculture [Brohcure].
Fechter, J., B.E. Allison, M.V.K. Sivakumar, R.R.V.D. Ploeg et J. Bley. 1991. An evaluation of the
SWATRER and CERES-Millet models for southwest Niger, In Soil Water Balance in the
Sudano-Sahelian Zone, IAHS Publication 199. Proceedings of the Niamey Workshop,
February 1991, Niamey, Niger, IAHS Press, Institute of Hydrology, Wallingford, United
Kingdom. p. 505–513.
Fleury, A. 1990. Méthodologie de l’analyse de l’élaboration du rendement, In Physiologie et
Production Du Maïs. INRA, Pau, France. p. 279–290.
Fofana, A. 1996. Amélioration variétale du mil. Rapport analytique 1995. ISRA, URR, Centre
Nord Bassin Arachidier, Bambey, Sénégal. 22p.
Folliard, A., P. Traoré, M. Vaksmann et M. Kouressy. 2004. Modeling of sorghum response to
photoperiod: a threshold–hyperbolic approach. Field Crops Research 89: 59–70.
Forest, F. et B. Cortier. 1991. Diagnostic hydrique des cultures et la prévision du rendement
régional du mil cultivé dans les pays du CILSS, In Soil Water Balance in the Sudano-
Sahelian Zone, IAHS Publication 199. Proceedings of an International Workshop, 18- 23
February , 1991, Niamey, Niger, IAHS Press, Institute of Hydrology, Wallingford, United
Kingdom. p. 547–559.
Franquin, P. 1974. Formulation des phénomènes apparents de photothermopériodisme en conditions
naturelles. Principes de base. Cahiers ORSTOM, Série Biologie 23: 31–43.
Frère, M. et G. Popov. 1987. Suivi agrométéorologique des cultures et prévision des rendements.
FAO, Rome, Italie. 41p.
Garcia-Huidobro, J., J. Monteith et G. Squire. 1982. Time, temperature and germination of Pearl
Millet (Pennisetum typhoides S. et H.) I. Constant temperature. Journal of Experimental
Botany. 33: 288–296.
Genovese, G. 1997. Prévison des rendements et méthodes opérationnelles utilisant la télédétection:
Aperçu des méthodes et des applications opérationnelles en 1994 dans l’Union Européenne,
In Méthodes de Prévision de Rendements Agricoles. Actes du séminaire de Villefranche-sur-
Mer, du 24 au 27 octobre 1994, CECA-CE-CEEA, Bruxelles, Luxembourg. p. 79–86.
Gijsman, A.J., G. Hoogenboom, W.J. Parton et P.C. Kerridge. 2002. Modifying DSSAT Crop
Models for Low-Input Agricultural Systems Using a Soil Organic Matter–Residue Module
from CENTURY. Agronomy Journal 94: 462–474.
Godwin, D.C. et C.A. Jones. 1991. Nitrogen Dynamics in Soil-Plant Systems, In Modeling Plant
and Soil Systems. Hanks J., Ritchie J.T. (eds.). p. 287–321.
Gozé, E. 1990. Modèle stochastique de la pluviométrie au Sahel. Application à l’agronomie.
Générateur des pluies. Thèse de Doctorat, Université de Montpellier II, Montpellier, France.
228p.
Groten, S.M.E. 1993. NDVI—crop monitoring and early yield assessment of Burkina Faso.
International Journal of Remote Sensing 14: 1495–1515.
Hallstrom, D.G. 2004. Interannual Climate Variation, Climate Prediction, and Agricultural Trade:
the Costs of Surprise versus Variability. Review of International Economics 12: 441–455.
Hammer, G. et R. Muchow. 1994. Assessing climatic risk to sorghum production in water-limited
subtropical environments I. Development and testing of a simulation model. Field Crops
99
Research 36: 221–234.
Hamon, G. 1980. Mise en œuvre et critique de méthodes de caractérisation hydrodynamique de la
zone non saturée du sol. Application aux sols de culture du Sénégal. Thèse de Doctorat-
Ingénieur, Institut de mécanique de Grenoble, Grenoble, France. 136p.
Hansen, J.W. 2005. Integrating seasonal climate prediction and agricultural models for insights into
agricultural practice. Philosophical Transactions of the Royal Society B: Biological Sciences
360: 2037–2047.
IBM Corp. 2012. IBM SPSS Statistics for Windows. IBM Corp., Armonk, NY (USA).
IBSNAT. 1990. IBSNAT progress report 1987-1990. International Benchmark Site Network for
Agrotechnology Transfer, Honolulu, USA. 54p.
Imbernon, J. 1981. Variabilité spatiale des caractéristiques hydrodynamiques d’un sol du Sénégal.
Application au calcul d’un bilan sous culture. Thèse de doctorat 3ème cycle, Université
scientifique et médicale et INP, Grénoble, France. 125p.
Jagtap, S.S., F.J. Abamu et J.G. Kling. 1999. Long-term assessment of nitrogen and variety
technologies on attainable maize yields in Nigeria using CERES-Maize. Agricultural
Systems 60: 77–86.
Janin, P. 2009. Les émeutes de la faim : une lecture (géo-politique) du changement (social).
Politique Etrangère, IFPRI 251–263.
Jones, J. et J. Luyten. 1988. Simulation of biological processes, In Agricultural Systems Modeling
and Simulation. Peart, R.M. and Curry, R.B. (eds), New York, USA. p. 728.
Jones, J., G. Hoogenboom, C. Porter, K. Boote, W. Batchelor, L. Hunt, P. Wilkens, U. Singh, A.
Gijsman et J. Ritchie. 2003. The DSSAT cropping system model. European Journal of
Agronomy 18: 235–265.
Keating, B., P. Carberry, G. Hammer, M. Probert, M. Robertson, D. Holzworth, N. Huth, J.N.
Hargreaves, H. Meinke, Z. Hochman, G. McLean, K. Verburg, V. Snow, J. Dimes, M.
Silburn, E. Wang, S. Brown, K. Bristow, S. Asseng, S. Chapman, R. McCown, D. Freebairn
et C. Smith. 2003. An overview of APSIM, a model designed for farming systems
simulation. European Journal of Agronomy 18: 267–288.
Kerr, Y.H., J.P. Lagouarde et J. Imbernon. 1992. Accurate land surface temperature retrieval from
AVHRR data with use of an improved split window algorithm. Remote Sensing of
Environment 41: 197–209.
Khouma, M. 2002. Les grands types de sols du Sénégal, Rapport de la quatorzième réunion du
sous-comité ouest et centre africain de corrélation des sols pour la mise en valeur des
terres, Abomey, Bénin, 9-13 octobre 2000, FAO, Rome, Italie. p. 77–94.
Kouakou, P.K. 2009. Calage du modèle SARRA-H sur des variétés de mil (Pennisetum spp.) et
confrontation du modèle à la réalité paysanne de la région de Diourbel (Sénégal). Mémoire
de DEA, Université Cheikh Anta Diop de Dakar, Dakar, Sénégal. 60p.
Kouressy, M., M. Dingkuhn, M. Vaksmann et A. Heinemann. 2008. Adaptation to diverse semi-
arid environments of sorghum genotypes having different plant type and sensitivity to
photoperiod. Agricultural and Forest Meteorology 148: 357–371.
Kouressy, M., S. Traore, M. Vaksmann, M. Grum, I. Maikano, M. Soumare, P. Traore, D. Bazile,
M. Dingkuhn et A. Sidibé. 2008. Adaptation des sorghos du Mali a la variabilité climatique.
Cahiers Agricultures 17: 95–100.
Lalau-Keraly, A. 1991. Panorama des systèmes d’information sur la sécurité alimentaire dans les
neuf pays du CILSS. Stateco 66: 77–104.
100
Le Barbé, L., T. Lebel et D. Tapsoba. 2002. Rainfall variability in West Africa during the years
1950–90. Journal of Climate 15: 187–202.
Lobell, D.B., K.G. Cassman et C.B. Field. 2009. Crop Yield Gaps: Their Importance, Magnitudes,
and Causes. Annual Review of Environment and Resources 34: 179–204.
Major, D. 1980. Photoperiod response characteristics controlling flowering of nine crop species.
Canadian Journal of Plant Science 60: 777–784.
Manu, A., A. Bationo et S.C. Geiger. 1991. Fertility status of selected millet producing soils of
West africa with emphasis on phosphorus. Soil Science 152: 315–320.
Maselli, F., C. Conese, L. Petkov et M.-A. Gilabert. 1992. Use of NOAA-AVHRR NDVI data for
environmental monitoring and crop forecasting in the Sahel. Preliminary results.
International Journal of Remote Sensing 13: 2743–2749.
Ministère de l’Économie et des Finances du Sénégal. 2011. Rapport national sur la compétitivité du
Sénégal 2011. Dakar, Sénégal. 98p.
Mishra, A., J.W. Hansen, M. Dingkuhn, C. Baron, S.B. Traoré, O. Ndiaye et M.N. Ward. 2008.
Sorghum yield prediction from seasonal rainfall forecasts in Burkina Faso. Agricultural and
Forest Meteorology 148: 1798–1814.
Monteith, J. 1984. On time and crop production. Jennareddy Venkat Reddy Memorial lecture, 10
December 1984, ICRISAT, Andhra Pradesh Agricultural University, India.
Moussa, M.M. 2005. Application des méthodes d’évaluation de rendements agricoles à l’aide des
images NDVI. Rapport de consultation, CILSS, Niamey, Niger. 48p.
Mueller, N.D., J.S. Gerber, M. Johnston, D.K. Ray, N. Ramankutty et J.A. Foley. 2012. Closing
yield gaps through nutrient and water management. Nature 490: 254–257.
Muller, B., A. Alhassane, S.B. Traoré, M. Kouressy, L. Somé, M. Vaksmann et C. Baron. 2009.
Farmers yield variability assessment and validation of crop model to predict “average
regional” farmers yield for the main cropped varieties of millet, sorghum and maize ".
livrable D 3.1 gf , WP 3.1: Land Productivity, projet AMMA,Thematic priority: 1.1.6.3
Global change and Ecosystems No. D 3.1 gf, CIRAD, AMMA, CILSS, Montpellier, France.
65p.
Naab, J.B., P. Singh, K.J. Boote, J.W. Jones et K.O. Marfo. 2004. Using the CROPGRO-Peanut
Model to Quantify Yield Gaps of Peanut in the Guinean Savanna Zone of Ghana. Agronomy
Journal 96: 1231–1242.
Ndiaye, M. et M. Niang. 2010. De l’étude sur la transmission des fluctuations et le calcul de prix de
parité à l’importation/exportation dans la sous-région: Cas pratique du Sénégal. Rapport
final, CSA-SIM, Dakar, Sénégal. 50p.
Ndong, J.-B. 1995. L’évolution de la pluviométrie au Sénégal et les incidences de la sécheresse
récente sur l’environnement. Revue de géographie de Lyon 70: 193–198.
Ndoye, M., R.T. Gahukar, A.G. Carson, C.J. Selvara, D.F. Mbaye et S. Diallo. 1984. Les problèmes
phytosanitaires du mil dans le Sahel. In Compte Rendu Du Séminaire International Du
Projet CILSS de Lutte Intégrée, Niamey (Niger), 6-13 Décembre 1984. CNRA, Bambey,
Sénégal. p 79-94.
Niane Badiane, A., M. Khouma et M. Sène. 2000. Région de Diourbel: Gestion des sols. Dryland
research working paper No. 15, Drylands Research, Crewkerne Somerset TA18 8BJ
Royaume-Uni. 33p.
Olivier, A. 1995. Le striga, mauvaise herbe parasite des céréales africaines : biologie et méthodes de
lutte. Agronomie 15: 517–525.
101
Ouaidrari, H. 1994. Utilisation des données NOAA-AVHRR pour modéliser la production primaire
du mil dans l’écosystème sahélien (Niger). Thèse de Doctorat, Université de Paris 07, Paris,
France. 210p.
Parton, W.J., J.W.B. Stewart et C.V. Cole. 1988. Dynamics of C, N, P and S in grassland soils: a
model. Biogeochemistry 5: 109–131.
Pellissier, P. 1966. Les paysans du Sénégal. Les civilisations agraires du Cayor à la Casamance.
Imprimerie Fabrègue, Saint-Yrieix, France. 939p.
Penning de Vries, F., D. Jansen, H. ten Berge et A. Bakema. 1989. Simulation of Ecophysiological
Processes of Growth in Several Annual Crops. Wageningen, The Netherlands.
Penning de Vries, F.W.T. et R. Rabbinge. 1995. Models in research and education, planning and
practice, In Potato Ecology and Modelling of Crops under Conditions Limiting Growth.
Haverkort A.J., Donald K.L. (eds), Dordrecht, The Netherlands. p 1-18.
Pieri, C. 1989. Fertilité des terres de savanes: bilan de trente ans de recherche et de développement
agricoles au sud du Sahara. IRAT/CIRAD. 460p.
Poeydebat, C., A. Ricome et F. Affholder. 2013. Simulation du rendement des cultures et
modélisation bioéconomique pour la représentation des choix techniques des agriculteurs du
bassin arachidier au Sénégal. CIRAD, Montpellier, France. 71p.
Pol, F. V. D. et B. Traore. 1993. Soil nutrient depletion by agricultural production in Southern Mali.
Fertilizer Research 36: 79–90.
Ramaswamy, S. et J.H. Sanders. 1992. Population pressure, land degradation and sustainable
agricultural technologies in the Sahel. Agricultural Systems 40: 361–378.
Rashid, A. 2009. Global information and early warning system on food and agriculture (GIEWS),
In Integrated Global Models of Sustainable Development. Akira Onishi, Oxford. 235p.
Rasmussen, M.S. 1997. Operational yield forecast using AVHRR NDVI data: Reduction of
environmental and inter-annual variability. International Journal of Remote Sensing 18:
1059–1077.
Regmi, A., J. Ladha, H. Pathak, E. Pasuquin, C. Bueno, D. Dawe, P. Hobbs, D. Joshy, L. Maskey et
S. Pandey. 2002. Yield and Soil Fertility Trends in a 20-Year Rice–Rice–Wheat Experiment
in Nepal. Soil Science Society of America Journal 66: 857–867.
Reyniers, F. 1998. Présentation du projet DHMC et des objectifs du séminaire final : pour une
approche écosystémique de l’amélioration des écotypes locaux de sorgho et de mil, In Le
Futur Des Céréales Photopériodiques Pour Une Production Durable En Afrique Tropicale
Semi-Aride. Actes du séminaire final, 27-30 avril 1998, Florence, Bacci L., Reyniers F.N.
(eds.), Cesia Florence, Cirad Montpellier. p. 21–28.
Reyniers, F., V. Waneukeum, M. Vaksmann et M. Kouressy. 1998. Effet de la latitude sur le ratio
grain/paille des écotypes de mil au Mali : conséquences pour la sélection, p. 79–93. In Le
Futur Des Céréales Photopériodiques Pour Une Production Durable En Afrique Tropicale
Semi-Aride. Actes du séminaire final, 27-30 avril 1998, Florence, Bacci L., Reyniers F.N.
(eds.), Cesia Florence, Cirad Montpellier.
Ritchie, J.T. 1998. Soil water balance and plant water stress, In Understanding Options for
Agricultural Production. Tsuji G.Y., Hoogenboom G., Thornton P.K. (eds.). Springer,
Dordrecht, The Netherlands. p. 41–54.
Salack, S., B. Muller et A.T. Gaye. 2011. Rain-based factors of high agricultural impacts over
Senegal. Part I: integration of local to sub-regional trends and variability. Theoretical and
Applied Climatology 106: 1–22.
102
Samba, A. 1998. Les logiciels DHC de diagnostic hydrique des cultures. Prévision des rendements
du mil en zones soudano-sahélienne de l’Afrique de l’Ouest. Sécheresse 9: 281–288.
Samba, A., B. Sarr, C. Baron, E. Gozé, F. Maraux, B. Clerget et M. Dingkuhn. 2001. La prévision
agricole à l’échelle du Sahel, In Modélisation Des Agrosystèmes et Aide À La Décision.
Malezieux E., Trebreil G., Jaeger M. (eds.), CIRAD-INRA. p. 243–261.
Sarr, B., C. Baron, O. Diouf, M. Dingkuhn, S. Braconnier, I. Dieng, M. Fall et C. Sylla. 2004.
Modélisation de la croissance et de la productivité des cultures céréalières, mise au point
d’un SIG pour l’amélioration des systèmes de prévisions agricoles au Sénégal. Rapport
technique final No. 17, Ceraas-Cirad, Sénégal. 65p.
Scheuring, J. 1996. The dilemma of daylength, In Lost Crops of Africa, National Research Council.
Washington. 54p.
Seaman, J., P. Clarke, T. Boudreau et J. Holt. 2000. The Household Economy Approach. A
resource manual for practitioners. Save the Children, London, United Kingdom. 166p.
Siéné, L., B. Muller et S. Aké. 2010a. Effet de la densité de semis sur l’évolution du coefficient
d’extinction de la lumière et de l’efficience de conversion du rayonnement absorbé par le
couvert végétal de deux variétés de mil de longueur de cycle différente. International
Journal of Biological and Chemical Sciences 4: 1462–1479.
Siéné, L., B. Muller et S. Aké. 2010b. Etude du développement et de la répartition de la biomasse
chez deux variétés de mil de longueur de cycle différente sous trois densités de semis.
Journal of Applied Biosciences 2260 – 2278.
Sinclair, T.R. et N.G. Seligman. 1996. Crop Modeling: From Infancy to Maturity. Agronomy
Journal 88: 698–704.
Singh, P., K.J. Boote, A. Yogeswara Rao, M.R. Iruthayaraj, A.M. Sheikh, S.S. Hundal, R.S. Narang
et P. Singh. 1994. Evaluation of the groundnut model PNUTGRO for crop response to water
availability, sowing dates, and seasons. Field Crops Research 39: 147–162.
Singh, P., S. Nedumaran, P.C.S. Traore, K.J. Boote, N.P. Singh, K. Srinivasa et M.C.S. Bantilan.
2013. Potential benefits of drought and heat tolerance and yield enhancing traits in Sorghum
with climate change at selected sites in India and West. Monograph, ICRISAT, Patancheru,
Andhra Pradesh, India. 28p.
Sivakumar, M.V.K. 1988. Predicting rainy season potential from the onset of rains in southern
sahelian and soudanian climatic zones of West Africa. Agricultural and Forest Meteorology
42: 295–305.
Smith, P. 2001. Établissement de correspondance entre le fonctionnement physiologique de la
canne à sucre et les concepts du modèle STICS. Calibration des modules de développement,
de croissance aérienne, d’élaboration du rendement et de la qualité pour la variété R570.
Mémoire de M.Sc., ENSA Rennes, Rennes, Montpellier. 63p.
Smithson, P.C. et K.E. Giller. 2002. Appropriate farm management practices for alleviating N and P
deficiencies in low-nutrient soils of the tropics. Plant and Soil 245: 169–180.
Soil Conservations Service. 1972. National Engineering Handbook. In Hydrology Section 4. USDA,
Washington, USA. 762p.
Spencer, D. et M. Sivakumar. 1987. Pearl Millet in African Agriculture, Proceedings of
International Pearl Millet Workshop, 7-11 avril 1986, ICRISAT, Patancheru, India. p. 19–
31.
Sultan, B., C. Baron, M. Dingkuhn, B. Sarr et S. Janicot. 2005a. Agricultural impacts of large-scale
variability of the West African monsoon. Agricultural and Forest Meteorology 128: 93–110.
103
Sultan, B., C. Baron, M. Dingkuhn, B. Sarr et S. Janicot. 2005b. La variabilité climatique en
Afrique de l’Ouest aux échelles saisonnière et intra-saisonnière. II : applications à la
sensibilité des rendements agricoles au Sahel. Sécheresse 16: 23–33.
Sultan, B., M. Bella-Medjo, A. Berg, P. Quirion et S. Janicot. 2010. Multi-scales and multi-sites
analyses of the role of rainfall in cotton yields in West Africa. International Journal of
Climatology 30: 58–71.
Sultan, B., S. Janicot, C. Baron, M. Dinakuhn, B. Muller, S. Traore et B. Sarr. 2008. Les impacts
agronomiques du climat en Afrique de l’Ouest : une illustration des problèmes majeurs.
Sécheresse 19: 29–37.
Teme, B., H. Breman et K. Sissoko. 1996. Intensification Agricole au Sahel : Mythe ou Réalité ?
Rapport de Synthèse des Travaux du Colloque International Bamako, 28 Novembre - 2
Décembre 1995, PSS, Wageningen. 28p.
Thornton, P.K., W.T. Bowen, A.C. Ravelo, P.W. Wilkens, G. Farmer, J. Brock et J.E. Brink. 1997.
Estimating millet production for famine early warning: an application of crop simulation
modelling using satellite and ground-based data in Burkina Faso. Agricultural and Forest
Meteorology 83: 95–112.
Tittonell, P. et K.E. Giller. 2013. When yield gaps are poverty traps: The paradigm of ecological
intensification in African smallholder agriculture. Field Crops Research 143: 76–90.
Traoré, S., A. Alhassane, B. Muller, M. Kouressy, L. Somé, B. Sultan, P. Oettli, L. Siéné, S.
Sangaré, M. Vaksmann, M. Diop, M. Dingkuhn et C. Baron. 2011. Characterizing and
modeling the diversity of cropping situations under climatic constraints in West Africa.
Atmospheric Science Letters 12: 89–95.
Traoré, S., F. Reyniers, M. Vaksmann, B. Kone, A. Sidibé, A. Yorote, K. Yattara et M. Kouressy.
2000. Adaptation à la sécheresse des écotypes locaux de sorghos du Mali. Sécheresse 11:
227–237.
Trouche, G., J. Chantereau et J. Zongo. 1998. Variétés traditionnelles et variétés améliorées de
sorgho dans les régions sahéliennes, In Le Futur Des Céréales Photopériodiques Pour Une
Production Durable En Afrique Tropicale Semi-Aride. Actes du séminaire final du Projet
STD3 TS3 93.0223 “Risques et intensification : le diagnostic hydrique et minéral des
céréales dans les pays sahéliens et les zones communautaires du Zimbabwe” : 27-30 avril
1998, Bacci L., Reyniers F.N. (eds.), Cesia, Florence (Italie), Cirad, Montpellier (France).
270p.
U.S. Census Bureau et ICF International. 2013. Census and Survey Processing System (CSPro).
U.S. Census Bureau, Washington, DC (USA).
USAID. 2013. Famine Early Warning Systems Network. About FEWS NET. URL
http://www.fews.net/ml/fr/info/Pages/why.aspx. Visité le 8 février 2013
Vaksmann, M., S. Traoré, M. Kouressy, H. Coulibaly et F. Reyniers. 1998. Etude du
développement d’un sorgho photopériodique du Mali, In Le Futur Des Céréales
Photopériodiques Pour Une Production Durable En Afrique Semi-Aride. Actes du séminaire
international, 27-30 Avril 1998, Bacci L., Reyniers F.N. (eds.), Cesia, Florence (Italie),
Cirad, Montpellier (France). p. 109–122.
Vaksmann, M., S. Traore et O. Niangado. 1996. Le photopériodisme des sorghos africains.
Agriculture et Développement 9: 13–18.
Van Ittersum, M., P. Leffelaar, H. van Keulen, M. Kropff, L. Bastiaans et J. Goudriaan. 2003. On
approaches and applications of the Wageningen crop models. European Journal of
Agronomy 18: 201–234.
104
Van Ittersum, M.K., K.G. Cassman, P. Grassini, J. Wolf, P. Tittonell et Z. Hochman. 2013. Yield
gap analysis with local to global relevance—A review. Field Crops Research 143: 4–17.
Van Oosterom, E., P. Carberry, J. Hargreaves et G. O’Leary. 2001. Simulating growth,
development, and yield of tillering pearl millet: II. Simulation of canopy development. Field
Crops Research 72: 67–91.
Wade, I. et O. Kamara. 2007. Formation de Formateurs et de producteurs sur la lutte integrée
durable contre Striga au Sénégal, In Progress on Farmers Training on Parasitic Weed
Mangement. Ricardo Labrada, FAO, Rome. p. 129–138.
Webb, R.A. 1972. Use of the boundary line in the analysis of biological data. The Journal of
Horticultural Science and Biotechnology 47: 309–320.
Williams, J., C. Jones et P. Dyke. 1984. A modeling approach to determining the relationship
between erosion and soil productivity. Transactions of the ASABE 27: 0129–0144.
Willmott, C. 1982. Some Comments on the Evaluation of Model Performance. Bulletin of the
American Meteorological Society 63: 1309–1369.
Willmott, C.J., S.M. Robeson et K. Matsuura. 2012. A refined index of model performance.
International Journal of Climatology 32: 2088–2094.
Willmott, C.J. et D.E. Wicks. 1980. An Empirical Method for the Spatial Interpolation of Monthly
Precipitation within California. Physical Geography 1: 59–73.
105
Annexes
Annexe 1 : Cartes des zones écogéographiques du Sénégal
A
Annexe 2 : Article publié dans le cadre de la thèse
(Disponible en ligne à l’adresse : http://www.m.elewa.org/JABS/2013/67/12.pdf)
B
Annexe 3 : Liste des équations
∗ é ..................................................................... 30
. 11,3 ∗ 128…………………… ................................................ 30
…………………………. ......................................................................................................................... 31
∑ …………………. 31
………………………………… .............................................................................................................. 40
∑
……………………………………………………………………………………41
∑
………………….…………………………………………………………………………………. . 41
1,2468 ∗ 0,0120 ∗ ∗ 0,0148 ................ 46
0,5 ∗ ∗ 1 ∗ Ɛ ∗ 10 ∗ ………………. .................. 58
∗ ………….58
Ɛ ∗ 0,0815 ∗ ∗ ……… .................................................................... 58
∗ 0……………………… ....................................................................... 59
∑
………………………. ............................................................................................................ 59
∑
1 ∑
……………………………………………………. ............................................................ 59
| | |
∑
………………………. ............................................................................................................ 82
∑
1 ∑
…………………………………….………………………… ............................................. 82
| | |
C
Auteur : Patrice Koffi KOUAKOU
Résumé
La thèse a pour objectif de contribuer à améliorer la prévision des rendements du mil au Sénégal par l’utilisation de
modèles de culture. Deux modèles écophysiologiques à base bilan hydrique (SARRA-H et CELSIUS) ont d’abord été
calés et validés sur les principaux cultivars du Sénégal (Souna, Sanio, Thialack), dont la plupart sont photopériodiques.
Des écarts importants entre rendements simulés et rendements des agriculteurs ont été observés dans l’utilisation de ces
modèles pour la prévision en condition paysanne. L’analyse des écarts de rendement a révélé que ces écarts étaient dus
en partie au faible niveau de fertilité des parcelles paysannes. Un modèle plus complexe, CERES-Millet, capable de
gérer en plus l’interaction eau-fertilité, a donc été utilisé dans un second temps. Malgré de nombreux problèmes liés au
calage de la biomasse et du développement de la surface foliaire, il a été correctement calé et validé en station sur le
rendement en grain. Cependant, des écarts importants entre rendements simulés et rendements des agriculteurs
subsistaient en condition paysanne. L’option de prendre en compte le faible niveau de fertilité des parcelles, à travers la
baisse du facteur de fertilité (SLPF) de CERES-Millet, a permis d’obtenir des résultats acceptables et meilleurs que
ceux obtenus en faisant baisser dans le même but le coefficient de conversion de l’énergie en biomasse de SARRA-H et
de CELSIUS. Cependant, il conviendrait d’améliorer le fonctionnement de CERES-Millet et de poursuivre
l’exploration des modalités d’ajustement du coefficient SLPF en fonction des conditions édaphiques en vue de bonnes
prévisions.
Pearl millet (Pennisetum glaucum (L.) R. Br.) yield forecasting improvement with crop models considering
varieties’ sensibility to photoperiod and fertility in farmers’ fields in Senegal
Abstract
This thesis aims to improve pearl millet yield forecasting by using crop models. Two water-balance ecophysiological
models (SARRA-H and CELSIUS) were first calibrated and validated on the main pearl millet cultivars (Souna, Sanio,
Thialack) of Senegal, of which most are photosensitive. But important yield gaps were observed between simulated
yields and observed ones when the model was used under farmers’ fields conditions. The yield gaps analysis revealed
that low fertility levels of farmers’ fields are responsible for the gaps. In order to reduce yield gaps, CERES-Millet
which is a more complex model able to simulate water-nitrogen interaction, was then used. Despite several problems
with the calibration of biomass and leaf area, the calibration of grain yield was satisfactory. CERES-Millet, was
correctly calibrated and validated in research station conditions for the grain yield. However, important yield gaps were
also observed when using it for farmers’ fields conditions. We decided to reduce the fertility factor (SLPF) of CERES-
Millet to take into account the low fertility levels of farmer’s fields. This approach permitted us to obtain satisfactory
simulations, better than what we obtained by reducing empirically the conversion coefficient of intercepted radiation to
biomass for SARRA-H and CELSIUS. Yet, in order to obtain accurate yields forecasts, it appears necessary to improve
the functioning of CERES-Millet and to study the options of how to adjust the coefficients SLPF.
Spécialité: Production et Protection des végétaux
Mots-clés : Modèle de culture, Photopériodisme, Prévision des rendements, Écarts de rendement, Pennisetum glaucum
(L.) R. Br., Sénégal.
CERAAS, Km 7,5 Route de Khombole. BP 3320 Thiès Ecale, Sénégal.

Obj 5101 File Obj 8595 File These Kouakou 2013

Transféré par

Droits d'auteur :

Formats disponibles

Obj 5101 File Obj 8595 File These Kouakou 2013

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Obj 5101 File Obj 8595 File These Kouakou 2013

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITÉ CHEIKH ANTA DIOP DE DAKAR

Ecole Doctorale Sciences de la Vie, de la Santé et de l'Environnement

Année : 2013 N° d’ordre : 063

Amélioration de la prévision des rendements du mil (Pennisetum glaucum (L.) R. Br.)

Thèse présentée et soutenue publiquement le 20 décembre 2013 pour obtenir le

devant le jury composé de :

Ecole Doctorale Sciences de la Vie, de la Santé et de l'Environnement

Année : 2013 N° d’ordre : 063

Amélioration de la prévision des rendements du mil (Pennisetum glaucum (L.) R. Br.)

Thèse présentée et soutenue publiquement le 20 décembre 2013 pour obtenir le

devant le jury composé de :

A ma mère, brave femme africaine,

A ma fille Orlane Syntiche Mouahé,

Nous exprimons toute notre reconnaissance au Dr Bertrand Muller, Chercheur du CIRAD, du

De nombreux stagiaires d’écoles d’agronomie au Sénégal ont également contribué à la collecte de

Sigles et abréviations ........................................................................................................................... 3

Chapitre 1 : Prévision agricole au Sahel ............................................................................................ 16

Chapitre 2 : Étude et prise en compte en modélisation de l’effet de la latitude sur la réponse à la

Chapitre 4 : Évaluation du modèle CERES-Millet pour la simulation des interactions eau-fertilité en

AMMA: Analyses Multidisciplinaires de la Mousson Africaine

AP3A : Alerte Précoce et Prévisions des Productions Agricoles

ARTEMIS : Africa Real Time Environmental Monitoring Information System (Système

BAN : Bassin arachidier nord

BAS : Bassin arachidier sud

CCBS : Base de données sur les bilans céréaliers

CCD: Cold Cloud Duration (Nuages à sommets froids)

CERAAS : Centre d’Étude Régional pour l’Amélioration de l’Adaptation à la Sécheresse

CERES: Crop Estimation through Resource and Environment Synthesis

CILSS : Comité permanent Inter-États de Lutte contre la Sécheresse au Sahel

CIRAD : Centre de coopération Internationale en Recherche Agronomique pour le Développement

CNRA : Centre National de Recherches Agronomiques

CRA : Centre Régional AgrHymet (Centre régional de formation et d’application en

CRA : Centre de Recherches Agricoles

CROPSYST : CROPping SYSTems simulation model (Modèle de simulation des systèmes de

CRZ : Centre de Recherches Zootechniques

DAPSA : Direction de l’Analyse, la Prospective et des Statistiques Agricoles

DIAPER : Projet d’amélioration des instruments du diagnostic permanent des secteurs de

DMN : Direction de la Météorologie Nationale

DR: District de Recensement

DSSAT: Decision Support System for Agrotechnology Transfer

ESA : European Space Administration (Agence Spatiale Européenne)

ESPACE : Evaluation et Suivi de la Production Agricole en fonction du Climat et de

ET0 : Evapotranspiration de référence

FED : Fonds Européen de Développement

FEWS NET: Famine Early Warning Systems Network

IATA: Agrometeorology and Environmental Analysis for Agriculture (Institut d'Agrométéorologie

IGAD : Intergovernmental Authority on Development (Autorité intergouvernementale pour le

INSAH : Institut du Sahel

ISRA : Institut Sénégalais de Recherches Agricoles

ISRIC: International Soil Reference and Information Centre

ITC: International Institute for Aerospace Surveys and Earth Sciences

Kc: Coefficient cultural

LAI : Leaf Area Index (Index de surface foliaire)

NASA : National Aeronautics and Space Administration (Administration Spatiale et Aéronautique

NDVI : Normalized Difference Vegetation Index (Indice de végétation de la différence normalisée)

NOAA: National Oceanic and Atmospheric Administration (Administration Océanographique et

OMM: Organisation Météorologique Mondiale

ONG : Organisation Non Gouvernementale

ORSTOM : Office de la Recherche Scientifique et Technique d’Outre-Mer