L'alerte précoce et la prévision des rendements agricoles au Burkina Faso: cas de trois provinces Passoré, Yatenga et Soum

3.4.2. Prévision des rendements du sorgho

Le tableau ci-dessous présente différents modèles de prévision de rendements du sorgho classés par

valeur décroissante du R².

Tableau 17 : Modèles de prévision des rendements du sorgho au Yatenga à partir des données pluviométriques provenant de www.tutiempo.net.

Numéro d'ordre	Classement décroissant suivant la valeur de R^2
	R^2	Nb.	NDVI_V	NDVI_PV	Cum	Sdat
1	0.255640	4	-0.449130	0.268032	0.521858	0.292292
2	0.252158	3	-0.359180		0.710620	0.318909
3	0.234605	3	-0.561871	0.853701		0.213334
4	0.214618	3		-0.364371	0.777323	0.321666
5	0.202418	2			0.422688	0.268228
6	0.190042	3	-0.521307	0.727842	0.082239
7	0.189366	2	-0.540330	0.821987
8	0.161410	2		0.360635		0.200101
9	0.159612	2	-0.252975		0.560888
10	0.133870	2		0.036277	0.331504

Source : Données de l'étude.

Selon les résultats de la régression pas à pas, c'est l'équation N°5 qui présente le plus de similitude avec les données historiques. Les résultats de la calibration et validation de ce modèle se présentent comme suit:

Tableau 18 : Tableau de comparaison des indicateurs d'appréciation des modèles de prévision élaborés à partir des données obtenues en station et celles provenant de www.tutiempo.net.

Origine des données	Erreur absolue moyenne (Kg/ha)	Root mean square error (RMSE) (Kg/ha)	RRMSE (%)	R^2 de la régression dans statistica	R^2p	R^2 ajusté	p
Tutiempo (Zone Yatenga)	170.19989	191.8224689	0.31110972	0.190129	0.1524	0.114642	0.167451
Station Yatenga	180.260386	221.978532	0.35348591	0.196323	0.1862	0.010859	0.400155

Source : Données de l'étude.

Les indicateurs consignés dans le présent tableau montrent que les modèles de prévision de rendements ne sont pas pertinents. Les différentes valeurs de R2 sont très faibles. Les valeurs de RRMSE sont élevées (31.11% et 35.35%).

3.5. Discussion générale sur les résultats

Pour l'ensemble des résultats on constate des cas de bons modèles de prévision de rendements agricoles et d'autres modèles qui ne sont pas pertinents. Dans le cas de la province du Passoré, aucun modèle de prévision de rendements agricoles proposé n'est pertinent. Il en est de même pour le rendement agricole du sorgho dans la province du Yatenga. Si l'on considère les résultats des modèles proposés pour la prévision du mil au Yatenga, le mil et le sorgho au Soum, on peut avoir une estimation avec des marges d'erreur relativement acceptables. Ces modèles contiennent des indicateurs pertinents du point de vue agronomique, et sont précoces. Selon Bastide et al (2008), des analyses annuelles de végétation ont été menées à la fin de l'hivernage de l'année 2004, au Mali et elles ont démontré un très net déficit de production végétale dans une grande partie de la zone considérée par l'étude. Cet inquiétant constat a rapidement occasionné des missions de vérification terrain pour valider les résultats et constater in situ l'ampleur du problème. Il a ensuite fait l'objet d'un rapport sur la situation pastorale, co-signé avec le Système d'Alerte Précoce et le Commissariat à la Sécurité Alimentaire du Mali, qui a permis l'identification des risques et l'interpellation de la communauté internationale. La mise à la disposition des modèles pertinents avec des variables précoces permettra aux SAP décentralisés du Burkina Faso d'atteindre leurs objectifs consignés au paragraphe 1.10, notamment celui de permettre au SAP central de pouvoir capter à tout instant les germes de risques et des signaux porteurs d'effets sur les groupes vulnérables.

Dans notre zone d'études qui présente des critères de vulnérabilité élevée (une forte densité de population par rapport à la moyenne nationale (61.9 contre 47.3 habitants/km2), un niveau de pauvreté élevé, une couverture des besoins alimentaires structurellement déficitaire et une agriculture pratiquée sur des sols pauvres), la connaissance d'indicateurs à même de prédire les rendements agricoles avant la récolte est importante pour une bonne efficacité du système d'alerte précoce décentralisé.

L'intérêt de conduire une telle étude n'est pas à démontrer pour des zones à vulnérabilité élevée. Cependant, des données de bonne qualité sont indispensables pour l'obtention de résultats probants. Les résultats de la modélisation obtenus pour la prédiction des rendements du mil et du sorgho dans la zone d'étude sont contrastés. Dans un même contexte agro-climatiques et utilisant les mêmes données sauf celles spécifiques à chaque culture on aboutit à des résultats différents. Ce constat de même que les observations faites à la suite des représentations graphiques donnent des

pistes de réflexion sur la qualité des données des rendements agricoles historiques. On s'interroge également, sur la disponibilité des ressources humaines à même de conduire la collecte des données, le dépouillement et la procédure statistique de traitement au cours de toute la période d'étude notamment pour les années les plus lointaines. Au regard de ces constats, nous nous interrogeons sur la qualité des données de rendements agricoles disponibles au sein du service national des statistiques agricoles. L'une des contraintes liées à ces données c'est que la période de collecte est unique et si des erreurs sont faites, il est impossible de répéter la même expérience de sorte à corriger les lacunes constatées. A cet effet, nous suggérons qu'une amélioration de la qualité des données de rendements agricoles soit faite en utilisant les techniques statistiques recommandées.