2.3.3 Mesures et analyses
Sur le terrain, la production en matière fraîche
et la verdure des feuilles de basilic ont été mesurées. La
verdure a été mesurée à l'aide du chlorophylle
-mètre (Photo 2) qui est un appareil capable de mesurer la verdure d'une
feuille proportionnellement à sa teneur en chlorophylle et donc en
azote. Les mesures doivent être prises dans des conditions
particulières décrites par Murdock (1997). Il est effectué
six (6) coupes suivies de la récolte de la biomasse résiduelle
extérieure au sol. Au laboratoire, on a déterminé (i) le
taux d'humidité et (ii) le rendement en matière sèche. Des
échantillons des feuilles fraîches sont collectés pour
chaque traitement pour cette fin. Le taux d'humidité est obtenu
après un séchage à l'étuve des échantillons
de feuilles collectés pendant 3 à 4 jours à une
température de 70 oC.
L'analyse de la variance des rendements en feuilles
fraîches de basilic et le T-test ont été effectué
avec le logiciel STATISTICA tandis que le test de Duncan (pour la
ségrégation des moyennes) est fait avec le MSTAT. Les analyses
sont faites au seuil de 5%.
Photo 2 : Le chlorophylle-mètre (en usage
sur les feuilles de basilic)
2.3.4 Test de la performance du module
Pour le test de la performance du module, nous avons
utilisé, à l'instar d'Addiscott et Whitmore (1987), Loague et
Green (1991), de Jemisson et al. (1994a et 1994b) et Sogbédji
et al. (200 1b), une méthode incluant une évaluation
graphique et une évaluation statistique. Les tests de performance ont
utilisé les données des sites D2, D3-3 et de Gbodjomé.
2.3.4.1 Les variables pour le test
L'évaluation était faite de manière
indirecte. Le module calcule des be soins en engrais, mais nous avions
évalué l'effet des engrais sur le terrain pour ainsi
évaluer les doses d'engrais appliquées.
Cette évaluation s'effectuera sur la base des
rendements (variable dépendante) d'autant plus que c'est la
finalité de l'apport de doses d'engrais (variable indépendante)
que calcule le module. Le rendement rend mieux compte, d'abord de l'interaction
entre les nutriments apportés, ensuite entre les nutriments et le sol de
culture et enfin prend en compte les variabilités environnementales. Du
point de vue d'une approche système, le rendement en feuille
fraîche de basilic constitue une résultante économique
intéressante du système solclimat-basilic.
En faisant varier dans le module le rendement ciblé,
nous avons déterminé les besoins prédits correspondants
aux différents traitements appliqués au cours des essais. Pour P
et K appliqués, nous avons quatre combinaisons de N sur chaque site : 0,
100, 150 et 200 pour les sites argileux et 0, 200, 250 et 300 pour les sites
sableux. Ces doses de N vont correspondre à différents rendements
ciblés prédéterminés (input du module) et sont donc
des variables dépendantes prédites. Les différentes doses
d'azote appliquées au cours des essais vont donner des rendements
réellement observés. Ainsi, nous avons sur chaque site, 4 couples
de rendements prédits contre observés (n) à associer.
2.3.4.2 Evaluation statistique
Au niveau de l'évaluation statistique, le RMSE
(Root Mean Square Error / carré moyen principal de l'erreur)
(Loague et Green, 199 1), le MD (Mean Difference / différence
des moyennes) (Jemisson et al, 1994) et l'indice d
(Willmott's index of agreement / Indice d'acceptation de Willmott)
(Willmott, 1981) sont utilisés pour mesurer la coïncidence entre
les rendements observés et ceux prédits (ciblés). Ces
paramètres se calculent de la manière suivante (Oi = valeur
observée, Om = valeur moyenne des observations, Pi = valeur
prédite, n = nombre d'observation) :
1. MD =
· (Oi - Pi)/n
(Jemisson et al., 1994ab)
Le t-test sera utilisé pour déterminer si le MD
est significativement différente de zéro (alpha à 5%)
2. RMSE = [
· (Oi - Pi)2
/n]1/2 (Sogbédji et al., 200 1a)
Nous l'avons utilisé sous sa forme relative
(RRMSE : relative root mean square Error) qui se
calcule de la manière suivante :
RRMSE = RMSE x (100/ Om)
Le RRMSE estime la déviation moyenne entre les valeurs
prédites et les valeurs observées. C'est comme un coefficient de
variation qui s'exprime en pourcentage et doit être faible (< 20% pour
les essais aux champs) (Lengnick et Fox, 1994)
3. d = 1 - [
· (Oi - Pi)2/
(
· /Pi - Om/ + /Oi - Om/ )2 ] (Frei, 2003)
La valeur de d reflète la précision avec
laquelle le module estime les valeurs observées et sa valeur est
égale à 1 lorsque les estimations coïncident parfaitement
avec les observations (Sogbédji et McIsaac, 2002).
2.3.4.3 Evaluation graphique
Au niveau de l'évaluation graphique, nous avons
utilisé la régression linéaire pour déterminer le
degré d'association des rendements prédits et ceux
observés. L'analyse de la pente et de l'inter cepte nous a
été utiles (à comparer statistiquement à 1 et 0
respectivement). L'évaluation graphique est effectuée par la
représentation à l'échelle 1:1 des valeurs prédites
et celles observées.
Comme critère d'acceptation des prédictions du
module, nous avions utilisé le plus grand coefficient de
corrélation positif significatif et la moindre différence non
significative entre les valeurs prédites et les valeurs observées
(Addiscott et Whitmore, 1994)
2.3.4.4 Analyse de la
sensibilité
En marge du test de la performance, une analyse approfondie
est effectuée pour les prédictions du module par rapport aux
résultats des essais. Cette analyse a concerné le site de
Goumoukopé où nous avons calculé les indices de
l'efficacité interne (IEI) des traitements.
IEI trt = (EI trt - LA) / (LD - LA) (Janssen, 1998)
Où trt = traitement, IEI = indice de
l'efficacité interne, LD= limite de dilution et LA = limite
d'accumulation.
A partir des absorptions obtenues sur ce site, nous avons
déterminé le ratio N:P:K de chaque traitement. En comparant
l'indice IEI de ces traitements avec celui optimal du module (50%) ainsi que
leurs ratios d'absorption N:P:K à celui du module, nous avons
vérifié la sensibilité des prédictions du
module.
| 
