3.
Choix des méthodes et des tests statistiques
Il n'existe pas de procédés
générateurs d'information en dehors des procédés de
mesure (Laborde, 2005). Cet adage, vieux comme le monde, s'applique à
toute démarche scientifique et à la climatologie en particulier.
Depuis des siècles, l'étude du climat suscite
l'intérêt de l'homme aussi bien d'un point de vue fondamental de
compréhension des phénomènes, que d'un point de vue plus
appliqué de prédétermination des risques et contraintes
pour les activités humaines. L'étude de la
pluviométrie et de sa variabilité nécessite de disposer de
longues et de plusieurs séries d'observations, soumises
préalablement au test d'homogénéité et à
l'assurance de leur fiabilité. Puisque la recherche
d'hétérogénéité des séries
pluviométriques a déjà été effectuée,
la première étape dans cette analyse de données est donc
de vérifier la fiabilité des données et la seconde est de
combler les lacunes observées.
Pour ce faire, l'informatique est un excellent outil d'aide
aux traitements statistiques des données dans une étude
diagnostique du climat, surtout lorsqu'il s'agit d'une approche exploratoire
à plusieurs variables. Les méthodes statistiques ont pour
intérêt d'analyser l'organisation de l'espace géographique
sur le plan pluviométrique ou hydrologique. C'est dans cette optique que
Bouroche et Saporta (1980), cités par Houndénou (1999) et Vissin
(2001), ont montré l'importance des techniques statistiques qui donnent
un aperçu général des paramètres
météorologiques et mettent en relief les liaisons, les
ressemblances et les dissemblances qui existent entre les données de
différentes stations.
Les données statistiques utilisées dans ce
travail sont essentiellement quantitatives. Nous les avons traitées au
Laboratoire d'Etude des Climats, des Ressources en Eau et de la Dynamique des
Ecosystèmes (LECREDE). La synthèse et l'essai d'explication des
résultats ne se sont pas avérés fastidieux car rendus
aisés par l'ensemble constitué des tableaux et graphiques. Outre
les analyses statistiques classiques, nous avons utilisé pour l'analyse
des séries continues une procédure de segmentation qui vise
à tester leur stationnarité. Cette procédure permet de
découper en autant de sous séries stationnaires que possible la
série primitive.
3.1.
Comblement des données manquantes
La méthode des moindres carrés a
été utilisée pour combler les données manquantes
dans les séries. Elle s'effectue par le calcul de régression
multiple de type linéaire entre les séries lacunaires et les
séries des stations complètes environnantes aux latitudes
semblables et quasi immédiates. Des quatre stations retenues (Tab. 1),
trois présentent des lacunes. Mais leur représentativité
reste insignifiante, Berbérati (0,01%), Bossangoa (0,03%) et
Bossembélé (0,01%). Rappelons que cette méthode de
comblement des lacunes ne permet jamais de retrouver exactement ce qu'aurait pu
être une mesure « vraie » (Laborde, 1999). A
contrario, elle a permis « de remplacer les valeurs manquantes
par des estimations présentant des qualités (vraisemblance) et
des indices de confiance (variance d'estimation), mais toujours sous
réserve de validité du modèle statistique
retenu ». L'équation de régression peut
s'écrire :
Qi = a1K1i + a2K2i + a3K3i
+ c avec:
§ Q = variable dépendante pour laquelle une des
valeurs q de l'année i donc (qi) représente les
totaux mensuels ou annuels ;
§ K1, K2 et K3 = variables explicatives des
séries pluviométriques non lacunaires dites
régresseurs ;
§ K1i, K2i et K3i = totaux
mensuels ou annuels des stations 1, 2 et 3 de l'année
i ;
§ c = Constante.
| 
