Skip to navigation – Site map
Changement climatique et transformation du secteur agricole dans la plaine de la Beqaa

Suivi de la sécheresse dans un territoire agricole du Liban : la plaine de la Beqaa

Monitoring of the drought in an agricultural territory of Lebanon: the Beqaa plain
Tarek Nasser, Ghaleb Faour and Laurent Touchart

Abstracts

The inner plain of the Beqaa is considered to be Lebanon's agricultural breadbasket. In this region, drought is a major problem whose consequences are compounded by a lack of effective water resource management and development policies.
To better understand this climatic hazard, we propose a study of the evolution of the intensity of droughts in an agricultural territory located in the center of this plain using two approaches. The first one is based mainly on remote sensing. Using an indicator, the Vegetation Health Index (VHI), which combines the vegetation (VCI) and temperature (TCI) indicators from the Moderate Resolution Imaging Spectroradiometer (MODIS) satellite sensor, it was possible to identify the driest years. The second approach adopted the Standardized Precipitation Index (SPI), which is the main meteorological index recommended for monitoring drought conditions.
The combination of these two approaches has made it possible to observe the variation in the intensity of drought in the agricultural territory. This varies considerably in time and space. 2008 was an exceptional year with one third of the agricultural area affected by severe or extreme drought, despite adequate irrigation. In conclusion, soil drought is not an occasional event in the Beqaa plain but a recurring phenomenon that varies in intensity.

Top of page

Index terms

Mots-clés :

sécheresse, Beqaa, agriculture

Keywords :

Drought, Beqaa, agriculture
Top of page

Full text

Introduction

1La sécheresse est une menace naturelle qui tend à s’aggraver dans le contexte du changement climatique, avec des conséquences socio-économiques majeures (Keyantash, Dracup, 2002 ; Wilhite et al., 2007) notamment dans le domaine agricole, secteur le plus vulnérable face à cet aléa climatique. Plusieurs définitions de cette forme sévère de déficit hydrique (Wilhite et Glantz, 1985; Heim, 2002 ; Boken et al., 2005). Elles sont soit conceptuelles soit opérationnelles (Ndmc, 2006). Les définitions conceptuelles, plutôt générales, sont souvent utilisées pour mettre en place des politiques de gestion de l’eau (exemple : le déficit de précipitation et la perte de rendement). Les définitions opérationnelles permettent de dresser une typologie des sécheresses et caractérisent leur durée et sévérité. On relève quatre définitions de la sécheresse :

2La sécheresse météorologique caractérisée par un manque des précipitations, solides ou liquides sur une période déterminée (Boken, et al., 2005) ; la sécheresse édaphique, qui entraîne un stress hydrique pour la végétation en place, naturelle ou pas, avec des impacts néfastes sur la production agricole (Palmer, 1968 ; Wilhelmi et al., 2002) ; la sécheresse hydrologique, qui est définie par la période durant laquelle le débit des cours d’eau est insuffisant pour répondre aux besoins en eau établis par le système de gestion de l’eau local (Linsley et al., 1975) ; la sécheresse socio-économique, qui survient habituellement après les autres types de sécheresse lorsque les réserves en eau diminuent et que la demande hydrique augmente.

3Ainsi, le changement climatique peut avoir des grandes conséquences sur l’évolution des sécheresses dans plusieurs régions du monde. Plusieurs études sur l’humidité du sol (Vidal et al., 2012) ont montré une augmentation des conditions de sécheresses sévères sur une grande partie du globe terrestre, en particulier en région méditerranéenne (Dai, 2011).

4Au Liban, du fait de son climat méditerranéen, la majorité des zones agricoles est fortement liée aux ressources en eaux souterraines pendant la période estivale. En raison de l’absence de planification, ces ressources seraient menacées en cas d’un changement climatique probable ou d’une variabilité de la moyenne en précipitations (Augier, 2009). Or, au Liban, il n’existe pas de réseau de surveillance de l’évolution de la sécheresse.

5Afin de développer une stratégie d’adaptation à une raréfaction possible des ressources en eau, il est nécessaire de connaître la sécheresse et son évolution. Pour ce faire, il est important de disposer d’outils et de moyens adaptés permettant de fournir des données sur l’intensité de la sécheresse. Il existe déjà plusieurs moyens pour mesurer les épisodes de sécheresse qui caractérisent un milieu donné. Il s’agit d’indicateurs basés sur des données climatiques fournies par des stations météorologiques comme l’indice des précipitations SPI (Hayes et al., 1999) ou par un assemblage de données climatiques et pédologiques comme l’indice de sévérité des sécheresses de Palmer PDSI (Palmer, 1968).

Malheureusement, ce type d’approche connaît des limites au Liban. En effet, le réseau météorologique libanais a été gravement dégradé pendant la guerre civile. Bien que le réseau ait été reconstruit, les données restent toujours difficiles d’accès (Shaban et Houhou, 2015). Cette pénurie de données climatologiques et la nature non centralisée de la gestion des données sur les ressources en eau constituent des obstacles majeurs au suivi de la sécheresse. En ce sens, il s’avère important de trouver une méthode qui assure le suivi et la communication des informations spatio-temporelles sur la sécheresse pour l’ensemble du territoire libanais. Les indicateurs issus des images satellitaires peuvent offrir cette possibilité. L’objectif principal de cette étude est, dans un premier temps, de suivre l’évolution de l’intensité de la sécheresse sur une zone agricole de la plaine de la Beqaa au cours des quinze dernières années, à partir de données satellitaires issues du capteur MODIS. Le second objectif est de comprendre les variations d’intensité de la sécheresse au cours des dernières années, en utilisant un autre indicateur de sécheresse, le SPI.

1 - Le grenier agricole du Liban face à la sécheresse

6La sécheresse des deux dernières décennies en Méditerranée orientale est probablement la plus grave des neuf derniers siècles (Cook, et al., 2016). Cette région est menacée par une augmentation des températures de 1.5 °C à 2 °C d’ici la fin de ce siècle (El Ess, 2012 ; Makké Traboulsi, 2014 ; Shaban et Houhou, 2015) et de 2° C à 5 °C selon le rapport du GIEC (2013). Cette augmentation de température conduira à une diminution de 25 % de la superficie enneigée, source principale de la recharge d’eau souterraine de la Beqaa. Elle serait déjà passée de 2 500 km2 à moins de 2 000 km2 depuis 1970 (Shaban et al., 2009). Selon la même étude, le taux de précipitations moyennes a aussi diminué de 200 mm durant la dernière décennie et une chute de 24 % est estimée à la fin du siècle d’après les modèles globaux du scénario A1B du GIEC (Gicc, 2011).

Figure 1

Figure 1

Délimitation de la région d’étude au sein de la plaine de la Beqaa. La région d’étude choisie couvre une superficie d’environ 440 km2. La surface agricole occupe 2/3 de sa superficie totale (Cnrs, 2011).

Source : National Center of Remote Sensing, 2011. Réalisation : T. Nasser, 2017

La plaine de la Beqaa (fig. 1), par sa position géographique par rapport aux deux chaînes montagneuses encadrantes, est caractérisée par un climat semi-aride qui évolue vers une altération sensible de la pluviosité, du couvert végétal et des sols. Elle est caractérisée par une saison pluvieuse qui s’étale entre octobre et mai. En été, l’influence des hautes pressions subtropicales empêche toute ascendance d’air et provoque une sécheresse absolue de juin à septembre (Makké Traboulsi, 2010). Les conditions climatiques jouent un rôle négatif sur les ressources hydriques et, par conséquent, sur l’agriculture. Dans ce contexte, il est important de suivre l’intensité de la sécheresse dans cette région agricole afin de mettre à disposition des décideurs, locaux et nationaux, des informations et des résultats fiables, permettant de faciliter la mise en place d’une gestion raisonnable et efficace des ressources hydriques, axée sur la réduction des risques liés à la sécheresse.

2 - Méthodologie

2.1 - Choix et caractérisation du capteur MODIS-TERRA

7En l’absence de données mesurées sur le terrain, la télédétection est un outil privilégié pour fournir des informations liées aux états et la dynamique de la végétation. Ces informations proviennent des capteurs satellitaires qui offrent une surveillance permanente de la couverture végétale et de son évolution spatio-temporelle (Iona-Toroimac, 2006). Pour notre étude, nous avons choisi d’utiliser les images satellites issues du capteur MODIS-TERRA. Cette station offre des images avec une résolution qui varie de 1 km à 250 m. Cette résolution rend possible la couverture journalière d'une zone et elle est suffisamment fine pour travailler à l’échelle de la parcelle. MODIS-TERRA, lancé par la NASA en décembre 1999, possède 36 bandes spectrales qui permettent une caractérisation précise des surfaces (Ioccg, 2000)1.

2.2 - Choix de l’indicateur de sécheresse : Vegetation Health Index (VHI)

8La zone d’étude est caractérisée par une surface hétérogène où se retrouvent plusieurs types de cultures irriguées comme la viticulture et les cultures en plein champ. Il fallait donc un indice de végétation polyvalent. Le VHI, calculé à partir des données issues du capteur MODIS-TERRA et de 259 m de résolution, était le mieux adapté pour cette étude.

9Le VHI a montré son efficacité pour le suivi et l’évaluation des sécheresses sur différents types de cultures (Unganai et Kogan, 1998 ; Seiler et al., 2007). L’indice VHI est défini de telle sorte que plus l’indice NDVI est bas et la température de surface est élevée, plus la couverture végétale est mauvaise. Cet indicateur permet de décrire l’état de la végétation, notamment dans des aires hétérogènes (Kogan, 1995). Il combine deux indicateurs, l’un de végétation (Vegetation Condition Index, VCI) et l’autre de température (Temperature Condition Index, TCI).

Le VCI est calculé à partir des données de l’indice de végétation (Normalized Difference Vegetation Index - NDVI), selon la formule suivante (KOGAN, 1995) :

Où le NDVIi représente le NDVI de la période étudiée, le NDVImin, celle de la valeur minimum de la période étudiée et NDVImax, la valeur maximum.

Le NDVI est très connu par sa sensibilité à la présence d’une végétation verte et par son efficacité pour le suivi des sécheresses (Boyd et al., 2002). Cet indice normalisé permet de diminuer l’effet de la dégradation de la calibration des capteurs (Bannari et al., 1995). Malgré cette normalisation, son interprétation peut être biaisée dans les régions arides à faible densité de végétation où la présence de sol est importante (Vogt, 1992 ; Bannari et al., 1995).

Le TCI est basé sur la température de surface et se calcule selon la formule suivante :

Tmax correspond à la température maximale ; Tmin à la température minimale et Ti à la température de la période étudiée (Kogan 1995). Le TCI obtenu par satellite pourrait parfois être influencé par les couvertures nuageuses empêchant une bonne détection du capteur et fausser les températures de surface constituant le TCI. De fait, il se pourrait produire un mélange des pixels lors du traitement de l’image du TCI. Cependant, nous avons traité toutes les images raster de TCI, obtenues par le centre de télédétection au Liban, de la même manière, et en appliquant la même méthodologie. Ainsi, l’éventuel problème de valeur, en absolu, ne remet pas en cause la portée des résultats de notre étude parce qu’il s’agit d’examiner les variations relatives d’une année à l’autre. En revanche, cette erreur n’existe pas pour le TCI calculé par la station météorologique. En effet, le TCI station est plus stable puisque la température des stations est moins affectée par la présence de nuage ou l’angle solaire. De plus, l’étude de Viau et Paquette (1997) a démontré que la température détectée par satellite pouvait être prédite par une erreur absolue de 2 k.

Pour notre étude, nous ne disposions pas de suffisamment de données continues issues de stations météorologiques. C’est pourquoi le TCI satellite a été utilisé. Les données faussées par des conditions météorologiques défavorables ont été exclues d’emblée par l’équipe du Cnrs du Liban qui a fourni les données.

Ainsi, le VHI est obtenu par la somme de la moitié de la valeur des indicateurs VCI et TCI (Kogan, 1995) :

10VHI=0.5VCI+0.5TCI

11Nous insistons sur le fait que VHI est un indicateur de l‘intensité de la sécheresse basée sur l’état de la végétation. Ainsi, cette information pourrait être faussée dans le cas des cultures irriguées car elle masquerait les conditions climatiques défavorables.

2.3 - Traitement des données satellitaires

12Notre méthodologie s’appuie sur l’utilisation conjointe de la télédétection et du système d’information géographique afin de mesurer l’intensité de la sécheresse. Pour cela, nous avons utilisé les VHI obtenus à partir des images satellites. Traités sur la plateforme ArcGIS ESRI, il a été possible de les cartographier afin de suivre la dynamique et l’état de la végétation pendant la saison agricole face à la sécheresse. Nous signalons une limite de cet indicateur. Dans la plaine de la Beqaa, la saison agricole s’étale de mars (débourrement) à mai (entrée dans la phase de sénescence). C’est pourquoi les images satellitaires couvrant cette période ont été sélectionnées et téléchargées à partir du site de la NASA (http://reverb.echo.nasa.gov/​reverb/​).

13La première étape consiste à utiliser les images dérivées MOD11A2 et MOD13Q1 dans le but de créer des images historiques des valeurs minimales et maximales du NDVI et de la température de surface (fig. 2). Chacune de ces deux images fournit des données satellites tous les 16 jours avec une résolution spatiale de 250 m quadrillée dans la projection sinusoïdale. Nous avons donc acquis deux images par mois, sur une période s’étalant de 2001 à 2015, ce qui fait une série de 6 images par année soit 90 images par indicateur pour la période étudiée ayant les bandes : NDVI minimum, NDVI maximum, différence de NDVI, LST minimum, LST maximum et différence de LST.

Figure 2

Figure 2

Chaîne de traitement de données satellitaires à partir du capteur MODIS-TERRA

Source : MODIS, NASA. Réalisation : T. Nasser, 2017

14Dans la deuxième étape, nous avons importé ces données au format image (img) en utilisant le logiciel ERDAS Imagine. Les images ont été projetées selon la projection standard UTM en utilisant la zone 36. Elles ont ensuite été classifiées sur la plateforme ARCGIS-ESRI en cinq classes de VHI qui varient entre 0 et 1 (Kogan, 1997 ; Kogan, 1995). Les conditions de sécheresse sont remplies lorsque le VHI est inférieur à 0,4. Afin de réaliser cette classification du VHI et de calculer la surface endommagée par la sécheresse, nous avons suivi les cinq étapes suivantes dans le SIG (fig. 3).

Fig. 3

Fig. 3

Structure de la démarche méthodologique de SIG utilisée pour le traitement des images MODIS

Réalisation : T. NASSER, 2017

  • 2 (0 <VHI< 0,1 : extrême) ; (0,1<VHI< 0,2 : sévère) ; (0,2<VHI< 0,3 : modérée) ;
    (0,3 VHI 0,4 : légèr (...)

15« Découper une entité de couche » est particulièrement utile pour la création d'une nouvelle classe d'entités, également nommée zone d'étude ou zone d'intérêt, contenant un sous-ensemble géographique. L’« Extraction par masque » est employée pour ne visualiser que l’espace concerné par notre étude. En effet, ce traitement permet d’extraire les cellules d’un raster qui correspondent aux zones définies par un masque. L’outil « Calculatrice raster » permet de créer et d’exécuter une expression d’algèbre spatiale qui génère un raster en sortie. Dans notre cas, il nous a permis de sélectionner les zones selon l’intervalle de l’intensité de la sécheresse selon la classification de Kogan2. Le « Raster vers points » a été utilisé pour convertir les données raster en entités ponctuelles. Chaque entité représente une valeur de VHI en pixels, permettant d’estimer l’intensité de la sécheresse. Le « raster vers polygone » a été employé pour transformer les données raster en entités surfaciques. Cela nous a permis de calculer la surface agricole endommagée par chaque type de sécheresse.

16Plusieurs facteurs peuvent influencer et limiter la portée des résultats. En effet, l’indice VHI dépend largement des valeurs d’autres indices, que sont les VCI et TCI. Ceux-ci, calculés à partir des LST et NDVI, peuvent, s’ils ont eux-mêmes connu un problème de pixel, modifier les résultats de VHI. Cependant, nous avons traité toutes les images raster, obtenues par le centre de télédétection au Liban, en appliquant la même méthodologie. Ainsi, l’éventuel problème de valeur, en absolu, ne remet pas en cause la portée des résultats car il s’agit d’examiner les variations relatives d’une année à l’autre.

3 - Résultats et discussions

3.1 - Évolution de l’indice VHI de 2001 à 2015

Pour réaliser ce travail, la surface agricole utilisée de notre région a été délimitée et sélectionnée sur la plateforme du logiciel ARCGIS en utilisant les données d’occupation du sol de la plaine de la Beqaa. Cette base de données a été développée par le Cnrs libanais et la FAO grâce à l’analyse des images satellites IKONOS multi-spectrales de 80 cm de résolution (Carte d’occupation du sol, 2011).

Figure 4

Répartition de l’intensité de la sécheresse estimée par le VHI sur une zone agricole de la Beqaa, pour la période agricole 2001-2015

Source : MODIS, NASA. Réalisation : T. Nasser, 2017.

La figure 4 représente la répartition spatiale de l’évolution de l’indicateur de végétation VHI de 2001 à 2015. Elle montre une variabilité importante de l’intensité de la sécheresse dans une zone agricole caractérisée par peu de changement des types de cultures durant la période étudiée selon la carte d’occupation du sol entre 1998 et 2011. Le dégradé de couleurs de chaque pixel représente le niveau de sécheresse. Le vert correspondant à la valeur la plus faible, le rouge à la plus intense.

Tableau 1

Année

2001

2002

2005

2006

2007

2008

2009

2010

2011

2012

2013

2014

2015

Moyenne

(15 ans)

VHI

0.25

0.37

0.29

0.34

0.28

0.22

0.32

0.28

0.29

0.26

0.32

0.27

0.24

0.28

moyen

% nb pixel

17%

2%

6%

3%

8%

24%

6%

8%

6%

10%

5%

12%

18%

9,86%

VHI<0.2

Valeur moyenne de VHI, 2001-2015

Sources : MODIS, NASA, calculs de l’auteur, 2017

17Le tableau 1 illustre la valeur moyenne du VHI pour chaque année. Plus la valeur est basse, plus l’état du couvert végétal est détérioré, ce qui pourrait signifier une intensité de sécheresse plus importante. La moyenne de 0,28 témoigne de conditions de sécheresse quasi permanentes entre 2001 et 2015. Le VHI a varié entre 0,22 (2008) et 0,37 de 2001 à 2015, avec un maximum de 0,34 en 2006. Certaines années ont été plus impactées par la sécheresse que d’autres, comme en 2001, 2008 et 2015. D’autre part, au cours des quinze dernières années, sur une superficie agricole de 268,5 km2, ce ne sont pas moins de 198 km2 qui ont été touchés par ces conditions drastiques dont l’intensité varie de faible à sévère, selon la classification de Kogan (1995).

18À partir de ces résultats, nous avons cherché à évaluer la répartition spatiale des différents niveaux de sécheresse par rapport à la superficie agricole. Afin de mieux interpréter les résultats du VHI de 2001 à 2015, nous avons réalisé un regroupement d’intervalles de VHI pour quantifier le degré de sécheresse. Il permet de distinguer trois types de surface agricole : surface touchée par une sécheresse de forte intensité (VHI<0,2), surface touchée par une sécheresse de faible intensité (entre 0,2 et 0,4) et une surface non touchée par une sécheresse (VHI > 0,4).

Figure 5

Figure 5

Variation de l’intensité de la sécheresse pour la période 2001-2015

Sources: MODIS, NASA. Réalisation : T. Nasser, 2017).

1971 % à 90.5 % de la surface agricole étudiée sont touchés par une sécheresse de faible intensité (fig. 5). La sécheresse de forte intensité ne dépasse pas 10 % des surfaces agricoles, à l’exception de l’année 2008 où l’on relève un pic important de 28,7 %. Ce type de sécheresse pourrait être problématique pour l’activité agricole, dont la majorité des cultures sont irriguées, dans la mesure où les pratiques des agriculteurs ne sont pas adaptées.

20La figure 6, illustrant la répartition spatiale de la moyenne du VHI pour la période 2001-2015, montre que la partie intérieure de la région est la plus impactée. Celle-ci est caractérisée par une topographie moins élevée que le reste de la région et une prédominance de cultures irriguées comme la pomme de terre et les cultures maraîchères (Cnrs, 2011).

Figure 6

Figure 6

Carte de la sécheresse moyenne pour la période agricole 2001-2015

Sources : MODIS, NASA. Réalisation : T. Nasser, 2017

Tableau 2

 

Moyenne (2001-2015)

Intensité de la sécheresse agricole

Superficie (km2)

Pourcentage

(%)

Extrême

0.3

0.10 %

(0 <VHI< 0.1)

Sévère

21

7.80 %

(0.1 <VHI< 0.2)

Forte sécheresse

21.3

7.9%

(0 <VHI< 0.2)

Modérée

137

51%

(0,2 <VHI< 0,3)

Légère

97.7

36.40 %

(0,3 <VHI< 0,4)

Faible sécheresse

234.7

87.4%

(0,2 <VHI< 0,4)

Pas de sécheresse

12.5

4.70%

(> 0,4)

Total

268.5

100%

Répartition spatiale de l’intensité de sécheresse d’après le VHI moyen sur la période 2001-2015

Source : MODIS, NASA, calculs de l’auteur, 2017

2187,4 % du couvert végétal est impacté par la sécheresse, dont 51 % est de type modéré. Par contre, la sécheresse de forte intensité a touché 7,9 % de la végétation. On remarque que la sécheresse de type extrême ne représente que 0,1 % de la superficie totale de la région (tableau 2).

3.2 - Lien entre apports pluviométriques et sévérité de la sécheresse

22Afin d’élucider la variabilité des seuils de sévérité des sécheresses climatiques interannuelles, nous avons procédé à une comparaison des résultats VHI avec les données pluviométriques obtenues grâce à l’utilisation de l’indice SPI (Standard Precipitation Index) :

23SPI = (P – Pm)/σp

  • P = précipitation totale d’une période (mm) 

  • Pm= moyenne historique d’une période (mm)

  • σp= Écart-type des précipitations de la période (mm) concernée.

24L’indice SPI est capable de quantifier l’écart des précipitations sur une période donnée, déficit ou surplus, par rapport aux précipitations moyennes historiques (Mckee et al., 1993). Le SPI est polyvalent parce qu’il peut être calculé sur n’importe quelle échelle de temps, de 3 mois à deux ans, ce qui lui donne la capacité de surveiller les conditions importantes comme la sécheresse pour les applications agricoles et hydrologiques (Wilhite, et al., 2007). Dans notre cas, le SPI a été calculé sur une période de 6 mois (octobre à mars) en se référant aux pluies tombant lors des saisons automnales et hivernales.

25La station de Haouch‑Snaid qui est représentative de la zone d’étude (absence de relief dans cette région), possède une série de données pluviométriques continues depuis 1956. Ces données ont servi au calcul de l’indice SPI sur la période d’étude (2001‑2015).

26La figure 7 représente l’évolution des données de VHI et de SPI de 2001 à 2015. Cette analyse a pour objectif de comparer les valeurs des indicateurs VHI et SPI et d’élucider les causes des variations de l’indice VHI. Le SPI indique clairement les années sèches et non sèches en se référant à la classification de Mckee et al., (1993). Les années ayant une valeur positive représentent des périodes humides et les valeurs négatives correspondent aux périodes sèches.

Fig. 7

Fig. 7

Lien entre VHI et SPI

Sources : données MODIS et Station de Haouch-Snaid. Calculs de l’auteur, 2017

27Nous notons que l’équation linéaire de la courbe d’évolution du VHI de 2001 à 2015 montre une valeur négative, ce qui signifie une légère augmentation de la sécheresse. En ce qui concerne les données de SPI, l’année 2003 se démarque par un excès pluviométrique au contraire des années 2001, 2008, 2014 et 2015. Les résultats des deux indices sont plutôt discordants (fig. 7). La sévérité de la sécheresse quantifiée par le VHI n’évolue pas en fonction du déficit ou du surplus pluviométrique dans la plaine de la Beqaa. L’année 2003 en est un exemple. En effet, on constate qu’il s’agissait d’une année relativement arrosée selon l’indicateur SPI, sans pour autant que cela impacte les résultats de l’indicateur VHI. En revanche, nous remarquons que la sévérité de la sécheresse augmente lorsqu’il existe une succession d’années déficitaires en pluviométrie comme pour les années 2008 et 2015. Les données détaillées qui précédent l’année 2008 n’étant pas disponibles, nous nous sommes intéressés aux données pluviométriques de la période allant de 2013 à 2015. Sur les 36 mois de la période sélectionnée, nous remarquons que la période allant de novembre 2013 à octobre 2015 (24 mois) représente des mois déficitaires en pluviométrie à l’exception du février 2015 (fig. 8). Cette période représente 9 mois extrêmement déficitaires avec une pluviométrie au-dessous de 50 % de la normale. Ces mois correspondent en majorité à la période hivernale responsable de l’alimentation des nappes phréatiques. Cette longue succession de mois déficitaires en pluviométrie est à l’origine de l’augmentation de l’intensité de la sécheresse.

Figure 8

Figure 8

Variation des précipitations mensuelles (excédent ou déficit) pour la période allant de janvier 2013 à décembre 2015

Source : station météorologique de Rayak. Conception et réalisation : T. NASSER-CEDETE, 2018

28Pendant les mois déficitaires qui ont précédé les années 2008 et 2015, il n’y a pas eu de recharge suffisante des nappes phréatiques. En plus d’une diminution significative, les deux dernières décennies montrent une irrégularité importante des pluies annuelles qui perturbent la saison agricole parce qu’elle oblige l’agriculteur à suivre un régime d’irrigation non régulier pour faire face aux périodes sèches.

29Suivant Lambert (1996), nous décrivons deux types de sécheresse :

  • la sécheresse atmosphérique où l’évapotranspiration serait effectuée à partir de la réserve utile des sols afin de pouvoir compenser l’assèchement de l’atmosphère. Ce type de sécheresse correspond aux périodes déficitaires en pluviométrie telles que les années 2001, 2006, 2007 et 2014 durant lesquelles le VHI reste proche de la moyenne ;

  • la sécheresse édaphique qui survient lorsque les nappes phréatiques sont touchées par le déficit pluviométrique et que le niveau piézométrique diminue de façon importante. Les puits sont asséchés et la végétation souffre du manque d’eau. Cette situation est remarquable en 2008 et 2015 où le VHI a indiqué une intensité de sécheresse plus importante.

3.3 - La plaine de la Beqaa, une zone agricole menacée

30La relation qui unit l’agriculture au climat est essentielle pour étudier la sécheresse dans un contexte agricole. La sécheresse, en tant qu’aléa climatique, peut devenir un risque par la rupture de l’équilibre entre les besoins d’une société et les ressources potentielles apportées par un milieu donné (Charre, 1977). La sécheresse est un phénomène physique déterminé par un déficit pluviométrique et un déficit hydrique dans le sol. Ainsi, c’est à partir de 3 mois successifs de déficit pluviométrique en dessous de 50 % de la moyenne que l’on peut s’attendre à des dommages économiques sur les cultures (NDMC, 2006).

31Le calcul du VHI a permis de suivre le stress hydrique de la végétation agricole dans la plaine de la Beqaa, traduit par le manque d’eau éventuel pour la plante. L’analyse et le suivi de cet indice permettent donc de cerner la dynamique de la ressource en eau dans le sol et d’en estimer les impacts sur les cultures en place. Le suivi d’un autre indice, le SPI, rend compte également de la recharge hydrique dans le sol, qui intervient souvent pendant l’hiver. Cette recharge hivernale conditionne indirectement l’intensité de la sécheresse dans la région : en effet, si les réserves hydriques ne sont pas assez rechargées à la fin de l’hiver ou pendant des périodes consécutives, il risque d’y avoir une sécheresse plus intense lors de la saison agricole.

32Il ressort de nos résultats, pour la période étudiée, que la surface agricole a été touchée par une sécheresse faible à modérée. Nous pouvons rapprocher ces résultats de l’étude de Charre (1977). Il a distingué deux types de sécheresse : la sécheresse habituelle et la sécheresse occasionnelle. La sécheresse habituelle est considérée comme « normale » ou « non dangereuse » dans les régions traditionnellement sèches, comme la plaine de la Beqaa, car les pratiques agricoles en place sont adaptées pour faire face à ce type de sécheresse. Ainsi, celle-ci ne constitue pas un événement remarquable pour les agriculteurs car ils appliquent une irrigation de complément pour accomplir un cycle cultural.

33Nous pouvons dégager plusieurs éléments de réflexions de cette étude. D’un point de vue géographique, on constate que certaines zones agricoles sont plus impactées que d’autres. Cela pourrait s’expliquer par une irrigation mal maîtrisée. En effet, dans la plaine de la Beqaa, les nappes phréatiques, principale source d’eau d’irrigation, sont alimentées essentiellement par les précipitations hivernales. Une succession de mois déficitaires en précipitations peut impacter négativement le niveau des nappes souterraines et provoquer une sécheresse phréatique. Les conséquences vont rapidement se faire sentir : perte de rendement des grandes cultures, des fruits ou des légumes de plein champ. En effet, d’après l’institut libanais de recherche agricole (LARI), plusieurs exploitations agricoles ont perdu la totalité de leur rendement, majoritairement en pommes de terre, en 2008. En effet, les agriculteurs ont épuisé les eaux souterraines générant rapidement un assèchement important des puits. D’autres facteurs tels qu’une succession de périodes déficitaires en précipitations peuvent influencer l’état de la végétation. Les fortes périodes d’ensoleillement ou de vent ont ainsi une influence sur les températures de surface qui constituent le TCI (Viau et Paquette, 1997).

34Il existe néanmoins des limites à notre étude dont il faut tenir compte pour l’interprétation des résultats. L’utilisation d’images satellites sur une série temporelle plus longue (30 ans) serait plus appropriée pour calculer la moyenne de l’indice de végétation VHI. Nous disposons de série de données de 15 ans parce que le capteur MODIS avait été lancé en 1999 et les images de l’année 2000 étaient inexploitables pour des raisons de calibrage. En outre, les données géo-spatiales de l’utilisation du sol ne sont pas toujours à jour et peuvent être modifiées suite à un changement de culture ou à une cessation d’activité agricole. Enfin, la sécheresse est un phénomène complexe qui associe des facteurs climatiques et des facteurs humains. L’indice VHI reste néanmoins un témoin indirect de ce problème majeur pour les agriculteurs.

Conclusion

35La plaine de la Beqaa a connu durant les 15 dernières années une sécheresse permanente d’intensité faible à modérée avec un pic de sécheresse de forte intensité considérée « dangereuse ». Les changements climatiques possibles dans les années à venir prévoient une intensification des épisodes secs, comme ceux observés en 2008. L’accroissement de la population, combiné à une augmentation du nombre de réfugiés, constitue une pression accrue sur les ressources environnementales et particulièrement, sur les ressources hydriques qui sont de plus en plus vulnérables. Aujourd’hui, le suivi de la sécheresse est devenu une nécessité au vu de ses conséquences sur les activités socio-économiques du territoire. Malgré les limites des indicateurs proposés, ceux-ci peuvent constituer un moyen de suivi relatif et opérationnel. Cependant, à la lumière des résultats obtenus, il s’avère que l’aléa climatique est aggravé par la pression anthropique (cultures inadaptées, exploitation irraisonnée de l’eau souterraine). Aussi, deux questions majeures se posent dans ce contexte libanais. Peut-on adopter de nouvelles stratégies d’adaptation face à la contrainte des ressources en eau ? Comment l’agriculteur peut-il exercer son activité en période sèche, puisque ce phénomène semble être de plus en plus fréquent ? Pour ce faire, des enquêtes menées auprès des agriculteurs permettraient de mesurer les difficultés rencontrées pour pouvoir y faire face. Ces informations pourraient donner aux décideurs un outil relativement efficace afin de créer une stratégie d’adaptation et de gestion des ressources naturelles.

Top of page

Bibliography

Augier, P. 2009. Quatrième Forum Inter-Libanais sur l’Agriculture.

Bannari, A. Morin, D. Bonn, F. Huete, A.R. 1995. A review of vegetation indices. Remote Sensing Reviews, 13: 95-120.

Boken, V.K. Cracknell, A.P. Heathcote, R.L. 2005. Monitoring and predicting agricultural drought: a global study. Oxford: Oxford University Press.

Cook, B.I. Anchukaitis, K.J. Touchan, R. Meko, D.M. Cook, E.R. 2016. Spatiotemporal drought variability in the Mediterranean over the last 900 years. Journal of Geophysical Research Atmospheres, 121: 2060–2074.

Dai, A. 2011. Drought under global warming: a review. Wiley Interdisciplinary Reviews: Climate Change, 2(1): 45-65.

GICC 2011. Les nouveaux scénarios utilisés par le GIEC : quelques clés pour comprendre. Consulté en ligne : http://www.gip-ecofor.org/doc/drupal/gicc/Scenario %20V20120313.pdf

Hayes, M.J. Svoboda, M.D. Wilhite, D.A. Vanyarkho, O.V. 1999. Monitoring the 1996 Drought Using the Standardized Precipitation Index. Bulletin of the American Meteorological Society, 80(3): 11.

Heim, R.R. 2002. A Review of Twentieth-Century Drought Indices Used in the United States. Bulletin of the American Meteorological Society, 83(8) :1149-1165.

Iona-Toroimac, G. Zaharia, L. Bigot, S., Beltrando, G. 2006. Activité végétale et caractéristiques hydroclimatiques en dobroudja (roumanie) : l’apport des données spot-4 végétation. Télédétection, 6(3) : 195-204.

Keyantash, J. Dracup, J.A. 2002. The Quantification of Drought: An Evaluation of Drought Indices. Bulletin of the American Meteorological Society. 83 (8) : 1167-1180.

Kogan, F.N. 1995. Application of vegetation index and brightness temperature for drought detection. Advances in Space Research, 15(11): 91-100.

Kogan, F.N. 1995. Droughts of the Late 1980s in the United States as Derived from NOAA Polar-Orbiting Satellite Data. Bulletin of the American Meteorological Society, 76(5): 655-668.

Lambert, R. 1996. Géographie du cycle de l’eau. Collection Amphi 7, Toulouse : PUM.

Linsley, R.K., Kohler, M.A., Paulhus, J. 1975. Hydrology for Engineers. New York : McGraw-Hill 2e ed, USA.

Makké Traboulsi, M. 2014. Les fortes chaleurs au Proche-Orient et leurs relations avec la circulation atmosphérique régionale. Etude des tendances indicatrices des changements climatiques. Hannon, Revue de géographie libanaise, 47 : 8-83.

Makké Traboulsi, M. 2010. La pluviométrie moyenne annuelle au Liban interpolation et cartographie automatique. Lebanese Science Journal, 11(2): 11-25.

Mckee, T.B Doesken, N.J. Kleist, J. 1993. The Relationship of drought frequency and duration to time scales. 8th Conference on Applied Climatology: 179-184.

NDMC 2006. National Drought Mitigation Center. What is Drought? Drought Indices. Consulté en ligne : http://www.ndmc.unl.edu/whatis/indices.htm.

Palmer, W.C. 1968. Keeping Track of Crop Moisture Conditions, Nationwide: The New Crop Moisture Index. Weatherwise, 21(4): 156-161.

Seiler, R.A. Kogan, F. Wei, G. Vinocur, M. 2007. Seasonal and interannual responses of the vegetation and production of crops in Cordoba – Argentina assessed by AVHRR derived vegetation indices. Advances in Space Research, 39(1): 88-94.

Shaban, A. 2009. Indicators and Aspects of Hydrological Drought in Lebanon. Water Resources Management, 23(10): 1875-1891.

Shaban, A. and Houhou R., 2015. Drought or humidity oscillations? The case of coastal zone of Lebanon. Journal of Hydrology, 529: 1768-1775.

Unganai, L.S. and Kogan, F.N. 1998. Drought Monitoring and Corn Yield Estimation in Southern Africa from AVHRR Data. Remote Sensing of Environment, 63(3) : 219-232.

Viau, A. and Paquet, F. 1997. Régionalisation de la température de l’air en Andalousie – Rapport final présenté à l’Institut des applications spatiales. Ispra (VA): centre commun de recherche, Italie.

Vidal, J.P. Martin, E. Kitova, N. Najac, J. Soubeyroux, J.M. 2012. Evolution of spatio-temporal drought characteristics: validation, projections and effect of adaptation scenarios. Hydrology and Earth System Sciences, 16(8): 2935-2955.

Vogt, J.V. 1992. Characterizing the Spatio-temporal Variability of Surface Parameters from NOAA AVHRR Data. A case Study for Southern Mali. Brussels: commission of the European Communities - Joint Research Centre, Publication no. 14637.

Wilhelmi, O.V., Hubbard, K.G., Wilhite, D.A. 2002. Spatial representation of agroclimatology in a study of agricultural drought. International Journal of Climatology, 22(11): 1399-1414.

Wilhite, D.A Glantz, M.H. 1985. Understanding the drought phenomenon: the role of definitions. Water International, 10(3): 111-120.

Wilhite, D.A. Svoboda, M.D. Hayes, M.J. 2007. Understanding the complex impacts of drought: A key to enhancing drought mitigation and preparedness. Water Resources Management, 21(5): 763‑774.

Top of page

Notes

1 http://www.ioccg.org/sensors/terra.html

2 (0 <VHI< 0,1 : extrême) ; (0,1<VHI< 0,2 : sévère) ; (0,2<VHI< 0,3 : modérée) ;
(0,3 <VHI< 0,4 : légère) ; (0,4 <VHI< 1 : pas de sécheresse)

Top of page

List of illustrations

Title Figure 1
Caption Délimitation de la région d’étude au sein de la plaine de la Beqaa. La région d’étude choisie couvre une superficie d’environ 440 km2. La surface agricole occupe 2/3 de sa superficie totale (Cnrs, 2011).
Credits Source : National Center of Remote Sensing, 2011. Réalisation : T. Nasser, 2017
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-1.jpg
File image/jpeg, 99k
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-2.png
File image/png, 3.5k
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-3.png
File image/png, 1.9k
Title Figure 2
Caption Chaîne de traitement de données satellitaires à partir du capteur MODIS-TERRA
Credits Source : MODIS, NASA. Réalisation : T. Nasser, 2017
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-4.jpg
File image/jpeg, 16k
Title Fig. 3
Caption Structure de la démarche méthodologique de SIG utilisée pour le traitement des images MODIS
Credits Réalisation : T. NASSER, 2017
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-5.jpg
File image/jpeg, 41k
Caption Répartition de l’intensité de la sécheresse estimée par le VHI sur une zone agricole de la Beqaa, pour la période agricole 2001-2015
Credits Source : MODIS, NASA. Réalisation : T. Nasser, 2017.
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-6.jpg
File image/jpeg, 702k
Title Figure 5
Caption Variation de l’intensité de la sécheresse pour la période 2001-2015
Credits Sources: MODIS, NASA. Réalisation : T. Nasser, 2017).
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-7.jpg
File image/jpeg, 67k
Title Figure 6
Caption Carte de la sécheresse moyenne pour la période agricole 2001-2015
Credits Sources : MODIS, NASA. Réalisation : T. Nasser, 2017
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-8.jpg
File image/jpeg, 116k
Title Fig. 7
Caption Lien entre VHI et SPI
Credits Sources : données MODIS et Station de Haouch-Snaid. Calculs de l’auteur, 2017
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-9.png
File image/png, 67k
Title Figure 8
Caption Variation des précipitations mensuelles (excédent ou déficit) pour la période allant de janvier 2013 à décembre 2015
Credits Source : station météorologique de Rayak. Conception et réalisation : T. NASSER-CEDETE, 2018
URL http://journals.openedition.org/mediterranee/docannexe/image/11621/img-10.jpg
File image/jpeg, 58k
Top of page

References

Electronic reference

Tarek Nasser, Ghaleb Faour and Laurent Touchart, « Suivi de la sécheresse dans un territoire agricole du Liban : la plaine de la Beqaa », Méditerranée [Online], 131 | 2020, Online since 03 February 2020, connection on 19 February 2020. URL : http://journals.openedition.org/mediterranee/11621 ; DOI : https://doi.org/10.4000/mediterranee.11621

Top of page

About the authors

Tarek Nasser

Professeur d'université, Centre d’études pour le développement des territoires et l’environnement (EA 1210), Orléans, France, tarek.nasser@univ-orleans.fr

Ghaleb Faour

Chercheur, Centre de télédétection, Centre national recherche scientifique, Liban, gfaour@cnrs.edu.lb

By this author

Laurent Touchart

Professeur d'université, Centre d’études pour le développement des territoires et l’environnement (EA 1210), Orléans, France, laurent.touchart@univ-orleans.fr

Top of page

Copyright

Tous droits réservés

Top of page
  • Logo Presses Universitaires de Provence
  • OpenEdition Journals