Navigation – Plan du site

AccueilNumérosVolume 19ArticlesÉvaluation des données TAMSAT d'e...

Articles

Évaluation des données TAMSAT d'estimation des précipitations dans la partie septentrionale du Cameroun

Evaluation of TAMSAT data for rainfall estimates in the northern part of Cameroon
Collins Étienne Kana et Marlyse Nankap Djangue
p. 49-63

Résumés

Face aux lacunes des données d'observation de la pluviométrie au sol pour des besoins d'adaptation à la variabilité climatique, l'imagerie satellitaire est depuis quelques décennies utilisée pour la mise en évidence des nuages générateurs des précipitations. Parmi les produits de ce type les plus usuels, figurent les données TAMSAT (Tropical Applications in Meteorology using SATellite data) d'estimation des précipitations à partir des seuillages appliqués sur le canal infrarouge thermique pour l'identification des nuages à sommet froid. Des doutes persistent cependant sur la capacité de ces données à reproduire fidèlement les évènements pluvieux dans la zone soudano-sahélienne, particulièrement exposée aux aléas pluviométriques. Il devient de ce fait nécessaire de les évaluer à partir des mesures au sol.
L'objectif de ce travail est donc de valider les estimations TAMSAT sur le Nord Cameroun en utilisant les 24 postes pluviométriques pour lesquels on dispose de données mesurées en continu de 2001 à 2011. Les traitements appliqués à ces données comportent la production de moyennes, mensuelles et annuelles, et diverses techniques d'analyse spatiale (interpolation spatiale des données ponctuelles et opérations arithmétiques sur fichiers raster).
Les résultats indiquent que les produits satellitaires TAMSAT peuvent en partie combler les insuffisances des mesures au sol, en raison de leur capacité à reproduire les principales caractéristiques (mensuelles, interannuelles et spatiales) des précipitations du Nord Cameroun. Mais l'étalonnage de TAMSAT conduit généralement à des biais : secs en zone soudanienne et humides en zone sahélienne. Ces biais peuvent se traduire par des écarts de 25 % par rapport aux lames d'eau observées in situ.

Haut de page

Texte intégral

I - Introduction

1Les précipitations jouent un rôle important dans le système terrestre, notamment à travers la différenciation et la dynamique des écosystèmes, le régime des écoulements de surface et l'approvisionnement en eau des organismes vivants. Sous les tropiques, elles sont déterminantes pour la gestion conservatoire de l'environnement et la pratique des activités économiques telles que l'élevage et l'agriculture pluviale. En conséquence, la maîtrise de l'information climatique apparaît comme un enjeu de développement durable. Conscients de cette contrainte, les États se sont dotés d'un réseau de stations météorologiques quadrillant leurs territoires. Toutefois, en Afrique tropicale, beaucoup de ces stations sont mal réparties, sous-équipées et dépourvues des ressources humaines adéquates. De ce fait, elles ne permettent pas toujours de disposer d'une information suffisante, de résolution permettant d'éclairer les décisions à différents niveaux géographiques (local, régional, national ou continental). Les rares données pluviométriques disponibles sont chronologiquement incomplètes et ne permettent pas de caractériser convenablement les régimes de précipitations (J.B. SUCHEL, 1988 ; S.E. NICHOLSON, 2000).

2Face aux défis actuels d'adaptation à la variabilité climatique, les insuffisances des mesures au sol ont imposé l'exploration de solutions palliatives, ou complémentaires, telles que l'estimation des précipitations par satellite. Des capteurs satellitaires possèdent en effet des bandes sensibles à la vapeur d'eau et aux nuages générateurs de précipitations. De nombreuses études ont testé le potentiel de l'imagerie dans ce domaine (V. THORNE et al., 2001 ; R.J. HIJMANS et al., 2005 ; A. ASADULLAH et al., 2008 ; R. ROCA et al., 2010 ; J. BERGÈS et al., 2010 ; F. DELAHAYE, 2013 ; A. YOLANDE et al., 2015 ; T.H. STEIN et al., 2019 ).

3Plusieurs produits issus de l'imagerie satellitaire ont été développés (CMORPH, PERSIAN, 3B42v7, CHIRPS, FRE, TAMSAT). Pour l'Afrique intertropicale précisément, les données TAMSAT sont utilisées à grande échelle, et avec succès, en raison de la prédominance des précipitations convectives (G.J. HUFFMAN et al., 2001 ; T. DINKU et al., 2007 ; A. ASADULLAH et al., 2008 ; M. ZAMBRANO-BIGIARINI et al., 2017 ; R.I. MAIDMENT et al., 2014, 2020 ; M. YOUNG et al., 2020). Mais peuvent-elles aussi rendre compte des variations spatiales des pluies, à différentes échelles de temps, dans la partie septentrionale du Cameroun ? En effet, dans cet espace aux confins des zones soudanienne et sahélienne d'Afrique tropicale, la vulnérabilité aux aléas climatiques est accentuée par la faiblesse de la hauteur de pluie annuelle moyenne (entre 400 et 1400 mm, contre plus de 2500 mm pour la zone forestière méridionale) et par la forte dépendance des activités agricoles à la pluviosité.

4Dans ce contexte, l'objectif de l'étude est de tester le potentiel des estimations TAMSAT à pallier l'insuffisance des données au sol. Dans cette perspective, la plupart des études précédentes ont utilisé les approches de statistiques bivariées, qui fournissent des coefficients globaux de corrélation (T. DINKU et al., 2007 ; A. ASADULLAH et al., 2008). La principale originalité réside ici dans l'approche par analyse spatiale, qui met en évidence la variabilité locale des correspondances entre les séries.

II - Présentation de la zone d'étude

5La partie septentrionale du Cameroun s'étend approximativement du 6ème parallèle au lac Tchad (Fig. 1) et couvre globalement les régions administratives de l'Adamaoua, du Nord et de l'Extrême-Nord. Sa superficie est d'environ 164 037 km2, soit 34,5 % de l'ensemble du territoire national. La zone comprend trois grands ensembles morphologiques : au sud, le plateau de l'Adamaoua (1100 m d'altitude moyenne), un bloc de socle soulevé, surplombé de quelques massifs montagneux (Tchabal Mbabo : 2460 m) ; au centre, le bassin sédimentaire de la Bénoué (200 m d'altitude moyenne) ; et plus au nord, la plaine du Tchad qui s'abaisse progressivement de 550 m au pied des monts Mandara à 280 m près du lac Tchad.

Figure 1 - Localisation et présentation de la zone d'étude.

Figure 1 - Localisation et présentation de la zone d'étude.

Source : carte écologique du couvert végétal (ONADEF, 1984), mise à jour par imagerie Landsat. Réalisation : Collins Étienne KANA, en 2023.

6Le Nord Cameroun appartient à la zone des climats tropicaux au sens strict. Il juxtapose, du sud au nord, les types soudanien de nuance humide, sur le plateau de l'Adamaoua, soudanien de nuance sèche, dans le bassin de la Bénoué, et soudano-sahélien à sahélien, dans les basses terres du bassin du lac Tchad. La durée de la saison des pluies passe progressivement de 7 à 3 mois, la pluviométrie annuelle de 1400 à 400 mm et le nombre annuel de jours pluvieux de près de 120 à 30 (J.B. SUCHEL, 1988). Avec des températures mensuelles moyennes oscillant entre 25 et 30 °C et culminant à des pics de 35 à 40 °C, surtout entre les mois de mars et avril, le Nord Cameroun est également la partie la plus chaude du pays. Les tendances évolutives mettent en évidence une hausse des températures moyennes de 0,47 °C par décennie entre 1987 et 2006 (MINEPDED/PNUD, 2015).

7Dans toute la zone, c'est sur le plateau de l'Adamaoua (Fig. 1) que le climat est le plus humide. En effet, la saison sèche y est plus courte (4 à 5 mois) que dans les bassins et plaines situés plus au nord. Des totaux pluviométriques annuels moyens élevés, de l'ordre de 1500 à 1700 mm sur la période 1961-2010 (MINEPDED/PNUD, 2012), entretiennent une flore méso-soudanienne donnant un couvert de savanes arbustives et de forêts claires.

8Dans le bassin de la Bénoué, l'effet d'abri crée une ambiance soudanienne franche où la saison sèche et la saison des pluies ont des durées sensiblement égales. Les précipitations annuelles moyennes avoisinent 1000 mm (MINEPDED/PNUD, 2012). La végétation passe des savanes boisées au sud à des formations soudano-sahéliennes au nord.

9Entre la cuvette de la Bénoué et 11° de latitude Nord, la diminution des précipitations est encore plus sensible (815 mm à Maroua ‒ MINEPDED/PNUD, 2012), avec cependant un léger regain pour les stations exposées des hauteurs du Mandara (973 mm à Mokolo). La saison sèche dure ici au moins 7 mois. Entre les 11ème et 13ème parallèles Nord, s'étend le domaine sahélien, avec une saison des pluies réduite à 3 ou même 2 mois et des totaux pluviométriques annuels compris entre 700 et 400 mm (MINEPDED/PNUD, 2012). La végétation herbeuse devient discontinue, excepté dans les yaérés de la plaine inondable du Logone où le tapis graminéen à Echinochloa pyramidalis et Vetiveria nigritana est sans cesse reverdi jusqu'au cœur de la saison sèche. La strate ligneuse, rabougrie par le stress hydrique, est constituée de pieds épars de d'Acacia sp., de Balanites sp. et de Combretum.

10Les décennies passées ont confirmé la récurrence des événements climatiques extrêmes, avec des impacts notoires sur les activités de production et l'environnement. Face aux pics de sécheresse qui se sont succédés entre 1969-1974 et 1982-1985 (J.B. SUCHEL, 1988 ; D. SIGHOMNOU, 2004), les pouvoirs publics ont réagi par diverses actions de réduction de la vulnérabilité communautaire : mise au point de cultivars à cycle court, opérations de reboisement, aménagement des casiers pour la riziculture inondée, construction du lac de retenue de Maga sur le Logone et du barrage de Lagdo sur la Bénoué. Plus récemment, en 2012, les fortes pluies et les inondations consécutives (C.E. KANA et al., 2013) ont souligné une fois encore la nécessité d'un meilleur suivi des paramètres pluviométriques en vue d'alerter sur des situations potentiellement dommageables.

11Dans cette région à la fois exposée et vulnérable aux fluctuations climatiques, le réseau des stations météorologiques, désuet depuis des décennies, a connu un début de réhabilitation depuis 2013, avec l'installation dans la zone d'étude de six stations climatologiques automatiques dotées de dispositifs de transmission à distance des données. Bien que cette avancée technologique soit de nature à éliminer les erreurs de lecture ou de report, leur maillage spatial reste très faible pour cerner convenablement les discontinuités de l'espace pluviométrique de la région. De plus, la profondeur historique des observations reste insuffisante pour l'étude de la variabilité climatique. Comment, dans ces conditions, tirer le meilleur avantage des données éparses et multi-sources disponibles ? Que peuvent apporter les données d'estimation des précipitations par satellite pour le suivi de la variabilité des précipitations dans cette zone sensible ? La réponse à ces questions passe par un essai de mise en relation des estimations TAMSAT et des mesures au sol.

III - Méthodologie

1 ) Les données

12TAMSAT (Tropical Applications in Meteorology using SATellite data) est une approche développée au cours des années 1980 par l'Université de Reading en Angleterre pour la surveillance de la sécheresse en Afrique de l'Ouest (V.D. MCDOUGALL et al., 1988). Elle est basée sur le l'Infrarouge Thermique (IRT) de METEOSAT et les données acquises au sol. Son algorithme applique des paramètres d'étalonnage prédéterminés aux champs des nuages à sommet froid (Cold Cloud Duration : CCD) qui provoquent la majorité des précipitations en Afrique (R.I. MAIDMENT et al., 2014, 2017 ; C.M. WAINWRIGHT et al., 2021). Cette approche est à l'origine d'un jeu de données de précipitations mensuelles couvrant toute l'Afrique depuis 1983 (E. TARNAVSKY et al., 2014). L'objectif est de fournir des estimations de précipitations historiques et régulières pour la surveillance de l'environnement en Afrique subsaharienne. Les données de précipitations mensuelles TAMSAT (accessibles à partir de ce lien) sont fournies en fichier raster d'une résolution spatiale de 0,0375° (environ 4 km).

13La méthode retenue pour la validation des données TAMSAT consiste à les confronter aux données des stations au sol. En l'absence de données en provenance des stations de la Météorologie Nationale, hors fonctionnement pour la plupart, ce sont celles des réseaux pluviométriques de la SODECOTON (Société de Développement du Coton) et de l'administration en charge de l'agriculture, tous deux équipés de pluviomètres standards, qui ont été utilisées. La SODECOTON assure le maintien d'un parc de 24 postes pluviométriques environ, répartis dans toute la zone de production cotonnière, entre les 8ème et 11ème parallèles Nord, et dont la plupart ont été créés dans les années 1980. Au nord de la zone cotonnière, les seules données disponibles proviennent des dispositifs gérés par les services de l'agriculture dans les onze arrondissements que compte le département du Logone-et-Chari. Ces stations ne sont pas toutes aussi fiables que celles de la SODECOTON, les règles de mise en place (environnement de l'appareil, hauteur et horizontalité de la surface réceptrice) n'étant pas toujours bien respectés.

2 ) Les traitements

14Les données mensuelles TAMSAT récupérées couvrent une période de 30 ans (de 1983 à 2012). Mais l'évaluation n'a porté que sur la période 2001-2011, pour laquelle les données au sol sont de qualité acceptable (sans lacunes). Chacun des fichiers raster d'estimation des précipitations mensuelles TAMSAT a été découpé sur la zone d'étude à l'aide d'un logiciel SIG (QGIS en l'occurrence). Le calculateur raster de QGIS a permis de générer les moyennes mensuelles et annuelles sur la période considérée.

15Pour les données au sol, l'analyse exploratoire a permis d'exclure les stations ayant des plages temporelles manquantes sur la période 2001-2011. Vingt-quatre stations ont été retenues, 17 du réseau de la SODECOTON (Kaélé, Guider, Madingring, Touboro, Gance, Gawar, Doukoula, Yagoua, Maroua, Fignole, Tchatibali, Garoua, Tcholliré Ndock, Mbéré, Guétalé et Bidzar) et 7 des services de l'agriculture (Makari, Logone-Birni, Blangoua, Fotokol, Kousseri, Goulfey et Waza). Les données de ces stations ont été agrégées mensuellement, puis interpolées spatialement par l'outil de pondération par l'inverse de la distance (IDW). C'est un interpolateur "exact", qui prévoit une valeur identique à la valeur mesurée à un emplacement échantillonné. Il détermine la valeur de la cellule traitée en calculant la moyenne des valeurs des points situés dans son voisinage. Autrement dit, les points voisins ont d'autant plus d'influence sur la moyenne de la cellule en cours d'analyse qu'ils en sont proches.

16Les cartes mensuelles des plages pluviométriques issues des données TAMSAT et des stations au sol ont été confrontées visuellement pour apprécier leur concordance spatiale et temporelle. Des isohyètes annuels moyens issus des deux sources ont également été générés par interpolation spatiale. Parallèlement à ces traitements cartographiques, les valeurs les plus fréquentes dans une fenêtre de 3x3 pixels autour de chaque poste pluviométrique (technique permettant de gommer les effets perturbateurs des pixels à valeur anormalement élevée) ont été extraites des rasters TAMSAT au moyen des outils SIG. Cela a permis de disposer, pour chaque poste pluviométrique, de deux séries de données pour chaque période : l'une issue des données in situ et l'autre des estimations TAMSAT. Après une cartographie comparée et le calcul du coefficient de corrélation de BRAVAIS-PEARSON (qui mesure l'intensité et le sens de la relation linéaire entre les deux séries), la différence entre les valeurs de référence (données in situ) et les estimations TAMSAT a été calculée et spatialisée. Tous ces traitements ont permis de disposer de données graphiques et statistiques comparables, issues des deux sources.

IV - Résultats

17Le traitement statistique et cartographique des deux séries (données au sol et données TAMSAT) met en évidence des similitudes et des différences.

1 ) Similitudes

18Les similitudes sont fortes pour les distributions aussi bien temporelle que spatiale des précipitations.

19Pour les valeurs maximales (localisées en zone soudanienne pour les deux séries), les estimations TAMSAT sont sensiblement plus élevées, mais varient généralement d'une année à l'autre dans le même sens que les données in situ (Fig. 2). La valeur du coefficient de corrélation entre les deux séries, soit 0,42, est significative au seuil de de 1 %.

Figure 2 - Comparaison des valeurs annuelles minimales, maximales et moyennes sur la période 2001-2011 des précipitations issues des données TAMSAT et des mesures au sol pour les 24 stations considérées.

Figure 2 - Comparaison des valeurs annuelles minimales, maximales et moyennes sur la période 2001-2011 des précipitations issues des données TAMSAT et des mesures au sol pour les 24 stations considérées.

20Au mois d'avril correspond le début timide de la saison des pluies au sud, mais c'est au mois de mai que les pluies s'installent véritablement dans la plus grande partie de la zone d'étude (Fig. 3). Le mois d'octobre marque la fin de la saison humide. Les mois les plus arrosés sont juillet et août, avec des totaux mensuels moyens supérieurs à 120 mm dans les deux séries. Les totaux pluviométriques annuels moyens décroissent du sud au nord, passant de 1330 mm à 378 mm pour les données au sol et de 1042 mm à 563 mm pour les estimations TAMSAT entre Tcholliré et Blangoua (Fig. 3).

Figure 3 - Distribution spatiale des précipitations mensuelles moyennes d'après les données TAMSAT et les mesures au sol sur la période 2001-2011.

Figure 3 - Distribution spatiale des précipitations mensuelles moyennes d'après les données TAMSAT et les mesures au sol sur la période 2001-2011.

21Le regain des précipitations sur les monts Mandara à l'ouest, lié aux ascendances orographiques des masses d'air, se manifeste dans les deux séries (Fig. 3). Dans ce secteur, à la station de Guétalé, les valeurs annuelles moyennes atteignent 858 mm selon les mesures au sol et 840 mm selon les données TAMSAT, contre respectivement 729 mm et 790 mm seulement à la station de Yagoua située plus à l'est.

2 ) Différences

22La différence la plus frappante réside dans les lames d'eau. Malgré une relative similarité des deux séries dans les zones à faible pluviométrie (exception faite de l'année 2011 où les estimations TAMSAT sont supérieures aux données in situ), la sous-estimation pour les zones soudaniennes à pluviométrie élevée est perceptible. Elle varie entre 300 mm (soit 20 % en valeur relative) en 2007 et 55 mm (soit 4 % en valeur relative) en 2011.

23La répartition spatiale de la pluviométrie mensuelle (Fig. 3) met pourtant en évidence un excédent des estimations TAMSAT par rapport aux données in situ en début et en fin de saison des pluies. Ce surplus est illustré par une relative remontée des isohyètes TAMSAT vers le nord, aussi bien en début (avril-mai) qu'en fin (septembre-octobre) de saison des pluies. C'est précisément au cœur de cette saison (juin-juillet-août) que les mesures au sol surpassent les estimations TAMSAT dans la plus grande partie de la zone. Les écarts calculés pour quelques stations entre les pluviométries mensuelles moyennes in situ et les estimations TAMSAT (Fig. 4) illustrent cette sous-estimation assez générale des précipitations TAMSAT aux mois de juin, juillet, août et même septembre (stations de Kaélé, Maroua, Garoua et Tcholliré).

Figure 4 - Valeurs mensuelles et annuelles moyennes des différences "pluviométrie in situ - estimation TAMSAT" pour quelques stations sur la période 2001-2011.

Figure 4 - Valeurs mensuelles et annuelles moyennes des différences "pluviométrie in situ - estimation TAMSAT" pour quelques stations sur la période 2001-2011.

Les estimations sont inférieures aux mesures in situ au-dessus du trait horizontal et supérieures en dessous.

24Deux zones échappent cependant à cette règle, celle du poste pluviométrique de Guétalé sur les Monts Mandara et celle de la station de Blangoua sur les rives du lac Tchad. À Guétalé, les deux séries montrent des valeurs très proches l'une de l'autre pour les mois les plus pluvieux (juillet, août et septembre). C'est en octobre que les estimations sont largement supérieures aux données in situ. À Blangoua, les précipitations sont sous-estimées par TAMSAT en avril et en mai, puis surestimées tout le reste de la saison des pluies (Fig. 4).

25La spatialisation des écarts entre les précipitations annuelles moyennes mesurées au sol et estimées par TAMSAT ainsi que celle des isohyètes correspondant à chacune des séries (Fig. 5) mettent en évidence trois types de relations en fonction de la localisation :

  • Au nord, autour du lac Tchad et sur les monts Mandara, les estimations TAMSAT sont supérieures aux données au sol. Cette surestimation s'observe au sud de Makary où les isohyètes issues des deux séries ont sensiblement la même allure, mais affichent des valeurs différentes (600 mm pour TAMSAT et 500 mm pour les données au sol, soit une différence de 100 mm en valeur absolue et 20 % en valeur relative). Cet écart diminue du nord vers le sud. Aux environs de Waza, il n'est plus que de 50 mm.

  • Au sud, les valeurs TAMSAT sont minorées par rapport aux données in situ. L'écart est perceptible à toutes les stations et s'accroît légèrement de l'ouest vers l'est.

  • Au centre, entre la cuvette de la Bénoué et la plaine du Diamaré, les valeurs des deux séries sont très proches.

Figure 5 - Écarts entre les totaux pluviométriques annuels moyens au sol (in situ) et les estimations TAMSAT sur la période 2001-2011.

Figure 5 - Écarts entre les totaux pluviométriques annuels moyens au sol (in situ) et les estimations TAMSAT sur la période 2001-2011.

26Des variations plus locales amplifiant les écarts apparaissent en outre, notamment autour des postes pluviométriques de Tcholliré, Bidzar, Kaélé, Logone-Birni et Goulfey. Peut-être résultent-elles d'effets stationnaires affectant les mesures au sol.

V - Discussion

27Dans l'ensemble, les estimations TAMSAT reflètent assez bien les variations spatiales et temporelles (mensuelles et interannuelles) de la pluviométrie dans la partie septentrionale du Cameroun. Cette convergence des estimations TAMSAT par rapport aux mesures in situ, constatée dans de nombreuses régions d'Afrique, s'explique par la grande prédominance des systèmes convectifs profonds (nuages à sommet froid repérables par l'IRT) responsables de la plupart des précipitations à travers le continent (K.I. MOHR et al., 1999 ; S.W. NESBITT et al., 2000 ; V.H. MATHON et al., 2002 ; T.H. STEIN et al., 2019 ; M. YOUNG et al., 2020 ; F.M. de ANDRADE et al., 2021). Ces systèmes convectifs vont des cellules isolées de cumulo-nimbus, de quelques heures de durée, à des systèmes convectifs à méso-échelle, qui peuvent persister pendant plusieurs jours.

28Les données TAMSAT ne souffrent pas de la comparaison avec d'autres produits satellitaires disponibles pour l'estimation des précipitations en Afrique (H. LAURENT et al., 1998). Elles ont toutefois montré une sous-estimation des précipitations en Afrique australe (V. THORNE et al., 2001), ce qui témoigne de la nécessité d'ajuster l'algorithme TAMSAT aux facteurs climatiques locaux. Sur les hautes terres d'Éthiopie, TAMSAT a fourni une bonne représentation de la variabilité de la pluviométrie décadaire, avec cependant une sous-estimation des fortes précipitations (T. DINKU et al., 2007).

29Les écarts entre les estimations TAMSAT et les mesures au sol ne doivent cependant pas être considérés indépendamment des possibles biais liés au faible maillage spatial des stations au sol et à d'éventuelles erreurs de lecture et de report :

  • Sur une zone de 85500 km2 couvrant près de 21375 pixels pour les estimations TAMSAT, seulement 24 stations au sol, et inégalement réparties dans l'espace, ont été utilisées. De plus, avec une résolution spatiale de 16 km2, le pixel TAMSAT couvre un espace étendu dans lequel la pluie au sol peut être hétérogène. La mise en relation des données TAMSAT d'un pixel avec celles d'une station pluviométrique située en son sein, dont les mesures ne sont représentatives que de la pluie sur les quelques décimètres carrés de sa surface réceptrice, peut donc poser problème.

  • Par ailleurs, les mesures au sol peuvent être entachées d'erreurs. En effet, les appareils ne respectent pas toujours strictement les règles de mise en place idéales. La lecture des hauteurs et la transcription ultérieure des valeurs sont également sources d'incertitudes. Enfin, il n'est pas sûr que l'observateur soit continuellement disponible pour faire des relevés fiables, non faussés par la forte évaporation. Les erreurs sur les données peuvent donc altérer la représentation de l'espace pluviométrique réel dans les alentours de certaines stations isolées (Fig. 5).

30Au delà des variations locales, les tendances lourdes montrent un contraste saisissant de surestimation des précipitations dans le nord et de sous-estimation dans le sud par les données TAMSAT. La tendance des données TAMSAT à sous-estimer les précipitations a déjà été signalée dans d'autres contextes (V. THORNE et al., 2001 ; A. ASADULLAH et al., 2008 ; R.I. MAIDMENT et al., 2014 ; C.M. WAINWRIGHT et al., 2021). Le fait inhabituel est la surestimation observée dans le nord. Il impose de revisiter les facteurs régionaux de la répartition de la pluviométrie dans la zone.

31Dans la partie septentrionale du Cameroun, comme dans toutes les zones soudaniennes et sahéliennes d'Afrique, les pluies de perturbation sont prédominantes. Elles sont généralement organisées en lignes de grains, caractérisées par une activité orageuse intense et une forte agitation atmosphérique (J.B. SUCHEL, 1988 ; D. SIGHOMNOU, 2004 ; A. GAYE et al., 2004). Ces pluies sont liées, d'une part, aux mouvements de remontée et de redescente du front de convergence intertropicale et, d'autre part, aux écarts thermiques diurnes, souvent amplifiés par les vents d'est.

32Au début et à la fin de la saison des pluies (avril-mai et septembre-octobre), les passages de la zone de convergence intertropicale, dont la structure a été décrite par divers auteurs (par exemple : J.B. SUCHEL, 1988 ; T. SUZUKI, 2001), s'accompagnent de nuages froids, tels que les cirrus, et les altocumulus, dont les précipitations s'évaporent avant d'atteindre le sol. Ce phénomène peut expliquer une surestimation des pluies par les données TAMSAT dans la plupart des stations. Aux abords du lac Tchad, vers le nord, l'amplitude thermique diurne et la forte évaporation engendrent des nuages "précipitants" plus chauds, non pris en compte par les données TAMSAT. Ces nuages engendrent des brumes sèches et des activités orageuses diffuses accompagnées de quelques pluies.

33Au cœur de la saison des pluies (juillet-août), la sous-estimation systématique vers le sud de la pluviométrie due aux nuages à sommet froid pourrait être expliquée par deux processus complémentaires : 1/ la présence de nuages plus chauds liés à la mousson qui rentre en territoire camerounais par le bassin de la Bénoué, en contournant l'obstacle orographique constitué par la dorsale camerounaise (M. TSALEFAC et al., 2004) ; 2/ les systèmes convectifs, liés à l'évapotranspiration de la végétation, trop petits pour être captés par le pixel TAMSAT, qui peuvent être des reliquats d'une ligne de grains ou au contraire des précurseurs.

34Pour la même période, on note, à l'inverse, une surestimation systématique de la pluviométrie par les nuages à sommet froid dans la zone sahélienne plus au nord. Bien que juillet et août correspondent à l'installation de l'hivernage au Sahel, matérialisée par la reprise des phénomènes convectifs et une augmentation de la nébulosité, l'influence de l'anticyclone des Açores resterait prépondérante et limiterait l'efficacité des systèmes pluviogènes à travers des décharges d'air froid et sec (A. TOURÉ et al, 1989).

35Au total, les deux séries (TAMSAT et données mesurées au sol) présentent des similarités d'ensemble et quelques variations locales dont l'explication tient autant au faible maillage spatial des données au sol qu'à la complexité de la pluviogenèse.

VI - Conclusion

36À l'issue de cette évaluation, il apparaît que les données TAMSAT possèdent un bon potentiel en termes de reproduction du régime saisonnier et de la variabilité interannuelle des précipitations dans le Nord Cameroun. Elles peuvent ainsi pallier en partie l'absence de mesures au sol ou combler leurs lacunes. Il convient cependant d'en souligner quelques biais, conduisant à surestimer ou à sous-estimer les pluies. Dans la plupart des stations de la zone soudanienne, les sous-estimations réalisées par TAMSAT pour le début et la fin de la saison des pluies ne sont que très partiellement compensées par les surestimations correspondant aux mois fortement pluvieux (juillet-août). De ce fait, les totaux annuels estimés paraissent presque toujours inférieurs aux mesures au sol (d'environ 15 % en moyenne). Vers l'extrême Nord du Cameroun, en climat sahélien, les estimations TAMSAT sont marquées par des biais humides au cœur de la saison des pluies. Ces biais sont de nature à altérer les modèles agro-climatiques, ce qui est problématique compte tenu de la grande sensibilité de cette zone aux moindres variations de la pluviométrie. Il convient dès lors, dans une perspective d'amélioration de la précision de ces estimations, d'envisager un filtrage prenant en compte les variations diurnes des températures, liées notamment à la radiation solaire, à la nature du sol, à sa teneur en eau et au couvert végétal qui en dépend. Si l'apport des produits élaborés à partir d'images satellitaires est indéniable, il convient de maintenir, voire de densifier, et d'améliorer les mesures pluviométriques au sol pour la calibration des algorithmes de météorologie spatiale à partir de séries représentatives dans l'espace et le temps. Les progrès technologiques récents permettent d'envisager cette évolution à des coûts relativement modérés.

Haut de page

Bibliographie

ANDRADE F.M. de, YOUNG M.P., MACLEOD D., HIRONS L. C., WOOLNOUGH S.J. et BLACK E. (2021) - Subseasonal precipitation prediction for Africa: forecast evaluation and sources of predictability. Weather and Forecasting, vol. 36, n° 1, p. 265-284.

ASADULLAH A., MCINTYRE N. et KIGOBE M. (2008) - Evaluation of five satellite products for estimation of rainfall over Uganda. Hydrological Sciences Journal, vol. 53, n° 6, p. 1137-1150.

BERGÈS J., JOBARD I., CHOPIN F. et ROCA R. (2010) - EPSAT-SG: a satellite method for precipitation estimation; its concepts and implementation for the AMMA experiment. Annals of. Geophysics, vol. 28, p. 289-308.

DELAHAYE F. (2013) - Analyse comparative des différents produits satellitaires d'estimation des précipitations en Amazonie brésilienne. Thèse de l'Université Rennes 2, 229 p.

DINKU T., CECCATO P., GROVER-KOPEC E., LEMMA M., CONNOR S.J. et ROPELEWSKI C.F. (2007) - Validation of satellite rainfall products over East Africa's complex topography. International Journal of Remote Sensing, vol. 28, n° 7, p. 1503-1526.

GAYE A., VILTARD A. et DE FELICE P. (2004) - Lignes de grains et pluies en Afrique de l'Ouest : variations diurnes. Sécheresse, vol. 15, n° 3, p. 287-292.

HIJMANS R.J., CAMERON S.E., PARRA J.L., JONES P. et JARVIS A. (2005) - Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology, vol. 25, n° 15, p. 1965-1978.

HUFFMAN G.J., ADLER R.F., MORRISSEY M.M., BOLVIN D. T., CURTIS S., JOYCE R., MCGAVOCK B. et SUSSKIND J. (2001) - Global precipitation at one-degree daily resolution from multisatellite observations. Journal of Hydrometeorology, vol. 2, n° 1, p. 36-50.

KANA C.E., NGHONDA J.P. et NGUENDO YONGSI H.B. (2013) - Inondations récentes dans le Nord Cameroun : des communautés vulnérables à l'épreuve des changements climatiques. International Journal of Advanced Studies and Research in Africa, vol. 4, n° 1, 14 p., en ligne.

LAURENT H., JOBARD I. et TOMA A. (1998) - Validation of satellite and ground-based estimates of precipitation over the Sahel. Atmospheric Research, vol. 47-48, p. 651-670.

MAIDMENT R.I. GRIMES R.P., ALLAN E., TARNAVSKY M., STRINGER T., HEWISON R., ROEBELING R. et BLACK E. (2014) - The 30 year TAMSAT African rainfall climatology and time series (TARCAT) data set. Journal of Geophysical Research Atmospheres, vol. 119, n° 18, p. 10619-10644.

MAIDMENT R.I., GRIMES R.P., BLACK E., TARNAVSKY M., YOUNG M., GREATREX H., ALLAN R.P., STEIN T., NKONDE E., SENKUNDA S. et ALCANTÁRA E.M.U. (2017) - A new, long-term daily satellite-based rainfall dataset for operational monitoring in Africa. Scientific Data, vol. 4, article 170 063.

MAIDMENT R., BLACK E., GREATREX H. et YOUNG M. (2020) - TAMSAT. Advances in Global Change Research, vol. 67 : "Satellite precipitation measurement", V. LEVIZZANI, C. KIDD, D.B. KIRSCHBAUM, C.D. KUMMEROW, K. NAKAMURA et F.J. TURK édit., p. 393-408.

MATHON V. LAURENT H. et LEBEL T. (2002) - Mesoscale convective system rainfall in the Sahel. Journal of Applied Meteorology, vol. 41, n° 11, p. 1081-1092.

MCDOUGALL V.D., SAUMBY M., BUDGALE G. et MILFORD J.R. (1988) - Relationship between rainfall and cloud top temperature in Tropical Africa seasonal and regional effects. Édit. Department of Meteorology of the University of Reading (GB), 176 p.

MINEPDED/PNUD (2012) - Évaluation des risques, de la vulnérabilité et adaptations aux changements climatiques. Édit. Ministère de l'Environnement, de la Protection de la Nature et du Développement Durable / Programme des Nations Unies pour le Développement, rapport final du "Projet d'élaboration du plan national d'adaptation aux changements climatiques", Initiative Cool EarthPartnership, Yaoundé (Cameroun), 256 p.

MINEPDED/PNUD (2015) - Plan national d'adaptation aux changements climatiques du Cameroun. Édit. Ministère de l'Environnement, de la Protection de la Nature et du Développement Durable / Programme des Nations Unies pour le Développement, rapport final du "Projet d'élaboration du plan national d'adaptation aux changements climatiques", Initiative Cool EarthPartnership, Yaoundé (Cameroun), 153 p.

MOHR K.I., FAMIGLIETTI J.S. et ZIPSER E.J. (1999) - The contribution to tropical rainfall with respect to convective system type, size, and intensity estimated from the 85-GHz Ice-scattering signature. Journal of Applied Meteorology, vol. 38, n° 5, p. 596-606.

NESBITT S.W., ZIPSER E.J. et CECIL D.J. (2000) - A census of precipitation features in the tropics using TRMM: radar, ice scattering, and lightning observations. Journal of Climate, vol. 13, n° 23, p. 4087-4106.

NICHOLSON S.E. (2000) - The nature of rainfall variability over Africa on time scales of decades to millennia. Global Planet Change, vol. 26, n° 1-2, p. 137-158.

ONADEF (1984) - Carte écologique du couvert végétal du Cameroun, à l'échelle 1/1 000 000. Édit. Office National de Développement des Forêts, Yaoundé (Cameroun), 2 planches au format A0.

ROCA R., CHAMBON P., JOBARD I., KIRSTETTER P.E., GOSSET M. et BERGÈS J.C. (2010) - Comparing satellite and surface rainfall products over West Africa at meteorologically relevant scales during the AMMA campaign using errors estimates. Journal of Applied Meteorology and Climatology, vol. 49, n° 4, p. 715-731.

SIGHOMNOU D. (2004) - Analyse et redéfinition des régimes climatiques et hydrologiques du Cameroun : perspectives d'évolution des ressources en eau. Thèse de doctorat d'État, Université de Yaoundé I (Cameroun), 191 p.

STEIN T.H., KEAT W., MAIDMENT R.I., LANDMAN S., BECKER E., BOYD D., BODAS-SALCEDO A., PANKIEWICZ G. et WEBSTER S. (2019) - An evaluation of clouds and precipitation in convection-permitting forecasts for South Africa. Weather Forecasting, vol. 34, n° 1, p. 233-254.

SUCHEL J.B. (1988) - Les climats du Cameroun. Thèse de l'Université de Saint-Étienne, trois volumes et un atlas, 1188 p.

SUZUKI T., (2011) - Seasonal variation of the ITCZ and its characteristics over central Africa. Theoretical and Applied Climatology, vol. 103, p. 39-60.

TARNAVSKY E., GRIMES D., MAIDMENT R.I., BLACK E., ALLAN R.P., STRINGER M., CHADWICK R. et KAYITAKIRE F. (2014) - Extension of the TAMSAT satellite-based rainfall monitoring over Africa and from 1983 to present. Journal of Applied. Meteorology and Climatology, vol. 53, n° 12, p. 2805-2822.

THORNE V., COAKELEY P., GRIMES D. et DUGDALE G. (2001) - Comparison of TAMSAT and CPC rainfall estimates with raingauges, for southern Africa. International Journal of Remote Sensing, vol. 22, n° 10, p. 1951-1974.

TOURÉ A., N'DIAYE N.D. et THIAO W. (1989) - Estimation de la pluviométrie au Sénégal par METEOSAT. In : Validation des méthodes d'estimation des précipitations par satellite, B. GUILLOT édit., Édit. ORSTOM, Paris, p. 139-150.

TSALEFAC M, NGOUFO R., LENGUE FOBISSIE B., NKAMBI W., DAGORNE D. et LAHUEC J.P. (2004) - Champs convectifs METEOSAT et champs pluviométriques au Cameroun pendant la période 1986-1994 : essai de mise en relation. Revue de Géographie du Cameroun, vol. 16, n° 1, p. 56-64.

WAINWRIGHT C.M., MARSHAM J.H., ROWELL D.P., FINNEY D.L. et BLACK E. (2021) - Future changes in seasonality in East Africa from regional simulations with explicit and parameterized convection. Journal of Climate, vol. 34, n° 4, p. 1367-1385.

YOLANDE A., MUNZIMI Y.A, HANSEN M.C., ADUSEI B. et SENAY G.B. (2015) - Characterizing Congo Basin rainfall and climate using Tropical Rainfall Measuring Mission (TRMM) satellite data and limited rain gauge ground observations. Journal of Applied Meteorology and Climatology, vol. 54, n° 3, p. 541-555.

YOUNG M., HEINRICH V., BLACK E. et ASFAW D. (2020) - Optimal spatial scales for seasonal forecasts over Africa. Environment Research Letters, vol. 15, n° 094029, 11 p.

ZAMBRANO-BIGIARINI M., NAUDITT A., BIRKET C. et VERBIST K. (2017) - Temporal and spatial evaluation of satellite-based rainfall estimates across the complex topographical and climatic gradients of Chile. Hydrology and Earth System Sciences, vol. 21, n° 2, p. 1295-1320.

Haut de page

Table des illustrations

Titre Figure 1 - Localisation et présentation de la zone d'étude.
Légende Source : carte écologique du couvert végétal (ONADEF, 1984), mise à jour par imagerie Landsat. Réalisation : Collins Étienne KANA, en 2023.
URL http://journals.openedition.org/physio-geo/docannexe/image/15221/img-1.jpg
Fichier image/jpeg, 552k
Titre Figure 2 - Comparaison des valeurs annuelles minimales, maximales et moyennes sur la période 2001-2011 des précipitations issues des données TAMSAT et des mesures au sol pour les 24 stations considérées.
URL http://journals.openedition.org/physio-geo/docannexe/image/15221/img-2.jpg
Fichier image/jpeg, 120k
Titre Figure 3 - Distribution spatiale des précipitations mensuelles moyennes d'après les données TAMSAT et les mesures au sol sur la période 2001-2011.
URL http://journals.openedition.org/physio-geo/docannexe/image/15221/img-3.jpg
Fichier image/jpeg, 232k
Titre Figure 4 - Valeurs mensuelles et annuelles moyennes des différences "pluviométrie in situ - estimation TAMSAT" pour quelques stations sur la période 2001-2011.
Légende Les estimations sont inférieures aux mesures in situ au-dessus du trait horizontal et supérieures en dessous.
URL http://journals.openedition.org/physio-geo/docannexe/image/15221/img-4.jpg
Fichier image/jpeg, 108k
Titre Figure 5 - Écarts entre les totaux pluviométriques annuels moyens au sol (in situ) et les estimations TAMSAT sur la période 2001-2011.
URL http://journals.openedition.org/physio-geo/docannexe/image/15221/img-5.jpg
Fichier image/jpeg, 473k
Haut de page

Pour citer cet article

Référence papier

Collins Étienne Kana et Marlyse Nankap Djangue, « Évaluation des données TAMSAT d'estimation des précipitations dans la partie septentrionale du Cameroun »Physio-Géo, Volume 19 | -1, 49-63.

Référence électronique

Collins Étienne Kana et Marlyse Nankap Djangue, « Évaluation des données TAMSAT d'estimation des précipitations dans la partie septentrionale du Cameroun »Physio-Géo [En ligne], Volume 19 | 2023, mis en ligne le 27 mai 2023, consulté le 04 décembre 2024. URL : http://journals.openedition.org/physio-geo/15221 ; DOI : https://doi.org/10.4000/physio-geo.15221

Haut de page

Auteurs

Collins Étienne Kana

Université de Dschang, BP 49, DSCHANG, CAMEROUN.
Courriel : ckana71@yahoo.fr

Marlyse Nankap Djangue

Institut National de Cartographie, BP 157, YAOUNDÉ, CAMEROUN.
Courriel : djangue_ma@yahoo.fr

Haut de page

Droits d’auteur

CC-BY-NC-ND-4.0

Le texte seul est utilisable sous licence CC BY-NC-ND 4.0. Les autres éléments (illustrations, fichiers annexes importés) sont « Tous droits réservés », sauf mention contraire.

Haut de page
Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search