The Bani basin was classified into 4 clusters of similar catchments (Figures 2-4),  The topographic variables (Elev, ElevMin, ElevMax, Slo1), precipitation and the geographical position of the sub-catchment (Lat) were demonstrated to be the most important causes of similarity between catchments belonging to Cluster 2 and Cluster 4 (Table 2),  This study permitted to propose the two nomenclature: Group of northerly flat and semi-arid catchments, and group of southerly hilly and humid catchments.

De nombreux bassins de drainage à travers le monde ne disposent d’aucune mesure de débit. Les méthodes de régionalisation sont alors généralement utilisées pour les prévisions en bassins non jaugés. L'objectif principal de cette étude est de prévoir les hydrogrammes d’écoulement dans le bassin du Bani afin de contribuer à l’amélioration de la connaissance sur la disponibilité des ressources en eau. Tout d'abord, le modèle hydrologique SWAT a été calibré sur de nombreux bassins jaugés sur la période de 1983-1992 et validé sur la période 1993-1997 en utilisant la méthode « Generalized Likelihood Uncertainty Estimation (GLUE) ». Ensuite, des groupes de bassins similaires ont été déterminés en fonction de leurs caractéristiques physiographiques et climatiques et au moyen d’une analyse statistique multivariée. Deux méthodes de régionalisation basées sur le concept de similarité entre bassins, ont été utilisées : la similarité physique et la proximité spatiale. Dans les deux cas, le jeu de paramètres calés du modèle est entièrement transféré du bassin jaugé vers le bassin non jaugé pour y simuler l’hydrogramme de débits journaliers de la période 1983-1997. Les résultats indiquent une bonne performance du modèle à l’échelle journalière et mensuelle, ainsi qu’à l’échelle du bassin et des sous-basins. La performance du modèle à l’échelle du bassin global et sur un pas de temps journalier est caractérisée par un critère de Nash de 0.76 et 0.84 et un coefficient de détermination de R2 de 0.79 et 0.87 en période de calibration et de validation, respectivement. Aussi, les valeurs absolues du PBIAIS demeurent inferieures à 25&, ce qui témoigne d’une bonne prévision du bilan d’eau. Il est à noter que les incertitudes associées demeurent satisfaisantes malgré les conditions de données limitées qui sous-tendent cette modélisation. Ainsi, 61& des débits observés (P-factor = 0.61) sont compris à l’intérieur de la bande d’incertitude dont la largeur reste adéquate (R-factor = 0.91). La calibration mensuelle a quant à elle permit d’atteindre une meilleure performance du modèle et une diminution des incertitudes à l’exception du bilan d’eau dont les erreurs de prévision semblent avoir augmenté. La calibration a également permis d'identifier 12 paramètres du modèle qui simulent au mieux les débits observés. Les bassins étudiés ont été classes en trois groupes: un groupe de bassins de plaine, semi-arides et situés au Nord, un autre groupe de bassins d’altitude qu’on rencontre dans les zones humides du Sud, et un troisième groupe situé dans le centre du bassin d'étude, à l'intérieur duquel, aucun des descripteurs semble se démarquer significativement des autres. Dans l'ensemble, la régionalisation a donné de bons résultats au niveau de plusieurs bassins cibles. Les meilleurs ont toutefois été enregistrés dans la zone aride et à l’exutoire global du bassin, particulièrement. Cependant, on note également une augmentation des incertitudes précisément dans cette zone. Une bonne similarité hydrologique mutuelle a été mise en évidence entre certains bassins, dont le meilleur indicateur reste la proximité spatiale. La connaissance de la disponibilité des ressources en eaux, particulièrement au niveau des bassins non jauges, est d’une utilité capitale dans plusieurs domaines d’application telles que l'allocation de l'eau pour la consommation et pour l'irrigation surtout en Afrique de l'Ouest qui fait face fréquemment à la gestion des risques liés au déficit en eau et a l'insécurité alimentaire en raison des impacts du changement climatique. Ces résultats contribuent également à une meilleure compréhension du fonctionnement hydrologique d’une zone jusque-là non explorée dans le domaine de la prévision en bassins non jaugés (PUB), et constituent une première étape vers de nouvelles investigations qui contribueront à l’amélioration des prévisions de l’information hydrologique.

Results showed that the model performance can be judged as very good (Moriasi et al., 2007) especially considering limited data condition and high climate, land use and soil type variabilities in the studied basin (Figure 1).  Prediction uncertainty is acceptable: most of the observed data (around 80& ) are bracketed by the 95PPU within an acceptable width (R-factor < 1). However, model is characterized by more prediction uncertainties during high flows (Figure 2).  The most sensitive parameters are mostly related to surface runoff reflecting the dominance of this process on the streamflow generation (Table 1).

The objective of this study was to assess the performance and predictive uncertainty of the Soil and Water Assessment Tool (SWAT) model on the Bani River Basin, at catchment and subcatchment levels. The SWAT model was calibrated using the Generalized Likelihood Uncertainty Estimation (GLUE) approach. Potential Evapotranspiration (PET) and biomass were considered in theverificationofmodeloutputsaccuracy. GlobalSensitivityAnalysis(GSA)wasusedforidentifying important model parameters. Results indicated a good performance of the global model at daily as well as monthly time steps with adequate predictive uncertainty. PET was found to be overestimated but biomass was better predicted in agricultural land and forest. Surface runoff represents the dominant process on streamflow generation in that region. Individual calibration at subcatchment scale yielded better performance than when the global parameter sets were applied. These results are very useful and provide a support to further studies on regionalization to make prediction in ungauged basins.