This work is carried out at the AGRHYMET Regional Centre (ARC)-CILSS as part of the African Monitoring of Environment for Sustainable Development (AMESD) project. The analysis protocol has been improved under the Monitoring of Environment for Security in Africa (MESA) project. The MESA Project has been designed on the achievements of AMESD; its overall objective is to provide African countries with access to Earth Observation data for environmental monitoring and sustainable development. The specific objective of this study is to develop an operational analysis protocol for vegetation monitoring in general and especially for crops and pastures. Three vegetation indices were used: Vegetation Condition Index (VCI), Normalized Growth Index (NGI) and Standardized Normalized Difference Vegetation Index (SNDVI). The analysis of these drought indices is based on taking into account the agro-climatic characteristics of the Sahelian region, the comparison of the NGI profile (per administrative unit) from year X (in progress) to the maximum NGI profiles, minimum and average of the time series data (1998 to year x-1) and evidence convergence. Six years of application of the method and validation actions carried out concluded that it is possible to determine the zones at risk (ZAR) in order to anticipate food crises.

Ces travaux de thèse ont porté sur la zone pastorale du Niger. Ils ont pour objectif principal de contribuer à l’amélioration des méthodes d’estimation des rendements fourragers au Sahel en général et en particulier au Niger. Il s’agit plus spécifiquement de : valider le modèle BIOMASAH (BIOMAsse SAHélienne) utilisé par le Centre Régional AGRHYMET [AGRonomie Hydrologie et METéorologie] (CRA); tester le modèle du Ministère de L’Élevage et de Industries Animales (MEIA) ; proposer un Modèle par Régression linéaire Multiple (MRM) ; tester la méthode de similarité et enfin comparer ces méthodes d’estimation entre elles. Le travail a été réalisé d’une part avec les mesures de masse herbacée faites au sol de 2001 à 2012 par le MEIA, les observations pluviométriques des stations de la Direction Météorologique du Niger, les variables météorologiques issues du l’institution européenne appelée "European Centre for Medium-Range Weather Forecasts" (ECMWF) et d’autre part, avec les images satellitaires notamment le NDVI de SPOT VEGETATION et MODIS et les pluies estimées dénommées RFE provenant de l’institution américaine "Famine Early Warning Systems NETwork"(FEWSNET). La validation du modèle BIOMASAH a été faite à l’aide des tests de t et de Wilcoxon pour comparer les moyennes mesurées in situ à celles obtenues du modèle et aussi des tests de corrélation de Pearson, Kendall et Spearman. Quant au modèle MEIA, les performances ont été testées en comparant les résultats inter et intra capteurs SPOT VEGETATION et MODIS en utilisant les R² et le RMSE issus des calculs avec l’intégrale et le maximum NDVI comme variables explicatives du rendement fourrager. Le modèle de référence (MR) a été réalisé par régression linéaire multiple avec la méthode pas-à-pas ascendante pour la sélection de variables basée sur le R² ajusté et le RMSE. La validation croisée ‘leave one out’ (LOOCV) a été utilisée pour calculer les R² de validation et un diagnostic systématique des résidus pour mieux caractériser le modèle. viii La méthode de similarité des profils saisonniers d’indice de végétation a été réalisée en utilisant comme critères le R², le MAD et le RMSE. Le profil de la période de croissance de la végétation de chaque pixel a été tracé pour toutes les années. Ensuite, le profil de l’année cible a été comparé avec celui des autres années pour identifier l’année similaire. Les résultats de la similarité ont été confrontés aux données observées d’une part avec les tests de corrélations de Pearson, Spearman et Kendall et d’autre part à l’aide de tests de t et de Wilcoxon pour comparer les moyennes. La comparaison des quatre modèles a été faite sur la base des R², des R² ajustés et les RMSE. Le modèle BIOMASAH a donné des moyennes significativement différentes des moyennes observées (p <0,001). Les corrélations de Pearson, Kendall et Spearman sont faibles. En ce qui concerne le modèle MEIA, le meilleur R² à l’échelle globale est de 0,56. Il n’y a pas de différence significative à utiliser les NDVI de MODIS ou de SPOT VEGETATION. Le RMSE est de 367 kg.ha-1. Les R² et le RMSE varient fortement d’une année à l’autre. Le modèle de référence a donné un R² ajusté global de 0,69 et un RMSE de 282 kg.ha-1, la différence entre le RMSE calculé et celui de la validation est de 2,72 kg.ha-1. La comparaison des moyennes de la similarité à celles observées a montré qu’il n’y a pas de différence significative (p<0,001) pour le R². Par contre les différences sont significatives au même seuil pour le MAD et le RMSE. La comparaison des modèles montre que le Modèle par Régression linéaire Multiple (MRM) est le meilleur, mais il reste perfectible. Ainsi, se propose-t-on de continuer ces recherches avec d’autres indices tels que le LAI et le FAPAR et l’EVI. Aussi, il serait intéressant de prospecter les voies telles que : tenir compte du feuillage des ligneux, ajuster les métriques à la phénologie des herbacées, et à celles des ligneux. Ces travaux permettront d’améliorer la qualité des informations utilisées pour planifier les actions de développement en faveur de la société nigérienne en vue de la protéger contre les crises pastorales.

The study aims to test the performance of similarity analysis in herbaceous fodder biomass estimate in the Nigerian pastoral zone, in a context of insecurity and precipitation spatiotemporal variability. It is carried out on the time series of NDVI decadal images of SPOT VEGETATION for the period from 2001 to 2012 and on fodder biomasses measured in situ during the same period. Similarity analysis compares NDVI seasonal patterns to detect similar years using three criteria: the RMSE (Root Mean squared error), the MAD (Mean absolute Deviation), and R². Exploratory statistical analyzes with bootstrap are carried out to better characterize the observations resulting from the simulation. Moreover, the analysis of the parametric and non-parametric correlations is carried out to evaluate the level of link between the simulated data and the real data. The t test and the Wilcoxon test are then carried out in order to compare the means of the actual biomasses with those obtained by the similarity analysis. At the local level, the results indicate that the R² is more efficient than the RMSE and the MAD which have almost the same performances. The results of the similarity calculated with R² can be used as a proxy to the herbaceous phytomass measured in situ, as there is no significant difference between the simulated mean and the mean measured at the 1% threshold. On the other hand, the results of the similarity calculated with the RMSE and the MAD are not exploitable. Parametric and nonparametric correlations are all significant at the 1% threshold. However, the R² are low and vary between 0.32 and 0.45. It therefore seems necessary to continue the research, as numerous studies have revealed very good links between certain indices like the FAPAR, the EVI and the LAI and the aerial phytomasse.

This study was carried out in the pastoral zone of Niger with the aim of validating outputs of the BIOMASAH model developed by the AGRHYMET Regional Centre (ARC) relative to real data collected over the 2001-2011 period by the Ministry Livestock and Animal Industries (MEIA) of Niger. We used parametric tests (t-tests) and nonparametric tests (Wilcoxon and sign tests) for mean comparisons. A correlation analysis was performed by calculating Pearson’s r, Spearman’s ρ, Kendall’s T and Hoeffding’s D correlation coefficients. The results showed that the BIOMASAH model generally overestimated biomass (983.17 vs. 591.17 kg/ha) with a highly significant difference relative to the field findings (P <.0001). Pearson’s r (0.15), Spearman’sρ (0.22) Kendall’s T (0.13) and Hoeffding’s D (0.1) correlation coefficients were low but highly significant (p <.0001). Grazing pressure and spatiotemporal variability of rainfall helped explain the noted differences.