Version classiqueVersion mobile

Les sociétés rurales face aux changements climatiques et environnementaux en Afrique de l’Ouest

 | 
Benjamin Sultan
, 
Richard Lalou
, 
Mouftaou Amadou Sanni
, 
et al.

Partie 2. Impacts du climat et transformations environnementales

Chapitre 6. Entre désertification et reverdissement du Sahel

Que se passe-t-il vraiment ?

Cécile Dardel, Laurent Kergoat, Pierre Hiernaux, Manuela Grippa et Éric Mougin

Texte intégral

Introduction

1Ce chapitre vise à faire le point sur la « désertification » du Sahel, source de polémiques depuis quelques décennies, et son « reverdissement », un terme apparu avec les premières observations satellitaires de la couverture végétale datant des années 1970-1980. Le débat entre les partisans de ces deux théories, diamétralement opposées, est en effet bien réel, et d’autant plus important que cette région du monde est connue pour sa forte sensibilité aux aléas climatiques.

2L’apport particulier de ces travaux réside dans l’utilisation conjuguée de données de télédétection, permettant de couvrir l’échelle du Sahel sur les trente dernières années, avec l’analyse de mesures de terrain effectuées sur le long terme au Mali et au Niger. La combinaison de ces différentes sources de données nous permettra de mieux comprendre l’évolution de la couverture végétale au Sahel sur les trois dernières décennies, et de vérifier la cohérence des observations satellitaires effectuées dans ce but. Nous verrons ainsi que le reverdissement est indéniable, notamment à l’échelle du Sahel, mais qu’à une échelle plus fine des tendances opposées peuvent également être observées, ce qui appelle à la prudence quant aux diagnostics globaux sur l’évolution de la couverture végétale sur le long terme.

3La désertification des terres arides et semi-arides de notre planète suscite depuis de nombreuses années l’intérêt non seulement des scientifiques, mais également des différentes organisations internationales pour l’environnement, des médias et des sociétés civiles. Ces régions sont en effet très sensibles aux variations climatiques, et en particulier à la variabilité des précipitations. Or le climat sahélien a connu une succession de périodes humides et de périodes plus sèches, et ce depuis des dizaines de milliers d’années. De plus, depuis plusieurs décennies un accroissement très fort des populations a lieu, accompagné de modifications parfois très importantes de l’environnement (mise en culture, défrichement, déforestation, feux, etc.). Récemment, les régions sahéliennes ont connu deux sécheresses extrêmement fortes, dans les années 1970 puis à nouveau au milieu des années 1980. Ces sécheresses étaient comprises dans trois décennies globalement déficitaires. Les conséquences de ces périodes de sécheresse sur les populations et sur l’environnement ont été considérables et ont ravivé la théorie de la désertification du Sahel. Par exemple, plusieurs auteurs ont évoqué une extension spectaculaire du désert du Sahara, qui menacerait toutes les terres arables africaines à brève échéance (Hubert, 1920 ; Lamprey, 1975 ; Stebbing, 1935). Cependant, faute de moyens plus appropriés, les études publiées alors étaient essentiellement basées sur des observations localisées, dans le temps comme dans l’espace. Typiquement, l’état de la végétation était observé à un endroit spécifique et à un moment précis pour établir un diagnostic de « désertification » local, voire pour en dériver par extrapolation des cartes de désertification à des échelles beaucoup plus grandes (continentale, globale) (Uncod, 1977 ; Unep, 1992). Plusieurs auteurs néanmoins ont contesté cette vision des choses, notamment en faisant cas du cycle saisonnier de la végétation et de sa variabilité interannuelle (Boudet, 1979 ; Jones, 1938), ou encore en remettant en question les méthodes utilisées par les différentes institutions pour spatialiser les diagnostics de désertification (Mabbutt, 1984 ; Veron et al., 2006).

4Dans ce contexte, l’arrivée de la télédétection satellitaire à partir des années 1980 a offert un outil extrêmement précieux, notamment grâce aux indices de végétation qui ont permis d’effectuer les premiers suivis de végétation à l’échelle globale. L’un des indices de végétation les plus utilisés, le NDVI (indice de végétation normalisé, ou « Normalized Difference Vegetation Index » en anglais) est calculé à partir de la lumière réfléchie dans les longueurs d’onde du rouge et du proche-infrarouge (voir Équation 1). La végétation verte a en effet pour particularité d’absorber les longueurs d’onde du rouge et de réfléchir les longueurs d’onde du proche-infrarouge. De nombreuses études ont montré que le NDVI était relié à la fraction du rayonnement photosynthétiquement actif absorbé par les plantes (fPAR) (Asrar et al., 1985 ; Myneni et al.,1995 ; Sellers, 1985), ainsi qu’à d’autres variables du couvert (toutes reliées entre elles) comme le taux de couvert (fCover : surface projetée des feuilles vues à la verticale au-dessus du couvert) ou l’indice foliaire (LAI : surface de feuilles par unité de surface au sol). Au final, l’intégrale du NDVI au cours du temps est considérée comme un bon estimateur de la production végétale, elle-même définie ici comme la quantité de tissus végétaux produits en une période donnée, généralement une saison de croissance des plantes (Monteith, 1972).

Équation 1. Formule du NDVI, avec ρIR = réflectance dans le proche-infrarouge (PIR) et ρR = réflectance dans les longueurs d’onde du rouge (R).

Équation 1. Formule du NDVI, avec ρIR = réflectance dans le proche-infrarouge (PIR) et ρR = réflectance dans les longueurs d’onde du rouge (R).

Le « reverdissement », un terme issu des premières analyses satellitaires

5Les données acquises par les capteurs AVHRR, installés à bord des satellites de la Noaa et lancés au début des années 1980, ont fourni la première opportunité d’analyser le NDVI à l’échelle continentale et à un pas de temps adéquat pour le suivi de la végétation. Aujourd’hui encore, les jeux de données issus des données AVHRR sont parmi les plus utilisés pour l’étude des tendances du couvert végétal sur le long terme, puisqu’ils possèdent une profondeur historique inégalée : plusieurs capteurs lancés les uns à la suite des autres ont permis de constituer un jeu de données continu de 1981 à aujourd’hui. Le jeu GIMMS en particulier a été extrêmement utilisé ; la première version est disponible sur la période 1981 à 2006, à une résolution spatiale de 8 km et à une fréquence bimensuelle.

6Les premières analyses de tendances temporelles du NDVI AVHRR au Sahel datent du début des années 1990, puisque dix années de données sont dès lors disponibles. Dans une étude explorant l’hypothèse de l’avancée du désert du Sahara grâce à ces premières observations satellitaires acquises sur le long terme, Tucker et Nicholson (1999) mettent en évidence que l’expansion du désert du Sahara est en réalité fonction de la variabilité interannuelle des précipitations. Autrement dit, l’hypothèse d’une avancée inexorable du Sahara sur le continent, témoin supposé de la désertification du Sahel, est invalidée. Pour aller plus loin, les tendances du NDVI mises en évidence sont en fait des tendances positives et statistiquement significatives. Ce sont ces tendances positives qui ont donné naissance au terme de « reverdissement du Sahel », défini simplement comme une augmentation d’un indice de végétation au cours du temps. Au fur et à mesure que les archives satellitaires s’enrichissent d’années d’observations supplémentaires, nombre d’études documentent ce reverdissement du Sahel (Anyamba et Tucker, 2005 ; Fensholt et al., 2013 ; Herrmann et al., 2005 ; Tucker et Nicholson, 1999).

7Récemment, une nouvelle version du jeu GIMMS a vu le jour, baptisée GIMMS-3g (pour 3e génération). Les données sont fournies de 1981 jusqu’en 2011, à une résolution spatiale de 1/12° et à une fréquence temporelle bimensuelle. La cohérence de ce jeu de données par rapport à d’autres jeux de NDVI existants a été étudiée et démontrée dans Dardel et al. (2014b) et Dardel (2014). Nous nous intéressons ici uniquement aux tendances temporelles sur toute la période de disponibilité des données GIMMS, c’est-à-dire de 1981 à 2011 (voir fig. 1).

8Ainsi, sur la majorité de la ceinture sahélienne les tendances du NDVI GIMMS-3g sont positives sur l’ensemble de la période 1981-2011. Seules quelques régions comme l’ouest du Niger ou le centre du Soudan montrent des tendances négatives et statistiquement significatives. La signature au reverdissement du Sahel est donc bien avérée et confirme les études récentes (Fensholt et al., 2012), cette fois sur la totalité de la période de disponibilité des données AVHRR.

9Cependant, comme toute source de données, les données satellitaires sont sujettes à un certain nombre de limitations et de biais, notamment en ce qui concerne les séries à long terme. Il est alors essentiel de vérifier que le signal détecté par satellite est véritablement lié à l’évolution de la végétation, et non pas à des artefacts satellitaires. Une façon de faire est de les confronter à des mesures collectées sur le terrain à une échelle spatiale compatible avec la mesure satellitaire. Ces observations sont cependant très difficiles à réaliser, surtout pour de grands espaces et sur de longues périodes de temps ; elles sont donc rares. Dans le cadre de projets internationaux comme le projet Amma (Analyse multidisciplinaire de la mousson africaine), et auparavant sous l’égide de l’Ilri (International Livestock Research Institute), des mesures de la production végétale ont été effectuées au Mali depuis 1984 (Hiernaux et al., 2009b ; Mougin et al., 2009) et au Niger depuis 1994 (Hiernaux et Ayantunde, 2004 ; Hiernaux et al., 2009 a). Ces deux sites d’étude se révèlent en plus particulièrement intéressants, car caractérisés par des tendances de signe opposé : alors que le Gourma malien « reverdit », le Fakara nigérien est marqué par de fortes tendances négatives (fig. 2). Confronter les tendances obtenues par télédétection aux observations de terrain effectuées sur le long terme constitue donc un véritable test pour les archives satellitaires et pour leur performance en termes de suivi de la végétation.

Figure 1. Tendances temporelles du NDVI GIMMS3g moyenné entre juillet et octobre entre 1981 et 2011 sur la bande sahélienne. Les zones non statistiquement significatives (P < 0,05) sont masquées en gris.

Figure 1. Tendances temporelles du NDVI GIMMS3g moyenné entre juillet et octobre entre 1981 et 2011 sur la bande sahélienne. Les zones non statistiquement significatives (P < 0,05) sont masquées en gris.

Source : Dardel et al. (2014b).

Figure 2. Tendances du NDVI GIMMS3g moyenné sur la saison de croissance (de juillet à octobre) de 1981 à 2011 : zoom sur les régions du Gourma malien (rectangle à gauche) et du Fakara nigérien (carré à droite). Les croix représentent les pixels où des sites de végétation sont présents (pour la région du Gourma uniquement).

Figure 2. Tendances du NDVI GIMMS3g moyenné sur la saison de croissance (de juillet à octobre) de 1981 à 2011 : zoom sur les régions du Gourma malien (rectangle à gauche) et du Fakara nigérien (carré à droite). Les croix représentent les pixels où des sites de végétation sont présents (pour la région du Gourma uniquement).

Source : Dardel et al. (2014b).

Comparaison avec les réseaux de mesures in situ (Mali, Niger)

Cas du Gourma malien

10La végétation dans le Gourma malien est principalement constituée d’herbacées annuelles. Le sol est donc majoritairement nu ou partiellement couvert de litière pendant la saison sèche, mis à part la présence de quelques plantes pérennes et de quelques arbustes clairsemés. Les plantes herbacées poussent, si la quantité de pluie est suffisante pendant la saison de croissance, soit entre juin et octobre (voir fig. 3). La strate ligneuse représente moins de 5 % de la surface totale, de même que les surfaces cultivées. L’usage du sol est essentiellement pastoral.

11Sur le terrain, dans le cadre d’un suivi écologique à long terme, la production végétale annuelle est estimée en mesurant la masse aérienne de la strate herbacée, l’unité étant le kilogramme de matière sèche par hectare (kg MS.ha-1). Ces mesures sont effectuées de façon destructive : l’herbe est coupée, puis séchée et pesée, sur des carrés de 1 m × 1 m qui sont eux-mêmes aléatoirement choisis le long de transects d’un kilomètre de long (Hiernaux et al., 2009 b). Ces transects échantillonnent la variété du paysage : les différents types de sol, les différentes densités de végétation, etc. De 1984 à 2011, une quarantaine de sites ont ainsi été échantillonnés, quasiment tous les ans. Quand plusieurs mesures sont effectuées sur le même site pour la même année, c’est le maximum de masse qui fournit le meilleur estimateur de production annuelle.

12En effectuant la moyenne des masses mesurées sur ces quarante sites échantillonnés entre 1984 et 2011 (voir fig. 2), nous obtenons une série temporelle comparable au NDVI moyenné sur la même région (le rectangle représenté sur la figure 2, à gauche). Le reverdissement détecté par les données satellitaires est alors confirmé par les mesures de terrain (fig. 4a). L’accord entre ces deux jeux de données indépendants est bon (R2 = 0,61, fig. 4b), ce qui prouve que le NDVI est fortement corrélé à l’évolution de la végétation herbacée et que les satellites sont tout à fait aptes à suivre l’évolution de la production végétale sur de longues périodes de temps. De plus, ces tendances au reverdissement démontrent la résilience des écosystèmes sahéliens du Gourma malien malgré les sécheresses extrêmes des années 1970 et 1980.

Figure 3. Dynamique annuelle du couvert végétal pour le site d’Agoufou au Mali, en 2005, pour a) le 8 avril, b) le 17 juin, c) le 19 août et d) le 28 septembre.

Figure 3. Dynamique annuelle du couvert végétal pour le site d’Agoufou au Mali, en 2005, pour a) le 8 avril, b) le 17 juin, c) le 19 août et d) le 28 septembre.

Figure 4.
a) Évolution temporelle des données terrain (masse de la strate herbacée) moyennées sur les sites du Gourma malien, de 1984 à 2011.
b) Corrélation entre les données terrain et les données NDVI GIMMS-3g entre 1984 et 2011.

Source : Photos Amma-Catch.

Source : adapté de Dardel et al. (2014b).

13Ces premiers résultats montrent que le reverdissement de la végétation sahélienne est un phénomène avéré, et que les archives satellitaires sont tout à fait pertinentes pour effectuer des suivis de végétation sur le long terme, tout au moins dans ces écosystèmes semi-arides.

Cas du Fakara nigérien

14Le cas du Fakara est un peu différent, notamment car cette région du sud-ouest du Niger a connu un très fort accroissement local des populations depuis les années 1950, associé à une importante mise en culture des terres. La proportion de surfaces cultivées a ainsi augmenté de 25 % de la surface totale en 1986 à environ 50 % en 2010 (Hiernaux et Ayantunde, 2004 ; Hiernaux et al., 2009 a). Les surfaces en jachère ont diminué conséquemment, particulièrement les jachères de longue durée. Le système d’utilisation des sols est agropastoral avec une association de parcelles cultivées, de parcelles en jachères et de parcours pastoraux. Ces parcours pastoraux occupent les terres qui ne peuvent pas être cultivées à cause de la faible profondeur de sol meuble et des affleurements rocheux. Ils sont pâturés en toute saison, alors que les champs ne le sont qu’après la récolte, jusqu’aux semis de l’année suivante. Les jachères sont normalement pâturées en toute saison, sauf quand elles sont enclavées parmi les champs. De plus, le Fakara est caractérisé par une forte dynamique interannuelle de l’occupation du sol. Ainsi, une parcelle cultivée une année peut être mise en jachère l’année suivante, et inversement. L’estimation de la productivité végétale doit prendre en compte tous ces paramètres dans l’échantillonnage des sites, ce qui rend l’estimation un peu plus compliquée que dans le Gourma. Comme dans le Gourma, la variable mesurée sur le terrain est la masse aérienne de la strate herbacée, mesurée sur des carrés de 1 m × 1 m aléatoirement choisis le long de transects homogènes pour les zones de jachère et parcours. Les zones en culture sont échantillonnées par poquet ou par pied dont la densité est mesurée parallèlement (Hiernaux et al., 2009 a). Le morcellement du paysage dans cette région impose des transects longs de 200 m pour les jachères et parcours et de 100 m pour les champs (contre 1 km pour les sites du Gourma). Enfin, la profondeur historique du jeu de données est ici un peu plus courte, puisque les collectes de données terrain ont commencé en 1994, ce qui permet quand même dix-sept années de comparaison avec les données satellitaires.

15Les tendances temporelles calculées à partir des données terrain moyennées sur la région du Fakara viennent là aussi confirmer la tendance observée avec le NDVI moyenné sur la même zone : la moyenne des masses mesurées sur les différents sites montre une tendance négative entre 1994 et 2011 (fig. 5a). L’accord entre les données terrain et les données de télédétection est moins bon que dans le Gourma malien (R2 = 0,38, fig. 5b), ce qui peut s’expliquer en partie par la plus grande hétérogénéité du paysage et la forte dynamique d’occupation des sols. Néanmoins, l’important est qu’il y ait là aussi cohérence de deux jeux de données totalement indépendants. La cause de ces tendances, qui sont à la hausse sur le Gourma comme sur la majorité du Sahel mais en baisse sur le Fakara, est bien sûr quelque chose qu’il est important d’identifier.

Figure 5.
a) Évolution temporelle des données terrain (masse de la strate herbacée) moyennées sur les sites du Fakara nigérien, de 1994 à 2011.
b) Corrélation entre les données terrain et les données NDVI GIMMS-3g entre 1994 et 2011.

Figure 5.a) Évolution temporelle des données terrain (masse de la strate herbacée) moyennées sur les sites du Fakara nigérien, de 1994 à 2011.b) Corrélation entre les données terrain et les données NDVI GIMMS-3g entre 1994 et 2011.

Source : adapté de Dardel et al. (2014b).

Peut-on expliquer ces tendances par l’évolution des pluies ?

16Dans les régions semi-arides comme le Sahel, le premier facteur expliquant la production végétale demeure la quantité de pluie reçue par les écosystèmes : les années déficitaires en précipitations, la production sera très faible, voire nulle dans les cas extrêmes. Si d’autres facteurs viennent perturber la relation pluies/production (par exemple, des facteurs reliés à des activités anthropiques comme le défrichement, la déforestation, ou encore l’encroûtement des sols, la salinisation, les feux, l’élevage…), la relation entre production et pluie peut en être modifiée. Nous allons étudier ici le lien entre la production végétale et les pluies mesurées sur le terrain à l’aide de pluviographes, pour les deux régions du Gourma malien et du Fakara nigérien.

Cas du Gourma malien

17Sur la région du Gourma, les pluies ont connu une augmentation très forte entre 1984 et 2011, comme en témoignent les mesures effectuées par un réseau de pluviographes distribués dans la région et dont les anomalies des cumuls annuels sont représentées en figure 6a. Cette augmentation est de l’ordre de 5 mm par an sur la totalité de la période 1984-2011. La corrélation entre la production de la strate herbacée moyennée sur la région et les précipitations est forte : 76 % de la variabilité interannuelle de la production est expliquée par l’évolution des pluies (fig. 6b).

Figure 6.
a) Anomalies des précipitations annuelles mesurées sur la région du Gourma entre 1984 et 2011
b) Corrélation entre la production mesurée sur le terrain et les précipitations.

Figure 6.a) Anomalies des précipitations annuelles mesurées sur la région du Gourma entre 1984 et 2011b) Corrélation entre la production mesurée sur le terrain et les précipitations.

Source : Dardel et al. (2014b). Données DMN (Direction de la météorologie nationale) Mali.

18La question qui se pose est donc la suivante : le reverdissement du Gourma est-il expliqué par la reprise des précipitations sur la même période ?

19Un indicateur souvent utilisé pour séparer l’influence de la pluie sur la production végétale des autres facteurs potentiels est l’efficience d’utilisation de la pluie, ou RUE (« Rain Use Efficiency » en anglais), qui caractérise l’efficacité d’utilisation de la pluie par les plantes. Cet indicateur est calculé simplement comme le rapport entre la production annuelle et les précipitations. Théoriquement, si le milieu n’est pas modifié au cours du temps, sa capacité à utiliser l’eau de pluie pour la croissance des plantes doit rester inchangée (Le Houerou, 1984). En revanche, si les écosystèmes sont modifiés par un facteur quelconque, et a fortiori s’ils sont dégradés, alors l’efficience d’utilisation de la pluie par les plantes est diminuée. C’est cette diminution du RUE au cours du temps qui est utilisée comme indicateur de dégradation des écosystèmes.

20Lorsque les tendances du RUE sont calculées pour la région du Gourma dans son ensemble, aucune diminution du RUE au cours du temps n’est mise en évidence (voir fig. 7). Au contraire, il y a une légère tendance à l’augmentation, mais qui n’est pas statistiquement significative (P = 0,29). À l’échelle de la région, l’analyse du RUE confirme donc qu’il n’y a pas de dégradation des écosystèmes du Gourma depuis le début des années 1980, du moins ceux qui sont accessibles avec l’observation satellitaire. Cependant, nous verrons dans le chapitre 9 que ces conclusions doivent être nuancées si l’on s’intéresse à une échelle spatiale plus fine : on peut en fait détecter une dégradation de la végétation d’une petite fraction du paysage, certains sols superficiels, alors que le signal global de la région reste un reverdissement prononcé.

Figure 7. Évolution temporelle du RUE (Rain Use Efficiency) calculé comme le ratio entre la production végétale mesurée sur le terrain et les précipitations annuelles (cumulées pendant la saison de croissance, soit de juillet à octobre).

Figure 7. Évolution temporelle du RUE (Rain Use Efficiency) calculé comme le ratio entre la production végétale mesurée sur le terrain et les précipitations annuelles (cumulées pendant la saison de croissance, soit de juillet à octobre).

Source : Dardel et al. (2014b).

21Nous pouvons donc dire aujourd’hui que le reverdissement du Gourma est avéré et que la cause est très directement un rétablissement partiel des précipitations après les grandes sécheresses de 1983-1984. À une échelle plus fine, des mécanismes encore mal connus peuvent toutefois altérer la production végétale d’une partie du paysage sans pour autant modifier la signature globale du reverdissement.

Cas du Fakara nigérien

22Pour la région du Fakara, la tendance de l’évolution des pluies sur les vingt dernières années est moins claire : la légère augmentation trouvée entre 1990 et 2011 n’est pas statistiquement significative, de même que la tendance entre 1994-2011 qui est, elle, légèrement négative (fig. 8a).

Figure 8.
a) Anomalies des précipitations annuelles mesurées sur la région du Fakara entre 1990 et 2011.
b) Corrélation entre la production mesurée sur le terrain et les précipitations entre 1994 et 2011.

Figure 8.a) Anomalies des précipitations annuelles mesurées sur la région du Fakara entre 1990 et 2011.b) Corrélation entre la production mesurée sur le terrain et les précipitations entre 1994 et 2011.

23La corrélation entre production végétale mesurée sur le terrain et les pluies mesurées par les pluviographes est beaucoup moins bonne que pour la région du Gourma (R2 = 0,07, fig. 8b). Les mesures de pluie utilisées ici ne correspondent cependant pas complètement à la région du Fakara où s’effectue le suivi de végétation, puisque les données utilisées ont été collectées sur le Degré carré de Niamey, une zone plus étendue.

24De la même façon que pour le Gourma, l’analyse des tendances du RUE doit permettre de caractériser l’influence des précipitations sur la production végétale. Pour ce faire, les tendances du RUE ont été étudiées en considérant séparément les trois types d’occupation du sol : parcelles cultivées, en jachère, et parcours pastoraux. Sur les trois types d’occupation du sol, seules les surfaces en jachère se démarquent : ce sont les seules surfaces caractérisées par une diminution du RUE au cours du temps (voir fig. 9). Cela signifie que l’évolution de la production herbacée sur les champs et parcours pastoraux serait bien expliquée par l’évolution simultanée des précipitations, mais que les surfaces en jachère seraient soumises à une baisse de la production végétale non expliquée par l’évolution des pluies. Des analyses plus approfondies (en utilisant par exemple des images à haute résolution spatiale) seraient nécessaires pour confirmer ce premier diagnostic, puis pour mieux comprendre l’origine de ces évolutions différenciées. Une hypothèse serait par exemple que l’accroissement fort des populations locales et la mise en culture conséquente des terres ont pu diminuer la fertilité des terres, via une accélération des mécanismes de rotation jachère/culture (diminution des jachères les plus longues) et via une mise en culture de terres moins fertiles, mais cela reste à confirmer.

Figure 9. Évolution temporelle du RUE (estimé à partir des mesures de terrain de masse herbacée et de pluie) sur la région du Fakara entre 1994 et 2011.

Figure 9. Évolution temporelle du RUE (estimé à partir des mesures de terrain de masse herbacée et de pluie) sur la région du Fakara entre 1994 et 2011.

Simulation de la production herbacée dans le Gourma sur la période 1950-2012

25Pour replacer les tendances dérivées des mesures in situ et des données de télédétection sur une période plus longue, et en particulier pour remonter jusqu’à la période humide des années 1950-1960, les modèles se révèlent être l’outil le plus adapté. Il existe certaines données accessibles de façon discontinue, comme des photographies aériennes, l’imagerie Landsat, ou les premières observations de terrain (Boudet, 1972), mais ces données sont souvent insuffisantes pour reconstruire des tendances sur une longue période. Le modèle de végétation STEP (Mougin et al., 1995) a donc été employé pour simuler l’évolution de la biomasse herbacée sur le Gourma sur la période 1950-2012. La variabilité des pluies est la seule variable qui a été prise en compte pour faire tourner le modèle, compte tenu de la disponibilité d’une série de données pluviométriques homogènes mesurées à la station météorologique de Hombori, dans le Gourma central, sur la période 1950-2012. Les autres paramètres d’entrée (rayonnement incident dans les courtes longueurs d’onde, température de l’air, humidité relative de l’air et vitesse du vent) ont été fixés pour chaque année à leurs valeurs journalières mesurées par la station météorologique d’Agoufou en 2006, déployée dans le cadre du programme Amma. Une analyse de sensibilité a montré qu’environ 90 % de la variabilité interannuelle de la végétation est prise en compte de cette façon.

26La production de la masse herbacée simulée par STEP est globalement bien corrélée avec les précipitations (voir fig. 10), mais la relation devient moins linéaire à partir des valeurs de pluie supérieures à 400-500 mm/an. Sur la période 1984-2010, les valeurs de corrélation obtenues avec la production simulée (R2 = 0,50) sont moins fortes que celles obtenues à partir des données in situ (R2 = 0,76, voir fig. 6b). Cette différence pourrait être expliquée au moins en partie par le fait que le site d’Hombori se trouve dans le Gourma central, et que la simulation ne prend pas en compte les sites plus arides du Nord où la croissance de la végétation devrait être encore plus dépendante de la disponibilité en eau dans le sol.

Figure 10. Relation entre la biomasse simulée par STEP (maximum annuel) et les précipitations (cumul annuel).

Figure 10. Relation entre la biomasse simulée par STEP (maximum annuel) et les précipitations (cumul annuel).

27Les précipitations mesurées à la station d’Hombori, utilisées en entrée du modèle STEP, et les valeurs de biomasse verte obtenues par les simulations, ainsi que leurs tendances sur différentes périodes sont montrées dans la figure 11 et résumées dans le tableau 1. L’effet des sécheresses extrêmes (1984 et 2004) est bien marqué sur la productivité végétale, qui montre un minimum très prononcé en 1984. Les tendances dérivées de la modélisation sont en très bon accord avec celles dérivées des observations de terrain et de la télédétection sur la période pour laquelle les données in situ ou les données de NDVI sont disponibles. On retrouve notamment un signal de reverdissement significatif à partir des années 1981-1984, qui comme déjà discuté, est à attribuer à la reprise des précipitations pendant cette période.

Figure 11. a) Précipitations et b) Biomasse verte simulées par STEP 2020 et leurs tendances sur la période 1950-2012 (noir), 1981-2011 (rouge) et 1984-2011 (bleu). Toutes les tendances sont statistiquement significatives (p < 0,05 avec le test de Student).

Figure 11. a) Précipitations et b) Biomasse verte simulées par STEP 2020 et leurs tendances sur la période 1950-2012 (noir), 1981-2011 (rouge) et 1984-2011 (bleu). Toutes les tendances sont statistiquement significatives (p < 0,05 avec le test de Student).

28Par contre, si l’on regarde une période plus longue qui inclut les années humides (1950-2012), on trouve alors des tendances négatives à la fois sur les précipitations et sur la biomasse simulée par STEP, signe que, en parallèle avec les précipitations qui sont encore inférieures à leurs valeurs dans la période humide, l’écosystème n’a pas pu atteindre les plus fortes valeurs de biomasse des années 1950-1960.

Tableau 1. Comparaison des tendances des précipitations et de la biomasse simulées par STEP avec les tendances obtenues à partir des observations de NDVI et de données in situ de masse herbacée. Toutes les tendances sont statistiquement significatives (p < 0,05 avec le test de Student).

Période

Tendances des précipitations à la station Hombori
(mm/période)

Tendances de la biomasse simulée par STEP
(kg MS.ha‑1/période)

Tendances de la biomasse observée par télédétection
(unités de NDVI/période)
Source : Dardel et al. (2014a)

Tendances de la biomasse mesurée in situ
(kg MS.ha‑1/période)
Source : Dardel et al. (2014a)

1950-2011

- 167,4

- 821

1981-2011

+ 134,2

+ 552

+ 0,032

1984-2011

+ 146,2

+ 654

+ 0,05

+ 626

Quel futur pour les systèmes sahéliens ?

29Ces travaux permettent d’affirmer qu’il y a un reverdissement généralisé de la couverture végétale sur l’ensemble de la région sahélienne sur les trente dernières années, malgré l’existence de quelques régions où les tendances du couvert végétal sont négatives, comme dans le Fakara nigérien ou dans les régions centrales du Soudan. Les observations satellitaires se révèlent être une méthode robuste pour détecter les changements de la couverture végétale sur de longues périodes de temps, puisqu’elles sont en adéquation avec les changements observés sur le terrain sur deux régions aux tendances de signe opposé (le Gourma malien et le Fakara nigérien).

30Cependant, les observations satellitaires à basse résolution comme les données AVHRR ne sont pas suffisantes pour comprendre l’ensemble des mécanismes impliqués, par exemple dans le Fakara nigérien, ou bien à une échelle spatiale inférieure à celle d’un pixel AVHRR. Pour analyser plus en profondeur ces changements, il est nécessaire d’utiliser d’autres moyens comme de l’imagerie satellitaire à très haute résolution spatiale, mais surtout les réseaux d’observations de terrain, qui renseignent sur de nombreux paramètres que l’on peut difficilement observer depuis l’espace : la composition floristique, la pression de pâture, etc.

31Lorsque l’on s’intéresse aux tendances de la production imposées par les tendances climatiques, il est important de garder en tête qu’elles sont extrêmement dépendantes des échelles spatiales et temporelles considérées, surtout lorsqu’il s’agit de diagnostiquer un « état de santé » de la végétation par rapport à une situation de référence (i.e. le début de la période pour les études de tendance). Nous avons montré que le reverdissement observé sur la région du Gourma sur les trente dernières années est majoritairement causé par le rétablissement des précipitations sur la période, ce qui est vraisemblablement le cas pour l’ensemble de la région sahélienne. Cependant, il est probable qu’une petite partie du paysage (comme les sols superficiels du Gourma, voir Chapitre Kergoat et al.) soit soumise à dégradation via des mécanismes encore mal connus. Ces tendances contrastées ne sont pas en opposition, puisqu’elles impliquent des facteurs d’échelle différents.

32Les simulations effectuées à l’aide du modèle STEP nous ont permis de reconstruire l’évolution du couvert herbacé sur des périodes plus anciennes, en l’occurrence depuis les années 1950. Les résultats de ces simulations indiquent que la végétation n’a pas retrouvé des niveaux de production aussi élevés qu’avant les sécheresses des années 1970 et 1980, parallèlement aux précipitations qui ne sont pas non plus au même niveau que dans les années 1950-1960.

33Dans ce contexte, on peut légitimement s’interroger sur l’évolution des précipitations dans les décennies à venir. Sur ce point, seule la modélisation peut nous donner quelques pistes, mais les modèles de climat sont divergents et ne permettent pas de connaître de manière certaine ni le sens ni l’intensité des modifications à attendre. Le reverdissement observé aujourd’hui ne doit donc pas masquer des variabilités plus fortes, ni faire oublier la possibilité que cela ne représente qu’un état transitoire de la végétation dans un contexte de changement ou de variabilité climatique où les projections sont délicates, notamment en ce qui concerne le champ de précipitations.

Bibliographie

Anyamba A., Tucker C. J., 2005. Analysis of Sahelian vegetation dynamics using Noaa-Avhrr Ndvi data from 1981-2003. Journal of Arid Environments, 63: 596-614.

Asrar G., Kanemasu E. T., Jackson R. D., Pinter P. J., 1985 Estimation of Total above-ground Phytomass Production Using Remotely Sensed Data. Remote Sensing of Environment, 17: 211-220.

Boudet G., 1972. Désertification de l’Afrique tropicale sèche. Adansonia. Série, 2 (12) : 505-524.

Boudet G., 1979. Quelques observations sur les fluctuations du couvert végétal sahélien au Gourma malien et leurs conséquences pour une stratégie de gestion sylvopastorale. Bois et Forêts des Tropiques, 184 : 14.

Dardel C., 2014. Entre désertification et reverdissement du Sahel : diagnostic des observations spatiales et in situ. Thèse doct., univ. Paul Sabatier, Toulouse III, 199 p.

Dardel C., Kergoat L., Hiernaux P., Grippa M., Mougin E., Ciais P., Nguyen C. C., 2014a. Rain-Use-Efficiency: What it Tells us about the Conflicting Sahel Greening and Sahelian Paradox. Remote Sensing, 6: 3446-3474.

Dardel C., Kergoat L., Hiernaux P., Mougin E., Grippa M., Tucker C. J., 2014b. Re-greening Sahel: 30 years of remote sensing data and field observations (Mali, Niger). Remote Sensing of Environment, 140: 350-364.

Fensholt R., Langanke T., Rasmussen K., Reenberg A., Prince S. D., Tucker C., Scholes R. J., Le Q. B., Bondeau A., Eastman R., Epstein H., Gaughan A. E., Hellden U., Mbow C., Olsson L., Paruelo J., Schweitzer C., Seaquist J., Wessels K., 2012. Greenness in semi-arid areas across the globe 1981-2007-an Earth Observing Satellite-based analysis of trends and drivers. Remote Sensing of Environment, 121: 144-158.

Fensholt R., Rasmussen K., Kaspersen P., Huber S., Horion S., Swinnen E., 2013. Assessing Land Degradation/Recovery in the African Sahel from Long-Term Earth Observation Based Primary Productivity and Precipitation Relationships. Remote Sensing, 5: 664-686.

Herrmann S. M., Anyamba A., Tucker C. J., 2005. Recent trends in vegetation dynamics in the African Sahel and their relationship to climate. Global Environmental Change-Human and Policy Dimensions, 15: 394-404.

Hiernaux P., Ayantunde A., 2004. « The Fakara: a semi-arid agro-ecosystem under stress ». In: Report of research activities, First phase (July 2002-June 2004) of the DMP-GEF Program (GEF/2711-02-4516), Nairobi (Kenya), Ilri.

Hiernaux P., Ayantunde A., Kalilou A., Mougin E., Gerard B., BAUP F., Grippa M., Djaby B., 2009a. Trends in productivity of crops, fallow and rangelands in Southwest Niger: Impact of land use, management and variable rainfall. Journal of Hydrology, 375 : 65-77.

Hiernaux P., Mougin E., Diarra L., Soumaguel N., Lavenu F., Tracol Y., Diawara M., 2009b Sahelian rangeland response to changes in rainfall over two decades in the Gourma region, Mali. Journal of Hydrology, 375: 114-127.

Hubert H., 1920. Le dessèchement progressif en Afrique occidentale. Bulletin du Comité d’études historiques et scientifiques de l’Afrique occidentale française, 3 : 401-467.

JONES B., 1938. Desiccation and the West African Colonies. Geographical Journal, 91: 401-423.

Lamprey H. F., 1975. « Report on the desert encroachment reconnaissance in Northern Sudan: 21 October to 10 November 1975 ». In : Technical report : 1-7, Paris/Nairobi, Unesco/Unep.

Le Houerou H. N., 1984. Rain Use Efficiency-a Unifying Concept in Arid-Land Ecology. Journal of Arid Environments, 7: 213-247.

Mabbutt J. A., 1984. A new global assessment of the status and trends of desertification. Environmental Conservation, 11: 103-113.

Monteith J. L., 1972. Solar-radiation and productivity in tropical ecosystems. Journal of Applied Ecology, 9: 747-766.

Mougin E., Loseen D., Rambal S., Gaston A., Hiernaux P., 1995. A regional Sahelian grassland model to be coupled with multispectral satellite data. 1. Model description and validation. Remote Sensing of Environment, 52: 181-193.

Mougin E., Hiernaux P., Kergoat L., Grippa M., De Rosnay P., Timouk F., Le Dantec V., Demarez V., Lavenu F., Arjounin M., Lebel T., Soumaguel N., Ceschia E., Mougenot B., Baup F., Frappart F., Frison P. L., Gardelle J., Gruhier C., Jarlan L., Mangiarotti S., Sanou B., Tracol Y., Guichard F., Trichon V., Diarra L., Soumare A., Koite M., Dembele F., Lloyd C., Hanan N. P., Damesin C., Delon C., Serca D., Galy-Lacaux C., Seghieri J., Becerra S., Dia H., Gangneron F., Mazzega P., 2009. The AMMA-CATCH Gourma observatory site in Mali: Relating climatic variations to changes in vegetation, surface hydrology, fluxes and natural resources. Journal of Hydrology, 375: 14-33.

Myneni R. B., Hall F. G., Sellers P. J., Marshak A. L., 1995. The Interpretation of Spectral Vegetation Indexes. IEEE Transactions on Geoscience and Remote Sensing, 33: 481-486.

Sellers P. J., 1985. Canopy reflectance, Photosynthesis and Transpiration. International Journal of Remote Sensing, 6: 1335-1372.

Stebbing E. P., 1935. The Encroaching Sahara: The Threat to the West African Colonies. Geographical Journal, 85: 506-524.

Tucker C. J., Nicholson S. E., 1999. Variations in the size of the Sahara Desert from 1980 to 1997. Ambio, 28: 587-591.

Uncod, 1977. Proceedings of the Desertification Conference (Nairobi, UNEP). London, Pergamon Press.

Unep, 1992. World Atlas of Desertification. London, Edward Arnold, 69 p.

Veron S. R., Paruelo J. M., Oesterheld M., 2006. Assessing desertification. Journal of Arid Environments, 66 : 751-763.

Table des illustrations

Titre Équation 1. Formule du NDVI, avec ρIR = réflectance dans le proche-infrarouge (PIR) et ρR = réflectance dans les longueurs d’onde du rouge (R).
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-1.jpg
Fichier image/jpeg, 24k
Titre Figure 1. Tendances temporelles du NDVI GIMMS3g moyenné entre juillet et octobre entre 1981 et 2011 sur la bande sahélienne. Les zones non statistiquement significatives (P < 0,05) sont masquées en gris.
Crédits Source : Dardel et al. (2014b).
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-2.jpg
Fichier image/jpeg, 292k
Titre Figure 2. Tendances du NDVI GIMMS3g moyenné sur la saison de croissance (de juillet à octobre) de 1981 à 2011 : zoom sur les régions du Gourma malien (rectangle à gauche) et du Fakara nigérien (carré à droite). Les croix représentent les pixels où des sites de végétation sont présents (pour la région du Gourma uniquement).
Crédits Source : Dardel et al. (2014b).
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-3.jpg
Fichier image/jpeg, 456k
Titre Figure 3. Dynamique annuelle du couvert végétal pour le site d’Agoufou au Mali, en 2005, pour a) le 8 avril, b) le 17 juin, c) le 19 août et d) le 28 septembre.
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-4.jpg
Fichier image/jpeg, 376k
Crédits Source : adapté de Dardel et al. (2014b).
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-5.jpg
Fichier image/jpeg, 164k
Titre Figure 5.a) Évolution temporelle des données terrain (masse de la strate herbacée) moyennées sur les sites du Fakara nigérien, de 1994 à 2011.b) Corrélation entre les données terrain et les données NDVI GIMMS-3g entre 1994 et 2011.
Crédits Source : adapté de Dardel et al. (2014b).
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-6.jpg
Fichier image/jpeg, 196k
Titre Figure 6.a) Anomalies des précipitations annuelles mesurées sur la région du Gourma entre 1984 et 2011b) Corrélation entre la production mesurée sur le terrain et les précipitations.
Crédits Source : Dardel et al. (2014b). Données DMN (Direction de la météorologie nationale) Mali.
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-7.jpg
Fichier image/jpeg, 188k
Titre Figure 7. Évolution temporelle du RUE (Rain Use Efficiency) calculé comme le ratio entre la production végétale mesurée sur le terrain et les précipitations annuelles (cumulées pendant la saison de croissance, soit de juillet à octobre).
Crédits Source : Dardel et al. (2014b).
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-8.jpg
Fichier image/jpeg, 116k
Titre Figure 8.a) Anomalies des précipitations annuelles mesurées sur la région du Fakara entre 1990 et 2011.b) Corrélation entre la production mesurée sur le terrain et les précipitations entre 1994 et 2011.
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-9.jpg
Fichier image/jpeg, 228k
Titre Figure 9. Évolution temporelle du RUE (estimé à partir des mesures de terrain de masse herbacée et de pluie) sur la région du Fakara entre 1994 et 2011.
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-10.jpg
Fichier image/jpeg, 376k
Titre Figure 10. Relation entre la biomasse simulée par STEP (maximum annuel) et les précipitations (cumul annuel).
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-11.jpg
Fichier image/jpeg, 200k
Titre Figure 11. a) Précipitations et b) Biomasse verte simulées par STEP 2020 et leurs tendances sur la période 1950-2012 (noir), 1981-2011 (rouge) et 1984-2011 (bleu). Toutes les tendances sont statistiquement significatives (p < 0,05 avec le test de Student).
URL http://books.openedition.org/irdeditions/docannexe/image/8957/img-12.jpg
Fichier image/jpeg, 410k

Auteurs

© IRD Éditions, 2015

Conditions d’utilisation : http://www.openedition.org/6540

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search