Abstracts
Résumé
Afin d’évaluer l’impact des changements climatiques sur les ressources en eau, nous réalisons dans ce travail une analyse statistique spatio-temporelle de certaines variables climatiques du bilan hydrique. En effet, pour comprendre les variations climatiques ayant eu lieu dans le passé, l’analyse statistique doit se faire sur des séries chronologiques de données représentatives aussi bien sur le plan spatial que temporel. Toutefois, ces séries de données présentent souvent des lacunes dans les mesures et des irrégularités qui entravent leur utilisation directe. Pour cela, l’analyse statistique adoptée dans cette étude s’est appuyée sur trois étapes : i) le comblement des données manquantes par deux méthodes d’imputation, à savoir la méthode d’imputation multivariée par des équations enchainées (MICE) et la méthode des k plus proches voisins (k-NN); ii) la détection des changements significatifs ayant eu lieu dans le passé dans les séries chronologiques. Les dates de ces changements sont marquées par des ruptures au niveau de la moyenne des variables climatiques étudiées. Ces ruptures ont été validées par trois tests statistiques (Pettitt, Buishand et homogénéité normale SNH); iii) l’investigation de tendances potentielles dans les données climatiques par les tests statistiques (Sen et Mann-Kendall) ainsi que par une projection future. Comme application, nous avons traité les données climatiques pour les périodes 1974-2016 et 2021-2050 issues de cinq stations météorologiques du périmètre du Gharb situé au nord du Maroc. Les résultats obtenus montrent que la méthode d’imputation de MICE est la plus performante pour toutes les stations. Pour les tendances, les séries de températures, d’évapotranspiration potentielle et du déficit hydrique présentaient des tendances significatives à la hausse sur tous les pas de temps. Tandis que pour les séries de précipitations, les tendances étaient non significatives. Les projections à l’horizon 2021-2050 ont fait ressortir que nous pourrions assister à un léger décalage de la saison la plus pluvieuse de l’année et l’effet du réchauffement serait plus important en allant de l’ouest vers l’est du périmètre du Gharb en raison de l’effet de continentalité.
Mots-clés:
- séries chronologiques,
- comblement de lacunes,
- homogénéisation,
- analyse des tendances,
- bilan hydrique,
- changements climatiques,
- ressources en eau,
- Gharb
Abstract
In order to evaluate the climate change impact on water resources, we carry out in this work, a spatio-temporal statistical analysis of some water balance variables. In order to understand past climate variations, a statistical analysis must be made for representative time series both temporally and spatially. These data sets, however, often have irregularities and gaps in the measurements which hinder their direct use. For this reason, the statistical analysis used in this study was based on three steps: i) filling gaps of missing data using two imputation methods, namely multiple imputation by chained equations (MICE) and the k-nearest neighbour method (k-NN); ii) the detection within time series of significant changes that occurred in the past. Dates of these changes are characterized by breaks at the level of the mean of the studied climate variables. These breaks were confirmed by three statistical tests (Pettitt, Buishand, and Normal Homogeneity SNH); iii) the investigation of potential climate data trends by using statistical tests (Sen and Mann-Kendall) as well as with a projection technique for the future. As an application, we processed climate data from five weather stations in the Gharb perimeter, located in northern Morocco, for the periods 1974-2016 and 2021-2050. The results obtained showed that MICE imputation is the most efficient for all stations. For trends, while the series of temperatures, potential evapotranspiration, and water deficit showed significant upward trends over all time steps, the trends were non-significant for the precipitation series. The projections for 2021-2050 showed that we could witness a slight shift in the wettest season of the year and that the effect of warming would be greater from west to east in the Gharb perimeter due to the effect of continentality.
Key words:
- time series,
- gaps-filling,
- homogenization,
- trends analysis,
- water balance,
- climate change,
- Gharb
Article body
1. Introduction
Le réchauffement climatique est devenu un fait reconnu par les communautés scientifique et politique. Ce changement climatique pourrait être marqué par des phénomènes météorologiques extrêmes qui étaient rares, mais deviennent de plus en plus fréquents, en l’occurrence la sécheresse et les inondations (GIEC, 2014). Les effets de ces phénomènes extrêmes associés aux activités humaines entraînent divers problèmes environnementaux et affectent en particulier le cycle hydrologique à des degrés variables selon les pays et les régions. Dans ce contexte de changement climatique, pour assurer une gestion durable des ressources en eau, l’analyse quantitative et qualitative des ressources, ainsi que la prédiction de l’impact des changements climatiques sur leur disponibilité s’avèrent indispensables.
Au Maroc, des études récentes ont montré que les ressources en eau affichent globalement une tendance à la baisse jusqu’à l’horizon 2050 et prévoient également un déficit hydrique (DRIOUECH, 2010; MILANO et al., 2013; TERINK et al., 2013; TRAMBLAY et al., 2014; EL ASRI et al., 2019). Le déficit hydrique s’explique conjointement par une baisse des précipitations et une hausse significative des températures, et par conséquent une augmentation de l’évaporation et l’évapotranspiration. Dans cette étude pour les projections futures, nous nous sommes basés sur les travaux de Fatima Driouech qui a évalué l’effet du changement climatique sur les ressources en eau du bassin versant Moulouya à l’est du Maroc en utilisant le scénario A1B issu du modèle ARPEGE-climat à 50 km, ainsi que le modèle hydrologique GR2M. Elle a montré qu’à l’horizon 2050 les débits connaîtront une diminution importante, notamment en saison hivernale variant de -20 % à -30 % en réponse à une baisse des précipitations comprise entre -10 % et -20 % et une augmentation de l’évapotranspiration potentielle (DRIOUECH, 2010). Le tableau 1 récapitule les méthodes et les scénarios des projections utilisés dans les travaux antérieurs cités précédemment.
Tableau 1
Méthodes et scénarios de projections utilisés dans des travaux antérieurs
Projection methods and scenarios used in previous work
Pour ce faire, l’analyse statistique quantitative doit se faire sur des séries chronologiques représentatives de données climatiques de précipitations et températures collectées par des stations météorologiques réparties sur une zone d’étude (DRIOUECH, 2010; SEBBAR, 2013).
Or, pour des raisons multiples, ces séries contiennent souvent des lacunes ou données manquantes, ce qui entrave leur analyse. Par ailleurs, ne pas prendre en considération les enregistrements des données incomplètes risque de faire perdre des informations importantes et de modifier ou altérer la structure des séries temporelles telle que la tendance. Pour pallier ce problème, la procédure d’imputation offre la possibilité de reconstituer les données manquantes, ce qui permet ainsi d’analyser de longues séries de données et d’en tirer le maximum d’information (RIBEIRO et al., 2016). Également, quand les séries climatiques présentent des hétérogénéités et des irrégularités qui conduisent à des interprétations erronées, des méthodes d’homogénéisation ont été développées et utilisées afin de détecter et de corriger ces irrégularités (LEE et HEGHINIAN, 1977; PETTITT, 1979; BUISHAND, 1982; ALEXANDERSSON, 1986; HUBERT et al., 1989).
Ensuite, une analyse des tendances des séries temporelles climatiques imputées et homogénéisées est effectuée en utilisant des tests statistiques paramétriques (GOCIC et TRAJKOVIC, 2013). À l’échelle du Maroc, de nombreux chercheurs ont effectué l’analyse des tendances de précipitations et de températures, mais rares sont ceux qui ont traité le problème des données manquantes dans les séries chronologiques (DRIOUECH, 2010; SEBBAR, 2013).
Dans cette étude, nous visons principalement à réaliser une analyse statistique de certaines variables du bilan hydrique, notamment les précipitations (P), la température moyenne (Tmoy), l’évapotranspiration potentielle (ETP), l’évapotranspiration réelle (ETR), le déficit hydrique (De) et l’infiltration efficace (Ie), avec une étude de cas du périmètre du Gharb situé au nord du Maroc et selon la méthodologie exposée ci-dessous.
2. Méthodologie
L’approche méthodologique adoptée dans cette étude se base sur l’analyse statistique spatio-temporelle de séries chronologiques de certaines variables climatiques, à savoir les précipitations et les températures mesurées dans cinq stations météorologiques bien réparties dans la zone d’étude. Cette analyse statistique s’effectue en quatre étapes, comme illustré dans la figure 1.
Le traitement des données manquantes : le comblement des données manquantes a été effectué par les méthodes d’imputation multiple (MICE) et des k plus proches voisins (k-NN). La performance statistique de la méthode d’imputation choisie est évaluée en moyennant quelques indicateurs de performance tels que l'erreur absolue moyenne (MAE), la racine carrée des erreurs quadratiques moyennes (RMSE) et le coefficient de variation de la racine carrée des erreurs quadratiques moyennes (CVRMSE).
L’analyse du changement passé ou des ruptures : la détection des dates de ruptures dans les données traitées a été faite en utilisant trois tests statistiques, à savoir le test de Pettitt, le test Buishand et le test d’homogénéité normale SNH (PETTITT, 1979; BUISHAND, 1982; ALEXANDERSSON, 1986). Cette approche de détection de rupture permet d’obtenir des hypothèses sur les dates où il y avait eu un changement significatif de la moyenne des variables climatiques. Pour les trois tests, si l’hypothèse nulle est vérifiée, cela indique que la série est homogène, donc l’absence de rupture dans la série.
L’analyse des tendances : l’analyse des tendances a été réalisée en se basant sur les tests de Sen et de Mann-Kendall (MANN, 1945; KENDALL,1975; SEN, 1968). Ceci nous permettra de mieux appréhender les évolutions futures en nous basant sur la période de référence allant de 1974 à 2016. Pour voir la variation spatiale à l’échelle de notre zone d’étude et des tendances annuelles et saisonnières des variables climatiques étudiées, une interpolation spatiale a été faite par la méthode d’interpolation IDW (interpolation par pondération par l’inverse de la distance) qui est parmi les méthodes d’interpolation les plus utilisées.
L’analyse des prévisions futures : pour les projections futures à l’horizon 2021-2050, nous avons appliqué sur la période de référence choisie 1974-2016 les résultats du modèle climatique ARPEGE-Climat version 4, qui correspond à un modèle atmosphérique spectral global dérivé du modèle de prévision météorologique numérique ARPEGE/IFS ayant une résolution spatiale de 50 km (DRIOUECH, 2010). Ce dernier est développé conjointement par Météo-France et le Centre européen de prévision météorologique à moyen terme (DÉQUÉ et al., 1994).
Figure 1
Approche méthodologique
Methodological approach
Pour implémenter l’ensemble des algorithmes et traitements, nous avons utilisé le langage R et le logiciel QGIS comme système d’information géographique (RC TEAM, 2017; QGIS TEAM, 2017).
2.1 Description des méthodes de traitement des données
2.1.1 Méthodes de comblement des lacunes
Afin de combler les données incomplètes pour les différentes stations, nous avons appliqué deux méthodes d’imputation : la méthode d’imputation multivariée par équations enchaînées (MICE) et la méthode des k plus proches voisins (k-NN). Le choix s’est porté sur ces deux méthodes en raison de leurs flexibilité et leurs utilisations dans divers domaines (BUUREN et KARINGROOTHUIS-OUDSHOORN, 2011). Également, la performance de ces deux méthodes a été faite par des tests statistiques d’évaluation de la performance (section 2.1.1.3).
2.1.1.1 Méthode d’imputation multivariée par équations enchaînées (MICE)
L’approche MICE, développée par B. Rubin en 1987 et nommée également « imputation multiple de régression séquentielle » ou « spécification entièrement conditionnelle ». Il s’agit d’une approche d’imputation semi-paramétrique qui permet de proposer un modèle plus proche de la nature des données (BUUREN et KARINGROOTHUIS-OUDSHOORN, 2011). Son principe repose globalement sur l’imputation des variables incomplètes. D’une part, de façon successive variable par variable, de telle sorte qu’elle attribue à chaque variable un modèle de régression spécifique. D’autre part, de façon itérative pour obtenir la convergence selon l’algorithme d'imputation MICE (BUUREN, 2012) décrit ci-dessous :
Spécifier un modèle d'imputation
pour la variable Y–j avec j = 1, …, p.
Pour chaque j, remplir les imputations de départ
par tirages au sort parmi Yjobs.
Répéter la procédure pour t = 1, …, T.
Répéter la procédure pour j = 1, …, p.
Définir
en tant que données actuellement complètes, à l'exception de Yj.
Tirer
.
Tirer les imputations
.
Fin de répétition j.
Fin de répétition t.
où P est la probabilité qui permet de simuler la distribution bayésienne a posteriori de la variable manquante; Y est une matrice de dimension n x p contenant les réalisations de p variables pour n unités expérimentales; R est le vecteur des indicatrices de réponse dont les composantes rij (i = 1..., n = 1 et j = 1, ..., p) valent 1 si Y est observé et 0 sinon. Les parts observées et manquantes de Y sont notées Yjobs et Yjmis respectivement. représente les valeurs n0 de vecteur imputé en Y; Y–j toutes les colonnes de Y à l’exception de Yj et Φj représente les paramètres inconnus du modèle d'imputation.
Sur le plan pratique, cette méthode d’imputation multiple se fait en plusieurs étapes. D’abord, le choix d’un modèle de régression pour la variable étudiée. Ensuite, l’attribution à chaque valeur de données manquantes d’une valeur aléatoire à partir des données observées, et ceci de façon itérative. Enfin, l’estimation des valeurs imputées en fonction du coefficient de régression estimé sur chaque jeu de données.
2.1.1.2 Méthode des k plus proches voisins (k-NN)
La méthode des k plus proches voisins (k-NN) est une méthode non paramétrique largement utilisée comme méthode d’interpolation des données et également comme méthode d’imputation. Elle permet l’estimation des valeurs manquantes en fonction de leurs voisines les plus proches. Le choix du paramètre k (l’ordre du voisinage) a un effet important sur la performance de la méthode d’imputation k-NN (FENG et al., 2014). La distance entre la ie et la je observation peut être définie selon l’équation 1 ci-dessous (KOWARIK et TEMPL, 2016) :
où ωk est le poids et δi,j,k est la contribution de la ke variable. Pour les variables continues, la distance absolue est calculée comme suit (Équation 2) :
où xi,k est la valeur de la ke variable de la ie observation et rk est la plage de la ke variable. Les variables ordinales sont converties en variables entières, puis la distance absolue divisée par la plage est calculée.
Afin d’implémenter l’algorithme MICE basé sur l’approche de Markov Chain Monte Carlo (MCMC), et les algorithmes de la méthode k-NN, nous avons utilisé les packages MICE (version 3.3.0) (BUUREN, 2018) et VIM (version 4.8.0) (TEMPL et al., 2019) sous le logiciel de programmation R.
2.1.1.3 Performance statistique des méthodes de comblement des lacunes
L’évaluation de la performance des deux modèles d’imputation choisis a été faite en se basant sur les trois indicateurs statistiques ci-dessous (MAE, RMSE et CVRMSE). Le modèle ayant les faibles valeurs en ces indicateurs serait le meilleur. Une méthode d’imputation est dite plus robuste par rapport à d’autres méthodes si l’écart type (SD) et le coefficient de variation (CV) sont les plus petits. Pour ce qui est des moyennes des données, une valeur plus faible indique une meilleure performance de la méthode appliquée.
MAE : l'erreur absolue moyenne :
RMSE : la racine carrée des erreurs quadratiques moyennes :
CVRMSE : le coefficient de variation de la racine carrée des erreurs quadratiques moyennes (Équation 5), a été développé pour éliminer les dépendances d'échelle, surtout quand il existe des différences considérables dans la variabilité des séries temporelles à l'intérieur d’une même région ou entre des régions différentes (YOZGATLIGIL et al., 2013).
où Xobs : les valeurs de la variable X contenant des données observées, Ximp : les valeurs de la variable X complétées par une méthode d’imputation, N : le nombre de données définies. : la moyenne des valeurs de la variable X observées sur l’ensemble des données étudiées (dans cette étude, la variable X est Tmin ou Tmax).
2.1.2 Tests statistiques de détection de rupture
Les changements significatifs dans une série de données se marquent par une rupture de la pente. La détection de cette rupture est l'estimation du point pour lequel les propriétés statistiques sont différentes (KILLICK et ECKLEY, 2014). Alors que la tendance peut être définie comme une estimation d'un changement graduel d'événements futurs à partir de données passées.
De nombreux tests statistiques de détection de rupture ont été proposés dans la littérature pour des changements multiples et simples. Dans cette étude, les dates de ces changements sont marquées par des ruptures au niveau de la moyenne des variables climatiques étudiées. Pour cela, nous avons utilisé trois tests d’homogénéisation en raison de leur efficacité et leur popularité. Il s’agit du test non paramétrique de Pettitt, du test paramétrique classique de Buishand et du test d’homogénéisation SNH (PETTITT, 1979; BUISHAND, 1982; ALEXANDERSSON, 1986). Les deux derniers tests ont été recommandés par l’Organisation météorologique mondiale (OMM,1989). Toutefois, les tests de Pettitt et de Buishand sont plus sensibles aux ruptures au milieu de la série chronologique (RIBEIRO et al., 2016). Alors que le test SNH est considéré comme l'une des méthodes d'homogénéisation la plus robuste pour les variables climatiques (RIBEIRO et al., 2016).
Par ailleurs, l’hypothèse nulle (H0) d’homogénéité des données ou d’absence de rupture dans les séries chronologiques de précipitations et de températures comblées a été testée par ces trois tests statistiques à un degré de signification fixé à 5 % et 1 %. L’hypothèse H0 est retenue, signifie qu’il n’y pas de cassure significative au sein de la série et que les données de cette série sont donc homogènes. Dans le cas contraire, H0 est rejetée quand la valeur p est inférieure aux degrés de signification fixés. Ainsi, l’hypothèse d’hétérogénéité de la série de données est retenue, ce qui indique un changement significatif dans cette dernière et par conséquent l’estimation de la date de rupture est donc possible.
Pour ce faire, pour chacune des cinq stations, nous avons calculé la moyenne annuelle des variables étudiées, pour chaque année, de la période d’étude. Ensuite, nous avons appliqué les fonctions du package trend (pettitt.test, bu.test et snh.test) du langage R pour obtenir des hypothèses sur les dates des ruptures (POHLERT, 2018).
2.1.3 Analyse des tendances
2.1.3.1 Tests statistiques d’analyse des tendances
Pour déterminer l’importance des tendances observées et calculer leur amplitude sur différents pas de temps, nous avons appliqué les tests de Mann-Kendall et de Sen (MANN, 1945; KENDALL,1975; SEN, 1968).
Le test de Mann-Kendall est couramment utilisé pour détecter les tendances monotones dans une série de données environnementales, climatiques ou hydrologiques (POHLERT, 2018). L’un de ses avantages, c’est qu’il ne requiert pas que les données suivent une distribution normale. Il se caractérise aussi par une faible sensibilité aux ruptures abruptes dues à des séries temporelles non homogènes (GOCIC et TRAJKOVIC, 2013). Son hypothèse nulle (H0) est telle que les variables suivent une distribution aléatoire et qu’il n'y a pas de tendance bien nette.
La pente de Sen ou estimateur de Theil-Sen est une extension du test de Theil (THEIL, 1950), il permet d’estimer à la fois l’ampleur de la tendance linéaire et les niveaux de confiance (GILBERT, 1987; POHLERT, 2018). Il est considéré comme un test extrêmement moins sensible aux données manquantes et aux valeurs aberrantes. Ce qui le rend une méthode plus robuste que l’estimateur des moindres carrés.
Pour réaliser les tests de tendance, nous avons utilisé la fonction Mann-Kendall du package Kendall (MCLEOD, 2015) et la fonction Sens.slope du langage R package trend (POHLERT, 2018).
2.1.3.2 Répartition spatiale des tendances : interpolation par la méthode IDW
La répartition spatiale des tendances dans la zone d’étude a été faite par la méthode d’interpolation IDW des données des cinq stations avec un coefficient de distance qui vaut 2. Son principe consiste à calculer la moyenne pondérée de la valeur d’un point donné en se référant à la valeur de ses voisins. L’effet ou le poids des valeurs voisines varie inversement à la distance qui les sépare. Pour cela, et pour restituer plus facilement les différentes cartes des tendances annuelles et saisonnières des précipitations et des températures moyennes, nous avons utilisé le logiciel QGIS (QGIS TEAM, 2017) et le langage R (RC TEAM, 2017).
2.1.4 Analyse des projections futures des données climatiques
2.1.4.1 Définitions des scénarios
Pour la période de référence choisie dans cette étude (1974-2016), nous considérons les données climatiques mesurées dans les cinq stations. Les variations du climat observées durant cette période sont considérées comme un « scénario de climat de référence » (SCR).
Ensuite, pour la période de projection 2021-2050, nous considérons les données de climat projeté dont les variations futures constituent donc le « scénario de climat projeté » (SCP). Nous avons pris deux scénarios : optimiste (SCPO) et pessimiste (SCPP).
2.1.4.2 Projections futures
Pour la période de référence, nous avons utilisé pour chaque station, les données des variables climatiques dont les précipitations (P) et les températures (T). Ces variables ont subi au préalable les traitements d’homogénéisation et d’imputation, particulièrement pour les températures. Pour chaque variable Xi, on note que Xijréf est la valeur de référence de la variable Xi pour la station j. Ainsi, l’ensemble des Xij réf constitue le scénario du climat de référence (SCR).
Pour la projection future dans chaque station et pour chacune des variables étudiées, nous avons appliqué les valeurs résultantes du modèle climatique choisi afin de déterminer les bornes inférieures et supérieures de la projection, notées Tij inf et Tij sup. Ensuite, selon la nature de la variable, ces bornes ont été considérées comme des scénarios de climat optimiste (SCPO) et pessimiste (SCPP), comme cela a été fait dans une étude antérieure (KASSOGUÉ et al., 2017).
Si on prend l’exemple de la variable climatique « température », Xij réf est la température moyenne de référence. Alors, la température projetée Xij proj dans un cas du scénario pessimiste (SCPP), serait donnée par l’équation 6 suivante :
Par contre, dans un cas du scénario optimiste (SCPO), la température projetée serait donnée par l’équation 7:
2.1.5 Impact du changement climatique : les variables utilisées
Pour évaluer l’impact des changements climatiques sur les ressources en eau, nous avons utilisé les variables du bilan hydrique notamment P, Tmoy, ETP, ETR, De et Ie. Dans cette étude, à titre de comparaison ces variables ont été prises à différentes échelles : annuelle, saisonnière et mensuelle.
Les précipitations mensuelles ont été calculées comme le cumul des précipitations décadaires. Les précipitations annuelles ou saisonnières correspondent à la somme des précipitations mensuelles par an ou par saison.
La température moyenne mensuelle (Tmoy) est la moyenne arithmétique des températures mensuelles minimale (Tmin) et maximale (Tmax) (Équation 8). La température moyenne d’une année (ou d’une saison) est la moyenne des températures moyennes mensuelles sur 12 mois (ou sur le nombre de mois de la saison considérée).
La température moyenne :
Pour l’évaluation de l’évapotranspiration potentielle, nous avons choisi la formule de Thornthwaite, qui est une des méthodes les plus simples; elle est basée sur la température moyenne et la durée du jour (THORNTHWAITE, 1948) (Équation 9). Ce choix s’est fait en raison de la non-disponibilité de certains paramètres exigés par les autres méthodes telles que l’humidité relative, le rayonnement solaire, etc.
L’évapotranspiration potentielle :
où Tmoy est la température moyenne mensuelle (°C), ETP : évapotranspiration potentielle en mm par mois, Nd : nombre de jours par mois, N : durée moyenne du jour (h), I : indice de chaleur calculé par la formule suivante :
et K est une variable climatique calculée par :
Le bilan hydrique de Thornthwaite, basé sur la loi de conservation de la matière (THORNTHWAITE et MATHER, 1955) (Équation 12), a été également utilisé pour l’estimation des autres paramètres dont l’évapotranspiration réelle (ETR, équation 14), l’infiltration efficace (Ie, équation 15) et le déficit hydrique (De, équation 16).
L’équation du bilan hydrique :
où Pt : précipitation (mm), ETR : évapotranspiration réelle (mm), Ie : infiltration efficace (mm), Ro : ruissellement (mm), ΔS: variation de la réserve d'eau au sol. Selon le bilan hydrique de Thornthwaite, pour qu’il y ait une infiltration efficace, il faut que la réserve facilement utilisable soit satisfaite (RFU, équation 13) :
La RFU est la réserve en eau du sol facilement utilisable et la RFUmax est la différence entre les teneurs en eau du sol à la capacité au champ et au point de flétrissement.
Pour le déficit hydrique :
3. Application : analyse du cas du périmètre du Gharb
3.1 Description de la zone d’étude
Le périmètre irrigué du Gharb, ayant une superficie de 6 160 km2, occupe une position importante dans le développement agricole du Maroc depuis les années 1940. Ce développement s’est intensifié depuis l’adoption de la politique du Plan Maroc vert en 2008.
Ce périmètre irrigué est soumis à un climat de type méditerranéen subhumide avec une influence océanique, notamment sur sa partie occidentale. Tandis que l’intérieur du périmètre a un climat semi-aride à hiver chaud. Ce périmètre se caractérise, en plus, par une disparité spatio-temporelle des précipitations qui s’exprime à la fois par un excès et un déficit en eau selon les saisons. Par conséquent, cette disparité a un rôle crucial dans la disponibilité des ressources en eau et c’est pour cela qu’il est nécessaire de mener une étude sur leur disponibilité future.
Le périmètre du Gharb est marqué essentiellement par une topographie relativement plate, avec des altitudes inférieures à 25 m à l’exception des dunes bordières à l’ouest et des bordures sud et est de la plaine ayant des hauteurs dépassant localement les 200 m (Figure 2). Cette particularité topographique, couplée à la nature argileuse des sols (Figure 3), entrave par endroit le drainage naturel des eaux par le ruissellement et provoque leur stagnation en périodes pluvieuses.
Figure 2
Situation géographique de la zone d'étude et emplacement des stations météorologiques
Geographical location of study area and weather stations
Figure 3
Carte des types de sols du périmètre du Gharb (ORMVAG, 1970)
Soil type map of the Gharb perimeter (ORMVAG, 1970)
Du point de vue pédologique, le périmètre du Gharb contient une gamme diversifiée de sols, constituée essentiellement d’alluvions à teneur en argile allant de 15 % à 55 %. Ces sols sont dominés par les tirs à 38 % (sols argileux permettant une lente circulation de l’eau en profondeur), 29 % de dehs (sols limoneux facilitant la percolation des eaux vers la nappe), 8 % de sols hydromorphes (merja), 7 % de sable, 4 % de hamri (sols fersiallitiques) et 14 % regroupent les autres sols (sols calcimagnésiques, minéraux bruts) (Figure 3).
Du point de vue géologique, la zone d’étude est formée d’une épaisse série sédimentaire de dépôts très hétérogènes depuis les marnes du Miocène jusqu’aux limons du Quaternaire récent (AMHARREF et al., 2007).
Le périmètre est drainé par les oueds de Sebou, Beht, Ouerrha et leurs affluents. Du point de vue hydrogéologique, ce périmètre renferme essentiellement une nappe phréatique, au centre de la plaine, et une nappe profonde localement en charge et affleurant sur les bordures de la plaine. Cette dernière constitue le réservoir souterrain le plus important de la plaine du Gharb.
3.2 Données climatiques
Les données analysées ont été recueillies dans cinq stations météorologiques de l’Office régional de mise en valeur agricole du Gharb (ORMVAG) pour une période de 42 ans allant de 1974-1975 à 2015-2016 avec un pas de temps décadaire pour les précipitations. Toutefois, les données de températures nous ont été fournies à un pas mensuel. En outre, uniquement pour les trois stations automatiques, les données des précipitations et températures ont été obtenues à un pas de temps journalier. La répartition spatiale des stations choisies, ainsi que leurs caractéristiques, sont illustrées dans la figure 2 et le tableau 2.
Tableau 2
Caractéristiques des stations étudiées
Characteristics of studied stations
aX : longitude; Y : latitude; Z : altitude
bPT : pluviomètre et thermomètre; SA : station automatique
En ce qui concerne les projections climatiques futures, nous nous sommes référés aux travaux de thèse de Fatima Driouech qui avait estimé les projections des précipitations et des températures à l’aide d’une descente d’échelle dynamique avec le modèle ARPEGE-Climat sous le scénario A1B à une haute résolution de 50 km sur le Maroc (DRIOUECH, 2010).
Pour ce faire, nous avons attribué à chaque station les valeurs projetées de précipitation et température moyenne issues des projections déjà établies par Fatima Driouech. Puis, pour les données de chacune des cinq stations, nous avons appliqué à notre période de référence la tendance annuelle et saisonnière Tij inf et Tij sup. Les valeurs de précipitations et températures futures ont été ensuite calculées selon les équations 6 et 7, sous les deux scénarios optimiste et pessimiste (bornes inférieures et supérieures des valeurs projetées).
3.3 Données physiques du terrain
Pour estimer les différentes variables du bilan hydrologique, les valeurs de la RFUmax ont été attribuées à chaque type de sol en se basant sur les résultats des travaux antérieurs (KILI et al., 2008; AMHARREF et al., 2007). Ces travaux ont estimé la RFU des différents types de sols par différentes méthodes dans le but d’estimer la recharge de la nappe phréatique du Gharb. Dans cette étude, une valeur de 80 mm a été attribuée à la RFUmax des sols du périmètre puisqu’elle correspond à la RFU des « tirs », sols les plus dominants du Gharb.
4 Résultats et discussion
4.1 Traitement des données : résultats et interprétations
4.1.1 Prétraitement des données
Dans notre zone d’étude, le périmètre du Gharb, ce sont notamment les séries chronologiques de températures qui présentent le plus souvent des lacunes. Pour cela, les données manquantes de températures (min et max) des cinq stations ont été reconstituées par les méthodes d’imputation présentées auparavant, et ce durant la période d’études choisie allant de 1974 à 2016.
4.1.2 Choix de la méthode d’imputation
Avant de procéder au comblement des données manquantes, nous avons analysé les pourcentages des lacunes dans les séries de températures des cinq stations du Gharb pour la période 1974-2016 (Tableau 3).
Tableau 3
Proportion de données manquantes dans la série de températures (T) pour les cinq stations météorologiques du périmètre du Gharb
Proportion of missing data in temperature (T) series for the five weather stations of the Gharb perimeter
Cette analyse a montré que la majorité des stations étudiées présentent entre 20 % et 33 % de valeurs manquantes. Seule Menasra présente une proportion faible inférieure à 10 % de lacunes. Cette grande défaillance dans les données de la majorité des stations pourrait être due au dysfonctionnement d’instrument de mesure classique particulièrement avant l’installation des stations automatiques.
Comme cela a été présenté dans la section 2.1.1, le choix de la méthode d’imputation s’est basé sur un certain nombre de paramètres statistiques : moyenne (Moy), écart type (SD), coefficient de variation (CV) et pente (Tableau 4).
Tableau 4
Résultat des paramètres statistiques et de performance des deux méthodes d'imputation MICE et k-NN (1974-2016)
Result of statistical and performance parameters for the two imputation methods MICE and k-NN (1974- 2016)
aMAE : erreur absolue moyenne; RMSE : racine carrée des erreurs quadratiques moyennes; CVRMSE : coefficient de variation de la racine carrée des erreurs quadratiques moyennes
D’après les résultats de traitement des données de températures (max et min) des cinq stations (Tableau 4), nous remarquons que dans la plupart des stations, la moyenne des valeurs obtenues par la méthode d’imputation MICE est plus proche de la moyenne observée que de celle obtenue par la méthode k-NN. De même, les valeurs des paramètres statistiques (SD et CV) issues de cette même méthode sont globalement beaucoup plus faibles que celles obtenues pour la méthode k-NN. À l’exception de Dar Gueddari qui a montré une légère différence de ces paramètres pour les températures maximums. Ces résultats montrent a priori que la méthode d’imputation MICE est plus performante que la méthode k-NN.
Par ailleurs, les résultats de calcul des indicateurs de la performance statistique de ces méthodes d’imputation (Tableau 4) confirment aussi pour toutes les stations que la méthode MICE est la plus performante puisqu’elle présente les faibles valeurs de tous les indicateurs de performance (MAE, RMSE et CVRMSE).
Nous constatons aussi que Menasra, qui est la seule station présentant une faible proportion de lacunes (7 %), montre également les plus faibles valeurs des paramètres de performance. Cette constatation pourrait nous amener à dire que les valeurs des paramètres de performance seraient proportionnelles au pourcentage de données manquantes.
4.1.3 Analyse des données climatiques du Gharb
L’analyse statistique des variables climatiques (P, Tmoy et ETP) a été faite sur une période de 42 ans de 1974 à 2016 et aux échelles saisonnière et annuelle pour les cinq stations (Tableau 5).
Pour les cinq stations, les pluviométries moyennes interannuelles de la période 1974-2016 varient entre 557 mm à Menasra à l’ouest et 409 mm à Zirara tout à fait au sud du Gharb. Le coefficient de variation de cette pluviométrie est de 29,13 % (à l’est) et de 39,37 % à l’ouest du périmètre avec un écart type variant entre 133,64 et 181,93 mm (Tableau 5).
Tableau 5
Analyse statistique des précipitations (P), des températures moyennes (Tmoy) et de l’évapotranspiration potentielle (ETP) pour les cinq stations météorologiques du périmètre du Gharb (1974-2016)
Statistical analysis of precipitations (P), average temperatures (Tmoy) and potential evapotranspiration (ETP) for the five weather stations in the Gharb perimeter (1974-2016)
Ces paramètres montrent que le périmètre du Gharb est caractérisé par une forte variabilité annuelle absolue avec un gradient pluviométrique décroissant de l’ouest vers l’est traduisant ainsi l’effet de la continentalité. Ces résultats interannuels sont globalement cohérents avec ceux des travaux réalisés antérieurement pour la période 1935-2005 (SEBBAR, 2013).
D’un point de vue saisonnier, les précipitations se concentrent principalement en hiver, entre les mois de décembre et février, et fournissent jusqu’à 46 % du total annuel. Ce qui signifie que la plupart des stations du périmètre du Gharb sont soumises à un régime saisonnier de type HAPE, avec un maximum pluviométrique centré sur la saison hivernale.
Les valeurs du coefficient de variation oscillent considérablement d’une saison à l’autre où elles varient entre 49 % et 194 % (Tableau 5). De plus, la zone côtière du périmètre est marquée à la fois par la plus faible variabilité en saison printanière et par la plus grande variabilité durant la saison estivale. Toutefois, pour toutes les stations, nous observons une forte dispersion intersaisonnière, particulièrement en saison estivale.
Les températures moyennes interannuelles sont comprises entre 17,31 et 19,37 °C avec des coefficients de variation oscillant entre 3,47 % et 5,74 % et un écart type entre 0,67 et 1,09 °C. L’année hydrologique 2005-2006 a été considérée comme l’année la plus chaude avec une température maximale de 27,81 °C à Dar Gueddari. Toutefois, l’année 1974-1975 a enregistré la température la plus basse de 16 °C à Menasra. La plus faible moyenne annuelle des minimas a été enregistrée durant l’année hydrologique 1998-1999 avec 8,53 °C à Souk Larbaa. Par contre, la plus faible moyenne annuelle des maximas a été enregistrée durant l’année hydrologique 1982-1983 à Menasra avec une température de 21,28 °C.
L’évapotranspiration potentielle annuelle augmente de l’ouest vers l’est du Gharb avec des valeurs respectivement de 842,28 mm et 1 008,09 mm. Les coefficients de variation oscillent globalement entre 3,44 % et 9,69 % avec des écarts types respectivement de 34,64 mm et 94,24 mm. À noter que les plus faibles valeurs d’évapotranspiration potentielle ont été enregistrées durant 1976-1977 pour Menasra avec 782,24 mm. Tandis que la plus grande valeur était notée durant 2002-2003 pour Dar Gueddari avec une valeur max de 1 276,78 mm.
À l’échelle saisonnière, les valeurs de l’évapotranspiration potentielle oscillent entre 71,15 mm pour la saison hivernale (Zirara) et 482,99 mm pour la saison estivale (Khenichet) avec un écart type allant de 8,76 mm (automne-Menasra) à 23,35 mm (hiver-Zirara) et un coefficient de variation de 11,15 % et de 78,47 %, respectivement pour la saison hivernale et la saison estivale (Dar Gueddari). Nous constatons que les cumuls de l’évapotranspiration potentielle varient de la même façon que la variation des températures moyennes, quelles que soient la saison et la station.
4.1.4 Détection des dates de rupture
Les résultats des tests d’homogénéité appliqués aux séries annuelles des données de précipitations mesurées, de températures moyennes comblées et de l’évapotranspiration potentielle estimée à des niveaux de signification de 1 % et 5 % pour la période 1974-2016 montrent que (Tableaux 6 et 7) :
Pour les précipitations, toutes les valeurs des trois tests statistiques (Pettitt, SNH et U-Buishand), sont supérieures aux valeurs critiques à des seuils de 1 % et 5 %. De ce fait, l’hypothèse nulle d’homogénéité a été acceptée pour les cinq stations et, par conséquent, les séries annuelles de précipitations sont homogènes. Aussi, ces tests ne montrent pas de ruptures significatives pour les données de précipitations traitées pour la majorité des stations. Toutefois, il est à noter que certaines stations ont montré des déficits et d’autres des gains, mais toujours non significatifs (déficit de 58 % pour Menasra et gain de 21,54 % pour Souk Larbaa, test SNH). Ce résultat est cohérent avec ceux des travaux réalisés sur les bassins Bouregreg et Tensift respectivement à l’ouest et au centre du Maroc et la région Souss-Massa au sud du Maroc. Ces travaux ont confirmé aussi que les séries de précipitations sont homogènes respectivement sur les périodes 1932-2010 et 1977-2003 (ABAHOUS et al., 2017; KHOMSI et al., 2016).
Pour les données de températures, les ruptures observées au sein des séries annuelles sont significatives à des degrés de 1 % et 5 % sur toutes les stations. Une augmentation de la température après les dates de ruptures détectées a été observée avec un minimum de 0,64 °C et un maximum de 2,08 °C respectivement à Souk Larbaa (test U-Buisahnd) et à Khenichet (test SNH). Nous observons que les années 1980-1981 et 1993-1994 ont été détectées comme dates communes respectivement pour Menasra et Zirara, où il y a eu un changement important pour les deux tests de Pettitt et de SNH. Par contre, les autres stations ne montrent pas de dates communes de rupture. Par ailleurs, dans des études antérieures réalisées sur les périodes 1935-2005 et 1971-2000, il a été également signalé que l'année 1994 était une des années exceptionnellement sèches ayant touché le Maroc, de sorte que le taux de remplissage des barrages a enregistré une diminution de 30 % (SEBBAR, 2013; DRIOUECH, 2010). Toutefois, d’autres travaux réalisés sur la période 1977-2003 ont montré que les séries de température ne présentent aucune date de rupture significative selon le test de Pettitt (KHOMSI et al., 2016). Nous constatons aussi que les séries des stations de Dar Gueddari, de Khenichet et de Zirara sont complètement hétérogènes. Cette hétérogénéité pourrait être due au nombre élevé de lacunes que présentent les données de ces stations et qui auraient été complétées par des méthodes d’imputation multiple.
Pour l’évapotranspiration, deux dates de ruptures ont été remarquées pour les séries annuelles : la première rupture pour l’année 1986-1987 à Souk Larbaa (à un degré de 5 %, test SNH, avec un gain de 6,78 mm). La deuxième rupture en 1993-1994 est observée pour Zirara (à un degré de 1 %, test SNH, avec un gain de 5,66 mm). Ce résultat montre qu’il y avait une concordance entre les résultats des températures et ceux de l’évapotranspiration.
Tableau 6
Tests statistiques de détection des dates de rupture des données climatiques des cinq stations météorologiques du périmètre du Gharb (1974-2016)
Statistical tests used to detect break dates of climate data for the five weather stations of the Gharb perimeter (1974-2016)
aP : précipitations; Tmoy : température moyenne; ETP : évapotranspiration potentielle
bMav : moyenne avant rupture
cMap : moyenne après rupture
d Signification : NS : non significatif; * : niveau de signification de 1 %; ** : niveau de signification de 5 %
Tableau 7
Dates de rupture et écart pour chaque station du périmètre du Gharb (1974-2016)
Break dates and gap for each station of the Gharb perimeter (1974-2016)
aP : précipitations; Tmoy : température moyenne; ETP : évapotranspiration potentielle
bDrup : date de rupture commune
4.2 Analyse des résultats et prévisions futures
4.2.1 Analyse des tendances
Les tests de tendances (Mann-Kendall, pente de Sen) ont été appliqués pour les trois variables climatiques (P, Tmoy et ETP pour les cinq stations et à des pas de temps mensuel, saisonnier et annuel. Les tableaux 8 et 9 indiquent les résultats de ces tests. Pour chaque pas de temps nous avons calculé la fréquence des tendances significatives, non significatives et stationnaires par rapport au nombre total des stations (Figure 4). Les tableaux 8, 9 et 10 et les figures 4 et 5 révèlent qu’en général, les tendances positives (significatives/non significatives) ont été plus fréquentes pour toutes les séries des trois variables étudiées (P, Tmoy et ETP) et sur tous les pas de temps (mensuel, saisonnier et annuel).
Tableau 8
Tests de Mann-Kendall et de Sen des précipitations (P), des températures moyennes (Tmoy) et de l’évapotranspiration potentielle (ETP) mensuelles pour les stations météorologiques du périmètre du Gharb (1974-2016)
Mann-Kendall and Sen’s tests for monthly precipitations (P), average temperatures (Tmoy), and potential evapotranspiration (ETP) for each weather station of the Gharb perimeter (1974-2016)
aτ : statistique du test de Mann-Kendall; Qmed : pente du test de Sen (mm∙a-1 pour P et ◦C∙a-1 pour Tmoy)
* niveau de signification des tendances de 1 %
** 5 %
*** 0,1 %
Tableau 9
Tests de Mann-Kendall et de Sen des précipitations (P), des températures moyennes (Tmoy) et de l’évapotranspiration potentielle (ETP) saisonnières et annuelles pour les stations météorologiques du périmètre du Gharb (1974-2016)
Mann-Kendall and Sen’s tests for seasonal and annual precipitations (P), average temperatures (Tmoy), and potential evapotranspiration (ETP) for each weather station of the Gharb perimeter (1974-2016)
aτ : statistique du test de Mann-Kendall; Qmed : pente du test de Sen (mm∙a-1 pour P et ◦C∙a-1 pour Tmoy)
* niveau de signification des tendances de 1 %
** 5 %
*** 0,1 %
Figure 4
Niveaux de signification des tendances obtenus par les tests de Mann-Kendall et de Sen pour les stations examinées pour : a) les précipitations, b) les température moyenne
Significance of trends in Mann-Kendall and Sen's tests for the studied stations for: a) precipitations, b) average temperatures
Figure 5
Répartition spatiale de la tendance annuelle et saisonnière des précipitations, de la température et de l'évapotranspiration potentielle dans le périmètre du Gharb (1974-2016).
Spatial distribution of annual and seasonal trends in precipitation, temperature, and potential evapotranspiration in the Gharb perimeter (1974-2016).
Pour les précipitations à l’échelle annuelle, aucune station ne présentait une tendance significative. En revanche, à l’échelle saisonnière, l’automne et l’été étaient caractérisés par des tendances significatives. En automne, 40 % des stations du Gharb présentent une tendance à la hausse significative de 3,20 mm et de 2,38 mm respectivement pour les stations de Souk Larbaa et Dar Gueddari avec des niveaux de confiance de 95 % et 99 %. Cependant, une légère tendance significative à la baisse a été observée en été pour Dar Gueddari avec une pente de l’ordre de -0,01 mm. KHOMSI et al. (2016) ont également observé une faible tendance estivale à la baisse quoique non significative dans les deux bassins de Bouregreg et Tensift.
À l’échelle mensuelle, septembre est le mois le plus touché par les variations significatives des précipitations. Durant ce mois, toutes les stations du Gharb, excepté Zirara, ont montré une augmentation significative des précipitations mensuelles allant de 0,12 à 0,31 mm par mois. Également, le mois d’octobre a présenté une tendance significative à la hausse uniquement pour Souk Larbaa avec une pente de 1,15 mm par mois. En revanche, des tendances non significatives ont été remarquées durant les mois de novembre à mai pour toutes les stations. Toutefois, les mois de juin, juillet et août ne présentent aucune tendance (ni à la hausse ni à la baisse).
Pour les températures moyennes, une tendance annuelle à la hausse a été remarquée dans la majorité des stations du Gharb (80 % des stations), avec des degrés de signification dépassant 0,01 pour 60 % des stations. La pente annuelle du test de Sen varie entre +0,017 et +0,052 °C∙a-1. Ces résultats des tendances concordent beaucoup avec ceux des travaux antérieurs de Driouech qui a observé, à l’échelle du Maroc, une hausse annuelle des températures moyennes de +0,01 à +0,04 °C∙a-1 (DRIOUECH, 2010).
À l’échelle saisonnière, une remarquable tendance à la hausse a été également observée durant la saison printanière pour toutes les stations, avec des niveaux de signification de 95 % à 99 %. La pente varie entre +0,031 et +0,053 °C∙a-1 respectivement pour Souk Larbaa et Khenichet. De même, la saison estivale a montré une tendance significative à la hausse pour les trois stations de Souk Larbaa, Dar Gueddari et Zirara respectivement avec des pentes élevées de +0,041, +0,081 et +0,083 °C∙a-1. Pour les stations Khenichet et Menasra, une tendance à la hausse, quoique non significative, a été aussi observée avec une pente comprise entre +0,018 et +0,020 °C∙a-1. En effet, ces valeurs dépassent de loin les valeurs des tendances obtenues pour la période 1961-2008 pour 14 stations marocaines dont la hausse était comprise entre +0,1 et +0,3 °C sur 10 ans (DRIOUECH, 2010). Ces valeurs de températures curieusement très élevées peuvent s’expliquer soit par l’effet des valeurs imputées, soit par une réelle augmentation importante des températures moyennes à partir de 2008.
À l’échelle mensuelle, mai et juin sont les mois les plus touchés par la variation significative de la température moyenne de l’air, une tendance significative à la hausse a été remarquée pour 80 % des stations du Gharb. Toutefois, les mois de novembre, décembre, février et mars ne présentent aucune tendance significative.
Pour l’évapotranspiration potentielle estimée, une tendance annuelle significative à la hausse s’est produite pour toutes les stations avec un taux variant entre 0,98 et 4,07 mm∙a-1 à des niveaux de confiance de 95, 99 et 99,99 % respectivement pour 40, 20 et 40 % des stations (Figure 4c). Un gradient de variation croissant du nord vers le sud-est du Gharb a été mis en exergue. À l’instar des températures, les saisons touchées par l’augmentation significative de l’évapotranspiration potentielle sont le printemps et l’été respectivement pour 40 % et 60 % des stations.
Par ailleurs, à l’échelle mensuelle, les mois de novembre, décembre et mars ont tous eu une tendance non significative pour toutes les stations. Or, les mois de juin, mai et août ont été caractérisés par une tendance significative à la hausse respectivement pour 80, 60 et 40 % des stations du Gharb.
Pour les trois variables climatiques (P, Tmoy et ETP), la tendance du test d’estimateur de Sen, exprimée en mm par 10 ans, a été interpolée par la méthode IDW (Figure 5). Cette figure montre que la tendance spatiale des précipitations totales et des températures moyennes a été caractérisée par une grande hétérogénéité spatiale. Par ailleurs, à l’échelle saisonnière, les précipitations montrent dans le périmètre du Gharb une tendance à la hausse bien marquée en saison d’automne. En revanche, on observe une forte tendance à la baisse en saison d’hiver.
Les résultats des tests de Mann-Kendal et de Sen (Tableau 10) montrent que pour l’évapotranspiration réelle estimée (ETR), 60 % des stations expriment une tendance annuelle à la baisse significative à un niveau de confiance de 99 %. Alors que 40 % des autres stations ont été caractérisées par une tendance à la hausse à des degrés de confiance variables (99,9 % à Zirara). Globalement, nous remarquons un gradient de variation décroissant de l’ouest vers le sud-est du Gharb.
Tableau 10
Résultats des tests de Mann-Kendall et de Sen pour les trois variables estimées par le bilan hydrique pour les stations météorologiques du périmètre du Gharb (1974-2016)
Results of Mann-Kendall and Sen's tests of the three variables estimated by water balance for each weather station of the Gharb perimeter (1974-2016)
a ETR : évapotranspiration réelle; De : déficit hydrique; Ie : infiltration efficace
bτ : statistique du test de Mann-Kendall
cQmed : pente du test de Sen
* niveau de signification des tendances de 1 %
** 5 %
*** 0,1 %
À l’échelle saisonnière, l’automne est caractérisé par une tendance à la hausse significative de l’évapotranspiration réelle pour 60 % des stations, avec une pente qui varie entre 0,24 et 0,35 mm. Toutefois, les saisons hivernale et printanière montrent des tendances non significatives tantôt négatives tantôt positives. Pendant la saison estivale, une tendance à la hausse très significative a été observée pour Zirara avec une pente de 2,69 mm, alors qu’une tendance à la baisse a été constatée pour Khenichet avec une pente de -0,55 mm.
Concernant le déficit hydrique estimé, il présente globalement un gradient de variation croissant de l’ouest vers le nord puis vers le centre du Gharb. À échelle annuelle, une tendance à la hausse est observée pour 60 % des stations avec une pente allant de 2,28 mm à 4,01 mm respectivement à Khenichet et à Dar Gueddari. Alors qu’une tendance à la baisse a été remarquée pour Menasra avec une pente de -0,27 mm.
À l’échelle saisonnière, à l’exception de Zirara, la plupart des stations ont montré une tendance à la baisse en automne et une tendance à la hausse au printemps. Cette tendance était statistiquement significative pour Souk Larbaa avec une pente à la baisse de -1,66 mm et une pente de 0,92 mm pour Khenichet. Toutefois, pendant la saison estivale, 40 % des stations ont été caractérisées par une tendance à la hausse significative avec une pente atteignant 3,09 mm à Dar Gueddari.
Pour l’infiltration efficace (Ie) estimée à l’échelle annuelle, 80 % des stations ont affiché une tendance significative d’une part croissante pour Zirara (avec une pente de 2,78 mm) et d’autre part décroissante pour les trois autres stations avec une pente oscillant entre -0,01 et -0,64 mm. De plus, Ie se marque par un gradient de variation décroissante de sud-est vers le nord du Gharb.
À l’échelle saisonnière, la majorité des stations ont affiché une tendance non significative à la baisse pendant la saison hivernale avec une pente allant de -1,51 à -1,02 mm à Menasra et Khenichet. Or, pendant les saisons d’automne et du printemps aucune tendance n’a été marquée dans les stations du Gharb.
4.2.2 Projections futures des données climatiques
Les résultats des tendances annuelle et saisonnière projetées à l’horizon 2021-2050 des cinq stations (Tableau 11) indiquent que les précipitations annuelles varieront entre -5 % et +5 %, alors qu’à l’échelle saisonnière elles oscillent entre -15 % (en hiver) et +10 % (au printemps). Quant à la température moyenne annuelle, les stations seront marquées par une hausse allant de +1,4 à 1,6 °C. Tandis que la température moyenne saisonnière tendrait vers une augmentation de 0,9 °C en hiver à 1,9 °C en été.
Tableau 11
Valeurs de projection obtenues pour l'horizon 2021-2050 selon DRIOUECH (2010)
Projection values obtained for 2021-2050 horizon according to DRIOUECH (2010)
À partir de ces résultats, nous remarquons que :
Les saisons les plus touchées par le réchauffement climatique seraient l’hiver suivi par la saison d’été avec une remarquable baisse des précipitations atteignant -15 % en hiver et -10 % en été, alors qu’une hausse de +10 % serait observée en automne; la température moyenne tendant vers 1,7 °C en automne et allant vers 1,9 °C en été.
Les stations Dar Gueddari, Khenichet et Zirara seraient les plus affectées par l’effet du réchauffement climatique alors que les stations de Menasra et Souk Larbaa le seront moins. Cette variabilité spatiale de l’effet du réchauffement pourrait s’expliquer par l’effet de la continentalité qui diminue de l’ouest vers l’est du périmètre du Gharb.
La répartition spatiale des données climatiques de référence (1974-2016) et celles projetées, ainsi que leurs comparaisons sous deux scénarios optimiste et pessimiste (borne supérieure : SCO et borne inférieure : SCP) sont illustrées dans la figure 6.
En analysant l’allure générale des graphiques (Figure 6) et des variations mensuelles des précipitations moyennes sous les trois scénarios (référence 1974-2016, SCPO et SCPP 2021-2050), nous remarquons pour toutes les stations durant la période allant de décembre à février, les valeurs de précipitations des deux scénarios projetés SCPO et SCPP sont inférieures à celles du scénario de référence 1974-2016, avec des écarts allant de -10,2 à -5 mm par mois pour le SCPO et de -15,3 à -7,5 mm par mois pour le SCPP. Ceci montre qu’on assistera alors à une baisse importante des précipitations durant cette période hivernale (de décembre jusqu’en février), indépendamment du scénario de climat projeté. Toutefois, durant les mois de la saison automnale et printanière, les valeurs du scénario SCPO sont légèrement supérieures à celles du scénario de référence, avec un écart compris entre 0,5 et 4,3 mm par mois.
Figure 6
Variation mensuelle des précipitations et des températures selon trois scénarios climatiques pour les stations météorologiques du périmètre du Gharb
Monthly variation of precipitation and temperature according to three climate scenarios for each weather station of the Gharb perimeter
Par ailleurs, à l’échelle mensuelle, nous remarquons que les précipitations moyennes suivent un profil un peu particulier avec une augmentation progressive en automne et au printemps donnant lieu à deux pics bien marqués pour toutes les stations. Le pic le plus important est centré sur le mois de novembre, et est suivi d’un autre au mois d’avril. Les valeurs du scénario SCPP sont les plus faibles; ensuite viennent les valeurs du scénario SCPO et finalement celles du scénario de référence. Un troisième pic, également bien marqué en janvier, avec un grand dépassement des valeurs du scénario de référence, se remarque pour les trois stations situées au centre et à l’est du Gharb. Ce qui témoigne aussi d’une baisse, en cette période, par rapport à notre période de référence. Globalement, nous constatons que d’après ces résultats, la période hivernale serait la plus marquée par une diminution importante des précipitations par rapport à notre période de référence. Toutefois, les saisons d’automne et de printemps seraient marquées par une légère augmentation des précipitations. On pourrait donc assister à un léger décalage de la saison la plus pluvieuse dans les années avenirs.
Pour les températures moyennes, nous observons qu’il y a une très bonne concordance entre les profils de variation des températures sous les trois scénarios et pour toutes les stations, les valeurs des deux scénarios projetés sont toujours supérieures à celles du scénario de référence.
5. Conclusion
L’évaluation de l’impact des changements climatiques sur les ressources en eau est devenue impérative pour les pays à ressources limitées comme le cas du Maroc. Dans ce travail, nous nous sommes appuyés sur une approche statistique pour analyser des séries chronologiques de certaines variables climatiques du bilan hydrique, notamment les précipitations et les températures, afin d’analyser leur variabilité et par la même occasion prévoir leurs tendances spatio-temporelles. Sur le plan méthodologique, les tests statistiques et les paramètres d’évaluation de la performance montrent que la méthode d’imputation MICE s’avère plus performante par rapport à la méthode k-NN pour la reconstitution des lacunes de données dans les séries chronologiques. Les résultats de traitement des données climatiques sur la période choisie 1974-2016 ont montré une tendance positive des températures qui concorde bien avec les résultats des études antérieurs. Tandis que la série des précipitations annuelles n’a pas été marquée par une tendance significative, toutefois, à l’échelle saisonnière, la saison d’automne s’est caractérisée par une tendance significative croissante.
Les résultats des tendances annuelle et saisonnière projetées à l’horizon 2021-2050 des données des cinq stations indiquent globalement que pour le périmètre du Gharb, la période hivernale serait la plus marquée par une diminution importante des précipitations par rapport à la période de référence. Toutefois, les saisons d’automne et de printemps seraient marquées par une légère augmentation des précipitations. On pourrait donc assister à un léger décalage de la saison la plus pluvieuse de l’année, du fait que les précipitations seront relativement plus abondantes en automne et au printemps et moins abondantes en hiver. Toutefois, ces résultats restent à confirmer par des études sur d’autres régions du Maroc et en s’appuyant sur des périodes de référence avec des séries chronologiques plus longues.
Appendices
Remerciements
Ce travail est réalisé dans le cadre du projet de recherche PPR2/2016/79, OGI-Env, soutenu par le ministère de l’Éducation nationale, de la Formation professionnelle, de l’Enseignement supérieur et de la Recherche scientifique (MENFPESRS) et le Centre national pour la recherche scientifique et technique (CNRST). Nous sommes reconnaissants à l’Office régional de mise en valeur agricole du Gharb (ORMVAG) de nous avoir fourni les données météorologiques. Nous remercions également le Dr. H. Kassogué, ainsi que le réviseur anonyme, pour leurs remarques précieuses.
Références bibliographiques
- ABAHOUS H., J. RONCHAIL, A. SIFEDDINE, L. KENNY et L. BOUCHAOU (2017). Trend and change point analyses of annual precipitation in the Souss-Massa region in Morocco during 1932-2010. Theor. Appl. Climatol., 134, 1153-1163.
- ALEXANDERSSON H. (1986). A homogeneity test applied to precipitation data. Int. J. Climatol., 6 661-675.
- AMHARREF M., S. AASSINE, A.S. BERNOUSSI et B.Y. HADDOUCHI (2007). Cartographie de la vulnérabilité à la pollution des eaux souterraines : Application à la plaine du Gharb (Maroc). Rev. Sci. Eau, 20, 185-199.
- BUISHAND T. (1982). Some methods for testing the homogeneity of rainfall records. J. Hydrol., 58, 11-27.
- BUUREN S. (2012). Flexible imputation of missing data. 2e éd., Chapman and Hall/CRC, New York (NY), États-Unis, 342 p.
- BUUREN S. et K. KARINGROOTHUIS-OUDSHOORN (2011). Mice: Multivariate imputation by chained equations in R. J. Stat. Softw., 45, 3, DOI: 10.18637/jss.v045.i03
- BUUREN S., K. KARINGROOTHUIS-OUDSHOORN, A. ROBITZSCH, G. VINK, L. DOOVE, S. JOLANI, R. SCHOUTEN, P. GAFFERT, F. MEINFELDER et B. GRAY (2018). Mice: Multivariate imputation by chained equations. R Package Version 3.3.0. https://cran.r-project.org/web/packages/mice/mice.pdf
- DÉQUÉ M., C. DREVETON, A. BRAUN et D. CARIOLLE (1994). The ARPEGE-IFS atmosphere model: A contribution to the French community climate modelling. Clim. Dynam., 10, 249-266.
- DRIOUECH F. (2010). Distribution des précipitations hivernales sur le Maroc dans le cadre d’un changement climatique : descente d’échelle et incertitudes. Thèse de doctorat, Univ. Toulouse, France, 164 p.
- EL ASRI H., A. LARABI et M. FAOUZI (2019). Climate change projections in the Ghis-Nekkor region of Morocco and potential impact on groundwater recharge. Theor. Appl. Climatol., 138, 713-727.
- FENG L., G. NOWAK, T. O’NEILL et A. WELSH (2014). CUTOFF: A spatio-temporal imputation method. J. Hydrol., 519, 3591-3605.
- HUBERT P., J.P. CARBONNEL et A. CHAOUCHE (1989). Segmentation des séries hydrométriques. Application à des séries de précipitations et de débits de l’Afrique de l’Ouest. J. Hydrol., 110, 349-367.
- GILBERT R.O. (1987). Statistical methods for environnemental pollution monitoring. Van Nostrand Reinhold Company Inc., New York (NY), États-Unis, 320 p.
- GOCIC M. et S. TRAJKOVIC (2013). Analysis of changes in meteorological variables using Mann-Kendall and Sen’s slope estimator statistical tests in Serbia. Glob. Planet. Change, 100, 172-182.
- GROUPE D'EXPERTS INTERGOUVERNEMENTAL SUR L'ÉVOLUTION DU CLIMAT (GIEC) (2014). Changements climatiques 2014. Contribution des groupes de travail I, II et III au cinquième rapport d’évaluation du GIEC, rapport de synthèse, Genève, Suisse, 180 p.
- KASSOGUÉ H., A.S. BERNOUSSI, M AMHARREF et M. OUARDOUZ (2017). Cellular automata approach for modelling climate change impact on water resources. Int. J. Parallel Emergent Distrib. Syst., 34, 21-36.
- KENDALL M.G. (1975). Rank correlation methods. 4e éd., Charles Griffin, London, Royaume-Uni, 160 p.
- KHOMSI K., G. MAHE, Y. TRAMBLAY, M. SINAN et M. SNOUSSI (2016). Regional impacts of global change: seasonal trends in extreme rainfall, run-off and temperature in two contrasting regions of Morocco. Nat. Hazards Earth Syst. Sci., 16, 1079-1090.
- KILI M., B. EL MANSOURI et J. CHAO (2008). Bilan hydrique des sols et recharge de la nappe profonde de la plaine du Gharb (Maroc). Sécheresse, 19, 145-151.
- KILLICK R. et A.I. ECKLEY (2014). Changepoint: An R Package for changepoint analysis. J. Stat. Softw., 58, 3, DOI: 10.18637/jss.v058.i03
- KOWARIK A. et M. TEMPL (2016). Imputation with the R Package VIM. J. Stat. Softw., 74, 7, DOI: 10.18637/jss.v074.i07
- LEE A.F.S. et S.M. HEGHINIAN (1977). A shift of the mean level in a sequence of independent normal random variables. A Bayesian approach. Technometrics, 19, 503-506.
- MANN H.B. (1945). Nonparametric tests against trend. Econometrica, 13, 245-259.
- MCLEOD A.I. (2015). Kendall rank correlation and Mann-Kendall trend test. R Package Version 2.2. https://cran.r-project.org/web/packages/Kendall/Kendall.pdf
- MILANO M., D. RUELLAND, S. FERNANDEZ, A. DEZETTER, J. FABRE, E. SER-VAT, J.M. FRITSCH, S. ARDOIN-BARDIN et G. THIVET (2013). Current state of Mediterranean water resources and future trends under climatic and anthropogenic changes. Hydrol. Sci. J., 58, 498-518.
- OFFICE RÉGIONAL DE MISE EN VALEUR AGRICOLE DU GHARB (ORMVAG) (1970). Étude pédologique au 1/20.000 du périmètre Gharb, Maroc, 127 p.
- ORGANISATION MÉTÉOROLOGIQUE MONDIALE (OMM) (1989). Calculation of monthly and annual 30-year standard normals. World Climate Programme, WMO/TD No 341, Genève, Suisse, 13 p.
- PETTITT A.N. (1979). A non-parametric approach to the change-point problem. J. R. Stat. Soc., 28, 126-135.
- POHLERT T. (2018). Non-parametric trend tests and change-point detection. R Package Version 1.1.1. https://cran.r-project.org/web/packages/trend/vignettes/trend.pdf
- QGIS TEAM (2017). A free and open source geographic information system. Open Source Geospatial Foundation. http://qgis.osgeo.org (consultation le 15 mars 2019).
- RC TEAM (2017). A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Autriche. https://www.R-project.org/ (consultation le 15 mars 2019).
- RIBEIRO S., J. CAINETA et A. COSTA (2016). Review and discussion of homogenisation methods for climate data. Phys. Chem. Earth, 94, 167-179.
- SEBBAR A. (2013). Étude de la variabilité et de l’évolution de la pluviométrie au Maroc (1935-2005). Réactualisation de la carte des précipitations. Thèse de doctorat, Univ. Hassan II Mohammedia, Maroc, 189 p.
- SEN P.K. (1968). Estimates of the regression coefficient based on Kendall’s Tau. J. Am. Stat. Assoc., 63, 1379-1389.
- TEMPL M., ALFONS A., KOWARIK A. et PRANTNER B. (2019). Visualization and imputation of missing values. R Package Version 4.8.0. https://cran.r-project.org/web/packages/VIM/VIM.pdf
- TERINK W., W.W. IMMERZEEL et P. DROOGERS (2013). Climate change projections of precipitation and reference evapotranspiration for the Middle East and Northern Africa until 2050. Int. J. Climatol., 33, 3055-3072.
- THEIL H. (1950). A rank-invariant method of linear and polynomial regression analysis. Proc. R. Neth. Acad. Sci., 53, Part I, 386-392.
- THORNTHWAITE W. (1948). An approach toward a rational classification of climate. Geogr. Rev., 38, 55-94.
- THORNTHWAITE W. et J. MATHER (1955). The water balance. Drexel Institute of Technology, Laboratory of Climatology, Centerton, New Jersey (NJ), États-Unis, 104 p.
- TRAMBLAY Y., D. RUELLAND, R. BOUAICHA et E. SERVAT (2014). Projected climate change impacts on water resources in northern Morocco with an ensemble of regional climate models. Proc. Int. Assoc. Hydrol. Sci., 363, 250-255.
- YOZGATLIGIL C., S. ASLAN, C. IYIGUN et I. BATMAZ (2012). Comparison of missing value imputation methods in time series: The case of Turkish meteorological data. Theor. Appl. Climatol., 112, 143-167.
List of figures
Figure 1
Approche méthodologique
Methodological approach
Figure 2
Situation géographique de la zone d'étude et emplacement des stations météorologiques
Geographical location of study area and weather stations
Figure 3
Carte des types de sols du périmètre du Gharb (ORMVAG, 1970)
Soil type map of the Gharb perimeter (ORMVAG, 1970)
Figure 4
Niveaux de signification des tendances obtenus par les tests de Mann-Kendall et de Sen pour les stations examinées pour : a) les précipitations, b) les température moyenne
Significance of trends in Mann-Kendall and Sen's tests for the studied stations for: a) precipitations, b) average temperatures
Figure 5
Répartition spatiale de la tendance annuelle et saisonnière des précipitations, de la température et de l'évapotranspiration potentielle dans le périmètre du Gharb (1974-2016).
Spatial distribution of annual and seasonal trends in precipitation, temperature, and potential evapotranspiration in the Gharb perimeter (1974-2016).
Figure 6
Variation mensuelle des précipitations et des températures selon trois scénarios climatiques pour les stations météorologiques du périmètre du Gharb
Monthly variation of precipitation and temperature according to three climate scenarios for each weather station of the Gharb perimeter
List of tables
Tableau 1
Méthodes et scénarios de projections utilisés dans des travaux antérieurs
Projection methods and scenarios used in previous work
Tableau 2
Caractéristiques des stations étudiées
Characteristics of studied stations
Tableau 3
Proportion de données manquantes dans la série de températures (T) pour les cinq stations météorologiques du périmètre du Gharb
Proportion of missing data in temperature (T) series for the five weather stations of the Gharb perimeter
Tableau 4
Résultat des paramètres statistiques et de performance des deux méthodes d'imputation MICE et k-NN (1974-2016)
Result of statistical and performance parameters for the two imputation methods MICE and k-NN (1974- 2016)
Tableau 5
Analyse statistique des précipitations (P), des températures moyennes (Tmoy) et de l’évapotranspiration potentielle (ETP) pour les cinq stations météorologiques du périmètre du Gharb (1974-2016)
Statistical analysis of precipitations (P), average temperatures (Tmoy) and potential evapotranspiration (ETP) for the five weather stations in the Gharb perimeter (1974-2016)
Tableau 6
Tests statistiques de détection des dates de rupture des données climatiques des cinq stations météorologiques du périmètre du Gharb (1974-2016)
Statistical tests used to detect break dates of climate data for the five weather stations of the Gharb perimeter (1974-2016)
Tableau 7
Dates de rupture et écart pour chaque station du périmètre du Gharb (1974-2016)
Break dates and gap for each station of the Gharb perimeter (1974-2016)
Tableau 8
Tests de Mann-Kendall et de Sen des précipitations (P), des températures moyennes (Tmoy) et de l’évapotranspiration potentielle (ETP) mensuelles pour les stations météorologiques du périmètre du Gharb (1974-2016)
Mann-Kendall and Sen’s tests for monthly precipitations (P), average temperatures (Tmoy), and potential evapotranspiration (ETP) for each weather station of the Gharb perimeter (1974-2016)
Tableau 9
Tests de Mann-Kendall et de Sen des précipitations (P), des températures moyennes (Tmoy) et de l’évapotranspiration potentielle (ETP) saisonnières et annuelles pour les stations météorologiques du périmètre du Gharb (1974-2016)
Mann-Kendall and Sen’s tests for seasonal and annual precipitations (P), average temperatures (Tmoy), and potential evapotranspiration (ETP) for each weather station of the Gharb perimeter (1974-2016)
Tableau 10
Résultats des tests de Mann-Kendall et de Sen pour les trois variables estimées par le bilan hydrique pour les stations météorologiques du périmètre du Gharb (1974-2016)
Results of Mann-Kendall and Sen's tests of the three variables estimated by water balance for each weather station of the Gharb perimeter (1974-2016)
Tableau 11
Valeurs de projection obtenues pour l'horizon 2021-2050 selon DRIOUECH (2010)
Projection values obtained for 2021-2050 horizon according to DRIOUECH (2010)