Estimation des rendements fourragers des pâturages dans les espaces climatiques du Burkina Faso à partir de données satellitaires

Auteurs

    W. Some, A. Denis, A.L. Kouadio, B. Djaby, H.B. Nacro, A.M.G. Belem, B. Tychon

DOI :

https://doi.org/10.19182/remvt.37009

Mots-clés


Pâturages, rendement fourrager, biomasse aérienne, zone agroclimatique, imagerie par satellite, modèle linéaire, Burkina Faso

Résumé

L’évaluation des ressources fourragères est un élément clé de la gouvernance des crises alimentaires du bétail au Burkina Faso. Cette étude visait l’évaluation, pour la première fois, de la possibilité d’estimer les rendements fourragers des pâturages dans les espaces climatiques du Burkina Faso via l’utilisation de modèles statistiques linéaires uni et multivariés construits à partir de données de biomasse végétale fourragère collectées sur le terrain en 2017, 2018 et 2019, de variables satellitaires phénologiques (indice de végétation de la différence normalisée [NDVI] et fraction de rayonnement photosynthétiquement actif absorbé [FAPAR]) et agroclimatiques (précipitations, humidité du sol, évapotranspiration, température de surface). Une recherche exhaustive des meilleurs modèles statistiques linéaires comportant une à quatre variables a été réalisée et les meilleurs modèles selon le critère d’information bayésien (BIC) identifiés. La performance des modèles uni à quadrivariés obtenus s’est avérée assez faible avec, pour l’ensemble des espaces climatiques excepté l’espace sahélien, des RRMSE press variant de 55 % à 61 % (R² press de 0,07 à 0,36), et pour l’espace climatique sahélien des RRMSE press variant de 42 % à 49 % (R² press de 0,59 à 0,69). La baisse de corrélation de la majorité des variables avec la biomasse végétale fourragère selon le gradient nord-sud résulte en une baisse de performance des modèles selon ce gradient. Les variables agroclimatiques se sont révélées inutiles, et celles issues du FAPAR sont globalement plus performantes que celles issues du NDVI. Une très faible plus-value des modèles multivariés comparés aux modèles univariés a été observée, excepté pour l’espace sahélien. Les modèles développés sur des espaces climatiques plus homogènes se sont montrés plus performants. Une série de recommandations a été identifiée pour améliorer le couplage entre données de biomasse végétale fourragère collectées sur le terrain et variables extraites des images satellitaires, et ainsi améliorer la performance des modèles.

Téléchargements

Les données relatives au téléchargement ne sont pas encore disponibles.

Affiliations

  • W. Some
    Ministère des ressources animales & halieutiques, secrétariat permanent en charge de la gestion des crises et vulnérabilités en élevage, Ouagadougou, Burkina Faso ; Université de Liège, UR SPHERES, Faculté des sciences, campus d'Arlon, Département des sciences et gestion de l'environnement, équipe Eau-Environnement-Développement, Arlon, Belgique ; Université Nazi Boni, Institut du développement rural, Bobo-Dioulasso, Burkina Faso
  • A. Denis
    antoine.denis@uliege.be
    Université de Liège, UR SPHERES, Faculté des sciences, campus d'Arlon, Département des sciences et gestion de l'environnement, équipe Eau-Environnement-Développement, Arlon, Belgique
  • A.L. Kouadio
    University of Southern Queensland, Centre for Applied Climate Sciences, Toowoomba, Australia
  • B. Djaby Université de Liège (ULiège), UR SPHERES, Faculté des Sciences, Campus d’Arlon, Département des Sciences et Gestion de l’environnement, Equipe Eau- Environnement-Développement, Arlon, Belgique
  • H.B. Nacro Université Nazi Boni, Institut du développement rural, Bobo-Dioulasso, Burkina Faso
  • A.M.G. Belem Université Nazi Boni, Institut du développement rural, Bobo-Dioulasso, Burkina Faso
  • B. Tychon
    Université de Liège, UR SPHERES, Faculté des sciences, campus d'Arlon, Département des sciences et gestion de l'environnement, équipe Eau-Environnement-Développement, Arlon, Belgique

    Références

    Abdi A., Boke-Olén N., Tenenbaum D., Tagesson T., Cappelaere B., Ardö J., 2017. Evaluating Water Controls on Vegetation Growth in the Semi-Arid Sahel Using Field and Earth Observation Data. Remote Sens., 9 (3): 294 DOI: https://doi.org/10.3390/rs9030294

    Adole T., Dash J., Atkinson P.M., 2016. A systematic review of vegetation phenology in Africa. Ecol. Inform., 34: 117‑128 DOI: https://doi.org/10.1016/j.ecoinf.2016.05.004

    Bégué A., Leroux L., Soumaré M., Faure J.F., Diouf A.A., Augusseau X., Touré L., et al., 2020. Remote Sensing Products and Services in Support of Agricultural Public Policies in Africa: Overview and Challenges. Front. Sustain. Food Syst., 4: 58 DOI: https://doi.org/10.3389/fsufs.2020.00058

    Brandt M., Hiernaux P., Rasmussen K., Tucker C.J., Wigneron J.P., Diouf A.A., Herrmann S.M., et al., 2019. Changes in rainfall distribution promote woody foliage production in the Sahel. Commun. Biol., 2 (1): 1‑10 DOI: https://doi.org/10.1038/s42003-019-0383-9

    Burnham K.P., Anderson D.R., 2004. Multimodel Inference: Understanding AIC and BIC in Model Selection. Sociol. Methods Res., 33 (2): 261‑304 DOI: https://doi.org/10.1177/0049124104268644

    Chen Y., Song X., Wang S., Huang J., Mansaray L.R., 2016. Impacts of spatial heterogeneity on crop area mapping in Canada using MODIS data. ISPRS J. Photogramm. Remote Sens., 119: 451‑461 DOI: https://doi.org/10.1016/j.isprsjprs.2016.07.007

    Dage P., Poissonet J., Huguenin J., 2010. Prairies et Pâturages - Méthodes d’étude de terrain et interprétations. CIRAD, Montpellier, France, 955 p.

    Diouf A., Brandt M., Verger A., Jarroudi M., Djaby B., Fensholt R., Ndione J., et al., 2015. Fodder Biomass Monitoring in Sahelian Rangelands Using Phenological Metrics from FAPAR Time Series. Remote Sens., 7 (7): 9122‑9148 DOI: https://doi.org/10.3390/rs70709122

    Durgun Y.Ö., Gobin A., Duveiller G., Tychon B., 2020. A study on trade-offs between spatial resolution and temporal sampling density for wheat yield estimation using both thermal and calendar time. Int. J. Appl. Earth Obs. Geoinform., 86: 101988 DOI: https://doi.org/10.1016/j.jag.2019.101988

    Eerens H., Haesen D., Rembold F., Urbano F., Tote C., Bydekerke L., 2014. Image time series processing for agriculture monitoring. Environ. Model. Softw., 53: 154‑162 DOI: https://doi.org/10.1016/j.envsoft.2013.10.021

    FAO, 2020. Estimation des bilans fourragers dans la région du Sahel d’Afrique de l’Ouest et Centrale. Sous la direction de Assouma M.H. et Mottet A. Production et santé animales – Directives n°22, FAO, Rome, Italie, 64 p.

    Floc’h E.L., 2007. Guide méthodologique pour l’étude et le suivi de la flore et de la végétation. Observatoire du Sahara et du Sahel, Tunis, Tunisie, 175 p.

    Fontes J., Guinko S., 1995. Carte de la végétation et de l’occupation du sol au Burkina Faso. Notice explicative. Ministère de la Coopération française, Projet campus (8813101). Université Paul Sabatier, Toulouse, France, 67 p.

    Fournier A.D.M., 1990. Phénologie, croissance et production végétales dans quelques savanes d’Afrique de l’Ouest. Thèse, Université de Paris 6, Paris, France, 502 p.

    Fritz S., See L., Bayas J.C.L., Waldner F., Jacques D., Becker-Reshef I., Whitcraft A., et al., 2019. A comparison of global agricultural monitoring systems and current gaps. Agric. Syst., 168: 258‑272 DOI: https://doi.org/10.1016/j.agsy.2018.05.010

    Funk C., Peterson P., Landsfeld M., Pedreros D., Verdin J., Shukla S., Husak G., et al., 2015. The climate hazards infrared precipitation with stations - A new environmental record for monitoring extremes. Sci. Data, 2: 150066 DOI: https://doi.org/10.1038/sdata.2015.66

    Gamon J.A., Field C.B., Goulden M.L., Griffin K.L., Hartley A.E., Joel G., Penuelas J., 1995. Relationships Between NDVI, Canopy Structure, and Photosynthesis in Three Californian Vegetation Types. Ecol. Appl., 5 (1): 28‑41 DOI: https://doi.org/10.2307/1942049

    Garba I., Djaby B., Salifou I., Boureima A., Touré I., Tychon B., 2015. Évaluation des ressources pastorales au Sahel nigérien à l’aide des données NDV issues de SPOT-VEGETATION et MODIS. Photo Interprét. Eur. J. Appl. Remote Sens., 51 (1): 13‑26

    Garba I., Salifou I., Djaby B., Toure I., Mohamed Sallah A.H., Adoum A., Samba A., et al., 2017. Performance of similarity analysis in the estimation of forage yields in the Sahelian zone of Niger. Int. J. Sci. Eng. Res., 8 (2): 1072‑1088

    Gitelson A.A., Peng Y., Huemmrich K.F., 2014. Relationship between fraction of radiation absorbed by photosynthesizing maize and soybean canopies and NDVI from remotely sensed data taken at close range and from MODIS 250m resolution data. Remote Sens. Environ., 147: 108‑120 DOI: https://doi.org/10.1016/j.rse.2014.02.014

    Gning M.C., 2005. Navigating the Livestock Sector: The Political Economy of Livestock Policy in Burkina Faso. PPLPI Working paper n°28, FAO, Rome, Italy, 43 p.

    Hoefsloot P., Ines A., Dam J.V., Duveiller G., Kayitakire F., Hansen J., 2012. Combining Crop Models and Remote Sensing for Yield Prediction: Concepts, Applications and Challenges for Heterogeneous Smallholder Environments. JRC Technical reports, European Commission, Luxembourg, 52 p.

    INSD, 2007. Analyse des résultats de l’enquête annuelle sur les conditions de vie des ménages en 2007. EA/QUIBB 2007, Ministère de l’économie et des finances, Burkina Faso, 182 p.

    Jacobs T., 2019. CGLOPS-1 Framework Service Contract N°199494 (JRC). Product user manual Leaf Area Index (LAI), Fraction of Absorbed Photosynthetically Active Radiation (FAPAR), Fraction of Vegetation Cover (fcover). Collection 1km version 2, 1 (33): 1‑56

    Johnson N., Njuki J., Waithanji E., Nhambeto M., Rogers M., Kruger E.H., 2015. The Gendered Impacts of Agricultural Asset Transfer Projects: Lessons from the Manica Smallholder Dairy Development Program. Gend. Technol. Dev., 19 (2): 145‑180 DOI: https://doi.org/10.1177/0971852415578041

    Khamala E., 2017. Review of the available remote sensing tools, products, methodologies and data to improve crop production forecasts. FAO, Rome, Italy, 94 p.

    Knauer K., Gessner U., Fensholt R., Forkuor G., Kuenzer C., 2017. Monitoring agricultural expansion in Burkina Faso over 14 years with 30 m resolution time series: The role of population growth and implications for the environment. Remote Sens., 9 (2): 132 DOI: https://doi.org/10.3390/rs9020132

    Lambert M.J., Waldner F., Defourny P., 2016. Cropland mapping over Sahelian and Sudanian agrosystems: A Knowledge-based approach using PROBA-V time series at 100-m. Remote Sens., 8 (3): 232 DOI: https://doi.org/10.3390/rs8030232

    Leroux L., Bégué A., Lo Seen D., Jolivot A., Kayitakire F., 2017. Driving forces of recent vegetation changes in the Sahel: Lessons learned from regional and local level analyses. Remote Sens. Environ., 191: 38‑54 DOI: https://doi.org/10.1016/j.rse.2017.01.014

    Levang P., Grouzis M., 1980. Méthodes d’étude de la biomasse herbacée de formations sahéliennes : application à la Mare d’Oursi, Haute-Volta. Acta Oecologica Oecol. Plant., 1 (3): 231‑244

    Lind M., Fensholt R., 1999. The spatio-temporal relationship between rainfall and vegetation development in Burkina Faso. Geogr. Tidsskr. 2: 43‑55

    Lo A., Diouf A.A., Diedhiou I., Bassène C.D.E., Leroux L., Tagesson T., Fensholt R., et al., 2022. Dry season forage assessment across senegalese rangelands using earth observation data. Front Env. Sci, 10: 931299 DOI: https://doi.org/10.3389/fenvs.2022.931299

    Löw F., Duveiller G., 2014. Defining the spatial resolution requirements for crop identification using optical remote sensing. Remote Sens., 6 (9): 9034‑9063 DOI: https://doi.org/10.3390/rs6099034

    MAH, DGPER, DPSAA, 2011. Rapport général du module pluvial. Phase 2: RGA 2008. Recensement général de l’agriculture (RGA). Ministère de l’Agriculture et de l’Hydraulique, Bureau central du recensement général de l’agriculture, Burkina Faso, 322 p.

    McNally A., Arsenault K., Kumar S., Shukla S., Peterson P., Wang S., Funk C., et al., 2017. A land data assimilation system for sub-Saharan Africa food and water security applications. Sci. Data, 4: 1‑19 DOI: https://doi.org/10.1038/sdata.2017.12

    Meroni M., Rembold F., Verstraete M.M., Gommes R., Schucknecht A., Beye G., 2014. Investigating the relationship between the inter-annual variability of satellite-derived vegetation phenology and a proxy of biomass production in the Sahel. Remote Sens., 6 (6): 5868‑5884 DOI: https://doi.org/10.3390/rs6065868

    Monteith J.L., 1972. Solar Radiation and Productivity in Tropical Ecosystems. J. Appl. Ecol., 9 (3): 747 DOI: https://doi.org/10.2307/2401901

    MRAH, 2020. Plan de réponse et de soutien aux éleveurs vulnérables (PRSEV) de la Campagne Agropastorale 2020-2021. Ministère des Ressources Animales et Halieutiques (MRAH), Secrétariat permanent en charge de la gestion des crises et vulnérabilités en élevage, Burkina Faso

    Musau J., Patil S., Sheffield J., Marshall M., 2018. Vegetation dynamics and responses to climate anomalies in East Africa. Earth Syst. Dynam. Discuss. [preprint] DOI: https://doi.org/10.5194/esd-2017-123

    Nkonya E., Place F., Kato E., Mwanjololo M., 2015. Climate Risk Management Through Sustainable Land Management in Sub-Saharan Africa. In: In: Lal R., Singh B., Mwaseba, D., Kraybill D., Hansen D., Eik, L. (eds) Sustainable Intensification to Advance Food Security and Enhance Climate Resilience in Africa. Springer, Cham, Switzerland, 75‑111 DOI: https://doi.org/10.1007/978-3-319-09360-4_5

    NOAA/CPC, 2001. The NOAA Climate Prediction Center African Rainfall Estimation Algorithm Version 2 .0

    Olsen J.L., Miehe S., Ceccato P., Fensholt R., 2015. Does EO NDVI seasonal metrics capture variations in species composition and biomass due to grazing in semi-arid grassland savannas? Biogeosciences, 12 (14): 4407‑4419 DOI: https://doi.org/10.5194/bg-12-4407-2015

    Picard N., Saint-Andre L., Henry M., 2012. Manuel de construction d’équations allométriques pour l’estimation du volume et la biomasse des arbres: de la mesure de terrain à la prédiction. FAO, Rome, Italie et CIRAD, Montpellier, France, 220 p.

    PRAPS, 2017. Guide pratique pour l’harmonisation des dispositifs de suivi-évaluation des ressources pastorales dans les pays du PRAPS, 24 p.

    PREGEC, 2019. Avis sur les perspectives agricoles et alimentaires 2017-18 au Sahel et en Afrique de l’Ouest. Concertation technique du dispositif régional de Prévention et de Gestion des Crises alimentaires (PREGEC), Bamako, Mali 27-29 Nov. 2017, 2 p.

    Ratzmann G., Gangkofner U., Tietjen B., Fensholt R., 2016. Dryland vegetation functional response to altered rainfall amounts and variability derived from satellite time series data. Biogeosci. Discuss. [preprint]: 1‑18 DOI: https://doi.org/10.5194/bg-2016-48

    Reynolds C.A., Jackson T.J., Rawls W.J., 2000. Estimating soil water-holding capacities by linking the Food and Agriculture Organization Soil map of the world with global pedon databases and continuous pedotransfer functions. Water Resour. Res., 36 (12): 3653‑3662 DOI: https://doi.org/10.1029/2000WR900130

    Richter M., 2016. Classifications of Climates in the Tropics. In: Tropical Forestry Handbook (Eds. Pancel L., Köhl M.). Springer, Berlin, Heidelberg, 293‑301 DOI: https://doi.org/10.1007/978-3-642-54601-3_35

    Rouse J.W., Haas R.H., Deering D.W., Schell J.A., Harlan J.C., 1973. Monitoring the Vernal Advancement and Retrogradation (Green Wave Effect) of Natural Vegetation. [Great Plains Corridor], Texas A&M University, Texas, USA, 390 p.

    Savoca M.E., Senay G.B., Maupin M.A., Kenny J.F., Perry C.A., 2013. Actual Evapotranspiration Modeling Using the Operational Simplified Surface Energy Balance (SSEBop) Approach. U.S. Geological Survey Scientific Investigations Report 2013-5126, 16 p. DOI: https://doi.org/10.3133/sir20135126

    Schucknecht A., Meroni M., Kayitakire F., Boureima A., 2017. Phenology-Based Biomass Estimation to Support Rangeland Management in Semi-Arid Environments. Remote Sens., 9 (5): 463 DOI: https://doi.org/10.3390/rs9050463

    Schwarz G., 1978. Estimating the Dimension of a Model. Ann. Stat., 6 (2): 461-464 DOI: https://doi.org/10.1214/aos/1176344136

    Tappan G.G., Cotillon S., Herrmann S., Cushing W.M., Hutchinson J.A., 2016. Landscapes of West Africa - A Window on a Changing World. United States Geological Survey, Garretson, USA, 219 p.

    Taugourdeau S., Cofélas F., Bossoukpe M., Diatta O., Ndiaye O., Diehdiou A., N’Goran A., et al., 2023. Unmanned aerial vehicle outputs and associated field measurements of the herbaceous and tree layers of the Senegalese savannah. African Journal of Ecology, 61 (3): 730‑735 DOI: https://doi.org/10.1111/aje.13123

    Thao N.T.T., Khoi D.N., Denis A., Viet L.V., Wellens J., Tychon B., 2022. Early Prediction of Coffee Yield in the Central Highlands of Vietnam Using a Statistical Approach and Satellite Remote Sensing Vegetation Biophysical Variables. Remote Sens., 14 (13): 2975 DOI: https://doi.org/10.3390/rs14132975

    Tian F., Brandt M., Liu Y.Y., Verger A., Tagesson T., Diouf A.A., Rasmussen K., et al., 2016. Remote sensing of vegetation dynamics in drylands: Evaluating vegetation optical depth (VOD) using AVHRR NDVI and in situ green biomass data over West African Sahel. Remote Sens. Environ., 177: 265‑276 DOI: https://doi.org/10.1016/j.rse.2016.02.056

    Valerio V.C., Walther O.J., Eilittä M., Cissé B., Muneepeerakul R., Kiker G.A., 2020. Network analysis of regional livestock trade in West Africa. PLOS ONE, 15 (5): e0232681 DOI: https://doi.org/10.1371/journal.pone.0232681

    Wan Z., 1999. MODIS Land-Surface Temperature Algorithm Theoretical Basis Document (LST ATBD). Version 3.3.

    Western D., Mose V.N., Worden J., Maitumo D., 2015. Predicting Extreme Droughts in Savannah Africa: A Comparison of Proxy and Direct Measures in Detecting Biomass Fluctuations, Trends and Their Causes. PLoS ONE, 10 (8): e0136516 DOI: https://doi.org/10.1371/journal.pone.0136516

    Woodcock C.E., Strahler A.H., 1987. The factor of scale in remote sensing. Remote Sens. Environ., 21 (3): 311‑332 DOI: https://doi.org/10.1016/0034-4257(87)90015-0

    Zhang W., Brandt M., Penuelas J., Guichard F., Tong X., Tian F., Fensholt R., 2019. Ecosystem structural changes controlled by altered rainfall climatology in tropical savannas. Nat. Commun., 10 (1): 671 DOI: https://doi.org/10.1038/s41467-019-08602-6

Bétail aux pâturages, Burkina Faso ©W. Some

Téléchargements

Fichiers supplémentaires

Métriques
Vues/Téléchargements
  • Résumé
    364
  • pdf
    94
  • Matériel supplémentaire / Supplementary Material
    9

Reçu

08-10-2022

Accepté

16-04-2024

Publié

12-06-2024

Comment citer

Some, W., Denis, A. ., Kouadio, A. L., Djaby, B., Nacro, H. B., Belem, A. M. G., & Tychon, B. (2024). Estimation des rendements fourragers des pâturages dans les espaces climatiques du Burkina Faso à partir de données satellitaires. Revue d’élevage Et De médecine vétérinaire Des Pays Tropicaux, 77, 1–17. https://doi.org/10.19182/remvt.37009

Numéro

Vol. 77 (2024)

Rubrique

Environnements et territoires

Catégories

Licence

© W.Some et al., publié par CIRAD 2024

Creative Commons License

Ce travail est disponible sous la licence Creative Commons Attribution 4.0 International .

Crossref
Scopus
Google Scholar
Europe PMC

Funding data

Articles les plus lus par le même auteur ou la même autrice