Pâturages; rendement fourrager; biomasse aérienne; zone agroclimatique; imagerie par satellite; modèle linéaire; Burkina Faso
Abstract :
[fr] 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.
Disciplines :
Life sciences: Multidisciplinary, general & others
Author, co-author :
Some, Wièmé ; Université de Liège - ULiège > Sphères
Denis, Antoine ; Université de Liège - ULiège > Département des sciences et gestion de l'environnement (Arlon Campus Environnement)
Kouadio, Amani Louis ; Université de Liège - ULiège > Département des sciences et gestion de l'environnement (Arlon Campus Environnement) > Eau, Environnement, Développement
Djaby, Bakary ; Université de Liège - ULiège > Département des sciences et gestion de l'environnement (Arlon Campus Environnement) > Eau, Environnement, Développement
Nacro, Hassan Bismark
Belem, Adrien Marie Gaston
Tychon, Bernard ; Université de Liège - ULiège > Département des sciences et gestion de l'environnement (Arlon Campus Environnement)
Language :
French
Title :
Estimation des rendements fourragers des pâturages dans les espaces climatiques du Burkina Faso à partir de données satellitaires
Alternative titles :
[en] Estimating forage yields of rangeland in Burkina Faso’s climatic zones using satellite data [es] Estimación del rendimiento forrajero de los pastos en las zonas climáticas de Burkina Faso mediante datos satelitales
Publication date :
14 June 2024
Journal title :
Revue d'Élevage et de Médecine Vétérinaire des Pays Tropicaux
ISSN :
0035-1865
eISSN :
1951-6711
Publisher :
CIRAD (Centre de Cooperation Internationale en Recherche Agronomique Pour le Developpement)
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: 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: 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. Sus-tain. Food Syst., 4: 58, doi: 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: 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: 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: 10.1016/j.isprsj-prs.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 Phe-nological Metrics from FAPAR Time Series. Remote Sens., 7 (7): 9122-9148, doi: 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: 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: 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., doi: 10.4060/ca9111fr
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., Whit-craft A., et al., 2019. A comparison of global agricultural monitoring systems and current gaps. Agric. Syst., 168: 258-272, doi: 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: 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: 10.2307/1942049
Garba I., Djaby B., Salifou I., Boureima A., Touré I., Tychon B., 2015. Évalua-tion des ressources pastorales au Sahel nigérien à l’aide des données NDVI 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: 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). Pro-duct user manual Leaf Area Index (LAI), Fraction of Absorbed Photosynthe-tically Active Radiation (FAPAR), Fraction of Vegetation Cover (fcover). Col-lection 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: 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 environ-ment. Remote Sens., 9 (2): 132, doi: 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: 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: 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., Fens-holt R., et al., 2022. Dry season forage assessment across senegalese range-lands using earth observation data. Front Env. Sci, 10: 931299, doi: 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: 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’Agri-culture 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: 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: 10.3390/rs6065868
Monteith J.L., 1972. Solar Radiation and Productivity in Tropical Ecosystems. J. Appl. Ecol., 9 (3): 747, doi: 10.2307/2401901
MRAH, 2020. Plan de réponse et de soutien aux éleveurs vulnérables (PRSEV) de la Campagne Agropastorale 2020-2021. Ministère des Ressources Ani-males 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: 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 Resi-lience in Africa. Springer, Cham, Switzerland, 75-111, doi: 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 gra-zing in semi-arid grassland savannas? Biogeosciences, 12 (14): 4407-4419, doi: 10.5194/bg-12-4407-2015
Picard N., Saint-Andre L., Henry M., 2012. Manuel de construction d’équa-tions allométriques pour l’estimation du volume et la biomasse des arbres: de la mesure de terrain à la prédiction. FAO, Rome, Italie et CIRAD, Mont-pellier, France, 220 p.
PRAPS, 2017. Guide pratique pour l’harmonisation des dispositifs de suivi-éva-luation 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 régio-nal 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: 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: 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: 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 Inves-tigations Report 2013-5126, 16 p., doi: 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: 10.3390/rs9050463
Schwarz G., 1978. Estimating the Dimension of a Model. Ann. Stat., 6 (2): 461-464, doi: 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. doi: 10.5066/F7N014QZ
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: 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: 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 bio-mass data over West African Sahel. Remote Sens. Environ., 177: 265-276, doi: 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: 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: 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: 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 climato-logy in tropical savannas. Nat. Commun., 10 (1): 671, doi: 10.1038/s41467-019-08602-6
