Appel à Proposition de Recherche GICC 2 (2005) 

MINISTERE  DE   L ’ ECOLOGIE  ET  DU  DEVELOPPEMENT  DURABLE  

DIRECT ION  DES  ETUDES  ECONOMIQUES  ET  DE   L ’ EVALUAT ION  ENV IRONNEMENTALE  

 

 

ACCIES : Analyse du Changement Climatique et  de ses Impacts sur l’Eau et la Santé 

 

RAPPORT FINAL 

1 Septembre 2009 

 

 

 

Philippe Sabatier, EPSP TIMC‐IMAG, UMR CNRS 5525  

Bernard Fontaine, CRC, UMR CNRS 5080 

Battles in the heaven. N Roerich (1912) State Russian Museum, St. Petersburg 

1

|

Philippe Sabatier, EPSP – TIMC IMAG, UMR CNRS 5525

Responsable scientifique

Equipe Environnement et Prévision de la Santé des Populations, Ecole Nationale Vétérinaire de Lyon

1, Avenue Bourgelat, 69 280 Marcy l’Etoile <philippe.sabatier@imag.fr>

Bernard Fontaine, CRC, UMR CNRS 5080

Responsable scientifique Climat et Eau

Centre de Recherches de Climatologie Faculté des Sciences Gabriel

6, Boulevard Gabriel, 21000 Dijon <fontaine@u-bourgogne.fr>

2

|

Titre du projet : ACCIES : Analyse du Changement Climatique et de ses Impacts sur l’Eau et la Santé

Mots-clés (5 à 10) : Changement climatique, Cycle hydrologique, Cycle vectoriel, Maladies émergentes, Zones humides, Méditerranée, Sahel, Régionalisation, Modélisation épidémiologique, Variabilité, Simulation

Thème(s) de l'APR concerné(s) : III.2

Organisme gestionnaire des crédits : CNRS Délégation Régionale Alpes et Université de Bourgogne

Organismes partenaires : Centre National de la Recherche Scientifique, Université Joseph Fourrier de Grenoble, Institut de Recherche pour le Développement, Université de Bourgogne auquel il convient d’ajouter : CNRM, CERFACS, Fondation Sansouire, Centre de Suivi Ecologique du Sénégal, Institut Pasteur de Dakar, Université de Bamako et Université de Marseille.

Durée : 24 mois

Résumé du projet : L'objectif général du projet ACCIES est de : (I) développer une méthodologie intégrée d’étude des impacts du changement climatique dans le domaine des ressources en eau, et dans celui de la santé publique ; et (II) d’étudier le risque d’émergence et de réémergence des maladies vectorielles (arboviroses et paludisme) à l’échelle régionale le long d’un gradient allant de l’Afrique sahélienne à l’Europe méridionale. L’impact de la variabilité du climat sur l’émergence et la réémergence des maladies vectorielles est étudié, à l’échelle du degré carré et à la fréquence journalière, à partir de modèles épidémiologiques dont les variables : (i) d’états sont les abondances des vecteurs (moustiques) ; et (ii) de contrôle sont les précipitations, la température, l’humidité de surface, le remplissage des mares (environnement)

La résolution des processus représentés par les modèles de climat (GCMs) est beaucoup plus grande (> 100 Km) que celles requises en entrée par les modèles d'impacts hydrologiques, et épidémiologiques (<1 km), et les champs reproduits par les GCMs sont moins fiables (erreur systématiques plus importantes) aux échelles fines et pour des variables dynamiques qui impliquent une paramétrisation (comme les précipitations). faire le lien entre les champs résolus par les données atmosphériques issues des simulations sur GCMs et les entrées des modèles d’impact, hydrologiques et épidémiologiques, nous développons des techniques de désagrégation d'échelle (downscaling). Nous utiliserons les simulations couplées réalisées par le Groupe de Météorologie Grande Echelle et Climat (GMGEC) du CNRM avec le modèle de circulation générale de l’atmosphère ARPEGE-Climat et le coupleur OASIS développé par le CERFACS pour prendre en compte les échanges de chaleur, d'évaporation et de frottement du vent à la surface des océans.

Nous nous proposons : (i) de tester la validité des sorties de MCG sur la zone d'étude pour le climat présent ; (ii) d'étudier les problèmes méthodologiques liés aux disparités d'échelle entre modèles climatiques et modèles d'impact hydrologiques et épidémiologiques, puis, en tenant compte des erreurs systématiques détectées dans la première étape ; (iii) d’établir un diagnostic sur notre capacité à produire des scénarios d’impact, notamment dans le domaine des ressources en eau et de l’émergence des maladies vectorielles1.

1 Le projet ACCIES, bénéficiera des acquis : (1) du consortium S2E1 : modèles de transmission-diffusion et observations relatives à l’épidémiologie et à l’environnement ; (2) du programme AMMA : travaux sur le climat et l’hydrologie et campagnes de terrain connexes en Afrique de l’Ouest ; ORE AMMA-CATCH ; programme IP AMMA soumis sur le 6ème PCRD de l’UE ; programme national API AMMA ; programmes nationaux tels que les PATOM, PNCA, PNEDC, ECCO-PNRH ; actions ACI – FNS « Risques Naturels et Changement Climatique ».

3

|

4

|

Table des matières

Partie I : PRESENTATION DU PROJET ACCIES 6 

Objectifs 8 

Organisation 8 

Personnels 10 

Références 11 

Partie II : DESAGRAGATION DES SORTIES DES MODELES DE CIRCULATION GENERALE 13 

Tâche 0 : Extraction et Mise à disposition des Sorties des Modèles de Circulation Générale 15 

Problématique 15 

Matériels et Méthodes 15 

Résultats 15 

Discussions et Conclusions 17 

Valorisations 17 

Références 17 

Tâche 1 : Analyse et Désagrégation des Sorties des Modèles de Circulation Générale 19 

Problématique 19 

Méthodes 20 

Expériences et Objectifs 22 

Résultats 23 

Discussion et Conclusions 27 

Valorisation 27 

Références 28 

5

|

Partie III : IMPACTS DU CHANGEMENT CLIMATIQUE SUR LES DYNAMIQUES HYDROLOGIQUES ET VECTORIELLES 29 

Tâche 2 : Etude des Impacts du Changement Climatique sur la Dynamique Hydrologique 31 

Problématique 31 

Matériels et Méthodes 31 

Résultats 33 

Discussion et Conclusions 34 

Valorisation 35 

Références 35 

Tâche 3 : Etude des Impacts du Changement Climatique sur la Dynamique Vectorielle 37 

Problématique 37 

Matériel et méthodes 37 

Résultats 42 

Valorisation 46 

Références 46 

Partie IV : CONCLUSION ET PERSPECTIVES 48 

Conclusion 50 

Perspectives 51 

Annexes : Données disponibles 53 

6

|

Partie I : PRESENTATION DU PROJET ACCIES

7

|

8

|

De nombreux experts suggèrent que le changement climatique (CC) pourrait induire une progression, en altitude et en latitude, des pathologies propagées par les insectes : (Bouma et al., 1994; McMichael et al., 1996 ; Colwell et Patz, 1998; Martens et al., 1995 ; Epstein et al., 1998). Quelques travaux ont commencé à tenter d’évaluer l’impact du CC sur l’incidence/prévalence de certaines maladies vectorielles en utilisant les sorties de modèles de climat (GCMs) : cas des Arbovirose (Dengue) (Hales et al, 2002) ; cas du Paludisme (Rogers et al., 2000). Ces premières études ont cependant suscitées de vives critiques de certains épidémiologistes (Reiter, 2000), qui considèrent que, si l’influence du climat sur la transmission des maladies vectorielles, ne peut être contestée, l’évaluation du risque associé au CC ne peut ignorer les nombreuses covariables entrant dans la détermination des états de santé. L’objectif du projet ACCIES est de développer une méthodologie intégrée d’analyse des impacts sanitaires du CC, qui intègre les acquis et les critiques des premiers travaux.

Objectifs L'objectif du projet ACCIES est de : (I) développer une méthodologie intégrée d’études des impacts du changement climatique dans le domaine des ressources en eau, et dans celui de la santé publique ; et (II) d’étudier le risque d’émergence et de réémergence des maladies vectorielles (arboviroses et paludisme) à l’échelle régionale le long d’un gradient méridien allant de l’Afrique Sahélienne à l’Europe Méridionale. Pour cela, nous nous proposons : (i) de tester la validité des sorties de MCG sur la zone d'étude pour le climat présent ; (ii) d'étudier les problèmes méthodologiques liés aux disparités d'échelle entre modèles climatiques et modèles d'impact hydrologiques et épidémiologiques, puis, en tenant compte des erreurs systématiques détectées dans la première étape ; (iii) d’établir un diagnostic sur notre capacité à produire des scénarios d’impact, notamment dans le domaine des ressources en eau et de l’émergence des maladies vectorielles.

La mission du consortium ACCIES est d’étudier les problèmes méthodologiques que pose la modélisation des impacts du changement du climat sur l’émergence de maladies vectorielles, en partant des sorties des CGMs. Il se propose : (1) d’améliorer la maîtrise numérique et statistique des liens couplant la dynamique du climat à grande échelle et la variabilité à petite échelle de la pluie et du cycle de l’eau ; (2) pour mieux servir les études d’impacts en termes de ressources en eau et d’épidémiologie des maladies infectieuses transmises par des vecteurs climat-dépendants (paludisme et arboviroses). Ce travail vise à développer une expertise sur les outils biomathématiques et biostatistiques susceptibles d’être mobilisés pour développer des modèles d’impact interfacés avec les modèles d’évolution climatique.

Organisation

Nous proposons d’étudier l’impact du changement, de la variabilité, du climat sur l’émergence des maladies vectorielles, à partir de modèles épidémiologiques généraux dont : (i) les variables d’états sont des densités de vecteurs; et (ii) et les paramètres de contrôle sont forcés par les sorties régionalisées des MCG). Cependant, la résolution spatiale et la fréquence temporelle des processus représentés par les modèles de climat, sont beaucoup plus grandes que les échelles requises en entrée des modèles d'impact épidémiologique. L'approche retenue consiste à utiliser les sorties à grande échelle, les plus fiables et à variation relativement lente, pour extraire des informations sur les variables de petite échelle, moins fiables, mais requises par nos modèles d'impact. Les techniques de désagrégation d'échelle (downscaling) utilisées permettent de faire le lien entre les champs résolus par les simulations sur GCMs, les données atmosphériques issues des modèles de ré-analyses (ECMWF,

9

|

NCEP/NCAR), et certaines estimations satellitaires, d'une part, et les entrées d'autres modèles qui eux nécessitent une échelle plus fine (modèles hydrologiques, épidémiologiques) d'autre part.

Le programme de travail comporte tâches principales (Figure 1) :

- Tâche I. Analyse et Désésagrégation des Sorties des GCMs, assuré par le Centre de Recherches de Climatologie (CRC), UMR CNRS 5080, Université de Bourgogne ; janvier 07 - septembre 08

Analyse et désagrégation des variables climatiques (CRC) : janvier 07 – décembre 07

- Tâche II. Etude de l’Impact sur la Dynamique Hydrologique, assurée par le Laboratoire d'étude des Transferts en Hydrologie et Environnement (LTHE), UMR IRD CNRS, 5564, Institut National Polytechnique de Grenoble: janvier 07 – septembre 08

- Tâche III. Etude de l’Impact sur la Dynamique vectorielle, assurée par Equipe Environnement et Prévdiction de la Santé des Populations, (EPSP TIMC-IMAG), UMR CNRS 5525, Université Joseph Fourrier Ecole Vétérinaire de Lyon ; juillet 07 - septembre 08

Par ailleurs, la réalisation de ce programme s’appui sur trois tâches complémentaires situées en entrée et sorties des tâches précédentes :

1. Mise à disposition des sorties régionalisées des GCMs (scénarios A2, B2, et B1 du GIEC) assuré par le CNRM Météo-France et par le CERFACS ;

2. Mesures de terrains réalisées sur quatre sites localisés dans la fenêtre « Afrique sahélienne - Europe méridionale » assurée par la Fondation Sansouire, Arles ;.l’Ecole Vétérinaire de Lyon ; l’Université de Marseille ; le Malaria Research and Training Center de l’Université de Bamako, l’Institut Pasteur de Dakar et le Centre de Suivi Ecologique du Sénégal.

3. Synthèse et valorisation : Comparaison prévision / actuel, assurée par le CRC et EPSP TIMC-IMAG ; octobre - décembre 2007.

Figure 1. Définition du projet : (a) Fenêtre spatiale ; (b) Organigramme de l’étude et (c) Calendrier de travail

(a) (b)

Extraction

T I. Analyse et désagrégation des données

T II. Impact sur la dynamique hydrologique

T III. Impact sur la dynamique vectorielle

Traitements

Risques sanitaires

Observations de terrain

Scénarios climatiques

CRC

LTHE

EPSP-TIMC-

CNRM Partenaires

GGGrrraaadddiiieeennnttt NNNooorrrddd---SSSuuuddd

AAAfffrrr iiiqqquuueee sssaaahhhééélll iiieeennnnnneee

EEEuuurrrooopppeee mmmééérrr iiidddiiiooonnnaaallleee

10

|

2007 2008

JFM AMJ JAS OND JFM AMJ JAS OND

CNRM CERFACS

Extraction

CRC Tâche I Synthèse

LTHE Tâche II Tâche II (suite)

TIMC-IMAG Tâche III Tâche III (suite) Synthèse

PARTENAIRES LOCAUX

Recueil Recueil

Personnels Personnes impliquées Intitulé du

laboratoire Activité % Nombre de

mois Fonction dans le projet

Tâche I : Analyse et Désésagrégation des Sorties des GCMs CRC, UMR CNRS 5080, Université de Bourgogne Bernard Fontaine CRC 25% 6 Co-coordination Projet Tâche

I : Désagrégation climatique Pascal Roucou CRC 25% 6 Co-coordination Tâche I Désagrégation

numérique et statistique Sivarajan Sijikumar CRC (Post-Doc) 25% 6 Tâche 1 : Désagrégation numérique et analyse Samuel Louvet CRC 50% 12 Tâche 1 : Relations climat-paludisme sur sites

d’’observation Total Mois-Homme 30 Tâche II : Etude de l’Impact sur la Dynamique Hydrologique LTHE, UMR IRD CNRS, 5564, Institut National Polytechnique de Grenoble Nick Hall LTHE 25% 6 Coordination Tâche II : Statistique des champs

de pluies Thierry Lebel IRD 10% 2 Tâche II : Etudes de sensibilité hyrologique Nadine Dessay LTHE 50% 12 Tâche II : Produits spatiaux ; végétation :eau Martin Gerbaux THE (Post-Doc) 25% 6 Tâche II : Désagrégation des pluies à l’échelle

des événements Théo Vischel THE 10% 2 Tâche II : Modélisation hydrologique Isabella Zin LTHE 25% 6 Tâche II : Modélisation hydrologique Total Mois-Homme 34 Tâche III : Etude de l’Impact sur la Dynamique Vectorielle EPSP, TIMC-IMAG, UMR CNRS 5525, Université Joseph Fourier / Ecole Vétérinaire de Lyon Philippe Sabatier EPSP TIMC-IMAG 40 % 10 Co-coordination Projet

Tâche III : Analyse de l’impact sanitaire Dominique Bicout EPSP TIMC-IMAG 50 % 12 Coordination Tâche III : Modélisation de la

transmission vectorielle

Séminaire Clôture

Séminaire: Lancement

Séminaire : Impact eau

Séminaire : Evaluation intermédiaire

Séminaire : Impact santé

11

|

Karine Chalvet-Monfray EPSP TIMC-IMAG 40 % 10 Tâche III : Analyse de l’impact sanitaire Thomas Balenghien EPSP TIMC-IMAG /

ENVL (Alloc MRT) 25 % 6 Tâche III : Modélisation de la transmission

vectorielle Elsa Jourdain EPSP TIMC-IMAG

(Alloc CNES) 25 % 6 Tâche III : Paramétrisation du modèle

Total Mois-Homme 44 Partenariat : Mise à Disposition et Recueil de Données CNRM: Mise à disposition des sorties régionalisées Afrique des GCMs (Arpège-Climat) Jean-François Royer CNRM 10% 2 Coordination Arpège-Climat : scénarios

climatiques Michel Deque CNRM 10% 2 Analyse des scénarios régionaux Alain Braun CNRM 10% 2 Analyse des scénarios régionaux Fabrice Chauvin CNRM 20% 5 Analyse des simulations et extractions Annie Rascol CNRM 20% 5 Mise en place et gestion du serveur de fichier CERFACS : Mise à disposition des sorties désagrégées Europe des GCMs (Discendo) Laurent Terray CERFACS 15 % 3 Collaboration avec Discendo : scénarios

climatiques Fondation Tour du Valat, Le Sambuc : Mesures de terrains réalisées en Camargue (France) Alain Sandoz Fondation Sansouire,

Arles 25 % 6 Etude des paramètres environnementaux

Ecole Vétérinaire de Lyon : Mesures de terrains réalisées dans la Dombes (France) Jennifer Pradel EPSP TIMC-IMAG

(Alloc MRT) 50 % 12 Etudes des paramètres environnementaux

Centre de Suivi Ecologique et Institut Pasteur, Dakar : Mesures de terrains réalisées dans le Ferlo (Sénégal) Jacques-Andre Ndione Centre de Suivi

Ecologique, Dakar 20% 6 Coo-ordination CSE ; Paramétrisation du

modèle environnementaux Mawlouth Diallo Institut Pasteur, Dakar 20 % 6 Co-ordination IPD ; Etude des paramètres

épidémiologiques Malaria Research and Training Center, Université de Bamako et Université de Marseille : Mesures de terrainsréalisées dans la région de Mopti (Mali) Ogobara Doumbo DEAP Faculté de

Médecine, Bamako 10 % 2 Co-ordination MRTC

Moussa Fané DEAP Faculté deMédecine, Bamako

100 % 12 Etude des paramètres épidémiologiques

Jean Gaudart LIF UMR 6166CNRS/Univ. Aix-Marseille

20 % 6 Analyse statistique et Modélisation spatio-temporelle de la transmission du paludisme

Total Mois-Homme 69 Total Mois-Homme 177

Références Bouma, M. J., H. E. Sondorp and H. J. Van der Kaay (1994). "Health and climate change." The Lancet 343: 302.

Colwell, R. R. and J. A. Patz (1998). Climate, Infectious Disease and Health. Washington, American Academy of Microbiology. Committee on Climate, Ecosystems, Infectious Diseases, and Human Health, Board on Atmospheric Sciences and Climate (2001). Under the Weather: Climate, Ecosystems, and Infectious Disease, National Research Council.

12

|

Epstein, P. R., H. F. Diaz, S. A. Elias, G. Grabherr, N. E. Graham, W. J. M. Martens, E. Mosley-Thompson and J. Susskind (1998). "Biological and physical signs of climate change focus on mosquitoes-born diseases." Bull. Amer. Meteorol. Soc. 78: 409-417.

Hales, S. and al. (1999). "El Nino and the dynamics of vector-borne disease transmission." Environmental Health Perspectives: 107.

Martens W.J.M., Jetten T.H. & Rotmans J et al. 1995. Climate change and vector-borne diseases. A global modelling perspective. Global Environmental Change, 5: 195-209.

McMichael A.J., Haines A. & Sloff R. 1996. Climate Change and Human Health. World Health Organization, World Meteorological Organization, United Nations Environmental Program, Geneva, Suisse.

Reiter, P. (2000). "Climate change and mosquitoes-borne diseases." Environ. Health Perspect. 109 (suppl 1): 141-161.

Rogers, DJ. and Randolph, SE. (2000). The Global Spread of Malaria in a Future, Warmer World. Science 289, 1763-1765.

13

|

Partie II : DESAGRAGATION DES SORTIES DES MODELES DE CIRCULATION GENERALE

14

|

15

|

Tâche 0 : Extraction et Mise à disposition des Sorties des Modèles de Circulation Générale

Auteur : Jean – François Royer, CNRM Météo-France

Problématique Dans le cadre du projet Européen FP6 ENSEMBLES plusieurs scénarios climatiques, qui ont contribué au 4-ème rapport d’évaluation du GIEC, ont été réalisés. Dans ces scénarios la concentration des principaux gaz à effet de serre (CO2, CH4, N2O, ainsi que les chlorofluorocarbones CFC-11 et CFC-12) varie annuellement, selon les valeurs observées jusqu'à la fin du 20-ième siècle, et ensuite selon les valeurs prévues par les scénarios économiques SRES A2, A1B et B1.

Matériels et Méthodes

Le Groupe de Météorologie Grande Echelle et Climat (GMGEC) du CNRM a réalisé avec la version CNRM-CM3 de son modèle de climat des simulations couplées pour étudier des scénarios de la réponse climatique à l’augmentation des gaz à effet de serre. Le modèle de circulation atmosphérique est basé sur une version 3 d’ARPEGE-Climat en troncature T63 avec une grille linéaire correspondant à une résolution uniforme d’environ 2,8 degrés. Ce modèle est couplé, au moyen du coupleur OASIS développé par le CERFACS, au modèle d'océan OPA version 8.0 réalisée par le LOCEAN (CNRS/IPSL), et interfacé avec un modèle dynamique de banquise (GELATO) et un modèle de routage des fleuves (TRIP). Un article de présentation du modèle et des scénarios a été publié en ligne (Salas y Melia, 2005). Les résultats de ces scénarios ont été inclus dans la base de simulation PMIP3 au PCMDI, et sur un serveur DODS local.

Les anomalies de température de surface de l’océan fournies par le modèle couplé ont également été utilisées comme conditions aux limites pour des simulations à résolution variable permettant d’atteindre une résolution plus fine sur le bassin Méditerranéen (Somot et al, 2007). D’autres simulations à maille variable étirées sur l’Europe et l’Afrique ont été réalisées au CERFACS dans le cadre du projet DISCENDO. Des ensembles de simulations atmosphériques réalisés sur la période 1986-1995 pour laquelle on dispose d’une réanalyse d’humidité du sol (GSWP2) cohérente avec le modèle ARPEGE-Climat, a confirmé l’influence de cette variable sur la prévisibilité atmosphérique pendant l’été boréal aux moyennes latitudes, mais une analyse focalisée sur l’Afrique de l’Ouest suggère que la variabilité des précipitations de mousson est avant tout pilotée par les SST tropicales et que le lien apparent mis en évidence entre la saison des pluies sur le Sahel et la fin de la saison des pluies de l’année précédente sur la région Guinéenne relève d’un artefact statistique plutôt que d’une réalité physique (Douville et al, 2007).

Résultats

Une validation de la mousson Africaine dans des simulations couplées et forcées sur le XX-ème siècle a été effectuée en mettant en œuvre divers outils statistiques (ACP, SVD) pour vérifier que le modèle est capable de reproduire les principaux modes de variabilité et les téléconnexions qui influencent la mousson africaine, en particulier les téléconnexions avec les températures de surface de l’océan. Cette étude s’est poursuivie par une

16

|

analyse de l’évolution future de la mousson africaine dans les scénarios climatiques réalisés, et a été étendue à d’autres modèles du GIEC (Joly et al, 2007). Cette étude a montré l’importance du signal lié à l’ENSO et la difficulté qu’ont les modèles à reproduire sa variabilité interannuelle

En collaboration avec le CERFACS les champs atmosphériques issus des simulations du projet DISCENDO ont été mises à disposition sur le site DODS ftp de l’équipe UDC, et transmises au CRC pour fournir les conditions aux limites nécessaires pour forcer leur modèle régional. Les champs biquotidiens des variables atmosphériques en altitude (température, humidité, géopotentiel, vent horizontal, vitesse verticale) sur une quinzaine de niveaux verticaux, et quelques champs en surface, ont été fournis au CRC pour la période 1980-1999 de la simulation de référence, et pour la période 2080-2099 du scénario A1B, afin de permettre la réalisation des simulations régionales sur ces deux périodes.

Figure 1: exemples de visualisation de résultats des simulations CNRM-CM3 pour la période de la mousson (juin-septembre). La colonne de gauche montre les températures près de la surface (en °C), et la colonne de droite les précipitations (en mm/jour).La période de référence (1970-1999) est en haut, la décennie 2050-2059 du scénario A1B est au milieu, et l’anomalie correspondante (« scénario » moins « référence ») est en bas.

17

|

Discussions et Conclusions A titre d’illustration des résultats, la figure 1 montre la réponse des températures et des précipitations dans le scénario A1B vers le milieu du 21-ème siècle pendant la saison de mousson (Juin à Septembre). On peut constater que sur l’Afrique de l’Ouest l’évolution climatique liée à l’augmentation de l’effet de serre conduit dans cette simulation à une hausse des températures de plus de 2 degrés sur la plus grande partie de l’Afrique, avec une amplification sur la partie Est du Sahara. La réponse des précipitations est plus complexe avec un accroissement des précipitations sur l’Afrique de l’Ouest, particulièrement marqué près du Golfe de Guinée, et une réduction sur la partie Est de l’Afrique.

Valorisations Une page Internet a été mise en place pour permettre un tracé en ligne des principaux champs en surface utiles pour les études de l’impact du changement climatique sur les maladies à vecteur . http://www.cnrm.meteo.fr/accies/ . L’interface mis en place (figure 2) permet de choisir de façon interactive la variable à tracer (température à 2m, évapotranspiration, humidité relative à 2m, pression au niveau de la mer, précipitation totale, rayonnement IR net en surface, rayonnement solaire absorbé en surface, température minimale et maximale à 2m, vent zonal et méridien à 10m), le scénario (A2, A1B, B1), l’échéance souhaitée (moyennes décennales de 2000 à 2100), la période de l’année choisie (moyenne entre un mois de début et un mois de fin) ainsi que la décennie de la simulation de référence (de 1860 à 2000) par rapport à laquelle est calculée l’anomalie future. Le domaine par défaut de la visualisation est centré sur l’Afrique (20°W-50°E, 40°S, 40°N) mais peut être redéfini par l’utilisateur.

Figure 2 : Interface mis en place pour la visualisation des champs en surface des simulations climatiques du modèle CNRM-CM3 (http://www.cnrm.meteo.fr/accies/databaset.html).

Références Douville H., S. Conil, S. Tyteca, A. Voldoire , 2007 : Soil moisture memory and West African monsoon predictability : artefact or reality ? .Climate Dyn., 28 (7-8), 723-742. doi:10.1007/s00382-006-0207-8. (http://dx.doi.org/10.1007/s00382-006-0207-8 )

18

|

Joly M., A. Voldoire, H. Douville, P. Terray and J.-F. Royer, 2007: African monsoon teleconnections with tropical SSTs: validation and evolution in a set of IPCC4 simulations. Climate Dynamics, 29(1), 1-20. DOI: 10.1007/s00382-006-0215-8 (http://dx.doi.org/10.1007/s00382-006-0215-8 )

Somot, S., Sevault F., Déqué M., and Crépon M., 2007: 21st Century Climate Change scenario for the Mediterranean using a coupled atmosphere-ocean regional climate model. Global and Planetary Change, accepté.

Salas-Mélia, D., F. Chauvin, M. Déqué, H. Douville, J.F. Gueremy, P. Marquet, S. Planton, J.F. Royer and S. Tyteca, 2005: Description and validation of the CNRM-CM3 global coupled model. Note de Centre du GMGEC n° 103. (http://www.cnrm.meteo.fr/scenario2004/paper_cm3.pdf )

19

|

Tâche 1 : Analyse et Désagrégation des Sorties des Modèles de Circulation Générale

Auteurs : P. Roucou, S. Sijikumar, B. Fontaine & S. Louvet, CRC, UMR CNRS 5080, Université de Bourgogne

Problématique La mousson Ouest Africaine est caractérisée par une advection d''air humide en provenance du Golfe de Guinée mais aussi de la méditerranée (Fontaine et al., 2003). La variabilité interannuelle est marquée par une forte sensibilité aux gradients de températures de l'Atlantique tropical (Fontaine et al., 1999). Plus précisément la sécheresse qui sévit sur la région peut être attribuée à des eaux tropicales plus chaudes autour du continent qui modifie le gradient thermique océan/continent à l'origine du phénomène de mousson (Giannini et al., 2003).

La tâche du CRC dans le programme ACCIES est de fournir des variables climatiques sur la période actuelle (1980-1999) et future (2080-2099) afin d’estimer l’impact du changement climatique sur l’espace ouest Africain et Méditerranéen sur la ressource en eau (pluviométrie et écoulement) et certaines maladies à vecteurs.

Les projections climatiques sont réalisées à partir de Modèles de Circulation Générale (MCG) couplant les évolutions de l'atmosphère à celles de l'océan. Les simulations obtenues permettent de définir des scénarios de large échelle. Compte tenu de la résolution spatiale des GCM (250km x 250 km en moyenne) ils ne peuvent fournir suffisamment d'information à l'échelle régionale. La résolution spatiale est assujettie à la représentation physique des phénomènes dans le modèle mais aussi à la puissance de calcul disponible.

Les modèles hydrologiques ou épidémiologiques ont par exemple besoin de résolution très fines à l'échelle des bassins versants et mêmes des mares. De plus ils nécessitent des entrées qui respectent les cumuls pluviométriques mais aussi la distribution des pluies. En effet, les modèles climatiques peuvent produire des quantités de pluie proches de la réalité mais dont la distribution temporelle est entachée d'erreurs : typiquement le nombre de jours de fortes pluies est sous évalué (Gallée et al., 2004). C'est souvent le résultat du lissage de la topographie dans le modèle et la difficulté à paramétriser les processus sous mailles comme les nuages par exemple (Mc Guffie et Henderson-Sellers, 2001)

La désagrégation spatiale repose sur un ensemble de techniques permettant d'opérer une translation des échelles larges vers les échelles fines, en reliant les variables climatiques locales ou micro-régionales aux forçages atmosphériques de plus large échelle. Pour la prospective climatique, les champs de larges échelles sont fournis par les MCG couplés à l'océan. Ils existent deux méthodes de désagrégation qui peuvent être utilisées séparément ou conjointement.

L'approche statistique est la plus courante. Elle consiste à mettre en évidence, pour la période actuelle, les relations statistiques entre les champs de grande échelle, généralement les champs atmosphériques, et ceux de plus petite échelle, généralement la pluie. Les équations obtenues servent alors à projeter l'information sur la période future. La méthode suppose que le climat simulé dans l'actuel par le modèle est correct, mais aussi que les relations statistiques établies dans le présent sont stables et se maintiennent dans le futur (Zorita et al., 1995).

La seconde approche est numérique. Elle repose sur l'utilisation d'un modèle régional de climat. Ce type de modèle présente l'avantage d'une résolution spatiale plus fine, d'une meilleure prise en compte des effets de la topographie ou encore d'une meilleure représentation physique de processus d'interactions surface-atmosphère ou nuages-radiations (Giorgi et al., 2001; Han et Roads, 2004). Malgré ces qualités les modèles régionaux connaissent aussi des biais qui concernent la représentation des processus physiques, particulièrement les paramétrisations des nuages et de la surface (Liang et al, 2004). Les conditions aux limites du modèle régional

20

|

sont empruntées aux réanalyses ou aux sorties des modèles globaux. De ce fait la vraisemblance des simulations est très influencée par les conditions initiales et aux limites et les biais initiaux peuvent se répercuter sur la qualité des sorties (Liang et al; 2004, 2006). Par conséquent, le climat simulé par le modèle régional peut être assez différent du climat de la simulation de départ (Han et Roads, 2004).

Dans le cadre d'ACCIES, l'approche numérique a été privilégiée avec l'utilisation du modèle meso-échelle MM5. MM5 a été validé sur la période contemporaine sur le domaine ouest-africain dans le cadre d'AMMA (Sijikumar et al., 2006).

Méthodes Le modèle PSU/NCAR MM5

Le modèle NCAR / Penn State MesoscaleModel (MM5) est la cinquième génération du modèle méso-échelle développé dans les années 70 (Anthes et Warner, 1978). C'est un modèle non hydrostatique en coordonnées sigma utilisé pour la simulation ou la prévision de la circulation atmosphérique d'échelle régionale (Grell et al. 1994).

Figure 1: Diagramme schématique du fonctionnement de MM5 (http://www.mmm.ucar.edu/mm5/overviewGIF.html).

Ce modèle a été choisi en raison de sa souplesse et de plusieurs caractéristiques dont :

21

|

1. la possibilité de simuler des domaines emboîtés (nesting), 2. une dynamique non hydrostatique qui permet d'atteindre des résolutions de quelques kilomètres 3. un code parallélisé 4. la possibilité d'assimiler des observations 5. plusieurs options physiques permettant d'adapter le modèle à différentes régions.

La figure 1 renseigne brièvement sur l'organisation des tâches à effectuer pour réaliser une simulation. Les données terrestres (végétation, sols, topographie) et météorologiques sur les différents niveaux de pression sont interpolées horizontalement (programmes TERRAIN et REGRID) d'une grille géographique à la grille du modèle suivant la résolution spatiale requise. A ce stade des sonnées observées peuvent être assimilées pour obtenir davantage de précisions. Cette option n'a pas été utilisée étant donnée le manque de disponibilité de données atmosphériques en Afrique de l'ouest. Les données météorologiques en niveau pression sont ensuite interpolées verticalement en niveau sigma du modèle MM5 (programme INTERPF). Le premier niveau épouse la topographie et le dernier se rapproche du niveau pression d'altitude. Comme les résolutions horizontale et verticale sont variables, les routines requièrent une grande quantité de mémoire et des capacités de stockage disques importantes.

MM5 étant un modèle régional, il a besoin de conditions initiales et latérales aux bornes du domaine. Pour produire ces conditions latérales, il faut disposer de données en point de grille de type ré-analyses ou bien issues de simulations de MCG.

Production des conditions latérales (pré-processing des données ARPEGE)

Les conditions aux limites du modèle MM5 ont été empruntés à des sorties du MCG ARPEGE-Climat du CNRM couplé au modèle océanique OPA. Il s'agit de l'humidité, du vent (u et v), du géopotentiel sur 14 niveaux d'atmosphère. En surface les conditions sont : la pression et les températures de l'océan (SST). Les simulations ARPEGE ont été réalisées dans le cadre du projet DISCENDO, piloté par Laurent Terray (CERFACS), pour lequel ARPEGE a été utilisé en mode zoomé (pôle sur la Méditerranée) ce qui permet une résolution d'environ 100 km sur l'Afrique de l'Ouest. La mise à disposition des données a été rendue possible grâce au travail de Virginie Lorant et Jean-François Royer. Ces données sont : le vent, la température, l'humidité spécifique, le géopotentiel pour les niveaux d’atmosphère standard pression au niveau de la mer ainsi que le vent, la température et l’humidité à 2 mètres.

La figure 2 montre les caractéristiques particulières de la grille ARPEGE. La résolution est augmentée sur la zone d'intérêt mais cette particularité rend difficile l'usage de la grille pour la désagrégation d'échelle avec MM5.

Figure 2 : distribution des points de grille dans le modèle ARPEGE haute résolution (T149) (http://www.cnrm.meteo.fr/gmapdoc/meshtml/guide_ARP/image/arp/grille_arp_pole_interet_tr.gif).

22

|

La mise en forme des données ARPEGE vers MM5 a nécessité un gros travail de pré-processing et a demandé, entre autre, l'utilisation du code PRISM (Program for Integrating Earth System Modelling). Les champs ARPEGE sont fournis en format netcdf non standard à une résolution de 1°x1° (figure 3). La constitution des fichiers de conditions initiales et aux limites utilise des outils développés par la communauté MM5. Dans ce cas, un utilitaire PREGRID mis au point par Jean Louis Monge (IPSL) a du être adapté. Il permet de transformer les données initiales dans un format propre à MM5. La première difficulté a été de modifier les données d’entrées dont les attributs netcdf n’était pas complètement utilisable. Un shell utilisant les applications PRISM et NCO a donc été développé pour effectuer les modifications (voir annexe).

Expériences et Objectifs Trois simulations ARPEGE ont été retenues pour le projet:

1. période 1980-1999, SST observées

2. période 1980-1999, SST du modèle

3. période 2080-2099, SST du modèle (scénario A1B)

Chacune d'elle a été utilisée pour constituer les conditions latérales aux bornes de MM5 comme énoncé plus haut. Deux périodes sont comparées 1980-1999 et 2080-2099. La réponse du modèle au forçage des SST (Sea Surface Temperature) a été évaluée grâce aux expériences 1 et 2. La troisième simulation repose sur un scénario A1B et utilise bien entendu des SST simulées pour la fin du siècle.

Les options physiques choisies pour ces simulations MM5 sont : le schéma de cumulus de Grell, le schéma de couche limite Blackadar, le schéma radiatif CCM2 (Dudhia, 2005). Elles ont été définies sur la base d'un travail de validation du modèle mené par Sijikumar et al. (2006) pour lequel 8 années de simulation (1994-2001) ont été réalisées. Les conditions aux limites ont été constituées avec les réanalyses ERA40. Les résultats avait montré que le modèle reproduisait correctement les grands traits de la circulation de mousson comme le Jet d'Est Africain (JEA). Comme dans la plupart des modèles, la distribution spatiale des précipitations ainsi que les quantités précipitées constituent des biais importants. Cependant les dates de démarrage de la saison des pluies (onset) sont très proches de celles observées.

Dans un modèle régional le choix du domaine à simuler est très important si on ne veut pas altérer la dynamique (Giorgi et Mearns, 1999). Le domaine doit être suffisamment étendu pour permettre le développement de la

Figure 3 : Production des conditions latérales à partir des simulations ARPEGE. Les développements et les étapes liées aux simulations et productions de données sont respectivement en jaune et en vert.

23

|

circulation méso-échelle par le modèle et inclure les forçages régionaux. La résolution doit être assez fine pour capturer les phénomènes régionaux. A cette fin on utilise souvent la technique du nesting qui consiste à emboîter des domaines de différentes résolutions les uns dans les autres. En fait le choix du domaine et de la résolution résulte aussi d'un compromis, fait par l'utilisateur, entre la disponibilité en temps calcul et le stockage des simulations.

La désagrégation dynamique permet d'améliorer la résolution spatiale des simulations par rapport à celle des MCG. Cependant même si les conditions latérales sont issues d'un MCG, le climat simulé par le modèle régional peut être très différent du climat initial parce que la physique des 2 modèles est elle même différente (Giorgi, 2006). Il faut alors pour que les résultats soit exploitables que le modèle régional apporte une 'valeur ajoutée' à la simulation du MCG.

La figure 4 montre les domaines simulés pour ACCIES. L'objectif est d'atteindre sur le Sénégal et le Mali des résolutions fines de 45 et 15 km. Ces résolutions ne peuvent être atteintes directement d'où l'obligation de simuler des domaines emboîtés. Le domaine 1 (D01) a une résolution de 135 km, D02 de 45 km et D03 15 km. D01 sert à minimiser les influences des conditions latérales fournies par ARPEGE. Les analyses ne porteront que sur D02 et D03. Ce dernier englobe les sites de mesures prédéterminés par les différents laboratoires participant au projet. Les variables météorologiques obtenues à cette échelle permettent ensuite d'alimenter les modèles épidémiologiques et hydrologiques.

La comparaison des simulations ARPEGE et MM5 sera réalisée sur la période contemporaine en utilisant les réanalyses NCEP II pour la dynamique atmosphérique et le fichier en point de grille CMAP pour l'examen des champs de pluie (Xie et Arkin, 1997).

Résultats Ne sont présentés ici que des résultats partiels tirés d'une publication en cours de rédaction (Sijikumar et al;, 2008).

Les champs de pluie simulés par les deux modèles sont comparés au pluies du produit CMAP issu de l'observation pour la moyenne des mois de Juillet à Septembre (JAS) (fig. 6). La résolution de MM5 à 45 km permet de mieux détailler les effets du relief (Fouta Djalon, Adamaoua, Ahaggar). D'une manière générale ARPEGE montre une mousson qui s'étend trop loin vers le nord. Ceci s'explique par une convergence des alizés trop septentrionale. Bien qu’alimenté par les conditions aux limites d'ARPEGE, MM5 montre une limite nord de la pluie plus conforme à l'observation en relation avec une zone de convergence des alizés mieux positionnée.

Figure 5 : Domaines de simulation dans le cadre ACCIES. D01 : 100 km de résolution. D02 : 45 km. D03 : 15 km.

24

|

Figure 6 : Haut : champ de pluie moyen de Juillet à Septembre (JAS) pour ARPEGE, CMAP (référence) et MM5. Bas : champs de vents et de pression à 925 hPa pour ARPEGE, Réanalyses NCEP et MM5.

La figure 7 permet de donner une idée de l'apport du modèle régional. Elle montre la latitude moyenne du maximum de pluie entre 10°W et 10°E. Dans l'observation (CMAP) c'est en août, aux alentours de 9°N, que se positionne le maximum pluvieux. Pour ARPEGE ce maximum est localisé vers 11°N alors que pour MM5 on constate un maximum à 10°N.

La qualité de la représentation spatiale à l'échelle interannuelle a été étudiée à l'aide d'analyses en composantes principales des 3 champs de pluie (fig. 8). Moron (1995) a en effet montré que cette variabilité peut être décomposée en deux modes, l'un sahélien, l'autre guinéen. Sur CMAP (fig. 8, milieu), on fait clairement apparaître chacun des deux patterns. En revanche, ceux montrés par ARPEGE sont assez différents (fig. 8, bas), avec en particulier un premier mode associé à la variabilité pluviométrique s'étendant de l'Atlantique à l'Afrique du nord peu conforme à la réalité. Pour MM5 (fig. 8, haut) on note des configurations plus proches de celles offertes par l'observation CMAP. Toutefois on peut remarquer certains biais au contact océan/continent. Malgré tout la simulation des pluies par MM5 semble plus satisfaisante que celle obtenue à l'aide d'ARPEGE. Ceci montre que la physique du modèle régional peut s'affranchir, dans une certaine mesure, des conditions aux limites

Figure 7 : Latitude du maximum pluvieux entre 10°W et 10°E. La méthode de calcul est inspirée de d'Orgeval et Polcher (2006).

25

|

du domaine. Nous pensons que le choix d'un premier domaine relativement étendu spatialement peut être à l'origine de cette différence (fig. 5).

Ces modifications sont bien sur liées à la représentation de l'atmosphère dans les modèles. Nous avons pu constater qu'un élément important de la mousson, le Jet d'Est Africain (JEA), est mal décrit dans ARPEGE mais que MM5 corrige partiellement ce biais (fig. 8). La composante zonale du vent à 600 hPa rend compte de ces différences, l'alignement du JEA et sa vitesse sont plus réaliste pour MM5 (à plat bleu) si on le compare aux réanalyses (non montré). Cependant la vitesse reste sous estimée. Ceci est sans doute lié au biais introduit par ARPEGE. On sait que lorsque le JEA est anormalement rapide (lent) les précipitations au Sahel diminuent (augmentent). Le fait que le jet dans ARPEGE montre un développement moindre permet d'expliquer en partie l'accroissement des quantités de pluie en direction du nord (fig. 6).

Figure 8 : Analyse en composantes Principales du champ de pluie moyen en JAS sur la période 1981-1999. Haut : MM5. Milieu : CMAP. Bas : ARPEGE. Les valeurs sont exprimées en coefficients de corrélation entre les deux premières composantes principales et le champ initial.

26

|

La simulation portant sur la fin du XXIe siècle, indique de grandes différences entre les deux modèles (fig. 9, bas). Par rapport à la période contemporaine le JEA perd de la vitesse dans ARPEGE alors qu'elle augmente dans MM5. Les champs de pluie sont alors très différents (fig. 10). Les différences calculées entre la période 2081-2099 et 1981-1999 montrent que dans le cas d'ARPEGE les pluies ont tendance à augmenter sur toute l'Afrique de l'Ouest alors que la situation est plus contrastée pour MM5 (fig. 10). En effet, on remarque une augmentation des pluies sur la bande guinéenne et une réduction sur la bande sahélienne.

Figure 9 : Composante zonale du vent à 600 hPa en JAS pour MM5 (gauche) et ARPEGE (droite), pour la période 1981-1999 (haut) et la période 2081-2099 (scénario A1B, bas). Les valeurs sont exprimées en m/s.

Figure 10 : Différence 2081-2099 et 1981-1999 en JAS pour les modèles ARPEGE (scénario A1B) et MM5. En mm/jour.

27

|

Discussion et Conclusions Ces résultats montrent que le modèle régional est susceptible d'apporter de la 'valeur ajoutée' aux simulations initiales d'ARPEGE. Pour la période contemporaine, on constate que la circulation régionale est mieux représentée dans les basses couches où l'extension du flux de mousson devient plus proche des produits de référence comme les réanalyses. La circulation de la moyenne troposphère est elle aussi plus réaliste, comme le montre la circulation du Jet d'Est Africain dont la position et la vitesse sont mieux représentés que dans ARPEGE. Le champ pluviométrique bénéficie aussi de quelques améliorations, concernant l'extension de la ceinture qui est manifestement trop septentrional dans le modèle ARPEGE.

Ce travail montre que le modèle peut s'affranchir, dans une certaine mesure, des conditions aux limites imposées aux bornes du domaine et produire un climat différent de celui prescrit aux bornes du domaine. A l'inverse, les biais du GCM peuvent être aussi renforcés au sein du modèle régional.

D'autre part, la différence entre les champs de pluie obtenus pour la fin du XXIe siècle pose la question des incertitudes liées au changement climatique en Afrique de l'Ouest (Orgeval et Polcher, 2006). Même si MM5 offre plus de réalisme durant la période contemporaine on ne peut être sûr du scénario produit pour la fin de siècle. La figure 11 illustre cette question fondamentale des incertitudes. On voit nettement que l'évolution des précipitations sahéliennes simulées par 12 MCG diverge fortement au cours du temps. Au final il est difficile de fournir un scénario d'évolution sur cette région.

Figure 11 : Précipitations sahélienne simulées sur le XXe et XXIe siècle (M. Joly, CNRM).

Valorisation Sijikumar S., Roucou P., Fontaine B., 2006, Monsoon onset over Sudan-Sahel: Simulation by the regional scale model MM5.

Geophys. REs. Letters, 33, L03814, doi:10.1029/2005GL024819.

Sijikumar S., Roucou P., Fontaine B., 2008, Regional scale model downscaling of present and future climates of West Africa using ARPEGE GCM and MM5. Soumis.

1970

Indice précipitations Sahel

28

|

Références Anthes, R.A. and T.T. Warner, 1978: Development of hydrodynamic models suitable for air pollution and other

mesometeorological studies. Mon. Wea. Rev., 106, 1045-1078.

d'Orgeval, T. and Pocher, J., 2006, Uncertainties in modelling future hydrological change over West Africa, Climate Dynamics, 26, 93-106, 10.1007/s00382-005-0079-3.

Dudhia, J. and Gill, D. and Manning, K. and Wang, W. and Bruyere, C., 2005, {PSU/NCAR} Mesoscale Modelling System tutorial class notes and users' guide (MM5 Modelling System Version 3). Mesoscale and Microscale Meteorol Div., Natl. Cent. for Atmos.Res. http://www.mmm.ucar.edu/mm5/documents/tutorial-v3-notes.

Gallée, H., W. Moufouma-Okia, P. Bechtold, O. Brasseur, I. Dupays, P. Marbaix, C. Messager, R. Ramel, and T. Lebel (2004) A high-resolution simulation of a West African rainy season using a regional climate model, J. Geophys. Res., 109, D05108, doi : 10.1029/2003JD004020.

Fontaine B, Janicot S, Roucou P, 1999, Coupled ocean-atmosphere surface variability and its climate impacts in the tropical Atlantic region. Clim. Dyn. 15, 451-473.

Fontaine, B., Roucou, P. and Trzaska, S., 2003, Atmospheric water cycle and moisture fluxes in the West African monsoon: mean annual cycles and relationship using NCEP/NCAR reanalyses. Geophys. Res. Lett. 30, 3, 10.1029-10.1032.

Giannini, A., Saravanan, R. et Chang, P., 2003, Oceanic forcing of Sahel rainfall on interannual to interdecadal time scale. Science, 1027-1030.

Giorgi, F. et al., 2001, Regional climate information: evaluation and projections, in Climate Change 2001, edited by J. T. Houghton et al., pp 563-638, Cambridge University Press, New York.

Giorgi, F., 2006, Regional climate modeling: Status and perpectives, Journal of Physics IV, 139, 101-118, 10.11051/jp4:2006139008.

Giorgi, F. and Mearns, L.O., 1999, Introduction to special section: Regional climate modelling revisited. J. of Geophys. Res., 104(D6), 6335-6352.

Grell, G., A., J. Dudhia and D. R. Stauffer (1994), A description of the fifth-generation Penn State/NCAR mesoscale model (MM5), NCAR Technical Note, NCAR/TN-398+STR, 117 pp.

Han, J. et Roads J. O., 2004, U.S. Climate sensitivity simulated with the NCEP regional spectral model. Clim. Change, 62, 115-154.

Liang, X.Z., Kunkel K. E. et Samel A. N., 2004, Regional climate simulation of summer precipitation diurnal cycle over the United States,. Geophys. Res. Lett., 31, L24208, doi:10.1029/2004GL021054.

Liang, X.Z., Li L., Kunkel K. E. Ting M. et Wang J. X. L., 2004, Regional cliamte model simulation of US precipitation during 1982-2002. Part 1: Annual cycle, J. Clim., 17, 3510-3528.

Mc Guffie K., Henderson-Sellers A., 2001, Forty years of numerical climate modelling. International Journal of Climato., 21, 9, 1067-1109.

Moron V., 1995, Variability of the African Convection Centre as viewed by OLR records and relationships with SST pattern, International Journal of Climatology, 15, 25-34.

Xie, P. and Arkin, P., 1997, Global precipitation: a 17-year monthly analysis based on gauge observations, satellite estimates and numerical model outputs, Bull. Of American Met. Soc., 78, 2539-2558.

Zorita E., Hughes J., Lettenmaier D., Von Storch H., 1995, Stochastic characterisation of regional circulation patterns for climate model diagnosis and estimation of local precipitation. Journal of Climate, 8, 1023–1042

29

|

Partie III : IMPACTS DU CHANGEMENT CLIMATIQUE SUR LES DYNAMIQUES HYDROLOGIQUES ET VECTORIELLES

30

|

31

|

L’impact du CC sur l’émergence (et la réémergence) des maladies vectorielles est étudié par la modélisation mathématique de la dynamique des vecteurs. Nous utilisons les sorties désagrégées des GCMs pour étudier la variabilité des impacts des précipitations, du ruissellement des mares et de l’humidité, sur les processus épidémiologiques. L’étude des impacts implique deux types de développement :

- Désagrégation des sorties du modèle climatique régionalisé (cf. tâche 2) : - Modélisation mathématique de la dynamique vectorielle (cf. tâche 3).

Tâche 2 : Etude des Impacts du Changement Climatique sur la Dynamique Hydrologique

Auteur : M. Gerbaux, LTHE, UMR IRD CNRS, 5564, Institut National Polytechnique de Grenoble

Problématique Afin de prévoir le climat futur, les seuls outils à notre disposition sont les modèles de circulation générale. Les sorties de ces modèles sont disponible à une résolution spatiale de l’ordre de 300km et une résolution temporelle pertinente de la décade au mois. Le développement des moustiques vecteurs se fait quand à lui dans de petites collections d’eau, et l’hydrologie qui y est associée a plutôt une échelle caractéristique de l’hectomètre au kilomètre. Par ailleurs, les phénomènes précipitants qui vont alimenter ces collections d’eau ont des durées de vie courtes en un même point, et sont caractérisés par une grande variabilité spatiale. Les questions qui se posent à nous sont donc :

• comment faire le lien entre un modèle de climat à grande échelle et la pluie à petite échelle qui va alimenter un modèle hydrologique ?

• Quel est l’impact de la variabilité spatio-temporelle des précipitations (sur l’hydrologie de surface et la production de moustique), et comment cet impact peut évoluer dans le futur ?

• Quels modèles hydrologiques peut-on utiliser en fonction du jeu de données disponible et des résultats attendus ?

Matériels et Méthodes Au Sahel, les pluies sont concentrées sur une seule saison, appelée mousson, et contrôlée essentiellement par un système convectif très étendu se déplaçant d’Est en Ouest [Mathon and Laurent, 2001]. La plupart des pluies ont une origine convective. Ces évènements convectifs ont une durée de vie de quelques heures en un point donné [Lebel et al., 1998], [Guillot and Lebel, 1999]. Même durant la mousson, les pluies ne tombent pas tous les jours, la fréquence des jours de pluies décroissant du Sud au Nord.

Pour générer une série temporelle de champs de pluies, nous avons tout d’abord à générer le nombre de jours de pluies, puis pour ces jours de pluies, nous avons à spatialiser la pluie. La fonction stochastique de pluie P(x,y, t) en un point (x,y) au temps t est donné par,

P(x,y, t) = g(x,y)×r(t) , (1)

où r(t) est une variable aléatoire à deux états indiquant si au temps t nous avons un jour de pluie (r(t) = 1), ou pas de jour de pluie (r(t) = 0),

32

|

et g(x,y) étant la distribution aléatoire spatial de la pluies.

Données • Climat : sorties du MCG Arpège, et sorties régionalisées de MM5

• Données météo locales : rien

• Données météo sur le Sahel : base AMMA

• Données hydrologiques : Rien, excepté quelques mesures de hauteur de mares réalisées dans le cadre des projets S2E.Emercase, puis ACCIES.

Désagrégation temporelle de la pluie La désagrégation du climat, pour passer de l’échelle synoptique à celle d’un petit bassin versant (1km) a été surtout travaillée de manière statistique. Je me suis particulièrement intéressé aux précipitations, et j’ai ainsi pu construire un générateur spatio-temporel de pluies, permettant de générer des champs de pluies journalier sur des périodes aussi longues que souhaitées. La génération temporelle s’appuie sur un processus markovien non stationnaire durant l’année (la probabilité qu’il pleuve est plus importante durant la saison des pluies...), qui permet ainsi de prendre en compte la persistance des précipitations d’un jour à l’autre.

Distribution spatiale de la pluie Une fois déterminés à chaque station, les paramètres statistiques la décrivant, la pluie a été spatialisée sur l’ensemble du Sahel, ce qui nous permet de générer en n’importe quel point des séries spatio-temporelles de pluie. La spatialisation des précipitations est réalisée à partir de la fonction de structure observée sur le Sahel par [Ali et al., 2003], en reprenant la technique proposée par [Guillot & Lebel, 1999] pour anamorphoser un champ gaussien (plus facile à générer) en un champ ayant la distribution réellement observée des précipitations (distribution gamma ou Weibull). Ce modèle permet de très bien reproduire la variabilité intra et inter annuelle.

Les paramètres statistiques de ce modèle sont déduit de la climatologie des pluies, elle même réalisée à partir de la base BADOPLU qui regroupe des observations journalières de pluie sur les dernières décennies pour différentes stations de l’Afrique de l’Ouest. L’intérêt de cette approche statistique est de pouvoir exploiter les prévisions de changement climatique sur les précipitations réalisées, en se basant sur les travaux de LeBarbe et al. (1997). Ces derniers ont constaté que lors du changement climatique observé sur le Sahel sur la période 1950-1995, seul le nombre d’événement pluvieux variait durant la saison des pluies, mais pas les caractéristiques des ces événements (hauteur moyenne de pluie, etc...). Dans un contexte de climat changeant, cela se traduit dans notre modèle par un simple ajustement des probabilités de transition de la chaîne de Markov.

Modèle de Ruissellement Les processus de ruissellement ont été simulés avec un modèle conceptuel de type SCS (1956, 1964, 1971, 1985, 1993), utilisable sur le Sahel selon les travaux de Massuel (2005) ou Vischel & Lebel (2007). Pour travailler à l’échelle de l’Afrique de l’ouest, nous avons du reconstruire une base de données des types de sols en mixant une base de données d’utilisation des sols (GLC2000) et une de nature géologique des sols (FAO2000). Les Modèles Numériques de Terrain disponibles sur la zone ont été diagnostiqués en vue de caractériser les bassins versants, et se sont révélés inutilisable dans ces régions très plates (le bruit du modèle de terrain est supérieur au relief). À l’échelle locale, sur les zones que nous devions étudier, le manque de données nous a contraint à garder le modèle conceptuel de ruissellement plutôt qu’un modèle à base physique, ainsi qu’à travailler plutôt sur l’aspect sensibilité des résultats.

33

|

Résultats

Pour caractériser le changement climatique, nous avons appliqué la méthode de perturbation à la moyenne annuelle de la pluviométrie. Les changements observés sur la pluviométrie annuelle entre les périodes 1961-1990 and 2081-2100 à partir des sorties d’Arpège sont tracés sur la Figure 1. La pluviométrie moyenne augmente sur l’ensemble de la zone d’étude, à l’exception d’une bande le long de la façade atlantique. L’accroissement est d’environs 10%, à l’exception de quelques cellules localisées, pour lesquelles nous enregistrons une forte croissance relative (60%), associée à de petites valeurs de pluviométrie pour la période de référence.

0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5

0.9 1.0 1.1 1.2 1.3 1.4

Figure 1 : Différences entre les périodes 1961-1990 et 2081-2100 en Afrique de l’Ouest. (a) Haut-Gauche : Précipitations moyennes calculées par Arpège ; (b) Haut-Droite Précipitations moyennes après désagrégation par

MM5 (45 kms) ; (c) Bas-Gauche : Précipitations moyennes après désagrégation statistique (1 km) ; (d) Bas-Droite : Ruissellement calculées modèle SCS.

L’accroissement de la pluviométrie enregistré par Arpège, que l’on retrouve dans les sorties de MM5, se traduit par un accroissement du ruissellement tant en niveau qu’en évènements (Figure 1). Le niveau de ruissellement augmente de 50% dans l’ensemble du Sahel. Il est lié à l’augmentation du nombre d’épisodes de ruissellement. L’accroissement est plus important à proximité de la façade atlantique, précisément là où Arpège simule les croissances de pluviométrie les plus importantes. Cependant le caractère non-linéaire de la relation pluviométrie-ruissellement apparaît sur ces cartes [Peugeot et al., 1997]. Le signal de changement de pluviométrie est amplifié dans le signal de changement de ruissellement : une augmentation de 10% de la pluviométrie moyenne entraine une augmentation de 50% du niveau ruissellement, et du nombre d’épisodes de ruissellement.

Cas du Ferlo. Nous avons également étudié les impacts du CC à l’échelle d’une région, le Ferlo, dans le Nord du Sénégal. Le Climat y est Sahélien avec une saison des pluies de Juillet à Octobre. La pluviométrie annuelle sur la période 1957-2000 à Barkédji (14,87 W, 15,28 N) est de 435 mm. Il y a forte variabilité interannuelle (Figure 2), avec une tendance à la décroissance sur l’ensemble de la période. Les paramètres déduits de la chronique des observations de pluies sont : non-zero rainfall average = 16.75mm et non-zero rainfall variance = 254mm2.

Sur cette zone d’étude, comme sur la majeure partie du Sahel, l’hydrologie est caractérisée par l’endoréisme. Ce qui signifie que les basins versants sont fermés par des lignes de partage des eaux qui n’autorisent aucun échange avec des réservoirs extérieurs comme des rivières ou des mers. Les régions sahéliennes sont composées de petits captages (allant typiquement de quelques ha à 10 ou 20 Km2). Cette situation, est principalement due à l’envasement des lits des rivières, qui empêche le drainage des eaux de ruissellements à partir des zones de captage. Durant un épisode de pluie, si l’intensité de la pluie est très élevée, l’eau peut ruisseler vers une zone basse, d’où elle peut s’infiltrer ou s’accumuler dans une mare. Ces mares sont temporaires, et se vident plus ou moins rapidement par évaporation ou par infiltration [Desconnets et al., 1997].

34

|

Figure 2 : Pluviométrie annuelle à Barkedji sur la période 1947-2000.

La ligne noire donne la tendance pour la période.

La modélisation proposée, nous permet d’étudier l'impact du CC sur la pluviométrie dans la région de Barkédji (Figure 3). Les jours pluvieux sont modélisés par une chaîne de Markov et les intensités par une loi de Weibull. Le changement climatique est déduit du GCM Arpège (Scenario A1B), en utilisant une méthode par anomalie sur les paramètres statistiques qui décrivent la pluie. Nous supposons que les changements affecteront seulement la fréquence des pluies, pas leur intensité. Le ruissellement est simulé grâce au modèle conceptuel de type SCS. À partir de ces simulations Arpège, le ruissellement devrait augmenter sur le XXIème siècle, en terme de lame d'eau ruisselée et de nombre d'évènements ruisselants. Les changements d'évaporation ou d'usage des sols ne sont pas pris en compte. L'impact de ce changement climatique potentiel sur le ruissellement est du même ordre de grandeur que l'impact du changement potentiel de l'utilisation des sols.

Figure 3 : (a) [Gauche] : Exemple de champs de pluies (mm), généré aléatoirement. La région présentée, d’une surface de 25kms sur 25kms, est centrée sur le village de Barkédji (Sénégal). On identifie les zones

d’intermittence (en blanc sur la carte). (b) [Droite] : Exemple de champs de ruissellement. L’impact de l’humidité des sols sur le ruissellement peut être analysé. Une même intensité de pluie peut donner des niveaux

de ruissellement différents.

Discussion et Conclusions Le générateur statistique de pluie a aussi permis de tester l’impact de la variabilité spatiale des précipitations sur la production de moustique. Sur une période donnée, on peut ainsi alimenter en eau (via le modèle hydrologique)

35

|

un ensemble de mares distribuées sur un territoire. Au niveau du ruissellement, l’impact futur du changement climatique est comparé aux impacts anthropiques, tels que le changement d’utilisation des sols (culture, déforestation...). Ce travail a été réalisé sur l’ensemble du Sahel. L’impact anthropique potentiel se révèle être aussi important que l’impact climatique déduit du modèle arpège (diminution des précipitations d’environ 10%), ce qui incite à considérer impérativement les activités humaines dans les études d’impact hydrologique dans cette région pour le futur. Pour poursuivre plus en avant ce travail, il est nécessaire de travailler sur des sites bien instrumentés au niveau météorologique et hydrologique.

Valorisation Gerbaux, M.Hall, N.M.J. Dessay N. and I. Zin Gerbaux. The sensitivity of Sahelian runoff to climate change. Hydrological Sciences Journal, 2009. in press.

Références Ali, A., T. Lebel, & A. Amani (2003), Invariance in the spatial structure of Sahelian rain fields at climatological scales, Journal

of Hydrometeorology, 4(6), 996–1011, 29.

Balme, M. Vischel, T. Lebel, T. Peugeot, C. and S. Galle. Assessing the water balance in the sahel: Impact of small scale rainfall variability on runoff - part 1: Rainfall variability analysis. Journal of Hydrology, 331(1-2):336–348, 2006.

Cappelaere, B. Vieux, B. E. Peugeot, C. Maia, A. and L. Seguis. Hydrologic process simulation of a semiarid, endoreic catchment in sahelian west niger. 2. model calibration and uncertainty characterization. Journal of Hydrology, 279(1-4):244–261, 2003.

Desconnets, J. C., J. D. Taupin, T. Lebel, & C. Leduc (1997), Hydrology of the HAPEX-Sahel central super-site: Surface water drainage and aquifer recharge through the pool systems, Journal of Hydrology, 189(1-4), 155–178, 23.

Guillot, G., & T. Lebel (1999), Approximation of Sahelian rainfall fields with meta-Gaussian random functions - Part 2: parameter estimation and comparison to data, Stochastic Environmental Research and Risk Assessment, 13(1-2), 113–130, 16.

Guillot. G. Approximation of sahelian rainfall fields with meta-gaussian random functions - part 1: model definition and methodology. Stochastic Environmental Research and Risk Assessment, 13(1-2):100–112, 1999.

Guillot G. and T. Lebel. Disaggregation of sahelian mesoscale convective system rain fields: Further developments and validation. Journal of Geophysical Research- Atmospheres, 104(D24):31533–31551, 1999b.

LeBarbe, L., T. Lebel, & Xa (1997), Rainfall climatology of the HAPEX-Sahel region during the years 1950-1990, Journal of Hydrology, 189(1-4), 43–73, 30.

Lebel, T. Braud, I. and J. D. Creutin. A space-time rainfall disaggregation model adapted to sahelian mesoscale convective complexes. Water Resources Research, 34(7):1711–1726, 1998. 55.

Mantoglou A. and J. L. Wilson. The turning bands method for simulation of randomfields using line generation by a spectral method. Water Resources Research, 18(5): 1379–1394, 1982.

Mathon V. and H. Laurent. Life cycle of sahelian mesoscale convective cloud systems. Quarterly Journal of the Royal Meteorological Society, 127(572):377–406, 2001.

Massuel, S. (2005), Evolution récente de la ressource en eau consécutive aux changements climatiques et environnementaux du sud-ouest Niger. Modélisation des eaux de surface et souterraines du bassin du kori de Dantiandou sur la période 1992-2003, Thèse de doctorat, Université de Montpellier II.

36

|

Peugeot, C. Esteves, M. Galle, S. Rajot, J. L. and J. P. Vandervaere. Runoff generation processes: Results and analysis of field data collected at the east central supersite of the hapex-sahel experiment. Journal of Hydrology, 189(1-4):179–202, 1997

Peugeot, C. Cappelaere, B. Vieux, B. E. Seguis, L. Sand A. Maia. Hydrologic process simulation of a semiarid, endoreic catchment in sahelian west niger. 1. model-aided data analysis and screening. Journal of Hydrology, 279(1-4):224–243, 2003.

Porphyre, T., D. J. Bicout, & P. Sabatier (2005), Modelling the abundance of mosquito vectors versus flooding dynamics, Ecological Modelling, 183(2-3), 173–181.

SCS (1956, 1964, 1971, 1985, 1993), SCS method, Hydrology - National Engineering Handbook, Supplement A, Section 4, Chapter 10.

Vischel, T., & T. Lebel (2007), Assessing the water balance in the Sahel: Impact of small scale rainfall variability on runoff. Part 2: Idealized modeling of runoff sensitivity, Journal of Hydrology, 333(2-4), 340–355.

37

|

Tâche 3 : Etude des Impacts du Changement Climatique sur la Dynamique Vectorielle Auteur : D. Bicout & P. Sabatier, EPSP, TIMC-IMAG, UMR CNRS 5525, Université Joseph Fourier-Ecole Vétérinaire de Lyon

Problématique Le Changement Climatique a des impacts directs sur la dynamique des vecteurs des maladies infectieuses. Un accroissement de la température permet ainsi : (i) un allongement de la longévité des vecteurs, lors d’augmentation parallèle de l’humidité; une augmentation de la sécheresse diminuant la longévité ; (ii) un raccourcissement du cycle de développement du vecteur, et à augmentation du nombre annuel de générations ce qui conduite à une croissance de la population [Reisen, 1995]; (iii) une diminution du temps de digestion, conduisant à une augmentation de la fréquence des repas et à une progression des taux de contact vecteurs/hôtes [Reisen et al, 1995 ; Mitchell, 1898]. Ces évolutions conduisent toutes à une augmentation de la capacité vectorielle, à une intensification de la transmission, mais aussi à une évolution génétique des populations, et le cas échéant, à l’émergence de résistances aux insecticides.

Par ailleurs, le CC a aussi des impacts sur la géographie des habitats, notamment aquatiques, qui contrôlent indirectement les populations vectrices. L’augmentation de la pluviométrie génère mécaniquement une croissance de la taille, du nombre et de la durée de vie des gîtes larvaires aquatiques, ce qui favorise la transmission du paludisme par: (i) par l’augmentation de la taille et de la durée de vie des populations vectrices [Hardy et al., 1990]; (ii) et la diminution du temps de déplacement nécessaire à la localisation des sites de reproduction et (cycle gonotrophique) [Gu et al., 2005, 2006]. Ces évolutions conduisent également à une intensification des contacts vecteurs/hôtes. Bien que déterminants, les impacts indirects du CC sont beaucoup moins bien documentés [Schaman et al., 2002]. Pour les modéliser nous sommes partis des résultats d’un premier travail réalisé dans le cadre du projet S2E.Emercase portant sur le forçage climatique et hydrologique du cycle épidémiologique de la Fièvre de la Vallée du Rift [Bicout et al., 2002 ; Bicout et Sabatier, 2003 ; Porphyre et al., 2005 ; Ndiaye et al. 2006 ; Ndione et al., 2003, 2005, 2009 ; Lacaux et al. 2007 ; Tourre et al. 2007, 2008 ; Vignolles et al., 2009 ; Diallo et al. 2003 ; Ba et al. 2005; Mondet et al. 2005 ; Chevallier et al. 2004, 2005].

L’objectif de la tâche 3 du programme ACCIES, vise à généraliser ce modèle : (1) en introduisant une dynamique hydrologique spatialisée à l’échelle régionale, et (2) en étendant la dynamique vectorielle à l’épidémiologie du paludisme. Ce modèle permettra d’étudier l’impact de la variabilité spatio-temporelle des signaux climatiques, et d’identifier les valeurs critiques des paramètres qui contrôlent les épidémies: (a) pas d’infection, c'est-à-dire pas de cas secondaires consécutifs à l’introduction d’un cas importé; (b) infection périodique, avec alternance de périodes épidémiques et endémiques ; (c) infections pérennes. Les entrées climatiques d’intérêt pour cette modélisation, à l’échelle du degré carré et la fréquence du jour, sont : la pluviométrie, la température et l’humidité.

Matériel et méthodes Une modélisation hydrologiques des mares sahéliennes ont été réalisée dans le cadre du projet Hapex Sahel, sur le degré carré de Niamey [Séguis et al., 2003 ; Peugeot et al., 2003 ; Cappelaere et al., 2003]. Cependant, le modèle construit autour d’une représentation explicite des processus (infiltration, ruissellement), requière des entrées de pluie à des pas de temps de l’ordre de 5 minutes. Une mauvaise représentation de la distribution des pluies journalières simulées peut donc conduire à des biais très importants dans le calcul des bilans d’eau continentaux. Partant de ces travaux, nous devions reprendre et affiner le calcul du forçage des modèles

38

|

hydrologiques par les champs pluviométriques désagrégés à la résolution de 1km x 1 km et à l’échelle de la journée. Malheureusement ce travail n’a pas pu être réalisé dans le cadre de la tâche 2 pour des raisons internes au Lthe.

Nous avons donc repris le modèle que nous avions développé dans le cadre du projet S2E.Emercase [Porphyre et al., 2005], en considérant les champs de pluies désagrégés et les ruissellements calculés à l’étape précédente (tâche 2). Nous avons ensuite utilisé des mesures réalisées sur un nombre limité de sites d’enquêtes (Sénégal) pour classer et quantifier les profils des habitats aquatiques des vecteurs (paramètres de contrôle du modèle d’impact de la dynamique vectorielle). Puis le recours à l’imagerie satellite nous a permis de détecter et de caractériser les profils des différents habitats aquatiques à l’échelle locale. Le ruissellement, le remplissage et la vidange des habitats aquatiques ont été simulés pour chaque mare, ainsi que la production de vecteurs ont ensuite été simulés. La méthode suivie est décrite dans le schéma suivant (Figure 1).

Figure 1 : Diagramme de la tâche 3.

La tâche 3 comporte ainsi trois actions : (i) modélisation de la dynamique hydrologique des habitats des vecteurs à l’échelle locale ; (ii) quantification des paramètres de contrôle quelques mares canoniques et cartographie d’un ensemble d’habitats aquatiques par télédétection ; (iii) évaluation des impacts des champs de pluies sur la dynamique spatio-temporelle des habitats aquatiques.

Action 1. Modélisation de la dynamique hydrologique des habitats des vecteurs

Les habitats aquatiques des vecteurs sont formés : d’une partie colmatée, de hauteur hc, située au bas de l’habitat, et une partie non-colmatée située en haut (Figure 2). Le colmatage est du à l’accumulation de limon argileux associé à l’érosion par la pluie le ruissellement et le vent [Martin-Rosales and Leduc, 2003]. Trois processus clés interviennent dans la dynamique des habitats aquatiques : (i) les entrées d’eau associées aux évènements pluvieux et au ruissellement ;(ii) les infiltrations d’eau dans le sol ; et (iii) l’évaporation dans l’atmosphère. Les entrées d’eau sont contrôlées par le climat et le système hydrologique local ; les infiltrations dépendent de la structure des sols ; et l’évaporation dépend des conditions atmosphériques. L’infiltration d’eau est rapide et dépendante de la charge en eau, dans la partie non colmatée, alors qu’elle est lente et quasiment constante dans la partie colmatée [Desconnets et al., 1997].

Figure 2 : Profil des habitats aquatiques.

39

|

Si nous considérons un habitat aquatique contenant un volume V d’eau au temps t :

où h est le niveau de remplissage de l’habitat aquatique, A(h) la surface d’eau libre à la hauteur h. La dynamique du pool d’eau est décrite par l’équation suivante :

(1) qui peut aussi s’écrire comme suit:

(2) où le premier terme à droite, représente la lente décharge due à l’évaporation résiduelle (i.e., évaporation plus infiltration dans la partie colmatée), Se(h) étant la surface d’eau libre à la hauteur h.

Le second terme à droite, représente l’infiltration rapide dans la partie non-colmatée avec un taux d’infiltration κ(h) = k quand h > hc, et κ(h) = 0 dans le cas contraire, hc étant la hauteur de colmatage et Sw(h) la surface de sol humide en contact avec le pool d’eau.

Enfin, le dernier terme représente le volume total d’entrée d’eau. L’équation (11) est résolue avec la condition initiale, h(t =t) = h0 ≥0, pour obtenir h(t).

Dans la suite des calculs, nous supposons que dans la zone sahélienne, les habitats ont une forme conique de pente tan θ. Pour de telles structures, les surfaces d’eau libre et de sol humide sont fonction du niveau de remplissage des mares.

(3) La bathymétrie des mares est modélisée par un cône dont la pente est de 1%. Cette valeur est faible, mais cohérente avec les mesures effectuées sur la zone d’étude [Diop, 2004]. Par ailleurs, nous considérons, que la surface contribuant au remplissage des habitats aquatiques par ruissellement des eaux de pluies est de 0.05 km2. Cette valeur est cohérente également avec les mesures terrains [Diop, 2004]. Les mesures limnimétriques permettent d’estimer la vitesse de vidange des habitats, intégrant à la fois infiltration et évaporation, à 2 cm par jour. Au total le modèle hydrologique des habitats aquatiques, considère trois paramètres de contrôle : le niveau de colmatage ; la perméabilité des surfaces colmatées et non colmatées [Porphyre, 2005]. Les apports d’eau de la nappe d’eau souterraine (endoréique), située à 50m de profondeur, peuvent, en effet, être négligés (absence de feed-back).

Action 2. Quantification des paramètres de quelques mares canoniques, et cartographie d’un ensemble d’habitats aquatiques par télédétection

Comme nous l’avons vu précédemment, la dynamique hydrologique des habitats aquatiques est décrite par une

fonction V(h) (ou sa fonction inverse H(V) : H(V(h))=h ∀h) : (4). Définition des paramètres caractéristiques Il est possible de caractériser l’hydrologie de gîtes aquatique en associant leurs surfaces en eau libre et leurs profondeurs (Figure 3). Pour cela, nous utilisons les mesures réalisées sur quelques habitats aquatiques caractéristiques de la zone d’étude, Furdu, Ngao Gaoudi, Niaka, Yaralopé and Loumbel Lana [Diop, 2004]. Cette étude, nous permet d’approximer la fonction A(h) : (i) par une loi de puissance ; lorsque h <

Ho ; et lorsque h ≥ Ho. ν étant voisin de 2. Nous pouvons remarquer que si l’habitat aquatique est circulaire, de rayon r, la relation devient . Soit pour h proche de 0, , ν=2 donne une

pente proche des observations de terrain.

40

|

Figure 3: Estimation de A(h) àpartir de measures de trerrain réalisées

sur cinq sites de la région de Barkédji (Sénégal) V(h) peut alors s’écrire :

; avec (5)

Nous pouvons caractériser les habitats aquatiques de la zone d’étude, à partir des paramètres caractéristiques suivants : Ho, Ao, Hmax et α correspondants aux valeurs de A(h) observées. Fit des paramètres caractéristiques des mares canoniques Nous avons pris en compte pour chaque courbe A(h), deux formes distinctes : une forme linéaire ; et une forme exponentielle.

Avec la première forme, en considérant que : nous dérivons la valeur de de la pente de la régression linéaire entre A(h) et h2 (avec interception à l’origine égal à 0). Avec la seconde forme, en considérant que nous dérivons les valeurs de α et de

de la pente et de l’intersection à l’origine de la régression linéaire entre A(h) et h. Ho est estimé en considérant que c’est le point pour lequel les deux fonctions de régressions sont égales. Et Hmax est calculé en considérant que A(Hmax) est égal à la valeur de la surface extraite des images satellites. En effet, nous considérons qu’il correspond à la hauteur d’eau des habitats à leur maximum de remplissage. Les valeurs obtenues, dans l’exemple traité, sont réunies dans le table 1. L’objectif de l’étape suivante du calcul est de fitter les paramètres de l’ensemble des habitats aquatiques détectés sur l’image satellite, en ne connaissant, cette fois, que leur périmètre.

Table 1 : Valeurs estimées des paramètres des mares canoniques

Fit des paramètres caractéristiques de l’ensemble des habitats aquatiques Nous ne disposons pour ce calcul que des valeurs estimés des paramètres caractéristiques pour chacune des mares canoniques, et des valeurs de p et de α pour l’ensemble des habitats aquatiques détectés sur l’image satellite. Cependant, nous ne connaissons pas la relation entre Ao et (p,s) ni la relation entre α et (p, s).

Nous avons choisi d’utiliser la fonction pour fitter les valeurs des paramètres : α, Ho et Ao. Cette fonction, permet d’observer la croissance et la décroissance des valeurs des paramètres caractéristiques en

41

|

fonction de p, mais elle n’a aucune signification physique. Les valeurs c1 et c2 présentées dans la table 2 sont issues de la régression non linéaire utilisée.

Table 2 : Fit non linéaire entre les valeurs des paramètres α, Ho et Ao et le périmètre p des habitats aquatiques du site d’étude

Classification des habitats larvaires en fonction de leur résistance à la sécheresse Si la disponibilité en eau est une condition nécessaire au développement des vecteurs, elle n’est pas une condition suffisante. La variabilité du niveau d’eau et la fréquence des assèchements modifient les équilibres biologiques des habitats, et peuvent altérer pour un volume donné la production de vecteurs d’un habitat. Nous avons défini une Zone de Comportement Identique (IBA : Identical Behaviour Area), qui permet d’identifier un habitat dont la production est corrélé à la pluviométrie. Pour estimer la variation de la production de vecteurs nous mesurons quelques indices : tflood : le nombre de jours durant lesquels les habitats aquatiques sont remplies ; ηannul : le nombre de fois que le niveau des habitats aquatiques atteint le niveau 0 ; τflood = τflood /ηannul : le nombre de remplissages consécutifs. τflood peut être vu comme le temps de survie du remplissage d’un habitat aquatique.

Action 3. Impact des pluies sur la dynamique spatio-temporelle des habitats aquatiques

Le modèle utilisé pour réaliser ce calcul a été développé dans le cadre du projet S2E.Emercase [Porphyre, 2005]. La dynamique d’émergence des populations de moustiques est forcée sous maille par la dynamique des mares (remplissage/vidange). Dans cette approche, les relations entre le vecteur et son environnement sont décrites par le potentiel σ(t, T) et la susceptibilité χ(t, T) de production vectorielle de l’habitat. Ces fonctions sont calculées à partir des paramètres expérimentaux de vidange des mares et ensuite utilisées dans l’estimation, au niveau local, de l’abondance vectorielle (Table 3). L’estimation des paramètres d’entrée de validation du modèle sont issues de campagnes de mesures réalisées sur plusieurs mares du Ferlo entre 2000 et 2003 (Sénégal).

Table 3 : Paramètres impliqués dans la dynamique vectorielle

1t α( T)α α( T)

0 1 1 1T

αM σχ( ,T) ( T)

( ) M σ χ( ,T) ( T)tt t

dM t M tdt

M t e e dt e t M t−− − −

= − + −

= + −∫

(6)

(7)

42

|

La capacité de production des vecteurs est donnée par :

.

Et la probabilité d’émergence de vecteurs par :

Avec : T : durée de la phase maturation – transformation ; β : probabilité d’émergence / u. temps λ : nombre d’œufs pondus / femelles / u. temps ; Φ(T) : survie des œufs pondus jusqu’à l’émergence Sm : surface caractéristique des gîtes de ponte ; S(t – T) : surface de ponte ; S(t|t – T) : surface effective d’émergence.

Lorsque les habitats aquatiques sont des collections d’eau, la surface en eau suit une loi de puissance de type S hν où ν est un exposant géométrique qui caractérise la pente du site et son adaptation à l’oviposition des espèces de moustiques concernés. Il s’en suit que la fonction de susceptibilité χ(t, T ) devient:

où H est le niveau d’eau maximum du réservoir d’eau. Pour une forme parabolique, les exposants géométriques des sites d’oviposition sont, par exemple, pour : Aedes : ν = 1/2 and Culex : ν = 1. (11) et h(t|t −T) définit le contrôle de l’émergence des imagos associé à la variation du niveau d’eau du site d’oviposition : h(t|t − T ) = min[h(t), h(t − T )], pour les Aedes h(t|t − T ) = min[h(t)], pour les Culex pour : t − T ≤ t ≤ t (11) La définition de h(t|t − T ) prend en compte la bio-ecologie des vecteurs et en particulier l’impact prévisible de la dynamique hydrologique. Ainsi, les œufs d’Aedes résistent à l’assèchement de leur habitat aquatique, ce qui n’est pas le cas des œufs de Culex.

Résultats La chaîne de calcul mise en place nous a permis de simuler les impacts hydrologiques et entomologiques à l’échelle locale, sur un site d’observation couvrant une surface de 1600 km2, à proximité du village de Barkedji (15◦16′46′′N, 14◦52′05′′W), dans le Ferlo, au Nord du Sénégal. Les images satellites utilisées ont été acquises par le Consortium ACCIES dans le cadre de la banque d’image ISIS, financée par le CNES. Elles ont été traitées par Medias-France, qui en a extrait une cartographie des habitats aquatiques. Nous avons développés un programme permettant d’extraire pour chacune des mares : sa forme pixélisée ; sa surface et son périmètre. La cartographie présentée ci-dessous a été réalisée à partir de l’image prise le 26 Août 2003 à la suite d’une période de pluies intenses, ce qui nous permet d’identifier l’ensemble des mares remplies (Figure 4).

La Figure 5, montre des résultats obtenus pour trois types différents d’habitats aquatiques (trois des cinq mares canoniques). Ces résultats portent sur le calcul de l’évolution des surfaces en eau durant une année (à droite). La situation des trois mares à trois dates différentes est présentée (à gauche).

mσ=βλS (T)Φ

2

( T) ( T)χ( ,T)

m

S t t S tt

S− −

=

(8)

(9)

(10)

(10)

43

|

Figure 4 : Données obtenues à partir d’images satellites

Figure 5 : Impact d’une séquence de pluie désagrégée sur trois mares de la région de Barkédji.

44

|

Figure 6 : Impact d’une séquence de pluie désagrégée sur trois index de résistance à la sécheresse [Haut-Gauche] : localisation des mares en eau. [Haut-Droite] : clusters de mares ayant une courte durée de survie (τflood ≤ 7 jours). [Bas-Gauche] : clusters de mares ayant une moyenne durée de survie (τflood =

[8,28] jours). [Bas-Droite] : clusters de mares ayant une longue durée de survie (τflood ≥ 29 jours).

Figure 7: Exemple d’impacts de la pluviométrie sur l’hydrologie et l’entomologie de deux habitats aquatiques, durant la saison des pluies.

Pond #1 possède une partie non colmatée, alors que Pond #2 qui est entièrement colmatée. [Droite] : Variation du niveau d’eau des habitats aquatiques en fonction de la pluviométrie.

[Gauche]: Variation de la production de vecteurs (Aedes and Culex) en fonction de la pluviométrie.

45

|

La Figure 6, montre une cartographie des clusters d’habitats aquatiques ayant des dynamiques similaires. Nous avons classé les mares selon τflood , leur temps moyen de remplissage qui peut être court (τflood ≤ 7 jours), moyen (τflood = [8,28] jours) ou long (τflood ≥ 29 jours ).

La Figure 7, montre une simulation de l’impact d’une séquence pluviométrique sur deux habitats aquatiques différents : Pond #1 et Pond#2, qui correspondent à deux des cinq sites canoniques étudiés. Nous avons utilisés les sorties désagrégées de l’action 2, pour calculer numériquement la hauteur h(t) des mares et leur susceptibilité χ(t, T ). Nous pouvons mesurer l’impact différentié de la pluviométrie sur la production de deux moustiques d’espèces vectrices différentes ( Aedes et Culex).

La Figure 8, montre l’existence d’une relation entre la taille des mares et les trois indices de résistance à la sécheresse (tflood : le nombre de jours durant lesquels les habitats aquatiques sont remplies ; ηannul : le nombre de fois que le niveau des habitats aquatiques atteint le niveau 0 ; τflood = τflood /ηannul : le nombre de remplissages consécutifs.). Cependant, ces résultats montrent une importante variabilité.

Figure 8 : Indices de résistance des mares à la sécheresse.

Les lignes rouges séparent en trois tiers les petites, moyennes et grandes mares.

Conclusion

Nous avons ainsi bouclé une chaîne de calculs permettant d’évaluer l’impact du CC sur les habitats aquatiques des moustiques et in fine sur la production de vecteurs. La production de moustiques est très sensible à de petites fluctuations de la pluviométrie, du fait du caractère hautement non linéaire des processus bio-écologiques qui sont impliqués : pluviométrie locale, ruissellements, dynamique des habitas aquatiques, cycles de reproductions des moustiques. Du fait de la grande variabilité spatiale de la pluie dans les régions sahéliennes et de la rareté des stations météorologiques, il est très difficile de dégager des relations statistiques entre la pluviométrie mesurée et la production de moustiques. Seule le développement de modèles mécanistes permet de faire le lien entre les paramètres climatiques et la transmission des maladies vectorielles. Il conviendrait, toutefois, pour valider ces modèles, et déterminer leurs barres d’erreur, d’intensifier les mesures de terrain.

46

|

Valorisation Gerbaux M. et D. J. Bicout. Impact of rainfall spatial variability on mosquito production in Sahel. Consequences on monitoring strategy. Submitted.

Vautrin M. et D.J. Bicout. Dynamics of mosquito habitats versus rainfall: study in Barkedji, Senegal. To submit.

Références Ba Y, Diallo D, Kebe CMF, Dia I, Diallo M: Aspects of bioecology of two Rift Valley Fever virus vectors in Senegal (West Africa): Aedes vexans and Culex poicilipes (Diptera: Culicidae). Journal of Medical Entomology 2005, 42(5):739–750.

Bicout, D. J., K. Chalvet-Monfray and P. Sabatier (2002). "Infection Persistence Time of Aedes Breeding Habitats." Physica A 305: 597-603.

Bicout, D. J. and P. Sabatier (2004). "Mapping Rift Valley Fever vectors and prevalence pattern using rainfall variations." Vector Borne Zoonotic Diseases 4(1): 33-42.

Cappelaere, B. Vieux, B. E. Peugeot, C. Maia, A. and L. Seguis. Hydrologic process simulation of a semiarid, endoreic catchment in sahelian west niger. 2. model calibration and uncertainty characterization. Journal of Hydrology, 279(1-4):244–261, 2003.

Chevalier V, Lancelot R, Thiongane Y, Sall B, Diait´e A, Mondet B: Rift Valley Fever in small ruminants, Senegal, 2003. Emerging Infectious Diseases 2005, 11(11):1693–1700.

Chevalier V, Mondet B, Diait´e A, Lancelot R, Fall AG, Pon¸con N: Exposure of sheep to mosquito bites: possible consequences for the transmission risk of Rift Valley Fever in Senegal. Medical and Veterinary Entomology 2004, 18:247–255.

Clements, A. C. A. Pfeiffer, D. U. Martin, Pittliglio, V. Best, C. N. and Thiongane, Y. Spatial risk assessment of Rift Valley fever in Senegal. Vector-Borne and Zoonotic Diseases, 7(2):203–216, 2007.

Desconnets, J. C. Taupin, J. D. Lebel, T. and C. Leduc. Hydrology of the hapex-sahel central super-site: Surface water drainage and aquifer recharge through the pool systems. Journal of Hydrology, 189(1-4):155–178, 1997.

Diallo M, Ba Y, Sall AA, Diop OM, Ndione JA, Mondo M, Girault L, Mathiot C. Amplification of the sylvatic cycle of dengue virus type 2, Senegal, 1999-2000: entomologic findings and epidemiologic considerations. Emerg Infect Dis. 2003 Mar;9(3):362-7

Diop. B. Caractérisation hydrodynamique de quelques mares temporaires de la Région de Barkedji. Mémoire de fin d’étude, ENSA - Thiès, Sénégal, 2004.

Gu W., Novak R.J., 2005. Habitat-based modeling of impacts of mosquito larval interventions on entomological inoculation rates, incidence and prevalence of malaria. Am J Trop Med Hyg 73: 546–552.

Gu, W. Regens, J.L. Beier, J.C. and R.J. Novak. Source reduction of mosquito larval habitats has unexpected consequences on malaria. PNAS. November 14, 2006, vol. 103, no. 46 17560–17563.

Hardy JL, Meyer RP, Presser SB, MilbyMM. Temporal variations in the susceptibility of a semi-isolated population of Culex tarsalis to peroral infection with western equine encephalomyelitis and St. Louis encephalitis viruses. Am J Trop Med Hyg 42:500–511 (1990).

47

|

Lacaux, J. P. Tourre, Y. M. Vignolles, C. Ndione, J. A. and M. Lafaye. Classification of ponds from high-spatial resolution remote sensing: Application to Rift Valley fever epidemics in Senegal. Remote Sensing of Environment, 106(1):66–74, 2007.

Martin-Rosales W. and C. Leduc. Dynamics of emptying of a temporary pond in the Sahel: the case study of banizoumbou (southwestern Niger). Comptes Rendus Geoscience, 335 (5):461–468, 2003.

Massuel. S. Evolution récente de la ressource en eau consécutive aux changements climatiques et environnementaux du sud-ouest Niger. Modélisation des eaux de surface et souterraines du bassin du kori de Dantiandou sur la période 1992-2003. Thèse de doctorat, Université de Montpellier II, 2005.

Mitchell CJ. Occurrence, biology, and physiology of diapause in overwintering mosquitoes. In: The Arboviruses: Epidemiology and Ecology (Monath TP, ed). Boca Raton, FL:CRC Press, 1989;191–217.

Mondet, B. Diaite, A. Ndione, J. A. Fall, A. G. Chevalier, V. Lancelot, R. Ndiaye, M. and N. Poncon. Rainfall patterns and population dynamics of aedes (aedimorphus) vexans arabiensis, patton 1905 (diptera : Culicidae), a potential vector of rift valley fever virus in senegal. Journal of Vector Ecology, 30(1):102–106, 2005.

Ndione J.A., Besancenot J.P., Lacaux J.P. et Sabatier P. - Environnement et épidémiologie de la fièvre de la vallée du Rift (FVR) dans le bassin inférieur du fleuve Sénégal. Environnement Risques et Santé P., 2003, 2 (3), 176-182.

Ndione J.A., Bicout D., Mondet B., Lancelot R., Sabatier P., Lacaux J.-P., Ndiaye M. et Diop C. - Conditions environnementales associées à l'émergence de la fièvre de la vallée du Rift (FVR) dans le delta du fleuve Sénégal en 1987. Environnement, Risques & Santé, 2005, 4 (2), 1005-10.

Ndione, J-A. Lacaux, J-P. Tourre, Y. Vignolles, C. Fontanaz, D.Lafaye M. 2009. Water ponds and sanitary risk in the Ferlo area: Contribution of remote sensing in studying Rift Valley Fever between August 2003 and January 2004. Science et changements planétaires / Sécheresse. Volume 20, Number 1, 153-60, janvier-février-mars 2009.

Ndiaye, P. I., D. J. Bicout, B. Mondet and P. Sabatier (2006). "Rainfall Triggered Dynamics of Aedes mosquito Aggressiveness." Journal of Theoretical Biology 243: 222-229.

Omer SM, Cloudsley-Thompson JL. Survival of femaleAnopheles gambiae Giles through a 9-month dry season in Sudan. Bull WHO 42:319–330 (1970).

Peugeot, C. Cappelaere, B. Vieux, B. E. Seguis, L. Sand A. Maia. Hydrologic process simulation of a semiarid, endoreic catchment in sahelian west niger. 1. model-aided data analysis and screening. Journal of Hydrology, 279(1-4):224–243, 2003.

Porphyre, T. Bicout, D. J. and P. Sabatier. Modelling the abundance of mosquito vectors versus flooding dynamics. Ecological Modelling, 183(2-3):173–181, 2005. 18.

Reisen WK, Lothrop HD, Hardy JL. Bionomics of Culex tarsalis (Diptera: Culicidae) in relation to arbovirus transmission in southeastern California. J Med Entomol 32:316–327 (1995).

Reisen WK. Effect of temperature on Culex tarsalis (Diptera: Culicidae) from the Coachella and San Joaquin Valleys of California. J Med Entomol 32:636–645 (1995).

Shaman J, Stieglitz M, Stark C, Le Blancq S, Cane M: Using a Dynamic Hydrology Model to Predict Mosquito Abundances in Flood and Swamp Water. Emerging Infectious Diseases. 2002, 8:6–13.

48

|

Séguis L., Cappelaere B., Milesi G., Peugeot C., Massuel S. Et Favreau G., 2003. Simulated impacts of climate and land-clearing on runoff from a small Sahelian catchment. Hydrological Processes. 18, 3401-3413.

Tourre, Y M, Lacaux, J. 2007. Monitoring the Environment using High-Spatial Resolution Remote Sensing: Contribution to Health Information Systems, Eos Trans. AGU, 88(52), Fall Meet. Suppl.

Tourre, Y.M., Lacaux, J-P., Vignolles, C. Ndione, J-A., et M. Lafaye. Mapping of zones potentially occupied by Aedes vexans and Culex poicilipes mosquitoes, the main vectors of RiftValley fever in Senegal. Geospatial Health 3(1), 2008, pp. 69-79

Vignolles C, Lacaux JP, Tourre YM, Bigeard G, Ndione JA, Lafaye M. Rift Valley fever in a zone potentially occupied by Aedes vexans in Senegal: dynamics and risk mapping. Geospat Health. 2009 May;3(2):211-20.

Partie IV : CONCLUSION ET PERSPECTIVES

49

|

50

|

Conclusion Conformément à la mission, que nous nous étions fixé, au sein du consortium ACCIES, nous nous sommes consacrés à l’étude des problèmes méthodologiques que pose la modélisation des impacts du changement du climat sur l’émergence de maladies vectorielles, en partant des sorties des CGMs. En effet, La résolution des

spatiale processus représentés par les modèles de climat (GCMs) est beaucoup trop grande (∼250km) pour être

utilisées en entrée des modèles d'impacts hydrologiques, et épidémiologiques (∼1 km). Par ailleurs, les champs reproduits par les GCMs sont peu fiables (erreur systématiques plus importantes) aux échelles fines et pour des variables dynamiques qui impliquent une paramétrisation (comme les précipitations). Pour faire le lien entre les champs résolus par les données atmosphériques issues des simulations sur GCMs et les entrées des modèles d’impact, hydrologiques et épidémiologiques, nous avons développé des techniques de désagrégation d'échelle (downscaling).

Les projections climatiques que nous avons utilisées ont été réalisées à partir d’un Modèles de Circulation Générale (MCG) basé sur la version 3 d’ARPEGE-Climat en troncature T63 avec une grille linéaire correspondant à une résolution uniforme d’environ 2,8 degrés. Ce modèle atmosphérique est couplé, au moyen du coupleur OASIS développé par le CERFACS, au modèle d'océan OPA version 8.0 réalisée par le LOCEAN (CNRS/IPSL), et interfacé avec un modèle dynamique de banquise (GELATO) et un modèle de routage des fleuves (TRIP). Les simulations obtenues permettent de définir des scénarios de large échelle qui ont été inclus dans la base de simulation PMIP3 au PCMDI, et sur un serveur DODS local. Les champs biquotidiens des variables atmosphériques en altitude (température, humidité, géopotentiel, vent horizontal, vitesse verticale) sur une quinzaine de niveaux verticaux, et quelques champs en surface, ont été fournis au consortium ACCIES pour la période 1980-1999 de la simulation de référence, et pour la période 2080-2099 du scénario A1B, afin de permettre la réalisation des simulations régionales sur ces deux périodes.

Une première désagrégation du climat, à méso-échelle, a été réalisée par un recours au modèle NCAR/Penn State Mesoscale Model (MM5), cinquième génération d’un modèle qui a été développé dans les années 70. MM5 est un modèle non hydrostatique en coordonnées sigma utilisé pour la simulation ou la prévision de la circulation atmosphérique d'échelle régionale. La simulation portant sur la fin du XXIe siècle, indique de grandes différences entre les deux modèles. Les différences calculées entre la période 2081-2099 et 1981-1999 montrent que dans le cas d'ARPEGE les pluies ont tendance à augmenter sur toute l'Afrique de l'Ouest alors que la situation est plus contrastée pour MM5. En effet, on remarque une augmentation des pluies sur la bande guinéenne et une réduction sur la bande sahélienne. Cette différence entre les champs de pluie obtenus pour la fin du XXIe siècle pose la question des incertitudes liées au changement climatique en Afrique de l'Ouest.

Une seconde désagrégation statistique du climat (surtout de la pluie), a permis de passer de l’échelle synoptique

précédente à celle d’un petit bassin versant (∼1km). La modélisation temporelle de la pluie s’appuie sur un processus markovien non stationnaire qui prend en compte la variation du nombre d’événement pluvieux durant la saison des pluies, sans prendre en compte l’évolution des caractéristiques des ces événements (hauteur moyenne de pluie, etc...). Par ailleurs, les processus de ruissellement ont été simulés avec un modèle conceptuel de type SCS (1956, 1964, 1971, 1985, 1993). L’accroissement de la pluviométrie, que révèlent les sorties d’ARPEGE et de MM5, se traduit par un accroissement du ruissellement tant en niveau qu’en épisodes. Le niveau de ruissellement augmente de 50% dans l’ensemble du Sahel, et l’accroissement le plus important se situe à proximité de la façade atlantique, précisément dans la région où la pluviométrie augmente le plus. Par ailleurs, la relation pluviométrie-ruissellement apparaît fortement non-linéaire. Le signal de changement de pluviométrie est amplifié dans le signal de changement de ruissellement : une augmentation de 10% de la pluviométrie moyenne entraine une augmentation de 50% du niveau ruissellement, et du nombre d’épisodes de ruissellement.

51

|

Nous avons, ensuite, modélisé l’hydrologie des habitats aquatiques, en considérant les champs de pluies désagrégés et les ruissellements calculés à l’étape précédente. A défaut de pouvoir développer un modèle hydrologique original des habitats aquatiques pour des raisons internes au Lthe, nous avons repris le modèle que nous avions développé dans le cadre du projet S2E.Emercase, en considérant les champs de pluies désagrégés et les ruissellements calculés à l’étape précédente. Nous avons, par ailleurs, utilisé des mesures réalisées sur un nombre limité de sites d’enquêtes (Sénégal) pour classer et quantifier les profils des habitats aquatiques des vecteurs (paramètres de contrôle du modèle d’impact de la dynamique vectorielle). Puis le recours à l’imagerie satellite nous a permis de détecter et de caractériser les profils des différents habitats aquatiques à l’échelle locale. Le ruissellement, le remplissage et la vidange des habitats aquatiques ont été simulés pour chaque mare, ainsi que la production de vecteurs. Nous avons pu montrer l’existence d’une relation entre la taille des habitats et différents indices de résistance à la sécheresse (tflood : le nombre de jours durant lesquels les habitats aquatiques sont

remplies ; ηannul : le nombre de fois que le niveau des habitats aquatiques atteint le niveau 0 ; τflood = τflood /ηannul : le nombre de remplissages consécutifs.). Nos résultats montrent que l’impact de la pluviométrie sur la production

de deux moustiques diffère selon les types d’habitats, dont les temps moyen de remplissage (τflood), peuvent être

court (τflood ≤ 7 jours), moyen (τflood = [8,28] jours) ou long (τflood ≥ 29 jours ).

Perspectives Au terme de ces premiers travaux, il nous apparaît que le modèle climatique à méso-échelle (MM5) apporte une 'valeur ajoutée' aux simulations initiales d'ARPEGE. Sur la période contemporaine, on constate que la circulation régionale est mieux représentée dans les basses couches où l'extension du flux de mousson devient plus proche des produits de référence comme les ré-analyses. Le champ pluviométrique, par exemple, bénéficie de quelques améliorations, concernant l'extension de la ceinture qui est manifestement trop septentrional dans le modèle ARPEGE. Par ailleurs, la désagrégation statistique à l’échelle d’un petit bassin versant permet d’exploiter les prévisions de changement climatique, et d’évaluer les précipitations et le ruissellement à l’échelle locale.

Cependant, les biais du GCM pourraient être aussi renforcés au sein du modèle régional. Même si MM5 offre plus de réalisme durant la période contemporaine on ne peut être sûr du scénario produit pour la fin de siècle. Nous avons vu que l'évolution des précipitations sahéliennes simulées par 12 MCG divergeait fortement au cours du temps. Il conviendrait de prolonger ce premier travail en étudiant les biais systématiques potentiels des sorties des modèles désagrégés sur la période historique des scénarios.

Par ailleurs, les modèles climatiques utilisés, synoptiques et locaux, ne prennent pas en compte les évolutions anthropiques : par exemple, le changement d’utilisation des sols (culture, déforestation...). Hors, sur l’ensemble du Sahel, l’impact anthropique potentiel se révèle être aussi important que l’impact climatique déduit du modèle Arpège (diminution des précipitations d’environ 10%), Nous nous proposons de prolonger ce travail par une étude d’impact climatique et hydrologique l’utilisation anthropique des sols.

Enfin, le modèle d’impact sanitaire du CC que nous avons développé porte sur l’environnement naturel des maladies : la disponibilité en eau des gîtes larvaires ; la survie des moustiques ; ou la durée du cycle biologique du parasite dans le moustique. Cependant, ces facteurs naturels ne peuvent pas être dissociés des facteurs anthropiques : multiplication des aménagements hydrauliques, extension des retenues d’eau de surface, accroissement des cultures irriguées, importation de pathogènes résistants à la chloroquine, etc. Dans le cas du paludisme, l’action de ces différents facteurs pourraient contribuer à une (re)colonisation du Sahara par de petites populations de moustiques vecteurs tels que An. gambiae et An arabiensis et au-delà à une reconquête du parasite P. falciparum.

Par ailleurs, l’analyse du risque d’émergence (ré-émergence) des maladies vectorielles, suppose également la prise en compte de la vulnérabilité des populations hôtes, qui peuvent contrôler plus ou moins les maladies (politiques

52

|

sanitaires), et/ou se déplacer pour assurer leur survie (cf les réfugiés climatiques et l’exode rural). L’impact global des facteurs anthropiques sur l’extension des maladies pourrait être appréhendé par l’étude de quelques scénarios socio-économiques relatifs au développement local des sociétés.

Au total, le projet ACCIES a permis de générer une base de données, qui pourrait être utilisée, à terme, pour orienter des politiques publiques à l’échelle locale et régionale. En effet, le développement de cartes de risques sanitaires à partir de ces données, faciliteraient la mobilisation, à l’échelle locale, des ressources humaines et financières nécessaires à la surveillance et à la lutte contre les maladies vectorielles. Pour cela, il conviendrait de développer la méthodologie d’impact dans les trois dimensions évoquées ci-dessus.

D’ores et déjà, les partenaires institutionnels du projet (Institut Pasteur de Dakar, Centre de Suivi Ecologique de Dakar, Faculté de Bamako, Faculté de Médecine de Marseille, Fondation Sansouire, Entente Interdépartementale de Démoustication) ont engagés des recueil de données complémentaires qui pourraient être utilisées dans le cadre d’une seconde génération de projets ACCIES (cf les projets ICC Pal (Mali) et ICCE Pal(Sénégal)2 retenus dans le cadre de l’appel d’offre RIPIECSA de l’AIRD).

2 ICC Pal (Mali) : Impact du Changement Climatique sur le Paludisme, et

ICCE Pal (Sénégal) : Impact du Changement Climatique et de l’Environnement sur le Paludisme,

53

|

Annexes : Données disponibles

Données Météorologiques calculées à partir de MM5 (Afrique)

Source : CRC (S. Sijikumar et P. Roucou,)

Les données ont été calculées sur la fenêtre Afrique, pour des zones de taille, 45 km x 45 km, centrées autour des villages dont les coordonnées sont données ci-dessous, avec une maille de résolution de, 15 km x 15 km, soit 9 points par zone. Les fichiers peuvent être récupérés en ftp anonyme ici sur : ftp.u-bougogne.fr, dans le répertoire : pub/crct/test. Les fichiers sont en ascii. Les fichiers *.coord donnent les coordonnées des points.

Zones : coordonnées

Barkedji (Sénégal) : N15° 16.684'; W14° 52.012' Agoufou (Mali) : N15.36 ; W01.47 Bancoumana (Mali) : N12.21 ; W8.27 Barikodaga (Mali) : N14.53 ; W4.20 Bandiagara (Mali) : N14.35 ; W3.62 Manteourou (Mali) : N14.453; W2.98

Fichiers

période : nom 1981 – 1999 : ACCIES_EA1.tar.gz 2081 – 2099 : ACCIES_EB1.tar.gz

description

COL1 : année; COL2 : mois COL3 : jour COL4-COL12 : valeurs des 9 points

Variables météorologiques

Précipitations journalières en mm/jour (rain) Températures en Kelvins * Sol (tg) * a 950 hPa (ta) Humidité spécifique a 950 hPa en g/kg (q) Vent moyen à 1000 hPa en m/s * composante zonale (u) * composante méridienne (v)

Données Météorologiques Désagrégées Statistiquement (Afrique)

Source : LTHE (M. Gerbaux)

Les données ont été calculées pour des zones de taille, 60 km x 60 km, centrées autour des villages dont les coordonnées sont données ci-dessous, avec une maille de résolution de, 1 km x 1 km, soit 3600 points par zone.

Zones : coordonnées Barkedji (Sénégal) : N15° 16.684'; W14° 52.012'

Fichiers période : nom

1981 – 1999 : PLUIES_BARK_EA1.tar.gz 2081 – 2099 : PLUIES_BARK _EB1.tar.gz

description COL3 : jour COL4-COL12 : valeurs des 9 points

Variables

Précipitations journalières (mm/jour) Ruissèlement (mm/jour) : calculé à partir de la formule dans Gerbaux et Bicout, 2008.

54

|

Données Météorologiques Désagégées (France)

Source : CERFACS (Christian Pagé et Laurent Terray)

Zones : coordonnées

Dombes : A = (46°12' N; 4°52' E) ; B = (46°12' N; 5°19'E) C = (45°51' N; 4°52' E) ; D = ( 45°51' N; 5°19'E) Camargue : zone comprise et 43.33 - 43.91°N et 3.68 - 4.99°E

Fichiers période 1950 – 2100

description format NetCDF (COARDS/CF-1.0), et ASCII dans un format colonnes CSV (compatible Excel)

Variables météorologiques

Précipitations journalières (liquide + solide) Températures (Tmin, Tmax, T) Evapotranspiration Vent à 10 m Rayonnement Solaire (visible + infrarouge)

Données Météorologique (Sénégal)

Sources : Centre de Suivi Ecologique (JA. Ndione)

Zones : coordonnées Barkédji (15°17’ N,14°53’ W)

Fichiers période 2007 (juin, juillet, août, septembre, octobre)

description ASCII dans un format colonnes CSV (compatible Excel)

Variables météorologiques Précipitations journalières (liquide + solide) Températures (Tmin, Tmax, T)

Données environnementales

Recueil de la pluviométrie Etude des états de surface (1) classes d’occupation identifiées sur les images satellites suivant leurs réponses (teintes, texture…) (2) points de contrôle au sol qui serviront au calcul du modèle de redressement géométrique des images ; certaines infrastructures (mares, zones irriguées, sites remarquables…) (3) l’information à caractères socio-économiques (état et dynamique de population, (4) les potentialités ou contraintes environnementales, zones dégradées Traitement des images satellitaires : (1) correction géométrique des images (2) nomenclature de la classification d’occupation / utilisation du sol (3) rehaussements d’images et des compositions colorées pour la classification

Données Satellites (Sénégal)

Sources : Centre de Suivi Ecologique (JA. Ndione)

LOCALISATION DATES SAT. INST. NIV./M INCIDENCE CANAUX PIXEL

BARKEDJI 17/08/2006 SPOT5 HRG1 1A/J 2.469340 D°R 1,2,3,4 10 m

20/08/2007 QUICKBIRD 1,2,3,4 2,54 m + 0.61m

55

|

Données Entomologiques (Sénégal)

Sources : Institut Pasteur de Dakar (I. Dia, M. Diallo)

Zones : coordonnées Barkédji (15°17’ N,14°53’ W)

Fichiers période 2007 (juin, juillet, août, septembre, octobre)

description ASCII dans un format colonnes CSV (compatible Excel)

Collectes entomologiques

Collectes par la technique de récolte au repos après pulvérisation intradomiciliaire d’insecticides dans les habitations humaines Collectes complémentaires sur sujets humains volontaires et à l’aide de pièges lumineux CDC Séances de collecte ont été réalisées de 9h à 14h 6 équipes constituées chacune de trois personnes (soit 18 personnes au total) Relevé des coordonnées géographiques de chacune des concessions de Barkédji et des villages environnants ont été également relevées Traitement et conservation du matériel récolté sur le terrain dans des pots portant le nom de la concession, le nombre de cases pulvérisées ainsi que le nombre de personnes ayant dormis dans ces cases la veille de la collecte

Travaux de laboratoire

Tris selon l’espèce, le sexe et l’état d’engorgement ; Détermination de la source des repas sanguins pris par les moustiques identification des espèces du complexe An. gambiae o par PCR selon la méthode de Scott et al., (1993) ; Détermination de la source des repas de sang pris par les moustiques ainsi que les niveaux d’infestation est en cours ; Conservation des individus à jeun dans des tubes contenant du silicagel pour des analyses complémentaires.

Données Satellites (Mali)

Sources : LTHE (N. Dessay, J. Gaudart)

MALI

AGOUFOU 25/10/2007 SPOT5 HRG1 1A/J 11.398157 D°L 1,2,3,4 10 m

BANCOUMANA 08/04/1996 SPOT3 HRV1 1A/X 20.6 D°R 1,2,3 20 m

14/02/1997 SPOT2 HRV1 1A/X 26.5 D°L 1,2,3 20 m

06/12/1998 SPOT4 HRVIR2 1A/I 26.8 D°L 1,2,3,4 20 m

26/11/1999 SPOT4 HRVIR2 1A/I 30.7 D°R 1,2,3,4 20 m

BANDIAGARA 20/10/2006 SPOT5 HRG2 1A/J 27.713819 D°L 1,2,3,4 10 m

25/10/2007 SPOT5 HRG2 1A/J 24.241045 D°L 1,2,3,4 10 m

21/10/2004 QUICKBIRD 1,2,3,4 2,54 m + 0.61m

BARIKODAGA 20/10/2006 SPOT5 HRG2 1A/J 1,2,3,4 10 m

56

|

19/10/2007 SPOT5 HRG2 1A/J 21.590461 D°L 1,2,3,4 10 m

MANTEOUROU 25/10/2007 SPOT5 HRG2 1A/J 0.870763 D°L 1,2,3,4 10 m

05/01/2008 QUICKBIRD 1,2,3,4 2,54 m + 0.61m

Données Entomologiques (Dombes)

Sources : J. Pradel, D. Bicout, D. Rey et R. Foussadier

Zones : coordonnées Dombes (3 sites)

Fichiers période 2006 et 2007 entre avril et octobre dans différents biotopes

description ASCII dans un format colonnes CSV (compatible Excel)

Variables entomologiques

Collecte de larves dans toutes les collections d’eau de par la méthode du dipping dans toutes les parties du gîte et avec les précautions d’usage (Service, 1993). Capture d’adultes une à quatre fois par mois, en fonction des conditions météorologiques et de la saison, selon 2 méthodes : - Sur volontaire humain (une personne effectuant deux séries de capture de dix minutes) - Avec des pièges lumineux à CO2 suspendus avant le coucher du soleil et récupérés le lendemain matin (2 pièges disposés dans 2 sites différents). Collecte ds adultes émergeant avec pièges à émergences flottants construits selon le schéma d’Aubin et al. (1973), ont été placé à la surface des gîtes larvaires, de mars e jusqu’à la fin des émergences des espèces de printemps (26 pièges placés dans 6 habitats différents).

Données météorologiques et climatiques

Données de la station Météo France de Marlieu (46°03’N, 5°04'E, 273m d’altitude), acquises par convention Climathèque® EPSP-TIMC-IMAG. Données de la fondation Vérots depuis 1964 Tmin, Tmax, Précipitations au pas de temps quotidien pour les années 2006 - 2007 et 1972 - 1975 ainsi que la fiche climatique de la station fournissant les valeurs des normales de plusieurs paramètres sur 30 ans (période 1971-2000).

Caractéristiques physico-chimiques de l’eau

Données relatives au gîte (profondeur, température, conductivité et minéralisation) Enregistrement horaire des températures de l’air et de l’eau par (thermomètres enregistreurs à des pas de temps variables) Suivi de la fréquence des cohortes comme indiqué par Gu et Novak (2005). Estimations des degrés jours de croissance des larves (DJC) du stade aquatique

Caractéristiques des étangs

Collecte d’informations sur l’utilisation principale des étang, superficie cadastrale, statut (assec/année d’évolage), pisciculture (espèces de poissons, quantité produite…). Caractérisation de l’environnement immédiat en termes de boisement et de végétation de ceinture émergée de l’étang (jonchaie et roselières essentiellement), et détermination de l’importance et organisation spatiale de ces formations.

57

|

Données Satellites (Dombes)

Sources : J. Pradel, D. Bicout, D. Rey et R. Foussadier

LOCALISATION DATES SAT. INST. NIV./M INCIDENCE CANAUX PIXEL

FRANCE

DOMBES 13/03/2006 SPOT4 HRVIR2 1A/I 16.9 D°R 1,2,3,4 20 m

20/04/2006 SPOT4 HRV1 1A/X 22.0 D°R 1,2,3 20 m

02/07/2006 SPOT4 HRV2 1A/X 25.1 D°R 1,2,3 20 m

10/10/2006 SPOT5 HRG2 1A/J 4.328188 D°L 1,2,3,4 10 m

06/04/2007 SPOT5 HRG2 1A/J 24.567759 D°R 1,2,3,4 10 m

05/08/2007 SPOT4 HRVIR2 1A/XI 25.8 D°R 1,2,3,4 + P 20 m+10 m

01/10/2007 SPOT4 HRVIR2 1A/XI 21.0 D°R 1,2,3,4 + P 20 m + 10 m

11/09/2007 QUICKBIRD 1,2,3,4 2,54 m + 0.61m

Publications (Dombes)

Pradel, J., D. Rey, R. Foussadier and D. J. Bicout, 2007. Etude écologique des moustiques (Diptera, Culicidae), vecteurs potentiels d'arboviroses dans la région Rhône- Alpes. Epidemiol. et Santé Anim. 51, 81-94.

Pradel J., et al, 2008 Contribution to phenology and habitat characterization of mosquitoes in humid areas in Rhône-Alpes regions, France.

Pradel J., et al., 2008 A bio ecological-based framework for classifying mosquitoes, putative vectors of arboviruses: application to Rhône-Alpes region, France.

Pradel J., et al., 2008 Pools associated mosquito species in the Dombes, France. Habitat, Dynamic and changes.

Pradel J. et al., 2008. Are populations of Culex modestus, vector of West Nile virus in extension in Dombes ?

COMMUNICATIONS A DES CONGRES

Pradel, J., D. Rey, R. Foussadier and D. J. Bicout, 2007. Etude écologique des moustiques (Diptera, Culicidae), vecteurs potentiels d'arboviroses dans la région Rhône- Alpes. AEEMA, Paris, 30 mai-1er juin

Pradel J., Rey, D., Foussadier, R., Bicout DJ. 2007 Bioecological based classification of mosquitoes putative vectors of arboviruses in Rhône-Alpes, France. EMCA, Pragues, 11-14 sept.

Pradel, J., Martin, T., Rey, D., Foussadier, R., Sabatier, P., Bicout, D.J, 2007. Toward a risk assessment of West Nile circulation in the Dombes, France, European Society for Emerging Infectious Diseases (ESEI). Lisbonne, 30 sept-1er oct.

58

|

Pradel, J., D. Rey, R. Foussadier and D. J. Bicout, 2008. Les populations de Culex modestus, Ficalbi, vecteur de West Nile en Camargue, sont-elles en augmentation dans la Dombes ? AEEMA, Paris, 23-24 mai 2008

Données Satellites (Camargue)

Sources : Fondation Sansouire (A. Sandoz)

LOCALISATION DATES SAT. INST. NIV./M INCIDENCE CANAUX PIXEL

FRANCE

CAMARGUE

ISIS n° 0606-884

31/07/2005 SPOT 5 Multispectral 3

1,2,3,4 + P ?? 10 m

21/09/2005 SPOT 5 id

19/01/2006 SPOT 5 id

16/03/2006 SPOT 5 id

16/04/2006 SPOT 5 id

29/05/2006 SPOT 5 id

23/06/2006 SPOT 5 id

31/07/2006 SPOT 5 id

? SPOT?

? SPOT?

3 Visible, proche infrarouge et moyen infrarouge.