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

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