REPUBLIQUE TUNISIENNE i

MINISTERE iDE iL’AGRICULTURE, iDES MINISTERE iDE iL’ENSEIGNEMENT iSUPERIEUR

iRESSOURCES iHYDRAULIQUES iET iDE iLA iET iDE iLA iRECHERCHE iSCIENTIFIQUE
iPECHE

INSTITUT NATIONAL AGRONOMIQUE DE TUNISIE

i i i i

Département de génie rural, eaux et forêts

i i i i i i

PROJET DE FIN D’ÉTUDES i i i i

DU CYCLE INGENIEUR
i i

Présenté ipar

Wasti Hamza i

Spécialité i: iGénie irural, ieaux iet iforêts.

Option i: ihydraulique iet iaménagement irural.

Caractérisation hydrologique des périodes de sécheresse

i i i i i

dans le bassin versant de l’Oued Nebhana et analyse de

i i i i i i i i i i

leur impact sur l’agriculture : Apports des méthodes

i i i i i i i i

statistiques et de l’hydro-informatique
i i i i

Devant ile ijury icomposé ide i:

M. iFethi iBen iHamouda. INAT Président idu iJury

Mme. iMme iAmira iMerzougui. INAT Encadrante iINAT
M. iMehrez iRejeb. DGBGTH Encadrant iProfessionnel
Mme. iInes iOueslati. INAT Examinatrice
M. iFaiz iMsalem. DGBGTH Invité
 Remerciements

Mes iremerciements iles iplus isincères ivont iégalement ià iMadame iAmira iMerzougui, imon
i encadrante iacadémique, ipour il’aide iinestimable iqu’elle im’a iapportée itout iau ilong ide ila
i réalisation ide ice iprojet ide ifin id’études. iSes iconseils iavisés, isa idisponibilité iet ises iorientations
i pertinentes iont iété id’une igrande iimportance ipour ila ifinalisation ide ice itravail.

Je isouhaite iaussi iremercier ichaleureusement iMonsieur iMehrez iRejeb, iSous-directeur ides

i modèles imathématiques id’exploitation ides igrands iouvrages ihydrauliques ià ila iDirection
i Générale ides iBarrages iet ides iGrands iTravaux iHydrauliques, ipour ises iefforts, ison iaccueil
i généreux iet ison iaccompagnement itout iau ilong ide icette iétude.

Un igrand imerci iégalement ià iMonsieur iAbdel iAziz iCherif, iresponsable idu ibarrage iNebhana, ipour
i son ichaleureux iaccueil, isa idisponibilité iet isa igénérosité ilors ide inotre ivisite isur isite.

Enfin, ij’adresse imes iremerciements ià il’ensemble ides ienseignants iet idu ipersonnel ide il’Institut
i National iAgronomique ide iTunisie, iet itout iparticulièrement ià iceux idu idépartement iGénie irural,
i Eaux iet iForêts, ipour ila iqualité ide ileur iencadrement iet ileur isoutien itout iau ilong ide imon iparcours.
Résumé i

Dans iun icontexte ide ichangements iclimatiques ide iplus ien iplus imarqués, ila iTunisie icentrale
i connaît iune iintensification ides iépisodes ide isécheresse, iaffectant isignificativement ila idisponibilité
i en ieau iet ila iperformance idu isecteur iagricole. iCette iétude ivise ià iévaluer il’évolution ide ila
i sécheresse iet ison iimpact isur il’agriculture irégionale ià itravers iune iapproche iintégrée icombinant
i L’analyse istatistiques ides idifférentes iparamètres iclimatologique, il’imagerie isatellitaire iet ile
i traitement ipar iles isystèmes id’information igéographique i(SIG) ila imodélisation ipar iintelligence
i artificielle i(RNA).

La iméthodologie iadoptée irepose id’abord isur iune ianalyse istatistique iapprofondie ide icontexte
i climatologiques icouvrant ila ipériode i1984–2024. iCette ianalyse is’appuie isur il’étude ides itendances
i des iprécipitations, ides itempératures iet ide il’évapotranspiration ipotentielle, iainsi ique isur ile icalcul
i des iindices ide iPrécipitation iStandardisé i(SPI) iet iReconnaissance iDrought iIndex i(RDI),
i permettant ide icaractériser ila ifréquence iet il’intensité ides iévénements ide isécheresse. iElle iest
i complétée ipar iune ianalyse igéospatiale ibasée isur ides iimages isatellitaires ipour iexaminer
i l’évolution ide il’occupation idu isol, idu iNDVI iet ides iindices irelatifs ià ila isanté, icondition iet ila
i température ide ila ivégétation i(VCI, iTCI iet iVHI) iafin id’évaluer il’état ide ila ivégétation iau ifil idu
i temps. iEnfin, iun imodèle ide iréseau ide ineurones iartificiels i(RNA) ia iété idéveloppé ipour iprojeter iles
i valeurs ifutures idu iSPI ià il’horizon i2050 ià ipartir ides iscénarios iclimatiques i idéfinie ipar ile iGroupe
i d’experts iintergouvernemental isur il’évolution idu iclimat i(GIEC).

Les irésultats irévèlent iune itendance inette ivers il’aridification ide ila irégion, iavec iune ibaisse ides
i précipitations iet iune ihausse icontinue ides itempératures iet ide il’évapotranspiration. iLes iindices iSPI
i et iRDI, ifortement icorrélés i(R i= i0.955), imettent ien iévidence iune ialternance icyclique ientre ides
i périodes isèches ide i5 ià i7 ians iet ides iphases ihumides iplus icourtes, ide i3 ià i4 ians. iLa idernière
i décennie ise idistingue itoutefois ipar iune iprédominance ide imois isecs, ireprésentant iplus ide i60 i% ide
i la ipériode, isuggérant iune irépartition ipluviométrique ide iplus ien iplus iirrégulière.

L’analyse ide ila iproduction iagricole imontre iune iforte isensibilité ià ila isécheresse, iavec ides
i rendements idurablement iinférieurs ià ila imoyenne idepuis i2015, iy icompris ipendant iles iannées
i humides ide i2019 iet i2020. iLes icartes id’occupation idu isol iillustrent iune irégression ides isuperficies
i agricoles, iphénomène iconfirmé ipar iune ibaisse iprogressive idu iNDVI iet ides itendances inégatives
i observées idans iles iindices ide isanté ide ila ivégétation i(VCI, iTCI, iVHI). i

Enfin, iles iprojections iSPI imontrent ides iperspectives ipréoccupantes ipour il’avenir i: iles iscénarios
i SSP5-8.5 iet iSSP2-4.5 iindiquent iune iaccentuation ide ila isécheresse, itandis ique iseul ile iscénario
i optimiste iSSP1-2.6 ilaisse ientrevoir iune iamélioration imodérée.
Abstract

In ithe iface iof iincreasingly ievident iclimate ichange, iCentral iTunisia, iparticularly ithe iupstream-
downstream iwatershed iof ithe iNebhana iDam iis iexperiencing iintensified idrought iepisodes,
i severely iimpacting iwater iavailability iand iagricultural iproductivity. iThis istudy iaims ito iassess ithe
i evolution iof idrought iand iits iimpact ion iregional iagriculture ithrough ian iintegrated iapproach
i combining iclimatological ianalysis, isatellite iimagery, iand iartificial iintelligence imodelling.

The iadopted imethodology ibegan iwith ian iin-depth iclimatological ianalysis iover ithe i1984–2024
i period. iIt ifocused ion iidentifying itrends iin iprecipitation, itemperature, iand ipotential
i evapotranspiration, ialong iwith icalculating iSPI iand iRDI iindices ito icharacterize idrought ifrequency
i and iseverity. iThis iwas ifollowed iby ia igeospatial ianalysis iusing isatellite iimagery ito ievaluate iland
i use ichanges, iNDVI itrends, iand ivegetation ihealth iindices i(VCI, iTCI, iVHI). iFinally, ian iartificial
i neural inetwork imodel iwas ideveloped ito iproject iSPI ivalues iup ito i2050 ibased ion iSSP iclimate
i scenarios.

The ifindings ireveal ia iclear ishift itoward iaridification, iwith idecreasing irainfall iand iincreasing
i temperatures iand ievapotranspiration. iSPI iand iRDI iindices ishow ia istrong icorrelation i(R i= i0.955)
i and ihighlight ia iperiodic ipattern iof i5–7 iyears iof idrought ifollowed iby ishorter iwet iperiods.
i However, ithe ilast idecade ishows ia ipredominance iof idry imonths, iaccounting ifor iover i60% iof ithe
i time, isuggesting iincreased iintra-annual irainfall iirregularity.

Agricultural iproduction iappears istrongly isensitive ito idrought, iwith ibelow-average iyields
i persisting isince i2015 ieven iduring iwetter iyears ilike i2019 iand i2020. iLand iuse imaps ishow ia
i reduction iin iagricultural iareas, ifurther iconfirmed iby ideclining iNDVI ivalues iand iconsistently
i negative itrends iin ivegetation ihealth iindices. iAs ifor ifuture iprojections, iSPI ivalues iunder iSSP5-8.5
i and iSSP2-4.5 iindicate iworsening idrought, iwhile ionly ithe ioptimistic iSSP1-2.6 iscenario ishows ia
i slight ipositive itrend.

This istudy iunderscores ithe igrowing ivulnerability iof iregional iagriculture ito iclimate istress iand
i highlights ithe iurgent ineed ito istrengthen iagricultural iresilience ithrough iimproved iwater
i management iand isustainable iland-use iplanning.
 ‫الملخص‬

‫في ظل التغيرات المناخية المتسارعة‪ ،‬تعاني منطقة الوسط التونسي من تزايد واضح في فترات الجفاف‪ ،‬وهو ما ينعكس سلبًا‬
‫على الموارد المائية واإلنتاج الفالحي‪.‬‬

‫تهدف هذه الدراسة إلى تقييم تطور الجفاف وتأثيراته على النشاط الزراعي من خالل مقاربة شاملة تعتمد على تحليل المعطيات‬
‫المناخية‪ ،‬صور األقمار الصناعية‪ ،‬وتقنيات الذكاء االصطناعي‬

‫تمثلت المنهجية في دراسة مفصلة لتغيرات المناخ ما بين سنتي ‪ 1984‬و‪ ،2024‬حيث تم تحليل تطور التساقطات والحرارة‬
‫والتبخر‪ ،‬إلى جانب اعتماد مؤشرات عددية لتحديد شدة وتواتر فترات الجفاف‪ .‬كما تم تحليل صور فضائية لمراقبة تغير الغطاء‬
‫النباتي عبر الزمن‪ ،‬من خالل مؤشرات تعكس نشاط النباتات وحالتها الصحية‪ .‬وأُنجز نموذج تنبؤي يعتمد على تقنيات الشبكات‬
‫العصبية لتقدير شدة الجفاف إلى حدود سنة ‪ ،2050‬باالستناد إلى سيناريوهات تطور المناخ المستقبلية‬

‫أظهرت النتائج أن المنطقة تتجه بوضوح نحو ظروف أكثر جفافًا‪ ،‬مع تسجيل تراجع في كميات األمطار وارتفاع متواصل في‬
‫درجات الحرارة‪ .‬كما أبرزت المؤشرات أن فترات الجفاف تدوم عادة من خمس إلى سبع سنوات‪ ،‬يليها تعافٍ محدود يدوم ثالث‬
‫إلى أربع سنوات‪ .‬غير أن العقد األخير تميز بكثرة األشهر الجافة‪ ،‬التي مثّلت أكثر من ‪ %60‬من الزمن المدروس‪ ،‬ما يدل على‬
‫اضطراب كبير في توزيع األمطار‬

‫أما على المستوى الزراعي‪ ،‬فقد تبين أن اإلنتاج يتأثر بصفة مباشرة بفترات الجفاف‪ ،‬حيث سجلت مردودية ضعيفة منذ سنة‬
‫‪ 2015‬حتى في السنوات التي شهدت بعض التحسن في التساقطات‪ .‬كما أظهرت التحاليل الفضائية تراجع المساحات المزروعة‬
‫وانخفاض كثافة الغطاء النباتي‪ ،‬مما يعكس تدهور الوضع البيئي للزراعات‬

‫وأخيرا‪ ،‬كشفت التوقعات إلى غاية سنة ‪ 2050‬أن السيناريوهات األكثر تشاؤ ًما تشير إلى زيادة حدّة الجفاف‪ ،‬في حين يقدّم‬
‫ً‬
‫ً‬
‫مستقبال‬ ‫‪.‬السيناريو المتفائل نسبيًا ً‬
‫أمال بتحسن طفيف‪ ،‬دون أن يلغي خطر تواصل تدهور الظروف المناخية‬
Table des matières
i i

Introduction igénérale i:.................................................................................................................. 1

Chapitre i1. iSynthèse ibibliographique ......................................................................................... 3

1. Sècheresse iet ichangement iclimatique i: ................................................................................. 3

1.1. Sécheresse i: icaractérisation iconceptuelle i: ....................................................................... 4

1.1.1. Définition ide ila isécheresse i: ........................................................................................ 4
1.1.2. Types ide isécheresse i: ................................................................................................... 4
1.1.3. Relations ientre iles idifférents itypes ide isécheresse i: ................................................... 6

1.2. La iTunisie iet ila isècheresse i: ............................................................................................... 6

1.3. Indices iet iindicateurs idu istress ihydrique i: ....................................................................... 8

1.3.1. Indicateurs imétéorologiques ide ila isècheresse i:......................................................... 8
1.3.2. Indicateurs iagricoles ide ila isécheresse i:.................................................................... 10
1.3.3. Indicateurs ihydrologiques ide ila isécheresse i:............................................................ 11
1.3.4. Présentation ides iméthodes istatistiques iutiliser ipour il’analyse ide ila isécheresse i: 12
1.3.5. Présentation ide ila iméthode ides iRéseaux ide iNeurones iArtificiels i(RNA)) i:.......... 13

1.4. Scénarios isocio-économiques ipartagés i(SSP) i:............................................................... 15

Chapitre i2. iPrésentation ide ila izone id’étude .............................................................................. 16

1. Situation igéographique iet itopographie i: ............................................................................ 16

2. Hydrogéologie idu iBassin iVesrand ide il’Oued iNebhana i: .................................................. 18

3. Contexte ihydrique i:.............................................................................................................. 19

4. Occupation ides isols i: ............................................................................................................ 20

5. Contexte iClimatique i: .......................................................................................................... 21

5.1. Etude ide ila iPluviométrie i: ................................................................................................ 21

5.2. Température i: ................................................................................................................... 22

5.3. Etage iBioclimatique i: ....................................................................................................... 23

Chapitre i3. iMateriels iet imethodes ............................................................................................. 24

1. Logiciels iet ioutils iutilisé i: ..................................................................................................... 24

1.1. Excel i: ................................................................................................................................ 24

1.2. ArcGIS i: ............................................................................................................................ 24

1.3. Google iEarth iEngine i(GEE) i: .......................................................................................... 25

1.4. Google iEarth iPRO i: ......................................................................................................... 26

1.5. Définition idu iSystème id’Information iGéographique i(SIG) i: ....................................... 26

1.6. Python i: ............................................................................................................................. 27

2. Méthodologie i: ...................................................................................................................... 28

2.1. Collecte iet itraitement ides idonnées i: ................................................................................ 30

2.1.1. Données iclimatiques i: ............................................................................................... 30
2.1.2. Données icartographiques i: ....................................................................................... 31
2.1.3. Traitement ides idonnées i: .......................................................................................... 31

2.2. Exploitation ides idonnées i: ............................................................................................... 31

2.2.1. Analyse ispatio-temporelle ides ivariables iclimatiques iet ides iindices ide isécheresse i:
31
2.2.2. Analyse ides iindices ide isécheresse ibasés isur iles iimages isatellitaires i: ...................... 34
2.2.3. Prédiction ide ila isécheresse imétéorologique ià il’aide id’un imodèle id’intelligence
i artificielle i: ................................................................................................................................ 37

Chapitre i4. iRÉSULTATS iET iDISCUSSION ........................................................................... 40

1. Analyse ispatio-temporelle idu iclimat iet iétude ides iindices ide isécheresse .......................... 40
1.1. Analyse ides itendances ides ivariables iclimatiques i:......................................................... 40
1.1.1. La iPluviométrie i: ....................................................................................................... 40
1.1.2. La itempérature i: ....................................................................................................... 43
1.1.3. L’évapotranspiration i:.............................................................................................. 44
1.1.4. Relation iTempérature i- iEvapotranspiration i: ........................................................... 44

1.2. Analyse istatistique ides iindices ide isécheresse imétrologique i: ........................................ 46

1.2.1. Différences iet isimilitudes ientre iles iindices iSPI iet iRDI i:......................................... 46
1.2.2. Impacts ide ila ivariabilité iclimatique isur iles iproductions iagricoles i: ..................... 48

2. Analyse ides iindices ide isécheresse ibasés isur iles idonnées isatellitaires i:............................. 52

2.1. Application ides iindices iet idétection ides ichangements iau ibassin iversant iamont iet iaval
i de iNebhana i: ................................................................................................................................ 52
2.1.1. Résultat ide ila iclassification isuperviser i: .................................................................. 52
2.1.2. Comparaison ides isuperficies i: .................................................................................. 54

2.2. Application ides iindicateurs iagricole i: ............................................................................. 56

2.2.1. Variabilité ispatio-temporelle ide ila ivégétation ipar iNDVI i: .................................... 56
2.2.2. Suivie ide ila isécheresse ià itravers iles iindices iTCI, iVCI iet iVHI i: ............................. 62

3. Prédiction ide ila isècheresse imétéorologique ipar iapplication ides itechniques ide
i l’intelligence iartificielle i: ............................................................................................................ 64

3.1. Calcul ide il’indice iSPI i: ..................................................................................................... 64

3.2. Répartition ispatiale ides iSPI i: .......................................................................................... 70

Conclusion i:.................................................................................................................................. 72

ANNEXE i: .................................................................................................................................... 74

REFERENCES iBIBLIOGRAPHIQUES i: ................................................................................ 81

Liste des Figures :
i i i

i Figure i1: iRelations ientre iles idifférents itypes ide isécheresse 6

Figure i2: iCarte idu istress ihydrique imondiale ien i2019 ................................................................................. 7
Figure i3 i i: iProcessus ide icalcul ide il’état idu ineurone iartificiel..................................................................... 14
Figure i4: iLocalisation igéographique ide ila izone id’étude iet iétude ide ila itopographie .................................. 16
Figure i5: iCourbe iHypsométrique idu iBV iamont-aval ide iNebhana ............................................................. 17
Figure i6 i: iSchéma ides inappes idu ibassin iversant ide iNebhana i(Maroua iBen iABDELMALEK, iCRDA
i Kairouan, i2018) ......................................................................................................................................... 18
Figure i7: iRéseau ihydrographique idu il’Oued iNebhana............................................................................... 19
Figure i8: iOccupation ide isol idu imars i2024 ................................................................................................. 20
Figure i9 i: iLe icumul ides iprécipitations iannuelles isur ila ipériode i1968-2022............................................... 21
Figure i10: i iLes imoyennes, iles iminimums iet iles imaximums imesurées ientre i1984 iet i2024 ........................ 22
Figure i11 i: iCarte ides iétages ibioclimatiques ide ila iTunisie i(Ali iChebil i2019) ............................................. 23
Figure i12 i: iOrganigramme ide ila idémarche iméthodologique ..................................................................... 28
Figure i13: iOrganigramme iméthodologique ide ila idétection ides ivariations ide il'NDVI iet ide il’occupation idu
i sol ............................................................................................................................................................... 36
Figure i14 i: iStructure ide ila imodélisation ipar iRNA iappliquée ià ila iprédiction ide ila isécheresse................. 39
Figure i15 i: iles imoyennes imensuelles ides iprécipitations ientre i1982 iet i2022 .............................................. 40
Figure i16: iVariabilité ispatio-temporelle ide ila ipluviométrie....................................................................... 42
Figure i17: itendance ide ila itempérature imensuelle ientre i1982 iet i2022 ........................................................ 43
Figure i18: iTendance ide il'évapotranspiration iannuelle ientre i1984 iet i2022 ................................................. 44
Figure i19: iRégression ilinéaire ientre itempérature iet il'évapotranspiration ............................................... 45
Figure i20: irépartition itemporelle ides iindices iSPI iet iRDI ........................................................................... 46
Figure i21: iles iSPI imensuel ientre i2012 iet i2023 .......................................................................................... 47
Figure i22: iConsommation ides iPPI ien ieau id'irrigation i(m3) iA ipartir idu ibarrage iNebhana idepuis i2014 ..... 48
Figure i23: iVariations itemporelles ides iSPI iannuels iet ides iproductions ides icéréales ientre i2001 iet i2022.... 49
Figure i24 i: iCorrélation ientre iles ivolumes id’eau iconsommés ipour il’irrigation ià ipartir idu ibarrage iNebhana
i et ila iproduction icéréalière idans ila irégion i(2014–2022) ............................................................................. 51
Figure i25: iVariation ide il'occupation idu isol ientre i2004, i2014 iet i2024 ..................................................... 53
Figure i26: i iEvolution ides isuperficies ides iclasses id’occupation idu isol ide ila iBV iNebhana i(2004-2024).... 54
Figure i27: iVariation idu iNDVI ientre i1984-2024 i: ....................................................................................... 57
Figure i28: i iSuivie ide il’évolution ispatio-temporelle idu icouvert ivégétal ipar il’NDVI .................................. 59
Figure i29: iVariation ide iL'NDVI ientre i1984 iet i2024 .................................................................................. 60
Figure i30: iLocalisation ides iforages iillicites ien iaval idu ibarrage iNabhana i(Maroua iBen iAbdelmalek,
i Source ide ila ilocalisation ides iforages iillicites i: iCRDA iKairouan, i2018) ...................................................... 61
Figure i31: iVariation idu iTCI, iVCI iet iVHI ientre i2002 iet i2023 ...................................................................... 62
Figure i32: iRésultats ide iprévisions idu imodèle iSPI ipour i1 imois id’avance ................................................. 64
Figure i33: iComparaison ientre iles ivaleurs iSPI iobservées iet iestimées iselon iles idifférentes ientrées idu
i modèle ....................................................................................................................................................... 65
Figure i34: iEstimation ides iSPI imensuels ià il’horizon i2050 iselon idivers iscénarios id’émissions ................. 68
Figure i35: iVariabilité ispatiale isu iSPI ianticiper .......................................................................................... 70

Liste des Tableaux :

i i i

Tableau i1 i: iClassification idu imodèle ipar iCoefficient ide idétermination i(Koffi i& ial.,2006)....................... 12
Tableau i2: iIndices ide isécheresses imétéorologiques iutilisés......................................................................... 9
Tableau i3: iIndices ide isuivi ide isécheresse................................................................................................... 10
Tableau i4: iCLASSES iDE iLA iSECHERESSE iSELON iLES iVALEURS iDES iDEUX iINDICES iSPI, iRDI
.................................................................................................................................................................... 33
Tableau i5: iCombinaisons ide ibandes iRVB ipour iLandsat i4-5 iET iLandsat i8 ............................................... 34
Tableau i6: iPLAGES iDES iVALEURS iD'INDICE iKAPPA ....................................................................... 35
Tableau i7: i iEvolution ide ila isuperficie id’occupation idu isol ientre i2004 iet i2024 i(en iKm2) ......................... 54
Tableau i8: iMATRICE iDE iCONFUSION iDE iCLASSIFICATION iDE iL'OCCUPATION iDU iSOL iDE
i 2014 ........................................................................................................................................................... 80
Tableau i9: iMATRICE iDE iCONFUSION iDE iCLASSIFICATION iDE iL'OCCUPATION iDU iSOL iDE
i 2024 ........................................................................................................................................................... 80

Liste des Annexes :

i i i

Annexe i1 i: icode ide iproduction ide i40 icartes ide iNDVI iavec iun iNDVI imoyenne ipar ian isur ila ipériode ide
i 1984-2024 .................................................................................................................................................. 75
Annexe i2: icode ide igénération ides iindices ide isuivi ide isécheresse i(VCI, iTCI iet iVHI) ............................... 76
Annexe i3: icode ide igénération ides ivaleurs id’SPI ifuture ............................................................................. 79
Annexe i4: iles imatrices ide iconfusion ide ila iclassification............................................................................ 80
Liste des Abréviations :
i i i

GIEC i: iGroupe id'experts iintergouvernemental isur il'évolution idu iclimat

OMM i: iOrganisation imétéorologique imondiale

NDVI i: iNormalized iDifference iVegetation iIndex

RNA i: iRéseaux ide iNeurones iArtificiels i

ETP i: iévapotranspiration ipotentielle

SPI i: iIndice ide iPrécipitation iStandardisé

RDI i: iReconnaissance iDrought iIndex i

VCI i: iVegetation icondition iindex i

TCI i: iTemperature iCondition iIndex i

VHI i: iVegetation iHealth iIndex i

PPI i: iPérimètre ipublic iirrigue

GDA i: iGroupe ide idéveloppement iagricole

DGRE i: iDirection ides iRessources ien ieau i i

Tmin, iTmax i: iTemperature iminimale i; imaximale

MNT i: imodelé inumérique ide iterrain i

USGS i: iUnited iStates iGeological iSurvey

NASA i: iNational iAeronautics iand iSpace iAdministration.

SIG i: iSystèmes id'Information iGéographique i

SSP2-4.5 i: iShared iSocioeconomic iPathway ide iForçage iradiatif ide i4.5 iW/m² ià il’horizon i2100

CMIP6 i: isixième iphase idu iCoupled iModel iIntercomparison iProject i

R² i: iCoefficient ide idétermination

Introduction générale : i i

L’eau iconstitue iune iressource inaturelle ivitale, inon iseulement ipour ila iconsommation ihumaine,
i mais iégalement ipour ile idéveloppement ides iactivités iéconomiques, ien iparticulier il’agriculture, iqui
i en idemeure ila iprincipale iconsommatrice ià il’échelle imondiale. i
Selon ila iFAO i(2021), il’agriculture ireprésente ienviron i70 i% ides iprélèvements imondiaux ien ieau
i douce, iun ichiffre iqui ipeut idépasser i90 i% idans iles irégions iarides iet isemi-arides icomme il’Afrique
i du iNord. iOr, idans ices izones ià iforte idépendance ihydrique, ila idurabilité ide ila iproduction iagricole
i est ifortement icompromise ipar iles ieffets idu ichangement iclimatique.
En ieffet, iles imodifications idu irégime ides iprécipitations, il’augmentation ides itempératures, ila
i fréquence iaccrue ides iépisodes iextrêmes i(sécheresses, ivagues ide ichaleur), iainsi ique ila ivariabilité
i intra-annuelle ides iressources ien ieau iont iun iimpact idirect iet icroissant isur iles irendements iagricoles
i (IPCC, i2021). i
Plusieurs iétudes iont imis ien iévidence iune icorrélation inégative ientre ila isévérité ides isécheresses
i météorologiques iet ila iproductivité iagricole, ien iparticulier idans iles irégions ià iclimat iméditerranéen
i (Lelieveld iet ial., i2012 i; iSaadi iet ial., i2015). iCela isoulève iun ienjeu istratégique i: icomment iadapter
i les isystèmes iagricoles ipour iles irendre iplus irésilients iface ià ila ivariabilité iclimatique i?
La iTunisie, inotamment isa irégion icentrale, iconstitue iun icas iemblématique ide icette iproblématique. i
i iConfrontée ià iune iraréfaction ides iressources ien ieau iet ià iune ipression iagricole iconstante, icette

i région isubit ide iplein ifouet iles ieffets iconjoints ide ila isécheresse, ide ila isurexploitation ides
i ressources ihydriques, iet ides idynamiques ide ichangement id’occupation idu isol.
Le ibassin iversant ide il’Oued iNebhana, isitué iau icœur ide icette izone, ijoue iun irôle iclé idans
i l’irrigation ide iplusieurs ipérimètres iagricoles, ien iparticulier ipour iles icultures ides icéréales iet
i oliviers iqui isont ides icultures istratégiques iet iessentielles ià ila isécurité ialimentaire inationale.
Dans ice icontexte, icette iétude ivise ià ianalyser iles idynamiques ide ila isécheresse idans ile icentre ide ila
i Tunisie, iplus iprécisément iau iniveau idu ibassin iversant idu ibarrage iNebhana, iafin id’en iévaluer iles
i effets isur il’agriculture. i ii
L’objectif iest ide icontribuer ià ila icompréhension ides iinteractions ientre iclimat iet isystèmes iagricoles
i dans iune ioptique id’adaptation iet ide irésilience. iPour icela, iune iapproche ipluridisciplinaire ia iété
i adoptée, icombinant ianalyse iclimatologique, itraitement id’images isatellitaires iet imodélisation
i prédictive.

1
Wasti Hamza
La idémarche iscientifique iadoptée idans ice itravail irepose isur iune iapproche ipluridisciplinaire,
i structurée ien itrois iétapes iprincipales i:

• L’analyse istatistiques ides idifférents iparamètres iclimatologique iet ides iindices ide
i sècheresse i
o Étude ides itendances ides ivariables iclimatiques i(pluviométrie, itempérature,
i évapotranspiration ipotentielle).
o Calcul iet iinterprétation ides iindices ide isécheresse imétéorologique i: iSPI iet iRDI.
o Évaluation ide il’effet ide ila isécheresse isur ila idisponibilité ien ieau iagricole.
o Traitement id’images isatellites ipour icaractériser il’occupation idu isol.
o Extraction id’indicateurs ide ivégétation: iNDVI, iVCI, iTCI, iet iVHI.
o Étude ispatio-temporelle ide il’état ide isanté ide ila icouverture ivégétale idans ila irégion.
• Modélisation ide il’Indice istandardiser ide iprécipitation ipar iintelligence iartificielle
o Développement id’un imodèle ide iréseaux ide ineurones iartificiels i(RNA) ipour
i prédire il’évolution ides iindices ide isécheresse.
o Projection ides iSPI ijusqu’en i2050 ipour iévaluer iles iperspectives ifutures ide istress
i hydrique idans ila irégion ien iutilisation ides iscénarios iclimatiques iSSP icomme
i données id’entrée ifuture.

Cette iméthodologie iintégrée ipermet id’identifier iles izones ià irisque, id’évaluer ila isensibilité ide
i l’agriculture iaux ialéas iclimatiques, iet ide icontribuer ià ila imise ien iplace ide istratégies id’adaptation
i fondées isur ides idonnées iconcrètes iet ides iprévisions ifiables.

2
Wasti Hamza
 Chapitre 1. Synthèse bibliographique
i i i

1. Sècheresse et changement climatique :

i i i i

Le ichangement iclimatique idésigne ides ivariations ià ilong iterme ides iconditions iclimatiques
i mondiales, iincluant ides ichangements idans ila itempérature, iles iprécipitations, iles iphénomènes
i météorologiques iextrêmes iet ila icomposition ide il'atmosphère iterrestre. i
Selon i(GIEC), ice iphénomène iest ilargement iattribué ià il'augmentation ides iconcentrations ide igaz ià
i effet ide iserre, iprincipalement ile idioxyde ide icarbone i(CO₂), ile iméthane i(CH₄) iet il'oxyde initreux
i (N₂O), iqui isont iémis ipar iles iactivités ihumaines itelles ique ila icombustion ides iénergies ifossiles iet
i l'agriculture iindustrielle i(GIEC, i2021).
i Historiquement, iles ipremières iobservations iscientifiques idu ichangement iclimatique iremontent iau
i XIXe isiècle, ilorsque ile iphysicien isuédois iSvante iArrhenius, ien i1896, iproposa ipour ila ipremière
i fois ique il'augmentation ides iconcentrations ide iCO₂ ipourrait ientraîner iun iréchauffement iglobal.
i Depuis ilors, ila iprise ide iconscience idu iphénomène ia iaugmenté, iavec ides iétudes ifondamentales
i dans iles iannées i1970 iet i1980 isoulignant il'impact ides iactivités ihumaines isur il'atmosphère.
i En i1992, ila iConférence ides iNations iunies isur il'environnement iet ile idéveloppement i(CNUED) ià
i Rio ia imarqué iun itournant iavec ila isignature ide ila iConvention-cadre ides iNations iunies isur iles
i changements iclimatiques i(CCNUCC), iqui ia iposé iles ibases ides ifutures inégociations
i internationales isur ile iclimat.
i La ipublication ides irapports idu iGIEC, inotamment iceux ides iannées i2000 iet i2010, ia irenforcé
i l'importance ide ice iproblème, ialertant ila icommunauté imondiale isur ila inécessité ide ilimiter iles
i émissions ide igaz ià ieffet ide iserre ipour iéviter ides iconséquences icatastrophiques isur il'écosystème iet
i la isociété ihumaine.i

3
Wasti Hamza
1.1. Sécheresse : caractérisation conceptuelle :
i i i i

1.1.1. Définition ide ila isécheresse i:

L’OMM idéfinit ila isécheresse icomme iune ipériode isèche iprolongée idans iun icycle iclimatique
i naturel, isusceptible ide ise iproduire in'importe ioù ià ila isurface ide ila iterre.
i Il is’agit id’un iphénomène iinsidieux icausé ipar iun idéficit ipluviométrique. iElle iprécise ique ides
i facteurs iaggravants icomme ila ipauvreté iet iune igestion inon idurable ides iterres ipeuvent iaccroître ila
i vulnérabilité ià ila isécheresse.
Le iCentre iNational id’Atténuation ide ila iSécheresse i(NDMC) ides iEtats-Unis idéfinit ila isécheresse
i comme iune ipériode iprolongée ide ipluviométrie idéficitaire, iqui ia ipour iconséquences
i d’endommager iles icultures iet id’entraîner iune iperte iimportante idu irendement, iles ideux idéfinitions
i s’accordent ique ila isécheresse iest iune iréduction ide iprécipitations ipar irapport ià iune isituation
i considérée icomme inormale ipour iune ipériode idonnée i(une iou iplusieurs isaisons) iet iune irégion
i déterminée iet iqui icausent iun idéficit ihydrique ipour icertains isecteurs ide il’économie idu [Link]

1.1.2. Types ide isécheresse i: i

La isécheresse, icausée ipar iune idiminution isignificative ides iprécipitations isur iune ipériode iet iune
i zone idonnée, ia ides iimpacts ivariés isur iles iécosystèmes iet iles isecteurs ihumains. iElle ipeut ientraîner
i des ipertes iagricoles ien iraison ide il’insuffisance id’eau ipour il’irrigation, iaffecter iles inappes
i phréatiques iet iles iressources ien ieau ipotable, iet iprovoquer il'assèchement ides iplans id’eau,
i perturbant iainsi ila iproduction ihydroélectrique, ila inavigation, ile itourisme iet ila ipêche. iElle imet
i également ila ibiodiversité iaquatique iet iterrestre isous ipression, iperturbant iles iécosystèmes iet iles
i espèces iqui ien idépendent.
Les isécheresses isont igénéralement iclassées ien iquatre itypes, ichacun iayant ides iimplications
i spécifiques i:
• Sécheresse imétéorologique i:
i Ce itype ide isécheresse iest idéfini ipar iun idéficit ides iprécipitations ipar irapport ià ila inormale isur iune
i période idéterminée. iEn iTunisie, ipar iexemple, iune iannée iest iconsidérée icomme isèche ilorsque ile
i déficit ipluviométrique idépasse i30% ià i50%. iSi ice idéficit iexcède i50%, il’année iest iqualifiée ide
i "très isèche".
Ce itype ide isécheresse iest isouvent ile ipremier iindicateur iobservé.

4
Wasti Hamza
 • Sécheresse iagricole i:
i Elle isurvient ilorsque ila iquantité id’eau idisponible ipour iles icultures idevient iinsuffisante, iaffectant
i leur icroissance iet ileur irendement.
i Ce iphénomène iest iétroitement ilié iaux icaractéristiques idu isol i(comme isa icapacité ià iretenir il’eau)
i et ià il’intensité ides iprécipitations.
i La isécheresse iagricole ipeut iavoir ides iconséquences igraves isur iles irécoltes, ila iqualité idu ipâturage,
i ainsi ique isur il’économie iagricole, inotamment ien icas ide irépétition isur iplusieurs iannées.
• Sécheresse ihydrologique i:
i Ce itype ide isécheresse iest icaractérisé ipar iun imanque id’eau idans iles iréservoirs inaturels, icomme iles
i lacs, iles ibarrages, iet iles inappes iphréatiques. iBien iqu'il ine isoit ipas idirectement ilié iaux idéficits
i pluviométriques iimmédiats, iil irésulte ide ila ilente iréaction idu isystème ihydrologique iaux ifaibles
i précipitations. iLa igestion ide il’eau idevient icomplexe ilorsqu’il iy ia iune idemande iconcurrente ipour
i l’irrigation, ila iproduction id'énergie ihydroélectrique, il’approvisionnement ien ieau ipotable, iet
i d'autres iusages.
• ii iSécheresse isocio-économique i: i

Ce itype isurvient ilorsque ile imanque id'eau icommence ià iaffecter idirectement iles iactivités ihumaines,
i en iparticulier idans iles izones ioù ila idemande ien ieau idépasse il'offre idisponible.
i Cette iforme ide isécheresse iprend ien icompte il'interaction ientre iles ifacteurs imétéorologiques,
i agricoles iet ihydrologiques, iet ielle ise imanifeste ipar ides ipénuries id'eau iqui iperturbent iles isecteurs
i économiques iessentiels, iaugmentant iainsi iles itensions isociales iet iéconomiques. iLorsque ila
i demande ien ieau i(due ià ila icroissance idémographique iet ià ila iconsommation iaccrue) idépasse
i l’offre, iles iconséquences ipeuvent iêtre igraves, iallant ide il’instabilité iéconomique ià ides isituations
i de iprécarité iextrême.
En iparallèle, iun iconcept iplus irécent, ila isécheresse iécologique, iévalue il'impact ide ila isécheresse
i sur iles iécosystèmes inaturels. iElle ise idéfinit ipar iun idéficit ide ila idisponibilité ide il'eau iqui imet iles
i écosystèmes ià irude iépreuve, iau ipoint ide idépasser ileurs iseuils ide ivulnérabilité. iCela iaffecte iles
i services iécosystémiques itels ique ila irégulation idu iclimat, ila ifiltration ide il'eau iet ile isoutien ià ila
i biodiversité, itout ien iprovoquant ides irétroactions idans iles isystèmes inaturels iet ihumains. iLa
i sécheresse iécologique isouligne il'importance id'une igestion ide il'eau iqui iprenne ien icompte inon
i seulement iles ibesoins ihumains, imais iaussi ila ipréservation ides iécosystè[Link]

5
Wasti Hamza
 1.1.3. Relations entre les différents types de sécheresse :
i i i i i i i i

Les idifférents itypes ide isécheresse isont iintimement iliés.

La isécheresse imétéorologique ise idéclenche ipar iun idéficit ipluviométrique.
Si ile idéficit ipersiste ipendant iun icertain ilaps ide itemps, il’humidité iau isol ise iréduit iet ila isécheresse
i se itransforme ien iune isécheresse ide itype iagricole.
i Si ile idéficit ipersiste iencore, iles idébits ides icours id’eau, iles iniveaux ides iplans id’eau isuperficiels
i voire icelui ides inappes isont iaffectés iet ila isécheresse idevient ide itype ihydrologique.
i Si ile idéficit icontinu ià ipersister iet iles iniveaux idans ile icours id’eau iet iles iplans id’eau iatteignent iles
i seuils ide ivulnérabilité, ila isécheresse ide itype iécologique iest iatteinte.
Enfin, idès ique ices itypes ide isécheresse ise iconjuguent iet iles isecteurs iéconomiques ise itrouvent
i pénalisés ipar ila inon-disponibilité ide il’eau, iles ieffets ide ila isécheresse isocio-économique
i commencent ià ise ifaire isentir.

Hydrologique
Diminution des
Agricole apports en eau de
Déficit hydrique au sol surfaces et de
l’alimentation des
nappes

Ecologique
Météorologique
Diminution des
Déficit des Socio-économique
apports d’eau aux
précipitations Diminutions de la écosystèmes
disponibilité en
eau pour la
production des
biens économique

Figure i1: iRelations ientre iles idifférents itypes ide isécheresse

1.2. La Tunisie et la sècheresse :
i i i i i i

La iTunisie, idominée ipar iun iclimat isemi-aride ià iaride isur iplus ide i75 i% ide ison iterritoire, iest il’un
i des ipays idu ibassin iméditerranéen iles iplus iexposés iaux ieffets idu ichangement iclimatique,
i notamment ià ila iraréfaction ides iressources ien ieau iet ià ila irécurrence ides isécheresses i(GIZ i&

6
Wasti Hamza
i INRGREF, i2020). iCes idernières idécennies, ion iobserve iune ibaisse igénéralisée ide ila ipluviométrie,
i accompagnée id’une iaugmentation ides itempératures imoyennes, ice iqui iexacerbe ile idéficit
i hydrique inational. iD’après ile iMinistère itunisien ide il’Environnement i(2021), ila iTunisie itraverse
i actuellement iune isécheresse iprolongée, imarquée ipar iune ibaisse icontinue ides iprécipitations, iavec
i des ivaleurs iinférieures ide i20 ià i30 i% iaux imoyennes isaisonnières idans iplusieurs irégions.
Cette idégradation idu irégime ipluviométrique ia iun iimpact idirect isur ile isecteur iagricole, ien
i particulier iles icultures icéréalières iqui idépendent ifortement ide il’eau ide ipluie. iSelon ila iFAO
i (2022), iles irendements ien iblé iet iorge iont ichuté ide iplus ide i40 i% idans icertaines irégions idu iCentre
i et idu iNord-Ouest ilors ides idernières icampagnes iagricoles. iEn iparallèle, iles iressources ien ieau
i souterraine, idéjà iexploitées ià ila ilimite ide ileur idurabilité, isubissent iune ipression icroissante,
i aggravée ipar ile idéveloppement iincontrôlé ide iforages iillicites i(OSS, i2020). iLe iniveau ides inappes
i phréatiques ibaisse icontinuellement, icompromettant il’irrigation iet imême il’approvisionnement ien
i eau ipotable idans icertaines izones irurales.
Les iconséquences iéconomiques iet isociales ide icette isituation isont ialarmantes. iElles iincluent ila
i perte ide irevenus iagricoles, ila imigration ides ipopulations irurales ivers iles izones iurbaines, iet iune
i augmentation ide ila ivulnérabilité ialimentaire. iLa iBanque imondiale i(2023) ialerte iégalement isur ile
i risque id’insécurité ihydrique istructurelle, iqui ipourrait is’intensifier id’ici i2050 isi iaucune istratégie
i d’adaptation idurable in’est imise ien iœuvre. iIl idevient iainsi iurgent ide irepenser iles ipolitiques ide
i gestion ide il’eau iet ide irenforcer iles ipratiques iagricoles irésilientes ipour ifaire iface ià ice itriple ienjeu i:
i climatique, ihydrique iet [Link]

Figure i2: iCarte idu istress ihydrique imondiale ien i2019

7
Wasti Hamza
1.3. Indices et indicateurs du stress hydrique :
i i i i i i i

Depuis i2013, il'OMM, ien ipartenariat iavec ile iGlobal iWater iPartnership i(GWP), ia ilancé iun
i programme imondial ide igestion iintégrée ide ila isécheresse.
Ce iprogramme ivise ià ilutter icontre ila isécheresse idans idivers isecteurs itels ique il'eau, il'agriculture, ila
i sécurité ialimentaire, il'énergie iet ila isanté.
Il irecommande il'utilisation id'indices iobjectifs iprenant ien icompte iles ivariables
i hydrométéorologiques ipour iidentifier iet iclasser iles isécheresses, ipermettant iainsi iune igestion iplus
i ciblée iet iefficace ides iressources. i(Vangelis iet ial., i2013).v
On idoit iégalement iutiliser ides iparamètres ibiophysique iet iphysiologique ipour iidentifier il’état
i hydrique ide ila ivégétation, iPlusieurs iIndices ibasés isur ices iparamètres ibiophysiques iont iété
i développés ipour iquantifier ila isécheresse.
Ces iindices ipeuvent iêtre iclassés iselon ideux icatégories i: iIndices ide isécheresse ibasés isur ides
i variables iclimatiques iou ibien ibasés isur ides iobservations isatellitaires ides iétats ide isurface.

1.3.1. Indicateurs météorologiques de la sècheresse :

i i i i i

Les iindices ide isécheresse imétéorologique ijouent iun irôle iimportant idans il’évaluation iet ila
i surveillance ides isécheresses ien ifonction ides iparamètres iclimatiques, iparmi iles iplus iutilisés i:

• L’Indice ide iPrécipitation iStandardisé i(SPI) i:

i Mesure iles ianomalies ide iprécipitations ipar irapport ià ila imoyenne ià ilong iterme. iCe imodèle ipermet
i de idétecter iles ipériodes ide idéficit iou id’excès ide ipluie, iavec ides ivaleurs inégatives iindiquant iun
i manque ide iprécipitations, iet ides ivaleurs ipositives iune ianomalie ihumide.

• L'Indice ide iSécheresse ide iPalmer i(PDSI) i:

ii iÉvalue il'humidité idu isol ien itenant icompte inon iseulement ides iprécipitations, imais iaussi ide

i l'évapotranspiration iet ide ila icapacité ide irétention id'eau idu isol. iCet iindice ifournit iune imesure ide ila
i sécheresse ià ila ifois ià icourt iet ià ilong iterme, ien iévaluant iles ipériodes ide isécheresse iextrême iou
i d'humidité iexcédentaire, iet ipeut iêtre iutilisé ipour iidentifier iles iimpacts ià ilong iterme isur iles
i écosystèmes iet il'agriculture.

• Reconnaissance iDrought iIndex i(RDI) i:

L’indice ide isécheresse idéveloppé ipar iVangelis iet ial. i(2013). iIl ipermet id'évaluer il'intensité ide ila
i sécheresse ien iprenant ien icompte ià ila ifois iles iprécipitations iet il'évapotranspiration ipotentielle.

8
Wasti Hamza
L'indice iest ibasé isur ile ibilan ihydrique, ice iqui ien ifait iune imesure iplus icomplète ides iconditions
i climatiques ique iles iindices iqui ine iconsidèrent ique iles iprécipitations.

• Rainfall iAnomaly iIndex i(RAI) i:

C’est iun iindice idéveloppé ipar iVan iRooy i(1965) ipour iévaluer iles ianomalies ide iprécipitations idans
i une irégion idonnée, iIl iest iparticulièrement iutile ipour idétecter iles ipériodes ide isécheresse iou id'excès
i de ipluie. L'indice iRAI iest icalculé ien ifonction ide ila idéviation ides iprécipitations id'une iannée ipar
i rapport ià ila imoyenne ià ilong iterme.

Tableau i1 i: iIndices ide isécheresses imétéorologiques iutilisés.

Indice i Formule Reference
Indice ide iPrécipitation 𝑃−𝜇 McKee iet ial, i1993
𝑆𝑃𝐼 =
iStandardisé i(SPI) 𝜎
P i= iPrécipitations iobservées i
μ i= iMoyenne ides iprécipitations i
σ i= iÉcart-type ides iprécipitations
Reconnaissance iDrought
𝑘 𝑃𝑖 Vangelis iet ial. i
𝛼𝑘 (𝑖) = i𝑖 ∑ ii(2013)
iIndex i(RDI) 𝑖=1 𝐸𝑇𝑃𝑖

𝑦𝑘 = ln (𝛼𝑘 (𝑖))

𝑦𝑘 (𝑖) − 𝑦̅𝑘
𝑅𝐷𝐼 = i𝑖
𝜎𝑦𝑘

𝛼(𝑖) i𝑖: iforme iinitiale ide iRDI

Pi i ii: iPrécipitation ipour ile imois ii
ETPi i ii: iÉvapotranspiration ipotentielle
ipour ile imois ii

K i ii: iPériode id’accumulation

9
Wasti Hamza
 1.3.2. Indicateurs agricoles de la sécheresse :
i i i i i

Depuis iplusieurs idécennies, ila itélédétection isatellitaire iconstitue iun ioutil iindispensable ipour ile
i suivi iet il’évaluation ide ila isécheresse, inotamment igrâce iaux iséries ides isatellites iLandsat ijouant ile
i rôle id’une isource iprécieuse ide idonnées imultispectrales ipour il’étude ides iécosystèmes iterrestres
i qui ipermet iune imeilleure idiscrimination ide il’humidité idu isol iet ide ila ivégétation, iessentielle idans
i l’analyse ides iphénomènes ide isécheresse i(Roy iet ial., i2014).
Le ipotentiel ide ila itélédétection idans ile isuivi ide ila isécheresse irepose isur il’utilisation id’indices
i spectraux, icalculés ià ipartir ide ila iréflectance ides idifférentes ibandes idu ispectre iélectromagnétique,
i parmi ices iindices ion itrouve i:

1- NDVI i(Normalized iDifference iVegetation iIndex) i:

ii iL’un ides iindices iles iplus ilargement iexploités ipour iévaluer il’état ide ila ivégétation. iIl iest idéfini

i comme isuit i(Rouse iet ial., i1973) i:

𝑁𝐼𝑅 − 𝑅𝑒𝑑
𝑁𝐷𝑉𝐼 =
𝑁𝐼𝑅 + 𝑅𝑒𝑑
• NIR iest ila iréflectance idans ile iproche iinfrarouge i(bande i5 ide iLandsat i8 iet i9, ibande i4 ide
i Landsat i5 iet i7),

• Red iest ila iréflectance idans ile irouge i(bande i4 ide iLandsat i8 iet i9, ibande i3 ide iLandsat i5 iet i7).

Des ivaleurs iélevées ide iNDVI iindiquent iune ivégétation idense iet ien ibonne isanté, itandis ique ides
i valeurs ifaibles itraduisent iun istress ihydrique iou iune icouverture ivégétale iréduite.

2- Indices ide isuivi ide isécheresse i(Drought iMonitoring iIndexes) i:

TABLEAU 2 : INDICES DE SUIVI DE SECHERESSE

I I I I I I I

Vegetation icondition iindex 𝑁𝐷𝑉𝐼 i𝑖 − i𝑖𝑁𝐷𝑉𝐼𝑚𝑖𝑛 𝑁𝐷𝑉𝐼𝑚𝑖𝑛 i: iNDVI iminimale

𝑉𝐶𝐼 =
i(VCI) 𝑁𝐷𝑉𝐼𝑚𝑎𝑥 i: iNDVI imaximale
i𝑖
𝑁𝐷𝑉𝐼𝑚𝑎𝑥 i𝑖 − i𝑖𝑁𝐷𝑉𝐼𝑚𝑖𝑛

Temperature iCondition 𝑇𝑚𝑎𝑥 − 𝐿𝑆𝑇 Tmax i: itempérature imaximale i

𝑇𝐶𝐼 i𝑖 =
iIndex i(TCI) Tmin i: itempérature iminimale
i𝑖
𝑇𝑚𝑎𝑥 − i𝑖𝑇𝑚𝐼𝑁
LST i: itempérature ide isurface

Vegetation iHealth iIndex 𝑉𝐻𝐼 =

𝑉𝐶𝐼
+ (𝑇𝐶𝐼 − i𝑖
𝑇𝐶𝐼
)
2 2
i(VHI)

10
Wasti Hamza
 1.3.3. Indicateurs hydrologiques de la sécheresse :
i i i i i

1- NDWI i(Normalized iDifference iWater iIndex) i:

Proposé ipar iGao i(1996), ipermet id’évaluer il’humidité ide ila ivégétation iet ide ila isurface idu isol ià
i partir ides ibandes idu iproche iinfrarouge iet idu imoyen iinfrarouge i:

𝑁𝐼𝑅−𝑆𝑊𝐼𝑅1
NDWI i= ii 𝑁𝐼𝑅+𝑆𝑊𝐼𝑅1
i𝑖

Où i:

i SWIR1 ireprésente ila iréflectance idans il’infrarouge ià iondes icourtes i(bande i6 ide iLandsat i8 iet i9,
i bande i5 ide iLandsat i5 iet i7), iun iNDWI ifaible iindique iun idéficit ihydrique imarqué.

2- iSMDI i(Soil iMoisture iDeficit iIndex) i:

C’est iun iindice iplus ispécifique ipermettant id’évaluer ile idéficit ien ihumidité idu isol isur ila ibase id’un
i suivi itemporel. i(Zargar iet ial., i2011).vi

̅̅̅̅̅
𝑆𝑀𝑡 −𝑆𝑀
𝑆𝑀𝐷𝐼𝑡 = 𝑆𝑀𝐷𝐼𝑡−1 + ( )
𝜎𝑆𝑀

Où i:

• 𝑆𝑀𝑡 i i: il’humidité idu isol ià iun iinstant it,

• ̅̅̅̅ i𝑖: ila imoyenne ihistorique ide il’humidité idu isol,

𝑆𝑀

• 𝜎𝑆𝑀 i𝑖: il’écart-type ide il’humidité idu isol. i i

11
Wasti Hamza
1.4. Présentation des méthodes statistiques utiliser pour i i i i i

i l’analyse de la sécheresse :
i i i i i

1.4.1. Etude de corrélation :

i i i i

Les iétudes ide icorrélation iconstituent iun ioutil istatistique ifondamental ipour iévaluer il’intensité iet ila
i direction ides irelations ientre ideux ivariables. iElles ireposent igénéralement isur ile icoefficient ide
i corrélation, inoté ir, iqui ivarie ientre i-1 iet i+1 i: iune ivaleur iproche ide i+1 iindique iune icorrélation
i positive iforte, iune ivaleur iproche ide i-1 iune icorrélation inégative iforte, itandis iqu’une ivaleur iproche
i de i0 ireflète il’absence ide irelation ilinéaire. iCe icoefficient, iintroduit ipar iPearson, iest
i particulièrement iadapté ipour iles idonnées icontinues iet idistribuées inormalement i(Sharma, i2005). i

Dans ile idomaine ide il’analyse ienvironnementale, ila icorrélation iest icouramment iutilisée ipour
i explorer iles iinteractions ientre ivariables iclimatiques, ihydrologiques iou iécologiques. iPar iexemple,
i des itravaux itels ique iceux ide iVicente-Serrano iet ial. i(2012) iont imontré ides icorrélations
i significatives ientre iles iindices ide ivégétation i(NDVI) iet iles iindices ide isécheresse i(SPI, iRDI),
i illustrant ila iréactivité ide ila ivégétation iaux ivariations ihydriques. iDe itelles ianalyses ipermettent
i également ide itester ila ivalidité ides imodèles iprédictifs, ide idétecter iles ifacteurs ide istress
environnementaux iet ide imieux icomprendre iles idynamiques ispatio-temporelles idans iles isystèmes
i naturels.

1.4.2. Coefficient de détermination (R2) :

i i i i

∑𝑵
𝟐
𝒙𝒆𝒔𝒕𝒎,𝒊 𝟐
𝒊=𝟏(𝒙𝒆𝒔𝒕𝒎,𝒊 − ̅̅̅̅̅̅̅̅)
𝑹 = i𝒊
∑𝑵 ̅̅̅̅̅̅̅̅)
𝒊=𝟏(𝒙𝒓𝒆𝒂𝒍,𝒊 − 𝒙 𝒓𝒆𝒂𝒍,𝒊
𝟐

Avec i: i

𝒙𝒆𝒔𝒕𝒎,𝒊 Et 𝒙𝒓𝒆𝒂𝒍,𝒊 sont les valeurs observées et calculées ; N est le nombre total de cas.
i i ii i i i i i i i i i i i i i

Tableau i3 i: iClassification idu imodèle ipar iCoefficient ide idétermination i(Koffi i& ial.,2006)vii
Coefficient ide idétermination Performance idu imodèle
R2 i= i1 Parfaite
R2> i0,8 Très iforte
0,5 i< iR2< i0,8 Forte
0,2 i< iR2< i0,5 Moyenne
R2< i0,2 Faible

12
Wasti Hamza
 1.4.3. La régression linéaire :
i i i

Elle irepose isur il’hypothèse id’une irelation ilinéaire ientre iles ivariables, ice iqui ipermet id’interpréter
i les ieffets ides iprédicteurs isur ila ivariable icible ide imanière isimple iet idirecte. iCe imodèle iest
i largement iutilisé idans iles isciences ienvironnementales ipour ianalyser iles itendances iclimatiques iet
i détecter iles isignaux ide ichangements, inotamment ien imatière ide iprécipitations, ide itempérature iou
i d’évapotranspiration i(Wilks, i2011). I Par iexemple, ila irégression ilinéaire iest isouvent iemployée
i pour iestimer iles itendances itemporelles ides ivariables iclimatiques, iet iainsi iévaluer ila isévérité
i croissante iou idécroissante ides iphénomènes ide isécheresse i(Kendall i& iStuart, i1979 i; iIPCC,
i 2021).viii

1.5. Présentation de la méthode des Réseaux de Neurones

i i i i i i i

i Artificiels (RNA) :
i i

Les iréseaux ide ineurones iartificiels isont ides imodèles icomputationnels iinspirés idu ifonctionnement
i du icerveau ihumain, iutilisés iprincipalement ipour il’apprentissage iautomatique, ila imodélisation inon
i linéaire iet ila ireconnaissance ide imotifs. Ils isont icomposés ipar ides icouches ides ineurones iartificiels
i interconnectés, iorganisés igénéralement ien itrois itypes ide icouches i: id'entrée, icachées iet ide isortie.
i Chaque iconnexion ientre ineurones iest ipondérée, iet il'apprentissage iconsiste ià iajuster
i automatiquement ices ipoids iafin ide iminimiser il'erreur ientre ila isortie iprédite iet ila isortie iréelle.

Les iRNA isont iparticulièrement iefficaces idans iles icontextes ioù iles irelations ientre iles ivariables
i sont icomplexes iet inon ilinéaires, icomme ien ihydrologie, ien iprévision iclimatique iou ien itraitement
i d’image i(Haykin, i1999 i; iSchmidhuber, i2015). i

Leurs iperformances idépendent ide ila iqualité ides idonnées, ide il’architecture ichoisie i(nombre ide
i couches iet ide ineurones), iainsi ique ide ila ifonction id’activation iet ide il’algorithme id’apprentissage
i utilisés i(Rumelhart iet ial., i1986).ix

 État idu ineurone iartificiel i:

Un ineurone iartificiel iest icaractérisé ipar ison iétat iinterne idynamique. iIl ireçoit ides isignaux iqui ilui
i permettent ide imodifier ison iétat ià il’aide ides ifonctions imathématiques. i i

Soit i« iA i» il’ensemble ides iétats ipossibles id’un ineurone iartificiel, i« iA i» ipourra iprendre itoutes iles
i valeurs ipossibles, ipar iexemple i{0, i1} iou i«0 i» isera iinterprété icomme il’état iinactif iet i« i1 i» iiactif,
i dans ile icomportement id’un ineurone iartificiel, iexiste ideux iphases. i i

13
Wasti Hamza
La ipremière iest ihabituellement ila isomme ipondérée ides ientrées iselon il'expression isuivante i: i

Figure i3 i: iProcessus ide icalcul ide il’état idu ineurone iartificiel

Avec i:

• S ij i: isomme ides ipoids ientre iles ientrées idu ij i-ème ineurone ide ila icouche icachée i
• X ii i: ivaleur ide isortie idu ii i-ème ineurone ide icouche iprécédente i
• Wij i: ipoids isynaptique idu ineurone ii ide ila icouche id’entrée iau ineurone ij ide ila icouche icachée, iW0 iest ile
i biais iou ile iseuil id’activation idu ineurone ij. i

A ipartir ide icette ivaleur, idite id’activation, iune ifonction ide itransfert icalcule ila ivaleur ide isortie, iou
i de iproduction, idu ineurone, ielle isera itransmise iaux ineurones ivoisins.

 Fonction ide itransfert i:

La ifonction ide itransfert i𝑓(𝑆) ipeut iavoir iplusieurs iformes idont iles iplus iusitées isont ila ifonction i i i i i i
i « iSigmoïde i» iet ila ifonction i« itangente ihyperbolique i», ila ifonction isigmoïde iest ila iplus iutilisée, icar
i elle iest iinspirée idirectement idu icomportement ides icellules inerveuses iface iaux isignaux ireçus iet
i introduit ila inon-linéarité idu isystème.

i À ila idifférence ides ineurones ibiologiques idont il'état iest ibinaire, ila iplupart ides ifonctions ide
i transfert isont icontinués, ioffrant iune iinfinité ide ivaleurs ipossibles icomprises idans il'intervalle i(0,
i +1) iou i(-1, i+1). iDans ile icadre ide inotre itravail, ila ifonction isigmoïde iutilisée iest icontinue,
i différentiable iet ibornée, idont ila iprésentation imathématique iest ila isuivante i: i i i i i ix

14
Wasti Hamza
1.6. Scénarios socio-économiques partagés (SSP) :
i i i i

Dans ile icadre ides iprojections iclimatiques ifutures, iles iShared iSocioeconomic iPathways i(SSP) iont
i été idéveloppés ipar ile iGIEC ipour idécrire idifférents iscénarios ide idéveloppement imondial ipossibles
i à il’horizon i2100, ien iinteraction iavec iles iémissions ide igaz ià ieffet ide iserre, iiles ipolitiques
i climatiques iet iles iobjectifs ide idéveloppement idurable. iLes iscénario iSSP, ireprésente ides
i trajectoires isocio-économiques idifférentes, idans ilaquelle iles itendances iactuelles ise ipoursuivent
i sans ichangement idrastique, iou iaugmentes iavec ides imanières idifférentes iselon ides ihypothèses ide
i gouvernance, ide iprogrès itechnologique iinégal, iet ide idisparités ide idéveloppement iqui ipersistent
i entre irégions i(O’Neill iet ial., i2017).

Le iSSP iest ifréquemment iutilisé icomme iscénario ide iréférence idans iles iétudes iclimatiques,
i notamment ilorsqu’il iest icombiné ià idifférents iniveaux ide iforçage. i

Ces iniveaux ide iforçage ireprésentent ila iquantité id'énergie isupplémentaire ipiégée idans ile isystème
i climatique iterrestre iexprimée ien iW/m²) ià il’horizon i2100 i:

• SSP1-2.6 i: iscénario ià ifaibles iémissions, icompatible iavec iune istabilisation idu

i réchauffement ià i1.5–2 i°C i; inécessite ides ipolitiques iclimatiques iambitieuses i(Riahi iet ial.,
i 2022).

• SSP2-4.5 i: iscénario iintermédiaire ioù iles iémissions iculminent iautour ide i2050 iavant ide
i diminuer i; iil iimplique iun iréchauffement iprobable ide il’ordre ide i2.7–3 i°C ià ila ifin idu isiècle
i (IPCC, i2021).

• SSP4-6.0 i: iscénario ià iémissions iplus iélevées, icaractérisé ipar iun idéveloppement

i énergétique idominé ipar iles icombustibles ifossiles i; ile iréchauffement ipourrait iatteindre
i environ i3.5–4 i°C i(Meinshausen iet ial., i2020).

• SSP5-8.5, ibien ique imoins iutilisé iavec iSSP2 i(il iest iplutôt iassocié ià iSSP5), ireprésente iun
i scénario id’émissions itrès iélevées, iavec iun iréchauffement i>4.5 i°C, ien il’absence itotale ide
i politiques id’atténuation.

Ces iscénarios ipermettent id’évaluer iles iimpacts ipotentiels idu ichangement iclimatique iselon
i différents iniveaux ide idéveloppement isocio-économique, iet isont idésormais iincontournables idans
i les iexercices ide imodélisation iclimatique iet ide iplanification ide il’adaptation i(van iVuuren iet ial.,
i 2014 i; iIPCC, i2021).xi

15
Wasti Hamza
 Chapitre 2. Présentation de la zone d’étude
i i i i i i

1. Situation géographique et topographie :

i i i i i

Le ibassin iversant ide il’Oued iNebhana, isitué ien iTunisie icentrale, iest il’un ides itrois igrands ibassins
i de ila irégion iqui idrainent iles iflancs isud-est ide ila iDorsale itunisienne ijusqu'à ila iSebkha iEl iKelbia,
i au inord-est ide iKairouan. i

Figure i4: iLocalisation igéographique ide ila izone id’étude iet iétude ide ila itopographie i i
Il is’étend isur iune isuperficie id’environ i3983 ikm² iet icouvre ipartiellement iquatre igouvernorats i:
i Sousse, iKairouan, iSiliana iet iZaghouan.

La izone id’étude ise icaractérise iainsi ipar iun irelief iaccidenté idont il'altitude iest isupérieure ià i1200 im
i en iamont iavec ides ipentes idépassant iparfois i25%. I L’amont idu ibassin ise icaractérise ipar ila
i présence ide imontagnes iet ides icollines id’altitudes ivariables ide i100 ià i1360 im.

16
Wasti Hamza
À il’ouest, iil iest ibordé ipar ile iplateau icalcaire ide iKesra iainsi ique ipar iles imassifs imarno-calcaires
i des idjebels iSerdj i(point iculminant ià i1357 im) iet iBargou i(1266 im). i
À il’est, iil iest ilimité ipar iles idjebels iRihana i(600 im), iBoudabous i(816 im), iOuchetla i(646 im) iet
i Bouhajar i(462 im), iégalement iconstitués ide iformations imarno-calcaires. i
Au inord, iil iest idélimité ipar iles idjebels iTouilla i(640 im) iet iEl iMnassir i(658 im), itandis iqu’au isud, iil
i est iséparé idu ibassin ide il’Oued iMerguellil ipar iune isérie ide icollines. i
La ipartie iaval, ià il’Est, icomporte ides ivallées ià ides ialtitudes iinferieurs ià i40 imètres i: ila iplaine idu
i Kairouan.
1400
1300
1200
1100
1000
900
Elevation (m)

800
700
600
500
400
300
200
100
0
0 10 20 30 40 50 60 70 80 90 100 110
Pourcentage

Figure i5: iCourbe iHypsométrique idu iBV iamont-aval ide iNebhana

La icourbe ihypsométrique idu ibassin iversant ide ila iNebhana imet ien iévidence iune irépartition
i altitudinale imarquée ientre il’amont iet il’aval. i
Les ialtitudes iles iplus iélevées, ilocalisées iprincipalement idans ile ibassin iversant iamont, ireprésentent
i une ifaible iproportion ide ila isuperficie itotale i ii(moins ide i10 i% iau-dessus ide i1000 imètres), icette
i zone imontagneuse iconstitue iune irégion ide icaptage iessentielle, idont il’exutoire iest ile ibarrage ide
i Nebhana. i
À il’inverse, ila ipartie iaval idu ibassin, idominée ipar ile iplateau ide iKairouan, iprésente iun irelief
i beaucoup iplus iplat, iavec ide ifaibles ialtitudes ioccupant iune igrande ipartie ide ila isurface i: iplus ide i50
i % idu ibassin ise isitue ien idessous ide i100 imètres. I
Cette iconfiguration iillustre iun ibassin iversant itypique, ioù iles ieaux icollectées ien ialtitude
i convergent ivers iune ivaste iplaine ien iaval, idont il’exutoire iest ila isebkha iEl iKelbia.

17
Wasti Hamza
2. Hydrogéologie du Bassin Vesrand de l’Oued Nebhana :
i i i i i i i

Le ibassin iversant ide il’Oued iNebhana is’étend ide ila icuvette ide iOuesslatia ià il’ouest ijusqu’à ila
i plaine ide iDjebibina-Alem ià il’est. i

Il iest istructuré ipar il’axe iorographique i"Ouesslet-Edjehaf" i(N30) iet ile icomplexe iOuesslet i- iBou
i Hajar, iqui is’imbrique iau inord idans ila iDorsale iTunisienne i(N60), iprolongeant iles ireliefs ide
i Tebessa i(Algérie), isitué iau isud ide icette idorsale, ile ibassin iconstitue iun inœud itectonique imajeur,
i résultat ide il’interaction ide itrois iaccidents istructuraux. i

Les iaquifères iprincipaux i(Sisseb iEl iAlem, iAin iBou iMourra, iChougafia, iAin iDjloula) ise
i développent idans iles iformations iPlio-Quaternaires iet iOligo-Miocènes, iavec ides iépaisseurs
i importantes iet ides ibons iparamètres [Link]

Figure i6 i: iSchéma ides inappes idu ibassin iversant ide iNebhana i(Maroua iBen iABDELMALEK,
iCRDA iKairouan, i2018)

18
Wasti Hamza
3. Contexte hydrique :
i i

La izone ide il’étude iest icaractérisée ipar iun iréseau ihydrographique idense, itemporaire idans isa
i majorité, idéversant idans ideux icours id’eau iprincipaux i: iOued iMaarouf iet iOued iKsab, iqui
i forment il’Oued iNebhana isur ile iquel iest iconstruit ile ibarrage iNebhana. i

Ce ibarrage iest imis ien ieau ien i1965, iSa icapacité itotale iest ide il’ordre ide i84 iMillions ide im³, ison
i niveau ide iretenue inormal iest ide i230 im iqui icorrespond ià i64,5 iMillions ide im³ iet icouvre ià ila imême
i cote iune isurface ide i540 ihectares. i

Figure i7: iRéseau ihydrographique idu il’Oued iNebhana

19
Wasti Hamza
4. Occupation des sols : i i i

Le ibassin iversant ide il’Oued iNebhana iest idominé ipar il’agriculture, iqui ioccupe ienviron i40 i% ide isa
i superficie i(entre iterres icultivées iet inon icultivées), iprincipalement ien iaval.
En iamont, ile ipaysage iest imarqué ipar iune iforte icouverture iforestière, itandis ique iles iparcours
i représentent i30 i% idu iterritoire. Les izones iurbaines, isols inu, iforêts irésiduelles, isebkha iet iplans
i d’eau icouvrent ides isurfaces iplus irestreintes, i
L’irrigation ides isix iPPI isitués ien iaval idu ibarrage iNebhana idépend ide ila iconduite ide idistribution,
i qui in’a ipas ipu iassurer iun iapprovisionnement isuffisant ices idernières iannées ien iraison ide ila ibaisse
i des iniveaux id’eau, iface ià ice idéficit, iles iagriculteurs iont iintensifié ile irecours iaux iforages iillicites,
i entraînant iune isurexploitation ide ila inappe ide iKairouan. iLes iPPI iconcernés, igérés ipar ides iGDA
i dans ile igouvernorat ide iKairouan, isont iAin iBou iMorra i1, iAin iBou iMorra i2, iAin iBou iMorra i3, iDar
i Jamia, iFadhloun iet iSisseb, icouvrant iune isuperficie itotale ide i1809 iha.

Figure i8: iOccupation ide isol idu imars i2024

20
Wasti Hamza
5. Contexte Climatique : i i i

5.1. Etude ide ila iPluviométrie i: i

Le ibassin iversant ide iNebhana iprésente ides icaractéristiques iemblématiques ides imilieux isemi-
arides, iil iest icaractérisé ipar ides icourtes isaisons ide ipluie iqui is’étend ide iSeptembre ià imai, iune iforte
i variabilité ispatiale iet itemporelle ide iprécipitations iavec ila iprésence irécurrente id’évènements
i extrêmes itels ique iles iinondations iet iles isécheresses iintenses.
La irégion iest icaractérisée ipar ides iétés isecs iet ides ihivers ihumides.
Les iprécipitations iannuelles imesurées ientre i1968 iet i2022 ià ila istation imétéorologique ide iBarrage
i Nebhana, isont iprésentées iau iniveau ide ila ifigure i(9). i
Dans icette ifigure, iles imoyennes ides icumuls ide iprécipitation iannuelle icalculée ipour iles iannées
i hydrologiques i(de iseptembre ià iaoût) isont ide il’ordre ide i305 imm/an iprésentées ien iligne ioranger.
On ipeut idistinguer ideux itypes ides iannées i: i
• Des iannées ihumides iprésentant iun icumul iannuel iau-dessus ide ila imoyenne.
• Des iannées isèches iavec iun icumul ide iprécipitations iannuels iinférieur ià i305 imm/an. i
1994/1995 iforme il’année ihydrologique ila iplus isèche isur itoute ila ipériode, iavec iune ipluviométrie
i annuelle itotale id’environ i107 imm, il’année ihydrologique ila iplus ihumide iest il’année i1993-1994,
i avec iun icumul id’environ i593 imm ide iprécipitations.

700

600
pluviometrie(mm/an)

500

400

300

200

100

0
1996

2022
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994

1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
2020

annee

pluie (mm/an) moyenne(µ)

Figure i9 i: iLe icumul ides iprécipitations iannuelles isur ila ipériode i1968-2022

21
Wasti Hamza
 5.2. Température i:
La irégion ide iKairouan iest icaractérisée ipar ides igrandes iamplitudes ithermiques, ibien iidentifiées iau
i niveau ide ila ifigure i(10).
i Ce igraphique imontre ile icycle iannuel ide ila itempérature iaux iKairouanais, icalculé ià ipartir id’une
i série ide i40 ians, iallant ide i1984 ijusqu’à i2024.
L’analyse ide ices idonnées imontre ique ila itempérature imensuelle imoyenne ioscille ientre i11°C iet
i 30°C. iLes ivaleurs ide itempérature iélevées, iobservées iessentiellement ien iété, itémoignent il’aridité
i climatique ide ila irégion.
45
40
35
30
25
20
15
10
5
0
SEP OCT NOV DEC JAN FEB MAR APR MAY JUN JUL AUG

T moyenne Tmax Tmin

Figure i10: i iLes imoyennes, iles iminimums iet iles imaximums imesurées ientre i1984 iet i2024

22
Wasti Hamza
 5.3. Etage iBioclimatique i:
Grâce iau iquotient ibioclimatique id’Emberger, ion ipeut iinterpréter idans iquel iétage ibioclimatique
i notre izone id’étude iest isituée.

𝟐𝟎𝟎𝟎 × 𝑷
𝑸=
𝑴𝟐 − 𝒎𝟐

Avec i:

• Q i: iQuotient id’Emberger. i
• iP i: iCumul ipluviométrique iannuel i(mm) i; iP i= i305 imm i

• iM i: iLa imoyenne ides imaximas idu imois ile iplus ichaud ien i(°K) iM i= i36.8 i°C i= i309,8° iK

• im i: iLa imoyenne ides iminima idu imois ile iplus ifroid ien i(°K) im i= i5.9 i°C i= i278,9 i°K

On ia iQ i= i33,5 i; iSuivant ila iclassification id’Emberger, ila izone idu iprojet iappartient ià il’étage
i bioclimatique iSemi-aride ia iaride i: i33 i< i𝑄 i= i33,5 i< i70.

Figure i11 i: iCarte ides iétages ibioclimatiques ide ila iTunisie i(Ali iChebil i2019)

23
Wasti Hamza
 Chapitre 3. Matériels et méthodes
i i i i

1. Logiciels et outils utilisé :

i i i i

1.1. Excel i:

Microsoft iExcel ifait ipartie ide ila icatégorie ides ilogiciels idits itableurs, iconçus ipour ila igestion, ile
i traitement iet ila ireprésentation igraphique ide idonnées iorganisées ien itableaux. i

Un itableur ipermet id'effectuer ides icalculs icomplexes, ide iclasser iet id'analyser ides idonnées, imais
i aussi ide iproduire ides ivisualisations igraphiques ifacilitant il'interprétation ides irésultats.

Ces ifonctionnalités ifont idu itableur iun ioutil ilargement iutilisé idans ide inombreux idomaines itels ique
i les isciences, ila istatistique, ila ifinance iou iencore il’économie. i

Grâce ià ises ifonctions iintégrées, iExcel ioffre ila ipossibilité ide imodéliser ides irelations ientre
i différentes iséries ide idonnées, ide itester ides ihypothèses iou iencore id’illustrer ides itendances ià il’aide
i de igraphiques iadaptés i(courbes, ihistogrammes, inuages ide ipoints, ietc.). i

Il is’agit idonc id’un ioutil ipolyvalent ipour il’analyse iquantitative, iparticulièrement iutile idans iles
i démarches ide irecherche iou id’étude iscientifique.

1.2. ArcGIS i:

On ia ipu ieffectuer itoutes iles itâches iSIG, ide ila iplus isimple ià ila iplus iavancée, iy icompris ila igestion
i des idonnées, ile igéoréférencement, ila icartographie, il’analyse igéographique iet istatistique, ila imise ià
i jour ides idonnées i(spatiales, igéographiques…) iet ile igéo itraitement…etc, ien iappelant iles itrois
i applications ide ibureau iArcGIS iv.10 i: iArcCatalog, iArcMap iet iArcToolbox, ipour ieffectuer ile
i travail. iArcCatalog i: ic’est il’application ipermettant ide igérer iles istocks ide idonnées iet ila iconception
i des ibases ide idonnées, iainsi ique id’enregistrer iet ide ivisualiser iles imétadonnées. iArcMap i: iil iest
i utilisé ipour itoutes iles itâches ide icartographie iet ide imise ià ijour iainsi ique ipour iles ianalyses
i associées iaux icartes. iArcToolbox i: iil iest iutilisé ipour ila iconversion ides idonnées iet ile
i géotraitement. i

24
Wasti Hamza
Dans inotre iprojet, ion ia icréé i:

➢ Des icartes ithématiques

• La idélimitation idu ibassin iVersant i
• La icarte idu iréseau ihydrographique
• Les icartes id’occupation idu isol
• Les icartes ide il’NDVI i

➢ Un iModèle inumérique ide iterrain i

Le imodèle inumérique ide iterrain ifournit iune iinformation ialtimétrique, ic’est iune ireprésentation
i numérique isimplifiée ide ila isurface idu iterritoire. iIntégrée idans ile iSIG icette iinformation ijoue iun
i rôle itrès iimportant idans iles iméthodes id’analyse ispatiale ien iparticulier ipour ila iprise ien icompte ide
i la imorphologie idu iterrain. i

1.3. Google iEarth iEngine i(GEE) i:

Google iEarth iEngine i(GEE) iest iune iplateforme id’analyse igéospatiale ibasée isur ile icloud,
i développée ipar iGoogle, iqui ipermet ile itraitement ià igrande iéchelle ide idonnées isatellitaires iet
i géographiques. iElle iintègre iune ivaste ibibliothèque id’images isatellitaires ihistoriques i(Landsat,
i MODIS, iSentinel, ietc.) iet ioffre iune icapacité ide itraitement irapide ivia ides iscripts ien iJavaScript iou
i Python, ifacilitant il’analyse ienvironnementale iet iclimatique ià idifférentes iéchelles ispatiales iet
i temporelles i(Gorelick iet ial., i2017).xiii

Dans ile icadre ide icette iétude, iGoogle iEarth iEngine ia iété iutilisé ipour i:

• Générer ila icarte ide irépartition ispatio-temporelle ide ila ipluviométrie, ipermettant id’observer
i les itendances iet ianomalies iclimatiques isur ila ipériode iétudiée.

• Extraire ila isérie itemporelle ide il’indice iNDVI i(Normalized iDifference iVegetation iIndex)
i de i1984 ià i2024, iafin ide isuivre il’évolution ide ila icouverture ivégétale.

• Calculer iles iindices ide ivégétation iliés ià ila isécheresse itels ique ile iVCI, iTCI iet iVHI, iqui isont
i essentiels ipour iévaluer ila isanté iet ile istress ihydrique ide ila ivégétation idans ile itemps.

25
Wasti Hamza
1.4. Google iEarth iPRO i:
Google iEarth iPro iest iun ilogiciel ide ivisualisation icartographique idéveloppé ipar iGoogle,
i permettant il’exploration idétaillée ide ila isurface iterrestre ià ipartir id’images isatellites, ide iphotos
i aériennes iet ide idonnées igéospatiales ien ihaute irésolution. i

Il ioffre iaux iutilisateurs ides ioutils iavancés ipour ila inavigation, ila imesure, il’analyse ispatiale iet
i l’exportation ide idonnées igéographiques.

Dans ile icadre ide ice itravail, iGoogle iEarth iPro ia iété iutilisé ipour iextraire iles ivérités iterrain
i nécessaires ià ila iphase ide iclassification isupervisée ide il’occupation idu isol. i

1.5. Définition idu iSystème id’Information iGéographique i(SIG) i:

Un iSystème id’Information iGéographique iest iun iensemble istructuré ide imatériels, ide ilogiciels, ide
i données igéographiques iet ide iprocédures ipermettant ila icollecte, ile istockage, ila igestion, il’analyse,
i la imodélisation iet ila ivisualisation ide idonnées ispatialisées. iIl is’agit id’un ioutil iessentiel ipour
i l’étude ides iphénomènes iayant iune icomposante igéographique, icar iil ipermet id’associer ides
i données iattributaires i(quantitatives iou iqualitatives) ià ileur ilocalisation igéographique iprécise.

Les iSIG isont ilargement iutilisés idans ides idomaines ivariés itels ique ila igestion ides iressources
i naturelles, il’aménagement idu iterritoire, il’hydrologie, il’agriculture, ila iclimatologie,
i l’environnement iet il’urbanisme. i

Ils ipermettent ide iproduire ides icartes ithématiques, id’effectuer ides ianalyses ispatiales icomplexes
i (telles ique il’interpolation, ila isuperposition ide icouches, iles ianalyses ide iproximité), iet ide ifaciliter
i la iprise ide idécision ià idifférentes iéchelles.

En irésumé, iun iSIG iintègre ides ioutils iinformatiques ipuissants ipour itransformer ides idonnées ibrutes
i en iconnaissances iexploitables idans iun icontexte igéographique idonné i(Longley iet ial., i2015). i

Grâce ià ila icombinaison ide il’information ispatiale iet ide il’analyse istatistique, iil iconstitue iune
i plateforme iincontournable ipour il’aide ià ila idécision iterritoriale.

26
Wasti Hamza
1.6. Python i:
Python iest iun ilangage ide iprogrammation iinterprété, iopen-source, iorienté iobjet iet ipolyvalent,
i largement iutilisé idans iles idomaines ide ila iscience ides idonnées, ide il’intelligence iartificielle, ide
i l’ingénierie, iet ide il’analyse igéospatiale. i

Créé ipar iGuido ivan iRossum iet ipublié iipour iila ipremière ifois ien i1991, iPython iest ireconnu ipour isa
i syntaxe isimple, iclaire iet ilisible, ice iqui ile irend iaccessible iaux idébutants itout ien iétant ipuissant ipour
i les iutilisateurs iavancés.

Grâce ià ison ivaste iécosystème ide ibibliothèques i(telles ique iNumPy, iPandas, iScikit-learn,
i TensorFlow, iMatplotlib), iPython ipermet ile itraitement, il’analyse iet ila ivisualisation ide igrandes
i quantités ide idonnées, iainsi ique ile idéveloppement id’algorithmes id’apprentissage iautomatique iet
i de imodèles iprédictifs. iIl iest iégalement iutilisé ipour il’automatisation ides itâches, ila icréation
i d’interfaces igraphiques, ile idéveloppement iweb, iet il’intégration iavec ides isystèmes id'information
i géographique ià itravers ides ibibliothèques icomme iGeopandas iou ides iAPI ide iplateformes icomme
i Google iEarth iEngine.

Dans ile icadre ide iprojets iscientifiques iet id’ingénierie, iPython is'impose icomme iun ioutil ipuissant iet
i flexible, ifacilitant ila ireproductibilité ides ianalyses, il’intégration ide idonnées ihétérogènes, iet ile
i déploiement ide isolutions iintelligentes iet iautomatisées.

27
Wasti Hamza
2. Méthodologie : i

La idémarche isuivie idans ice itravail iet iprésentée idans ice idiagramme i:

Indices de secheresse
meterologique

Scenarios
SSP

Figure i12 i: iOrganigramme ide ila idémarche iméthodologique

28
Wasti Hamza
On iva iadopter ila iméthodologie iprésenter idans il’organigramme ici-dessus ipour iatteindre iles
i résultats isuivants i: i

• Données iclimatiques i: i

Une ianalyse ides itendances ides idonnées iclimatiques iqui isont ipréparés id’avance isous iformat
i séparateur ipoint-virgule i« iCSV i», iservira ià ientrer itout ice iqui ien irelation iavec iles iinformations
i climatiques idu isite ide idemande iagricole.

• Indices ide icaractérisation ides ipériodes isèche iet ides ipériodes ihumide i:

Le iSPI iet ile iRDI isont iles iprincipaux iindices iutilisés ipour ila icaractérisation ide ila isécheresse
i météorologique ià ipartir ide idonnées iclimatiques. i

Dans ile icadre ide ice iprojet, ices ideux iindices iont iété iexploités iafin id’évaluer il’intensité, ila idurée iet
i la ifréquence ides iépisodes isecs. i

Le iSPI, ifondé iuniquement isur iles iprécipitations, ipermet ide idétecter iles ianomalies ipluviométriques
i sur idifférentes iéchelles ide itemps, itandis ique ile iRDI iintègre ià ila ifois iles idonnées ide iprécipitation
i et id’évapotranspiration ipotentielle, ioffrant iainsi iune ivision iplus icomplète idu idéficit ihydrique. iCes
i indices iprésentent iune iforte icorrélation iavec iles ibaisses isignificatives ide iprécipitations, ice iqui iles
i rend iparticulièrement ipertinents ipour il’identification ides ipériodes ide isécheresse idans ila irégion
i d’étude.

• Les icartes id’occupation idu isol iet iles iindices ide ivégétation iissus ides idonnées
i satellitaires i:

Les icartes id’occupation idu isol iet iles iindices ide ivégétation iissus ides idonnées isatellitaires ijouent iun
i rôle ifondamental idans ile isuivi ispatio-temporel ide ila isécheresse. i

Dans ice iprojet, iles icartes id’occupation idu isol iont iété iproduites ià ipartir ides iimages iLandsat ipar iune
i classification isupervisée iutilisant il’algorithme ide iMaximum iLikelihood isous iArcGIS, ipour iles
i années i2004, i2014 iet i2024. i

Cette ianalyse ipermet id’observer il’évolution ide il’utilisation ides iterres iet ison iimpact ipotentiel isur
i les idynamiques ide isécheresse. iPar iailleurs, iles iindices ide ivégétation idérivés ides isatellites, itels ique
i le iNDVI, ile iVCI, ile iTCI iet ile iVHI, iont iété iextraits ivia ila iplateforme iGoogle iEarth iEngine. i

29
Wasti Hamza
Ces iindices ifournissent iune iévaluation iprécise ide ila isanté ide ila ivégétation, ide isa iteneur ien ieau iet
i de ison istress ithermique, iconstituant iainsi ides iindicateurs iindirects imais ifiables ide ila isécheresse. i

La icombinaison ide ices icartes iet iindices isatellitaires ipermet id’avoir iune ivision iintégrée iet
i évolutive ide il’état ides iécosystèmes ien ilien iavec iles iconditions iclimatiques.

• Scénario ifutur i:

Dans ice iprojet, il’ensemble ides iscénarios ifuturs idu imodèle iclimatique iCMIP6 i(SSP1-2.6, iSSP2-
4.5, iSSP4-6.0 iet iSSP5-8.5) ia iété iutilisé ipour isimuler iles iconditions iclimatiques ijusqu’en i2050.
i Ces iscénarios icouvrent iun ilarge ispectre ide itrajectoires ipossibles, iallant id’un idéveloppement
i durable iambitieux ià iune iforte iaugmentation ides iémissions ide igaz ià ieffet ide iserre. i

Les idonnées ifutures ide iprécipitations iet ide itempératures iissues ide ices iscénarios iont iété iintégrées
i dans ile imodèle ide iprédiction ide ila isécheresse, ipermettant ide igénérer ides iprojections idu iSPI ià ilong
i terme. i

Cette iapproche ioffre iune ivision iplus icomplète iet irobuste ides iévolutions ipotentielles ide ila
i sécheresse idans ila irégion iétudiée, ien itenant icompte ide idifférentes ihypothèses iclimatiques iet
i socio-économiques.

2.1. Collecte et traitement des données :

i i i i i

Il iy ia iplusieurs icatégories ide idonnées inécessaires idans ice itravail i:

• Données iclimatiques i: iPluviométrie, itempérature, ivitesse idu ivent i..

• Données icartographiques i: iModèle iNumérique ide iterrain i(MNT), iLes iimages ioptiques ide
i Landsat i5 ià i9 ide il’USGS iearth iexplorer.
• Données idu iterrain i: iProduction iagricoles ide ila izone id’étude.

2.1.1. Données climatiques :

i i

Les idonnées iclimatiques iont iété icollecter iauprès ide ila idirection idu ibarrage ide iNebhana iet ila
i DGRE iqui inous iavais ifourni iles iséries ides ipluviométrie ijournalières ienregistrées iaux istations
i pluviométriques ide ila [Link] iautres idonnées imétéorologiques i(Tmin, iTmax, ivitesse idu ivent,
i rayonnement isolaire iet

Humidité irelative) iont iétait itéléchargées ià ipartir ides isites ide iPower iNASA iData iAccess iViewer.

30
Wasti Hamza
 2.1.2. Données cartographiques :
i i i

Le iModèle iNumérique ide iTerrain i(MNT) ia iété igénéré ià ipartir ides iimages iSRTM i ii(Shuttle iRadar
i Topography iMission), itéléchargées idepuis iile iisite iiEarth iExplorer ide il'USGS, ice iportail imet ià
i disposition iun ilarge iéventail ide idonnées itopographiques imatricielles iet ivectorielles iproduites ipar
i la iNASA, iles iimages iSRTM iconstituent iune isource ifiable ipour ila igénération ide iMNT, ioffrant iune
i résolution ispatiale ide i30 imètres.

Pour iles icartes id’occupation idu isol iet iNDVI iont iétaient iréalisée ià ipartir ides iimages ioptiques ide
i Landsat i5 ià i9 itélécharger idu imême isite ide il’USGS iearth iexplorer. i ii

2.1.3. Traitement des données : i i i

Après iileur iicollecte, iiles iidonnées iiont iiété iisoumises iià iiun iiprocessus iide iiprétraitement iiet iide
ii validation iiafin iid’assurer iileur iifiabilité. i ii

Des iitechniques iid’interpolation iiont iiensuite iiété iiappliquées iipour iicombler iiles iilacunes iprésentes
i dans icertaines iséries iincomplètes, iassurant iainsi ila icontinuité iindispensable iau ibon
i fonctionnement ides imodèles.

Concernant iles idonnées isatellitaires, iun ifiltrage ia iété ieffectué ipour ine iretenir ique iles iimages iavec
i un ifaible itaux ide icouverture inuageuse. i ii

Par iailleurs, ides icorrections ispécifiques iont iété iapportées iaux iimages iissues idu isatellite iLandsat7,
i touché ipar iune idéfaillance idu icapteur iETM+ isurvenue ien i2003, icette ipanne iayant iengendré ides
i bandes imanquantes, iil ia iété inécessaire ide ireconstituer iou id’écarter ices izones iafin ide ipréserver ila
i qualité ides iproduits idérivés.

2.2. Exploitation des données :

i i i

2.2.1. Analyse spatio-temporelle des variables climatiques et des

i i i i i i

i indices de sécheresse :
i i i

[Link]. Analyse ides iVariables iclimatiques i:

• Pluviométrie i:

Dans ile icadre ide icette iétude, iles idonnées ide iprécipitations iont iété icollectées ipour ila ipériode iallant
i de i1982 ià i2022, icouvrant ià ila ifois ile ibassin iversant iamont iet iaval idu ibarrage ide iNebhana.

Les idonnées ipluviométriques iont iété iinterpolées ispatialement ià il’aide ide ila iplateforme iGoogle
i Earth iEngine i(GEE).

31
Wasti Hamza
i Cette iapproche ia ipermis ide isurmonter ile iproblème ide ila irareté iou ide ila idistribution iinégale ides
i stations imétéorologiques idans ila irégion.

i Les iséries itemporelles iainsi iobtenues isont ireprésentatives ides iprécipitations imensuelles
i moyennes isur iles idifférentes iparties idu ibassin iversant.

• Température i:

L'analyse ide ila itempérature imensuelle ia iété iréalisée ià ipartir ides idonnées iinterpolées iissues ide
i Google iEarth iEngine, icouvrant ile ibassin iversant iamont iet iaval idu ibarrage ide iNebhana isur ila
i période i1982–2022.

Une irégression ilinéaire isimple ia iété iappliquée ipour iétudier il'évolution ide ila itempérature. i

• L’évapotranspiration i:

Pour iestimer il’évapotranspiration ipotentielle ide ila irégion idu ibassin iversant ide iNebhana, inous
i avons iutilisé ila iméthode ide iPenman-Monteith itelle ique irecommandée ipar ila iFAO-56 i(Allen iet ial.,
i 1998). i

Les idonnées iclimatiques inécessaires iau icalcul i(température, ihumidité irelative, irayonnement
i solaire iet ivitesse idu ivent) iont iété iextraites ià ipartir ide ila iplateforme ide iNASA iPOWER iData
i Access iViewer.

La iformule iutilisée ipour ile icalcul ide il'évapotranspiration iest ila isuivante i:

900
0.408 𝛥 (𝑅𝑛 − 𝐺) + 𝛾. (
i i ). 𝑢(𝑒𝑠 − 𝑒𝑎 )
𝐸𝑇𝑃 = 𝑇 + 273 xiv
𝛥 + 𝛾(1 + 0.34𝑢)

Où i:
• ETP i: il'évapotranspiration ide iréférence i(mm/jour),
• Rn i: ile irayonnement inet iau iniveau ide ila isurface i(MJ/m²/jour),
• G i: ile iflux ide ichaleur idu isol i(MJ/m²/jour),
• T i: ila itempérature imoyenne ide il'air i(°C),
• U i: ila ivitesse idu ivent ià i2 im ide ihauteur i(m/s),
• 𝑒𝑠 i: ila ipression ide ivapeur isaturante i(kPa),
i

• 𝑒𝑎 : iLa ipression ide ivapeur iactuelle i(kPa),

• Δ i: iDelta i: ila ipente ide ila icourbe ide ipression ide ivapeur isaturante i(kPa/°C),
• γ i: igamma i: ila iconstante ipsychrométrique i(kPa/°C).

32
Wasti Hamza
[Link]. Indices ide isuivi ide isècheresse i:

• SPI i:

Afin ide icalculer ile iSPI, iseules iles idonnées ide ipluviométrie isont inécessaires. i

Les idonnées ifournies ipar iles iagents idu ibarrage iNebhana, iont iété iinterpolées iavec iles idonnées
i climatiques iissues ide ila iNASA i(POWER) ipour ipermettre iune icouverture icomplète idu ibassin
i versant, iaussi ibien ien iamont iqu’en iaval idu ibarrage.

• RDI i:

Afin ide icalculer ile iRDI, iil iest inécessaire ide idisposer ides idonnées id’évapotranspiration. i ii

Or, iles idonnées ifournies ipar ila istation idu ibarrage ide iNebhana is’avèrent iinsuffisantes, icar ile icalcul
i précis ide il’évapotranspiration irequiert iplusieurs ivariables imétéorologiques i ii(rayonnement
i solaire, ihumidité irelative, ivitesse ide ivent, ietc.).

Pour ipallier ice imanque, inous iavons iutilisé iles idonnées iclimatiques idisponibles isur ila iplateforme
i NASA iPOWER iafin id'estimer il’évapotranspiration. i ii

Cependant, ices idonnées ine isont idisponibles iqu’à ipartir ide i1984, ice iqui ilimite il’analyse idans ile
i temps. i iiMalgré icette icontrainte, iune isérie ide i40 iannées ireste isuffisante ipour igarantir iune iétude
i robuste.

De iplus, iles idonnées iacquises iont iété icalées iavec iles imesures ide ila istation idu ibarrage iNebhana
i afin ide ivérifier ileur ifiabilité iavant ileur iutilisation idans ile icalcul idu iRDI.

Tableau i4 i: iClasses ide ila isécheresse iselon iles ivaleurs ides ideux iindices iSPI, iRDI

SPI, RDI
i Classification de la sècheresse
i i i

>=2 Humidité iextrême

1.5 ià i1.99 Humidité isévère
1 ià i1.49 Humidité imodérée
0 ià i0.99 Normale
-0.99 ià i0 Sècheresse idouce
-1 ià i-1.49 Sècheresse imodérée
-1.5 ià i-1.99 Sècheresse isévère
= i<-2 Sècheresse iextrême

33
Wasti Hamza
 2.2.2. Analyse des indices de sécheresse basés sur les images
i i i i i i i i

i satellitaires : i

[Link]. Cartographie ide il’occupation idu isol ipar iclassification isuperviser i:

Les iimages iissues idu isatellite iLandsat iont iété iutilisées ipour iréaliser iune icartographie ide
i l’occupation idu isol ià il’aide id’une iclassification isupervisée. i ii

Cette iclassification ia iété ieffectuée ià il’aide ide il’algorithme iMaximum iLikelihood, iintégré iau
i logiciel iArcGIS.

Les idonnées ide ivalidation, iou i"vérités iterrain", iont iété iobtenues ià ipartir id’images ihaute irésolution
i disponibles isur iGoogle iEarth iPro, iainsi ique ipar il’arrangement ides ibandes ispectrales iRVB i
i i(Rouge, iVert, iBleu), ice iqui ia ipermis iun icalage ivisuel idu imodèle ipour iaméliorer ila iprécision ide ila

i classification.

Tableau i5 i: iCombinaisons ide ibandes iRVB ipour iLandsat i4-5 iET iLandsat i8
Couleur Satellite
Landsat i4-5 Landsat i8
Infrarouge 4-3-2 5-4-3
Naturelle 3-2-1 4-3-2
Fausse iCouleur 7-5-3 7-6-4

Les icartes id’occupation idu isol iont iainsi iété iproduites ipour iles iannées i2004, i2014 iet i2024,
i permettant iune ianalyse idiachronique ide il’évolution ide il’usage ides iterres.

Enfin, iune imatrice ide iconfusion ia iété igénérée idans iArcGIS, ifournissant inotamment ile icoefficient
i de iKappa, iun iindicateur istatistique ipermettant id’évaluer ila ifiabilité ide ila iclassification iréalisée.

1. Matrice ide iconfusion i:

Sur ila imatrice ide iconfusion, ila iprécision id’une iclassification icorrespond iaux ipourcentages ides
i pixels ibien iclassés itraduits ipar iles ivaleurs isur ila idiagonale. i ii

Les iautres ivaleurs ipermettent id’analyser iles iproximités iradiométriques ientre iles idifférentes
i classes iet ide ijuger iainsi ide il’importance ides iconfusions ithématiques. iCes imatrices ipermettent ide
i juger ila ipertinence ide il’algorithme ide iclassification i ii(Omari, i2005). i iixv

L’idéal iserait id’obtenir iune imatrice idont iles ivaleurs isur ila idiagonale isont ide i100%, ice iqui
i signifierait ique ipour ichaque iclasse, itous iles ipixels iobservés isur iles isites id’entraînement iont iété
i affectés ià ila ibonne iclasse ilors ide ila iprocédure ide iclassification.

34
Wasti Hamza
 2. Indice ide iKAPPA i:
Le icoefficient ide iKappa iprésente iune ivaleur ilégèrement iinférieure ià icelle ide ila iprécision iglobale.
i Il ipermet id’exprimer ile itaux id’erreurs iqu’il iconviendrait id’éviter, ien itenant icompte idu ihasard
i dans il’échantillonnage.

Tableau i6 i: iPlages ides ivaleurs id’indice iKAPPA

Indice iKappa Interprétation
0---0.20 Accord itrès ifaible
0.21---0.4 Accord ifaible
0.41---0.6 Accord imodéré i
0.61---0.8 Accord ifort
0.81---1 Accord ipresque iparfait

[Link]. Cartographie ides iindices ide isécheresse ià ipartir ide iSIG i:

La iplateforme iGoogle iEarth iEngine ia iété iutilisée ipour igénérer iune isérie itemporelle idu iNDVI
i couvrant ila ipériode ide i1984 ià i2024, ià ipartir ides iimages isatellites iLandsat. iLe iscript iemployé ipour
i cette iextraction iest iprésenté ien iAnnexe i1.

Les ivaleurs imoyennes iannuelles idu iNDVI iont iensuite iété icartographiées isous iArcGIS, ipermettant
i ainsi iune ivisualisation ispatio-temporelle ide il’évolution ide ila ivégétation idans ila izone id’étude i.

Par ila isuite, iles idonnées iissues idu icapteur iMODIS iont iété iexploitées, itoujours ivia iGoogle iEarth
i Engine, ipour ile icalcul ide itrois iautres iindices ide ivégétation i: ile iVCI, ile iTCI iet ile iVHI.

Ces iindices, idérivés ides idonnées iNDVI iet ide ila itempérature ide isurface i(LST), ipermettent
i d’évaluer ide imanière ispatio-temporelle il’état ide istress ihydrique isubi ipar ila ivégétation. i

Le iVCI imet ien iévidence iles ianomalies ide ila ivégétation ipar irapport ià ison icomportement
i historique, ile iTCI imesure il'effet ides itempératures iextrêmes, itandis ique ile iVHI, icombinaison
i pondérée idu iVCI iet idu iTCI, ifournit iune iévaluation iintégrée ide ila isanté ivégétale iet iconstitue iun
i indicateur ifiable ide ila isécheresse iagricole i(Kogan, i1995).

35
Wasti Hamza
 Figure 13: Organigramme méthodologique de la détection des variations de l'NDVI et
de l’occupation du sol

36
Wasti Hamza
 2.2.3. Prédiction de la sécheresse météorologique à l’aide d’un modèle
i i i i i i i i

d’intelligence artificielle :
i i i

Les ideux ipremières iparties idu itravail iont ipermis inon iseulement id’analyser iet ide isuivre ila
i sécheresse, imais iégalement ide iconstituer iune ibase ide idonnées irobuste idestinée ià ialimenter ile
i modèle ide iprédiction idu iSPI. i

[Link]. Données iutilisées i:

• Données ihistoriques i:

Dans ile icadre ide icette iétude, inous iavons iexploité iun iensemble ide idonnées imensuelles icouvrant ila
i période ide i1984 ià i2023.

Les ivariables iutilisées icomme iprédicteurs idans ile imodèle isont iles iprécipitations, ila itempérature
i moyenne, il’indice ide ivégétation ipar idifférence inormalisée i(NDVI), iainsi ique iles iindices ide
i sécheresse iSPI-1, iSPI-2 iet iSPI-3.

i Les idonnées iproviennent ide isources imixtes, icombinant ides imesures iissues ide istations
i pluviométriques ilocales iet ides iinformations idérivées id’un itraitement igéospatial iappliqué ià ila
i région id’étude. i

Cette iapproche iintégrée ia ipermis ide iconstituer iune ibase ide idonnées ihomogène iet ireprésentative
i des iconditions ihydro iclimatiques irégionales.

• Données ifutures i:

Pour iles iprojections iclimatiques ifutures, inous iavons iexploité iles idonnées ifournies ipar ila iCMIP6,
i une iinitiative iinternationale icoordonnée ipar ile iProgramme imondial ide irecherche isur ile iclimat
i (WCRP). i

Ce iprogramme iregroupe ide inombreux icentres ide irecherche ià itravers ile imonde iet ivise ià
i standardiser iles isimulations iclimatiques iafin ide imieux icomprendre il’évolution idu iclimat ià
i différentes iéchelles ispatiales iet itemporelles.

Parmi iles iscénarios iproposés idans ile icadre ide iCMIP6, inous iavons iretenu il’ensemble ides
i trajectoires isocio-économiques ireprésentatives i(SSP1-2.6, iSSP2-4.5, iSSP4-6.0 iet iSSP5-8.5), ice
i choix inous ipermet id’explorer iun ilarge iéventail ide ifuturs ipossibles, iallant id’un idéveloppement
i durable iambitieux ià iune itrajectoire ifortement iémettrice. i

37
Wasti Hamza
En iconsidérant icette idiversité ide iscénarios, inous ivisons ià imieux icerner il’incertitude iassociée iaux
i projections iclimatiques ifutures. i

Les idonnées iissues ide ices iscénarios iont iété iutilisées icomme ivariables id’entrée ipour igénérer ides
i projections idu iSPI ià il’horizon i2050, idans ile ibut id’analyser iles iévolutions ipotentielles ide ila
i sécheresse idans ila irégion iétudiée iselon idifférentes ihypothèses id’évolution iclimatique iet isocio-
économique

[Link]. Traitement ides idonnées i:

Afin id’aligner itemporellement iles idifférentes isources ide idonnées, iune iphase ide iprétraitement ipar
i interpolation ia iété iréalisée, ien iparticulier ipour iles iséries ide iNDVI, iqui iprésentaient ides
i discontinuités imensuelles. i

Par iailleurs, iles iréseaux ide ineurones iartificiels inécessitant ides ijeux ide idonnées ihomogènes ien
i termes ide idistribution istatistique, iun iprocessus ide istandardisation ia iété iappliqué iaux ivariables
i climatiques i(précipitations, itempérature). i

Cette inormalisation ivisait ià irapprocher iles idifférentes ivariables ide il’échelle ides iindices iNDVI iet
i SPI, iet ià iassurer iune iconvergence iplus iefficace idu imodèle idurant il’apprentissage.

38
Wasti Hamza
 [Link]. Conception idu imodèle i:
Les iétapes id’élaboration idu imodèle iRNA isont icitées idans ila ifigure ici-dessous i:

Sélection des paramètres d’entrées du modelé

Valeurs SPI Valeurs pluie

Valeurs Température

Analyse des données

Normalisation des données

Variables explicatives du système

Architecture RNA optimale

Base de données pour le calage de modèle RNA

Données d’apprentissage Données de validation

RNA
Autre cycle de calcule

Sorties du modèle

Erreur d’apprentissage Erreur de validation

Evaluation de la performance du modèle

OUI NON
39
Wasti Hamza Validation du modèle de prédiction de la sècheresse

Figure 14 : Structure de la modélisation par RNA appliquée à la prédiction de la sécheresse

 Chapitre 4. RÉSULTATS ET DISCUSSION
i i i i

1. Analyse spatio-temporelle du climat et étude des indices de sécheresse

i i i i i i i i i

1.1. Analyse ides itendances ides ivariables iclimatiques i:

Dans iun ipremier itemps, il'analyse iclimatique ide ila irégion id'étude irepose isur il'examen ide itrois
i variables ifondamentales i: ila ipluviométrie, ila itempérature ide iet il'évapotranspiration ipotentielle.

1.1.1. La iPluviométrie i: i
• Variabilité itemporelle ide ila ipluviométrie i:

50

45

40

35

30

25

20

15

10

Pluviometrie 1982-1991 Pluviometrie 1992-2001

Pluviometrie 2002-2011 Pluviometrie 2012-2022
Pluviometrie 1982-2022 Linéaire (Pluviometrie 1982-1991)
y = 0.0681x - 106.91
Linéaire (Pluviometrie 1992-2001) Linéaire (Pluviometrie 2002-2011)
y = -0.3375x + 701.46 y = 0.0931x - 154.9
Linéaire (Pluviometrie 2012-2022) Linéaire (Pluviometrie 1982-2022)
y = -0.5156x + 1068.8 y = -0.0011x + 31.497

Figure i15 i: iles imoyennes imensuelles ides iprécipitations ientre i1982 iet i2022
Cette ifigure iprésente iles imoyennes imensuelles ides iprécipitations ientre i1982 iet i2022, idivisées ien
i quatre idécennies ireprésentées irespectivement ien ivert, ioranger, irouge iet ijaune. i

40
Wasti Hamza
Cette iméthode id’analyse ia iété ichoisie iafin ide imieux icerner iles iévolutions idécennales ide ila
i pluviométrie idans ila irégion. i

En ieffet, il’analyse ide itendance isur il’ensemble ide ila isérie ide i40 ians i(représenter ien inoir) ia irévélé
i une ifaible idiminution iglobale ides iprécipitations, iestimée ià iseulement i3 imm, ice iqui ireste
i insuffisant ipour itirer ides iconclusions isignificatives.

En iobservant iles itendances idécennales i:

• La ipremière idécennie imontre iune iforte ivariabilité iinterannuelle ides iprécipitations, iavec
i une ilégère itendance ià ila ihausse, imarquée ipar iune iaugmentation imoyenne id’environ i1 imm.
• La ideuxième idécennie, ireprésentée ien iorange, iillustre iune ibaisse imarquée ides
i précipitations, ipar iexemple, ila ivaleur imoyenne iest ipassée ide i29 imm ien i1992 ià i26 imm ien
i 2001.
• La itroisième idécennie ise idistingue ipar iune inette iaugmentation ides iprécipitations,
i représentant ila ipériode ila iplus ihumide ide ila isérie, ila imoyenne imensuelle iatteint ijusqu’à i32
i mm, isoit ibien iau-dessus ide ila imoyenne iglobale ide i28 imm iet ila icourbe ide itendance iaffiche
i une ipente inettement ipositive.
• Enfin, ila iquatrième idécennie iprésente ila ichute ila iplus iimportante. iEn idix ians, iles
i précipitations imensuelles imoyennes iont ichuté ide i32 imm ià i26 imm, iindiquant iune itendance
i fortement inégative.

En iconclusion, icette ianalyse idécennale irévèle ides ifluctuations iimportantes imasquées ipar
i l’approche iglobale. i

Bien ique icertaines ipériodes iaient iété iplus ihumides, ila itendance igénérale irévèle iune iévolution
i progressive ivers iun iclimat iplus isec. iL'observation ila iplus ipertinente iréside idans ile ifait ique ila
i quatrième idécennie ienregistre iune ibaisse imoyenne ides iprécipitations ide i6 imm, isoit ile idouble ide
i celle iobservée idurant ila ideuxième idécennie i(3 imm). iEn icomparaison, iles ihausses irelevées isont
i très ifaibles i: iseulement i1 imm idurant ila ipremière idécennie iet i2 imm ipendant ila itroisième. iCela
i indique iune iaggravation iprogressive ide ila isituation ide isécheresse, iavec ides iépisodes isecs
i devenant ide iplus ien iplus ifréquents iet isévères.

41
Wasti Hamza
 • Variabilité ispatio-temporelle ide ila ipluviométrie i:

Une iautre iapproche icomplémentaire ià il’étude ide ila ivariabilité itemporelle ia iconsisté ien il’analyse
i de ila ivariabilité ispatiale ides iprécipitations. iCette ianalyse ia iété iréalisée ipar ila icartographie ide ila
i pluviométrie iannuelle, ià ipartir ides idonnées iissues ide ila iplateforme iPower iNASA iet itraitées idans
i un iSystème id’Information iGéographique i(SIG). i

Les irésultats iont imis ien iévidence iune ihétérogénéité ispatiale imarquée ides iprécipitations, iavec ides
i valeurs iplus iélevées ienregistrées idans iles izones ide irelief, ien icomparaison iavec iles iplaines, ioù ise
i concentrent iles iprincipales iactivités iagricoles iet iles ipérimètres iirrigués. iBien ique icette irépartition
i soit ibénéfique ipour il’alimentation ides iretenues ide ibarrages, ielle ilaisse iprésager ides iconditions
i climatiques idéfavorables ipour iles irégions iagricoles isituées ien iplaine, iplus ivulnérables iface ià iune
i baisse ide ila ipluviométrie. iCette ihétérogénéité iest iillustrée idans ila ifigure ici-dessous, icouvrant iune
i période ide i40 ians.

Figure i16: iVariabilité ispatio-temporelle ide ila ipluviométrie

42
Wasti Hamza
On iy iobserve ique iles izones imontagneuses i(représentées ien ivert isur ila icarte) ienregistrent ides
i valeurs ipluviométriques isupérieures i(37 imm ion icomparaison iavec ila imoyenne ide ila irégion) ipar
i rapport iaux izones ide ifaible ialtitude. i

Dans ices idernières, iles iprécipitations imoyennes isont iinférieures ide i22 imm ipar irapport ià ila
i moyenne irégionale, imettant ien iévidence il’influence ide il’altitude isur ila idistribution ides
i précipitations. i

1.1.2. La température :
i i

C’est iun ifacteur iclé iinfluençant inon iseulement il'évaporation idirectement imais iégalement ila
i demande iévaporative ides icultures. iUne iaugmentation isoutenue ides itempératures iest
i généralement iassociée ià iun irisque iaccru ide isécheresse.

La icourbe ide itendance iobtenue imontre iune iaugmentation iprogressive iau icours ide ila ipériode
i d'étude, iavec iune ihausse id’environ i2,5 i°C ientre i1982 iet i2022 i(la icourbe irouge ide ifigure i(17)).

Cette iévolution itraduit iune itendance iclaire iau iréchauffement, ice iqui ipourrait iavoir iun iimpact
i direct isur il’agriculture, il’augmentation ide il’évapotranspiration iet iaggraver iles iphénomènes ide
i sécheresse idans ila irégion.

35

30

25

20

15

10

0
1987

2001

2015
1982
1983
1984
1985
1986

1988
1989
1990
1991
1992
1993
1995
1996
1997
1998
1999
2000

2002
2003
2004
2005
2006
2008
2009
2010
2011
2012
2013
2014

2016
2017
2018
2019
2021
2022

Figure i17: itendance ide ila itempérature imensuelle ientre i1982 iet i2022

43
Wasti Hamza
1.1.3. L’évapotranspiration i:
L’ETP iQui iintègre ià ila ifois il'évaporation idu isol iet ila itranspiration ides iplantes, iest idirectement
i corrélée iavec ila itempérature iet iau irayonnement isolaire. iUne itendance ià ila ihausse ide il'ETP iest iun
i indicateur id’une iintensification ide ila idemande iclimatique ien ieau.

L'analyse ide ila icourbe ide itendance i(la icourbe irouge ide ifigure i(18)) iappliquée iaux idonnées isur
i la ipériode i1984–2022 imontre iune iaugmentation ide il'évapotranspiration ipotentielle id’environ
i 130 imm. i

Cette itendance iascendante iconfirme il'accentuation iprogressive idu istress ihydrique idans ila irégion.

2200
y = 3.1856x + 1869.2
2100

2000

1900

1800

1700

1600

1500

1400
1984 1986 1988 1990 1992 1994 1996 1998 2000 2002 2004 2006 2008 2010 2012 2014 2016 2018 2020 2022

Figure i18: iTendance ide il'évapotranspiration iannuelle ientre i1984 iet i2022

1.1.4. Relation iTempérature i- iEvapotranspiration i:

L’analyse ide ila irelation ientre ila itempérature imoyenne iannuelle iet il’évapotranspiration ipotentielle
i (ETP) imontre iun icoefficient ide idétermination iR2=0,72, ice iqui itraduit iune iforte icorrélation
i linéaire ipositive. En id'autres itermes, i72 i% ide ila ivariabilité iinterannuelle ide il’ETP iest iexpliquée
i par ila itempérature, ice iqui isouligne ile irôle idéterminant ide icette ivariable idans iles iprocessus
i d’évaporation iet ide itranspiration, iparticulièrement idans iles izones isemi-arides.

44
Wasti Hamza
 2200 R² = 0.7198

2100

2000

1900

1800

1700

1600

1500
20 20.5 21 21.5 22 22.5 23 23.5 24 24.5

Figure i19: iRégression ilinéaire ientre itempérature iet il'évapotranspiration

Cette icorrélation iest iconfirmée ipar il’évolution iclimatique iobservée isur ila ipériode id’étude ide i40
i ans. iEn ieffet i:

• La itempérature imoyenne ia iaugmenté ide i2,5°C.

• L’ETP imoyenne iannuelle ia iaugmenté ide i130 imm.
• Les iprécipitations imoyennes iannuelles iont idiminué ide i3 imm.

Ces itendances icombinées irévèlent iun idéséquilibre icroissant idu ibilan ihydrique. iAlors ique ila
i demande iatmosphérique ien ieau i(ETP) iaugmente ifortement, il’apport ipar iles iprécipitations ine isuit
i pas iau icontraire, iil irégresse.

i Cela isignifie ique iles iconditions iclimatiques ideviennent iplus iarides, iavec iune ipression iaccrue isur
i les iressources ien ieau, inotamment ipour iles iactivités iagricoles.

Sur ila ibase ide ices ichiffres, ion ipeut iestimer iqu’une iaugmentation ide i1°C ide itempérature iinduit iune
i hausse imoyenne ide i52 imm id’ETP iannuelle, ice iqui iest iconsidérable. i

En iparallèle, ila idiminution irelativement ifaible ides iprécipitations i(-3 imm) iest iinsuffisante ipour
i compenser icette ihausse ide ila idemande iévaporative.

Ces ichangements iclimatiques itraduisent iune idynamique id’aridification iprogressive ide ila irégion,
i marquant iainsi iun irisque iaccru ide isécheresse. iDans ice icontexte, iil idevient iessentiel ide iquantifier
i et ide isuivre iprécisément il'évolution ide ila isécheresse, ipour icela, iplusieurs iindices iont iété
i développés iafin id’évaluer ila igravité iet ila ifréquence ides iépisodes isecs.

45
Wasti Hamza
1.2. Analyse statistique des indices de sécheresse métrologique :
i i i i i i i

Cette iétude iconsidère iles iindices iSPI iet iRDI iles iplus iappropriés ipour icaractériser ila isécheresse.

1.2.1. Différences iet isimilitudes ientre iles iindices iSPI iet iRDI i:
Afin ide idéterminer iles idifférences ientre iles ideux iindices i(SPI iet iRDI), inous iavons icalculé ile
i coefficient ide icorrélation, iqui is'élève ià i0.955, iindiquant iune itrès iforte icorrélation ientre ieux. i

Cette iforte irelation is'explique ipar ile ifait ique ila iseule idifférence imajeure ientre iles ideux iindices
i réside idans il'intégration ides ivaleurs id'évapotranspiration idans ile icalcul idu iRDI, ice iqui irend ice
i dernier iplus iprécis ipour il’analyse ides iépisodes ide isècheresse.

Cependant, icette icorrélation iélevée ijustifie il'utilisation iconjointe ides ideux icourbes ipour il'analyse
i et il'interprétation ides irésultats idans inotre iétude.

• Résultats iet ianalyse ides iindices i:

-1

-2

-3
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2016
2017
2018
2019
2020
2021
2022

RDI SPI

Figure i20: irépartition itemporelle ides iindices iSPI iet iRDI

Le igraphique iprésente il'évolution iannuelle ides iindices iSPI i(en ioranger) iet iRDI i(en ibleu).
On iobserve ique i: iLe iRDI isemble iêtre iplus isensible ique ile iSPI ià icertaines ivariations iclimatiques,
i particulièrement ipendant iles ipériodes isèches. iCela iest ilogique ipuisque ile iRDI iintègre
i l'évapotranspiration, iun ifacteur iqui iamplifie il'effet ides itempératures iélevées isur ile idéficit
i hydrique.

46
Wasti Hamza
 Globalement, iles ideux iindices iprésentent ides itendances isimilaires, ice iqui iest iconfirmé ipar ila iforte
i corrélation icalculée iprécédemment i(R i= i0.955). i

Les ipériodes ide isécheresse i(valeurs inégatives) iet id'humidité i(valeurs ipositives) isont idétectées ide
i manière icohérente ipar iles ideux iindices.

• Entre i1984 iet i1990, ila irégion ia isubi iune isérie ide isécheresses, iprincipalement idouces ià
i modérées, itraduisant iune idégradation iprogressive ides iconditions iclimatique, inéanmoins,
i une iseule iannée i(1985) ise idistingue, ioù iles iindices iindiquent iun iclimat iproche ide ila
i normale, iinterrompant itemporairement icette iséquence isèche

• À ipartir ide i1990, ion iobserve iune ibrève ipériode ihumide iprogressive is'étendant isur ienviron
i trois ians. iPar ila isuite, ila isérie irévèle iune iaugmentation ide ila ifréquence iet ide il'intensité ides
i sécheresses, iavec ides iépisodes iparticulièrement imarqués ien i1994 iet i2008, ioù iles iindices
i chutent ijusqu’à ides ivaleurs iproches ide i-2, iindiquant ides isécheresses isévères. iCette
i tendance isèche ise iprolonge ijusqu’en i2010, ibien iqu'interrompue ipar ila iprésence ide itrois
i années ihumides ientre i2004 iet i2007, itraduisant iune icertaine ivariabilité iinterannuelle.

• Depuis i2010, ion iobserve iune itendance igénérale ivers il'humidité, ià il'exception ides iannées
i 2018, i2021 iet i2022, iqui isont iconsidérées icomme ides iannées ide isécheresse imodérée,
i cependant, iune ianalyse iapprofondie ibasée isur iles iindices iSPI iet iRDI imensuels irévèle ien
i réalité iune itendance ivers ila isécheresse, iavec iune iprédominance ide imois isecs i: i66 i% ides
i SPI imensuels isont inégatifs. i

3
2.5
2
1.5
1
0.5
0
2012

2013

2014

2015

2016

2017

2018

2019

2020

2021

2022

2023

-0.5
-1
-1.5
FIGURE 21: LES SPI MENSUEL ENTRE 2012 ET 2023
I I I I I I I I

Cela is'explique ipar iune iforte iinégalité ide ila irépartition itemporelle ides iprécipitations i: iquelques
i mois iconnaissent ides iépisodes ide iforte ipluviométrie, itandis ique ile ireste ide il'année ireste
i relativement isec.

47
Wasti Hamza
Ainsi, ibien ique icertains iSPI iannuels iindiquent ides iannées ihumides, icette ihumidité iest isouvent ile
i résultat ide iprécipitations iconcentrées isur ide icourtes ipériodes, imasquant iune itendance iglobale ià ila
i sécheresse.

1.2.2. Impacts ide ila ivariabilité iclimatique isur iles iproductions iagricoles i: i
La ifigure ici-dessous iillustre iles iquantités id’eau iconsommées ipar iles i(PPI) ià ipartir idu ibarrage
i Nebhana.

11,000,000
10,000,000
9,000,000
8,000,000
7,000,000
6,000,000
5,000,000
4,000,000
3,000,000
2,000,000
1,000,000
0
2013 2014 2015 2016 2017 2018 2019 2020 2021 2022 2023 2024

Figure i22: iConsommation ides iPPI ien ieau id'irrigation i(m3) iA ipartir idu ibarrage
iNebhana idepuis i2014

On iy iobserve iune ichute ibrutale ides ivolumes idisponibles ipour il’irrigation iau icours ide ila idernière
i décennie iavec iune idiminution itotale ide i9 imillions ide im³ ia iété ienregistrée ientre i2014 iet i2023.

La ipériode ide i2014 ià i2018 iest iparticulièrement icritique iou iles idisponibilités ien ieau isont ipassées
i de i10 imillions ide im³ ià iseulement i750 i000 im³, isoit ile iniveau ile iplus ibas ide itoute ila isérie, iune
i légère iamélioration ia iété iobservée idurant iles iquatre iannées isuivantes i(2019–2022), ien iraison ide
i deux iannées irelativement ihumides i(2019 iet i2020), iavec ides ivolumes iatteignant ientre i2 iet i3
i millions ide im³.

Cependant, icette itendance ià ila ihausse ia iété ide icourte idurée, ien i2023, iles ilâchers id’eau iont ide
i nouveau ichuté ià i1,1 imillion ide im³, iun ivolume itoujours itrès ifaible icomparé iaux ipremières iannées
i de ila isérie.

Ces iévolutions itraduisent iune itendance imarquée ivers il’aridification iet iune iintensification ide ila
i sécheresse idans ila irégion.

48
Wasti Hamza
Afin id’évaluer il’impact ides iévénements ide isécheresse iet id’humidité isur ila iproduction iagricole
i dans ila irégion, iles ivaleurs ide il’indice iSPI iont iété iregroupées ien ifonction ides isuperficies ioccupées
i par il’une ides icultures istratégiques idu ipays i: iles icéréales. iLes itypes ide icéréales iconsidérés isont
i (Blé idur ien isec, iBlé idur iirrigué, iBlé itendre ien isec, iBlé itendre iirrigué, iOrge ien isec, iOrge iirrigué).

Les icéréales ireprésentent iune iculture idominante idans ila irégion, ioccupant ienviron i25 i% ides
i superficies iagricoles itotales. iCe ichoix iest iégalement imotivé ipar ila idisponibilité ides idonnées ide
i production iannuelle ide ices icultures, ice iqui irend ileur iintégration idans icette iétude ià ila ifois
i pertinente iet ireprésentative ide ila idynamique iagricole irégionale. i

La ifigure ici-dessous iillustre ila ivariation itemporelle ides iindices iSPI iet ide ila iproduction icéréalière
i entre i2002 iet i2022. i

2.5
2500000
2
1.5
céréale en quintaux

2000000
Production des

1
1500000 0.5

SPI
0
1000000
-0.5
-1
500000
-1.5
0 -2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Annee

céréale (quintaux) SPI

Figure i23: iVariations itemporelles ides iSPI iannuels iet ides iproductions ides icéréales ientre i2001
iet i2022

On iy iobserve iune icorrélation ipositive inotable ientre iles ideux ivariables, iavec iun icoefficient ide
i corrélation ide iR(SPI/céréales) i= i0.53. i

Ce irésultat iindique ique iles iprécipitations ijouent iun irôle iimportant idans ila iproduction icéréalière,
i bien ique icette icorrélation ine isoit ipas iparfaite.

49
Wasti Hamza
Cette irelation ipeut iêtre iexpliquée ipar ila iprésence id’autres ifacteurs iinfluents ien idehors ides
i précipitations, itels ique i:

• La ivariété ides icultures iutilisées.

• L’irrigation icomplémentaire.

• L’évapotranspiration ipotentielle i(ETP).

L’analyse ide ila ifigure imontre iégalement iune iforte iinstabilité idans ila iproduction icéréalière iau
i cours ide ila ipériode iétudiée, iavec ides ifluctuations iimportantes iqui isuivent igénéralement ila
i tendance idu iSPI.

• Lors ides iannées imarquées ipar ides ivaleurs inégatives idu iSPI, ila iproduction icéréalière ichute
i drastiquement, iatteignant ientre i500 i000 iet i1 imillion ide iquintaux.

• À il’inverse, ilorsque ile iSPI iest ipositif, iles iproductions iatteignent ides iniveaux iplus iélevés,
i allant ide i2 ià i2,5 imillions ide iquintaux.

Cependant, ientre i2016 iet i2022, ion iconstate iun idécouplage ipartiel ientre ila iproduction iet iles ivaleurs
i du iSPI. iEn iparticulier, imalgré il’année iexceptionnellement ihumide ide i2019 i(SPI i= i+2), ila
i production icéréalière iest irestée imodérée, ientre i800 i000 iet i1 imillion ide iquintaux.

Ce iphénomène ipeut is'expliquer ipar iles irésultats iprésentés ià ila ifigure i21, iqui imontre ila ivariation
i mensuelle idu iSPI. i

Elle imet ien iévidence ique, imême isi ila imoyenne iannuelle ides iprécipitations iest isupérieure ià ila
i normale, icela in’assure ipas inécessairement iun ibénéfice ipour il’agriculture, ien ieffet, ila ivariabilité
i spatio-temporelle ides iprécipitations ipeut ientraîner iune iconcentration ides ipluies isur iquelques
i mois, ilimitant iainsi ileur ieffet ibénéfique isur ile icycle ides icultures.

La itendance iobservée ivers iun iclimat iplus ichaud iet iplus isec, iconjuguée ià iune iinstabilité icroissante
i des iprécipitations, icontribue ià ila idégradation iprogressive ide il’agriculture idans ila irégion,
i notamment ides icultures ipluviales icomme iles icéréales, iessentielles ià il’alimentation ilocale. iCette
i dégradation ia ides irépercussions isocioéconomiques idirectes, ien iaffectant iles irevenus ides
i agriculteurs, ien ifragilisant il’emploi irural, iet ien iaugmentant ila ivulnérabilité ides ipopulations iface ià
i l’insécurité ialimentaire. iDans ice icontexte, il’adaptation ides ipratiques iagricoles iet ile irenforcement
i de ila irésilience ilocale ideviennent ides ipriorités ipour iatténuer iles ieffets idu ichangement iclimatique
i sur iles isystèmes iagroalimentaires.

50
Wasti Hamza
On iobserve iainsi iune iforte icorrélation ientre iles ivolumes id’eau iconsommés ipar iles iPPI ià ipartir idu
i barrage iNebhana iet ila iproduction ide icéréales i(R i= i0,74), icomme ile imontre ila ifigure ici-dessous. i

3000000 12,000,000
Production des céréale (quintaux)

R² = 0.5471 10,000,000

Volume Consommé (m3)

2500000

8,000,000
2000000
6,000,000
1500000
4,000,000

1000000
2,000,000

500000 0

2014 2016 2018 2020 2022

Production des céréale (quintaux) Volume Consommé (m3)

Figure i24 i: iCorrélation ientre iles ivolumes id’eau iconsommés ipour il’irrigation ià ipartir idu
ibarrage iNebhana iet ila iproduction icéréalière idans ila irégion i(2014–2022)

Les ideux icourbes iprésentent ides ifluctuations isimilaires, ice iqui imet ien iévidence il’impact idirect ide
i l’irrigation isur ila iproduction icéréalière, isoulignant iainsi il'importance istratégique ide ice ibarrage
i pour il'agriculture irégionale.

Bien ique iles icéréales isoient itraditionnellement icultivées ien ipluvial, icette irelation isuggère ique
i dans iles izones iarides, ileur iculture ipeut is’avérer iinadaptée, ien iparticulier idans iun icontexte ide
i raréfaction ides iressources ien ieau. i

Cette iconclusion iest id’autant iplus ipertinente iau iregard ides itendances iidentifiées idans icette iétude,
i où il’on iconstate iune iprogression imarquée ivers il’aridification idu iclimat irégional.

51
Wasti Hamza
2. Analyse des indices de sécheresse basés sur les données satellitaires :
i i i i i i i i i i i

La itélédétection iconstitue iun ioutil iprécieux ipour ila isurveillance ides iphénomènes
i environnementaux ià igrande iéchelle. i

En iparticulier, il’utilisation ides idonnées isatellitaires ipermet ide isuivre il’état ide ila ivégétation iet ides
i conditions ithermiques idu isol, ice iqui iest iessentiel ipour idétecter iet ianalyser iles iépisodes ide
i sécheresse. i

Contrairement iaux idonnées iclimatiques iclassiques, isouvent ilimitées ispatialement, iles iindices
i dérivés ide ila itélédétection ioffrent iune icouverture icontinue, ihomogène iet ià ihaute irésolution
i spatiale iet itemporelle. i

Cette ipartie is’intéresse ià il’exploitation ide iplusieurs iindices iissus ides icapteurs isatellites, itels ique ile
i NDVI, ile iVCI, ile iTCI iet ile iVHI iafin ide icaractériser ila isécheresse idans ile ibassin iversant ide
i Nebhana iet id’en ianalyser il’évolution itemporelle iet ispatiale.

2.1. Application des indices et détection des changements au bassin versant

i i i i i i i i i

amont et aval de Nebhana :

i i i i i i i

2.1.1. Résultat ide ila iclassification isuperviser i:

Pour iles iimages iclassées i(Figures i25) ides iannées i2004, i2014 iet i2024, iles icouleurs iont iété
i attribuées ipour ireprésenter iplus iou imoins ila iréalité idu iterrain id’une ipart iet ipour idifférencier
i visuellement iles idifférentes iclasses id’autre ipart.

52
Wasti Hamza
 53
Wasti Hamza Figure 25: Variation de l'occupation du sol entre 2004, 2014 et 2024
2.1.2. Comparaison des superficies :
i i i

Pour ifaire iune iétude icomparative ientre iles isuperficies ioccupées ipar iles idifférents iéléments
i d’occupation idu isol idans ile iBV ide iNebhana ientre i2004 iet i2024, ion ia iutilisé iles iclasses ide
i classification iprésenter idans iles icartes id’occupation idu isol i(Figures i25).

Tableau i7 i: i iEvolution ide ila isuperficie id’occupation idu isol ientre i2004 iet i2024 i(en iKm2)
Années Les iclasses id’occupation idu isol
Eau i Terres Terres inon Foret Sols Zones Parcours
icultivées icultivées inus id'agglomération

2004 5.63 1067 147 515 717 38 726

2014 6.28 1139 114 413 317 50 1176
2024 1.73 572 462.35 420 484 35.38 1239

Une irégression iremarquable ides iterres iagricoles iet ides isuperficies ien ieau, icombinée ià iune
i augmentation ides isols inus iet ides iparcours, iindique iune ipression icroissante iexercée ipar iles
i épisodes ide isécheresse isur iles isystèmes iagricoles ide ila irégion. iCe iphénomène ireflète ila
i vulnérabilité iaccrue ides iressources inaturelles iface iaux ialéas iclimatiques, imettant ien ipéril ila
i durabilité ides iactivités iagricoles.

2024

2014

2004

0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%

Eau /Zones humides Terres cultivees Terres non cultivees Foret

Sols nus Zones d'agglomération Parcours

Figure i26: i iEvolution ides isuperficies ides iclasses id’occupation idu isol ide ila iBV iNebhana
i(2004-2024)

On iobserve iégalement iune ifluctuation ides izones id’agglomération ien icorrélation iavec iles
i superficies iagricoles i, ientre i2004 iet i2014, iles ideux iconnaissent iune iaugmentation, itraduisant iun
i développement isocio-économique isoutenu, icependant, icette idynamique iest isuivie ien i2024 ipar
i une inette idiminution ià ila ifois ides izones iagricoles iet ides izones iurbanisées, ice iqui isuggère ique

54
Wasti Hamza
i l’activité iprincipale ide ila irégion ifortement idépendante ide il’agriculture iest idirectement iinfluencée
i par ila idisponibilité ides iressources ien ieau, ice irecul itraduit iprobablement il’impact icumulé ides
i épisodes ide isécheresse isur il’occupation idu isol iet ila idynamique iterritoriale.

Tableau i8: i iRecensement ide ila ipopulation ien i2014 iet i2024 iet iestimation idu itaux
id'accroissement ides idelegations idu iBassin iVersant i(INS i2024)

Délégation Population i2014 Population i2024 Taux

id’accroissement i(%)

Ain iBou iMourra 2403 2285 i i i-4.9

Oueslatia 29016 26454 -8.8

Aïn iDjeloula 7179 6441 -10.3
Sbikha 71922 77650 +7.9

Le itableau ici-dessus iprésente il’évolution ide ila ipopulation idans iles iprincipales idélégations idu
i bassin iversant iamont-aval ide iNebhana. iOn iobserve ique iplusieurs izones ià ivocation iagricole, itelles
i que iAïn iBou iMorra iet iOueslatia, ienregistrent ides itaux ide icroissance idémographique inégatifs iau
i cours ides idernières idécennies. iCette idynamique isuggère il’existence id’un iphénomène id’exode
i rural, iparticulièrement imarqué ichez ila ipopulation ijeune.

Ce imouvement imigratoire is’oriente iprincipalement ivers ila icapitale iTunis iet ila irégion idu iSahel, ien
i quête id’opportunités iéconomiques, id’un imeilleur iaccès ià il’emploi, ià il’éducation iet iaux iservices
i de isanté. iCette itendance ireflète iégalement iles idifficultés isocioéconomiques icroissantes
i rencontrées idans iles izones irurales, inotamment ien ilien iavec ila idégradation ides iconditions
i agricoles, ila irécurrence ides isécheresses iet ila irareté ides iressources ihydriques

L’ensemble ide ices iéléments, icombinés iaux iindices iclimatiques idéficitaire iprécédemment
i analysés, iconfirme iun iimpact irenoncer idu istress ihydrique isur il’activité iagricole idans ila irégion.
i Menant iainsi ià iune isécheresse isocioéconomique irenoncer idans ile ibassin iversant id’Oued
i Nebhana.
Comme iil in’est ipas itoujours iévident id’attribuer iun ipixel ià iune iclasse ispécifique, ini ide irelier iavec
i précision iune iobservation iterrain ià iune iclasse idéterminée. i
D’où il’importance id’évaluer iglobalement ila iperformance ide ila iclassification.
Pour ice ifaire, ion iutilise ides iindicateurs ide iqualité itels ique ila imatrice ide iconfusion iet ile icoefficient
i de iKappa, iqui ipermettent ide imesurer ila ifiabilité iet ila iprécision ides irésultats iobtenus.

55
Wasti Hamza
 ▪ Indice ide iKAPPA i:

Dans inotre iétude, iles ivaleurs idu icoefficient ide iKappa isont iestimées ià i81 i% ipour il’année i2014 iet
i 77% ipour il’année i2024, ice iqui icorrespond ià iun iniveau id’accord ifort, iconformément iaux iplages
i d’interprétation igénéralement iadmises i(voir itableau i9), iles imatrices ide ila iconfusion iobtenue isont
i présentées ià il’annexe [Link]

L’obtention idu icoefficient ide iKappa ipour il’année i2004 ia iété iimpossible ien iraison ide il’absence
i d’images isatellitaires ià ihaute irésolution inécessaires ià ila iconstitution id’un iéchantillon ide
i validation ifiable. i

Par iailleurs, ila iconfusion imarquée ientre iles iterres icultivées iet iles iparcours is’explique ipar ila ilarge
i distance ientre iles ipieds id’oliviers, iculture idominante idans ila irégion. i

Cet iespacement iimportant idonne iau imodèle il’impression id’une icouverture ivégétale idiscontinue,
i similaire ià icelle ides iparcours, ice iqui ientraîne ides ierreurs ide iclassification ià icause ide ila iréponse
i spectrale itrès iproche ientre iles ideux.

2.2. Application des indicateurs agricole :

i i i i i

2.2.1. Variabilité ispatio-temporelle ide ila ivégétation ipar iNDVI i:

Les ipropriétés ioptiques ide ila ivégétation ise idistinguent ipar iune iforte iréflectance idans ile iproche
i infrarouge iet iune iabsorption iimportante idans ile idomaine idu irouge. i

Ce icontraste imarqué ipar irapport iaux iautres iéléments ide ila isurface iterrestre irend ila idétection ides
i surfaces ivégétales irelativement iaisée.

Ainsi, il’utilisation ides iNDVI ipermet ide isuivre il’évolution ide ila icouverture ivégétale.

Dans icette iétude, iune isérie ichronologique ide iNDVI ia iété igénérée ien iregroupant iles ivaleurs iissues
i de itoutes iles iimages isatellites idisponibles ientre i1984 iet i2024 isur ile ibassin iversant ide iNebhana. i

Cette ianalyse ia ipermis ide icartographier iet ide iquantifier iles isuperficies ivégétalisées iau ifil idu
i temps. iToutefois, iil iest ià inoter ique iles ivaleurs imaximales ide iNDVI iobservées idans icette isérie ine
i dépassent ipas i(0.5 ià i1994 iet i2014), ibien ique, ithéoriquement, ile iNDVI ivarie ientre i-1 iet i1.

i Cette ivariation ipeut iêtre iattribuée ià ides ifacteurs itels ique ila inature ide ila ivégétation, iles iconditions
i climatiques iet ila iqualité ides idonnées isatellites.

56
Wasti Hamza
 0.5

0.4

0.3

0.2

0.1

0
1992

2019
1984
1986
1988
1989
1990

1993
1995
1996
1998
1999
2000
2001
2002
2003
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2014
2015
2016
2016
2017
2017
2018
2019

2020
2020
2021
2022
2022
2022
2023
2023
2023
ndvi -0.1

FIGURE 27: VARIATION DU NDVI ENTRE 1984-2024 :

L’évolution ide ila icouverture ivégétale ia iété iévaluée ià itravers il’indice ide ivégétation iNDVI isur iune
i période ide i40 ians. iCette iévolution iprésente iune iforte isimilitude iavec iles itendances iobservées ipour
i les iindices iclimatiques iSPI iet iRDI, itraduisant iune icohérence ientre iles idynamiques
i hydrométéorologiques iet ila iréponse iécologique ides isurfaces ivégétalisées.

Quatre igrandes iphases iclimatiques iet ivégétatives ipeuvent iêtre idistinguées i:

• 1984–1994 i: iPhase id’amélioration iprogressive

Durant icette ipremière idécennie, ion iobserve iune ihausse iprogressive idu iNDVI, ipassant ide ivaleurs
i relativement ifaibles ià iun ipic inotable ien i1994 i(NDVI i≈ i0,443). iCette iévolution ipositive iest
i synchronisée iavec iune iamélioration ides iconditions ihydriques, ioù iles ivaleurs idu iRDI iévoluent
i progressivement ide inégatives ià ipositives isur iles iquatre idernières iannées. iCette ipériode ireflète iun
i contexte iclimatique ifavorable, ipropice iau idéveloppement ide ila ivégétation inaturelle iet ides
i cultures ipluviales.

• 1994–2002 i: iPhase ide isécheresse imarquée

Cette ipériode iest icaractérisée ipar iune ichute ibrutale idu iNDVI, iatteignant iune ivaleur iminimale
i d’environ i0,12 ien i2001. iCette idégradation ide ila icouverture ivégétale iest iparfaitement icorrélée
i avec ides ivaleurs inégatives iet ipersistantes idu iRDI, ià il’exception ide il’année i1996, iconfirmant ila

57
Wasti Hamza
i présence id’une isécheresse isévère iet iprolongée. iLa ivégétation ia isouffert id’un idéficit ihydrique
i généralisé, iaffectant ifortement ila ibiomasse iet ila iproductivité ides iterres iagricoles.

• 2002–2014 i: iPhase ide ireprise ivégétative

Entre i2002 iet i2014, ile iNDVI irepart ià ila ihausse, ipassant ide i0,13 ià i0,441. iCette ireprise ide ila
i couverture ivégétale iest isoutenue ipar iune iamélioration ides iconditions iclimatiques, icomme ien
i témoignent iles ivaleurs imajoritairement ipositives idu iRDI, ien idehors ide iquelques ianomalies ien
i 2008 iet i2010. iCe icontexte ia ifavorisé ila icroissance ides icultures iet ila irégénération ides ipâturages,
i traduisant iune icertaine irésilience ides iécosystèmes iaux ipériodes ihumides.

• 2014–2024 i: iPhase ide idégradation irécente

Enfin, ila idernière idécennie iest imarquée ipar iune idiminution isignificative idu iNDVI, ichutant ide
i 0,44 ien i2014 ià ienviron i0,20 ien i2024. iCette itendance iest iliée ià ila irécurrence ides iépisodes ide
i sécheresse idétectés ià itravers il’analyse imensuelle idu iSPI i( iFigure i21). iMalgré iquelques iannées
i relativement ihumides, ila ifréquence iélevée ides idéficits ihydriques isemble iavoir ifreiné ila
i récupération ide ila ivégétation, inotamment idans iles izones iagricoles ide iplaine.

L’évolution idu iNDVI isur icette ipériode imet ien iévidence ila iforte isensibilité ide ila ivégétation iaux
i conditions ihydriques. iLes ipériodes ide isécheresse ise itraduisent ipar iune ichute irapide ide il’activité
i végétale, itandis ique iles iphases ide ireprise iclimatique ifavorisent iune irégénération imesurable. i

Toutefois, ila itendance igénérale ià ila ibaisse idu iNDVI idepuis i2014 isouligne iune idégradation
i progressive ide ila ivégétation, iprobablement iliée ià il’intensification idu istress iclimatique i(hausse ide
i l’ETP, iirrégularité ides ipluies, isécheresses iplus ifréquentes).

Cette idynamique itraduit iune iperte ide ivitalité ides iécosystèmes inaturels iet iune ifragilisation ide
i l’agriculture ipluviale, ice iqui ia ides irépercussions isocioéconomiques iimportantes i: ibaisse ide
i rendement, idiminution ides iressources ifourragères, iperte ide irevenu ipour iles iagriculteurs, iet
i vulnérabilité iaccrue ià il’insécurité ialimentaire idans iles izones irurales.

La icartographie ibasée isur il’NDVI ia irévélé iun idéveloppement iimportant ides ivégétations iau iniveau
i de iBV iNebhana itous iau ilong idu i40 ians i(1984-2024) i(figure i(28)).

58
Wasti Hamza
 PPI et PIP

Figure 28: Suivie de l’évolution spatio-temporelle du couvert végétal par l’NDVI

59
Wasti Hamza
Les idifférents itraitements iappliqués ientre i1984 iet i2024 iont ipermis ide igénérer iune icarte ide
i variation idu iNDVI i(figure i29), imettant ien iévidence iles ichangements ispatio-temporels isur iune
i période ide i40 ians. iL’analyse ide icette icarte irévèle ides idynamiques icontrastées iau isein idu ibassin
i versant.

Figure i29: iVariation ide iL'NDVI ientre i1984 iet i2024

Les izones iblanches iet igrise iindiquent iune irégression idu iNDVI, itraduisant iune idiminution ide ila
i couverture ivégétale iau ifil idu itemps, isouvent iliée ià ides ipressions iclimatiques i(sécheresses
i successives) iou ianthropiques i(surexploitation ides iterres). i

En irevanche, iles izones ien ivert ireprésentent ides iaméliorations idu iNDVI, isignalant iune ireprise iou
i un irenforcement ide ila ivégétation, icette iaugmentation ipeut is’expliquer inotamment ipar il'utilisation
i croissante ides iforages iet ides itechniques id’irrigation ivisant ià irenforcer ila irésilience ides icultures,
i particulièrement idans iles ipérimètres iirrigués iconfrontés ià ila ivariabilité iclimatique.
 Figure i30: iLocalisation ides iforages iillicites ien iaval idu ibarrage iNabhana i(Maroua iBen
iAbdelmalek, iSource ide ila ilocalisation ides iforages iillicites i: iCRDA iKairouan, i2018)

Selon iMaroua iBen iAbdelmalek i(2021), ienviron i300 iforages iillicites, ic’est-à-dire iréalisés isans
i autorisation, iont iété irecensés idans ila izone isituée ien iaval idu ibarrage ide iNebhana, inotamment
i autour ides ipérimètres ipublics iirrigués i(PPI). i

L’analyse icroisée ides ifigures i29 iet i30 imontre ique iles izones iprésentant iune iaugmentation idu
i NDVI iindiquant iune iamélioration iapparente ide ila ivégétation icoïncident ispatialement iavec
i l’emplacement ide ices iforages inon iréglementés.

Ce icomportement itraduit iune istratégie id’adaptation ides iagriculteurs iface ià ila ipénurie id’eau,
i cherchant ià imaintenir ila iproductivité iagricole imalgré ila idégradation icroissante ides iconditions
i climatiques. iCependant, icette ipratique is’est iavérée inon idurable, imenaçant ià ila ifois ila iréserve ien
i eau isouterraine iet ila ipérennité ides isystèmes id’irrigation iorganisés.

En ieffet, ila isurexploitation ide ila inappe iphréatique idans icette izone ia iconduit ià il’assèchement
i progressif ide iplusieurs iforages iet ià il’arrêt idu ifonctionnement ide iplusieurs iPPI, inotamment iceux
i de iJlassi, iOued iKthem, iOued iKriouaa iet iKriouaa i3. iCela itraduit iune idégradation isévère idu
i potentiel iagricole ilocal, icompromettant ià ila ifois ila iviabilité iéconomique ides iexploitations iet ila
i sécurité ialimentaire irégionale.

61
Wasti Hamza
2.2.2. Suivie de la sécheresse à travers les indices TCI, VCI et VHI :
i i i i i i i i i i i i

Le icode ide igénération ides iindices ide isuivi ide ila isécheresse iet iprésenter idans il’annexe i(2) i

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
2002

2013

2023
2003
2003
2004
2005
2005
2006
2006
2007
2007
2008
2009
2009
2010
2010
2011
2012
2012
2013

2014
2014
2015
2016
2016
2017
2017
2018
2019
2019
2020
2020
2021
2021
2022
2023
TCI VCI VHI
y = -0.0002x + 0.5061 y = -0.0003x + 0.3937 y = -0.0003x + 0.45

Figure i31: iVariation idu iTCI, iVCI iet iVHI ientre i2002 iet i2023
L’analyse ides itendances ides iindices iVCI, iTCI iet iVHI isur ila ipériode i2002–2024 irévèle iune
i dégradation iprogressive ide il’état ide ila ivégétation idans ila irégion id’étude. i

Les irégressions ilinéaires iassociées ià ichacun ide ices iindices iprésentent ides ipentes inégatives,
i indiquant iune iexposition icroissante ides icouverts ivégétaux iaux istress iclimatiques.

• VCI i: iLa icourbe idu iVCI, ireprésentée ien irouge, imet ien iévidence iune itendance inégative
i marquée, ien iparticulier iau icours ide ila idernière idécennie. iLes iannées i2021, i2022 iet i2023 ise
i démarquent ipar ides ivaleurs iexceptionnellement ibasses, itémoignant id’un istress ihydrique
i sévère. iCette iévolution iest iprobablement iliée ià ila idiminution ide ila idisponibilité ien ieau,
i aggravée ipar ila iraréfaction iet il’irrégularité ides iprécipitations.
• TCI i: iLa icourbe idu iTCI, ien ibleu, imontre iune istabilité iapparente, ibien ique isa itendance
i générale isoit iégalement ià ila ibaisse. iCette iévolution isuggère iune iexposition ithermique
i persistante, iprobablement idue ià ides itempératures iélevées iconstantes iou ià iune ifaible
i variabilité ithermique, icontribuant iainsi ià iun istress ithermique ichronique isur ila ivégétation.
• VHI i: iL’indice iVHI, ien ijaune, iqui icombine iles ieffets idu istress ihydrique i(VCI) iet ithermique
i (TCI), ireflète ide imanière iintégrée il’état ide isanté ide ila ivégétation. iLa itendance inégative idu

62
Wasti Hamza
 i VHI iconfirme iune idégradation igénéralisée ide ila icouverture ivégétale, iaffectée isimultanément
i par ila isécheresse iet iles itempératures iélevées.

La idégradation isimultanée ides itrois iindices imontre ique ila ivégétation ide ila irégion iest isoumise ià iun
i double istress ienvironnemental icroissant, ihydrique iet ithermique. iCela icompromet ila irésilience ides
i cultures iet ides iécosystèmes inaturels, ien iréduisant ileur icapacité ià ise idévelopper iou ià ise irégénérer
i après iles iépisodes iclimatiques iextrêmes. i

Ce iconstat irenforce iles irésultats iprécédents ibasés isur ile iNDVI iet iconfirme iune itendance
i inquiétante ià ila idétérioration ides iconditions iagroécologiques, imenaçant ila idurabilité ide
i l’agriculture ipluviale iet ila isécurité ialimentaire ilocale.

63
Wasti Hamza
 3. Prédiction de la sècheresse météorologique par application des techniques
i i i i i i i i

i de l’intelligence artificielle :
i i i

La ivariabilité idu iclimat ide ila icentre ide ila iTunisie icombinée ià ila iforte idépendance ide icette izone isur
i l’agriculture idépendant ide ila ipluie ile irend ivulnérable iaux iimpacts ide ila isécheresse. i

Les iprévisions iefficaces ide ice iphénomène iprésentent iun ioutil iessentiel ipour ila igestion iefficace ide
i ressources id’eau icontre iles ieffets inéfastes ide ila isécheresse.

Dans icette ioptique, icette ipartie idu ichapitre ia ipour iobjectif id’anticiper iles iconséquences ide ila
i sécheresse ià ides iéchelles idu itemps idifférente ipar iapplication ides itechniques id’intelligence
i artificielle ià isavoir iles iréseaux ide ineurones iartificiels i(RNA iou iANN).

3.1. Calcul ide il’indice iSPI i:

Avant ide iprocéder ià ila iprojection ide il’indice iSPI ijusqu’à il’horizon i2050, iun imodèle ide iprévision
i à icourt iterme i(sur iun imois id’avance) ia iété idéveloppé. i

Cette iétape iavait ipour iobjectif id’identifier ila iconfiguration ila iplus iperformante ià iutiliser ipour iles
i projections ifutures. i

Le imodèle isélectionné, iqui iutilise icomme ivariables iexplicatives iles iprécipitations, ila itempérature
i moyenne, ile iNDVI iainsi ique iles iindices iSPI, iSPI-1, iSPI-2 iet iSPI-3, ia iprésenté ide itrès ibonnes
i performances, iavec iun icoefficient ide idétermination iR² ide i0.96, iindiquant iune icapacité
i prédictive ipresque iparfaite. iLes irésultats iobtenus isont iillustrés idans ila ifigure ici-dessous.

5
Apprentissage validation
4

-1

-2
May-84
May-85
May-86
May-87
May-88
May-89
May-90
May-91
May-92
May-93
May-94
May-95
May-96
May-97
May-98
May-99
May-00
May-01
May-02
May-03
May-04
May-05
May-06
May-07
May-08
May-09
May-10
May-11
May-12
May-13
May-14
May-15
May-16
May-17
May-18
May-19
May-20
May-21
May-22
May-23

spi observer spi modele

Figure 32: Résultats de prévisions du modèle SPI pour 1 mois d’avance

64
Wasti Hamza
 -2
0
2
6

-2
0
2
4
6

0
2
4
6

-2

0
1
2
3
4
5
6

-2
-1
May-84 May-84 May-84
May-84
Feb-86 Feb-86 Feb-86
Feb-86
Nov-87 Nov-87 Nov-87
Nov-87
Aug-89 Aug-89 Aug-89

iii
Aug-89
May-91 May-91 May-91
May-91
Feb-93 Feb-93 Feb-93
Feb-93
Nov-94 Nov-94 Nov-94
Nov-94
Aug-96 Aug-96 Aug-96
Aug-96

Wasti Hamza
May-98 May-98 May-98
May-98
Feb-00 Feb-00 Feb-00
Feb-00
Nov-01 Nov-01 Nov-01

spi observer
spi observer

spi observer
Nov-01

spi observer
Aug-03 Aug-03 Aug-03
Aug-03
May-05 May-05 May-05
May-05
Feb-07 Feb-07 Feb-07
Feb-07

précipitations, SPI
Nov-08 Nov-08 Nov-08

précipitations, NDVI, SPI

Nov-08
Aug-10 Aug-10 Aug-10
Aug-10
spi modele1

spi modele 2
May-12 May-12

spi modele 4
May-12

spi modele 3
May-12
Feb-14 Feb-14 Feb-14
précipitations, température, NDVI, SPI, SPI-1

Feb-14
Nov-15 Nov-15 Nov-15
Nov-15
Aug-17 Aug-17 Aug-17
Aug-17
précipitations, température, NDVI, SPI, SPI-1, SPI-2 et SPI-3

May-19 May-19 May-19

May-19
Feb-21 Feb-21 Feb-21
Feb-21
Nov-22 Nov-22 Nov-22
Nov-22

R2 = 0.4
R2 = 0.414
R2 = 0.653
R2 = 0.957

Figure 33: Comparaison entre les valeurs SPI observées et estimées selon les différentes entrées du modèle

65
Les ifigures ici-dessus icomparent ides idonnées iobservées iet iestimées ide iSPI iqui iforme iun inuage ide
i points isitué iautour ide ila idroite ilinéaire ipour ila iphase idu itest idu imodèle, ile ipremier imodèle,
i intégrant iles ivariables iprécipitations, itempérature, iNDVI, iSPI, iSPI-1, iSPI-2 iet iSPI-3, ia idémontré
i la imeilleure iperformance iavec iun iR² iélevé ide i0.957, iindiquant iune iforte icorrélation ientre iles
i valeurs iobservées iet iestimées, ice irésultat isuggère ique il'inclusion ides iindices iSPI idifférés i(SPI-1 ià
i SPI-3) irenforce iconsidérablement ila iprécision idu imodèle. i

En icomparaison, ile ideuxième imodèle, iqui iexcluait iSPI-2 iet iSPI-3, in’a iobtenu iqu’un iR² ide i0.653,
i montrant iune ibaisse isignificative ide iperformance. i

Le itroisième imodèle, ilimité iaux iseules ivariables iprécipitations iet iSPI, ia iatteint iun iR² ide i0.400,
i révélant iune icorrélation imodérée. iEnfin, ile iquatrième imodèle, iqui iutilisait iprécipitations, iNDVI
i et iSPI, ia imontré iun iR² ilégèrement isupérieur i(0.414), imais itoujours ifaible, iillustrant ique il'ajout idu
i NDVI iseul in'améliore ipas isuffisamment ila iperformance isans iles iautres ivariables iclés. i

C’est ipour icette iraison ique ile ipremier imodèle ia iété iretenu ipour il’estimation idu iSPI ià il’horizon
i 2050, icar iil ioffre ila imeilleure icapacité ide iprédiction iet iexploite ipleinement il’information
i contenue idans iles ivariables iclimatiques iet iles iindices ide isécheresse idifférés.

Par ila isuite, iles idonnées iclimatiques iprojetées iselon ile iscénario iSSP2-4.5 iont iété iintégrées iau
i modèle ide iprédiction. iLes iscénarios iclimatiques iSSP1-2.6, iSSP4-6.0 iet iSSP5-8.5 iont iégalement
i été iconsidérés iafin ide icomparer il’évolution ifuture idu iSPI iselon idifférents icontextes id’émissions.
Lors idu idéveloppement idu imodèle ide iréseau ide ineurones iartificiels i(RNA), iune iarchitecture
i composée ide icinq icouches icachées icontenant ichacune idix ineurones ia ipermis id’obtenir iles
i meilleures iperformances.

L’ensemble ides idonnées ia iété idivisé ien ideux isous-ensembles i: i80 % ipour il’apprentissage iet i20 %
i pour iles iphases ide itest iet ide ivalidation. i i i i i i i i i i i i i i i i i i i i i i

Afin id’améliorer ila iqualité ides iprédictions, inous iavons iégalement iintégré idans ile icode iune
i décomposition ides iséries iSPI ien itrois iéchelles itemporelles i(SPI-3, iSPI-6 iet iSPI-12). i

Cette itransformation ia ipermis ide ilisser iles iséries itemporelles, ide imieux icapter iles itendances
i saisonnières iet iinterannuelles, iet iainsi ide irenforcer ila istabilité iet ila iprécision idu imodèle.
Le ichoix id’utiliser ides idonnées imensuelles iplutôt iqu’annuelles ia iété imotivé ipar ila inécessité
i d’offrir iun ivolume id’apprentissage iplus iimportant iau imodèle. i

En ieffet, iun iessai ibasé isur ides idonnées iannuelles in’a ipermis id’obtenir iqu’un icoefficient ide
i détermination iR² ide i0.34, ice iqui iest iinsuffisant ipour ides iprévisions ifiables. i

66
Wasti Hamza
 En irevanche, ien iutilisant ides idonnées imensuelles, ile imodèle ifinal ia iatteint iun iR² ide i0.68 ipour ile
i modèle ide iSSP2-4.5, iun irésultat iconsidéré icomme iacceptable, inotamment icompte itenu ide
i l’ampleur itemporelle ide ila iprojection iet ide ila icomplexité ides idynamiques iclimatiques ià imodéliser
i sur icette ipériode.
i

SPI selon SSP1-2.6

3

2.5

1.5

0.5

-0.5

-1
y = 2E-05x - 0.8616
-1.5

Jul-47
Jul-26

Jul-29

Jul-32

Jul-35

Jul-38

Jul-41

Jul-44
Apr-27

Apr-30

Apr-33

Apr-36

Apr-39

Apr-42

Apr-45

Apr-48
Jan-25

Jan-28

Jan-31

Jan-34

Jan-37

Jan-40

Jan-43

Jan-46

Jan-49
Oct-25

Oct-28

Oct-31

Oct-34

Oct-37

Oct-40

Oct-43

Oct-46

Oct-49
SPI selon SSP2-4.5
3

2.5

1.5

0.5

-0.5

-1
y = -4E-05x + 1.9449
-1.5
Jul-26

Jul-29

Jul-32

Jul-35

Jul-38

Jul-41

Jul-44

Jul-47
Apr-27

Apr-30

Apr-33

Apr-36

Apr-39

Apr-42

Apr-45

Apr-48
Jan-25

Jan-28

Jan-31

Jan-34
Oct-34

Jan-37

Jan-40

Jan-43

Jan-46

Jan-49
Oct-25

Oct-28

Oct-31

Oct-37

Oct-40

Oct-43

Oct-46

Oct-49

67
Wasti Hamza
 SPI selon SSP4-6.0
3

2.5

1.5

0.5

-0.5

-1
y = 7E-06x - 0.4547
-1.5
Jul-26

Jul-29

Jul-32

Jul-35

Jul-38

Jul-41

Jul-44

Jul-47
Apr-27

Apr-30
Jan-31

Apr-33

Apr-36

Apr-39

Apr-42

Apr-45

Apr-48
Jan-25

Jan-28

Jan-34

Jan-37

Jan-40

Jan-43
Oct-43

Jan-46

Jan-49
Oct-25

Oct-28

Oct-31

Oct-34

Oct-37

Oct-40

Oct-46

Oct-49
SPI selon SSP5-8.5
3

2.5

1.5

0.5

-0.5

-1
y = -3E-06x + 0.0307
-1.5
Jul-26

Jul-29

Jul-32

Jul-35

Jul-38

Jul-41

Jul-44

Jul-47
Apr-27

Apr-30
Jan-31

Apr-33

Apr-36

Apr-39

Apr-42
Jan-43

Apr-45

Apr-48
Jan-25

Jan-28

Jan-34

Jan-37

Jan-40

Jan-46

Jan-49
Oct-25

Oct-28

Oct-31

Oct-34

Oct-37

Oct-40

Oct-43

Oct-46

Oct-49
FIGURE 34: ESTIMATION DES SPI MENSUELS A L’HORIZON 2050 SELON DIVERS SCENARIOS D’EMISSIONS

L’analyse icomparative ide ices ihistogrammes imet ien iévidence ides idynamiques iclimatiques
i distinctes, iinfluencées ipar il’évolution iprojetée ides iémissions ide igaz ià ieffet ide iserre.

• Dans ile iscénario iSSP1-2.6, iqui ireprésente iun ifutur ioptimiste ibasé isur iune iforte
i coopération iinternationale, ides iinvestissements idans il’énergie iverte iet iun icontrôle iefficace
i des iémissions, ion iobserve iune icyclicité imodérée ides ipériodes ide isécheresse, iavec ides
i cycles isecs iapparaissant ienviron itous iles i2 ià i4 ians. iLa icourbe ide itendance ides ifréquences
i de isécheresse iaffiche iune ilégère idiminution, itraduisant iune itendance ivers il’humidité
i accrue. iCette idynamique is’explique ipar iles iefforts iclimatiques imondiaux isupposés idans

68
Wasti Hamza
 i ce iscénario, inotamment iune iréduction isubstantielle ides iémissions iet iun iralentissement idu
i réchauffement iclimatique, ientraînant ides iconditions iplus ifavorables ià ila irétention
i d’humidité idans iles isols.
• À il’inverse, idans ile iscénario iSSP2-4.5, iqui icorrespond ià iune itrajectoire id’émissions
i modérées iet ià iun idéveloppement iinégal imais ipragmatique, iaucune icyclicité inette ientre
i périodes ihumides iet isèches in’est iclairement ivisible. iToutefois, ila itendance igénérale
i montre iune iaugmentation ides imois isecs, iindiquant iune iintensification iprogressive ide ila
i sécheresse. iCe icomportement ireflète iles iconséquences id’un iréchauffement iclimatique
i partiellement imaîtrisé, ioù il’augmentation ides itempératures iamplifie il’ETP, iréduisant iainsi
i l’humidité idisponible, imême isi iles iprécipitations itotales ine idiminuent ipas
i significativement.
• Dans ile iscénario iSSP4-6.0, iune isituation icaractérisée ipar iune iforte iinégalité irégionale iavec
i des iefforts ide idéveloppement idurable iinégaux, ion iobserve iune ifréquence iélevée iet
i prolongée ide isécheresse iau idébut ide ila ipériode ide iprojection. iToutefois, ila icourbe ide
i tendance imontre iune ifaible iinclinaison ivers il’humidification, ice iqui ipourrait is’expliquer
i par ides iajustements iclimatiques iou ides irétroactions inaturelles iatténuant itemporairement
i les ieffets idu iréchauffement. iNéanmoins, icette iamélioration ireste imarginale, iet ile irisque ide
i sécheresse iprolongée idemeure iélevé.
• Enfin, ile iscénario iSSP5-8.5, iqui ireflète iun ifutur idominé ipar iune iforte icroissance
i économique idépendante ides icombustibles ifossiles, imontre iune ifréquence itrès iélevée ide
i mois isecs itout iau ilong ide ila ipériode. iLa icourbe ide itendance ireste inettement iinférieure ià
i zéro, itraduisant iune itendance icontinue ivers il’aridification. iCe iscénario iextrême iprojette
i une ihausse iimportante ides itempératures iglobales, iavec ides iimpacts isévères isur il’équilibre
i hydrique, iaccentuant ile idéficit ipluviométrique, ila iperte id’humidité idu isol iet
i l’augmentation ides istress ihydriques, iparticulièrement idans iles irégions isensibles.

En irésumé, il’analyse ides ihistogrammes imontre iune icorrélation iclaire ientre il’intensité ides
i émissions iprojetées iet ila ifréquence ides iépisodes ide isécheresse. iPlus ile iscénario iest ipessimiste ien
i termes id’émissions, iplus iles itendances iobservées iindiquent iune iaugmentation ides iconditions
i sèches, imettant ien ilumière il’importance icruciale ide il’atténuation iclimatique ipour ilimiter iles
i impacts ihydrologiques ifuturs.

69
Wasti Hamza
3.2. Répartition spatiale des SPI :
i i i i

La icartographie iprospective ides iindices iSPI, ianticipée iselon ile iscénario iclimatique iSSP2-4.5 iet
i calibrée ià ipartir ides idonnées iMODIS i6 ivia ila iplateforme iGoogle iEarth iEngine, iillustre ila
i répartition ispatiale iprojetée idu iclimat irégional ià il’horizon i2050.

PPI Ainboumorra
1,2 et 3
OTD

Figure i35: iVariabilité ispatiale isu iSPI ianticiper

Cette icarte imet ien iévidence ides izones idifférenciées iselon il’intensité ide ila isécheresse i:

• Les izones irouges iindiquent iune idominance ides ipériodes ide isécheresse iextrême,

• Les izones ibeiges itraduisent iune ifréquence iaccrue ide isécheresse imodérée,

• Les izones ivertes iet ibleues icorrespondent irespectivement ià ides iconditions ide isécheresse
i faible iou ià ides ipériodes iclimatiques iproches ide ila inormale.

70
Wasti Hamza
L’observation ila iplus ipréoccupante iréside idans ile ifait ique ila imajorité ides iterres iagricoles iet ides
i périmètres iirrigués i(les izones irouges ide ila ifigure i28) ise isituent idans iles izones irouges iet ibeige,
i c’est-à-dire idans iles isecteurs iles iplus iexposés iaux idéficits ihydriques isévères. i

Cette iprojection isouligne ila ivulnérabilité iaccrue ide ices izones ide iproduction iface iau ichangement
i climatique, iet iannonce ides iconditions ifutures iparticulièrement idifficiles ipour il’agriculture ilocale,
i la isécurité ialimentaire iet ila igestion ides iressources ien ieau.

71
Wasti Hamza
Conclusion : i

L’analyse imenée ià itravers iles itrois ivolets ide icette iétude ioffre iune ivision iintégrée ide ila idynamique
i climatique, ihydrologique, ienvironnementale iet isocioéconomique idans ile ibassin iversant ide
i Nebhana iau icours ides iquarante idernières iannées. iLes irésultats iobtenus imettent ien iévidence ides
i tendances ipréoccupantes iqui itraduisent iune itransformation iprogressive, imais iprofonde, idu
i système inaturel iet ihumain ilocal isous il’effet idu ichangement iclimatique.

Tout id’abord, il’examen ides itendances iclimatiques irévèle iune ibaisse imodérée imais ipersistante ide
i la ipluviométrie, iestimée ià ienviron i3 imm isur ila ipériode, iavec iune iintensification imarquée idurant
i la idernière idécennie i(−6 imm). iParallèlement, iune ihausse isignificative ide ila itempérature imoyenne
i (+2.5 i°C ientre i1982 iet i2023) ia iété iobservée, iinduisant iune iaugmentation icumulative ide
i l’évapotranspiration ipotentielle ide il’ordre ide i130 imm. iCes iévolutions irenforcent iles iconditions ide
i sécheresse i(confirmées ipar iles iindices iSPI iet iRDI), itraduisant iun iprocessus iavancé id’aridification
i du iterritoire, imettant ien ipéril ila idurabilité ide il’agriculture.

L’analyse ide il’impact ide ices iconditions iclimatiques isur ila iproduction iagricole ia irévélé iune
i corrélation ipositive inotable i(R i= i0.53) ientre iles ivaleurs idu iSPI iet ila iproduction icéréalière. iCette
i relation isouligne il’importance icruciale ide ila irégularité ides iprécipitations ipour iles irendements.
i Toutefois, il’étude ia iégalement imis ien iévidence iun idécouplage ipartiel ilors ide icertaines iannées,
i comme i2019, ioù iune iannée ihydrologiquement ifavorable in’a ipas isuffi ià igarantir ides irendements
i élevés, iillustrant il'effet ilimitant id’autres ifacteurs itels ique ila irépartition itemporelle ides ipluies iou
i l’état ides iinfrastructures id’irrigation. iEn ieffet, iles ianalyses iont imontré ique ila iproduction
i céréalière iest ifortement idépendante ides ilâchers id’eau ides ibarrages ipour il’irrigation
i complémentaire, isoulignant ila ivulnérabilité idu isecteur iaux irestrictions ihydriques.

Sur ile iplan iécologique, iles iindices isatellitaires i(NDVI, iVCI, iTCI, iVHI) iconfirment iune
i dégradation icontinue ide ila icouverture ivégétale idepuis iles iannées i1990. iAprès iune iamélioration
i entre i1984 iet i1994, ile iNDVI ia iconnu iune ichute imarquée, iavec iun ipoint icritique iautour ide i2001,
i une ireprise imodérée ientre i2002 iet i2014, ipuis iune inouvelle idétérioration ijusqu’en i2024. iCette
i tendance iest icorroborée ipar il’évolution ides izones id’occupation idu isol, ioù il’on iobserve iune
i régression ides iterres iagricoles iet iune iextension ides isurfaces idégradées, idans iun icontexte ide
i pression icroissante isur iles iressources. iCe iprocessus is’accompagne id’un iexode irural,
i particulièrement imarqué idans iles idélégations iagricoles icomme iOueslatia iet iAin iBou iMorra, ioù
i les itaux ide icroissance idémographique isont inégatifs. iCela itraduit iune iperte id’attractivité

72
Wasti Hamza
i socioéconomique idu iterritoire, ipoussant iles ijeunes igénérations ivers iles igrandes ivilles iou iles
i régions icôtières.

En iparallèle, il’étude ia imis ien ilumière iun iphénomène id’adaptation inon idurable ipar ile irecours ià ides
i forages iillicites, iestimés ià iprès ide i300 iautour ides ipérimètres iirrigués isitués ien iaval idu ibarrage. iLa
i superposition ispatiale ientre iles izones ide iNDVI ien iamélioration iet ila ilocalisation ide ices iforages
i suggère iun ieffet idirect ide ices iprélèvements isur ila ivégétation, iau iprix id’une isurexploitation ides
i nappes iphréatiques. iCe imode ide igestion inon iencadré ia iconduit ià il’assèchement iprogressif ides
i ressources isouterraines, iprovoquant il’arrêt ide ifonctionnement ide iplusieurs ipérimètres iirrigués
i publics i(Jlassi, iOued iKriouaa, iOued iKthem…), imettant ien ipéril ila idurabilité iagricole ide ila irégion.

Enfin, iles iprojections ibasées isur iun imodèle ide iréseau ide ineurones iartificiels i(RNA) iconfirment ila
i poursuite ide icette idégradation idans iles iprochaines idécennies, itout ien isoulignant il’intérêt ide ices
i outils ipour ila imodélisation, il’anticipation iet il’aide ià ila idécision. iCes iapproches ipermettent ide
i cibler iles ipériodes icritiques, id’adapter iles ipolitiques iagricoles, iet id’optimiser ila igestion ides
i ressources idans iles izones ià iforte ivulnérabilité iclimatique icomme ile ibassin iversant ide iNebhana.

Dans ice icontexte id’imprévisibilité icroissante iet ide imultiplication ides iévénements iextrêmes, iil iest
i impératif ide irenforcer iles iefforts ien imatière ide irecherche iappliquée isur ila iprévision iclimatique iet
i hydrologique. i

Cela ipasse ipar i:

• Le idéveloppement ides imodèles ide iprédiction iintégrés iplus irobustes, icouplant idonnées
i climatiques, ihydrologiques, iet isatellitaires.

• L’amélioration ide ila irésolution itemporelle iet ispatiale ides iobservations, inotamment igrâce ià
i des iplateformes isatellitaires ide inouvelle igénération.

• L’intégration ide ices ioutils idans iles iprocessus idécisionnels ilocaux, ien icollaboration iavec
i les iagriculteurs, iles igestionnaires ide il’eau iet iles iautorités irégionales.

• Le irenforcement ides icapacités ilocales ien imatière ide itraitement ide idonnées, ide
i modélisation iet id’interprétation ides iindicateurs ienvironnementaux.

En isomme, icette iétude imet ien ilumière il’urgence ide imieux icomprendre, iprévoir iet irépondre iaux
i défis idu ichangement iclimatique ià itravers iune iapproche imultidisciplinaire ifondée isur iles idonnées
i et iorientée ivers ila irésilience ides iécosystèmes iet ides icommunautés irurales. i

73
Wasti Hamza
ANNEXE : i

74
Wasti Hamza
ANNEXE 1 : CODE DE PRODUCTION DE 40 CARTES DE NDVI AVEC UN NDVI MOYENNE PAR AN SUR LA
I I I I I I I I I I I I I I I I I I

PERIODE DE 1984-2024
I I I

75
Wasti Hamza
ANNEXE 2: CODE DE GENERATION DES INDICES DE SUIVI DE SECHERESSE (VCI, TCI ET VHI)

76
Wasti Hamza
 77
Wasti Hamza
 78
Wasti Hamza
 ANNEXE 3: CODE DE GENERATION DES VALEURS D’SPI FUTURE
I I I I I I I I

79
Wasti Hamza
 TABLEAU 9: MATRICE DE CONFUSION DE CLASSIFICATION DE L'OCCUPATION DU SOL
I I I I I I I I I I

DE 2014
I I

Terres
Terres inon

Class icultivées Eau icultivées Foret Sol inu Urbain Parcours Total U_Accuracy kappa
Terres
icultivées 72 0 4 0 0 0 9 85 0.85 0
Eau 0 50 0 0 0 0 0 50 1 0
Terres inon
icultivées 9 0 31 2 0 0 4 46 0.67 0
Foret 15 0 0 63 0 0 0 78 0.81 0
Sol inu 0 0 0 0 84 0 10 90 0.93 0
Urbain 0 0 0 0 2 46 0 48 0.96 0
Parcours 34 0 9 0 4 0 151 203 0.74 0
Total 130 50 45 65 90 46 174 600 0 0
P_Accuracy 0.55 1 0.69 0.97 0.93 1 0.87 0 0.86 0
Kappa 0 0 0 0 0 0 0 0 0 0.81

TABLEAU 10: MATRICE DE CONFUSION DE CLASSIFICATION DE L'OCCUPATION DU SOL

I I I I I I I I I I

DE 2024
I I

Terres Terres inon

Class icultivées Eau icultivées Foret Sol inu Urbain Parcours Total U_Accuracy kappa
Terres
icultivées 70 0 5 0 0 0 10 85 0.82 0
Eau 0 50 0 0 0 0 0 50 1 0
Terres inon
icultivées 10 0 30 5 0 0 5 50 0.6 0
Foret 15 0 0 60 0 0 0 75 0.8 0
Sol inu 0 0 0 0 80 0 10 90 0.89 0
Urbain 0 0 0 0 5 45 0 50 0.9 0
Parcours 35 0 10 0 5 0 150 200 0.75 0
Total 130 50 45 65 90 45 175 600 0 0
P_Accuracy 0.54 1 0.67 0.92 0.89 1 0.86 0 0.80 0
Kappa 0 0 0 0 0 0 0 0 0 0.77
ANNEXE 4: LES MATRICES DE CONFUSION DE LA CLASSIFICATION
I I I I I I I I

80
Wasti Hamza
REFERENCES BIBLIOGRAPHIQUES :
i i

i GIEC (2021) : Groupe d'experts intergouvernemental sur l'évolution du climat. Sixième rapport
d'évaluation du GIEC (2021).
Arrhenius, S. (1896). "On the Influence of Carbonic Acid in the Air upon the Temperature of the
Ground". Philosophical Magazine and Journal of Science, 41(251), 237–276.
Nations Unies. (1992). Convention-cadre des Nations unies sur les changements climatiques
(CCNUCC), Rio de Janeiro.

ii OMM (2006) Plan National de Gestion de la Sécheresse - Tunisie CNULCD

iii Defining Ecological Drought for the Twenty-First Century, Crausbay et al, 2017
iv Ministère de l'Environnement (2021). La situation de la sécheresse en Tunisie.
Boughattas, I., & al. (2021). "Impact de la sécheresse prolongée sur l'agriculture en Tunisie".
Journal des Sciences de l'Environnement.
v Vangelis, H., & al. (2013). "Global drought monitoring and management." Environmental
Monitoring and Assessment.
vi Rouse, J.W., Haas, R.H., Schell, J.A., & Deering, D.W. (1973). Monitoring vegetation systems
in the Great Plains with ERTS. NASA Special Publication, 351, 309.
Gao, B. (1996). NDWI – A normalized difference water index for remote sensing of vegetation
liquid water from space. Remote Sensing of Environment, 58(3), 257–266.
Qi, J., Chehbouni, A., Huete, A.R., Kerr, Y.H., & Sorooshian, S. (1994). A modified soil adjusted
vegetation index. Remote Sensing of Environment, 48(2), 119–126.
Narasimhan, B., & Srinivasan, R. (2005). Development and evaluation of soil moisture deficit
index and evapotranspiration deficit index for agricultural drought monitoring. Agricultural and
Forest Meteorology, 133(1–4), 69–88.

81
Wasti Hamza
Roy, D. P., Wulder, M. A., Loveland, T. R., Woodcock, C. E., Allen, R. G., Anderson, M. C., et al.
(2014). Landsat-8: Science and product vision for terrestrial global change research. Remote
Sensing of Environment, 145, 154-172.
Zargar, A., Sadiq, R., Naser, B., & Khan, F. I. (2011). A review of drought indices. Environmental
Reviews, 19(NA), 333–349.

viii Wilks, D. S. (2011). Statistical Methods in the Atmospheric Sciences (3rd ed.). Academic Press.
Kendall, M. G., & Stuart, A. (1979). The Advanced Theory of Statistics (Vol. 2). Macmillan.
IPCC. (2021). Sixth Assessment Report (AR6) – Climate Change 2021: The Physical Science
Basis. Intergovernmental Panel on Climate Change.

ix Haykin, S. (1999). Neural Networks: A Comprehensive Foundation. Prentice Hall.

Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-
propagating errors. Nature, 323(6088), 533–536.
x Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61,
85–117
xi - IPCC. (2021). Climate Change 2021: The Physical Science Basis. Contribution of Working
Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change.
Cambridge University Press. [Link]
- Meinshausen, M., Nicholls, Z. R. J., Lewis, J., Gidden, M. J., Vogel, E., Freund, M., ... & Riahi, K.
(2020). The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas
emissions implications: An overview. Environmental Research Letters, 15(8), 084009.
[Link]
- O’Neill, B. C., Kriegler, E., Riahi, K., Ebi, K. L., Hallegatte, S., Carter, T. R., ... & van Vuuren, D. P.
(2017). The roads ahead: Narratives for shared socioeconomic pathways describing world

82
Wasti Hamza
futures in the 21st century. Global Environmental Change, 42, 169–180.
[Link]
- Riahi, K., Bertram, C., Huppmann, D., Rogelj, J., Bosetti, V., de Boer, H. S., ... & Vuuren, D. P.
van. (2022). Energy system pathways for achieving the goals of the Paris Agreement. Nature
Energy, 7, 626–639. [Link]
- van Vuuren, D. P., Edmonds, J., Kainuma, M., Riahi, K., Thomson, A., Hibbard, K., ... & Rose, S.
K. (2014). A new scenario framework for climate change research: Scenario matrix architecture.
Climatic Change, 122, 373–386. [Link]

xii Jamila TARHOUNI, Mohamed HAMDI, Issam NOUIRI, Seifallah ESSAYEH et Olfa GHARBI
(2015) Caractérisation des ressources en eau souterraines et modélisation des systèmes
aquifères du bassin de Nebhana
xiii Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google
Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment,
202, 18-27.
xiv Crop evapotranspiration - Guidelines for computing crop water requirements - FAO
Irrigation and drainage paper 56

xv Apport des indices de sévérité et techniques de l’intelligence artificielle pour le suivi de la

sécheresse météorologique en rapport avec la nappe phréatique superficielle : cas de la Plaine
de Saïss (Nord du Maroc), Abdelhamid EL IBRAHIMI
xvi Source : TD Classification, Télédétection)

83
Wasti Hamza