الجمهوريــة الجزائريــة الديمقراطيــة الشعبيــة République Algérienne Démocratique et Populaire وزارة الـتعـلــيــم الـعـالي و البـحـث الـعلـمــي Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

جامعة مصطفى إسطمبولي ب معسكر Université Mustapha Stambouli Mascara

Faculté des Sciences de la Nature et de la Vie Département des Sciences Agronomiques Laboratoire de Recherche sur les Systèmes Biologiques et de la Géomatique (LRSBG)

THESE DE DOCTORAT EN SCIENCES Spécialité Sciences de la Terre et de l’Univers

Evolution des précipitations dans le contexte des changements climatiques au Nord-Ouest Algérien

Présentée par : Benali Benzater

Le 14/02/2021

Devant le jury :

Président HAMIMED Abderrahmane Pr Université de Mascara Examinateur MEDJBER Abdellah Pr Université de Saida Examinateur LARID Mohamed Pr Université de Mostaganem Examinateur ABABOU Adda Pr Université de Chlef Directeur de Thèse BENARICHA Boumediene MCA Université de Mascara Co-Directeur de Thèse ELOUISSI Abdelkader MCA Université de Mascara

Année Universitaire : 2020-2021

Remerciements

Une thèse dure au moins quatre ans, c'est long ! Merci à Grand Dieu Tout Puissant d'abord et heureusement que l'on peut compter sur des personnes tant sur le plan scientifique que moral. Les remerciements représentent certainement la partie la plus difficile à écrire d'une thèse. J'espère ici n'oublier personne qui a participé, de près ou de loin, à ce travail. Je remercie vivement Dr Benaricha Bouemediene qui m'a apporté ce dont un thésard a besoin : liberté, confiance, patience, conseils et idées. Merci également au Dr Elouissi Abdelkader qui m'a consacré, malgré son emploi du temps chargé, des après-midis enrichissants et des relectures minutieuses du manuscrit. Une thèse rentre toujours dans un projet plus vaste où toute une équipe y travaille. Je tiens donc à remercier toute l'équipe du Laboratoire de Recherche sur les Systèmes Biologiques et de la Géomatique (LRSBG) de l’Université de Mascara. Cette thèse n'aurait jamais pu voir le jour sans les données pluviométriques. Je remercie donc l’Agence Nationale des Ressources Hydrauliques (ANRH) et l’ONM. Je tiens également à remercier tous les membres de mon jury. Je souhaiterais également remercier le Pr Hamimed Abderrahmane pour avoir accepté de juger ce travail et d’en présider le jury de soutenance. Les examinateurs qui ont accepté de siéger sur le jury de cette thèse doivent aussi trouver ici l’expression de ma reconnaissance, soit les Professeurs Medjber Abdellah de l’Université de Saida, Pr. Larid Mohamed de l’Université de Mostaganem et Pr. Ababou Adda de l’Université de Chlef. Au terme de ce parcours, je remercie enfin celles et ceux qui me sont chers et que j’ai quelque peu délaissés ces derniers mois pour achever cette thèse. Leurs attentions et encouragements m’ont accompagnée tout au long de ces années.

Je suis redevable à mes défunts parents, ma femme et mes enfants.

Nuage de mots clés

Organisation de la Thèse

Pour une meilleure compréhension, ce manuscrit s’articule, après une introduction générale, sur sept chapitres :

1. Le premier chapitre vise à introduire le contexte général des changements climatiques et leur objectifs des travaux entrepris, ainsi qu’à expliciter certains choix méthodologiques faits pour répondre à la problématique abordée.

2. Le second présente un aperçu sur la circulation atmosphérique, qui génère les pluies, et les modèles climatiques de projection des pluies extrêmes à long terme.

3. Le troisième traite les séries temporelles et décrit les différentes méthodes de détection des tendances dans les séries chronologiques.

4. Le quatrième est une présentation exhaustive des lois de probabilité, des paramètres statistiques et d’outils d’investigation appliquées à l’hydrologie et au changement climatique extrême.

5. Le cinquième présente une description générale de la zone d’étude à travers une situation des sous- bassins versants, leurs caractéristiques morphologique, géologique et hydrogéologique, ainsi que la présentation et le prétraitement des données des pluies maximales journalières.

6. Le sixième est consacré à l’étude de l’évolution des pluies maximales journalières et leurs tendances dans le temps et dans l’espace. Il est articulé autour d’un article, intitulé « Spatio- temporal trends in daily maximum rainfall in northwestern (Macta watershed case, Algeria) », publié dans la revue « Arabian Journal of Geosciences (AJGS) » en juin 2019 (Benzater et al., 2019), et présente certains résultats obtenus lors de l’application de la combinaison de trois méthodes (méthode de Mayer, la méthode innovante de Şen (2012) et le test de Bravais- Pearson).

7. Le septième chapitre vise les projections des pluies extrêmes à partir du modèle climatique GCM (CCSM4) avec une application à la station . Liste des figures

Fig. 1.1 : Localisation des événements pluvieux atteignant au moins 150 mm j−1 pour la période 1967-2006 (Ricard et al., 2012) Un point équivaut à un événement ……………………………………………………….. 7 Fig. 1.2 : Variation de la température en surface au cours de l’histoire de la Terre (Ibrahim, 2012)……..………9 Fig. 1.3 : Les anomalies climatiques les plus significatives observées au cours de l’année 2006 (Source : http://www.ncdc.noaa.gov/oa/climate/research/2006/ann/ann06.html)...... 11 Fig. 1.4 : Les conséquences du changement climatique à l’échelle mondiale ……………..…….……………...13 Fig. 1.5 : Bilan énergétique de la terre (en W.m-2.an-1) (Kielh et Trenberth, 1997)…………..…………………15 Fig. 1.6 : a) Emissions annuelles de GES anthropiques dans le monde (1970-2004). b) Parts respectives des différents GES anthropiques dans les émissions totales de 2004 en équivalent-CO2. c) Contribution des différents secteurs aux émissions totales de GES anthropiques en 2004...... 16 Fig. 1.7 : Evolution du dioxyde de carbone à partir de données provenant de carottes de glaces et de mesures récentes (IPCC, 2007)……..…………………… …………………………………………………….17 Fig. 1.8 : Evolution observée et projetée de la température à horizon 2100 (IPCC, 2013)………………..…….17 Fig. 1.9 : a) Température de surface en moyenne mondiale ; b) Niveau moyen mondial de la mer ; c) Couche de neige de l’Hémisphère Nord en mars et avril. ……………………………………………………18 Fig. 1.10 : Tendance d’évolution de la température océanique entre 0 et 700 m (1971-2010) (en °C par décennie) (Rhein M. et al., 2013) ……………………………..……………………………………..19 Fig. 1.11 : Changement de la température de l’eau en surface selon scénarios ………………………………...19 Fig. 1.12 : Evolution des précipitations moyennes (entre 1986-2005 et 2081-2100) ………………………..…20 Fig. 1.13 : Tendance d’évolution de la température de la terre (1976-2000) (Henson, 2008)……………..……21 Fig. 1.14 : Vulnérabilité face aux catastrophes climatiques dans le monde ……………………………….……23 Fig. 1.15 : Types de catastrophes naturelles survenues dans le monde de 1900-2007 (Source : CRED, 2007)...23 Fig. 1.16 :Déplacements dans le monde causés par des catastrophes (2008-2013)(IDMC)……………………25 Fig. 1.17 : Exposition des populations au risque d’inondations en 2050……………………………………..…26 Fig. 1.18 : a) Photographies des catastrophes d’Alger 1957 b) Alger, 2001 C) Ghardaïa, 2008 ...... ….…27 Fig. 1.19 : Ampleur des inondations en Algérie ……………………………………………………………..….29

Fig. 2.1 Composants du système climatique et leurs interactions (IPCC, 2007)………………………………...34 Fig. 2.2 Incidences solaires sur les différentes régions de la terre……………………………………………….35 Fig. 2.3 Schéma de la dynamique atmosphérique globale ………………………………………………………36 Fig. 2.4 (a) Schéma représentant la coupe méridienne du déséquilibre énergétique entre l’équateur et les pôles. Crédits : NASA. (b) Transport de chaleur méridien. RT : Transport total. OT : Composante océanique et AT : Composante atmosphérique. (Crédits : Trenberth et Caron (2001))…………………….………..36 Fig. 2.5 (a) Climatologie annuelle de la température de surface de la mer (SST, Sea Surface Temperature en °C) calculée dans le jeu de données ERSST3. (b) Schéma de la circulation thermohaline (tiré de https://global.britannica.com/science/thermohaline-circulation)...... 38 Fig. 2.6 Carte de la Mer Méditerranée ainsi que ses sous-bassins. Les flèches marquent les couloirs de vent. Elle présente une extension longitudinale d’environ 4000 km sur une extension latitudinale de 800 km et s’étend d’environ 7 W à 37 E en longitude et de 29 N à 46 en latitude…………………………………39 Fig. 2.7 Représentation simplifiée des composantes du système climatique, de leurs processus et des interactions à partir desquels les GCM sont construits. Source: IPCC, 2007b. ……………………………………..40 Fig. 2.8 Construction d’un modèle climatique. Source: http://climatevolution.free.fr/i2.html...... 41 Fig. 2.9 Illustration schématique des canevas SRES et familles de scénarios (IPCC, 2013)……………………43 Fig. 2.10 Emissions mondiales de GES (en Gt équiv.-CO2). Les GES sont le CO2, le CH4, le NO2 et gaz fluorés. Source (IPCC, 2007)………………………………………………………………………….46 Fig. 2.11 Caractéristiques des RCP (IPCC, 2013)……………………………………………………………….47 Fig. 2.12 Les quatre RCP, évolution du forçage radiatif et comparaison avec les SRES………………………..47 Fig. 2.13 Changement dans les précipitations extrêmes ………………………………………………………...49

Fig. 3.1 Modèle additif. Amplitude constante autour de la tendance……………………………………………55 Fig. 3.2 Modèle multiplicatif. Amplitude proportionnelle à la tendance………………………………………..55 Fig. 3.3 Méthode innovante de Şen (Saplıoğlu, 2015)…………………………………………………………..62

Fig. 4.1 Principales étapes de l'analyse fréquentielle (Meylan et Musy, EPFL, 1999)………………………….67

Fig. 5.1 Carte de situation du bassin versant de la Macta ……………………………………………………….75 Fig. 5.2 Limites administratives de la Macta ……………………………………………………………………76 Fig. 5.3 Le MNT de la Macta ……………………………………………………………………………………76 Fig. 5.4 Réseau hydrographique de la Macta ……………………………………………………………………78 Fig. 5.5 Les sous-bassins de la Macta d’après l’ANRH ………………………………………………………...78 Fig. 5.6 Extrait de la carte géologique de l’Algérie (d’après la carte géologique de l’Afrique ……..………….81 Fig. 5.7 Carte d’occupation du sol du nord-ouest algérien (Ministère de l’Environnement)………….……..... 82 Fig. 5.8 Carte de situation des stations pluviométriques retenues……………………………………………….84 Fig. 5.9 Pourcentage lacunaire des stations retenues…………………………………………………………….85 Fig. 5.10 Ajustement des pluies maximales journalières des 41 stations de la Macata à la loi GEV……………86

Fig. 5.11 Pluies maximales journalières fréquentielles (Pjmax%) des 41 stations de la Macta (1970-2010)……..93

Fig. 5.12 Evolution des Précipitations maximales mensuelles (Pjmax)…………………………………………...98 Fig. 5.13 Courbes des pluies maximales saisonnières (Hiver)(avec droites de tendances)…………………….103 Fig. 5.14 Courbes des pluies maximales saisonnières (Printemps)(avec droites de tendances)………………..103 Fig. 5.15 Courbes des pluies maximales saisonnières (Eté)(avec droites de tendances)………………………104 Fig. 5.16 Courbes des pluies maximales saisonnières (Automne)(avec droites de tendances)………………...104 Fig. 5.17 Evolution annuelle des pluies maximales journalières des 41 stations de la Macta (1970-2010)……105 Fig. 5.18 Comparaison des distributions et variabilités des pluies extrêmes mensuelles. ……………………..107 Fig. 5.19 Comparaison des distributions et variabilités des pluies extrêmes saisonnières. ……………………108 Fig. 5.20 Comparaison des distributions et variabilités des pluies extrêmes annuelles.. …………………….. 109

Fig. 5.21 Cartes des précipitations maximales (Pjmax) mensuelles……………………………………………...111 Fig. 5.22 Cartes des précipitations maximales (Pjmax) saisonnières……………………………………………112

Fig. 5.23Carte des précipitations maximales (Pjmax) annuelles……………………………………………….. 113 Fig. 5. 24 Cartes de coefficients de variation mensuels (CV en %) des pluies maximales journalières ………115 Fig. 5.25 Carte des coefficients de variation saisonniers (CV en %) des pluies maximales journalières ……..118 Fig. 5.26 Carte des coefficients de variation annuels (CV en %) des pluies maximales journalières …………120

Fig. 6.1 Tendances mensuelles des pluies maximales journalières……………………………………………128 Fig. 6.2 Tendances saisonnières des pluies maximales journalières………………………………………….. 130 Fig. 6.3 Tendance annuelle des pluies maximales journalières………………………………………………..131 Fig. 6.4 Variation spatiale des tendances mensuelles des pluies maximales journalières de la Macta d’après le coefficient r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta………………………………….....134 Fig. 6.5 Nombre de Stations de la tendance mensuelle (r de Pearson)…………………………………………138 Fig. 6.6 Variation spatiale des tendances saisonnières des pluies maximales journalières de la Macta d’après le coefficient r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta…………………………………………142 Fig. 6.7 Nombre de Stations de la tendance saisonnière (r de Pearson)………………………………………..144 Fig. 6.8 Cartes des tendances annuelles des pluies maximales journalières. L'échelle de couleur montre les coefficients r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta…………………………………………146 Fig. 6.9 Nombre de Stations de la tendance annuelle (r de Pearson)…………………………………………..147 Fig. 6.10 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients Tau (τ) de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta………………………………………...... 152 Fig. 6.11 Nombre de Stations de la tendance mensuelle (τ de Kendall)………………………………………..156 Fig. 6.12 Cartes des tendances des pluies maximales saisonnières. L'échelle de couleur montre les coefficients Tau (τ) de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta……………………………………………………...... 159 Fig. 6.13 Nombre de Stations de la tendance saisonnière (τ de Kendall)………………………………………160 Fig. 6.14 Cartes des tendances des pluies maximales annuelles. L'échelle de couleur montre les coefficients Tau (τ) de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta………………………………………………………..162 Fig. 6.15 Nombre de Stations de la tendance annuelle (τ de Kendall)…………………………………………162 Fig. 6.16 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients Rho (ρ) de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta ………..………………………..……..167 Fig. 6.17 Nombre de Stations de la tendance mensuelle (ρ de Spearman)……………………………………..171 Fig. 6.18 Cartes des tendances des pluies maximales saisonnières. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta……………………………………………………….173 Fig. 6.19 Nombre de Stations de la tendance saisonnière (ρ de Spearman)……………………………………174 Fig. 6.20 Cartes des tendances des pluies maximales annuelles. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta…………………………………………………………………..176 Fig. 6.21 Nombre de Stations de la tendance mensuelle (ρ de Spearman) …………………………………….176 Fig. 6.22 Augmentation disproportionnée des pluies intenses et très intenses au cours des dernières décennies a été comparée à la tendance des précipitations moyennes annuelles.. ……………………………...... 182 Fig. 6.23 Schéma conceptuel d’une intensification du cycle de l’eau dû au réchauffement climatique (la valeur des différents flux peut se trouver dans l’étude de OKI, 2006). …….…………………………………184

Fig. 7.1 Représentation schématique de la technique de réduction d’échelle dynamique……………………...190 Fig. 7.2 Localisation de la Station Nesmoth par rapport aux quatre nœuds……………………………………195 Fig. 7.3 Evolution des pluies extrêmes observées (station Nesmoth, 1970-2010) …………………………….196 Fig. 7.4 Relation annuelle entre distances et poids……………………………………………………………..198 Fig.7.5 Evolution observée et projetée des pluies extrêmes annuelles à horizon 2100 (Station Nesmoth) selon les 04 RCP……………………………………………………………………………………….198 Fig. 7.6 Ajustement des pluies extrêmes annuelles (valeurs observées+4 RCP) à la loi GEV (Station Nesmoth)…199

Liste des tableaux

Tableau 1.1 Variation de température pour 2090-2099 par rapport à 1980-1999 (IPCC, 2007)………………12 Tableau 1.2 Dommages causés par les inondations à l’échelle mondiale (Beloulou, 2008)…………………..24 Tableau 1.3 Dommages causés par les inondations en Algérie (Beloulou, 2008) …………………………….30 Tableau 1.4 Les inondations enregistrées au niveau de la Mekerra (DPC SBA, 2000)………………………..31

Tableau 2.1 Les quatre familles de scénarios du quatrième rapport et les prévisions des hausses de températures globales moyennes en 2100 (IPCC, 2001) ………………………………………….45 Tableau 2.2 Les nouveaux scénarios RCP (IPCC, 2013) …………..…………………………….…...... 46

Tableau 5.1 Paramètres physiques des sous-bassins de la Macta……………………………………………81 Tableau 5.2 Liste des stations météorologiques retenues……………………………………………………...83

Tableau 5.3 Précipitations maximales journalières fréquentielles (Pjmax%) de la Macta………………………92 Tableau 5.4 Exemple de comblement de lacunes……………………………………………………………...96 Tableau 5.5 Répartition des mois au sein des saisons………………………………………………………..101 Tableau 5.6 Pluies maximales saisonnières (Hiver 1970-1992) ……………………………………………..101 Tableau 5.7 Pluies maximales saisonnières (Hiver 1992-2010) ……………………………………………..101 Tableau 5.8 Pluies maximales saisonnières (Printemps 1970-1992) ………………………………………...101 Tableau 5.9 Pluies maximales saisonnières (Printemps 1992-2010) ………………………………………...102 Tableau 5.10 Pluies maximales saisonnières (Eté 1970-1992) ………………………………………………102 Tableau 5.11 Pluies maximales saisonnières (Eté 1992-2010) ………………………………………………102 Tableau 5.12 Pluies maximales saisonnières (Automne 1970-1992) ………………………………………..102 Tableau 5.13 Pluies maximales saisonnières (Automne 1992-2010) ………………………………………..102 Tableau 5.14 Paramètres statistiques des pluies maximales annuelles des 41 stations de la Macta…………106 Tableau 5.15 Variation de l’intensité des pluies extrêmes mensuelles………………………………………108 Tableau 5.16 Variation de l’intensité des pluies extrêmes saisonnières……………………………………..109 Tableau 5.17 Variation de l’intensité des pluies extrêmes annuelles…………………………………………109 Tableau 5.18 Coefficients mensuels de variation (CV en %)………………………………………………..114 Tableau 5.19 Coefficients saisonniers de variation (CV en %)………………………………………………117 Tableau 5.20Coefficients annuels de variation (CV en %)………………………………………………….119

Table 6.1 Classification des tendances selon Westmacott et Burn (1997) …………………………………...127 Tableau 6.2 Valeurs des seuils de signification selon la classification de Westmacott et Burn (1997) ……..127 Tableau 6.3 Classification des tendances mensuelles de Westmacott à l'aide des coefficients de corrélation de Pearson (r) et des pentes des lignes de régression (a) ………………………………………………129 Tableau 6.4 Classification des tendances saisonnières de Westmacott à l'aide des coefficients de corrélation de Pearson (r) et des pentes des lignes de régression (a) ………………………………………………130 Tableau 6.5 Classification des tendances annuelles de Westmacott à l'aide des coefficients de corrélation de Pearson (r) et des pentes des lignes de régression (a) ………………………………………………131 Tableau 6.6 Coefficients mensuels de corrélation r de Bravais-Pearson avec la classification Westmacott et Burn pour les 02 périodes…………………………………………………………………………….132 Tableau 6.7 Coefficients saisonniers de corrélation r de Bravais-Pearson avec la classification de Westmacott et Burn (1997) pour les deux périodes………………………………………………………………..140 Tableau 6.8 Coefficients annuels de corrélation r de Bravais-Pearson avec la classification de Westmacott et Burn (1997) pour les deux périodes……………………………………………………………………………145 Table 6.9 Classification des tendances de Mann-Kendall selon Westmacott et Burn ………………………..148 Tableau 6.10 Coefficients mensuels tau (τ) de Kendall avec la classification de Westmacott et Burn pour les 02 périodes. ……………………………………………………………………………………………149 Tableau 6.11 Coefficients saisonniers tau (τ) de Kendall avec la classification de Westmacott et Burn pour les 02 périodes. ………………………………………………………………………………………..157 Tableau 6.12 Coefficients annuels tau (τ) de Kendall avec la classification de Westmacott et Burn pour les 02 périodes. ……………………………………………………………………………………………….161 Table 6.13 Classification des tendances de Spearman selon Westmacott et Burn ………………………….164 Tableau 6.14 Coefficients mensuels ρ de Spearman avec la classification de Westmacott et Burn pour les 02 périodes. ……………………………………………………………………………………………….165 Tableau 6.15 Coefficients saisonniers ρ de Spearman avec la classification de Westmacott et Burn pour les 02 périodes. ……………………………………………………………………………………………172 Tableau 6.16 Coefficients annuels ρ de Spearman avec la classification de Westmacott et Burn pour les 02 périodes. ………………………………………………………………………………………………175 Tableau 6.17 Comparaison des résultats des trois méthodes de détection de tendances des pluies extrêmes pour les deux périodes I et II. …………………………………………………………………………178

Tableau 7.1 Liste des modèles de circulation atmosphérique (IPCC, 2013) ………………………………...189 Tableau 7.2 Coordonnées des quatre (04) nœuds de la station Nesmoth MF. ………………………………195 Tableau 7.3 Paramètres statistiques des pluies extrêmes annuelles observées de la station Nesmoth MF…..196 Tableau 7.4 Poids annuel (Station Nesmoth MF) ……………………………………………………………197 Tableau 7.5 Pluies maximales annuelles fréquentielles (données observées et données GCM) à Nesmoth ..199 Tableau 7.6 Comparaison des ajustements à la loi GEV des pluies maximales annuelles fréquentielles des valeurs observées par rapport aux 4 scénarios RCP (Station Nesmoth MF)…………………………200

Liste des acronymes et symboles

ANRH : Agence Nationale des Ressources Hydrauliques AR4 : 4ème rapport d’évaluation (IPCC). AR5 : 5ème rapport d’évaluation (IPCC). CCNUCC : Convention Cadre des Nations Unies sur les Changements Climatiques. CMIP-5: Coupled Model Intercomparison Project. CST: Classification synoptique du temps. CTH : Circulation thermohaline. GCM : General Circulation Model ou Modèle de Circulation Générale. GES : Gaz à effet de serre. GIEC : Groupe d'experts intergouvernemental sur l'évolution du climat. IAMs: Integrated Assessment Models. IAMC: Integrated Assessment Modeling Consortium. IPCC: Intergouvernemental Panel on Climate Change. MCG : Modèle du Climat Global. MCGA: Modèles du Climat Global Atmosphérique. MCGAO: Modèle du Climat Global Atmosphère Océan. MCR: Modèles Climatiques Régionaux. NAO : North Atlantic Oscillation. NetCDF: Network Common Data Form. OCDE : Organisation de Coopération et de Développement Economique. ONERC : Observatoire National sur les effets du réchauffement climatique OMM : Organisation Mondiale de Météorologie. PNUD : Programme des Nations Unies pour le Développement. PNUE : Programme des Nations Unies pour l’Environnement. RCP : Representative Concentration Pathway (Profils représentatifs d’évolution de concentration des GES). RE : Réduction d’échelle. RES : Réduction d’échelle statistique. RNA: Réseau de neurones artificiel. SDF : Spatial Dependence Function (Fonction de Dépendance Spatiale). SRES : Special Report on Emissions Scenarios. WCRP: World Climate Research Programme. ملخص الرسالة

يتعرض شمال الجزائر لفيضانات مفاجئة ناجمة عن سقوط أمطار غزيرة. تطور هذه األحداث مع تغير المناخ هو قضية رئيسية لهذه المنطقة مع نمو ديموغرافي قوي. يغطي مصطلح "األمطار القصوى" أنوا ًعا مختلفة من األحداث، اعتما ًدا على ما إذا كنا نعتبر هطول األمطار أو الجفاف، والفترة الزمنية التي يتكامل فيها هطول األمطار. يمكن أن تؤدي األمطار اليومية المستمرة التي تتكرر على مدار فترة زمنية غير معتادة، دون أن تكون طوفانية، إلى فيضانات شديدة. بالمقابل، عاصفة رعدية عنيفة بشكل استثنائي لن تؤدي بالضرورة إلى زيادة ملحوظة في هطول األمطار طوال الموسم)Colin, 2011(. في هذه الدراسة، سوف نركز فقط على أقصى درجات هطول األمطار اليومية. يركز هذا العمل أسا ًسا على الظواهر المتسارعة التي تؤدي إلى أقصى القيم المتطرفة التي لوحظت في الحوض المائي للمقطع )شمال غرب الجزائر(.دلت عدة دراسات عن حدوث تغييرات كبيرة في هطول األمطار الشديدة في جميع أنحاء العالم. تشير التغييرات في بعض األحداث المناخية القاسية إلى أن األحداث المتطرفة، بما في ذلك الفيضانات والجفاف، أصبحت أكثر تواتراً وشدة (IPCC, 2001).بعض المناطق في أفريقيا أكثر عرضة لألحداث المتطرفة من غيرها. أصبحت الفيضانات والجفاف اآلن شائعة في جميع أنحاء إفريقيا. من المحتمل أن تكون الزيادة في تواتر الكوارث المسجلة نتيجة لمجموعة من التغيرات المناخية والتغيرات االجتماعية واالقتصادية والديمغرافية. يصف هذا البحث تأثير تغير المناخ على توزيع واتجاه هطول األمطار القصوى في الحوض المائي للمقطع )شمال غرب الجزائر(. تم جمع بيانات القيم القصوى الشهرية لهطول األمطار يوميًا ومعالجتها وتعبئتها لتشكيل قاعدة بيانات تضم 14 محطة من 14 سنة من المالحظات )4791 إلى 0141(. انطالقا من سنة 4770، تم كشف تحول من االتجاهات الشهرية والموسمية والسنوية المتناقصة الدالة إلى تصاعد دال. تحليل اتجاه الحد األقصى لهطول األمطار الشهري والموسمي والسنوي بواسطة ثالث )10( طرق: معامل Bravais-Pearson )r( بداللته، معامل tau (τ) de Mann-Kendall و )Rho (ρ لسبيرمان، يكشف اتجاه نزولي خالل الفترة األولى )4791-4770(. من ناحية أخرى، وخالل الفترة الثانية )4770-0141(، تم تحديد اتجاه تصاعدي دال للحد األقصى لهطول األمطار على مستويات مختلفة. يؤثر التغير المناخي على جميع مناطق الحوض المدروس باستثناء المنطقة الوسطى.

الكلمات المفتاحية: انحراف– تغير المناخ – أمطار قصوى– اتجاه – توقعات – نماذج –GCMs - تقليص النطاقات –حوض المقطع الجزائر.

Abstract

Northern Algeria is subject to flash floods caused by heavy autumn rainfall. The evolution of these events with climate change is a key issue for this region with strong demographic dynamics. The term "extreme precipitation" covers different types of events, depending on whether we consider rainfall or drought, and the period of time over which precipitation is integrated. Without being diluvian, sustained daily rains that are repeated over an unusually long period of time can lead to severe flooding. Conversely, an exceptionally violent thunderstorm will not necessarily result in a noticeable increase in precipitation throughout the season (Colin, 2011). In this study, we will focus only on the extremes - higher - of daily precipitation. This work focuses mainly on precipitating phenomena giving rise to the strongest extreme values observed in the Macta watershed (North-West Algeria). A large number of studies have reported significant changes in extreme precipitation around the world. Changes in some extreme weather events indicate that extreme events, including floods and droughts, are becoming more frequent and severe (IPCC, 2001). Some regions in Africa are more prone to extreme events than others. Floods and droughts are now common across Africa. It is likely that the increased frequency of recorded disasters is a result of a combination of climate change and socio-economic and demographic changes. This work describes the impact of climate change on the distribution and trend of extreme rainfall in the Macta watershed. Monthly maximum daily precipitation data were collected, critiqued and filled to form a database with 41 stations of 41 years of observations (1970 to 2010).From the year 1992, detected break date series, a shift from monthly, seasonal and annual trends to significant growth, was found. The analysis of the trend of monthly, seasonal and annual rainfall maxima by three (03) methods: the Bravais-Pearson coefficient (r) with its meaning, the Mann-Kendall tau (τ) and the Rho (ρ) from Spearman, a detects a downward trend during the first period (1970-1992). On the other hand, and for the second period (1992-2010), a significant upward trend was identified for extreme rainfall maxima at different scales. Climate change affects all areas of the study area except the center of the study area.

Key words: Breaking – Climate change – Extreme rain – Trend –Projections–GCMs Models Downscaling –Macta Algeria.

Résumé

Le Nord d’Algérie est soumis à des crues engendrées par de fortes pluies extrêmes. L’évolution de ces événements avec le changement climatique est un enjeu clef pour cette région à forte dynamique démographique. Le terme « extrême de précipitation » recouvre différents types d’événements, selon que l’on considère la pluie ou la sécheresse, et selon la période de temps sur laquelle la précipitation est intégrée. Sans être diluviennes, des pluies quotidiennes soutenues qui se répètent sur une période de temps inhabituellement longue peuvent conduire à de graves inondations. Inversement, un orage exceptionnellement violent n’entraînera pas nécessairement une augmentation notable de la précipitation à l’échelle de la saison (Colin, 2011). Dans cette étude, on ne s’intéressera qu’aux extrêmes – supérieurs – de précipitations quotidiennes. Ce travail se concentre essentiellement sur les phénomènes précipitants donnant lieu aux valeurs extrêmes les plus fortes observées dans le bassin versant de la Macta (Nord-Ouest de l’Algérie). Un grand nombre d'études ont signalé des changements significatifs dans les précipitations extrêmes dans le monde. Des changements dans certains phénomènes climatiques extrêmes indiquant que les événements extrêmes, y compris les inondations et les sécheresses, deviennent de plus en plus fréquents et graves (IPCC, 2001). Certaines régions en Afrique sont plus sujettes aux événements extrêmes que d'autres. Les inondations et les sécheresses sont maintenant communes à travers l'Afrique. Il est probable que la fréquence accrue des catastrophes enregistrées résulte d'une combinaison de changements climatiques et de changements socio-économiques et démographiques. Ce travail décrit l’impact du changement climatique sur la distribution et la tendance des pluies extrêmes dans le bassin versant de Macta. Les données mensuelles des précipitations maximales journalières ont été collectées, critiquées et comblées pour former une base de données avec 41 stations de 41 années d'observations (1970 à 2010). A partir de l’année 1992, détectée date de rupture des séries, un basculement des tendances mensuelles, saisonnières et annuelles vers la croissance significative, a été constaté. L'analyse de la tendance des maxima des pluies, mensuelles, saisonnières et annuelles par trois (03) méthodes : le coefficient (r) de Bravais-Pearson avec sa signification, le tau (τ) de Mann-Kendall et le Rho (ρ) de Spearman, a permet de détecter une tendance à la baisse durant la première période (1970-1992). Par contre et pour la deuxième période (1992-2010), une tendance significative à la hausse a été identifiée pour les maxima des pluies extrêmes à différentes échelles. Le changement climatique touche toutes les régions de la zone d’étude sauf le centre du bassin étudié.

Mots clés: Rupture– Changement climatique – Pluies extrêmes – Tendance– Projections–Modèles GCMs -Réduction d’échelle –Macta Algérie. Objectifs de la Thèse Les pluies extrêmes sont la principale source d'inondations dans le monde. La compréhension de leur variabilité spatiale et temporelle joue un rôle important dans la gestion des ressources en eau, en particulier dans l'atténuation et la prévention des inondations. La connaissance de la distribution des tendances spatio-temporelles des précipitations extrêmes est cruciale pour les modèles de contrôle hydrologique des crues utilisant des systèmes de bassins de rétention (Bellu et al., 2016) ou le stockage d'eau de surface utilisant des systèmes de récupération des eaux de pluie (Terêncio et al., 2017 ; 2018). Des plans d'utilisation durable de la protection doivent être mis en œuvre pour assurer la durabilité des ressources naturelles, historiques, touristiques et culturelles (Cetin et al., 2018a ; 2018b). S’appuyant sur des études scientifiques, les experts dans le domaine estiment que des pluies torrentielles et des orages comme ceux qui ont ravagé les régions d’Alger (Bab El Oued) en 2001, Ghardaïa et Béchar en 2008 seront de plus en plus fréquents. Il faut s’attendre à l’accentuation de ces phénomènes météorologiques, qui seront de plus en plus violents et dangereux (PNUD, 2009). Puisque les changements dans les pluies extrêmes peuvent altérer la stratégie et la politique des ressources en eau ainsi que les critères de conception des infrastructures hydrauliques, il est essentiel de comprendre l'évolution de la variabilité spatiale et temporelle des pluies extrêmes pour gérer efficacement les ressources en eau et prévenir les dommages liés à l'eau. Pour protéger les populations avec leurs habitations, infrastructures, zones industrielles, productions agricoles, etc., contre les inondations, plusieurs mesures peuvent être prises. Des ouvrages hydrauliques (barrages, digues, ponts, etc.) peuvent être construits, des plans de préventions des risques d’inondation peuvent être établis. Le dimensionnement des ouvrages hydrauliques, l’établissement des Plans de Prévention des Risques d’Inondation sont fondés sur le calcul de crues extrêmes de référence (de fréquence d’apparition de l’ordre de 10−2à 10−4). Par ailleurs, lorsqu’un événement pluvieux extrême survient, il est positionné sur une échelle d’intensité de la gravité de l’événement pluvieux (faible, moyenne, forte, exceptionnelle). Dans cette Thèse, nous contribuons à l’étude et l’analyse des pluies maximales quotidiennes de 41 stations météorologiques dans le bassin versant de la Macta, situé au nord-ouest algérien, sur une période de 41 ans (1970-2010). La démarche méthodologique adoptée s’articule autour de trois points. D'abord, une analyse statistique de la variabilité spatio-temporelle des données historiques des pluies extrêmes sur le bassin de la Macta. Ensuite une analyse des tendances et enfin une application de projection des pluies extrêmes à la station de Nesmoth avec un modèle GCM (CCSM4). Ce travail permet d’analyser l’évolution et d’étudier les tendances des pluies maximales journalières qui peuvent engendrer des géo risques majeurs tel que les inondations catastrophiques. Table des matières

Introduction générale ...... 1 I-Chapitre 1 : Le contexte du changement climatique...... 7 1.1. Terminologie ...... 7 1.2. Définition d’un seuil d’intensité de pluie ...... 7 1.3. Historique du changement climatique ...... 8 1.4. Distinction entre variabilité climatique et changement climatique ...... 9 1.5. Qu’est-ce qu’un événement climatique extrême ? ...... 10 1.6. Réchauffement planétaire ...... 12 1.7. L'effet de serre ...... 14 1.7.1. Gaz à effet de serre (GES) ...... 14 1.7.2. Forçage radiatif ...... 15 1.8. Les causes du réchauffement climatique ...... 16 1.9. Les indicateurs du changement climatique ...... 16 1.9.1. Observations ...... 16 1.9.2. L’élévation de la température de surface sur la Terre ...... 17 1.9.3. Température océanique ...... 18 1.9.4. Précipitations ...... 19 1.9.5. Mers et océans ...... 20 1.9.6. Neige et glace ...... 20 1.9.7. La réduction de la surface des glaces océaniques arctiques ...... 20 1.9.8. Les calottes polaires de l’Antarctique et du Groenland ...... 20 1.9.9. Le niveau moyen des océans ...... 21 1.9.10. Les indicateurs biologiques ...... 21 1.10. Changement climatique à l’échelle globale ...... 21 1.10.1. Changement des événements extrêmes observés en 20ièmesciècle ...... 22 1.10.2. Impacts du changement climatique sur les pluies extrêmes ...... 22 1.10.3. Les impacts déjà détectés ...... 25 1.11. Les impacts du changement climatique en Algérie ...... 26 1.12. Conclusion ...... 31 II- Chapitre 2 : Circulation atmosphérique et modèles climatiques ...... 33 2.1. Introduction ...... 33 2.2. Climat et système climatique ...... 33 2.2.1. La circulation atmosphérique globale ...... 34 2.2.2. La circulation océanique ou thermohaline (CTH) ...... 37 2.2.3. La circulation de la mer Méditerranée ...... 38 2.3. Modélisation du climat ...... 40 2.3.1. Modèles climatiques et scénarios d’évolution du climat ...... 42 2.3.2. Prévisions pour le 21ème siècle (SRES ou Special Report on Emission Scenarios) ...... 43 2.4. Les nouveaux scénarios ...... 46 2.4.1. Representative Concentration Pathways (Trajectoires représentatives de concentration) « RCP » ..... 46 2.4.1.1. Projections à court terme (2016-2035) ...... 48 2.4.1.2. Projections à long terme (2016-2100) ...... 48 2.4.1.3. Projections des pluies extrêmes ...... 49 2.5. Conclusion ...... 50 III- Chapitre 3 : Séries temporelles et méthodes de détection des tendances ...... 52 3.1. Séries temporelles...... 52 3.2. Composantes d’une série temporelle ...... 52

3.2.1. Tendance (Trend) (Tt) ...... 52 3.2.1.1. Formes de la tendance ...... 52 3.2.1.1.1. Tendance polynomiale ...... 53 3.2.1.1.2. Tendance exponentielle ...... 53 3.2.1.1.3. Tendance exponentielle à saturation ...... 53 3.2.1.1.4. Tendance logistique ...... 53

3.2.2. Variations saisonnières (ou saisonnalité) (Vs) ...... 53

3.2.3. Variations cycliques (Vc) ...... 54

3.2.4. Variations résiduelles ou accidentelles (Va) ...... 54 3.3. Modèles de séries temporelles ...... 54 3.3.1. Modèle additif ...... 54 3.3.2. Modèle multiplicatif ...... 55 3.3.3. Modèle mixte ...... 55 3.4. Méthodes de détection des tendances ...... 55 3.4.1. Le Coefficient de corrélation (r) de Bravais-Pearson ...... 56 3.4.2. Le Test Tau (τ) de Mann-Kendall ...... 57 3.4.3. Le Rho (ρ) de Spearman ...... 59 3.4.4. Méthode innovante de Şen ...... 61 3.5. Conclusion ...... 62 IV- Chapitre 4 : Rappels théoriques sur les lois de probabilités, les outils d’investigation et les teststatistiques appliqués aux pluies extrêmes ...... 64 4.1. Littérature sur l’analyse statistique des pluies extrêmes ...... 64 4.2. Théorie statistique des valeurs extrêmes ...... 64 4.3. Historique de la théorie des valeurs extrêmes ...... 65 4.4. Lois de probabilité ...... 66 4.5. Analyse fréquentielle des valeurs extrêmes ...... 67 4.5.1. Loi Exponentielle ...... 68

4.5.2. Loi Log Normale à deux paramètres (LN2) ...... 68 4.5.3. Loi des Valeurs Extrêmes Généralisées (GEV) ...... 68

4.5.4. Loi Weibull (EV2) ...... 69

4.5.5. Loi Gumbel (EV1) ...... 70 4.5.6. Loi Pearson type 3 ...... 70 4.5.7. Loi Log-Pearson type 3 (LP-3)...... 71 4.5.8. La distribution Généralisée de Pareto (GPD) ...... 71 4.6. Choix d’une loi de distribution ...... 72 4.7. Tests statistiques ...... 72 4.7.1. Test de Student ...... 73 4.7.1.1. Traitement des ex-aequo...... 73 4.8. Conclusion ...... 73 V- Chapitre 5 : Zone d’étude (description géographique et données) ...... 75 5.1. Présentation de la zone d’étude ...... 75 5.2. Topographie et relief ...... 76 5.3. Hydrographie de la Macta ...... 77 5.3.1. Oued El-Hammam ...... 79 5.3.2. Oued Mekerra ...... 79 5.3.3. Oued Saida ...... 80 5.4. Sol et géologie de la Macta ...... 81 5.5. Collecte de données ...... 82 5.5.1. Choix de la période d’observations ...... 84 5.5.2. Contrôle et critique de données ...... 85 5.5.2.1. Analyse fréquentielle des pluies extrêmes à une loi de probabilité ...... 85 5.5.2.2. Correction de Weiss (L. L. WEISS, 1964) ...... 93 5.5.3. Comblement des données manquantes ...... 93 5.5.3.1. Méthodes de comblement des lacunes ...... 94 5.5.3.1.1. Méthode de régression simple ...... 94 5.5.3.1.2. Méthode de régression multiple ...... 94 5.5.3.1.3. Méthode de l’analyse en composante principale (ACP)...... 95 5.6. Présentation des données ...... 96 5.6.1. Pluies maximales mensuelles ...... 97 5.6.2. Pluies maximales saisonnières ...... 100 5.6.3. Pluies maximales annuelles ...... 105 5.7. Analyse de l’intensité des pluies ...... 107 5.7.1. Intensité des pluies extrêmes mensuelles ...... 107 5.7.2. Intensité des pluies extrêmes saisonnières...... 108 5.7.3. Intensité des pluies extrêmes annuelles ...... 109

5.8. Cartographie des pluies maximales journalières (Pjmax) ...... 110 5.8.1. Cartes des pluies maximales mensuelles ...... 110 5.8.2. Cartes des pluies maximales saisonnières ...... 112 5.8.3. Carte des pluies maximales annuelles ...... 112 5.9. Etude de la variation des pluies maximales journalières ...... 113 5.9.1. Cartographie des coefficients mensuels de variation (CV) ...... 113 5.9.2. Cartographie des coefficients saisonniers de variation (CV) ...... 116 5.9.3. Cartographie des coefficients annuels de variation (CV) ...... 118 5.10. Conclusion ...... 120 VI- Chapitre 6 : Etude de l’évolution des pluies extrêmes (tendances des pluies maximales) .... 124 6.1. Introduction ...... 124 6.2. Etude des tendances ...... 126 6.2.1. Coefficient de corrélation r de Bravais-Pearson ...... 126 6.2.1.1. Résultats et discussions ...... 126 6.2.1.1.1. Tendance temporelle ...... 126 6.2.1.1.1.1. Tendance mensuelle des pluies maximales journalières ...... 128 6.2.1.1.1.2. Tendance saisonnière des pluies maximales journalières ...... 129 6.2.1.1.1.3. Tendance annuelle des pluies maximales journalières ...... 131 6.2.1.1.1. Variation spatiale des tendances des pluies maximales journalières ...... 131 6.2.1.1.2.1. Tendances mensuelles ...... 131 6.2.1.1.2.2. Tendances saisonnières des pluies quotidiennes ...... 139 6.2.1.1.2.3. Tendance annuelle des pluies quotidiennes ...... 144 6.2.1.2. Conclusion ...... 147 6.2.2. Etude de la tendance par le test de Mann-Kendall (MK) ...... 148 6.2.2.1. Résultats et discussions ...... 148 6.2.2.1.1. Tendances mensuelles des pluies maximales ...... 148 6.2.2.1.2. Tendances saisonnières des pluies maximales ...... 156 6.2.2.1.3. Tendances annuelles des pluies maximales ...... 160 6.2.2.2. Conclusion ...... 163 6.2.3. Le Rho (ρ) de Spearman ...... 164 6.2.3.1. Résultats et discussions ...... 164 6.2.3.1.1. Tendances mensuelles des pluies extrêmes ...... 164 6.2.3.1.2. Tendances saisonnières des pluies extrêmes ...... 171 6.2.3.1.3. Tendance annuelle des pluies extrêmes ...... 175 6.2.3.2. Conclusion ...... 177 6.3. Comparaison des résultats des méthodes utilisées ...... 177 6.4. Relation paradoxale entre les pluies totales et pluies extrêmes ...... 181 6.5. Explication physique de l’intensification des pluies extrêmes ...... 182 6.6. Conclusion ...... 185 VII- Chapitre 7 : Projections des pluies extrêmes ...... 187 7.1. Introduction ...... 187 7.2. Modèles climatiques ...... 188 7.3. Régionalisation ou réduction d’échelle (RE) (Downscaling) ...... 190 7.3.1. Sélection des prédicteurs ...... 191 7.3.2. Techniques de réduction d’échelle (RE) ...... 191 7.3.2.1. Les méthodes statistiques de réduction d’échelle ...... 192 7.3.3. Application de la méthode de réduction d’échelle (Downscaling) à la station Nesmoth ...... 194 7.3.3.1. Procédure de la fonction de dépendance spatiale ou Spatial Dependence Function (SDF) ...... 196 7.3.3.2. Transfert et correction de données de sortie du CGCM ...... 197 7.3.3.3. Résultats et discussion ...... 198 7.3.3.4. Quel est le scénario futur le plus proche à la réalité ? ...... 198 7.3.3.4.1. L’erreur quadratique ...... 200 Conclusion générale ...... 202 Perspectives ...... 205 Bibliographie ………………………………………………………………………………………………..206

INTRODUCTION GENERALE

Introduction générale

Introduction générale

Notre planète est le siège de nombreuses menaces naturelles : inondations, sécheresses, tempêtes, cyclones et glissements de terrain. Les conséquences des catastrophes naturelles sont souvent dramatiques, tant du point de vue du bilan humain qu’en termes de dommages économiques, et sont des conséquences directes des pluies extrêmes. Le climat désigne l’ensemble des phénomènes caractérisant l’état moyen de l’atmosphère, sa variabilité et son évolution en un lieu donné. Si la météorologie étudie les phénomènes atmosphériques à l’échelle de temps des processus physiques en jeu, les sciences du climat procèdent donc d’une vision statistique destinée à décrire, comprendre et représenter les évolutions de l’état de l’atmosphère sur des périodes de temps beaucoup plus longues, allant de la saison au millénaire. Par phénomène extrême, on entend généralement un événement remarquable par sa rareté, son intensité et/ou les dégâts qu’il est susceptible de provoquer : canicule, inondation, tempête, sécheresse, vague de froid, etc. (Colin, 2011). Le climat a toujours réglé le mode de vie des êtres vivants, y compris les humains. Au cours de son histoire l'homme a su s'y adapter en exploitant les ressources naturelles desquelles il tire profit de l'énergie et se nourrit. En outre, depuis un peu plus un siècle, l'homme est devenu acteur de la machine climatique, par ses activités, il modifie le climat. En changeant la couverture végétale du sol, par exemple, il modifie ses capacités d'absorption et de réflexion du rayonnement solaire, et influe ainsi le bilan radiatif et hydrologique. En émettant des polluants, il change la composition chimique de l'atmosphère, et donc ses propriétés d'absorption des radiations solaires ou du rayonnement terrestre.

En particulier, l'augmentation de la concentration de dioxyde de carbone (Co2) due, en majeure partie, à l'utilisation des combustibles fossiles, augmente l'effet de serre naturel et entraine une hausse de la température du globe (Sylvestre, 1998). Les phénomènes météorologiques extrêmes comme les inondations, les crues, les tempêtes et les sécheresses sont, par définition, des événements inhabituels. Ils sont donc très difficiles à prendre en compte dans des modèles climatiques qui tentent de donner des moyennes. Mahé (1993) précise que le terme « climat » est utilisé pour indiquer la probabilité statistique d’occurrence de divers états de l’atmosphère dans un lieu ou une région donnée pendant une certaine période. Il diffère en cela du terme « temps » utilisé pour indiquer l’état de l’atmosphère. La variabilité naturelle du climat se définit comme la fluctuation des valeurs saisonnières ou annuelles de ses différentes caractéristiques par rapport aux moyennes temporelles de référence. Selon le Groupe d'Experts Intergouvernemental sur l'Evolution du Climat (GIEC) ou Intergouvernemental Panel on Climate Change (IPCC), il est aujourd’hui établi confirmé sans

1

Introduction générale

équivoque que les activités humaines (activités anthropiques) sont les premiers moteurs des changements climatiques (IPCC, 2007 ; 2013). Ce groupe d’expert, fondé en 1988 conjointement par l’Organisation Météorologique Mondiale (OMM) et le Programme des Nations Unies pour l’Environnement (PNUE), est la principale source scientifique fiable sur le changement climatique. Son rôle est d’analyser scientifiquement les risques liés au changement climatique d’origine humaine, d’évaluer les conséquences et de proposer des solutions. La certitude de l’IPCC sur ce changement climatique à travers les quatre rapports à progresser :

- En 1990 : « Il nous semble qu’en général l’ampleur du réchauffement (planétaire) est conforme aux prévisions des modèles climatiques, mais que cette ampleur est comparable à celle de la variabilité naturelle du climat. » - En 1995 : « Dans l’ensemble, les observations portent à croire à une influence humaine sur le climat planétaire. » - En 2001 : « Des observations récentes plus convaincantes indiquent que le réchauffement constaté au cours des cinquante dernières années est attribuable à des activités humaines. » - En 2007 : « L’essentiel de l’augmentation observée des températures moyennes depuis la moitié du XXème siècle est, très probablement dû à l’augmentation des concentrations de gaz à effet de serre engendrées par l’homme. » - Dans les deux rapports (IPCC, 2007 ; 2013), le réchauffement du système climatique est sans équivoque. Aujourd’hui, les questions de la fin de ce siècle, comme: "Le climat change-t-il" ? "La terre se réchauffera t- elle" ?, ne se posent plus.

Pluies torrentielles, inondations, sécheresses intenses et autres phénomènes dévastateurs : les coups durs du climat se sont multipliés et intensifiés au cours de la dernière décennie. C'est ce que conclut une étude publiée dans Nature Climate Change (Audrey Garric, 2012). La question qui divise la communauté scientifique est : Qui est responsable ? La variabilité naturelle du climat ou l’effet du changement climatique d'origine anthropique ? Les auteurs de ce nouveau rapport sont catégoriques : il existe un lien étroit entre l’activité anthropique et l'intensification des événements climatiques extrêmes (Audrey Garric, 2012). Les travaux de Midgley et al., 2004 ont montré que le climat est considéré comme la seule variable globale ayant un impact direct et profond sur tous les aspects de l'existence humaine. Les activités humaines par la progression du développement et du progrès technologique ont eu un impact intense et durable sur l’environnement le climat dans son ensemble. La dernière décennie a connu un nombre record de précipitations extrêmes et dévastatrices, telles que les inondations dramatiques au Pakistan en juillet 2010 (20 millions de personnes affectées

2

Introduction générale et au moins 3 000 morts) ou celles dans l'Est de l'Australie en décembre de la même année (l'épisode le plus intense dans le pays depuis 1900, avec 2,5 milliards de dollars de dégâts). On observe, à l'échelle du globe, une hausse des températures moyennes de l'atmosphère et des océans, une fonte massive de la neige et de la glace et une élévation du niveau moyen de la mer (IPCC, 2007). Le changement climatique est souvent assimilé au réchauffement global car la température est la variable climatique la plus affectée. Par exemple, la température moyenne à la surface de la terre a augmenté de +0.74 °C ±0.1 sur la période 1906-2005, ce qui a amplifie l'évolution de +0.6 °C ± 0.2°C sur la période 1901-2001 fournie par le troisième rapport d'évaluation (IPCC, 2007). Ce dernier rapport prévoit des changements encore plus intenses au cours du 21ème siècle. Ce réchauffement climatique impacte directement sur le cycle de l'eau et notamment sur les précipitations. Les précipitations ont significativement augmenté dans certaines parties de l'Amérique, de l'Europe et de l'Asie (Muttiah et al., 2002 ; Solman, 2013). Elles ont diminué dans la région méditerranéenne, le Sahel, en Afrique australe et dans certaines parties de l'Asie du Sud à différentes échelles temporelles et spatiales (Alpert et al, 2002; Tramblay et al, 2013; Kosanic et al, 2014). Plusieurs travaux ont été réalisés pour l’étude des tendances des pluies extrêmes (Lopez- Moreno et al.,2011 ; Shang et al., 2011 ; Brunetti et al., 2012 ; Westra et al., 2013 ; Carvalho et al., 2014 ; Keggenhoff et al., 2014 ; Caloiero et al., 2016). Il existe des preuves empiriques et climatologiques substantielles que les extrêmes de précipitations sont devenus plus extrêmes au cours du vingtième siècle, et que cette tendance devrait se poursuivre avec le réchauffement de la planète (Mannshardt-Shamseldin et al., 2010). Les études sur les impacts ou les événements extrêmes dans le contexte du changement climatique, tels que les pluies extrêmes et sécheresses, sont limitées (Teutschbein, 2013). Dans un but de prévention des risques, il est intéressant de savoir si ces changements globaux provoquent une augmentation d'événements extrêmes (Groisman et al., 2005). Il a été observé au cours de ces dernières années une modification du régime pluviométrique des pluies journalières en termes de fréquence et d’intensité dans certaines régions du monde. Les résultats de Min et al. (2011) et Westra et al. (2013) sur les pluies extrêmes ont montré que près des deux tiers des stations pluviométriques à l'échelle mondiale ont des tendances croissantes. Dans les régions arides à semi-arides, la pluviométrie constitue un des facteurs déterminant de la caractérisation climatique. L’étude de l’évolution et de la variabilité récente du climat, nécessaire pour une meilleure gestion des ressources en eau, s’affirme comme un outil incontournable pour la recherche de solutions générales optimales aux problèmes qui résultent du rapport entre les besoins en eau et les disponibilités offertes par la nature (El Meddahi, 2016).

3

Introduction générale

Le climat mondial subit un changement notable selon la majorité des scientifiques, ce qui entraîne une intensification des cycles hydrologiques en raison de l'augmentation de la capacité de rétention d'humidité de l'atmosphère (Trenberth, 2011). Les rapports (IPCC, 2007 ; 2013) ont mis en évidence des occurrences plus fréquentes d'événements de précipitations extrêmes sur une grande partie du territoire. Il est donc nécessaire de s’intéresser aux précipitations extrêmes et ses tendances puisqu’elles sont affectées directement par le changement climatique. La fréquence ou l’intensité des épisodes de fortes précipitations a probablement augmenté, au moins en Amérique du Nord et en Europe (IPCC, 2013). D’après (Schilling et al., 2012 ; IPCC, 2007), l’Afrique du Nord est extrêmement vulnérable aux changements climatiques. L’Algérie est considérée comme un pays à risque dans l'indice de vulnérabilité aux changements climatiques (Maplecroft, 2014). Elle s’est classait en 96ème place dans l’indice de l'échelle du risque climatique global (Kreft and David, 2014), en 2016, elle était au 62ème classe et en 2017 elle se classe au rang 59, avec un indice WRI (World Risk Index) de 7.76% (United Nations University, 2017). Cet indice est calculé en se basant sur les facteurs naturels, tel que les séismes, les inondations et la sècheresse, sur la prédisposition du pays à être touché par une catastrophe, les capacités à faire face, et enfin, la stratégie d’adaptation. L’Algérie ne sera pas à l’abri de bouleversements météorologiques. Ainsi, et selon l’index « Climate Change Vulnerability », le Nord de l’Algérie est majoritairement une région à risque extrême. Dû au changement climatique, l’Algérie connaîtra une baisse des précipitations, entraînant une désertification de la région Nord de l’Algérie et une dégradation des systèmes agricoles, selon les données fournies par le Programme des Nations Unies pour l’Environnement (PNUE). En Algérie, la diminution brutale de la pluviométrie depuis les années 1970 s’est produite en concomitance avec une augmentation des dommages liés aux inondations. Plusieurs travaux sont réalisés sur les précipitations totales. Malheureusement, peu d’études sur les pluies extrêmes ont été menées. Dans ce contexte de changement climatique, nous étudions, dans cette Thèse, les pluies extrêmes, leurs distribution, évolution, intensité et leurs tendances dans 41 stations météorologiques appartenant au bassin versant de la Macta, situé au nord-ouest de l’Algérie, puis, par une réduction d’échelle statistique (Statistical Downscaling), pour projeter les changements pour l’horizon 2100 à partir des modèles climatiques (GCMs).

Le choix de la Macta n’est pas arbitraire ! En Algérie, nous constatons depuis deux à trois décennies une augmentation des dommages liés aux inondations conjointement avec un fort déficit de pluviométrie observé depuis les années 1970.

4

Introduction générale

Dans un tel contexte, c’est l’accentuation de la vulnérabilité des populations, elle-même liée à l’urbanisation, qui a souvent été évoquée pour expliquer la hausse des pertes en vies humaines associées à ces inondations. Cependant, on ne peut a priori exclure qu’une évolution de l'aléa pluviométrique ait également entrainé l’augmentation des risques liés aux inondations. En effet, la théorie prévoit que le réchauffement climatique planétaire devrait s'accompagner d'une intensification des précipitations et du cycle hydrologique, sans qu’il soit possible de prévoir comment cette intensification se déclinerait régionalement. Des études régionales spécifiques sont donc indispensables pour établir si une modification des régimes pluviométrique est d’ores et déjà détectable, et si elle affecte plus particulièrement les pluies extrêmes. Plusieurs catastrophes naturelles provoquées par des inondations, générées directement par des pluies maximales journalières, ont été recensées en Algérie (Alger en novembre 2001, Sidi Bel Abbés en avril 2007, Ghardaïa et Béchar en octobre 2008, etc.) (Yahiaoui, 2012). L’oued Mekerra est un affluent potentiel de la Macta (Fig.5.1). Ce sous bassin est connu par ses fréquentes inondations catastrophiques. Pendant la plus grande partie de l’année, la plupart des cours d’eau restent dans leurs états inférieurs de voies alluviales bien définies. Durant ces périodes, la proximité des oueds a fourni un approvisionnement en eau et un moyen approprié d’évacuation des rejets. A de rares intervalles, en période de haute eau, les plaines alluviales servent à absorber, et dans une certaine mesure à écouler les eaux en crue qui excèdent la capacité du lit de la rivière. En dépit de son intérêt l’occupation des plaines inondables comporte un risque durant les crues extrêmes. Ce risque se transforme en péril endommageant gravement propriétés et agricultures, perturbant les systèmes de communications, le commerce et l’industrie. A quelque exception près, les crues maximales se produisent au début de l’automne, à cause de la fréquence des orages accompagnés de pluies torrentielles ce qui conduit à des inondations ravageuses de la Mekerra qui faisait l’objet d’une crue régulière généralement au mois d’octobre de chaque année (Yahiaoui, 2012). Vu l’état du lit de l’oued Mekerra, il a été constaté que lors des pluies torrentielles, les eaux de l’oued augmentent considérablement en débordant du lit dans maintes endroits en inondant les terrains environnant. A l’amont de l’agglomération de Boukhanifis où l’oued débouche directement sur la plaine, ajoutée à cela l’insuffisance de la section de l’oued, en plus du débit et de la vitesse causée par la forte pente, en provoquant l’inondation de la plaine et les quartiers bas de la ville de Sidi Bel Abbés et de tous les centres urbains situés en aval, tel que Sidi Khaled et Sidi Lahcen (Yahiaoui, 2012). Cette thèse est édictée par le constat de la méconnaissance des pluies extrêmes et leurs impacts socioéconomiques en Algérie. Les travaux précédents ont été surtout focalisés sur les pluies totales. La compréhension de l’évolution des pluies extrêmes, dans le contexte d’un changement climatique, est l’étape fondamentale pour l’adoption une stratégie d’adaptation et de perspectives.

5

CHAPITRE I

LE CONTEXTE DU CHANGEMENT CLIMATIQUE

Préambule Ce chapitre a pour but de présenter le niveau des connaissances sur le changement climatique actuel et ses impacts. L’objectif est de fournir une vue d’ensemble du changement des conditions hydroclimatiques observées et projetées à l’échelle globale, de la Méditerranée et de l’Algérie. Ce chapitre devrait ainsi permettre au lecteur de situer ce travail dans une problématique plus large relative à la régionalisation du changement climatique et à ses conséquences sur le cycle hydrologique.

Chapitre 1 Le contexte du changement climatique

I- Chapitre 1 : Le contexte du changement climatique

1.1. Terminologie Extrême partage la même racine latine qu’extérieur. Il désigne ce qui se trouve aux extrémités. Il est dès lors de nature très rare, et il suffit de remarquer qu’un segment composé de deux extrémités pour s’en convaincre (Cattiaux, 2010). Nous allons ainsi adopter la définition décrite par les climatologues dans le rapport (IPCC, 2007) : «Un phénomène climatique extrême est un phénomène qui est rare dans le cadre de sa distribution de référence statistique à un endroit spécifique ». Les définitions de « rare » varient, mais un phénomène climatique extrême serait normalement aussi rare ou plus rare que le 10ème ou 90ème percentile ». Dans le domaine du climat, le terme extrême relève de l’événement, et caractérise une configuration météorologique très inhabituelle qui sort exceptionnellement de sa configuration usuelle. L’idée même d’extrême repose alors implicitement sur l’existence d’une référence qui serait la normale ou le standard.

1.2. Définition d’un seuil d’intensité de pluie Un événement peut être qualifié d’extrême si son cumul journalier ou horaire dépasse une valeur seuil donnée, choisie de façon arbitraire. Ce type de définition est utilisé dans la caractérisation des événements de pluie intense par Boudevillain et al. (2009) où des événements sont d’abord définis par un seuil de 200 mm.j-1 puis par 10 mm horaires pour des durées allant de 5 à 60 minutes. La figure 1.1 présente les événements au nord méditerranéen dépassant au moins 150 mm.j−1 pour la période de 1967-2006. Ce seuil est encore plus bas à 60 mm.j−1 pour l’Algérie (Lionello et al.,2006).

Fig. 1.1 Localisation des événements pluvieux atteignant au moins 150 mm.j−1 pour la période 1967-2006 (Ricard et al., 2012). Un point équivaut à un événement.

7

Chapitre 1 Le contexte du changement climatique

Nous pouvons également définir un seuil à partir d’un quantile donné, dont l’intensité est calculée à partir de la distribution empirique de la pluie à un point (ou une maille). L’utilisation des quantiles empiriques est particulièrement intéressante pour l’étude des précipitations car la valeur du quantile ne dépend pas de la forme de la distribution des données. Les pluies extrêmes sont caractérisées par l’apport d’une importante quantité d’eau sur une courte durée (d’1 heure à une journée). Cette quantité peut égaler celle reçue habituellement en un mois, voire en plusieurs mois. Des cumuls de l’ordre de 50 mm en 24 heures dans la plupart des régions de plaine et de l’ordre de 100 mm en 24 heures dans les régions montagneuses sont considérés comme des seuils critiques. Le dépassement de ces seuils peut provoquer, lorsque la nature du terrain s’y prête, de graves inondations. Pour les phénomènes les plus violents, le cumul des précipitations dépasse généralement les 100 mm en une heure. Dans le Nord de la Méditerranée, les cumuls observés peuvent même dépasser 500 mm en 24 heures (ONERC, 2018).

1.3. Historique du changement climatique Le climat est en variation continue depuis l’apparition de la terre. Ces changements climatiques, en modifiant directement la composition de la biosphère, le cycle de l'eau, le couvert végétal, les océans et les glaces, ont eu des impacts multiples sur l'ensemble des êtres vivants (Sylvestre, 1998; Huybrechts et al., 1999 ; Petit, 2001 ; Parrenin, 2002). La paléoclimatologie récente de notre planète (le Quaternaire) est marquée par une succession de périodes froides, glaciaires, et de périodes chaudes, interglaciaires (Fig. 1.2). Des variations d’émission solaire (tâches solaires est minimale correspondent à des épisodes de froid au niveau du climat terrestre) à l’échelle des mille dernières années expliquent les variabilités historiques du climat : une période chaude au Moyen Âge (476 à 1453), l’optimum Médiéval au cours des 11ème à 14ème siècles, puis une période froide de la fin du 15ème siècle au milieu du 19ème siècle appelée Petit Age de Glace (1400 à 1850). Cette période est caractérisée, en Europe et en Amérique du nord, par des hivers longs et rigoureux et des étés courts et humides, une extension des glaces Arctiques et un refroidissement global de -1 °C à -2 °C. Cette période s’est achevée vers 1860 à peu près en même temps que la révolution industrielle. Depuis lors, nous sommes entrés dans une période chaude (Jones et al., 1988, 1999 ; Henson, 2008 ; Rapp, 2008).

8

Chapitre 1 Le contexte du changement climatique

Fig. 1.2 Variation de la température en surface au cours de l’histoire de la Terre (Ibrahim, 2012)

La figure 1.2 montre que les températures pendant l’optimum climatique médiéval étaient plus élevées que celles d’aujourd’hui, alors qu’il faisait beaucoup plus frais pendant le petit âge glaciaire. Des faits historiques provenant de toute l’Europe et du Groenland attestent la réalité de ces deux événements et de leur impact profond sur la société humaine. La colonisation du Groenland par les Vikings au début du millénaire, par exemple, ne fut possible que grâce à la chaleur qui régnait à l’époque médiévale (Ibrahim, 2012).

1.4. Distinction entre variabilité climatique et changement climatique La variabilité climatique est la variation de l'état moyen et d'autres variables statistiques (écart à la moyenne) du climat à toutes les échelles temporelles et spatiales. Selon l’IPCC (2013), la variabilité résulte à des processus internes naturels au sein du système climatique (variabilité interne) ou à des variations du forçage externe ou anthropique (variabilité externe). Le changement climatique est la variation statistiquement significative de l'état moyen du climat, persistant pendant une période prolongée. Les changements climatiques peuvent être dus à des processus internes naturels ou à des forçages externes, ou encore à la persistance de variations anthropiques de la composition de l'atmosphère ou de l'utilisation des sols. La Convention-cadre des Nations unies sur les changements climatiques (CCNUCC) fait une distinction entre les "changements climatiques" qui peuvent être attribués aux activités humaines altérant la composition de l’atmosphère, et la "variabilité climatique" due à des causes naturelles. La variabilité naturelle du climat a des causes purement géophysiques et astronomiques, comme en témoigne l'histoire passée du climat : variations de l'activité solaire, évolution naturelle de la composition atmosphérique, éruptions volcaniques, impacts de météorites (Lulu Zhang, 2015). Les changements climatiques peuvent se manifester par :

9

Chapitre 1 Le contexte du changement climatique

- La sécheresse qui a touché les deux bandes tropicales de notre planète, surtout les régions sahéliennes d’Afrique de l’Ouest, depuis les années 70 (Sircoulon, 1987). - Les récents phénomènes d’El Niño (Vandiepenbeeck, 1998). - Les constatations de l’Organisation Mondiale de la Météorologie (OMM) sur le réchauffement de la planète évalué à 0.5 °C depuis la moitié du siècle dernier (Cantat, 2004). La moyenne décennale des températures (2001 – 2010) représente la moyenne la plus élevée depuis le début des relevés des instruments météorologiques (OMM, 2013).

1.5. Qu’est-ce qu’un événement climatique extrême ? Par climat, nous entendons communément l’état moyen de l’atmosphère associé à des conditions moyennes dans l’océan, la cryosphère, la végétation, etc. Le régime climatique d’une région se caractérise également par les variations autour de l’état moyen stable. Ces variations, appelés les anomalies climatiques, déterminent la variabilité du climat en un lieu donné (Goubanova, 2007). Beniston et al. (2004) proposent trois définitions du phénomène climatique extrême, qui reposent sur différentes notions : . La définition peut être basée sur la rareté d’un phénomène climatique ; on doit donc considérer sa fréquence d’occurrence. . Elle peut également être basée sur l’intensité d’un phénomène ; ceci implique la considération des dépassements d’un seuil par des variables climatiques associées à ce phénomène. . Enfin on peut introduire la notion d’impact et s’appuyer sur des dégâts socio-économiques causés par un phénomène.

Les anomalies climatiques significatives au cours d’une année (Fig.1.3) montre les types d’événements très variés sur la terre : pluies fortes, inondations, tempêtes, sécheresses, canicules, vagues de froid et de chaleur, chutes de neige... (Goubanova, 2007). Ces événements apparaissent à des échelles spatiales et temporelles différentes. Les événements climatiques se différencient également par leur échelle spatiale, du phénomène local comme la tornade jusqu’au phénomène étendu comme la sécheresse. On distingue en outre des événements simples et complexes. Alors que les phénomènes climatiques simples se décrivent par une seule variable (par exemple, la température) qui atteint une certaine valeur, les phénomènes complexes impliquent un ensemble de variables associées à un événement climatique particulier. La définition appropriée ne peut être choisi qu’en fonction du contexte dans lequel on considère tel ou tel phénomène (IPCC, 2007).

10

Chapitre 1 Le contexte du changement climatique

Fig. 1.3 Les anomalies climatiques les plus significatives observées au cours de l’année 2006 (Source : http://www.ncdc.noaa.gov/oa/climate/research/2006/ann/ann06.html)

11

Chapitre 1 Le contexte du changement climatique

1.6. Réchauffement planétaire Le réchauffement planétaire, réchauffement global ou changement climatique est un phénomène d'augmentation, à l'échelle mondiale et sur plusieurs années, de la température moyenne des océans et de l'atmosphère. Ce terme est appliqué au changement climatique observé depuis la fin du 20ème siècle. Il est l’un des phénomènes les plus importants des 20ème et 21ème siècles. Effet de serre, montée du niveau des mers du fait de la fonte des glaces, climats déréglés un peu partout sur la planète, autant de problèmes qui sont les signes de changements profonds attestant du réchauffement de la planète, menaçant directement l’équilibre naturel, la faune, la flore et l’être humain (Sebastien, 2006). L'augmentation générale de la température de l'air de surface renforce le cycle hydrologique en raison de l'augmentation de l'évaporation, qui à son tour conduit à plus de vapeur d'eau atmosphérique. Les données d'observation à long terme et les projections climatiques fournissent des preuves abondantes que les ressources en eau douce sont vulnérables et ont le potentiel d'être fortement touchées par le changement climatique, avec de vastes conséquences pour les sociétés humaines et les écosystèmes (Bates et al., 2008). Plusieurs études sur l'impact du changement climatique ont montré que les ressources en eau sont affectées dans toutes les zones étudiées (Gosain et al., 2006; Ibrahim et al., 2012; Hagemann et al., 2013). Ces changements ont des effets sur des secteurs critiques tels que l'eau ressource, agriculture, énergie, santé, biodiversité, entre autres dans de nombreuses régions du monde, notamment en Afrique. L'Afrique dans son ensemble est l'un des continents les plus vulnérables en raison de sa forte exposition et sa faible capacité d'adaptation (IPCC-PART B, 2014). Le Cinquième rapport d'évaluation (AR5) de l’IPCC (2014) dénonce un réchauffement sans équivoque du système climatique. Depuis les années 1950, beaucoup de changements sont sans précédent. Dans l'hémisphère Nord, la période de 30 ans de 1983 à 2012 le plus chaud des 1400 dernières années et le taux de réchauffement de la température moyenne à la surface du globe, de 1951 à 2012, est égal à 0,12 °C par décennie. Selon l'AR5, la principale cause du réchauffement observé depuis le milieu du 20ème siècle est extrêmement susceptible d'être les émissions anthropiques de gaz à effet de serre (D’Oria et al., 2017). Les résultats du GIEC (IPCC, 2007) montrent que selon le scénario d’émission, l’augmentation de température en 2100 (en comparaison avec la période 1980-1999) serait comprise entre 1.1 °C et 6.4 °C (Tableau 1.1).

Tableau 1.1 Variation de température pour 2090-2099 par rapport à 1980-1999 (IPCC, 2007) Scénario B1 A1T et B2 A1B A2 A1F1 Hausse de la température 1.8 °C 2.4 °C 2.8 °C 3.4 °C 4.0 °C Intervalle probable (1.1-2.9°C) (1.4-3.8°C) (1.7-4.4°C) (2.0-5.4°C) 2.4-6.4°C)

12

Chapitre 1 Le contexte du changement climatique

Récemment, les fréquents phénomènes météorologiques extrêmes, tels que les tempêtes de pluie, la chaleur vagues, sécheresses et inondations ont été signalés dans le monde entier (Wilhelmi, 2002 ; IPCC, 2013). Ces événements extrêmes sont susceptibles de provoquer des effets néfastes sur l'écosystème, la société et l'économie (Hallegatte et al., 2013 ; Trenberth et al., 2015). Par conséquent, les préoccupations concernant les variations des conditions météorologiques extrêmes augmentent considérablement (Jung et al., 2017 ; Hu et al., 2012). Changements disproportionnés dans l'intensité des précipitations ont été trouvé partout dans le monde. Par exemple, les changements dans les fortes pluies ont été plus grande que la moyenne des précipitations quand il y avait des changements régionaux statistiquement significatifs dans la saison des pluies (Groisman et al., 2005). Même les changements dans les pluies extrêmes ont été opposés aux changements dans les pluies totales dans certains régions (Alpert et al., 2002). Par conséquent, il est nécessaire d'étudier les changements dans les différentes intensités de précipitations. (Wu et al., 2018). Le rapport (IPCC, 2007) conclue l’augmentation de la température mondiale depuis l’industrialisation et l’accélération du réchauffement depuis 1975. Ceci impactera notre planète, à savoir une augmentation des fréquences d’appariation des phénomènes climatiques extrêmes (inondations, sécheresse), une hausse régionale de la température, une diminution de la production agricole, croissance de la migration humaine et dégradation de la qualité des eaux douces (Fig. 1.4).

Fig. 1.4 Les conséquences du changement climatique à l’échelle mondiale (Les Changements Climatiques vont exacerber les risques de guerre dans le monde –Notre-Planète.info 2013)

Bien que le réchauffement affecte le monde entier, les contrastes régionaux sont présentés avec le réchauffement plus évident dans l’hémisphère nord et le réchauffement rapide des deux pôles planétaires (Chaouche et al., 2010). On peut donc s’interroger sur les impacts de ce réchauffement sur

13

Chapitre 1 Le contexte du changement climatique le cycle de l’eau et dans le Nord de l’Algérie en particulier. Cette région est très vulnérable aux changements climatiques. Elle est située géographiquement entre le régime climatique africain, très chaud et sec au Sud, et le climat européen tempéré et humide dans le Nord, avec de larges variations climatiques. Cette zone se caractérise par des pluies hivernales, des sécheresses estivales et des orages au début d’automne et à la fin du printemps. La grande différence entre l’hiver humide et l’été sec est due par l’alternance saisonnière des tempêtes cycloniques en hiver et des cellules subtropicales à haute pression sur l’océan adjacent. Selon Jentsch et al. (2007), les événements extrêmes devraient se produire plus fréquemment et avec une plus grande intensité. Il est prévu une augmentation de la variabilité climatique saisonnière.

1.7. L'effet de serre L’effet de serre est le piège d'une fraction du rayonnement infrarouge réémis par la terre vers l'atmosphère terrestre. Ceci est réalisé en particulier par les gaz dits «à effet de serre : GES», accroissant la température troposphérique. Il n’en demeure pas moins que l’effet de serre sur la Terre est un phénomène réel et essentiel qui nous permet d’avoir une température moyenne à la surface de 15°C au lieu de –18 °C s’il n’existait pas (Dufresne, 2007). L'augmentation incontrôlée de l'effet de serre pourrait provoquer, selon les pires prévisions (violents incendies de forêts dus aux sécheresses et réchauffement progressif des océans entraînant la fonte puis la remontée à la surface du méthane stocké au fond des mers), une augmentation de la température du globe jusqu'à 10°C en moyenne d'ici à 2150 si rien n'est fait pour diminuer les rejets humains de gaz à effet de serre. Ce phénomène naturel a été renforcé car la quantité de gaz à effet de serre (en particulier le CO2, naturellement en très faible concentration dans l'atmosphère) a augmenté ces dernières années, ce qui a pour conséquence de déséquilibrer le bilan radiatif de la Terre (Rose, 2014).

1.7.1. Gaz à effet de serre (GES) Les gaz à effet de serre sont les constituants gazeux de l'atmosphère, tant naturels qu'anthropiques, qui absorbent et émettent un rayonnement à des longueurs d'onde données du spectre du rayonnement infrarouge émis par la surface de la Terre, l'atmosphère et les nuages. C'est cette propriété qui est à l'origine de l'effet de serre. Les principaux gaz à effet de serre (GES) sont la vapeur d'eau, le dioxyde de carbone (CO2), le méthane (CH4), l'oxyde nitreux (N2O) et l'ozone (O3). Les gaz à effet de serre (GES) industriels incluent les Halocarbones lourds (Fluorocarbones Chlorés incluant les Chlorofluorocarbures (CFC), les molécules de HCFC-22 (Les hydrochlorofluorocarbures) comme le Fréon et le Perfluorométhane) et l'Hexafluorure de Soufre (SF6). Jean (2002) a estimé la contribution approximative à l'effet de serre pour chacun des principaux gaz:

14

Chapitre 1 Le contexte du changement climatique

- Vapeur d'eau (H2O): 60 %

- Dioxyde de Carbone (CO2): 34 %

- Ozone (O3): 2 %

- Méthane (CH4): 2 %

- Oxyde nitreux (N2O): 2 %

1.7.2. Forçage radiatif En climatologie, le forçage radiatif est défini comme la différence de l'insolation (rayonnement solaire) absorbée par la Terre et de l'énergie rayonnée vers l'espace. Typiquement, le forçage radiatif est quantifié à la tropopause (10 à 16 km d’altitude) en unités de watts par mètre carré de la surface de la Terre. Un forçage positif (plus d'énergie entrante) réchauffe le système, tandis que qu’un forçage négatif (plus d'énergie sortante) le refroidit. Les causes du forçage radiatif incluent des changements dans l'insolation et les concentrations de gaz radiatif, communément appelé gaz à effet de serre (GES) et aérosols (Shindell et al., 2013). Le moteur du système climatique est le rayonnement solaire qui fournit de l’énergie à la Terre (Berger, 1978), essentiellement aux très courtes longueurs d’ondes et dans le proche infrarouge, que l’atmosphère capte et redistribue (Fig.1.5). Une petite partie seulement de ce rayonnement traverse l’atmosphère, tandis que la majorité est absorbée et/ou renvoyée vers la surface par les nuages et les molécules de Gaz à Effet de Serre (vapeur d’eau, dioxyde de carbone, méthane, oxyde nitreux, ozone, etc.).

Fig.1.5 Bilan énergétique de la terre (en W.m-2.an-1) (Kielh et Trenberth, 1997)

15

Chapitre 1 Le contexte du changement climatique

1.8. Les causes du réchauffement climatique Les causes des variations du climat de la Terre sont multiples. Certaines sont naturelles : . Variations de l’insolation dues à la perturbation de l’orbite que la Terre décrit autour du soleil. . Changements du flux d’énergie solaire. . Injections de poussières volcaniques dans la stratosphère. . Changements de la circulation globale de l’océan ou développement d'instabilités des calottes glaciaires. D’autres sont liées aux activités humaines. Depuis le début de l’ère industrielle, les émissions de GES et d’aérosols perturbent significativement le bilan radiatif de l’atmosphère. On observe un accroissement sensible des concentrations atmosphériques en gaz carbonique, en méthane et en oxyde nitreux ; le taux de CO2 est passé de 280 ppm à près de 380 ppm (Fig. 1.6). Ces variations dépassent largement celles observées au cours des 400 000 dernières années, lorsque les cycles biogéochimiques ne subissaient que des variations naturelles (Elmeddahi, 2016).

Fig. 1.6 a) Emissions annuelles de GES anthropiques dans le monde (1970-2004). b) Parts respectives des différents GES anthropiques dans les émissions totales de 2004 en équivalent-CO2. c) Contribution des différents secteurs aux émissions totales de GES anthropiques en 2004, en équivalent-CO2. (IPCC, 2007)

1.9.Les indicateurs du changement climatique 1.9.1. Observations

La figure 1.7 montre le taux de dioxyde de carbone (CO2) présent dans l'atmosphère durant ce dernier millénaire. La nette augmentation observée depuis la période préindustrielle (hausse de 70% entre 1970 et 2004) permet de se rendre compte d'un changement brutal qui ne peut être expliqué par une variabilité naturelle (IPCC, 2007).

16

Chapitre 1 Le contexte du changement climatique

Fig. 1.7 Evolution du dioxyde de carbone à partir de données provenant de carottes de glaces et de mesures récentes (IPCC, 2007)

1.9.2. L’élévation de la température de surface sur la Terre L’augmentation de la température de surface sur la terre est de 0,8 ± 0,2 °C depuis 1870. Elle reste notablement différente pour les deux hémisphères : plus forte au Nord et plus forte aux hautes latitudes. Une variabilité entre continents est également observée. Une forte modulation sur des périodes annuelles et multi décennales est également constatée, avec deux périodes de plus forte augmentation (approximativement de 1910 à 1940 et de (1975 à 2000) encadrées par des périodes de stagnation ou de décroissance (IPCC, 2014). Les conclusions del’AR5 du GIEC sont formelles : les activités humaines, en particulier celles

émettrices de dioxyde de carbone (CO2), sont principalement responsables du réchauffement du système climatique observé actuellement (95% de chances). D’après (Stocker et al., 2013), la moyenne globale des températures de surface (terres et océans) a augmenté de 0.85°C entre 1880 et 2012 (Fig.1.8).

Fig. 1.8 Evolution observée et projetée de la température à horizon 2100 (IPCC, 2013)

17

Chapitre 1 Le contexte du changement climatique

Chacune des trois dernières décennies a été plus chaude que la précédente. Les mesures ont enregistré les dix années les plus chaudes depuis 1850 entre 1998 et 2010. Les changements climatiques augmenteront considérablement les risques de phénomènes météorologiques extrêmes (vagues de chaleur, précipitations extrêmes, inondations des zones côtières, etc.). Dans le scénario RCP8.5, les vagues de chaleur qui surviennent actuellement dans le monde pourraient doubler ou tripler de fréquence (IPCC, 2013). Ce réchauffement a connu une première phase entre 1900 et 1940, suivi d'une stabilisation (voire diminution) entre 1940 et 1975, avant de reprendre depuis 1975 (Fig. 1.9).

Fig. 1.9 a) Température de surface en moyenne mondiale ; b) Niveau moyen mondial de la mer ; c) Couche de neige de l’Hémisphère Nord en mars et avril. Tous les changements sont relatifs aux moyennes correspondantes pour la période 1961-1990. Les courbes lissées représentent les valeurs moyennées sur une décennie. Les cercles indiquent les valeurs annuelles. Les zones ombrées sont les fourchettes d’incertitude estimées à partir d’une analyse exhaustive des incertitudes connues (a et b) et des séries temporelles (c) (IPCC, 2007)

1.9.3. Température océanique Mesurée depuis les années 1950 par les bateaux de commerce ou les navires océanographiques (jusque vers 700 m de profondeur) et plus récemment par le système de bouées profitantes Argo, montre une augmentation moyenne globale depuis quelques décennies (Notre planète.info, 2014). Les mers et les océans connaissent, comme les terres émergées, un accroissement de température, en surface comme en profondeur. Ce réchauffement est plus marqué dans les couches supérieures (entre 0 et 700 m de profondeur) et à proximité de la surface (Fig. 1.10). Ainsi, les 75 premiers mètres de profondeur se sont réchauffés en moyenne de 0,11°C par décennie sur la période 1971-2010 (IPCC, 2013).

18

Chapitre 1 Le contexte du changement climatique

Fig. 1.10 Tendance d’évolution de la température océanique entre 0 et 700 m (1971-2010) (en °C par décennie) (Rhein et al., 2013)

Il est quasiment certain que l’océan superficiel (jusqu’à 700 m de profondeur) s’est réchauffé entre 1971 et 2010 (probablement réchauffé entre les années 1870 et 1971) (IPCC, 2013). D’après les projections, le réchauffement le plus fort concernera l’océan superficiel des régions tropicales et subtropicales de l’hémisphère Nord. Plus en profondeur, le réchauffement sera le plus prononcé dans l’océan Austral. Les estimations les plus probables du réchauffement de l’océan sur les cent premiers mètres sont d’environ 0,6 °C (RCP2.6) à 2,0 °C (RCP8.5) et d’environ 0,3 °C (RCP2.6) à 0,6 °C (RCP8.5) à une profondeur d’environ 1 000 m vers la fin du 21ième siècle (Fig. 1.11) (IPCC, 2013).

Fig. 1.11 Changement de la température de l’eau en surface selon scénarios

1.9.4. Précipitations De 1900 à 2005, les précipitations ont augmenté de façon significative dans les parties orientales de l'Amérique du Nord et du Sud, au nord de l'Europe, au nord et au centre de l'Asie, mais ont diminué au Sahel, dans le bassin méditerranéen, en Afrique australe et sur une partie du sud de l'Asie. En clair, les régions humides ont tendance à devenir de plus en plus humides et les régions sèches de plus en plus sèches (Cantet, 2009).En moyenne, le groupe GIEC prévoit, d’ici la fin du siècle, des précipitations plus abondantes et des épisodes de précipitations extrêmes plus fréquents dans les masses continentales des hautes et moyennes latitudes, et dans les régions tropicales humides. À l’inverse, les régions arides et semi-arides des moyennes latitudes et des régions subtropicales subiront une baisse des précipitations, et une aggravation et augmentation des sécheresses (Fig.1.12).

19

Chapitre 1 Le contexte du changement climatique

Fig. 1.12 Evolution des précipitations moyennes (entre 1986-2005 et 2081-2100)

1.9.5. Mers et océans Les mers et les océans, qui recouvrent près de 70% de la surface du globe, sont des acteurs clés du système climatique en raison des échanges d’énergie permanents entre eux et l’atmosphère. Ils sont, entre autres via le plancton océanique, les principaux puits de carbone, devant les forêts, les tourbières et les prairies. Depuis 1961, le niveau de la mer a augmenté à une vitesse moyenne de 1.8 mm ± 0.5 mm par an, et depuis 1993 de 3.1 mm ± 0.7 mm par an, à cause de la dilatation thermique et en raison de la fonte des glaciers (Cantet, 2009).

1.9.6. Neige et glace Les données des satellites montrent que, depuis 1978, l'étendue de la banquise arctique a reculé en moyenne de 2.7% ± 0.6% par décennie, avec une baisse plus marquée en été (7.4% ± 2.4% par décennie). Les glaciers de montagne et la couverture neigeuse ont diminué en moyenne dans les deux hémisphères. Ces diminutions sont cohérentes avec le réchauffement (Cantet, 2009).

1.9.7. La réduction de la surface des glaces océaniques arctiques La banquise, dont la fonte ne contribue pas à l’élévation du niveau des océans, est un autre indicateur fort de l’accélération de l’évolution du climat : de 8,5 millions de km2 stable dans la période 1950‐1975, la surface des glaces de mer a connu une décroissance très rapide jusqu’à 5,5 millions de km2 en 2010 (Notre planète.info, 2014).

1.9.8. Les calottes polaires de l’Antarctique et du Groenland Les calottes polaires de l’Antarctique et du Groenland ont un bilan total de masse négatif depuis une dizaine d’années. Si quelques régions élevées de l’intérieur des calottes, en particulier Antarctique, s’épaississent un peu par suite de précipitations neigeuses accrues, la perte de masse domine. Celle-ci s’effectue dans les zones côtières du Groenland et de l’Antarctique de l’Ouest par écoulement très rapide de certains glaciers vers l’océan et décharge d’icebergs. On pense que le

20

Chapitre 1 Le contexte du changement climatique réchauffement des eaux océaniques dans ces régions est la cause majeure des instabilités dynamiques observées (Notre planète.info, 2014).

1.9.9. Le niveau moyen des océans Le niveau moyen des océans est un autre indicateur qui intègre les effets de plusieurs composantes du système climatique (océan, glaces continentales, eaux continentales). Avant 1992, le niveau de la mer était mesuré par des marégraphes le long des côtes continentales et de quelques îles : le niveau des océans, en moyenne annuelle sur toute la planète, s’est élevé à un rythme de 0,7 mm/an entre 1870 et 1930 et d’environ 1,7 mm/an après 1930. Depuis 1992, les mesures sont effectuées par satellites : la hausse du niveau moyen global de la mer est de l’ordre de 3,4 mm/an (http://www.pensee-unique.fr/oceans.html le 22/04/2014).

1.9.10. Les indicateurs biologiques Les indicateurs biologiques, tels que les déplacements de populations animales terrestres ou marines et l’évolution des dates d’activités agricoles saisonnières, montrent aussi la survenue d’un réchauffement climatique (IPCC, 2014).

1.10. Changement climatique à l’échelle globale Depuis 1850, date à laquelle les relevés instrumentaux de la température à la surface du globe ont commencé, le climat s’est considérablement réchauffé, notamment au cours des 30 dernières années (Fig.1.13). Entre 1905 et 2006, le réchauffement moyen est estimé à 0.74°C (0.56 ± 0.92°C) (IPCC, 2007), mais ce réchauffement présente des disparités à l’échelle locale où les régions continentales connaissent un réchauffement plus rapide que celui des océans, et ce réchauffement est plus important aux latitudes élevées de l’hémisphère Nord. La période entre1995 et 2006 semble la plus chaude depuis 1850 (Henson , 2008).

Fig. 1.13 Tendance d’évolution de la température de la terre (1976-2000) (Henson, 2008)

21

Chapitre 1 Le contexte du changement climatique

1.10.1. Changement des événements extrêmes observés en 20ièmesciècle Le rapport du GIEC (IPCC, 2001) a mis en évidence qu’un climat plus chaud conduit très probablement à un accroissement de la fréquence et/ou l’intensité de certains types d’événement extrêmes. Depuis, un nombre considérable d’auteurs ont étudié le problème de l’évolution des extrêmes. Frich et al. (2002) détectent une diminution du nombre de jours de gel, un accroissement des vagues de chaleurs et une augmentation de la fraction des précipitations totales au-dessus du 95ème percentile. Pour tout l’hémisphère nord, une augmentation particulièrement prononcée de la température minimale caractérise la période 1979-2003. Les indices de précipitation indiquent une tendance vers des conditions plus humides (Goubanova, 2007). Pour l’Europe du Nord, Groisman et al. (2005) montrent une augmentation de la fréquence des pluies intenses de 60% pour l’été (la saison avec les pluies les plus fortes) et de 40% pour toute l’année. Alpert et al. (2002) examinent les données de 256 stations couvrant les cinquante dernières années sur toute la région méditerranéenne, et détectent d’une part une tendance décroissante dans les précipitations totales et paradoxalement une tendance croissante dans l’intensité des précipitations extrêmes. Brunetti et al. (2005) confirment ces résultats pour les stations météorologiques en Italie disponibles depuis la fin du 19ème siècle.

1.10.2. Impacts du changement climatique sur les pluies extrêmes Les impacts du changement climatique sur les événements hydrologiques extrêmes (fortes pluies et crues) font toujours des sujets d’actualité. Selon l'Institut international de l'eau de Stockholm (SIWI), pour la période 1996-2005, environ 80 % des catastrophes naturelles étaient d'origine météorologique ou hydraulique, et les inondations auraient lors de cette décennie affecté en moyenne 66 millions de personnes par an entre 1973 et 1997. Les inondations sont parmi les catastrophes naturelles qui causent des pertes et des dommages matériels dans le monde. Elles constituent le risque le plus distribué sur la planète (White, 1999). Les changements climatiques accroîtront à la fois la fréquence et l’intensité des événements climatiques extrêmes, à savoir les cyclones tropicaux, les vagues de chaleur, les inondations soudaines (flash floods), et les sécheresses. Si les changements climatiques ont sans nul doute joué un rôle pour expliquer cette augmentation, il ne faut pas négliger l’importance de deux autres facteurs : d’une part, ces catastrophes sont mieux documentées aujourd’hui qu’elles ne l’étaient par le passé, ce qui accroit leur visibilité ; et d’autre part, le nombre de personnes exposées à ces catastrophes a régulièrement augmenté en raison de la croissance démographique. La figure 1.14 montre la vulnérabilité face aux catastrophes climatiques dans le monde.

22

Chapitre 1 Le contexte du changement climatique

Fig. 1.14 Vulnérabilité face aux catastrophes climatiques dans le monde

D’après la figure 1.14, l’Algérie se classe dans une zone qualifiée d’élevée (en jaune).En 2016, la base de données spécialisée EM-DAT a recensé 314 catastrophes naturelles d’origine hydro-climatiques (excluant donc les catastrophes industrielles et géophysiques comme les tremblements de terre ou les tsunamis). Sécheresses, inondations et cyclones représentent environ deux tiers des catastrophes naturelles chaque année. Ce sont les inondations et les tempêtes (y compris les cyclones) qui sont responsables de l’écrasante majorité des déplacements de populations provoqués par des catastrophes naturelles, quelle qu’en soit l’origine. La figure 1.15 montre les différents types de catastrophes naturelles survenues dans le monde durant la période 1900-2007.

Fig. 1.15 Types de catastrophes naturelles survenues dans le monde de 1900-2007 (Source : CRED, 2007)

Dans la figure 1.15, nous constatons que 34% des catastrophes naturelles sont des inondations. C’est le type de catastrophe le plus dominant. L’inondation peut être un géo risque majeur aux conséquences humaines et matérielles extrêmement préjudiciables. Selon l'étude annuelle du Centre de Recherche sur l'Epidémiologie des

23

Chapitre 1 Le contexte du changement climatique

Désastres (CRED), les dommages causés par les inondations, à l’échelle mondiale, sont énormes (tableau 1.2).

Tableau 1.2 Dommages causés par les inondations à l’échelle mondiale Pays Lieu Date Bilan des Dégâts France Montauban 1930 200 morts, 10 000 sinistrés et 3 000 maisons détruites, 11 grands ponts emportés, 17 m de montée des eaux en 24 h et des hauteurs de submersions de 7m en ville France St. Laurent de Cerdans 16-20/10/1940 350 décès du côté français (Pyrénées orientales) Allemagne Hambourg 17-02/1962 350 décès Portugal Lisbonne 26/11/1967 plus de 450 décès France Le Grand-Bornand 14/07/1987 23 morts, 9 blessés France Vaison-La-Romaine 22/09/1992 34 morts, 3 milliards de francs de dégâts Egypte plusieurs provinces 02-08/11/1994 593 décès, 100000 personnes évacuées, dommages élevés à 500 millions de dollars, 4200 hectares submergés Italie régions du Nord 01-10/11/1994 83 décès, 10308 évacués, dégâts évalués à 4 milliards de dollars Maroc régions du Sud 1995 166 décès, 210 évacués, dégâts évalués à 10 millions de dollars (véhicules, maisons, magasins détruits) Afrique du Pietermaritzburg 25/12/1995- 157 décès, 2000 personnes, déplacées, dégâts évalués à Sud 2/01/1996 600 millions de dollars Malaisie Bornéo 26-28/12/1996 200 décès, dommages évalués à 52 millions de dollars Pakistan Punjab 02-07/09/1996 119 décès, 100 000 personnes déplacés, 3000 villages inondés, 18 000 maisons détruites Canada Saguenay 19-22/07/1996 10 décès, 12000 personnes déplacées, 1500 à 2000 maisons complètement détruites, dégâts évalués à 750 millions de dollars. Brésil Palmares, Maceió, 30/07-17/08/2000 70 morts, 120000 personnes déplacées, dégâts évalués à région métropolitaine de 75 millions de dollars Recife, Catende, Belém de Maria Oman Nizwa, Muscat, Wilayat 14/04-19/04/2003 30 morts Iran Nord-Est, province de 31/07-01/08/2005 Six villages inondés dans la région montagneuse de Golestân, comtés de Galidagh, 27 morts, 25 disparus, maisons, routes et Kalaleh, Galidagh fermes endommagées. Mexico Tabasco - Villahermosa, 28/10-01/12/2007 19 morts, 800000 personnes déplacées, dégâts évalués à Las Lagunas. Chiapas - 5 milliards de dollars San Juan Grijalva Mozambique Beira, Zambezia, Manica 03/01-10/03/2007 46 morts, 165000 personnes déplacées dont 14200 sans- ,Sofala Tete , Nampula. abris, 6600 maisons détruites, 91000 hectares de cultures inondées, dommages évalués à 71 millions de dollars. Pakistan Punjab 2010 3000 morts. 20 0000 habitants affectés. Source : (Beloulou, 2008)

Pour la période 1996-2005, environ 80% des catastrophes naturelles étaient d'origine météorologique ou hydraulique, et les inondations auraient lors de cette décennie affecté en moyenne 66 millions de personnes par an entre 1973 et 1997. Ce sont les catastrophes naturelles qui produisent le plus de dégâts (Institut international de l'eau de Stockholm : SIWI).Dans ce contexte, la région

24

Chapitre 1 Le contexte du changement climatique méditerranéenne est particulièrement sensible aux variations et changements du climat. Ce sont plutôt les phénomènes climatiques extrêmes qui affectent davantage l’écosystème et la société. L’accumulation apparente des phénomènes extrêmes, provient-elle de la variabilité naturelle ? Ou peut-être représente-elle une tendance liée au réchauffement climatique ? Selon le rapport du GIEC, depuis cinquante ans, des indices d’un changement pour différents types d’événements climatiques extrêmes ont été détectées dans plusieurs régions du monde. Cependant, il n’est à ce jour pas possible de démontrer que les événements météorologiques récents sont le signe d’un changement climatique (Goubanova, 2007).

1.10.3. Les impacts déjà détectés La première et principale conséquence de ces catastrophes, sur le plan sécuritaire concerne évidemment les déplacements massifs de populations qu’elles engendrent. Selon les données de l’Internal Displacement Monitoring Center (IDMC), entre 2008 et 2014, ce sont chaque année 26.4 millions de personnes qui ont été déplacées par les catastrophes naturelles, soit l’équivalent d’une personne par seconde environ (Fig. 1.16). Là encore, c’est en Asie, et particulièrement en Asie du Sud et du Sud-est, que surviennent la très grande majorité des déplacements qui y sont liés.

Fig. 1.16 Déplacements dans le monde causés par des catastrophes (2008-2013)(IDMC)

Ces différents événements extrêmes se traduiront dans le futur par des pertes économiques considérables, ainsi que par un nombre sans cesse plus important de personnes exposées à ces risques d’événements extrêmes. Ainsi, d’ici 2030, le nombre de personnes exposées aux cyclones tropicaux sera multiplié par deux environ, par rapport à 1970. Cette tendance s’accentuera encore d’ici 2050, comme le montre la carte ci-dessous, qui évalue les populations exposées à un risque d’inondations dans le cas de tempêtes extrêmes, pour deux scénarios d’élévation du niveau de la mer à 2050 : 0,15 m et 0,50 m (Fig.1.17).

25

Chapitre 1 Le contexte du changement climatique

Fig. 1.17 Exposition des populations au risque d’inondations en 2050

Plusieurs simulations climatiques indiquent que la sécheresse est apparue sur la majorité des pays du bassin méditerranéen depuis les débuts des années 80 (IPCC, 2007 ; 2008) est en particulier l’Algérie avec l’apparition fréquente des phénomènes météorologiques extrêmes et catastrophes naturelles (Khoualdia, 2015). D’après (Zhanget al., 2007), une amplification des contrastes pluviométriques est constatée depuis les 50 dernières années, entre les moyennes latitudes où les précipitations augmentent, et les régions subtropicales de l’hémisphère nord (cas de l’Algérie) ou au contraire les précipitations diminuent. De plus, Min et al. (2011) constatent une augmentation des pluies extrêmes sur l’hémisphère nord pendant cette même période et démontrent son origine anthropique.

1.11. Les impacts du changement climatique en Algérie Comme beaucoup de pays d’Afrique, les conséquences d’un temps extrême n’ont pas épargnées l’Algérie. Connue pour son climat aride et semi-aride, la région est extrêmement sujette aux changements climatiques. Ces 50 dernières années, un accroissement d’événements dus au temps extrême a été observé. Parmi les phénomènes enregistrés dans des études climatologiques de la Météorologie nationale qui témoignent de ce changement, on compte un accroissement de la fréquence des pluies torrentielles, surtout sur les hauts plateaux (par ex. Ghardaïa et Béchar en 2009–2010), qui ont entraîné des inondations pour la première fois. En 2020, les chutes de pluie quotidiennes dépasseront peut-être la moyenne annuelle normale au sud du pays (IPCC, 2013). Les experts de l’Institut hydrométéorologique de Formation et de Recherche (IHFR) prévoient un raccourcissement de la saison des pluies et une hausse des températures d’environ 1° à 1,5° en 2020, ce qui aurait des conséquences fatales sur 30% des espèces animales. Ils estiment également que les températures vont augmenter de 3°C supplémentaires en 2050 à cause du réchauffement mondial.

26

Chapitre 1 Le contexte du changement climatique

Les chutes de neige ont baissé de 40% dans plusieurs régions d’Algérie, comme à Tlemcen, Ouarsenis et Djurdjura. La flore et la faune terrestres et marines ont été grandement touchées par cette hausse : le changement des conditions environnementales est favorable et/ou défavorable à certains facteurs écologiques par rapport à d’autres, ce qui entraîne un changement des environnements et les espèces de la flore et de la faune qui les constituent. Le changement s’exprime par la raréfaction et/ou la disparition des espèces au détriment d’autres, la désertification et la pollution, ce qui entraîne la dégradation de l’environnement. D’autres aspects des conséquences du réchauffement mondial sur les régions côtières de l’Algérie comprennent le haut niveau de la mer et les vagues dangereuses (des tempêtes plus fortes et plus fréquentes en 1980, 1989, 1995 et 2001), provoquant l’érosion et même la disparition des plages : par exemple les plages à l’ouest d’Alger, la plage de Bejaia, de Boumerdes et d’Oran. De tels phénomènes provoquent la perte de plages (par ex. West Beach à Sidi Fredj, à l’ouest d’Alger), et par conséquence une perte de l’écotourisme et de l’intérêt économique, de l’intrusion saline (salinisation des sols et de la nappe phréatique) et de l’inondation des régions côtières à basse altitude (IPCC, 2013). Après l’inondation d’Alger du 10 novembre 2001 (Fig. 1.18), la prise de conscience de la nécessité d’une lutte contre les inondations avait fait son chemin. Le lourd bilan de cette catastrophe conduit à s’interroger sur les causes des inondations et d’abord les causes naturelles : quels sont les facteurs météorologiques responsables de telles catastrophes ? Est-on en présence d’un changement climatique extrême ?

Fig. 1.18 a) Photographies des catastrophes d’Alger 1957 b) Alger, novembre 2001 C) Ghardaïa, octobre 2008

En Algérie et durant ces trois dernières décennies, le climat a eu une influence négative sur la ressource en eau. Son impact s’est ressenti sur les cours d’eau du bassin versant de la Macta. Les études des précipitations annuelles durant la période 1930-2002 montrent une nette diminution. (Meddi

27

Chapitre 1 Le contexte du changement climatique et al., 2009) ont mis en évidence une réduction des lames d’eau écoulées de 28 à 36% comparativement aux deux périodes (1976-2002) et (1949-1976). Laborde (1995) a montré quatre phases pluviométriques successives en analysant les données de 120 postes pluviométriques de l’Algérie du Nord : 1. Une longue phase humide durant laquelle la pluviométrie était supérieure à la moyenne, de 6% (1922-1938). 2. Une courte phase sèche de 1939 à 1946 à l’Ouest et au centre du pays, avec un déficit d’environ 11%. 3. Puis une phase pluvieuse qui durait jusqu’au 1972. 4. Depuis la fin 1973, une longue phase sèche débute et se persiste...

La carte pluviométrique du Nord algérien, établi par (Laborde, 1995) en collaboration avec l’Agence Nationale des Ressources Hydrauliques (ANRH), détecte un changement climatique dans le Nord-ouest algérien et particulièrement dans les bassins de la Macta, Tafna et du Chellif, dont la pluviométrie a fortement diminuée dans cette région. L’évolution vers l’aridification du climat dans le nord algérien en général et dans le bassin versant de la Macta précisément, montré par des résultats (Laborde, 1995 ; Khaldi, 2005), a conduit à un déficit d’écoulement entrainant une diminution des écoulements superficiels et rabattement conséquent sur les nappes souterraines. Paradoxalement, et malgré cette tendance décroissante de la pluviométrie annuelle, le Nord algérien connait des crues catastrophiques dues aux pluies extrêmes : . Le 21 décembre 1930 : début de la saison hivernale, importante crue de 12 jours suivie d’une affreuse inondation, ont été signalées à Chlef, au Barrage Pontéba. En 24 heures, le mit du Chellif atteint 200 hm3. . Du 28 au 31 mars 1974 : des chutes de pluie exceptionnelles dans les wilayas d’Alger et de -Ouzou (688 mm en 4 jours) et 381 mm en une journée au col de Sakamody (Médéa) (Yahiaoui, 2012). . Le 20 octobre 1993 : 22 décès et 14 blessés à Oued Rhiou. . Octobre 1994 : 60 décès et des dizaines de disparus, dans plusieurs régions du pays, au cours d’une crue de dix jours (Yahiaoui, 2012). . Le 24 octobre 2000 : Les inondations catastrophiques de Sidi Bel Abbes (oued Mekerra), Tissemsilt Theniet El Had (oued Mesloub), Chlef et Ain Defla causent la disparition de deux personnes emportées par l’oued Mekerra et d’importants matériels à Theniet El Had. Plus de 24 décès à l’Ouest du pays. . le 15 octobre 2008, des inondations régionales, touchant les Wilayas de Naama, Sidi Bel Abbes, Saida et El Bayadh et Ghardia, ont fait 35 morts (Boucefiane, 2017).

28

Chapitre 1 Le contexte du changement climatique

D’après le recensement effectué par les services de la protection civile, une commune sur trois est susceptible d’être inondée partiellement ou en totalité. Ces inondations sont les catastrophes naturelles les plus fréquentes et les plus destructrices. Elles atteignent parfois l’ampleur d’une catastrophe nationale (DGPC, 2007). La figure 1.19 présente l’ampleur des inondations en Algérie.

Fig. 1.19 Ampleur des inondations en Algérie

La figure 1.19 montre les différentes crues, avec leurs dégâts humains et matériels causés, enregistrées dans les différentes régions du pays. Le tableau 1.3 peut caractériser l’historique des inondations en Algérie.

29

Chapitre 1 Le contexte du changement climatique

Tableau 1.3 Dommages causés par les inondations en Algérie Date Lieu Bilan des dégâts Novembre 1927 Mostaganem 3000 morts, échelle de gravité : 5. 12/10/1971 Azazga (Tizi Ouzou) 40 décès, des centaines d’habitations détruites 28-31/03/1974 Tizi Ouzou 52 décès, 18000 sinistrés, dégâts estimés à 27 millions de DA -01/09/1980 El Eulma (Sétif) 44 décès. 11/11/1982 à Annaba (centre-ville) 26 décès, 9500 sinistrés, dégâts matériels importants 30/01-4/02/1984 Skikda 174 maisons démolies, 500 familles sinistrées, terrains agricoles fortement endommagés, 28-30/12/1984 Skikda 11 décès, infrastructures de base fortement endommagées, édifices effondrés, immersion de 400 hectares, dégâts évalués alors à 50 millions de DA 29/12/1984 Jijel 29 décès, 11000 sinistrés 04/10/1986 Sidi Bel Abbes 1 décès, 200 familles sans abri 20/10/1993 Oued Rhiou 22 décès, 14 blessés 23/09/1994 Bordj Bou Arréridj 16 décès, dégâts (10 millions DA) 23-30/04/1996 Annaba 5 décès. 09-11/11/2001 Alger (Bab el Oued) plus de 700 décès, 115 disparus, 30000 sans-abri, des milliers de blessés, dégâts (30 milliards de DA) ; 262 mm/j de pluie enregistrés dont 130 mm durant la matinée du 10 Novembre à la station de Bouzereah 17-11-2004 Skikda plus de 100 familles sans abri, 219 familles sinistrées, établissements scolaires fermées (3 lycées, 6 collèges d’enseignement moyen et 4 écoles fondamentales) 06-09/03/2005 Sud (régions d’Illizi, Adrar 3 décès, 09 disparus et 70 évacués par hélicoptère, routes, et Tamanrasset) agriculture et infrastructures endommagées, plusieurs villages inondés 13-14/12/2005 Annaba plan ORSEC déclenché, rupture de canalisations d’eau potable et des conduites d’eaux usées, besoins alimentaires et vestimentaires des sinistrés évalués à 1.2 millions de DA, cause : 135.9 et 61.5 mm enregistrées le 13-12-2005 aux stations de Séraïdi et Annaba- Les salines, respectivement 09-11/02/2006 Tindouf 50 à 60% d’infrastructures détruites aux camps des réfugiés sahraouis (12200 familles sans abri) ; cause : 79 mm de pluie entre le vendredi 10/02 au matin et le samedi 11/02 à l’aube 18 Octobre 2007 Bechar 2 morts emportés par les eaux, lignes téléphoniques coupées, routes bloquées (effondrement de plusieurs ponts). 01 Octobre 2008 Ghardaïa Plus de 34 décès et 50 blessés, maisons effondrées sur leurs habitants, des dizaines de véhicules emportés par les eaux, arbres arrachés, poteaux électriques ensevelis, dégâts aux surfaces agricoles et au cheptel ovin, plus de 1000 maisons inondées dont 600 sont endommagées. 10 Octobre 2008 Bechar 8 morts, dégâts matériels importants, la plus grande inondation depuis 1959. Source : (Beloulou, 2008)

L’analyse du tableau 1.3 montre que, sur 20 inondations enregistrées : - 3 crues se sont survenues durant le mois de septembre de l’année. - 6 crues se sont survenues durant le mois d’octobre de l’année. - 5 crues se sont survenues durant le mois de novembre de l’année. - 3 crues se sont survenues durant le mois de décembre de l’année.

30

Chapitre 1 Le contexte du changement climatique

En effet, nous constatons en Algérie, que la majorité des crues17/20 (85%), frappent durant les 04 mois (septembre, octobre, novembre et décembre).Alors, les inondations catastrophiques les plus fréquentes se manifestent durant la saison automnale de chaque année. Vu la situation de la wilaya de Sidi Bel Abbes dans le sous bassin de la Mekerra (affluent potentiel de la Macta), elle revêt d’un caractère particulier d’inondation régulière comme le montre les statistiques durant les trente-cinq dernières années (Tableau 1.4) :

Tableau 1.4 Les inondations enregistrées au niveau de la Mekerra Date Lieu Cause Impacts Superficie Morts Sans inondée (ha) Abri 18/04/2007 Forte précipitation Non estimé 06 300 27/07/2000 Ras El Ma Orages Non estimé - 100 10/02/1999 Boukhanifis Orages Non estimé - - 18/01/1999 Hassi Orages Non estimé - - 02/1998 Sidi Bel Abbès Orages Non estimé - - 13/12/1997 Sidi Bel Abbès Orages Non estimé 01 05 27/09/1997 Sidi Bel Abbès Orages Non estimé 01 - 22/09/1997 Boukhanifis Orages Non estimé - - 17/08/1997 Moulay Slissen Orages Non estimé 01 34 13/06/1996 Hassi Zahana Orages Non estimé - 02 10/06/1996 Ras El Ma Orages Non estimé - - 05/12/1995 Sidi Bel Abbès, Sfisef, Ain El Berd Orages Non estimé - 03 16/10/1994 , Ain El Berd Orages Non estimé - 70 29/09/1994 Sidi Bel Abbès, Boukhanifis, Sidi Lahcen, Orages Non estimé 01 22 Hassi Zahana, , 30/04/1990 Orages Non estimé 02 130 04/10/1986 Sidi Bel Abbès Orages Non estimé 01 200 06/03/1980 Boukhanifis Forte précipitation 10 - 04 06/03/1980 Ben Badis Forte précipitation 24 - 08 02/10/1978 Ain El Berd Orages 160 - 08 (Source : DPC SBA, 2000)

1.12. Conclusion La majorité des travaux sur les pluies extrêmes, présentés dans ce chapitre, estiment que l’intensité de ces pluies va s’accentuer dans le futur. En Algérie, les statistiques relatives aux inondations dues aux pluies extrêmes, montrent que 85% des crues sont enregistrées dans la saison automnale, par exemple les inondations de Bab El Oued de 2011, d’une intensité estimée à 262 mm/j, ont été enregistrées durant le mois de novembre.

31

CHAPITRE II CIRCULATION ATMOSPHERIQUE ET MODELES CLIMATIQUES

Chapitre 2 Circulation atmosphérique et modèles climatiques

II- Chapitre 2 : Circulation atmosphérique et modèles climatiques

2.1. Introduction Le climat concerne les modifications des conditions météorologiques intégrées sur l'ensemble du globe. Le mot « climat » dérive du grec κλίμα qui signifie « inclinaison », en référence à l’inclinaison de l’axe de rotation de la terre. De manière usuelle, le climat désigne la moyenne, calculée sur une longue période de temps (30 ans, par convention, pour les météorologistes), des observations de paramètres tels que la température, la pression, la pluviométrie ou la vitesse du vent, en un lieu géographique et à une date donnée (IPCC, 2013). Selon l’Organisation Météorologique Mondiale (ONM), le climat est défini comme la synthèse des conditions météorologiques dans une région donnée, caractérisée par les statistiques à long terme des variables de l’état de l’atmosphère (Elmeddahi, 2016). Le système climatique est aujourd’hui en déséquilibre. La communauté scientifique est en première position pour se donner les moyens de comprendre ces changements, de les évaluer, de les projeter sur l’avenir. Cela est rendu possible par l’utilisation de modèles climatiques, outils indispensables à cette mission. Les météorologistes et les climatologues ne s’intéressent pas qu’aux valeurs moyennes mais aussi à d’autres caractéristiques statistiques : valeurs extrêmes (maxima et minima observés), dispersion (écart plus ou moins grand des valeurs observées autour de la moyenne), etc. Ces données apportent des renseignements très importants sur la variabilité naturelle du climat. Elles permettent d’identifier des phénomènes climatiques de période de répétition inférieure à 30 ans, dont l’existence est masquée dans une moyenne sur cette durée (Oudar, 2016). Pour prévenir les précipitations, les scientifiques de l’IPCCont élaboré des modèles climatiques. Ces prévisions de changements climatiques sont établies grâce à des modèles de circulation générale de l'atmosphère ou Global Circulation Model (GCM), qui sont parfois l'objet de vives critiques. Actuellement, les GCMs sont la seule source, que nous avons, pour prédire le futur. Les scientifiques de l’IPCC travaillent en continue pour améliorer les modèles tant sur l’aspect précision des calculs (paramètres physiques et réduction des biais) que sur l’aspect précision spatiale (échelle) (Goubanova, 2007).

2.2. Climat et système climatique C’est un système dynamique complexe dont les composantes interagissent entre elles en permanence. Ses différentes composantes sont principalement constituées de l’atmosphère, la

33

Chapitre 2 Circulation atmosphérique et modèles climatiques lithosphère, l’hydrosphère, la cryosphère (les glaces du monde entier) et la biosphère. Ces cinq (05) sphères sont en interaction permanente par l'intermédiaire de l’énergie solaire (Fig.2.1).

Fig. 2.1Composantes du système climatique et leurs interactions (IPCC, 2007)

Le système climatique comprend l’atmosphère, les océans et les glaces, et les terres émergées. Son fonctionnement est dominé par les échanges d’énergie entre l’intérieur du système Terre et la source solaire externe, et par les échanges entre les trois compartiments principaux qui le composent. Pour mieux comprendre la variabilité et les modèles climatiques afin de prédire les changements climatiques, il est capital de décrire brièvement les mécanismes participant au fonctionnement du système climatique global.

2.2.1. La circulation atmosphérique globale Du fait de la sphéricité et l’inclinaison de l’axe de rotation de la Terre, le rayonnement solaire reçu est en par conséquent maximum (minimum) à l’équateur (aux pôles) (Fig. 2.2.). À l’échelle de la planète, le climat résulte d’un déséquilibre énergétique entre l’équateur et les pôles (plus important dans l’hémisphère d’hiver). Le processus climatique peut alors se résumer en un transport d’énergie permanent de l’équateur vers les pôles, dit transport méridien. Ce transport, extrêmement complexe en pratique, met à contribution les composantes océaniques et atmosphériques du système climatique, et s’appuie sur les effets combinés de la force gravitationnelle (mouvements verticaux) et de la rotation terrestre (force de Coriolis).

34

Chapitre 2 Circulation atmosphérique et modèles climatiques

Fig. 2.2 Incidences solaires sur les différentes régions de la terre

En ce qui concerne l’atmosphère, plusieurs cellules méridiennes ont été mises en découvertes par Georges Hadley (en 1735), William Ferrel (au 18èmesiècle), ainsi que des circulations zonales au niveau des tropiques caractérisées par Gilbert Walker (au 20èmesiècle). La figure 2.3 schématise la circulation atmosphérique globale en représentant les cellules de Hadley, Ferrel, les cellules polaires, ainsi que les vents moyens. Au niveau de l’´équateur, la cellule de Hadley (entre 0° et 30° N/S) se caractérise par une convergence ou ascendance thermique (convection)en surface et une divergence vers les pôles au niveau de la tropopause. Il existe donc des mouvements ascendants dans l’hémisphère d’hiver vers 5° de latitude nord et une subsidence vers 25° de latitude nord pour fermer la cellule. La zone de convergence en surface est aussi appelée zone de convergence intertropicale (ZCIT) et est caractérisée par des vents d’est en surface appelés Alizés. Les alizés peuvent être expliqués par la conservation du moment cinétique et la force de Coriolis qui correspond à une déviation vers l’est de tout corps qui subit la rotation terrestre (Malardel, 2005). Les cellules de Ferrel (entre 30° et 60° N/S) sont aussi des circulations fermées situées aux moyennes latitudes. Notons également la présence de cellules polaires dans les hautes latitudes. Enfin, la circulation de Walker (90° N/S) est une circulation zonale au niveau des tropiques, qui est principalement due à des contrastes de température entre l’océan et l’atmosphère. Elle se caractérise par des mouvements ascendants au-dessus des zones tropicales les plus chaudes (continents) et des subsidences au niveau des bords est des océans, qui sont en moyenne plus froids (Cattiaux, 2010). Pour résumer, la cellule de Hadley concerne les régions tropicales, la cellule de Ferrel les moyennes latitudes et la cellule polaire les régions polaires (Fig. 2.3).

35

Chapitre 2 Circulation atmosphérique et modèles climatiques

Fig. 2.3 Schéma de la dynamique atmosphérique globale

Dans les régions extratropicales (au-delà de 25 °N/S) (Cas de l’Algérie), le transport méridien d’altitude est dévié vers l’est par effet de la force de Coriolis due à la rotation terrestre, ce qui entraîne la création d’un large flux zonal d’ouest traduit en surface par les Westerlies (vents d’Ouest) (Fig.2.3). La répartition énergétique dans le système Terre-Océan-Atmosphère (TOA) divise schématiquement la planète en trois ensembles : une zone excédentaire en énergie entre 30°N et 30°S et deux zones déficitaires au-delà (Dhonneur, 1978). Les transferts entre la zone intertropicale excédentaire et les zones déficitaires des latitudes moyennes et polaires se font avec un décalage de un à deux mois par rapport aux mouvements apparents du soleil. Si l'essentiel de ces transferts est véhiculé par l'atmosphère, une partie se fait par les courants marins (Fig. 2.4).

Fig. 2.4 (a) Schéma représentant la coupe méridienne du déséquilibre énergétique entre l’équateur et les pôles. Crédits : NASA. (b) Transport de chaleur méridien. RT : Transport total. OT : Composante océanique et AT : Composante atmosphérique. (Crédits : Trenberth et Caron (2001)).

36

Chapitre 2 Circulation atmosphérique et modèles climatiques

Une atmosphère plus chaude modifie les schémas de précipitations et une variabilité accrue du climat. Il y aura particulièrement une augmentation en fréquence et en intensité des phénomènes extrêmes, ce qui entraînera une succession plus nette des années de sécheresse et d’inondations. L'une des expressions les plus importantes des changements dans la distribution des températures de surface de l’eau des mers est connue sous le terme El Niño Southern Oscillation (ENSO) ou encore El Niño. On sait maintenant que le phénomène El Niño est déclenché par une modification (diminution ou renversement) des alizés qui soufflent d’est en ouest à la hauteur des régions équatoriales (Janicot et al., 1993 ; Fontaine et al., 1998 ; Sultan et al., 2001). Les causes de cette modification sont encore mal connues, mais ses effets se font sentir à intervalles réguliers (3 à 7 ans entre 2 événements El Niño) dans la partie sud de l’océan Pacifique.

2.2.2. La circulation océanique ou thermohaline (CTH) Elle désigne le déplacement des masses d’eau océaniques sous l’action des principaux courants profonds, le Gulf Stream étant l’un des plus connus. Cette circulation dépend de la température, de la salinité (d’où son nom) mais aussi des vents et des marées. Le système océanique étant plus stable que le système atmosphérique, il est moins complexe à étudier mais sans pour autant être plus facile à prédire (Cattiaux, 2010). L’océan joue aussi un rôle important dans la redistribution d’énergie des tropiques vers les hautes latitudes. Les océans tropicaux sont bien plus chauds que les océans extratropicaux. Ainsi, la chaleur est transportée beaucoup plus lentement par l’océan que par l’atmosphère : on parle de l’inertie thermique des océans. La figure 2.5a montre la distribution annuelle des températures de surface de la mer (SST) globales. On observe le réchauffement plus marqué dans les régions tropicales que dans les moyennes et hautes latitudes. De plus, au niveau des tropiques, les océans sont plus chauds au niveau des bords ouest qu’au niveau des bords est. Cette structure spatiale est largement expliquée par la circulation de surface, principalement contrôlée par les vents qui expliquent la présence de remontée d’eau froide (appelée upwelling en Anglais) sur les bords est des océans. La CTH de grande échelle est donc responsable d’un transport de chaleur important (Fig. 2.5b). Le transport est différent suivant le bassin océanique (Trenberth et al., 2001).

37

Chapitre 2 Circulation atmosphérique et modèles climatiques

Fig. 2.5 (a) Climatologie annuelle de la température de surface de la mer (SST, Sea Surface Temperature en °C) calculée dans le jeu de données ERSST3. (b) Schéma de la circulation thermohaline (tiré de https://global.britannica.com/science/thermohaline-circulation)

La CTH est caractérisée, dans l’Atlantique, par un transport vers le nord des eaux chaudes et salées de surface. Dans les régions du nord de l’Atlantique, ces eaux sont très denses et plongent vers les couches plus profondes de l’océan. En effet, les flux d’énergie solaire reçus par les eaux des océans sous les latitudes tropicales provoquent le réchauffement des eaux de surface. Pour évacuer ces apports excessifs en énergie, les masses d’eau réchauffées se déplacent sous l’effet des vents vers les régions plus froides du Nord de l’Atlantique. C’est ainsi que les courants océaniques de surface s’organisent en charriant d’importantes quantités d’énergie. Parallèlement à ces courants de surface, il existe la circulation thermohaline. Les eaux froides et salées de l’Atlantique Nord, en raison de leur densité, plongent vers les fonds de l’océan et vont y circuler lentement, de l’Atlantique à l’océan Indien et au Pacifique, au cours d’un cycle évalué à environ un millier d’années. En fin de parcours, elles vont se réchauffer et remonter à la surface pour se mêler aux eaux plus chaudes qui circulent à l’étage supérieur. Ces différents mouvements forment un cycle qui influe sur quantité de paramètres climatiques et maintient la température du globe. Il est important de souligner que la différence entre les temps de réponse très longs au niveau des océans comparativement à ceux des continents, peuvent conduire à des anomalies climatiques prolongées (Sighomnou, 2004). Une nouvelle étude montre en effet que la circulation atmosphérique de l’hémisphère Sud est altérée par le changement climatique. Les événements El Niño n’ont plus le même impact sur les vents, l’augmentation de la température globale est le paramètre le plus influent (Wenju et al., 2018).

2.2.3. La circulation de la mer Méditerranée En conséquence de sa situation géographique (bassin semi-fermé), la mer Méditerranée possède sa propre circulation thermohaline. Cette circulation est principalement contrôlée par le gradient de

38

Chapitre 2 Circulation atmosphérique et modèles climatiques densité entre l’Océan Atlantique et la Mer Méditerranée. Durant leur périple à travers le bassin Méditerranéen, les eaux Atlantiques deviennent plus denses sous l’influence du forçage atmosphérique. Ces modifications conduisent à la formation d’eaux profondes et intermédiaires qui alimentent à leur tour la branche froide de la CTH (Fig. 2.6). Associées à cette branche principale zonale, il existe deux sous-branches de circulation mais cette fois méridiennes : l’une dans le bassin Ouest et l’autre dans le bassin Est. Ces sous-branches n’ont pas une moindre importance car elles sont alimentées par la formation d’eau profonde. Suivant le schéma classique, trois masses d’eau sont formées en Méditerranée (Fig. 2.6): l’eau Levantine intermédiaire ou Levantine Intermediate Water (LIW), l’eau Adriatique profonde ou Adriatic Deep Water (ADW) qui se transforme ensuite en eau profonde de Méditerranée Est ou Eastern Mediterranean Deep Water (EMDW) durant son transfert vers le fond du bassin Ionien, et enfin l’eau profonde de Méditerranée ouest ou Western Mediterranean Deep Water (WMDW) (Bozec, 2006). Nous voyons ainsi que la convection océanique dépend fortement du forçage atmosphérique et de sa variabilité.

Fig. 2.6 Carte de la Mer Méditerranée ainsi que ses sous-bassins. Les flèches marquent les couloirs de vent. Elle présente une extension longitudinale d’environ 4000 km sur une extension latitudinale de 800 km et s’étend d’environ 7W à 37 E en longitude et de 29N à 46 en latitude.

Du point de vue climatique, la région méditerranéenne constitue une zone de transition entre les climats semi-arides (le sud du bassin) et les climats tempères (le nord du bassin), sous l’influence des circulation synoptique des latitudes moyennes et de la variabilité climatique tropicale, particulièrement durant la période hivernale (Xoplaki et al., 2002 ; Trigo et al., 2004). Le sud du bassin méditerranéen est sous l’influence de la partie descendante de la cellule de Hadley associée à l’anticyclone des Açores et l’est du bassin est sous l’influence de tel connections avec l’oscillation sud d’El Nino (ENSO) et la mousson asiatique (Mariotti et al., 2002). Les climats de l’Afrique du Nord dépendent de l’oscillation nord atlantique (IPCC, 2007).

39

Chapitre 2 Circulation atmosphérique et modèles climatiques

En conclusion, les précipitations totales ont connu des variations importantes. Un réchauffement et une baisse des précipitations sont observés depuis la moitié des années 1970 à l’échelle du globe et à l’échelle régionale « Méditerranée ». La circulation atmosphérique générale joue un rôle déterminant dans la variation du climat méditerranéen qui se trouve plus influencé par l’Oscillation Nord Atlantique (NAO).

2.3. Modélisation du climat La modélisation du climat est accomplie avec des modèles mathématiques déterministes des processus atmosphériques et océaniques qui déterminent l’évolution du climat dans chaque zone géographique de la planète. Les modèles climatiques ont l’objectif de décrire le comportement du climat grâce à un certain nombre d’équations (par exemple: équations dynamiques, thermodynamiques, conservation de la mase…). De plus en plus on parle de modèles couplés car on ne traite plus les compartiments de manière séparée, au contraire ceux-ci interagissent entre eux (Fig. 2.7).

Fig. 2.7 Représentation simplifiée des composantes du système climatique, de leurs processus et des interactions à partir desquels les GCM sont construits. Source: IPCC, 2007b. http://sciences.e- noria.fr/CLIMAT-DU-PASSE-QUELS,199.html

Le problème associé aux GCMs est que le temps du calcul nécessaire pour résoudre les équations est très grand. Pour cette raison la division de l’atmosphère en mailles assez grossières est nécessaire. Plus la taille de la maille est petite, plus la résolution du modèle climatique est plus haute. L’idée est donc la discrétisation de l’atmosphère en petits volumes (Fig. 2.8). Dans ces volumes les variables d’intérêt prennent la même valeur, en conséquence la solution du système dépendra des interactions et relations entre les cellules adjacentes et de son évolution en cours du temps (Lezaun, 2006).

40

Chapitre 2 Circulation atmosphérique et modèles climatiques

Fig. 2.8 Construction d’un modèle climatique. Source: http://climatevolution.free.fr/i2.html

Dans le but d’étudier le fonctionnement complexe de ce système climatique, la communauté scientifique procède depuis plusieurs décennies à la modélisation climatique permettant de simuler numériquement le climat. L’objectif d’une telle démarche est de reproduire, le plus fidèlement possible, l’évolution ou l’état climatique. De nombreuses études ont été menées, à l’aide de modèles de circulation générale de l’atmosphère en mode non couplé (Mahfouf et al., 1993 ; Déqué et al., 1994 et Michalon et al., 1999), de modèles en mode couplé atmosphère – océan (Terray et al., 1995 ; Guilyardi and Madec ,1997), pour évaluer les incidences climatiques de telles modifications de la composition de l’atmosphère et de son équilibre radiatif (Le Treut et al., 1998 ; Barthelet et al., 1998) et plus récemment, les modèles régionaux (Somot et al., 2008 ; Navarra and Tubiana,2013). Les modèles globaux couvrent l’ensemble du globe avec une faible résolution spatiale (150-250 km) et représentent tous les facteurs qui influencent le climat. L’éventail des scenarios produits par ces modèles donne une idée du spectre des incertitudes liées aux projections climatiques. Les modèles régionaux couvrent une partie seulement du globe et ont une plus haute résolution (50-20 km) sur la zone étudiée. La simulation des processus physiques (reliefs, contraste terre-mer, iles) leur permet d’obtenir une représentation fine du climat. Les modèles climatiques sont des outils de prédilection utilisés par les chercheurs pour comprendre, attribuer les variations climatiques du passé et faire des projections sur l’avenir. Les changements dans les précipitations mondiales, d'autre part, sont moins bien reproduit dans les simulations (Zhang et al., 2007 ; Noake et al., 2012 ; Polson et al., 2013). Une des premières tentatives de modéliser ainsi le système climatique est régulièrement citée dans tous les ouvrages sur la recherche climatique : c’est celle de l’anglais Lewis Fry Richardson, publiée en 1922.

41

Chapitre 2 Circulation atmosphérique et modèles climatiques

La première étape du travail de modélisation consiste à couvrir la Terre d’un maillage tridimensionnel. On écrit alors, aux nœuds de ce maillage, des équations d’évolution qui permettent, d’un pas de temps à l’autre, de faire varier des paramètres tels que la pression, la température, les vents ou les courants. Le « pas d’espace » des modèles (la résolution spatiale) a évolué au fil du temps : pour les modèles atmosphériques, il est passé de 500 km environ, dans les années 1970 ou 1980, à souvent moins de 100 km aujourd’hui. Les modèles d’océan ont souvent besoin d’un maillage plus fin (désormais de l’ordre de la dizaine de kilomètres) car la taille des tourbillons océaniques est plus faible que celle des grands systèmes dépressionnaires ou anticycloniques que l’on trouve dans l’atmosphère (Le Treut, 2014). Cette approche permet ainsi de faire vivre une « planète numérique » : si on lui donne un état initial, cette planète va évoluer d’elle-même en suivant ses lois constitutives, et va créer son propre climat. La formulation des modèles climatiques suit des règles précises : elle s’appuie sur des choix mathématiques ou physiques, très nombreux, qui sont souvent étayés par des campagnes de mesures. Le développement de la modélisation a été accompagné d’un effort international d’évaluation. Chaque groupe de modélisation participe ainsi à un protocole expérimental défini de manière internationale (expériences « CMIP2 » du Programme Mondial de Recherche sur le Climat), et les résultats de chaque modèle sont confrontés à la réalité par des groupes de recherche très nombreux (près d’un millier) qui ne font pas un travail de modélisation mais d’analyse des modèles, pour une région du monde ou pour un processus ciblé. Jusqu’à présent, il n’a jamais été possible de trouver un modèle universellement meilleur ou universellement moins bon que les autres : c’est très souvent la moyenne des modèles qui fournit le résultat le plus réaliste. Pour l’évaluation du climat futur, il n’existe pas de référence observée et c’est la dispersion des modèles qui fournit une estimation des incertitudes affectant le diagnostic scientifique actuel (Le Treut, 2014).

2.3.1. Modèles climatiques et scénarios d’évolution du climat Les Modèles Climatiques Généraux (MCGs), basés sur des modèles de circulation générale couplés atmosphère-océan, fournissent une représentation de l'ensemble du système climatique. Ils présentent des outils de recherche pour l'étude et la simulation du climat, ainsi que pour les prévisions climatiques journalières, mensuelles, saisonnières et interannuelles (IPCC, 2013). Plusieurs MCGs sont actuellement utilisés pour simuler la sensibilité climatique à l'augmentation de la concentration du dioxyde de carbone et d'autres paramètres importants (Zhang et al., 2005). Ces simulations peuvent fournir des données réalistes sur le climat (IPCC, 2013). Des études antérieures ont utilisé les MCGs

42

Chapitre 2 Circulation atmosphérique et modèles climatiques pour la simulation des températures et des précipitations à différentes échelles spatiales et temporelles (Wilby, 2005 ; Wilby, 2007 ; Zhang et al., 2010). Les variations du régime des précipitations, à savoir la quantité de pluie par événement, l'intensité, la fréquence et la saisonnalité des précipitations, peuvent contrôler l'érosion du sol (Pruski and Nearing, 2002) et amener une hausse de la perte en sol (Sauerborn et al., 1999). En 2007, le GIEC a conclu que l'homme contribue à l’augmentation de l’occurrence des événements extrêmes (inondations et sécheresses). Les projections climatiques sont basées sur des modèles climatiques et répondent à divers scénarios d’émissions de gaz à effet de serre, ou de scénarios de forçage radiatif (RF), basés sur des hypothèses concernant l’évolution socioéconomique et technologique à venir. Or, ces hypothèses pouvant se réaliser ou non, les projections sont donc sujettes à une forte incertitude (Agence européenne pour l’environnement, 2012).

2.3.2. Prévisions pour le 21èmesiècle (SRES ou Special Report on Emission Scenarios) Dans la précédente section, nous avons fait un état des lieux du changement climatique observé. Afin de voir les conséquences de celui-ci sur les prochaines décennies, des simulations ont été réalisées à partir de plusieurs modèles et scénarios d'émissions de GES. La prise en compte de plusieurs simulations permet d'avoir une meilleure visibilité de ce que pourrait être notre climat dans l'avenir. Plusieurs scénarios d’émissions de gaz à effet de serre sont proposés par l’IPCC à partir de prospectives socio-économiques de développement (Fig. 2.9).

Fig. 2.9 Illustration schématique des canevas SRES et familles de scénarios (IPCC, 2013)

43

Chapitre 2 Circulation atmosphérique et modèles climatiques

La figure 2.9 montre les quatre canevas qualitatifs produisant quatre ensembles de scénarios, appelés "familles": A1, A2, B1 et B2. Au total 40 scénarios SRES ont été élaborés par six équipes de modélisation. Tous sont également valides, sans probabilités de concrétisation attribuées. L'ensemble de scénarios comprend six groupes de scénarios découlant des quatre familles: un groupe pour chacune des familles A2, B1 et B2 et trois groupes pour la famille A1, caractérisant des évolutions respectives des technologies énergétiques: A1FI (intensité de combustibles fossiles), A1B (équilibre) et A1T (prédominance des combustibles non fossiles). Parmi les familles et groupes de scénarios, certains partagent des hypothèses "harmonisées" pour la population mondiale, le produit mondial brut et l'énergie finale. Ils portent l'indication SH, pour "scénario harmonisé". L'indication SO dénote des scénarios qui envisagent des incertitudes dans les forces motrices au-delà de celles des scénarios harmonisés. Pour chacun des six groupes de scénarios un scénario d'illustration (toujours harmonisé) est fourni. Quatre scénarios d'illustration "marqueurs", un pour chaque famille, utilisés sous une forme provisoire dans le processus ouvert SRES 1998, ont été inclus sous une forme révisée dans le présent rapport. Deux scénarios d'illustration supplémentaires pour les groupes A1FI et A1T sont également fournis et complètent un ensemble de six qui illustre tous les groupes de scénarios. Tous sont également fiables (Anterives, 2002). Le canevas et la famille de scénarios A1 décrivent un monde futur dans lequel la croissance économique sera très rapide, la population mondiale atteindra un maximum au milieu du siècle pour décliner ensuite et de nouvelles technologies plus efficaces seront introduites rapidement. Les principaux thèmes sous-jacents sont la convergence entre régions, le renforcement des capacités et des interactions culturelles et sociales accrues, avec une réduction substantielle des différences régionales dans le revenu par habitant. La famille de scénarios A1 se scinde en trois groupes qui décrivent des directions possibles de l'évolution technologique dans le système énergétique. Les trois groupes A1 se distinguent par leur accent technologique : forte intensité de combustibles fossiles (A1FI), sources d'énergie autres que fossiles (A1T) et équilibre entre les sources (A1B). Il existe une vaste gamme de modèles globaux produits et reconnus à travers le monde, ceux sont des outils de simulation consistants qui donnent une bonne appréciation des tendances générales du climat futur. Cependant, ils sont beaucoup moins appropriés lorsqu'il s'agit de raffiner les résultats vers une région précise. Ces modèles ne comprennent pas de maillages assez petits pour représenter convenablement, par exemple, un bassin versant. Les modèles climatiques utilisent des scénarios de l’évolution future des agents de forçage (tels les gaz à effet de serre et les aérosols) pour établir un ensemble de projections décrivant ce qui pourrait se produire à l’avenir en matière de changement climatique. Les sorties des MCGs sont des chroniques simulées des paramètres climatiques (température, précipitation, etc.) Les données de sorties des MCG sont à utiliser avec précaution.

44

Chapitre 2 Circulation atmosphérique et modèles climatiques

Plusieurs approximations dans la modélisation du système climatique expliquent la grande incertitude des résultats et l'écart entre la simulation et le climat réel (Anterives, 2002). Le Tableau 2.1 montre la liste des modèles de circulation atmosphérique ayant une collaboration avec le GIEC (IPCC, 2013).

Tableau 2.1 Les quatre familles de scénarios du quatrième rapport et les prévisions des hausses de températures globales moyennes en 2100 (IPCC, 2001) AR4 Objectifs plus économiques Objectifs plus environnementaux Globalisation A1 B1 (Monde homogène) Croissance économique rapide (trois groupes: Durabilité environnementale globale A1T/A1B/A1Fl) 1.4 - 6.4 °C 1.1 - 2.9 °C Régionalisation A2 B2 (Monde hétérogène) Développement économique avec une orientation Durabilité environnementale locale régionale 2.0 - 5.4 °C 1.4 - 3.8 °C

 Le scénario A1 : décrit un monde futur dans lequel la croissance économique sera très rapide. La population mondiale culminera à 9 milliards d'individus en 2050 puis déclinera à 7 milliards en 2100. De nouvelles technologies puissantes seront introduites. Cette famille se distingue par 3 variantes en matière de d’énergie : A1F1 (énergies fossiles), A1T (énergies intensives non fossiles) et A1B (modération dans les sources)  Le scénario A2 : appelé aussi pessimiste, il décrit un monde futur très hétérogène. Une démographie mondiale atteindra 15 milliards d'habitants en 2100. Le développement économique aura une orientation régionale. La croissance économique par habitant et l'évolution technologique sont plus lentes et plus fragmentées que dans les autres scénarios.  Le scénario B1 décrit un monde où l'évolution démographique sera la même que celle prévue dans le scénario A1. Les structures évoluent vers une économie de services et d'information. Des technologies propres, utilisant les ressources de manière efficiente, sont introduites. Les problèmes économiques, sociaux et environnementaux constitueront un point important pour les politiques, mais il n'y a pas d'initiatives supplémentaires par rapport à aujourd'hui en matière climatique.  Le scénario B2 : dit optimiste, il décrit un monde où la population mondiale s'accroîtra de manière continue, à un rythme plus faible que pour le scénario A2, pour atteindre 10 milliards d'individus en 2100. Le développement économique et l'évolution technologique sont moins rapides et plus inégaux que pour les scénarii A1 et B1. Ce scénario s'oriente vers la protection de l'environnement et l'équité sociale, mais à un niveau régional.

Les scientifiques travaillent sur six (06) scénarios (Fig. 2.10) décrivant les évolutions d'émissions des GES jusqu'en 2100 selon diverses hypothèses.

45

Chapitre 2 Circulation atmosphérique et modèles climatiques

Fig. 2.10 Emissions mondiales de GES (en Gt équiv.-CO2). Les GES sont le CO2, le CH4, le NO2 et gaz fluorés. Source (IPCC, 2007)

2.4. Les nouveaux scénarios Ces modèles de projections simulent les changements sur base d’une variété de scénarios concernant les forçages naturels et anthropogéniques.

2.4.1. Representative Concentration Pathways (Trajectoires représentatives de concentration) « RCP » Les RCP sont des scénarios de l'évolution des concentration de GES (CO2, CH4, N2O, …), d’aérosol et de gaz chimiquement actifs, dans l’atmosphère sur la période 2006-2100, avec une extrapolation jusqu’à 2300. Au nombre de quatre, pour éviter la tentation de désigner un scénario médian, ils ont été sélectionnés par les scientifiques sur la base de 300 scénarios publiés dans la littérature. L’AR5 (IPCC, 2013) propose une série de nouveaux scénarios, appelés RCP « Representative Concentration Pathways » qui remplacent les scénarios du SRES (Special Report on Emissions Scenarios). Les RCP (Tableau 2.2) consistent en un ensemble de projections des composantes du forçage radiatif(RF) causés par les changements de la composition de l’atmosphère.

Tableau 2.2 Les nouveaux scénarios RCP (IPCC, 2013) Impact sur la RCP RF Concentration (ppm) température Pic ~490 eq-Co avant 2100 puis Pic à ~3Wm-2 avant 2100 2 RCP 2.6 déclin 0,3 °C à 1,7 °C puis déclin ~4,5Wm-2 au niveau ~660 eq-Co au niveau RCP 4.5 2 1,1 °C à 2,6 °C de stabilisation après 2100 de stabilisation après 2100 -2 ~6Wm au niveau ~850 eq-Co2 au niveau RCP 6.0 1,4 °C à 3,1 °C de stabilisation après 2100 de stabilisation après 2100 -2 RCP 8.5 >8,5Wm en 2100 >1370 eq-Co2 en 2100 2,6 °C à 4,8 °C

46

Chapitre 2 Circulation atmosphérique et modèles climatiques

Il s’agit de scénarios de trajectoires possibles qui peuvent résulter de divers scénarios de développement socio-économiques et technologique (Fig. 2.11) (IPCC, 2013).

Fig. 2.11 Caractéristiques des 4 RCP (IPCC, 2013)

Chacun de ces quatre scénarios RCP est étiqueté en fonction du forçage radiatif (RF) qu’il atteint en 2100 : 2.6 W/m2, 4.5 W/m2, 6 W/m2 et 8.5 W/m2 (Fig. 2.12). Le mot « représentatives » signifie que chaque RCP fournit seulement un scénario parmi l’ensemble des scénarios possibles qui conduiraient à une caractéristique donnée en termes de forçage radiatif. Le mot « trajectoire » met l’accent sur le fait que ce n’est pas uniquement les niveaux de forçage radiatif sur le long terme qui sont importants, mais aussi le chemin emprunté pour les atteindre.

Fig. 2.12 Les quatre RCP, évolution du forçage radiatif et comparaison avec les SRES.

Les quatre RCP ont été sélectionnés de façon à couvrir une palette aussi large que possible des trajectoires futures de forçage radiatif (RF) envisageables. Le RCP 8.5, le plus pessimiste (pour le changement climatique), n'est dépassé que par environ 10% des scénarios publiés dans la littérature. Il est légèrement au-dessus de la trajectoire de forçage radiatif correspondant au scénario marqueur A2 des SRES. Les RCP 6 et 4.5 sont proches des scénarios marqueurs A1B et B1 des SRES respectivement. Le RCP 2.6, le plus favorable pour le changement climatique, n’a pas d’équivalent dans les SRES et ne dépasse que près de 10% des scénarios publiés dans la littérature.

47

Chapitre 2 Circulation atmosphérique et modèles climatiques

2.4.1.1. Projections à court terme (2016-2035) On parle de projections et non de prédictions, car il s’agit de grande tendance pour les années à venir, alors que des prévisions sont mises dans un cadre temporel plus ou moins précis. Voici les grandes tendances prévues pour les 20 prochaines années. Les fourchettes dépendent du RCP choisi.  Réchauffement global de 0.4 à 1.0°C avec une plus grande probabilité d’être proche de la limite inférieure.  Accroissement des précipitations dans les régions actuellement humides et décroissance dans les régions actuellement sèches.  Augmentation très significative du nombre de jours et nuits chaudes, diminution de la fréquence des jours et nuits froides ; accroissement de la fréquence des canicules.  Augmentation des fortes pluies à l’échelle globale et aussi aux hautes latitudes ; les changements régionaux seront affectés par les émissions d’aérosols, éruptions volcaniques et changement d’usage des sols.

2.4.1.2. Projections à long terme (2016-2100)  Réchauffement global (basé sur un ensemble de modèles) de 0.2°-1.8°C (RCP2.6) à 2.6°C- 4.8°C (RCP8.5) ; l’Arctique va se réchauffer beaucoup plus rapidement (très certainement).  Même si on attend beaucoup plus d’extrêmes chauds, on pourra encore connaitre des extrêmes froids ; vraisemblablement, les maxima de températures (période de retour de 20 ans) vont doubler leurs fréquences dans beaucoup de régions.  Les changements dans les précipitations ne seront pas uniformes : les hautes latitudes expérimenteront très vraisemblablement plus de précipitations, les régions actuellement arides dans les latitudes moyennes recevront vraisemblablement moins de précipitations, tandis que les régions actuellement humides recevront plus de précipitations. Les régions méditerranéennes deviendront plus sèches.  Il est très vraisemblable que la glace de mer arctique continuera à diminuer en extension et épaisseur au cours du 21ème siècle. Il y a une très grande confiance qu’un accroissement de température globale supérieur à 2°C par rapport à l’actuelle conduira éventuellement à un océan arctique libre de glace à la fin de l’été.  La couverture de neige diminuera très vraisemblablement de 7% à 25% selon le RCP ; le pergélisol décroîtra entre 37% et 81%  L’élévation du niveau de la mer sera vraisemblablement dans la fourchette 29-55 cm (RCP2.6) à 56-96 cm (RCP8.5) ; le niveau global des mers continuera à s’élever tant que la température globale s’élèvera mais restera en dessous de 1m en 2100 si la concentration du CO2

48

Chapitre 2 Circulation atmosphérique et modèles climatiques

(équivalents) reste en dessous de 500 ppm mais pourra s’élever jusque 3 m pour des concentrations au-dessus de 700 ppm.

2.4.1.3. Projections des pluies extrêmes Les événements extrêmes sont des réalisations de la queue de la distribution de probabilité des conditions météorologiques et de la variabilité du climat. Ceux sont des statistiques d'ordre supérieur et donc généralement plus difficile à représenter de façon réaliste dans les modèles climatiques rapportent (Flato et al., 2013). La figure 2.13a montre les projections, pour les scénarios RCP2.6, RCP4.5 et RCP8.5, de la variation, par rapport à 1986 - 2005, du nombre annuel d'épisodes quotidiens de précipitations au- dessus du 95èmepercentile (Fig. 2.13b) (Tomas, 2014).

Fig. 2.13 Changement dans les précipitations extrêmes a) Projections de la variation du nombre annuel d’épisodes quotidiens de précipitations au-dessus du 95ème percentile pour les scénarios RCP2.6, RCP4.5 et RCP8.5 (1986-2005). Modifié de Sillmann et al. (2013) et Kirtman et al. (2013) b) Variation projetée pour la fin du 21ème siècle d’une précipitation quotidienne maximum annuel se produisant tous les 20 ans à la fin du 20ème siècle pour un réchauffement local de 1°C. Modifié de Collins et al. (2013)

Les projections mondiales confirment une tendance nette de l'augmentation des épisodes de fortes précipitations, mais il existe des variations importantes entre les régions (Sillmann et al., 2013). Cette variabilité est en outre fortement affectée par la variabilité interne (phénomène El Niño), le forçage volcanique et les émissions anthropiques d'aérosols (Hartmann et al.,2013). Les modèles généraux ont des difficultés à représenter ces variations, en particulier dans les régions tropicales (Flato et al., 2013) pour l'évaluation des modèles climatiques. La fréquence et l'intensité des épisodes de fortes précipitations vont probablement augmenter dans de nombreuses régions à court terme, mais cette tendance ne sera pas visible dans toutes les régions, en raison de la variabilité naturelle. Les changements projetés pour la fin du 21èmesiècle tendent vers une augmentation de la température de 1°C localement dans la période de retour d'une précipitation quotidienne maximum

49

Chapitre 2 Circulation atmosphérique et modèles climatiques annuelle se produisant une fois tous les 20 ans à la fin du 20ème siècle à partir des scénarios RCP. Globalement, pour tous les scénarios, la valeur médiane de retour est en hausse de 5,3% au niveau mondial, mais il existe de grandes variations à l'échelle régionale (Collins et al., 2013).

2.5. Conclusion

La circulation atmosphérique générale joue un rôle déterminant dans la variation du climat méditerranéen qui se trouve plus influencé par l’Oscillation Nord Atlantique (NAO).

50

CHAPITRE III

SERIES TEMPORELLES ET METHODES DE DETECTION DES TENDANCES

Chapitre 3 Séries temporelles et méthodes de détection des tendances

III- Chapitre 3 : Séries temporelles et méthodes de détection des tendances

3.1. Séries temporelles

Une série temporelle ou chronologique (Chronique) est une succession d'observations x1, x2,...., xn) indexées par le temps. L'indice temps peut être selon les cas : la minute, l'heure, le jour, l'année etc. Le nombre n est appelé la longueur de la série (Fiordaliso, 1999). La théorie des séries chronologiques (ou temporelles) abordée dans cette thèse est appliquée aux pluies extrêmes dans le bassin de la Macta. On s’intéresse à l’évolution au cours du temps d’un phénomène, dans le but de décrire, expliquer puis prévoir ce phénomène dans le futur. On dispose ainsi d’observations à des dates différentes, c’est-à-dire d’une suite de valeurs numériques indicées par le temps (Bensaber, 1989). Prévoir l’évolution d’un évènement météorologique, telle que les pluies extrêmes, faire des prévisions météorologiques à partir des relevés temporels de grandeurs climatiques, est un domaine parmi d’autres qui nécessitent des techniques et des outils robustes pour le traitement et la prévision de séries temporelles. Lorsqu’une série est stable autour de sa moyenne, on parle de série stationnaire. Inversement, on trouve aussi des séries non stationnaires. Lorsqu’une série croit ou décroit sur l’ensemble de l’échantillon et donc possède une moyenne qui n’est pas constante, on parle de tendance. Enfin lorsqu’on observe des phénomènes qui se reproduisent à des périodes régulières, on parle de phénomène saisonnier ou cyclique.

3.2. Composantes d’une série temporelle Une série temporelle ou chronologique se compose de quatre (04) composantes fondamentales (Bensaber, 1989) :

3.2.1. Tendance (Trend) (Tt) C’est la résultante de l’évolution générale du phénomène dont les mesures dans le temps constituent la série chronologique au cours d’une longue période. La tendance ne maintient pas toujours sa monotonie, mais elle peut présenter certaines hétérogénéités dans le temps. Elle traduit le comportement « moyen » de la série. La tendance peut être : croissante, décroissante ou stationnaire (sans tendance).

3.2.1.1. Formes de la tendance La tendance peut se présenter sous plusieurs formes :

52

Chapitre 3 Séries temporelles et méthodes de détection des tendances

3.2.1.1.1. Tendance polynomiale Cette forme s’écrit de la façon suivante : m i Tt  a0  ai t i1 (3.1)

Tt: Tendance au moment t ; t : Indice du temps. Une année par exemple ; i et m : Degré du polynôme

Les coefficients a0 sont estimés par la méthode des moindres carrés (Benzater, 1992).

3.2.1.1.2. Tendance exponentielle Elle a la forme suivante : bt Tt  ae (3.2)

3.2.1.1.3. Tendance exponentielle à saturation Cette tendance est croissante et elle tend vers a pour des grandes valeurs de t.

bt (3.3) Tt  a ce

3.2.1.1.4. Tendance logistique Cette tendance est définie par la relation suivante : 1 T  (3.4) t a  c  ebt a, b et c sont des constantes.

Cette fonction est croissante, mais l’accroissement marginal n’est pas monotone. Elle s’élève jusqu’au pic puis elle diminue. Pour trouver la forme de la tendance, deux (02) méthodes peuvent être utilisées : méthode des moyennes mobiles (MMM) et la méthode des moindres carrés.

3.2.2. Variations saisonnières (ou saisonnalité) (Vs) Nous appelons variations saisonnières les variations dues à des facteurs exogènes qui apparaissent d’une façon régulière (Bensaber, 1989). Généralement, dans une série pluviométrique, il existe quatre (04) saisons durant l’année : l’hiver, le printemps, l’été et l’automne. Chaque saison dure trois (03) mois. Pour l’analyse des séries mensuelles des pluies journalières, les variations saisonnières s’apparaissent, mais lorsque nous travaillons surs des séries annuelles, la saisonnalité disparaisse (Bensaber, 1989).

53

Chapitre 3 Séries temporelles et méthodes de détection des tendances

3.2.3. Variations cycliques (Vc) Souvent en climatologie, il s’agit d’un phénomène se répétant mais contrairement à la saisonnalité sur des durées qui ne sont pas fixes et généralement plus longues. Sans informations spécifiques, il est généralement très difficile de dissocier tendance et cycle. La composante cyclique, correspondant aux phénomènes accidentels, sera intégrée aux fluctuations irrégulières de la série et la composante tendance regroupera à la fois la tendance et le cycle.

3.2.4. Variations résiduelles ou accidentelles (Va) Ce sont des variations accidentelles (bruit blanc ou résidu, en anglais : noise) correspond à des fluctuations irrégulières, en général de faible intensité mais de nature aléatoire et qui échappent à toute prévision. On parle aussi d’aléas (imprévus). Il y a comme une sorte de bruit de faible amplitude qui perturbe les données. Ces variations peuvent modifier la série chronologique (Benzater, 1992).

3.3. Modèles de séries temporelles Nous entendons par modèle, la manière par laquelle la série temporelle est formée par ses quatre composantes (tendance, variation saisonnière, variation cyclique et variation accidentelle). Généralement, il existe trois (03) modèles généraux de représentation d’une série temporelle :

3.3.1. Modèle additif Dans ce modèle, les différentes composantes que nous avons citées ci-dessus s’additionnent pour former la série chronologique de la façon suivante : (3.5) X t  Tt Vs Vc Va Xt : la série chronologique ;

Tt : Tendance (Trend) ;

Vs : Variation saisonnière ;

Vc : Variation cyclique ;

Va : Variation accidentelle.

La détermination de ce modèle est simple lorsque les variations saisonnières sont stationnaires, c’est-à-dire qu’elles n’évoluent pas dans le temps. Dans le cas contraire, elle est complexe (Bensaber, 1989). Dans ce type de modèle (Fig. 3.1), les précipitations s’évoluent avec des amplitudes constantes (tendance croissante ou décroissante).

54

Chapitre 3 Séries temporelles et méthodes de détection des tendances

Fig. 3.1 Modèle additif. Amplitude constante autour de la tendance

3.3.2. Modèle multiplicatif Dans ce modèle, les variations saisonnières et les variations accidentelles ont un effet multiplicatif sur la série chronologique (Benzater, 1992).

X t  Tt Vs Vc Va (3.6) L’amplitude de la série n’est plus constante au cours du temps (Fig. 3.2.), elle varie au cours du temps proportionnellement à la tendance au bruit près.

Fig. 3.2 Modèle multiplicatif. Amplitude proportionnelle à la tendance

3.3.3. Modèle mixte C’est un modèle où nous trouvons les deux types précédents (addition et multiplication).

3.4. Méthodes de détection des tendances Une rupture peut-être définie par un changement dans la loi de probabilité des variables aléatoires dont les réalisations successives déterminent les séries chronologiques étudiées.

55

Chapitre 3 Séries temporelles et méthodes de détection des tendances

Les séries pluviométriques se caractérisent fréquemment par des effectifs faibles, et ne répondent que rarement aux conditions requises pour l’application de tests statistiques dont certains sont paramétriques. Les tests non paramétriques ne font pas d'hypothèse sur la nature de la distribution de probabilité de la variable définissant la série des observations (Elmeddahi, 2016). Pour mettre en évidence la tendance d’une série pluviométrique, il existe plusieurs méthodes : trois mesures de corrélation : Le tau (τ) de Mann-Kendall, rho (ρ) de Spearman et le coefficient (r) de Bravais-Pearson. Les deux premiers sont basés sur les rangs, et mesurent toutes les relations monotones. Elles sont également résistantes aux effets des valeurs aberrantes. Le coefficient r de Pearson, le plus couramment utilisé, est une mesure de corrélation linéaire, un type spécifique de corrélation monotone. D’autres méthodes utilisées : la méthode innovante de Şen (2012). Dans notre travail, le temps est la variable explicative.

3.4.1. Le Coefficient de corrélation (r) de Bravais-Pearson L’application de la méthode de régression linéaire suppose la normalité des distributions. Cela a été vérifié au niveau du chapitre 5 où nous avons présenté des courbes d’ajustement à la loi GEV. Dans une étude de tendance avec une loi linéaire, le test d'hypothèse le plus important est de savoir si le coefficient de corrélation (ou de pente) est significativement différent de zéro. Cette méthode est sensible à la présence de valeurs aberrantes (Helsel et al., 2002).Le coefficient de corrélation linéaire de Bravais-Pearson permet de détecter la présence ou l'absence d'une relation linéaire entre deux caractères quantitatifs continus. Dans ce qui suit, l’hypothèse d’une relation linéaire entre la pluviométrie et le temps a été supposée. La démarche scientifique pour calculer le coefficient de corrélation linéaire de Bravais-Pearson commence tout d'abord à calculer la covariance. La covariance est la moyenne du produit des écarts à la moyenne. L'objectif de la covariance est de quantifier la liaison entre deux variables X et Y, de manière à mettre en évidence le sens de la liaison et son intensité. La covariance est la moyenne du produit des écarts à la moyenne. Elle est calculée par l’équation (3.7) N

(X i  X )(Yi Y) Cov(x, y)  i1 (3.7) N L’équation (3.7) est un estimateur biaisé de la covariance. L'estimateur sans biais de la covariance s'écrit par conséquent : N (X  X )(Y Y)  i i Cov(X ,Y)  i1 N 1 (3.8) Le coefficient de corrélation linéaire de deux caractères X et Y (noté r) est égal à la covariance de X et Y divisée par le produit des écarts-types de X et Y (équation 3.9).

56

Chapitre 3 Séries temporelles et méthodes de détection des tendances

Cov(X ,Y) r(X ,Y)  (3.9)  x y

Ce coefficient varie entre -1 et +1. Son interprétation est la suivante :  si r est proche de 0, il n'y a pas de relation linéaire entre X et Y.  si r est proche de -1, il existe une forte relation linéaire négative entre X et Y.  si r est proche de 1, il existe une forte relation linéaire positive entre X et Y.

Le signe de r indique donc le sens de la relation tandis que la valeur absolue de r révèle l'intensité de la relation c'est-à-dire la capacité à prédire les valeurs de Y en fonctions de celles de X. La significativité des tendances détectées a été obtenue à deux (02) seuils de signification de α=5% et α=10 % par le test de Student selon Westmacott et Burn (1997) (Tableau 3.1) :

Tableau3.1 Classification des tendances selon Westmacott et Burn (1997)

Category Strong Increasing Trend Moderate Increasing Trend Non-Significant Trend Moderate Decreasing Trend Strong Decreasing Trend SIT MIT NST MDT SDT r r > 0 and α ≤ 0.05 r > 0 and 0.05 < α ≤ 0.10 α > 0.10 r < 0 and 0.05 < α ≤ 0.10 r < 0 and α ≤ 0.05

Dans le but de marquer la tendance de chaque station (pour un mois donné), nous avons utilisé les symboles SIT, MIT, NST, MDT et SDT adoptés dans la classification de Westmacott et Burn (1997):

. SDT : Strong Decreasing Trend (Tendance de forte décroissance) Tendance négative . MDT : Moderate Decreasing Trend (Tendance de décroissance modérée)

. NST: No Significant Trend (Pas de tendance significative) Tendance non significative . MIT : Moderate Increasing Trend (Tendance de croissance modérée) . SIT : Strong Increasing Trend (Tendance de forte croissance) Tendance positive

Notons que la catégorie de NST (pas de tendance significative) ne signifie pas qu’il n’y a pas de tendance, mais elle signifie qu’il existe une tendance (croissante ou décroissante) mais non significative, c’est-à-dire qu’elle n’a pas atteint le seuil de signification α= 10% selon le test de Student. Cette catégorie est la limite entre la variabilité naturelle (interne) et le changement climatique que nous cherchons (CCNUCC, 1992).

3.4.2. Le Test Tau (τ) de Mann-Kendall Une autre mesure de dépendance basée sur les rangs couramment utilisée est le tau de Kendall.

57

Chapitre 3 Séries temporelles et méthodes de détection des tendances

Le test non paramétrique de Mann-Kendall (MK) (Mann, 1945 et Kendall, 1975) a été utilisé pour déterminer les tendances monotones dans les séries hydrométéorologiques de distribution non normale (Hirsh et al., 1993; Yue et al., 2002; Fiala et al., 2010; Ouarda et al., 2014). Ce test permet de tester la stabilité de la moyenne et de la variance des séries hydrométéorologiques sur une période donnée. Il est basé sur les rangs (Helsel et al., 2002). Les tests de tendance ont été d'un vif intérêt dans les sciences de l'environnement au cours des 10-15 dernières années. Le Tau (τ) de Kendall (Kendall, 1938 et Kendall, 1975) mesure la force de la relation monotone entre x et y. Le calcul du Tau est une procédure basée sur les rangs et est donc résistant à l'effet des valeurs exceptionnelles. Le but du test de Kendall (MK) (Mann 1945, Kendall 1975, Gilbert, 1987) est d'évaluer statistiquement s'il y a une tendance monotone vers le haut ou vers le bas de la variable d'intérêt au fil du temps. Une tendance monotone croissante (décroissante) révèle que la variable augmente (diminue) régulièrement à travers le temps. La tendance peut ou ne peut pas être linéaire. Le test MK peut être utilisé à la place d'une analyse de régression linéaire paramétrique L'analyse de régression exige la normalité des résidus. Cette hypothèse n’est pas requise par le test MK, qui est, un test non- paramétrique (free distribution). Hirsch et al. (1982) indiquent que le test MK est mieux considérée comme une analyse exploratoire et est utilisée pour identifier les stations où les changements sont importants ou de grande ampleur et de quantifier ces résultats. Le calcul du Tau est facilité par le rangement des pairs de valeurs, par ordre croissant de la variable x. Si une corrélation positive existe, les augmentations des y seront plus souvent que leurs diminution, à mesure que x augmente. Pour une corrélation négative, les diminutions des y seront plus fréquentes que leurs augmentation. Si aucune corrélation existe, le nombre des augmentations des y sera à peu près le même que celui des diminutions.

Le test de Kendall essai de rejeter l’hypothèse nulle (H0 : aucune tendance monotonique) et accepter l’hypothèse alternative (H1: présence d’une tendance monotonique). Le test commence à calculer le nombre de pairs concordantes (P = nombre de (x, y) ou y augmente à raison que x augmente) et discordantes (M = nombre de (x,y) ou y diminue à raison que x augmente). Le S de Kendall est la différence entre P et M.

n! n(n 1) Nous avons C 2   (3.10) n 2!(n  2)! 2

Si tous les y augmentent quand les x augmentent, la valeur de S sera égale à n(n-1)/2, et donc le τ sera égale à +1. La situation inverse donnera un τ égale à -1.

58

Chapitre 3 Séries temporelles et méthodes de détection des tendances

Le coefficient de corrélation de Kendall (τ) est calculé selon la formule :

S   2 (3.11) Cn

Pour tester la significativité du τ, pour n ≤ 10,des tables des quantiles de Kendall offre des valeurs critiques ou des probabilités critiques. Pour des échantillons assez grands (n>10), la statistique du test peut être modifié pour être étroitement approximée par une distribution normale. L’erreur type pour le τ de Kendall (en supposant que l'hypothèse nulle que x et y sont indépendants) est calculée par la formule : 1 (2n  5) S  (3.12)  3 C 2 n La normalisation du τ se fait selon l’équation :

2  Cn Z   3 (3.13) S (2n  5)

L'hypothèse nulle est rejetée au niveau de signification α si |Z| >Zcrit où Zcrit est la valeur de la distribution normale standard selon le type du test (bilatéral ou unilatéral). Dans le cas où des ex-æquo existent, leurs différences seront égales à 0 (au lieu de + ou -). Ces différences ne contribuent ni à P ni à M. Le calcul du τ doit être modifié. Donc la formule (3.11) devient : S   2 2 (3.14) (Cn  nx )(Cn  ny )

Où nx est le nombre des ex-æquo dans la variable x et ny est le nombre des ex-æquo dans la variable y. Cette version de tau de Kendall est souvent appelée tau-b (τb) (au lieu de la version précédente qui est appelée tau-a).

3.4.3. Le Rho (ρ) de Spearman C’est un cas particulier du coefficient de Pearson, calculé à partir des transformations des variables originelles. Mais il présente l'avantage d'être non paramétrique. L'inférence statistique ne repose plus sur la normalité bi-variée du couple de variables (X; Y). En statistique, la corrélation de Spearman ou rho de Spearman, nommée d'après Charles Spearman et souvent notée par la lettre grecque ρ (rho) ou ρn. C’est une mesure de dépendance statistique non paramétrique entre deux variables (Caillat et al., 2008).

59

Chapitre 3 Séries temporelles et méthodes de détection des tendances

La corrélation de Spearman est étudiée lorsque deux variables statistiques semblent corrélées sans que la relation entre les deux variables soit de type affine. Elle consiste à trouver un coefficient de corrélation, non pas entre les valeurs prises par les deux variables mais entre les rangs de ces valeurs. Elle estime à quel point la relation entre deux variables peut être décrite par une fonction monotone. S'il n'y a pas de données répétées, une corrélation de Spearman parfaite de +1 ou -1 est obtenue quand l'une des variables est une fonction monotone parfaite de l'autre. Le coefficient de Spearman est approprié pour les variables continues et discrètes, y compris les variables ordinales. Le ρ de Spearman et τ de Kendall peuvent être formulés comme des cas particuliers d'un coefficient de corrélation plus générale (Lehman, 2005). L’objectif principal de cette méthode est de tester s’il existe une corrélation entre deux variables aléatoires en testant si, ou non, le ρ de Spearman=0 (l’hypothèse nulle). L'idée est de substituer aux valeurs observées leurs rangs. Nous créons donc deux nouvelles colonnes. La première, celles des Ri=Rang (xi), correspond au rang de l'observation xi dans la colonne des X; et celles des

Si=Rang(Yi). Le coefficient ρ de Spearman n’est que le coefficient de Pearson calculé sur les rangs (équation 3.15). n (Ri  R)(Si  S) (3.15) Cov(RXi , RYi ) i1 n   1,1  R  R 2 2 Xi Yi  i (Ri  R)  i (Si  S)

Le coefficient ρn de Spearman varie de -1 à +1 et prend les mêmes propriétés que le r de Bravais Pearson. Le calcul de ce coefficient est plus généralement effectué de la façon suivante :

12 n n 1   R S  3 n  i i (3.16) n(n 1)(n 1) i1 n 1

Si X et Y sont indépendants alors ρn≈ 0. Plus  n est proche de 1, plus la dépendance entre les deux variables est forte. Si ρn>0 (resp. ρn<0), alors la dépendance est dite positive (resp. négative).

On note également que sous l'hypothèse H0 : indépendance de X et Y, la distribution de ρn est proche d'une loi normale de moyenne 0 et de variance 1/(n-1). Nous pouvons alors rejeter H0 avec un risque α= 5% si :

n 1 n  Z / 2 1.96 (3.17) Le test de significativité, dans le cas des petits échantillons (n<10), utilise la table des valeurs critiques des ρ de Spearman. Cependant, lorsque n est de l’ordre de 20 à 30, le test de Student est utilisé en approximant selon l’équation 3.18.

60

Chapitre 3 Séries temporelles et méthodes de détection des tendances

 t  1  2 (3.18) n  2 Lorsque n>35, l’équation devient (Eq. 3.19) :

 U    n 1 1 n (3.19)  n 1 Les auteurs se divergent au sujet de la taille n pour utiliser une approximation. (Dodge et al., 2004) rapportent que l'approximation normale suffit dès que n>10; (Siegel et al., 1988), eux, rapportent qu'on peut s'appuyer sur l'approximation normale lorsque n est autour de 20 - 25. Lorsqu'il y a beaucoup d'ex-æquo dans les données, nous affectons les rangs moyens aux observations portant des valeurs identiques. Lors de la transformation des données en rangs, nous devons tenir compte des ex-æquo. Au départ nous affectons les rangs aux observations selon la procédure habituelle. Dans un deuxième temps, nous effectuons un nouveau passage sur les données, nous attribuons aux individus portant des valeurs identiques la moyenne des rangs associés. Si par exemple, deux valeurs identiques ont le même rang 9. Nous attribuons donc le rang moyen 9.5 « (9+10)/2 » aux deux valeurs.

3.4.4. Méthode innovante de Şen La quatrième est suggérée par Şen (2012), méthode simple et efficace. Elle permet de calculer la pente de l'évolution de la moyenne arithmétique de la différence entre la deuxième et la première moitié de la série. L’approche utilisée divise la série de données en deux parties. Les enregistrements dans chaque moitié sont classés par ordre croissant et sont ensuite représenté sur un graphique à deux axes. La logique est simple. Si ces deux parties ont le même ordre et la même amplitude de séquences de données, leurs points de dispersion seront autour de la ligne 1:1 (45°), qui représente une absence de tendance significative. Par contre tout point au-dessus (au-dessous) de cette ligne implique l’existence d’une tendance vers l’augmentation (diminution) (Fig. 3.3).

61

Chapitre 3 Séries temporelles et méthodes de détection des tendances

Fig. 3.3 Méthode innovante de Şen (Saplıoğlu, 2015)

Puisque la dispersion des points est de type non-paramétrique, le coefficient de corrélation n’est pas efficace dans cette recherche de tendance. Le modèle de la figure 3.3 possède toutes les alternatives possibles qui peuvent être obtenus comme types de tendance. La zone triangulaire supérieure (au-dessus de la ligne 1:1) est le domaine de la tendance croissante. Si tous les points de dispersion se trouvent dans cette zone, alors la série temporelle a une composante croissante. Au contraire, si les points de dispersion se situent dans la région triangulaire inférieure, une composante de tendance à la baisse existe dans la structure de la série chronologique. Cependant, la proximité des points de dispersion autour de la ligne droite 1:1 implique l’absence d’une tendance significative. Il est possible d'afficher le modèle de tendance innovant en trois parties : "faible", "moyenne" et "haute" comme le montre la figure 3.3. La sélection quantitative des limites de groupe diffère d'un endroit à un autre (Elouissi et al., 2016). La pente de la tendance est calculée selon l'équation 3.18 (Şen, 2014). (m  m ) S  2 1 (n / 2) (3.18) 3.5. Conclusion L’objectif principal est d’identifier la tendance de 41 séries de précipitations quotidiennes dans le bassin versant Macta. Pour des raisons relatives au volume important de cette thèse, nous nous sommes contentés à appliquer que trois (03) premières méthodes (r de Bravais-Pearson, Tau de Kendall et Rho de Spearman) présentées dans le chapitre 6.

62

CHAPITRE IV

RAPPELS THEORIQUES SUR LES LOIS DE PROBABILITES, LES OUTILS D’INVESTIGATION ET LES TESTS STATISTIQUES APPLIQUES AUX PLUIES EXTREMES

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilités, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

4.1. Littérature sur l’analyse statistique des pluies extrêmes Des mesures ont été effectuées pour étudier les phénomènes naturels, dans le but de les connaître pour éventuellement maîtriser certaines catastrophes naturelles. Parmi celles-ci, certaines sont imprévisibles. A défaut de prévoir longtemps à l’avance la date, on va chercher à déterminer, si cela est possible, l’ordre de grandeur de ce qui peut arriver. L’intérêt est d’essayer de prédéterminer des valeurs caractéristiques de ces variables. Dans le domaine de l’hydrologie, on a introduit la notion de hasard. Cette notion est définie par des « variables aléatoires », qui sont modélisées par des expressions mathématiques (ou modèles statistiques)dites « lois de probabilité ». Le travail de l’hydrologue est l’adoption d’un choix judicieux dans l’utilisation de ces lois de probabilités. Selon le type de variables étudiées, on a des lois de probabilités qui s’adaptent plus ou moins à la nature du phénomène (Djerboua, 2001). Ce qui nous intéresse dans notre travail, ce sont les valeurs extrêmes. Le choix des lois d’ajustement reste toujours un débat ouvert : plusieurs auteurs, ont mené des travaux de recherche dont l’objectif principal était bien de trouver une loi théorique qui peut montrer une bonne présentation de la fonction de distribution du processus étudié. Bernier (1956) préférait l’emploi de la loi de Fréchet et de Gumbel pour l’étude des débits de crue. Ferrer (1992) a montré que les résultats des trois méthodes (Valeurs extrêmes généralisées (GEV), la loi Log Pearson III (LP-3) et la loi des valeurs extrêmes de deux composantes (TCEV)), ne sont pas significativement différents (Boucefiane, 2017).

4.2. Théorie statistique des valeurs extrêmes La statistique classique s’intéresse essentiellement à la caractérisation de grandeurs « centrales» de la distribution d’une variable considérée. Le théorème de la limite centrale en est une illustration typique (Bacro, 2006) : lorsque le nombre d’échantillons de variables aléatoires (v.a.) indépendants et identiquement distribués (i.i.d.), est suffisamment grand, la loi de l’estimateur de la moyenne arithmétique sur l’échantillon peut être approchée par une loi normale, ceci indépendamment de la loi des v.a. considérées. Lorsque l’on s’intéresse à des caractéristiques « non-centrales », les grandeurs d’intérêt concernent les queues de distribution et la loi normale n’est plus adaptée. Un autre cadre théorique est donc nécessaire pour décrire les queues d’une distribution, c’est-à-dire ses extrêmes. La Théorie des Valeurs Extrêmes (EVT : Extreme Value Theory, en anglais) traite du comportement stochastique la queue supérieure ou inférieure de la distribution initiale des v.a. i.i.d. (Goubanova, 2007).

64

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

4.3. Historique de la théorie des valeurs extrêmes Dans ce chapitre nous présentons un aperçu relativement court de la théorie des valeurs extrêmes (EVT). Depuis 1920, plusieurs scientifiques essayent d’obtenir une théorie des valeurs extrêmes (EVT). Dans une des plus importantes études menées sur cette problématique, deux statisticiens britanniques, R.A. Fisher et L.H.C. Tippett, ont déduit la forme limite de la fonction de répartition des maxima de l’échantillon des variables aléatoires (Fisher et al., 1928). En 1943, un fondement rigoureux pour la EVT et un apport des conditions nécessaires et suffisantes, pour la convergence faible des statistiques d’ordre extrême, a été développé (Gnedenko, 1943). Beaucoup de contributions pratiques dans la EVT ont été faites par Gumbel qui a écrit en 1958 son ouvrage devenu classique « Statistical theory of extreme values and some practical applications ». Les développements théoriques ont donné lieu à de nombreuses applications dans des domaines les plus divers : la durée de vie humaine, les émissions radioactives, la résistance des matériaux, l’analyse sismique, etc. L’hydrologie est toutefois l’un des applications les plus importantes de l’EVT (Katz et al., 2002). Réciproquement, certaines idées venues de l’hydrologie ont contribué au développement méthodologique de la EVT. Il s’agit, avant tout, de la méthode des dépassements de seuil, qui améliore l’analyse des extrêmes en exploitant plus d’information sur les plus grandes valeurs de distribution (Todorovic et al., 1970). La théorie de la valeur extrême a été utilisée pour le développement des méthodes décrivant le comportement des valeurs extrêmes, c'est-à-dire les points les plus éloignés de la moyenne. La distribution généralisée de l'extrême valeur-GEV montre de grandes capacités descriptives et prédictives à capturer l'asymétrie et l'aplatissement communs aux données, sans toute contrainte a priori. Il est robuste pour estimer les quantiles de distribution et permettre de faire des prédictions sur le niveau de retour (Zalina et al., 2002 ; Alentorn et al., 2005 ; Mannshardt-Shamseldin et al., 2010). D’autre part, l’approche fréquentielle n’est pas la seule méthode proposée en hydrologie pour estimer les quantiles de pluies extrêmes, notamment lorsque les données observées sont peu nombreuses ou de mauvaise qualité. Une alternative est proposée avec des méthodes stochastiques : les estimations des distributions de pluies ou de débits reposent sur des simulations de très longues chroniques de pluie par un générateur de pluie, couple d’un modèle pluie-débit transformant des données de pluie en données de débit. Arnaud et al. (1998) ont montré, à partir d’observations sur une dizaine de postes pluviométriques du sud-est de la France, que la distribution simulée par le modèle Shypre est proche d’une distribution GEV non bornée supérieurement, et estime des quantiles de pluies plus forts qu’une estimation par une loi Gumbel. Ces résultats rejoignent donc ceux de (Wilks et al., 1993; Koutsoyiannis et al., 2000; Chaouche et al., 2002; Coles et al., 2003; Koutsoyiannis, 2004; Bacro et Chaouche, 2010).

65

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

4.4. Lois de probabilité Si nous disposons d’un ensemble de valeurs d’un phénomène, le hasard est défini comme la possibilité d’avoir la même chance de tirer une valeur quelconque parmi n valeurs d’un échantillon de la population, et qu’on peut construire tous les échantillons possibles avec la même chance. On définit le hasard comme un événement imprévisible, qu’on ne peut ajuster qu’à une loi de probabilité (Duband, 1997-1998). La population est un nombre infini de valeurs qui définissent le phénomène. Un sous-ensemble fini de n valeurs de la population constitue ce qu’on appelle un échantillon. Sur chaque population on peut définir une fonction de répartition F(x) qui varie sur un intervalle de [0,1]. Elle est définie par l’équation 4.1: ( ) ( ) (4.1) F(x) : est la probabilité de tirer aléatoirement une valeur X inférieur ou égale à la valeur x, appelée aussi la probabilité au non-dépassement. - F(x) = Prob(X>x) : est la probabilité au dépassement, c’est-à-dire, c’est la probabilité d’avoir une valeur X qui soit supérieure à la valeur x. On définit encore la probabilité d’avoir une valeur X voisine de x, par exemple comprise ente x et x+dx, pour dx petit, cette probabilité est le produit de la densité de probabilité f(x) par la longueur du segment de voisinage (Eq. 4.2): ( ) ( ) (4.2)

Dans la pratique, la fonction F(x) est estimée à partir d’échantillons limités en taille ; on dispose de plusieurs formules empiriques afin de présenter graphiquement la distribution de l’échantillon. Ces formules aident à calculer la fonction de répartition dite fonction de répartition empirique F*(x) ; celle-ci est un excellent descripteur de l’échantillon. En général, la formulation empirique (Eq. 4.3) est présentée par des expressions de type :

( ) (4.3)

ème Avec n, taille de l’échantillon et xi la i valeur classée dans l’ordre croissant. Les valeurs a et b sont déterminés par les différentes formules : a=0, b=1 (Formule de WEIBULL) a=0.5, b=0 (Formule de HAZEN) a=0.375, b=0.25 (GAUSS) a=0.44, b=0.12 (GRINGORTEN pour les valeurs extrêmes) a=-0.38, b=-0.31 (CHEGODAXEV, valeurs extrêmes)

66

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

Ces formules ont des fondements théoriques (Cunnane, 1978) ; selon la loi utilisée, on prendra plutôt l’une que les autres. Ces formules donnent des résultats voisins si n est grand ou pour les valeurs centrales de la distribution.

4.5. Analyse fréquentielle des valeurs extrêmes L'analyse fréquentielle est une méthode statistique de prédiction consistant à étudier les événements passés, caractéristiques d'un processus donné (hydrologique ou autre), afin d'en définir les probabilités d'apparition future. Cette prédiction repose sur la définition et la mise en œuvre d'un modèle fréquentiel, qui est une équation décrivant le comportement statistique d'un processus. Ces modèles décrivent la probabilité d'apparition d'un événement de valeur donnée. L'analyse fréquentielle fait appel à diverses techniques statistiques et constitue une filière complexe qu'il convient de traiter avec beaucoup de rigueur. Ses diverses étapes peuvent être schématisées très simplement selon le diagramme suivant (Fig. 4.1).

Fig. 4.1 Principales étapes de l'analyse fréquentielle(Meylan et Musy, EPFL, 1999)

L’estimation des valeurs extrêmes ou quantiles nécessite un ajustement à une loi de probabilité, après avoir calculé non seulement la fréquence expérimentale mais aussi les caractéristiques empiriques moyenne arithmétique, écart-type, coefficient de variation et d’asymétrie). La loi adoptée doit être ajustée adéquatement à la série pluviométrique hydrologique. Cette application doit être coïncidée avec le risque d’occurrence d’un évènement bien défini. Les lois d’ajustement des pluies extrêmes sont nombreuses : - Loi de Galton (Log Normale) ; - Loi Exponentielle ; - Loi de Gamma ;

67

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

- Loi Gamma généralisée ; - Loi de Pearson III ; - Loi de Gumbel ; - Loi Weibull ; - Loi des valeurs extrêmes généralisées (GEV).

4.5.1. Loi Exponentielle Une variable aléatoire est distribuée selon la loi Exponentielle est exprimée par l’équation 4.4: f (x)   exp(x) (4.4) x≥0 α>0 La forme de distribution est l’équation 3.5:

f (x) 1exp(x) (4.5)

4.5.2. Loi Log Normale à deux paramètres (LN2) La densité de probabilité de cette distribution est la forme suivante : 2 1  1  ln(x)     f (x)  exp   y   2  2     (4.6) x 2 y   y  

La variable réduite standard est donnée par :

ln(x)  ln(x) u  (4.7)  ln x Elle peut être présentée sous la forme :

ln(x)  ln(x) u. ln x (4.8) Avec : µ : Paramètre de position σ : Ecart-type

4.5.3. Loi des Valeurs Extrêmes Généralisées (GEV) Cette loi a été proposée par Jenkinson (1955) pour combiner les trois types des valeurs extrêmes EV1, EV2 et EV3 développées par Fisher et Tippett (1928). Jenkinson a montré que les lois de distribution des extrêmes pouvaient se mettre sous une forme unique appelée GEV (Generlized Extrems Values) :

68

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

1/ k  k (xx0 )  1  (4.9) F(x)  e  s 

L’emploi de cette distribution permet d’analyser un échantillon sans opter à priori une forme ou une autre (I, II, III). Cette distribution à trois paramètres offre une souplesse comparable à celle de la distribution de Pearson. Par contre, elle s’ajuste difficilement par la méthode des moments ordinaires et demande que l’on privilégie l’ajustement par la méthode des moments pondérés (Boucefiane, 2017). Tenant compte des trois paramètres de la fonction (α, u, et k), l’équation de distribution de probabilité GEV peut s’écrire sous la forme :

1/ k1 1/ k 1  k    1   f (x)  1 (x  u) exp1 1 (x  u)  (4.10)            Avec : α : Paramètre d’échelle ; u : Paramètre de position ; k : Paramètre de forme. Il est également déterminant dans le comportement des distributions dites de queue.

La forme explicite de la fonction de distribution est :

1/ k   (x u)   f (x)  exp 1 K   (4.11)      Les deux distributions EV2 et EV3 sont déduites de la distribution GEV si respectivement k<0 et k>0.

Si k=0, alors la distribution GEV tend vers la distribution Gumbel (EV1).

4.5.4. Loi Weibull (EV2) La fonction de distribution de probabilité d’une variable aléatoire selon la loi Weibull W(a, b) s’écrit ainsi : b1 b  x   x  f (x)    exp  ( )b x>0 (4.12) a  a   a  Avec les paramètres a>0 et b>0

Lorsque b=1, la distribution Weibull devient une distribution exponentielle Exp(1/a).

69

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

4.5.5. Loi Gumbel (EV1) Elle est dérivée de la loi GEV. La fonction de répartition de Gumbel peut s’écrire :

1  (x  )  (x  )  f (x)  exp   exp        (4.13)

Avec µ et α sont des paramètres de la fonction. µ : Paramètre de position ; α : Paramètre de dispersion. La variable réduite (x  ) u  (4.14) 

La forme explicite de la fonction de distribution peut s’écrire :

  (x  )  f (x)  exp  exp      (4.15)

4.5.6. Loi Pearson type 3 Elle est présentée de la forme suivante :

 1 f (x)  exp(x  m)(x  m) (4.16) () m≤x<∞ si α>0 -∞0 Avec : m : Paramètre d’origine m≤x≤∞ λ : Paramètre de forme λ>0 α : Paramètre d’échelle α>0  ()  ex x1dx (4.17) 0

Γ : Fonction Gamma La forme standardisée est obtenue par : z   (4.18) t   Avec : µ : Moyenne de la variable z σ : Ecart-type de la variable z.

70

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

4.5.7. Loi Log-Pearson type 3 (LP-3) Si une variable aléatoire (valeurs logarithmiques) suit une distribution P-3 (α, ʎ, m), alors x est distribuée selon une loi log-Pearson type 3 (LP-3). La fonction peut s’écrire ainsi :

k  f (x)  exp(log( x)  m)(log( x)  m)1 x() (4.19)

m/ k   x  e si α<0 em/ k  x  si α>0 Avec les paramètres α≠0 ; λ>0 ; k=1/ln(a) où a est la base du logarithme.

4.5.8. La distribution Généralisée de Pareto (GPD) Pour pouvoir exploiter plus de données et non seulement les maxima des blocs plusieurs approches alternatives à l’analyse des maxima ont été développées. L’une de ces approches consiste à considérer les dépassements d’un seuil élevé.

Soit X1, X2, ... un échantillon de variables aléatoires i.i.d. de loi F et Mn = max{X1, X2, ..., Xn}. Supposons que F satisfasse le théorème de limite de GEV, c’est-à-dire pour un grand n :

P(M n  x)  G(x) (4.20) ou G(x) appartient à la famille des distributions GEV avec des paramètres de position, d’échelle et de forme notés ξ, α et k. Pickands (1975) a montré que pour un seuil suffisamment élevé, c’est-à-dire lorsque u → ∞, la distribution de dépassement Xu, conditionnelle à X>u, est approximativement : (Goubanova, 2007).

1/ k 11 k /u(x u k  0 (4.21) H(x)  1 exp((x  u) / ) k  0 u (4.22) définie sur {x : x − u > 0 et (1 − k(x − u)/αu) > 0}.

71

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

La famille de distribution H est appelée Distribution de Pareto Généralisée (GPD, Generalized Pareto Distribution), de paramètre d’échelle αu et de forme k. Le résultat ci-dessus implique que, si les maxima des blocs ont une distribution limite G, alors les dépassements de seuil ont approximativement une distribution de la famille de Pareto généralisée correspondante. En outre, les paramètres de la distribution GPD sont uniquement déterminés par ceux de la distribution GEV associée. En particulier, le paramètre d’échelle, régissant la largeur de distribution, est défini par la relation :

αu = α − k(u − ξ) (4.23) et le paramètre de forme k dans (2) est égal à celui de la distribution GEV correspondante. Si une variable aléatoire Y suit une distribution GPD alors la variable Y/αu suit une distribution qui ne dépend pas de αu, mais seulement de k.

4.6. Choix d’une loi de distribution La loi Gumbel n’est cependant qu’un cas particulier d’une loi des valeurs extrêmes plus générale : la loi GEV. Quelques auteurs (Wilks et al., 1993; Koutsoyiannis et al., 2000; Chaouche et al., 2002; Coles et al., 2003; Sisson et al., 2006; Koutsoyiannis, 2004a,b; Bacro et Chaouche, 2010) ont récemment mis en cause la validité d’une loi Gumbel, et préfèrent l’usage de la loi GEV pour modéliser les maxima annuels ou saisonniers des pluies. Or la différence entre les quantiles estimés sous une hypothèse de loi Gumbel ou sous une hypothèse de loi GEV est considérable. Pour une fréquence donnée, les quantiles d’une loi GEV peuvent par exemple être deux ou trois fois plus grands que les quantiles d’une loi Gumbel (Muller, 2006). Ces remarques ne sont donc pas sans conséquence pour la sécurité des ouvrages hydrauliques, pour la validité des Plans de Prévention des Risques d’Inondation ou pour la définition de l’échelle d’intensité des événements extrêmes. Donc, de nombreux chercheurs préfèrent la loi des valeurs extrêmes (GEV) à la loi de Gumbel pour modéliser les pluies journalières maximales (Wilks et al., 1993; Chaouche et al., 2002; Koutsoyiannis, 2004; Onibon et al., 2004). Les ajustements des précipitations maximales journalières à la loi GEV, des 41 stations du bassin versant de la Macta, sont visualisés dans le chapitre 5.

4.7. Tests statistiques Pour tester la significativité des résultats issus de différentes méthodes de détection des tendances, plusieurs tests peuvent être utilisés. Nous nous limitons au test de Student.

72

IV- Chapitre 4 : Rappels théoriques sur les lois de probabilité, les outils d’investigation et les tests statistiques appliqués aux pluies extrêmes

4.7.1. Test de Student Le test de Student, un test paramétrique standard, est utilisé pour évaluer l’existence d’un changement brutal dans une série temporelle par la comparaison de la moyenne de deux populations. Ce test consiste à vérifier si la moyenne des données situées avant le point de changement est significativement différente de la moyenne des données situées après ce changement. Le test de significativité, dans le cas des petits échantillons (n<10), utilise la table des valeurs critiques des coefficients. Cependant, lorsque n varie entre 20 et 30, le test de Student est utilisé en approximant selon l’équation (4.24).  t  1  2 (4.24) n  2 Ou tout simplement une approximation normale, lorsque n>35 (Equation 4.25)  U    n 1 1 (4.25) n 1

Notons que les auteurs ne sont pas unanimes sur la taille n pour utiliser une approximation. Certains auteurs rapportent que l'approximation normale suffit dès que n > 10, d’autres s'appuient sur l'approximation normale lorsque n est autour de 20-25 (Elouissi, 2016).

4.7.1.1. Traitement des ex-aequo Lorsqu'il y a beaucoup d'ex-æquo dans les données, nous affectons les rangs moyens aux observations portant des valeurs identiques. Lors de la transformation des données en rangs, nous devons tenir compte des ex-æquo. Au départ nous affectons les rangs aux observations selon la procédure habituelle. Dans un deuxième temps, nous effectuons un nouveau passage sur les données, nous attribuons aux individus portant des valeurs identiques la moyenne des rangs associés. Si par exemple, deux valeurs identiques ont le même rang 9. Nous attribuons donc le rang moyen 9.5 « (9+10)/2 » aux deux valeurs (Elouissi, 2016).

4.8. Conclusion Sur la lumière de ce que nous avons présenté sur les pluies extrêmes et leurs distributions statistiques, une ancienne nouvelle approche a été adoptée par un grand nombre d’auteurs, c’est loi des valeurs extrêmes (GEV) qui fait aujourd’hui l’objet d’un consensus dans la communauté scientifique puisqu’elle s’adapte mieux à la distribution des pluies extrêmes. La loi GEV et le test de Student sont appliqués dans les chapitres 5 et 6.

73

CHAPITRE V

ZONE D’ETUDE (DESCRIPTION GEOGRAPHIQUE ET DONNEES)

Chapitre 5 Zone d’Etude (Description géographique et données)

V- Chapitre 5 : Zone d’étude (description géographique et données)

5.1. Présentation de la zone d’étude L’Algérie s’étend entre les longitudes -9° Ouest et 12° Est et entre les latitudes 18° et 38° Nord. C’est le premier plus grand pays en Afrique en matière de superficie (2 381 741 Km2). La zone d’étude concernée par notre travail est consacrée au bassin versant de la Macta quise situe au Nord-Ouest de l’Algérie. Sa position géographique est comprise : entre -1.25° Ouest et 0.6° Est en Longitude, et entre 34° et 36° Nord en Latitude. La Macta est un bassin qui s’étend sur une superficie de 14410 Km². Il est limité au Nord-Ouest par les chaînes montagneuses du , au Sud par les hauts plateaux de Maalif, à l’Ouest par les plateaux de Telagh et à l’Est par les monts de Saida (Djediai, 1997).Le bassin de la Macta est délimité au nord par laMer Méditerranée, au sud par les montagnes de Saida (1201 m) et Daya Montagnes (1356 m), et au sud-ouest par les montagnes de Tlemcen, y compris les monts de Beni Chougrane et la plaine de Mohamadia (Meddi et al.,2013). La pluie moyenne annuelle est faible. Elle varie de 206 mm sur la partie sud des Monts de Beni Chougrane (Bouhnifia et Sfisef) à 380 mm sur Saïda Montagnes et la partie nord-ouest de Sidi Bel et Tessala Montagnes. La variation spatiale des pluies moyennes est modérée (25%). Le bassin versant de la Macta est drainé par deux principaux cours d’eau : l’oued El-Hammam à l’est et l’oued Mekkera (nommé l’oued Mebtouh à l’aval), à l’ouest, (Fig. 5.1).

Fig. 5.1 Carte de situation du bassin versant de la Macta

75

Chapitre 5 Zone d’Etude (Description géographique et données)

Administrativement, la Macta s’étale sur plusieurs Wilayates : Mascara, Mostaganem, Oran, Saida, Sidi Bel Abbes et Tlemcen, (Fig. 5.2).

Fig. 5.2 Limites administratives de la Macta

5.2. Topographie et relief Le relief est un facteur important, il détermine en grande partie l’aptitude au ruissellement et le comportement des crues. Les altitudes de ce bassin oscillent entre 18 m ( : 111610) et 1600 m (Ras El Ma : 110102). A partir du modèle numérique du terrain (MNT) (Fig. 5.3), la Macta se caractérise par trois zones de l’amont vers l’aval :

Fig. 5.3 Le MNT de la Macta a) Zone des hauts reliefs

76

Chapitre 5 Zone d’Etude (Description géographique et données)

La Macta est bassin exoréique qui a un exutoire vers la Méditerranée. Il prend naissance du Sud par les Monts de Daya et ceux de Saida. Le relief est accidenté et dominé par une série de Djebels (Beghira de 1409 m, Djebel de 1404 m, Djebel Tenfeld de 1356 m et Djebel Ouled de 1025 m) (Baahmed, 2015). b) Zone des reliefs moyens C’est le centre du basin où dominent les Monts de Beni Chougrane qui s’orientent de Sud-ouest à Nord Est. Cette chaine montagneuse très accidentée avec des altitudes moyennes de 700 m et un maximum de 910 m au Djebel Kallel. c) Zone à basse altitude Ce sont les plaines de l’Habra et Mohammadia au Nord du bassin délimités au sud par les Beni Chougrane.

5.3. Hydrographie de la Macta Le comportement hydrologique du bassin versant de la Macta est fonction des paramètres climatologique, topographique, géologique, et de la végétation. Le bassin versant est drainé par deux principaux cours d’eau l'oued Mebtouh (nommé à l’amont Oued Mekerra), à l'ouest, et l'oued El-Hammam à l'est (Fig. 5.4). Le bassin versant de la Macta associe: Une basse plaine littorale : Elle est séparée de la mer par un cordon dunaire etprésente des altitudes le plus souvent inférieures à 9 m, ce qui favorise la présence de plans d'eau, de marais et de steppes plus ou moins humides. Vers l'amont, elle se prolonge au sud-est par les vallées des oueds Sig et Habra. Des massifs, orientés Sud-ouest-Nord Est, qui confèrent un caractère montagneux àla plus grande partie du bassin versant : Les monts de Tessala (point culminant à 1061 m) bordent le bassin versant à l'ouest et au nord-ouest. Ils sont traversés par l'oued Mebtouh avant qu'il ne rejoigne la basse plaine inférieure. Au sud-ouest, ils sont relayés par la partie orientale des monts de Tlemcen (1412 m au djebel Ouargla). Les monts de Beni Chougrane (932 m) occupent une bonne partie de la zone moyenne du bassin versant. Celui-ci remonte, à l'est, jusqu'aux monts de Saïda (1201 m au djebel Tiffrit) et, au sud, jusqu'aux monts de Dhaya (1455 m au djebel Mezioud) et jusqu'aux hauteurs de la bordure septentrionale des hauts plateaux (1415 m au djebel Beghira) qui séparent le terrain d'étude de la dépression du Chott Ech Chergui. Enfin, de larges plaines alluviales insérées dans les massifs montagneux : Celle de Sidi Bel Abbés, de direction Sud-Nord, est associée à l'oued Mekerra (nom donné à l'oued Mebtouh à l’amont) (Baahmed, 2015). Le bassin de l'oued El-Hammam renferme la

77

Chapitre 5 Zone d’Etude (Description géographique et données) plaine de , qui est orientée Ouest-Sud-Ouest et Est-Nord-est, et qui est drainée par l'oued Ain Fekan (Fig. 5.4).

Fig. 5.4 Réseau hydrographique de la Macta

D’après la figure 5.4, le bassin versant de la Macta est constitué de 16 sous-bassins selon la délimitation de l’ANRH (Fig. 5.5).

Fig. 5.5 Les sous-bassins de la Macta d’après l’ANRH

Les affluents (oueds) les plus importants de la Macta sont :

78

Chapitre 5 Zone d’Etude (Description géographique et données)

5.3.1. Oued El-Hammam Le bassin versant de l’oued El-Hammam fait partie du grand bassin versant de la Macta. Il est limité par : - Le grand bassin du bas Chellif à l’Est ; - L’Oued Mebtouh à l’Ouest ; - La plaine de l’Habra au Nord ; - Chott Chergui au sud ;

Il s’étend sur une superficie de 7550 Km², d’une longueur de 150 m, est drainé par quatre (4) principaux affluents dans les bassins élémentaires sont : Oued Fekan (1200 Km²), Oued Sahouet (2200 Km²), Oued Hounet (2630 Km²) (drainé par Oued Berbour et Oued Sefioun) et Oued Melrir (1520 Km²) pris dans leur ensemble, convergent pour former l’oued El-Hammam. (Djediai, 1997). L’oued El-Hammam se situe dans le versant nord des hautes plaines oranaises entre 800 et 1200 m d’altitude de l’oued principal, il prend sa source à 16Km au sud-ouest de Ras-El-Ma, à une altitude de 1200 Km suivant une direction sud-est (Benzater, 1996). Le bassin versant de l’Oued El Hammam, un sous bassin de la Macta situé dans une zone caractérisée par un climat agressif qui s’applique à des terrains particulièrement érodables (Morsli et al., 2004).

5.3.2. Oued Mekerra Situé dans le Nord-Ouest de l'Algérie, le bassin-versant de l'oued Mekerra fait partie du bassin de la Macta. Il prend son origine dans les hautes vallées de la steppe au sud de la localité de Ras El Ma à une cote de 1 412 m. Le bassin de forme particulièrement allongée et d'une superficie de 3 046 km2, est drainé par l'oued Mekerra d'une longueur de 120km. Sa superficie est à 50% située à une cote dépassant les 1000m avec une pente moyenne de l'oued jusqu'à d'environ 2%. Cette dernière n'est plus que de 5‰ entre Boukhanéfis et Sidi Bel Abbes. Le réseau hydrographique du bassin est très développé, mais représenté fréquemment par des cours d'eau temporaires. Les oueds sont alimentés par des précipitations et par des sources dont la plus importante est Ain-Skhouna à Sidi Ali Benyoub (débit d'environ 100 l/s) (Elouissi, 2016). Du point de vue pluviométrique, la quantité moyenne interannuelle des précipitations est de l'ordre de 390 à 400 mm, mais elle peut diminuer jusqu'à 110 mm/an pour les années particulièrement sèches, d'où la variation annuelle des apports liquides de l'oued Mekerra. Ce cours d'eau a véhiculé 13 millions de mètres cubes durant l'année hydrologique 1960- 1961 et 92 millions de mètres cubes durant l'année 1950-1951, ce qui constitue un apport exceptionnel par rapport à la moyenne interannuelle estimée à 57 millions de mètres cubes (Elouissi, 2016).

79

Chapitre 5 Zone d’Etude (Description géographique et données)

Le bassin d’Oued Mekerra présente une morphologie de trois étages : a) Haute Mekerra : elle est comprise entre Ras-El-Ma et Sidi Ali Benyoub suivant une direction a peu près nord-est, ce partie alimentée par les principaux affluents du bassin versant sont: O. Samar, O. Sekhana, O. Tadjmout.O. Mzi (Baahmed, 2015).

b) Moyenne Mekerra : elle se dirige vers le nord. Elle traverse les villages de sidi Ali Ben Youb, Tabia, Boukhanifis, passe au prés de Sidi Khaled, puis prend une direction (Sud- ouest, Nord-est). En fin elle passe à proximité des villages de Sidi Lahcen et Sidi Hamadouche. Elle est Alimenté par O. (Zegdou, 2003).

c) Bas Mekerra : c’est l’aval de Sidi Bel Abbes. Le relief devient relativement plat.

5.3.3. Oued Saida Les Monts de Saida sont drainés par un réseau hydrographique bien structuré et bien hiérarchisé formé principalement par les trois (03) grandes rivières ; Oued Tiffrit, Oued Sidi Mimoune et Oued Saida qui conserve sa pérennité relative durant presque toute l'année. Les débits de ces oueds sont jaugés par des stations hydrométriques installées sur chaque rivière (Khaldi, 2005). Le sous bassin versant de l’Oued Saïda se présente comme un bassin montagneux dominé. Il s’étend dans les Monts de Daia et les Mont de Saïda, au Sud comme à l’Est, par les hautes crêtes séparant de grand bassin du Cheliff. Au Nord et à l’Ouest, par le Djebel Abdelkrim (1203m) et à l’Est par Djebel de Guemroud (1157m), dans les prolongements des Monts de Saïda. Le sous bassin, présentant une forme circulaire légèrement allongée, est orienté vers le Nord géographique. Il couvre une superficie globale de 621,20 Km2 pour un périmètre de 131,2 Km (Anteur, 2014). Les paramètres physiques du bassin versant de la Macta peuvent se résumer dans le tableau 5.1.

80

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.1 Paramètres physiques des sous-bassins de la Macta

N° Sous- bassin Superficie Périmètre Longueur Kc Dd Ct Pente Moy. (Km2) (Km) (Km) (Km/ Km2) (m/m) 01 O. Mekerra amont 966 123 46 1.25 0.42 2.94 0,044 02 O. Mekerra moyen 966 140 52 1.56 0.64 5.76 0.026 03 O. Mekerra Sarno 1500 190 70 1.37 0.34 2.38 0.017 04 O. Mebtouh 476 96 34 1.34 0.77 11.55 0.017 05 O. Louza 763 122 44 1.2 0.50 3.00 0.014 06 O. Melrir 701 122 46 1.23 0.63 6.30 0.014 07 O. Mezoua 1249 161 60 1.3 0.42 1.68 0.033 08 O. Sefioun 461 96 34 1.3 0.63 5.04 0.038 09 O. Berbour 605 110 40 1.46 0.61 6.10 0.032 10 O. Hounet 258 89 38 1.17 0.78 8.58 0.025 11 O. Saida 618 118 46 1.42 0.63 6.93 0.026 12 O. Taria 1457 168 60 1.45 0.58 5.80 0.018 13 O. Sahouet 141 66 28 1.60 0.94 12.22 0.032 14 O. Fekan 1185 147 50 1.28 0.47 2.82 0.022 15 O. El Hammam 848 148 60 1.58 0.85 15.30 0.006 16 Macta maritime 1998 218 86 1.67 0.39 2.34 0.001 17 Sida pont 100 48 19 1.35 3.20 12.60 0.013 18 PK 50 400 88 38 1.23 2.70 13.20 0.016 19 Dn Bouchikhi 77 36 11 1.15 2.53 12.00 0.016 20 Ghriss 132 56 22 1.36 3.24 0.56 0.022 21 58.24 33 10 1.21 1.92 6.32 0.013 22 Sidi Ali Benyoub 1890 200 92 1.29 0.80 0.17 0.063 23 Sidi Bel Abbes 3000 280 134 1.43 2.85 22.31 0.011 24 Lamtar 277 91 13 1.53 1.82 0.20 0.047 25 Sarno 255 80 39 1.40 1.00 11.00 0.012 26 Grand O. El Hammam 7460 460 132 1.50 0.47 0.07 0.006 (Source : Baahmed, 2015)

5.4. Sol et géologie de la Macta D’après l’esquisse géologique du Nord-Ouest algérien (Fig. 5.6), le bassin versant de la Macta est dominé par les calcaires. Les sols sont peu profonds. Les Beni Chougrane sont caractérisés par un faciès calcaire marneux composé de gré et de conglomérats. Des dépôts argileux et fortement salés, résultant du transport de matériaux, sont rencontrés à l’exutoire de la Macta (marécage).

Fig. 5.6 Extrait de la carte géologique de l’Algérie (d’après la carte géologique de l’Afrique (Feuille n°02), CGMW/UNESCO 1990 pour le Nord de l’Algérie et Document SONATRACH. (Rezak, 2014)

81

Chapitre 5 Zone d’Etude (Description géographique et données)

5.4. Végétation A l’extrême du bassin versant de la Macta, on trouve les forêts de Touazizine et Zegla. Dans la partie centrale, on trouve les forêts de pins d’Alep de Louza, et (régions de Sarno), L’exutoire de la Macta se caractérise par la présence des végétations halophiles. La céréaliculture domine la plaine et Ain Farés et la culture maraichère dans la plaine de Ghriss (Fig. 5.7).

Fig. 5.7 Carte d’occupation du sol du nord-ouest algérien (Ministère de l’Environnement)

5.5. Collecte de données

Les données de précipitations maximales journalières (Pjmax) (en mm) ont été récoltées auprès de l’Agence Nationale des Ressources Hydriques (ANRH). Ainsi, 41 stations qui ont été retenues sont réparties sur toutes les régions du bassin versant de la Macta (Fig. 5.8). Les stations pluviométriques retenues dans ce travail sont symbolisées numériquement (par exemple, Ras El Ma : 110102 ; Mascara : 111429). Les 41 stations retenues dans cette étude sont présentées dans le Tableau 5.2.

82

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.2 Liste des stations météorologiques retenues

N° Code Nom Station Longitude (°) Latitude (°) Altitude Z (m) 1 110102 RAS EL MA -0,809334 34,494740 1097 2 110201 SID ALI BEN YOUB -0,734043 34,978248 635 3 110203 -0,755568 34,702013 950 4 110304 SARNO Bge -0,574060 35,180350 425 5 110305 SIDI BEL ABBES -0,658583 35,191520 485 6 110309 HASSI DAHO -0,538585 35,091110 650 7 110312 MOSTEFA BEN BRAHIM -0,356967 35,192004 590 8 110314 AIN TRID -0,675747 35,285762 530 9 110402 CHEURFAS BGE -0,251628 35,404398 230 10 110501 -0,451765 34,781331 970 11 110802 DAOUD YOUB -0,214122 34,920480 660 12 111102 MEFTAH SIDI BOUBEKEUR 0,055986 35,031000 530 13 111103 AIN EL HADJAR 0,149130 34,757058 1025 14 111112 HAMMAM RABI 0,186280 34,931920 710 15 111201 0,091058 35,115659 501 16 111204 AIN TIFRIT 0,401859 34,917816 970 17 111210 TAMESNA 0,464584 34,847322 1105 18 111217 0,231450 35,101077 630 19 111401 0,248202 35,378314 494 20 111405 0,215025 35,329824 482 21 111413 TIZI 0,076127 35,320075 453 22 111414 0,344322 35,330201 549 23 111417 AIN FARES 0,247782 35,481576 806 24 111418 NESMOTH MF 0,381819 35,251571 930 25 111424 GHRISS 0,166501 35,246272 498 26 111429 MASCARA 0,146428 35,392860 550 27 111502 SAHOUET OUIZERT -0,079531 35,207846 361 28 111503 BOUHANIFIA BGE -0,069807 35,291959 306 29 111508 -0,226020 35,231837 545 30 111509 -0,004537 35,459880 145 31 111511 MOHAMMADIA GRHA 0,104206 35,590378 50 32 111516 TROIS RIVIERES -0,085948 35,218519 315 33 111604 -0,255370 35,564871 73 34 111605 -0,086492 35,565329 26 35 111606 FORNEKA -0,056751 35,774381 78 36 111607 SAMOURIA 0,115319 35,622188 48 37 111610 MOCTA DOUZ -0,046623 35,609550 18 38 111611 FERME BLANCHE 0,013060 35,657361 20 39 111612 BLED TAOURIA 0,230748 35,835681 118 40 111616 MARAIS DE SIRAT 0,176414 35,750668 30 41 111617 FERME ASSORAIN 0,277981 35,902936 222

83

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.8 Carte de situation des 41 stations pluviométriques retenues

Les stations retenues présentent une distribution homogène répartie sur l’ensemble du bassin versant, sauf la partie sud qui est relativement moins dense. Elles forment un réseau qui couvre l’ensemble des sites, ainsi nous pourrons distinguer des stations côtières, des stations de montagnes, des stations de collines et des stations de plaines. Le choix de la période d’étude est une étape très importante de notre travail de thèse. Le but est de choisir une période qui présente un minimum de lacunes pour l’ensemble des stations.

5.5.1. Choix de la période d’observations Les stations qui présentent un taux de lacunes élevé ont été écartées. Seules les stations présentant un taux lacunaire ne dépassant pas 10 % ont été retenues (Meddi et al., 2014). La période d’observation de ces séries chronologiques est de 41 ans (1970-2010). Pour faciliter le choix de la période d’étude nous avons calculé le taux de lacunes pour chaque année (Fig. 5.9)

84

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.9 Pourcentage lacunaire des stations retenues

L’analyse de la figure 5.9 montre que la période 1910-1970 présente des taux lacunaires très élevé (jusqu’à 95%). Cette période ne sera pas retenue. Par contre, la période 1970-2010 présente des taux de lacunes conformes aux références (inférieur à 10%) et donc elle a été retenue comme période d’étude de notre Thèse.

5.5.2. Contrôle et critique de données La procédure du calcul nécessite une bonne critique des données afin d'éviter le biais introduit dans l'estimation des risques pour certaines stations qui nous semblent erronées. Les méthodes classiques de détection des anomalies ponctuelles ou systématiques dans les séries de données (notamment l’analyse des résidus cumulés de régression entre une variable de référence réputée fiable et la variable à tester) ne peuvent être ici appliquées en raison du caractère extrême des variables pluviométriques (maxima quotidiens mensuels). Néanmoins, l’ajustement graphique des pluies journalières maximales annuelles à une loi de distribution statistique des événements extrêmes, peut permettre au moins visuellement de préjuger de la fiabilité des données, les fortes valeurs erronées introduisant un biais non négligeable dans l’estimation des paramètres (Berolo et al., 2003) (voir Chapitre 3).

5.5.2.1. Analyse fréquentielle des pluies extrêmes à une loi de probabilité Dans le chapitre 4, nous avons analysé les différentes fonctions de distribution des pluies extrêmes. La fonction de répartition de la loi GEV de Jenkinson (1955) a été retenue et elle s’exprime par la formule (5.1) :

1/ k   (x   )  F(x)  exp 1 k   (5.1)     

85

Chapitre 5 Zone d’Etude (Description géographique et données) k, α et ξ représentent respectivement les paramètres de forme, d’échelle et de position. La figure 5.10 présente les ajustements des pluies annuelles maximales journalières des 41 stations à la loi GEV.

Fig. 5.10 Ajustement des pluies maximales annuelles des 41 stations de la Macata à la loi GEV

86

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.10 Ajustement des pluies maximales annuelles des 41 stations de la Macata à la loi GEV (suite)

87

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.10 Ajustement des pluies maximales annuelles des 41 stations de la Macata à la loi GEV (suite)

88

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.10 Ajustement des pluies maximales annuelles des 41 stations de la Macata à la loi GEV (suite)

89

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.10 Ajustement des pluies maximales annuelles des 41 stations de la Macata à la loi GEV (suite)

90

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.10 Ajustement des pluies maximales annuelles des 41 stations de la Macata à la loi GEV (suite)

L’application des ajustements à la loi GEV aux 41 stations pluviométriques au niveau de la Macta (Fig. 5.10), nous permet d’estimer les précipitations maximales journalières fréquentielles

(Pjmax%) pour différentes périodes de retour (Tableau 5.3).

91

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.3 Pluies maximales journalières fréquentielles (Pjmax%) des 41 stations de la Macta (1970-2010)

Code_Station Nom_Station Période de retour (an) 5 10 20 50 100 110102 RAS EL MA 77,0 93,1 108,7 129,1 144,5 110201 SID ALI BEN YOUB 130,4 155,4 178,9 208,6 230,3 110203 EL HACAIBA 103,1 120,1 135,8 155,3 169,3 110304 SARNO Bge 125,5 152,9 182,3 225,8 262,7 110305 SIDI BEL ABBES 106,8 127,7 150,4 184,1 213,1 110309 HASSI DAHO 117,8 139,8 162,1 193,2 218,0 110312 MOSTEFA BEN BRAHIM 123,7 146,6 169,9 201,9 227,4 110314 AIN TRID 148,2 173,1 195,7 223,4 242,9 110402 CHEURFAS BGE 112,7 139,2 168,2 211,9 249,9 110501 MERINE 102,5 119,2 134,7 154,4 168,7 110802 DAOUD YOUB 85,4 100,7 114,6 131,6 143,7 111102 MEFTAH SIDI BOUBEKEUR 100,3 123,4 149,3 189,1 224,4 111103 AIN EL HADJAR 112,7 131,7 149,4 171,8 188,1 111112 HAMMAM RABI 96,6 112,5 126,9 144,5 156,8 111201 OUED TARIA 101,6 121,6 141,3 167,7 188,1 111204 AIN TIFRIT 121,3 140,8 158,0 178,4 192,4 111210 TAMESNA 105,4 128,6 153,7 191,0 222,9 111217 BENIANE 112,6 135,3 157,4 186,5 208,5 111401 MAOUSSA 106,1 120,7 133,8 149,5 160,4 111405 MATEMORE 95,2 107,6 119,0 133,1 143,2 111413 TIZI 117,6 133,8 148,6 166,9 179,9 111414 SIDI KADA 113,8 132,6 151,4 176,6 196,4 111417 AIN FARES 136,9 162,9 189,6 226,8 256,8 111418 NESMOTH MF 173,3 202,7 229,3 261,4 284,0 111424 GHRISS 112,9 140,1 170,1 215,6 255,5 111429 MASCARA 121,6 140,9 158,7 180,8 196,5 111502 SAHOUET OUIZERT 83,2 97,4 111,1 129,2 143,0 111503 BGE 90,4 109,7 131,7 166,2 197,4 111508 SFISSEF 120,8 143,7 166,5 197,5 221,8 111509 HACINE 119,4 143,0 167,1 200,6 227,6 111511 MOHAMMADIA GRHA 115,3 137,6 160,7 193,5 220,3 111516 TROIS RIVIERES 82,1 101,9 124,0 157,7 187,5 111604 OGGAZ 100,1 115,3 128,8 144,8 155,7 111605 BOU HENNI 90,2 105,5 120,6 140,6 155,9 111606 FORNEKA 102,1 124,7 147,9 180,5 207,0 111607 SAMOURIA 102,0 117,6 132,1 150,3 163,3 111610 MOCTA DOUZ 107,6 132,9 159,6 198,0 230,0 111611 FERME BLANCHE 104,8 124,1 143,1 168,5 188,2 111612 BLED TAOURIA 121,0 147,1 174,7 214,8 248,4 111616 MARAIS DE SIRAT 111,7 133,6 155,2 183,8 205,9 111617 FERME ASSORAIN 119,8 140,8 161,1 187,7 207,8

92

Chapitre 5 Zone d’Etude (Description géographique et données)

A partir du tableau 5.3, nous pouvons estimer plusieurs paramètres hydrologiques, tel que les débits maxima des crues qui entrent dans la conception des certains aménagements hydrauliques (évacuateurs de crues pour les barrages, protection des villes contre les inondations, …) (Fig. 5.11).

Fig. 5.11 Pluies maximales journalières fréquentielles (Pjmax%) des 41 stations de la Macta (1970-2010)

Le tableau 5.3 et la figure 5.11 montrent que les stations Nesmoth MF (111418), Sarno Bge (110304), Cheurfas Bge (110402) et Bled Taouria (111616) se caractérisent par des valeurs fréquentielles les plus élevées. La valeur 263,7 mm/j enregistrée au niveau de la station Nesmoth MF (111418) durant le mois de mai 1970, se distingue comme une valeur centennale par rapport à la figure 5.11 (261,4 mm/j).

5.5.2.2. Correction de Weiss (L. L. WEISS, 1964) Une deuxième méthode de contrôle des pluies extrêmes. Elle consiste à traiter les pluies extrêmes sur leurs évolutions horaires et fait intervenir des coefficients correctifs pour homogénéiser les données (Muller, 2006). Malheureusement, nous n’avons pas pu utiliser cette méthode vu l’indisponibilité des pluies horaires au niveau de notre zone d’étude.

5.5.3. Comblement des données manquantes Lors de la préparation des données en vue de cette étude, on trouve souvent des relevés manquants. Afin de combler les lacunes d'une série chronologique, les parties manquantes de relevés

93

Chapitre 5 Zone d’Etude (Description géographique et données) peuvent être reconstituées par différentes méthodes. Il faut faire preuve de jugement pour décider jusqu'où on peut aller dans l'estimation des données manquantes. Il est rarement justifié de reconstituer plus de cinq à 10 pour cent d'un relevé (OMM, 1990). Il existe plusieurs méthodes pour estimer les données manquantes. Nous présentons les plus utilisées et les plus connues.

5.5.3.1. Méthodes de comblement des lacunes L’idée fondamentale des méthodes d’estimation des données manquantes, est de trouver des valeurs numériques à insérer dans la table à la place des données manquantes. Après avoir inséré ces estimations, l’analyse des données se poursuit presque comme si aucune valeur n’était manquante (Preece, 1976). Généralement la méthode de régression simple est utilisée pour remplacer les données manquantes d’une station par les données d’une autre plus complète. Laborde (2013) utilise l’analyse en composante principale (ACP) pour reconstituer les lacunes.

5.5.3.1.1. Méthode de régression simple L’objectif de cette méthode consiste à estimer les variables inconnues de certaines stations à partir des observations d’autres stations voisines prises pour bases (Halimi, 1980). Pour combler les lacunes et extrapoler les séries discontinues, à l’échelle annuelle aussi bien qu’à l’échelle mensuelle, le modèle de régression linéaire est estimé par la méthode des moindres carrés afin de calculer une droite s’ajustant au plus près des données. Les paramètres de la droite de régression (a et b) sont estimés par les formules suivantes. (5.2) Yi  axi b Avec Cov(xy) a  (5.3) Var(x)

b  Y  aX (5.4)

Le coefficient de corrélation joue un rôle important dans la mesure de l’association entre les variables X et Y (Droesbeke, 1988).

5.5.3.1.2. Méthode de régression multiple C’est une méthode statistique ayant pour but de reconstruire une variable aléatoire Y que l’on appelle variable à expliquer à l’aide d’une fonction F de variables aléatoires X1, X2, X3, ...., Xn que l’on appelle variables explicatives. Pour que cette méthode soit efficace, il faut que trois conditions soient vérifiées :

94

Chapitre 5 Zone d’Etude (Description géographique et données)

 La linéarité de la régression.  Le coefficient de corrélation assez élevé.  L’ajustement à la loi normale des résidus.

L’estimation des valeurs manquantes (variable à expliquer) Y à partir des valeurs Xi (variables explicatives) s’effectue avec l’hyper-plan de régression qui a la forme :

Y  a1x1  a2x2 ....  an xn  b (5.5)

ai : Coefficient de l'hyper-plan de régression. Y : Variable à expliquer.

xi : Variables explicatives. n : Nombre de variables explicatives. L’écart, d’un point particulier, entre la valeur observée et la valeur estimée de la variable explicative est appelé résidu. Pour que l’estimation soit meilleure, il faut minimiser la dispersion des résidus.

5.5.3.1.3. Méthode de l’analyse en composante principale (ACP) L’analyse en composante principale (ACP) peut être présentée comme la recherche du sous espace qui minimise l’erreur de reconstitution d’une matrice X de dimensions I x J, c’est à dire la distance entre les individus et leur projection. Les données manquantes de nos séries pluviométriques sont estimées à l’aide de la macro- commande «Bouche trou» de l’Hydrolab (Hydrolab, 2010). Cette dernière utilise l’ACP. Selon Laborde (2013), sept à huit itérations sont suffisantes pour stabiliser le processus. A ce stade, les données sont complètes et prêtes pour toute analyse. Le Tableau 5.4 montre un exemple de l’opération d’estimation des données manquantes du mois de janvier de la station Ras El Ma (110102).

95

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.4 Exemple de comblement de lacunes Année Données brutes Après reconstitution 1970 28,6 28,6 1971 Lacune 34,5 1972 Lacune 4,8 1973 2,0 2,0 1974 1,7 1,7 1975 0,0 0,0 1976 8,2 8,2 1977 5,4 5,4 1978 27,1 27,1 1979 4,5 4,5 1980 16,0 16,0 1981 9,2 9,2 1982 0,0 0,0 1983 22,7 22,7 1984 24,8 24,8 1985 6,0 6,0 1986 32,5 32,5 1987 Lacune 1,9 1988 6,5 6,5 1989 16,2 16,2 1990 Lacune 26,8 1991 Lacune 17,2 1992 Lacune 19,9 1993 30,1 30,1 1994 3,7 3,7 1995 58,2 58,2 1996 35,1 35,1 1997 7,7 7,7 1998 46,5 46,5 1999 Lacune 7,7 2000 30,5 30,5 2001 0,0 0,0 2002 27,0 27,0 2003 10,2 10,2 2004 5,3 5,3 2005 29,3 29,3 2006 27,4 27,4 2007 Lacune 13,3 2008 42,7 42,7 2009 17,5 17,5 2010 4,0 4,0

5.6. Présentation des données Sur la base des résultats obtenus dans notre article« Spatio-temporal trends in daily maximum rainfall in northwestern Algeria (Macta watershed case, Algeria) »(Benzater et al., 2019), publié en juin 2019 dans la revue « Arabian Journal of Geosciences » et dans lequel nous avons détecté un changement climatique correspondant à l’année 1992, toutes nos séries temporelles, sur lesquelles

96

Chapitre 5 Zone d’Etude (Description géographique et données) nous avons travaillé, ont été découpées en deux (02) périodes inégales : Période I (1970-1992) et période II (1992-2010).

5.6.1. Pluies maximales mensuelles Après l’ajustement des pluies maximales journalières et comblement des lacunes, les données mensuelles des précipitations maximales journalières (en mm/j) des 41 stations du bassin versant de la Macta ont été rangées dans une matrice de 41x12, soit 492 graphes. L’observation est la première étape dans une analyse scientifique. La figure 5.12 montre l’évolution des pluies extrêmes mensuelles de quelques exemples parmi 41 stations du bassin de la Macta durant les deux (02) périodes (1970-1992 en bleu) et (1992-2010 en rouge).

97

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.12 Evolution des pluies maximales mensuelles (Pjmax)

98

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.12 Evolution des pluies maximales mensuelles (Pjmax)(suite)

99

Chapitre 5 Zone d’Etude (Description géographique et données)

L’analyse de 492 graphes (Fig. 5.12) permet de constater :

. Mois de janvier : les pluies maximales mensuelles (Pjmax) oscillent entre 7,7 mm/j (Station Ras El Ma: 110102) en 1999 et 218,3 mm/j (Station Ain Fares : 111217) en 2002.

. Mois de Février : les Pjmax mensuelles oscillent entre 2,1 mm/j (Station Ras El Ma: 110102) en 1999 et 239,9 mm/j (Station Ain El Hadjar: 111210) en 2009.

. Mois de Mars : les Pjmax mensuelles oscillent entre 11,3 mm/j (Station El Haçaiba : 110203) en 1996 et 222 mm/j (Station Ain Trid : 110314) en 1990.

. Mois d’Avril : les Pjmax mensuelles oscillent entre 17,2 mm/j (Station Ain Tifrit : 111204) en 1990 et 196 mm/j (Station Sidi Ali Benyoub : 110201) en 1974.

. Mois de Mai : les Pjmax mensuelles oscillent entre 2,9 mm/j (Station Merine : 110501) en 1972 et 263,7 mm/j (Station Nesmoth MF : 111418) en 1970.

. Mois de Juin : les Pjmax mensuelles oscillent entre 1,2 mm/j (Station Oggaz : 111604) en 1984 et 98,2 mm/j (Station Ras El Ma : 110102) en 1995.

. Mois de Juillet : les Pjmax mensuelles oscillent entre 0,4 mm/j (Station Sidi Bel Abbes : 110305) en 1972 et 70,2 mm/j (Station Bled Taouria : 111612) en 2009.

. Mois d’Aout : les Pjmax mensuelles oscillent entre 1,2 mm/j (Station Ferme Blanche : 111611) en 1984 et 77,4 mm/j (Station Ain Al Hadjar : 111103) en 1996.

. Mois de Septembre : les Pjmax mensuelles oscillent entre 2,0 mm/j (Station Matemore : 111405) en 1983 et 167,0 mm/j (Station Ain Tifrit : 111204) en 2009.

. Mois d’Octobre : les Pjmax mensuelles oscillent entre 5,4 mm/j (Station Daoud Youb : 110802) en 1983 et 210,7 mm/j (Station Sidi Ali Benyoub : 110201) en 2007.

. Mois de Novembre : les Pjmax mensuelles oscillent entre 4,2 mm/j (Station Trois Rivière : 111516) en 1981 et 226,8 mm/j (Station Ain Trid : 110314) en 1984.

. Mois de Décembre : les Pjmax mensuelles oscillent entre 8,0 mm/j (Station Merine : 110501) en 1974 et 218,9 mm/j (Station Cheurfas Bge : 110402) en 1979.

5.6.2. Pluies maximales saisonnières Les données saisonnières des précipitations maximales journalières (en mm) des 41 stations du bassin versant de la Macta ont été rangées dans une matrice de 41x4, soit 164 tableaux. L'étude de la variabilité saisonnière est indispensable, pour voir si la baisse ou la hausse de la des pluies maximales est spécifique à une saison particulière ou à plusieurs saisons, cela permet de mieux visualiser l’évolution des pluies maximales saisonnières dans le temps. La présente étude consiste à rechercher des tendances des maxima pluviométriques saisonniers. Puisque nous disposons de données mensuelles, les mois de chaque saison sont représentés dans le Tableau 5.5.

100

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.5 Répartition des mois au sein des saisons Saison Mois Hiver Décembre-Janvier- Février Printemps Mars-Avril-Mai Eté Juin-Juillet-Aout Automne Septembre-Octobre-Novembre

Pour chaque station, nous avons calculé le maximum de la pluviométrie pour une saison et une année donnée. 164 (4*41) tableaux ont été formés. Chaque tableau contient en ligne les valeurs de la pluie maximale saisonnière pour une année donnée (Tableau 5.6 au Tableau 5.13). Un simple aperçu sur les données montre la grande variabilité interannuelle des nos données. Citons comme exemple le passage de 47.1 mm/j du printemps 1970 de la station Marais de Sirat à 223 mm/j l’année suivante. La même constatation peut être faite pour toutes les stations et toutes les saisons.

Tableau 5.6 Pluies maximales saisonnières (Hiver 1970-1992) Station RAS EL MA SID ALI BEN YOUB ……….. MARAIS DE SIRAT FERME ASSORAIN Année 110102 110201 ……….. 111616 111617 1970 38,5 64,8 ……….. 30,0 56,0 1971 58,1 79,5 ……….. 66,6 82,0

1972 147,1 75,2 ……….. 66,2 74,5

… … …

… ……….. … 1990 16,2 112,4 ……….. 70,2 112,8 1991 17,3 48,0 ……….. 42,8 60,7 1992 13,5 29,3 ……….. 21,1 56,6

Tableau 5.7 Pluies maximales saisonnières (Hiver 1992-2010) Station RAS EL MA SID ALI BEN YOUB ……….. MARAIS DE SIRAT FERME ASSORAIN Année 110102 110201 ……….. 111616 111617 1992 13,5 29,3 ……….. 21,1 56,6 1993 10,4 54,9 ……….. 28,7 120,3

1994 30,1 60,6 ……….. 58,4 36,7

… … …

… ……….. … 2008 73,6 113,3 ……….. 111,2 99,8 2009 42,7 103,1 ……….. 65,7 73,4 2010 17,5 117,4 ……….. 58,8 55,2

Tableau 5.8 Pluies maximales saisonnières (Printemps 1970-1992) Station RAS EL MA SID ALI BEN YOUB ……….. MARAIS DE SIRAT FERME ASSORAIN Année 110102 110201 ……….. 111616 111617 1970 26,3 54,4 ……….. 47,1 41,5 1971 45,8 109,6 ……….. 223,0 189,0

1972 67,4 82,3 ……….. 81,7 119,0

… … … … … ……….. 1990 40,3 119,6 ……….. 50,3 43,1 1991 134,1 203,7 ……….. 87,9 128,8 1992 78,0 94,3 ……….. 34,0 29,1

101

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.9 Pluies maximales saisonnières (Printemps 1992-2010) Station RAS EL MA SID ALI BEN YOUB ……….. MARAIS DE SIRAT FERME ASSORAIN Année 110102 110201 ……….. 111616 111617 1992 78,0 94,3 ……….. 34,0 29,1 1993 29,0 52,7 ……….. 41,6 64,4

1994 27,0 52,4 ……….. 26,4 46,1

… … … … … ……….. 2008 33,6 72,4 ……….. 28,9 21,8 2009 61,0 57,0 ……….. 63,1 67,7 2010 46,5 91,3 ……….. 58,1 48,5

Tableau 5.10 Pluies maximales saisonnières (Eté 1970-1992) Station RAS EL MA SID ALI BEN YOUB ……….. MARAIS DE SIRAT FERME ASSORAIN Année 110102 110201 ……….. 111616 111617 1970 0,1 2,0 ……….. 6,9 2,5 1971 14,2 17,6 ……….. 5,0 6,5

1972 1,8 2,7 ……….. 0,7 17,0

… … …

… ……….. … 1990 8,5 7,2 ……….. 0,8 0,7 1991 13,2 14,1 ……….. 0,1 0,1 1992 18,6 12,8 ……….. 4,5 45,3 Tableau 5.11 Pluies maximales saisonnières (Eté 1992-2010) Station RAS EL MA SID ALI BEN YOUB ……….. MARAIS DE SIRAT FERME ASSORAIN Année 110102 110201 ……….. 111616 111617 1992 18,6 12,8 ……….. 4,5 45,3 1993 9,8 3,2 ……….. 3,3 0,1

1994 5,0 9,7 ……….. 0,1 0,1

… … …

… ……….. … 2008 14,8 30,7 ……….. 0,1 0,1 2009 20,5 6,0 ……….. 0,1 3,2 2010 44,4 48,4 ……….. 17,7 18,6 Tableau 5.12 Pluies maximales saisonnières (Automne 1970-1992) Station RAS EL MA SID ALI BEN YOUB ……….. MARAIS DE SIRAT FERME ASSORAIN Année 110102 110201 ……….. 111616 111617 1970 34,0 12,8 ……….. 9,4 14,0 1971 118,3 116,9 ……….. 80,1 73,5

1972 43,9 35,1 ……….. 42,4 63,6

… … …

… ……….. … 1990 23,5 29,4 ……….. 49,0 82,3 1991 29,9 30,0 ……….. 37,4 82,9 1992 25,5 26,4 ……….. 5,8 18,1

Tableau 5.13 Pluies maximales saisonnières (Automne 1992-2010) Station RAS EL MA SID ALI BEN YOUB ……….. MARAIS DE SIRAT FERME ASSORAIN Année 110102 110201 ……….. 111616 111617 1992 25,5 26,4 ……….. 5,8 18,1 1993 36,8 50,7 ……….. 53,8 68,9

1994 45,1 53,1 ……….. 39,2 23,8

… … …

… ……….. … 2008 72,3 118,2 ……….. 88,2 84,3 2009 117,1 77,6 ……….. 34,4 37,7 2010 25,3 115,4 ……….. 67,2 82,0

102

Chapitre 5 Zone d’Etude (Description géographique et données)

Les figures de 5.13 à 5.16 montrent l’évolution des pluies extrêmes saisonnières de quelques exemples parmi 41 stations du bassin de la Macta durant les 2 périodes I et II.

Fig. 5.13 Courbes des pluies maximales saisonnières (Hiver)(avec droites de tendances)

Fig. 5.14 Courbes des pluies maximales saisonnières (Printemps)(avec droites de tendances)

103

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.15 Courbes des pluies maximales saisonnières (Eté)(avec droites de tendances)

Fig. 5.16 Courbes des pluies maximales saisonnières (Automne)(avec droites de tendances)

L’analyse des figures 5.13, 5.14, 5.15 et 5.16 mit en évidence que les 03 saisons (Automne,

Hiver et Printemps) montrent des variations importantes des pluies extrêmes (Pjmax). Les pluies maximales saisonnières (Pjmax) dans ces 03 saisons oscillent entre 30 et 240 mm/j. Par contre, la saison d’été est marquée par des fluctuations faibles variant entre 5 et 100 m/j).

104

Chapitre 5 Zone d’Etude (Description géographique et données)

5.6.3. Pluies maximales annuelles L’examen visuel de la figure 5.17, qui présente l’évolution des pluies extrêmes annuelles des 41 stations de la Macta durant la période (1970-2010), permet de constater que la majorité de ces stations se convergent vers des valeurs minimales et se rapprochent aux médianes des séries. Alors, qu’il y a une dispersion des points au début et la fin des séries temporelles d’où l’éventuelle existence d’une rupture dans ces séries. La détection d’une rupture dans les séries permet de mettre en évidence l’évolution du régime pluviométrique de la région étudiée (Meddi et al., 2009). La valeur minimale des cumuls des précipitations maximales des 41 stations correspond à l’année 1992, date probable du changement climatique (Benzater et al., 2019). Blanchet et al. (2018) ont identifié cette approximation des valeurs des maxima annuels des précipitations extrêmes entre 1980 et 1990 dans le sud de la France, 1985 étant la période la plus probable. Pour les pluies totales, Elouissi et al. (2017) ont identifié ce rapprochement des valeurs en 1996-1997 dans le même bassin de la Macta.

Fig. 5.17 Evolution annuelle des pluies maximales journalières des 41 stations de la Macta(1970-2010)

Le tableau 5.14 présente les paramètres statistiques des pluies annuelles des Pjmax des 41 séries temporelles de la Macta.

105

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.14 Paramètres statistiques des pluies maximales annuelles des 41 stations de la Macta N° Nom Station Code Longitude Latitude Max Moyenne Ecart-type CV Station (°) (°) Z (m) (mm) (mm) (σ) (%) 1 RAS EL MA 110102 -0,809334 34,494740 1097 118,3 57,8 26,7 46 2 SID ALI BEN YOUB 110201 -0,734043 34,978248 635 210,7 99,1 43,1 44 3 EL HACAIBA 110203 -0,755568 34,702013 950 168,0 80,8 29,7 37 4 SARNO Bge 110304 -0,574060 35,180350 425 209,7 101,2 41,2 41 5 SIDI BEL ABBES 110305 -0,658583 35,191520 485 186,4 88,6 32,1 36 6 HASSI DAHO 110309 -0,538585 35,091110 650 181,6 95,3 35,2 37 7 MOSTEFA BEN BRAHIM 110312 -0,356967 35,192004 590 195,3 99,9 37,1 37 8 AIN TRID 110314 -0,675747 35,285762 530 226,8 115,0 43,8 38 9 CHEURFAS BGE 110402 -0,251628 35,404398 230 218,9 90,3 41,1 46 10 MERINE 110501 -0,451765 34,781331 970 153,8 81,3 28,5 35 11 DAOUD YOUB 110802 -0,214122 34,920480 660 178,7 64,7 28,9 45 12 MEFTAH SIDI BOUBEKEUR 111102 0,055986 35,031000 530 205,2 81,5 37,0 45 13 AIN EL HADJAR 111103 0,149130 34,757058 1025 168,8 88,7 31,9 36 14 HAMMAM RABI 111112 0,186280 34,931920 710 138,8 74,7 28,4 38 15 OUED TARIA 111201 0,091058 35,115659 501 180,1 79,3 32,4 41 16 AIN TIFRIT 111204 0,401859 34,917816 970 185,7 93,5 35,3 38 17 TAMESNA 111210 0,464584 34,847322 1105 239,9 84,9 37,2 44 18 BENIANE 111217 0,231450 35,101077 630 218,3 86,2 38,4 45 19 MAOUSSA 111401 0,248202 35,378314 494 153,5 85,6 26,3 31 20 MATEMORE 111405 0,215025 35,329824 482 142,0 79,1 21,5 27 21 TIZI 111413 0,076127 35,320075 453 166,4 96,6 27,7 29 22 SIDI KADA 111414 0,344322 35,330201 549 167,3 93,5 29,7 32 23 AIN FARES 111417 0,247782 35,481576 806 247,0 110,9 40,8 37 24 NESMOTH MF 111418 0,381819 35,251571 930 263,7 133,5 50,8 38 25 GHRISS 111424 0,166501 35,246272 498 213,6 90,2 41,1 46 26 MASCARA 111429 0,146428 35,392860 550 164,1 96,5 32,6 34 27 SAHOUET OUIZERT 111502 -0,079531 35,207846 361 161,0 66,7 24,3 36 28 BOU HANIFIA BGE 111503 -0,069807 35,291959 306 174,9 75,5 29,8 39 29 SFISSEF 111508 -0,226020 35,231837 545 199,1 96,4 36,1 37 30 HACINE 111509 -0,004537 35,459880 145 206,0 95,4 37,5 39 31 MOHAMMADIA GRHA 111511 0,104206 35,590378 50 183,1 93,6 34,5 37 32 TROIS RIVIERES 111516 -0,085948 35,218519 315 159,8 65,5 31,2 48 33 OGGAZ 111604 -0,255370 35,564871 73 148,0 78,0 27,9 36 34 BOU HENNI 111605 -0,086492 35,565329 26 132,5 72,8 24,5 34 35 FORNEKA 111606 -0,056751 35,774381 78 178,2 79,4 35,6 45 36 SAMOURIA 111607 0,115319 35,622188 48 189,6 82,2 28,2 34 37 MOCTA DOUZ 111610 -0,046623 35,609550 18 180,6 83,4 38,8 47 38 FERME BLANCHE 111611 0,013060 35,657361 20 165,6 83,4 31,0 37 39 BLED TAOURIA 111612 0,230748 35,835681 118 234,9 96,9 40,3 42 40 MARAIS DE SIRAT 111616 0,176414 35,750668 30 223,0 87,0 36,6 42 41 FERME ASSORAIN 111617 0,277981 35,902936 222 189,0 95,5 34,5 36

106

Chapitre 5 Zone d’Etude (Description géographique et données)

D’après le tableau 5.14, et à l’échelle annuelle, les valeurs maximales des pluies extrêmes journalières varient entre 118,3 mm/j (station Ras El Ma : 110102) située au sud du bassin et 263,7 mm/j (station Nesmoth MF : 111418) située à l’Est du bassin. La variabilité des pluies extrêmes est importante. Elle est minimale au niveau de la station de Matemore (111405) avec un coefficient de variation de 27% et maximale au niveau de la station de Trois Rivières (111516) avec un coefficient de variation de 48%. La variation de l’écart-type oscille entre 21,5 (Matemore: 111405) et 50,8 (Nesmoth MF: 111418).

5.7. Analyse de l’intensité des pluies Pour analyser les intensités des pluies (mm/j) et leurs variabilités, en comparant les deux (02) périodes (1970-1992) et (1992-2010), nous présentons les données des pluies extrêmes, dans des boites à moustaches, à différentes échelles.

5.7.1. Intensité des pluies extrêmes mensuelles La figure 5.18 présente la distribution et variabilité des pluies extrêmes mensuelles.

Fig. 5.18 Comparaison des distributions et variabilités des pluies extrêmes mensuelles. Le trait épais représente la médiane, la boîte est formée par les valeurs des 1er et 3ème quartiles, et les moustaches mesurent maximum 1,5 fois la longueur de l’interquartile (3ème -1er). La ligne rouge représente la moyenne de chaque mois et chaque période.

A partir de la figure 5.18, nous pouvons déduire la variation de l’intensité des pluies extrêmes mensuelles (tableau 5.15).

107

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.15 Variation de l’intensité des pluies extrêmes mensuelles Mois Moyenne mensuelle (mm/j) Moyenne mensuelle (mm/j) Variation mensuelle de l’intensité Période I (1970-1992) Période II (1992-2010) des pluies extrêmes +/- (%) Janvier 101,6 97,0 -4,49% Février 86,9 86,0 -1,05% Mars 94,5 61,0 -35,45% Avril 76,4 81,0 +6,06% Mai 73,9 58,0 -21,49% Juin 32,2 21,0 -34,81% Juillet 13,6 18,0 +32,65% Aout 18,1 29,0 +60,55% Septembre 38,7 57,0 +47,15% Octobre 64,7 74,0 +14,33% Novembre 79,1 95,0 +20,10% Décembre 89,0 87,0 -2,19% L’examen de la figure 5.18 et du tableau 5.15, en comparant la période I (1970-1992) avec la période II (1992-2010), montre que l’intensité des pluies extrêmes mensuelles (en mm/j) a été diminuée pour les six (06) mois suivants : janvier (4,49%), février (1,05%), mars (35,45%), mai (21,49%), juin (34,81%) et décembre (2,19%). Par contre, une augmentation de l’intensité des pluies a été marquée pour les six (06) autres mois: avril (6,06%), juillet (32,65%), aout (60,55%), septembre (47,15%), octobre (14,33%) et novembre (20,10%). Le mois d’aout se marque par une forte augmentation de l’intensité des pluies extrêmes (60,55%) suivi par septembre (47,15%).

5.7.2. Intensité des pluies extrêmes saisonnières La figure 5.19 présente la distribution et variabilité des pluies extrêmes saisonnières.

Fig. 5.19 Comparaison des distributions et variabilités des pluies extrêmes saisonnières. Le trait épais représente la médiane, la boîte est formée par les valeurs des 1er et 3ème quartiles, et les moustaches mesurent maximum 1,5 fois la longueur de l’interquartile (3ème -1er).La ligne rouge représente la moyenne de chaque saison et chaque période.

A partir de la figure 5.19, nous pouvons déduire la variation de l’intensité des pluies extrêmes saisonnières (tableau 5.16).

108

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.16 Variation de l’intensité des pluies extrêmes saisonnières Saison Moyenne saisonnière (mm/j) Moyenne saisonnière (mm/j) Variation saisonnière de l’intensité Période I (1970-1992) Période II (1992-2010) des pluies extrêmes +/- (%) Hiver 138,0 129,1 -6,48% Printemps 123,0 104,9 -14,70% Eté 38,9 39,2 0,69% Automne 94,8 113,1 19,25%

L’examen de la figure 5.19 et du tableau 5.16,en comparant la période I (1970-1992) avec la période II (1992-2010), montre que l’intensité des pluies extrêmes saisonnières (en mm/j) a été diminuée pour les deux (02) saisons : hiver (6,48%) et printemps (14,70%). Par contre, une augmentation de l’intensité des pluies a été marquée pour la saison d’été (0,69%) et l’automne (19,25%). La saison d’automne montre une augmentation importante de 19,25%. Ceci justifié les crues et les inondations automnales que vivent nos villes ces dernières années et consolide nos recherches dans le chapitre 1.

5.7.3. Intensité des pluies extrêmes annuelles La figure 5.20 présente la distribution et variabilité des pluies extrêmes annuelles.

Fig. 5.20 Comparaison des distributions et variabilités des pluies extrêmes annuelles. Le trait épais représente la médiane, la boîte est formée par les valeurs des 1er et 3ème quartiles, et les moustaches mesurent maximum 1,5 fois la longueur de l’interquartile (3ème -1er).La ligne rouge représente la moyenne annuelle pour chaque période.

A partir de la figure 5.20, nous pouvons déduire la variation de l’intensité des pluies extrêmes annuelles (tableau 5.17).

Tableau 5.17 Variation de l’intensité des pluies extrêmes annuelles An Moyenne annuelle (mm/j) Moyenne annuelle (mm/j) Variation annuelle de l’intensité Période I (1970-1992) Période II (1992-2010) des pluies extrêmes +/- (%) Annuel 175,7 159,6 -9,15%

L’examen de la figure 5.20 et du tableau 5.17 montre que l’intensité des pluies extrême annuelles (en mm/j) a montré une légère diminution durant la deuxième période (1992-2010) de l’ordre de 9,15%.

109

Chapitre 5 Zone d’Etude (Description géographique et données)

5.8. Cartographie des pluies maximales journalières (Pjmax) Le but d’établissement des cartes est de représenter la distribution spatio-temporelle des pluies maximales journalières durant la période1970-2010. La densité des pluviomètres n’étant jamais suffisante pour refléter la variabilité des précipitations à une échelle spatiale fine (Laborde, 1984 ; Weisse, 1998). La cartographie permet d'évaluer la variabilité spatiale des résultats à venir à partir de statistiques descriptives (Berthelot, 2008). Elle permet aussi de spatialiser une information ponctuelle. L’approche géostatistique (krigeage) a été adopté, après identification de l'espace structure à partir des valeurs mesurées dans les stations (Hevesi et al., 1992).Le krigeage est une méthode stochastique d’interpolation spatiale qui estimer la (les) valeur (s) de la variable régionalisée à l'étude échantillonné par une combinaison de données au point mesures tout en en tenant compte de la distance et du degré de variation entre eux (Baillargeon 2005). C'est une méthode d'estimation linéaire sans biais qui minimise la variance de l'estimation (Lawin et al. 2012). Il a été utilisé dans cette étude le Kriging ordinaire qui est le plus fréquemment utilisé (Gratton 2002). La première étape consiste à construire le variogramme expérimental et estimer son modèle. La deuxième étape consiste à utiliser le modèle variogramme pour déterminer les poids des échantillons qui seront être utilisé pour Krigeage.

5.8.1. Cartes des pluies maximales mensuelles La figure 5.21 présente les cartes des pluies maximales mensuelles des 12 mois pour la période (1970-2010) : - Les mois de janvier et février se caractérisent par une distribution homogène des pluies extrêmes sur l’ensemble du bassin qui varie entre 40 et 150 mm/j. Sauf une petite partie de l’Est du bassin qui se marque par de fortes pluies allant jusqu’à 230 mm/j. - Pour les mois de Mars et d’Avril, les plus fortes pluies extrêmes se basculent vers l’ouest du bassin (220 mm/j). Le reste du bassin préserve la tendance par rapport aux mois précédents. - Le mois de Mai présente la même distribution que les deux mois précédents sauf que dans ce mois, l’intensité des pluies se distingue par son apogée (263,7 mm/j au niveau de la station Nesmoth MF (111418) pour l’année 1970). - Les mois de Juin, Juillet et Aout présentent une distribution homogène des faibles valeurs des maxima journaliers des pluies allant de 10 à 100 mm/j. Des valeurs plus élevées (jusqu’à 160 mm/j) commencent à apparaitre dans le sud du bassin au cours du mois de Septembre. - Pour les mois d’Octobre, Novembre et Décembre, les pluies extrêmes augmentent d’intensité (100 à 240 mm/j) sur l’ensemble du bassin avec des valeurs élevées dans le centre et le Nord.

110

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.21 Cartes des précipitations maximales (Pjmax) mensuelles

111

Chapitre 5 Zone d’Etude (Description géographique et données)

5.8.2. Cartes des pluies maximales saisonnières - A l’été, la carte des pluies maximales saisonnières (Fig. 5.22) montre une distribution homogène des pluies allant de 10 à 100 mm/j. - La saison d’automne (Fig. 5.22) se caractérise par une tendance croissante des valeurs extrêmes surtout dans le centre du bassin (100 à 220 mm/j). - A l’hiver, les valeurs les plus élevées se dirigent vers le Nord et l’est avec la même intensité de l’automne (100 à 220 mm/j). - Au printemps, les valeurs les plus élevées des pluies extrêmes (>260 mm/j) se manifestent à l’est du bassin versant.

Fig. 5.22 Cartes des précipitations maximales (Pjmax) saisonnières

5.8.3. Carte des pluies maximales annuelles Les valeurs des maxima des pluies extrêmes quotidiennes oscillent annuellement entre 90 et 264 mm/j. Les plus faibles pluies des maxima annuels se localisent surtout au sud du bassin de la Macta (Fig. 5.23) malgré leurs situations géographiques qui présentent des altitudes maximales du bassin versant. Par exemple les stations : Ras El Ma (110102) et Ain El Hadjar (111103) avec respectivement 1105 m et 1097 m d’altitude n’ont enregistré qu’un maximum de pluie journalière de l’ordre de 100 à 160 mm/j. Par contre, les plus fortes pluies des maxima annuels se distribuent au Nord et à l’Est du bassin avec des altitudes minimales. Par exemple, la station Marais de Sirat (111616), qui se trouve à côté de

112

Chapitre 5 Zone d’Etude (Description géographique et données) la mer méditerranée avec seulement 30 m d’altitude, enregistre un maximum de pluie journalière de 220 à 240 mm/j. La station de Nesmoth MF (111418) qui culmine 930 m d’altitude a enregistré un maximum de pluie journalière de 264 mm/j. Les valeurs des pluies maximales journalières qui varient entre 180 et 264 mm/j occupent le 2/3 du bassin.

Fig. 5.23 Carte des précipitations maximales (Pjmax) annuelles

5.9. Etude de la variation des pluies maximales journalières Dans le but de savoir l’amplitude de la fluctuation des pluies maximales journalières dans le bassin versant de la Macta et d’avoir une idée sur la dispersion des pluies autour de la moyenne, nous avons cartographie les coefficients de variation (CV en %) à différentes échelles mensuelle, saisonnière et annuelle. Le coefficient de variation est calculé par l’équation (5.6) :  CV  x (5.6) CV : Coefficient de variation (%) X

 x : Ecart-type : Moyenne de la série (mm) X

5.9.1. Cartographie des coefficients mensuels de variation (CV) Le tableau 5.18 présente les coefficients mensuels de variation (en %) des pluies maximales journalières du bassin versant de la Macta. Les valeurs des coefficients de variation oscillent entre 50% et 436%. Ces valeurs montrent l’ampleur de la dispersion des pluies extrêmes.

113

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.18 Coefficients mensuels de variation (CV en %)

Code Jan Fev Mars Avr Mai Juin Juil Aout Septembre Octobre Novembre Décembre P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 110102 82,20 74,77 90,94 84,18 116,76 118,71 91,91 90,74 86,67 108,11% 138,58 218,73 166,51 164,26 163,67 99,92 120,09 102,18 104,81 96,85 111,23 78,98 101,16 100,46 110201 80,91 79,80 87,45 71,19 89,53 90,52 103,51 80,72 97,70 87,54% 124,01 185,50 184,14 266,56 148,60 132,01 77,14 113,91 94,99 111,67 82,71 51,94 83,84 75,79 110203 74,43 76,53 85,33 62,99 95,70 94,92 88,67 78,74 97,47 90,63% 105,51 167,46 174,63 200,80 150,98 125,41 91,8 109,83 99,27 83,45 76,44 57,11 84,97 87,22 110304 68,45 71,72 66,08 69,41 77,09 96,16 82,53 60,58 103,33 88,01% 126,62 113,05 175,05 290,36 158,92 140,19 111,77 94,57 102,68 113,10 95,49 74,02 97,93 62,25 110305 65,70 67,36 76,37 70,90% 80,19 104,58 73,73 53,62 91,42 85,89% 170,27 215,31 206,68 219,89 179,91 129,20 116,25 82,81 108,10 100,25 94,20 52,58 67,95 70,34 110309 75,08 79,64 77,08 71,08 83,37 102,93 79,02 72,11 99,31 104,88% 101,29 194,04 189,17 248,90 219,91 270,56 81,84% 95,49 95,32 121,34 93,57 68,17 83,41 97,01 110312 78,40 83,16 69,65 86,83 69,95 105,67 85,62 67,31 102,96 97,86% 135,77 222,04 171,52 394,18 272,96 214,58 127,17 109,7 110,36 90,99 89,17 65,45 92,27 84,77 110314 63,40 77,06 62,46 74,88 74,62 97,46 76,29 68,53 95,50 87,65% 146,44 334,74 186,50 276,21 161,10 184,72 88,37 92,91 92,75 82,25 90,35 68,91 99,58 66,37 110402 65,55 77,72 68,45 61,40 96,02 95,95 94,52 66,31 107,22 87,14% 126,30 121,37 193,68 239,48 115,54 165,87 120,74 76,78 98,90 82,71 84,38 71,53 120,57 80,57 110501 72,82 75,95 67,42 66,05 75,78 85,42 97,7 65,33 94,14 87,73% 86,54 223,18 171,42 155,06 123,32 109,39 106,90 87,81 110,11 90,54 86,18 57,08 78,71 73,07 110802 72,84 89,83 99,31 76,01 96,75 98,95 91,26 76,60 82,03% 104,18% 123,05 164,84 171,49 192,88 194,19 145,16 115,39 71,90 99,55 77,52 137,45 75,51 90,75 78,58 111102 77,12 79,38 77,22 66,80 92,74 108,04 98,59 76,79 107,26 83,61% 113,70 168,29 194,10 264,42 223,92 185,03 139,71 74,97 108,20 123,50 113,55 59,33 108,91 62,77 111103 74,31 80,14 101,90 71,44 103,14 97,87 85,87 77,40 85,92 86,25% 129,92 184,36 146,19 178,71 185,30 159,24 125,46 84,18 105,09 103,53 81,15% 54,30 64,85 58,85 111112 84,01 87,64 88,07 74,95 92,79 95,12 79,12 72,14 101,29 100,02% 122,87 149,45 176,40 170,81 194,66 122,69 121,83 104,25 112,91 87,76 85,49 58,40 103,85 69,60 111201 101,88 79,29 76,52 75,59 87,5 87,48 94,98 75,90 122,64 86,44% 124,44 233,24 258,70 237,40 251,34 177,50 102,33 88,05 116,76 71,98 115,64 67,39 110,65 75,37 111204 78,28 91,72 86,05 71,23 79,83 80,85 60,80 66,59 118,37 88,37% 148,89 147,90 161,67 164,13 183,37 115,14 122,76 147,88 92,98 96,39 69,94 54,82 86,10 56,47 111210 74,47 111,83 71,29 117,36 90,74 97,82 75,22 79,05 88,69 80,75% 113,63 189,58 143,78 253,50 135,58 96,83 102,73 132,29 99,70 116,76 100,47 71,01 77,05 74,29 111217 97,23 97,79 90,50 86,97 81,92 84,53 92,42 70,88 111,49 86,95% 152,85 153,22 228,16 276,94 177,08 168,61 134,88 73,52 103,97 105,68 96,12 70,26 103,46 71,89 111401 84,31 79,86 96,79 67,31 67,21 93,21 79,90 70,01 102,21 93,13% 138,79 242,47 300,83 435,89 221,01 150,31 154,14 72,30 114,97 83,63 96,69 69,20 90,08 72,51 111405 71,94 81,21 76,16 65,00 69,13 96,10 77,72 79,05 90,25 83,13% 117,87 232,39 239,94 212,06 212,85 189,83 140,1 84,52 108,80 70,12% 69,97 58,22 74,96 80,75 111413 75,78 78,80 67,33 64,09 65,50 85,51 79,19 74,13 118,35 100,51% 141,67 161,20 295,70 296,25 273,37 176,82 115,28 78,82 88,21 71,63 89,73 67,65 89,54 65,43 111414 62,85 89,05 66,34 76,63 68,18 86,34 72,14 88,40 108,92 98,44% 121,17 149,76 282,68 162,35 161,10 131,30 91,87 77,57 104,00 100,35 80,20 55,68 81,51 73,40 111417 88,31 78,73 68,07 57,72 71,19 83,28 74,4 76,59 130,41 98,16% 114,29 159,44 241,01 215,69 219,77 151,48 123,80 55,76 100,21 88,71 69,32 61,73 65,57 74,53 111418 83,72 92,96 64,15 72,11 73,59 80,88 84,13 83,92 119,41% 89,38% 139,74 159,48 158,28 234,29 189,34 112,19 131,14 93,68 100,08 81,53 85,41 71,12 93,65 72,49 111424 75,67 69,60 109,51 77,54 87,55 95,26 75,96 75,86 107,73 83,31% 133,15 220,45 176,65 231,46 286,22 157,61 102,84 88,46 105,36 76,22 92,32 59,04 100,84 76,22 111429 79,33 81,42 50,37 53,01 68,73 87,53 91,94 86,62 100,40 86,08% 108,36 163,24 170,01 239,50 192,63 138,05 75,38 77,50 90,51 87,65 94,29 70,36 91,07 84,09 111502 65,16 86,55 81,71 70,83 64,55 87,5 66,4 84,14 78,46 90,35% 117,92 193,48 278,13 319,48 207,30 158,39 114,30 90,02 97,71 56,24 110,16 67,84 112,05 75,36 111503 83,63 78,14 75,60 81,42 78,94 86,03 78,87 73,50 85,67 86,72% 125,07 165,26 218,81 200,80 212,33 201,10 115,35 96,27 90,66 77,38 102,08 77,49 120,09 64,71 111508 76,48 99,76 76,19 79,49 85,14 104,5 75,25 72,96 102,91 85,94% 112,14 212,19 181,07 256,50 167,25 157,50 93,39 82,27 109,00 82,63 88,70 76,72 97,80 84,22 111509 80,31 86,94 76,15 68,33 77,31 96,61 80,50 83,56 97,88 101,24% 200,33 156,34 305,57 305,29 232,09 167,87 146,01 84,94 105,19 90,22 81,85 69,10 128,38 83,6 111511 75,20 73,45 68,24 67,71 75,88 107,37 85,87 69,69 122,60 98,53% 143,36 166,32 378,10 305,68 156,43 216,65 119,13 76,29 96,70 84,25 74,55 55,17 108,72 95,04 111516 107,15 79,94 86,27 73,86 101,09 85,21 74,32 80,96 149,59 89,28% 113,23 210,12 322,78 299,4 205,83 179,89 107,16 100,27 93,93 70,76 114,57 71,88 101,42 67,77 111604 76,35 83,74 81,59 59,78 74,27 100,32 114,85 99,87 109,29 105,93% 155,04 174,61 317,02 180,00 305,55 313,42 193,68 109,01 104,58 100,88 97,19 72,40 96,73 78,12 111605 80,18 74,97 76,86 63,87 67,23 85,64 98,63 80,63 116,53 92,58% 146,00 163,35 290,36 269,58 215,81 249,59 114,51 94,62 94,54 73,28 74,92 64,68 114,72 82,12 111606 74,10 68,52 64,82 77,86 83,06 87,74 103,73 74,95 129,18 113,09% 135,46 143,14 222,35 435,89 234,07 248,38 126,72 114,51 115,46 95,97 80,35 63,82 112,74 96,42 111607 89,84 86,03 77,03 72,92 77,21 94,72 72,13 72,45 120,28 111,69% 144,91 161,41 337,03 381,66 224,76 200,64 148,66 94,94 100,71 85,30 85,32 60,13 120,55 93,43 111610 90,60 71,07 87,09 77,07 78,0 79,78 96,58 74,59 95,78 88,50% 177,92 117,71 197,86 141,98 236,82 147,81 119,82 94,34 105,65 81,08 93,39 79,00 119,35 103,25 111611 75,41 69,97 75,70 65,12 68,12% 81,88 85,88 70,56 133,24 90,80% 137,07 118,01 198,54 190,51 134,04 146,62 135,47 101,02 102,22 73,92 83,06 65,41 103,18 85,37 111612 71,76 69,02 72,91 66,63 77,96 80,80 110,72 73,14 194,88 110,17% 221,41 154,55 317,60 374,16 246,18 217,59 167,68 78,45 99,58 82,40 90,66 77,11 83,54 87,61 111616 87,82 68,99 83,69 72,08 79,05 91,21 104,10 77,51 164,67 100,68% 166,36 302,07 287,60 290,24 239,00 163,33 186,24 98,03 105,07 83,94 81,59 73,47 80,42 94,16 111617 69,68 86,89 74,23 85,99 63,64 94,24 71,90 75,40 138,89 88,31% 175,86 197,82 297,42 404,87 370,91 232,78 160,57 90,53 110,86 80,53 81,76 64,27 81,56 75,54 Les valeurs en gras marquent les coefficients les plus élevés

114

Chapitre 5 Zone d’Etude (Description géographique et données)

Dans le tableau 5.18 et la figure 5.24, qui présentent les coefficients de variation mensuels, nous constatons que les coefficients de variation mensuels sont très hétérogènes et oscillent entre 50% et 440%. Ce spectre de fluctuation est assez large et reflète le caractère exceptionnel des pluies extrêmes. D’après la figure 5.20, tous les mois sont caractérisés par des coefficients de variation variant entre 50% et 200%, à l’exception des mois de juin (période II), mois de juillet (période I et II) et le mois d’Aout (périodes I et II) dont les coefficients de variation sont trop élevé allant de 90% à 440%. D’après le tableau 5.18, la station qui présente le coefficient de variation mensuel le plus faible (50,37%), est la station de Mascara (111429), située à l’Est du bassin versant, durant le mois de février période I (1970-1992), par contre le coefficient de variation le plus élevé (435.89%) est enregistré au niveau de la station de Forneka (111606) située au Nord-Ouest du bassin durant le mois de juillet pendant la deuxième période (1992-2010)(Fig.5.21). Cette élévation des coefficients de variation durant cette période (juin, juillet et aout) peut être expliquée par les pluies orageuses caractérisant la période estivale.

Fig. 5. 24 Cartes de Coefficients de variation mensuels (CV en %) des Pluies maximales journalières de la Macta

115

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5. 24 Carte des Coefficients de variation mensuels (CV en %) des Pluies maximales journalières de la Macta (suite)

5.9.2. Cartographie des coefficients saisonniers de variation (CV) Le tableau 5.19 présente les coefficients saisonniers de variation (en %) des pluies maximales journalières du bassin versant de la Macta. Les valeurs des CV saisonniers varient entre 39% et 233%.

116

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.19 Coefficients saisonniers de variation (CV en %) Code_Station Nom_Station Hiver Printemps Eté Automne P1 P2 P1 P2 P1 P2 P1 P2 110102 RAS EL MA 57,03 65,16 62,69 66,61 118,97 105,42 85,99 64,29 110201 SID ALI BEN YOUB 46,74 54,74 77,02 54,50 91,49 119,51 70,23 74,62 110203 EL HACAIBA 48,67 53,58 66,67 50,21 83,83 99,01 64,35 55,77 110304 SARNO Bge 46,82 46,11 58,44 44,75 102,69 100,08 73,34 70,62 110305 SIDI BEL ABBES 39,07 45,58 55,46 48,45 108,07 133,20 75,19 56,25 110309 HASSI DAHO 41,83 61,09 60,43 49,78 88,48 163,50 72,58 67,03 110312 MOSTEFA BEN BRAHIM 44,81 54,91 55,93 50,52 129,75 147,15 73,48 54,40 110314 AIN TRID 39,60 53,10 54,83 51,32 118,72 233,16 76,58 58,07 110402 CHEURFAS BGE 65,99 51,90 62,92 46,41 91,61 106,23 62,60 64,42 110501 MERINE 44,78 50,79 58,55 47,21 73,02 106,91 65,51 58,02 110802 DAOUD YOUB 59,35 59,82 68,86 47,82 111,48 106,14 96,65 45,50 111102 MEFTAH SIDI BOUBEKEUR 51,05 51,46 64,47 48,16 101,58 126,74 90,44 79,06 111103 AIN EL HADJAR 46,96 45,15 74,77 51,07 109,25 121,29 73,52 64,40 111112 HAMMAM RABI 59,67 57,01 71,23 45,94 94,94 96,49 69,14 60,83 111201 OUED TARIA 61,34 49,48 71,09 40,54 114,53 137,80 90,37 50,27 111204 AIN TIFRIT 48,25 51,53 53,58 45,27 119,22 97,64 60,23 70,70 111210 TAMESNA 40,83 80,99 58,93 43,10 81,31 89,80 70,78 76,69 111217 BENIANE 60,78 66,21 66,91 41,71 129,43 114,22 70,47 70,05 111401 MAOUSSA 56,50 51,22 52,49 42,16 124,77 128,01 72,73 62,74 111405 MATEMORE 41,78 53,71 51,08 42,37 99,28 138,51 54,32 52,62 111413 TIZI 43,66 46,96 57,13 39,72 145,75 127,79 64,66 52,83 111414 SIDI KADA 46,13 53,71 54,01 58,95 118,19 100,14 65,25 59,88 111417 AIN FARES 50,58 51,22 63,98 43,39 96,01 109,34 53,99 57,79 111418 NESMOTH MF 47,34 69,01 63,52 51,18 107,41 90,43 68,76 61,50 111424 GHRISS 66,68 55,56 69,12 47,93 119,76 132,39 73,05 52,19 111429 MASCARA 55,52 51,17 54,06 46,70 93,10 102,77 74,43 61,83 111502 SAHOUET OUIZERT 54,83 50,55 44,87 47,72 104,65 125,44 76,17 51,95 111503 BOU HANIFIA BGE 59,22 54,95 50,38 38,90 109,21 137,21 73,71 55,55 111508 SFISSEF 48,57 57,87 63,96 46,73 83,66 121,13 68,49 61,21 111509 HACINE 67,46 51,55 56,11 42,03 159,12 107,27 62,90 62,24 111511 MOHAMMADIA GRHA 61,06 54,25 59,25 46,21 125,34 149,21 60,62 52,35 111516 TROIS RIVIERES 65,65 47,54 80,70 45,02 93,15 143,85 82,80 54,18 111604 OGGAZ 49,87 51,23 57,82 49,76 128,66 143,03 70,26 61,81 111605 BOU HENNI 60,45 47,72 51,63 46,92 120,82 134,94 58,67 55,33 111606 FORNEKA 66,23 54,54 59,90 46,07 126,30 133,01 59,05 54,49 111607 SAMOURIA 60,81 53,78 48,91 45,16 116,98 147,68 58,96 54,62 111610 MOCTA DOUZ 70,39 61,27 50,62 43,20 165,20 89,22 70,73 70,03 111611 FERME BLANCHE 58,17 51,56 55,83 38,94 113,72 99,89 55,75 60,11 111612 BLED TAOURIA 50,97 48,73 79,23 43,47 183,18 215,59 68,97 66,78 111616 MARAIS DE SIRAT 53,47 52,95 79,98 50,22 146,11 145,54 63,92 64,79 111617 FERME ASSORAIN 47,61 49,93 59,19 45,06 152,40 151,15 60,84 62,01 Dans le tableau 5.19 et la figure 5.25, qui présentent les coefficients de variation saisonniers, nous constatons que les coefficients de variation oscillent entre 39% et 233%. Ce spectre de fluctuation est moins large par rapport aux coefficients mensuels de variation (jusqu’à 440%). D’après le tableau 5.19, la station, qui présente le coefficient de variation saisonnier le plus faible (38,90%), est de la station de Bouhanifia Bge (111503), située au Centre du bassin versant, et enregistré durant la saison de printemps durant la période II (1992-2010), par contre le coefficient de variation saisonnier le plus élevé (233,16%) est enregistré au niveau de la station de Ain Trid (110314) située au à l’Ouest du bassin (Fig.5.25) durant la saison d’été pendant la deuxième période.

117

Chapitre 5 Zone d’Etude (Description géographique et données)

Fig. 5.25 Carte des Coefficients de variation saisonniers (CV en %) des Pluies extrêmes de la Macta

5.9.3. Cartographie des coefficients annuels de variation (CV) Le tableau 5.20 présente les coefficients annuels de variation (en %) des pluies maximales journalières du bassin versant de la Macta. Les valeurs des CV annuels varient entre 23% et 57%.

118

Chapitre 5 Zone d’Etude (Description géographique et données)

Tableau 5.20 Coefficients annuels de variation (CV en %) Code_Station Nom_Station CV annuel (%) P1 P2 110102 RAS EL MA 46,79 38,85 110201 SID ALI BEN YOUB 45,34 43,55 110203 EL HACAIBA 40,50 33,11 110304 SARNO Bge 39,55 38,31 110305 SIDI BEL ABBES 37,06 32,22 110309 HASSI DAHO 36,87 38,12 110312 MOSTEFA BEN BRAHIM 37,21 31,98 110314 AIN TRID 32,75 34,75 110402 CHEURFAS BGE 52,18 32,79 110501 MERINE 36,16 35,30 110802 DAOUD YOUB 57,17 26,44 111102 MEFTAH SIDI BOUBEKEUR 44,52 48,85 111103 AIN EL HADJAR 41,44 28,56 111112 HAMMAM RABI 43,35 31,44 111201 OUED TARIA 46,53 24,62 111204 AIN TIFRIT 31,01 46,37 111210 TAMESNA 34,50 55,51 111217 BENIANE 40,99 47,45 111401 MAOUSSA 31,74 28,17 111405 MATEMORE 25,51 24,12 111413 TIZI 29,94 23,49 111414 SIDI KADA 30,97 35,14 111417 AIN FARES 41,25 30,24 111418 NESMOTH MF 35,65 42,77 111424 GHRISS 42,18 24,75 111429 MASCARA 36,82 31,37 111502 SAHOUET OUIZERT 42,36 27,99 111503 BOU HANIFIA BGE 42,70 26,29 111508 SFISSEF 39,30 32,67 111509 HACINE 41,83 30,56 111511 MOHAMMADIA GRHA 39,62 32,15 111516 TROIS RIVIERES 53,73 22,83 111604 OGGAZ 34,86 37,86 111605 BOU HENNI 35,85 30,53 111606 FORNEKA 42,96 39,51 111607 SAMOURIA 35,45 28,31 111610 MOCTA DOUZ 43,46 45,37 111611 FERME BLANCHE 40,25 33,87 111612 BLED TAOURIA 43,59 38,76 111616 MARAIS DE SIRAT 44,91 37,20 111617 FERME ASSORAIN 34,50 31,72

Dans le tableau 5.20 et la figure 5.26, qui présentent les coefficients de variation annuels, nous constatons que les coefficients de variation oscillent entre 23% et 57%. Ce spectre de fluctuation devient de plus en plus serré par rapport aux coefficients de variation mensuels (jusqu’à 440%) et saisonniers (233%). D’après la figure 5.26, toutes les stations, et durant les deux (02) périodes, sont caractérisées par des coefficients de variation annuels homogènes variant entre 23% et 57%. D’après le tableau 5.20, la station, qui présente le coefficient de variation annuel le plus faible (22,83%), est de la station de Trois Rivières (111516) (Centre du bassin versant), enregistré durant la

119

Chapitre 5 Zone d’Etude (Description géographique et données) période II (1992-2010), par contre le coefficient de variation annuel le plus élevé (57,17%) est enregistré au niveau de la station de Daoud Youb (110802) située au Sud du bassin (Fig.5.26) pendant la première période (1970-1992).

Fig. 5.26 Carte des Coefficients de variation annuels (CV) des Pjmax de la Macta

L’analyse de la fluctuation des coefficients de variation (CV) des pluies extrêmes à différentes échelles mensuelle, saisonnière et annuelle a montré que les amplitudes des CV sont faibles à l’échelle annuelle (57%). Elles progressent et deviennent plus importantes à l’échelle mensuelle (440%) passant par l’échelle saisonnière (233%). Des grandes amplitudes dans les précipitations maximales montrent le caractère destructeur de ces pluies à l’échelle journalière.

5.10. Conclusion

L’analyse de la distribution spatiotemporelle des pluies extrêmes, dans 41 stations de la Macta durant la période (1970-2010), permet de dégager : - A l’échelle mensuelle : les mois de janvier et février se caractérisent par une distribution régulière des pluies extrêmes sur l’ensemble du bassin qui varie entre 40 et 150 mm/j. Pour les mois de Mars et d’Avril, les plus fortes pluies extrêmes se basculent vers l’ouest du bassin (220 mm/j). Le mois de Mai se caractérise par une intensité des pluies extrêmes maximale (apogée de 263,7 mm/j au niveau de la station Nesmoth MF (111418) à l’est du bassin pour l’année 1970). Les mois de Juin, Juillet et Aout présentent une distribution régulière de faibles valeurs des maxima journaliers des pluies allant de 10 à 100 mm/j. Pour les mois d’Octobre, Novembre et Décembre, les pluies extrêmes augmentent d’intensité (100 à 240 mm/j) sur l’ensemble du bassin avec des valeurs élevées dans le centre et le Nord.

120

Chapitre 5 Zone d’Etude (Description géographique et données)

- A l’échelle saisonnière : à l’été, la carte des maxima des pluies journalières montre une distribution homogène des pluies allant de 10 à 100 mm/j. La saison d’automne se caractérise par des valeurs extrêmes élevées surtout dans le centre du bassin (100 à 220 mm/j). A l’hiver, les valeurs les plus élevées se dirigent vers le Nord et l’Est avec la même intensité de l’automne (100 à 220 mm/j). Au printemps, les valeurs les plus élevées des pluies extrêmes (>260 mm/j) se manifestent à l’est du bassin versant. - A l’échelle annuelle : les valeurs des maxima des pluies extrêmes quotidiennes oscillent annuellement entre 90 et 264 mm/j. Les plus faibles pluies des maxima annuels se localisent surtout au sud du bassin de la Macta malgré leurs situations géographiques qui présentent des altitudes maximales du bassin versant. Par contre, les plus fortes pluies des maxima annuels se distribuent au Nord et à l’Est du bassin. Par exemple, la station Marais de Sirat (111616), qui se trouve à côté de la Méditerranée avec seulement 30 m d’altitude, enregistre un maximum de pluie journalière de 220 à 240 mm/j. La station de Nesmoth MF (111418) qui culmine 930 m d’altitude a enregistré un maximum de pluie journalière de 264 mm/j. Les valeurs des pluies maximales journalières qui varient entre 180 et 264 mm/j occupent le 2/3 du bassin.

Pour la dispersion spatiotemporelle des pluies extrêmes, nous avons pu dégager : - A l’échelle mensuelle : les coefficients mensuels de variation (en %), des pluies maximales journalières du bassin versant de la Macta, oscillent entre 50% et 440%. Ce spectre de fluctuation est assez large et reflète le caractère extrême des pluies maximales journalières. Surtout les mois de juin (période II), mois de juillet (période I et II) et le mois d’Aout (périodes I et II) dont les coefficients de variation sont trop élevés allant de 90% à 440%. Cette élévation des coefficients de variation durant cette période (juin, juillet et aout) peut être expliquée par les pluies orageuses caractérisant la période estivale. - A l’échelle saisonnière : les coefficients de variation saisonniers varient entre 39% et 233%. Ce spectre de fluctuation est moins large par rapport aux coefficients mensuels de variation (jusqu’à 440%). La station, qui présente le coefficient de variation saisonnier le plus faible (38,90%), est la station de Bouhanifia Bge (111503) (Centre du bassin versant), enregistré durant la saison de printemps durant la période II (1992-2010), par contre le coefficient de variation saisonnier le plus élevé (233,16%) est enregistré au niveau de la station de Ain Trid (110314) située à l’Ouest du bassin durant la saison d’été pendant la deuxième période (1992- 2010). - A l’échelle annuelle : nous constatons que les coefficients de variation annuels oscillent entre 23% et 57%. Ce spectre de fluctuation devient de plus en plus serré par rapport aux coefficients

121

Chapitre 5 Zone d’Etude (Description géographique et données)

de variation mensuels (jusqu’à 440%) et saisonniers (233%). Toutes les stations, et durant les deux (02) périodes, sont caractérisées par des coefficients de variation homogènes variant entre 23% et 57%. L’analyse de la fluctuation des coefficients de variation (CV) des pluies extrêmes à différentes échelles mensuelle, saisonnière et annuelle a montré que les amplitudes des CV sont faibles à l’échelle annuelle (57%). Elles progressent et deviennent plus importantes à l’échelle mensuelle (440%) passant par l’échelle saisonnière (233%). Des grandes amplitudes dans les précipitations maximales montrent le caractère destructeur de ces pluies à l’échelle journalière.

En matière d’intensité des pluies, en comparant les deux (02) périodes (1970-1992) et (1992- 2010), nous avons constaté : - Une diminution mensuelle pour les six (06) mois : janvier (4,49%), février (1,05%), mars (35,45%), mai (21,49%), juin (34,81%) et décembre (2,19%). Par contre, une augmentation de l’intensité des pluies a été marquée pour les six (06) autres mois: Avril (6,06%), juillet (32,65%), aout (60,55%), septembre (47,15%), octobre (14,33%) et novembre (20,10%). - Une diminution saisonnière pour l’hiver (6,48%) et le printemps (14,70%). Contrairement, une augmentation de l’intensité des pluies a été marquée pour la saison d’été (0,69%) et l’automne (19,25%). Ceci justifiée les crues et les inondations automnales catastrophiques que vivent nos villes ces dernières années. Cette constatation consolide la conclusion du premier chapitre, qui estime que 85% des inondations, en Algérie, sont enregistrées durant cette saison. - Annuellement une légère diminution de l’ordre de 9,15% durant la deuxième période (1992- 2010) a été constatée.

122

CHAPITRE VI

ETUDE DE L’EVOLUTION DES PLUIES EXTREMES TENDANCES DES PLUIES MAXIMALES JOURNALIERES

(Y A-T-IL VRAIMENT UN CHANGEMENT CLIMATIQUE DANS NOTRE ZONE D’ETUDE?)

Chapitre 6 Etude de l’évolution des pluies extrêmes

VI- Chapitre 6 : Etude de l’évolution des pluies extrêmes (tendances des pluies maximales)

6.1.Introduction Les conséquences de la variabilité des ressources en eau sur les activités humaines ont appelé l’attention de nombreux scientifiques et organisations dans le monde, sur la nécessité de reconsidérer les acquis antérieurs. Outre leur volonté de mieux comprendre le phénomène. L'impact du changement climatique est l'un des principaux défis de l'approvisionnement en eau et la gestion des risques d'inondation. Les deux observations et les simulations de modèles indiquent une tendance générale à la hausse des précipitations, de l'intensité et de leur variabilité à l'échelle mondiale (Alexander et al., 2006 ; Singleton et Toumi, 2013). Ceci a des implications importantes sur l'estimation de la conception de l'inondation pourles climats futurs, estimés par des projections des précipitations futures et de leur distribution dans le temps (Wasko etSharma, 2015) et dans l'espace (Li et al., 2015). Depuis plusieurs années, chaque événement extrême observé génère des interrogations dans les grands médias : Est-ce que le réchauffement global influe sur la fréquence des événements climatiques extrêmes ? Est-ce qu’il y a un lien entre le changement climatique et l’intensité des événements climatiques extrêmes ? Aucune étude scientifique ne semblait avoir statué de manière significative et rigoureuse sur ce sujet. Deux articles, publiés en février 2011 dans la revue Nature, ont fait office de premières références démontrant le lien entre le changement climatique d’origine anthropique et les événements climatiques extrêmes (pluies extrêmes (Min et al., 2011) et crues (Pall et al., 2011). Midgley et al. (2004) Ont en outre déclaré que le climat est considéré comme la seule variable globale ayant un impact direct et profond sur tous les aspects de l'existence humaine. Notre environnement naturel, nos économies, nos structures politiques et de pouvoir, nos interactions culturelles et spéciales et les développements sont tous façonnés par le climat. La progression du développement et du progrès technologique humain a eu un impact intense et durable sur notre environnement naturel et notre climat dans son ensemble. Des études récentes ont montré la difficulté de détecter des tendances des phénomènes extrêmes de précipitation. Une analyse par simulation a permis de choisir un test de tendance adapté et de montrer que la modélisation du phénomène étudié a une grande importance dans la pertinence du rejet de la stationnarité des paramètres. Une méthode est créée pour définir la significativité des tendances des paramètres au sein d'une zone climatiquement homogène à partir de la construction de chroniques ''régionalisées''. La détection de tendance dans les phénomènes extrêmes de précipitation est difficile. D'une part, les modèles climatiques globaux (GCM) ont du mal à reproduire efficacement les événements extrêmes (Moberg etal., 2004). D'autre part, les méthodes statistiques classiques semblent limitées par le manque de longues séries chronologiques, ce qui peut mener à des hypothèses restrictives sur les tendances à tester (Pujol et al., 2007).

124

Chapitre 6 Etude de l’évolution des pluies extrêmes

On s'entend généralement pour dire que les impacts des changements climatiques sur la société et l'écosystème sont susceptibles de résulter plutôt des changements de la variabilité et des extrêmes climatiques que des changements dans le climat moyen (Kunkel et al., 1999). Les événements extrêmes récents sur la Méditerranée (inondations en Algérie en novembre 2001, canicule européenne en 2003, 2004, vague d'hiver en Turquie; neige lourde dans les Balkans en 2005) nous posent la question de savoir si le climat dans cette région devient plus variable et plus extrême. Au cours des dernières décennies, les changements climatiques extrêmes enregistrés dans le bassin méditerranéen consistent en augmentation des fortes précipitations et augmentation des températures extrêmes. Alpert et al. (2002) ont analysé les observations enregistrées des stations méditerranéennes pour la période 1951-1995 ont montré une augmentation de précipitations journalières avec une diminution des valeurs moyennes. Un certain nombre d'études antérieures du climat futur (Sánchez et al., 2004, Palutikof et al., 2004, Gao et et al., 2006 et Giorgi et al., 2009) ont révélé des changements significatifs dans les extrêmes au-dessus de la Méditerranée. Les alternances pluviométriques ont été analysées en s’appuyant sur les données mensuelles, saisonnières et annelles des précipitations maximales journalières des stations pluviométriques représentatives qui possèdent de longues séries de mesures et appliquant les outils d’analyses statistiques des séries chronologiques tels que la signification statistique. Devant cette situation, nous proposons dans cette thèse, une étude de l'impact du changement climatique sur les pluies extrêmes. Ce chapitre est une application des méthodes et des tests qui permettent de détecter les tendances ou les fluctuations observées dans les séries météorologiques des pluies extrêmes, déjà détaillées dans le chapitre 3.

Nous souhaitons tester l'hypothèse nulle H0 : hypothèse de stationnarité contre l'hypothèse alternative

H1 : hypothèse d'instationnarité de la série temporelle. Il existe pour cela plusieurs tests plus ou moins adaptés selon la nature de la série (Renard, 2006). Afin de détecter au mieux la variabilité au cours du temps des précipitations extrêmes, nous allons comparer trois (03) tests de détection de tendances : Le test non paramétrique de Mann-Kendall (Mann, 1945 ; Kendall, 1975), les tests paramétriques de la régression linéaire (Bravais-Pearson) et le test de Spearman (Coles, 2001).Dans ce chapitre nous analysons l’évolution des précipitations maximales journalières des 41 stations pluviométriques réparties dans le bassin versant de la Macta durant les deux (02) périodes (1970-1992) et (1992-2010). Notre objectif principal est d’évaluer l’impact du réchauffement global sur le régime des pluies extrêmes dans notre zone d’étude. Nous appliquons les trois (03) méthodes de détection des tendances ou les fluctuations observées dans les séries météorologiques (voir chapitre 3). Nous utilisons les outils d’analyses statistiques de séries chronologiques tels que le test de Bravais-Pearson (coefficient de corrélation « r »), le test Mann-Kendall (MK) (coefficient Tau « τ ») et le test de Spearman (coefficient Rho « ρ »). Le test de Student sera appliqué sur la méthode de Bravais-Pearson pour détecter la significativité des résultats obtenus (voir chapitre 4). 125

Chapitre 6 Etude de l’évolution des pluies extrêmes

6.2.Etude des tendances Les trois (03) méthodes, que nous utilisons dans la détection des tendances des pluies maximales journalières dans le bassin versant de la Macta, ont été déjà décrites explicitement dans le chapitre 3. Il s’agit du coefficient r de Bravais-Pearson, du Tau (τ) de Mann-Kendall (MK) et le Rho (ρ) de Spearman. Dans ce chapitre, nous présentons les résultats issus de ces trois méthodes avec discussions et interprétations.

6.2.1. Coefficient de corrélation r de Bravais-Pearson La méthodologie de calcul du coefficient de corrélation r de Bravais-Pearson a été décrite dans le chapitre 3.

6.2.1.1.Résultats et discussions L’application de la méthode Bravais-Pearson sur les pluies mensuelles, saisonnières et annuelles des maximales journalières sur 41 stations du bassin versant de la Macta, pendant deux (02) périodes PI (1970- 1992) et période II (1992-2010), a abouti à des résultats de coefficients de corrélation r qui varient entre -0,70 et +0,70.

6.2.1.1.1. Tendance temporelle Les tendances sont étudiées sur deux (02) périodes (PI en bleu et PII en rouge). Pour la significativité des résultats, le test de Student a été appliqué avec deux (02) seuils de signification (α=5% et α= 10%) selon la classification de Westmacott et Burn (1997). Le seuil de signification permet la distinction entre la limite de la variabilité naturelle (variation interne) et le changement climatique dû à l’activité anthropique (variation externe) (CCNUCC, 1992).

La tendance de chaque série est déterminée suivant la classification de Westmacott et Burn (1997) (tableau 6.1) :

Tableau6.1 Classification des tendances selon Westmacott et Burn (1997)

Category Strong Increasing Trend Moderate Increasing Trend Non-Significant Trend Moderate Decreasing Trend Strong Decreasing Trend SIT MIT NST MDT SDT

r r > 0 and α ≤ 0.05 r > 0 and 0.05 < α ≤ 0.10 α > 0.10 r < 0 and 0.05 < α ≤ 0.10 r < 0 and α ≤ 0.05

Dans le but de marquer la tendance de chaque station, à différentes échelles, nous avons utilisé les symboles SIT, MIT, NST, MDT et SDT adoptés dans la classification de Westmacott et Burn (1997) :

126

Chapitre 6 Etude de l’évolution des pluies extrêmes

. SDT : Strong Decreasing Trend (Tendance de forte décroissance) Tendance négative . MDT: Moderate Decreasing Trend (Tendance de décroissance modérée)

. NST : No Significant Trend (Pas de tendance significative) Tendance non significative . MIT : Moderate Increasing Trend (Tendance de croissance modérée) . SIT : Strong Increasing Trend (Tendance de forte croissance) Tendance positive

Notons que la catégorie de NST (pas de tendance significative) ne signifie pas qu’il n’y a pas de tendance, mais elle signifie qu’il existe une tendance (croissante ou décroissante) mais non significative, c’est-à-dire que la probabilité de l’erreur n’a pas dépassé le seuil de signification (α= 10%) selon le test de Student. Cette catégorie est la limite entre la variabilité naturelle (interne) et le changement climatique d’origine anthropique que nous cherchons (CCNUCC, 1992).

L’analyse spatiale et temporelle des tendances des maxima des pluies journalières sur deux périodes (1970-1992) et (1992-2010), a été effectuée à l’échelle mensuelle, saisonnière et annuelle sur l’ensemble des 41 stations pluviométriques du bassin versant de la Macta. Dans notre cas d’étude, nous avons deux (02) périodes inégales (période I : 1970-1992 avec n=23 et période II : 1992-2010 avec n=19). Le calcul du test de Student avec deux (02) seuils de signification (α=5% et α= 10%) donne les catégories des tendances selon les valeurs de r, la taille de la série n et les valeurs α (classification de Westmacott et Burn, 1997) (Tableau 6.2).

Tableau 6.2 Valeurs des seuils de signification selon la classification de Westmacott et Burn (1997) Période SIT MIT NST MDT SDT I (n=23) r>0.351 0.2770.388 0.307

127

Chapitre 6 Etude de l’évolution des pluies extrêmes

6.2.1.1.1.1. Tendance mensuelle des pluies maximales journalières La démarche méthodologique citée en haut a été appliquée dans notre bassin versant sur les pluies extrêmes. Nous obtenons alors deux ajustements graphiques pour les deux périodes I (en bleu) et II (en rouge) avec des coefficients de corrélation (r) de Bravais-Pearson et des pentes des droites d’ajustement (Fig. 6.1).

Fig. 6.1 Tendances mensuelles des pluies maximales journalières 128

Chapitre 6 Etude de l’évolution des pluies extrêmes

Les résultats obtenus pour les tendances mensuelles des pluies maximales journalières sont présentés dans le tableau 6.3.

Tableau 6.3 Classification des tendances mensuelles de Westmacott et Burn(1997) à l'aide des coefficients de corrélation de Pearson (r) et des pentes des lignes de régression (a) Month Période I (1970-1992) Période II (1992-2010) SIT MIT NST MDT SDT SIT MIT NST MDT SDT January -0,18 0,41 (-1,32) (4,89) February -0,26 0,29 (-1,953) (3,011) March -0,31 0,12 (-2,582) (0,920) April -0,353 0,26 (-2,186) (2,146) May -0,33 0,46 (-3,084) (3,065) June -0,15 0,17 (-0,517) (0,707) July 0,10 0,15 (0,223) (0,516) August -0,20 0,05 (-0,461) (0,192) September 0,07 0,20 (0,266) (1,524) October -0,22 0,48 (-1,298) (4,512) November 0,01 0,36 (0,098) (3,230) December -0,29 0,40 (-2,466) (3,401) Le tableau 6.3 contient les valeurs des coefficients mensuels « r » de Pearson et entre parenthèses et les valeurs des pentes (a) de chaque mois.

La comparaison entre les deux périodes I et II (Fig. 6.1 et tableau 6.3), permet de déduire que les 7 mois de février, mars, avril, juin, juillet, aout et septembre ne montrent pas de changements perceptibles. Le changement climatique a touché exclusivement les mois de janvier, mai, octobre, novembre et décembre. Les tendances de ces 5 mois ont basculées de la tendance non significative (NST) ou tendance décroissance modérée (MDT) (période I) vers la tendance croissance forte (SIT) ou modérée (MIT) (Période II).

6.2.1.1.1.2. Tendance saisonnière des pluies maximales journalières La figure 6.2 présente les tendances des maxima des pluies extrêmes journalières enregistrées durant les quatre saisons de l’année :

129

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.2 Tendances saisonnières des pluies maximales journalières

Le tableau 6.4 montre coefficients de corrélation de Pearson (r) et des pentes des lignes de régression (a) (classification de Westmacott et Burn, 1997).

Tableau 6.4 Classification des tendances saisonnières de Westmacott et Burn (1997) à l'aide des coefficients de corrélation de Pearson (r) et des pentes des lignes de régression (a) Saison Période I (1970-1992) Période II (1992-2010) SIT MIT NST MDT SDT SIT MIT NST MDT SDT Winter -0,40 0,48 (-2,854) (5,221) Spring -0,41 0,40 (-3,534) (2,819) Summer -0,18 0,03 (-0,578) (-0,156) -0,13 0,51 Autumn (-0,927) (5,111) Le tableau 6.4 contient les valeurs des coefficients saisonniers « r » de Pearson et entre parenthèses et les valeurs des pentes (a) de chaque saison.

L’examen de la figure 6.2 et du tableau 6.4 montre que les saisons d’hiver et du printemps ont changé de tendance de la forte décroissance (SDT) (période I) vers la forte croissance (SIT) (période II). L’automne bascule de la tendance non significative (NST) (période I) vers la forte croissance (SIT) (période II). L’été maintient la tendance non significative (NST) dans les 2 périodes. 3/4 ou (75%) des saisons sont affectés par le changement climatique.

130

Chapitre 6 Etude de l’évolution des pluies extrêmes

6.2.1.1.1.3. Tendance annuelle des pluies maximales journalières La tendance annuelle des pluies maximales journalières se présente sur la figure 6.3.

Fig. 6.3 Tendance annuelle des pluies maximales journalières

Le Tableau 6.5 donne la classification des tendances annuelles de Westmacott et Burn (1997) à l'aide des coefficients de corrélation de Pearson (r) et des pentes des lignes de régression (a).

Tableau 6.5 Classification des tendances annuelles de Westmacott et Burn (1997) à l'aide des coefficients de corrélation de Pearson (r) et des pentes des lignes de régression (a) Year Période I (1970-1992) Période II (1992-2010) SIT MIT NST MDT SDT SIT MIT NST MDT SDT Annual -0,51 0,65 (-3,095) (-4,956) Le tableau 6.5 contient les valeurs des coefficients annuels « r » de Pearson et entre parenthèses et les valeurs des pentes (a)

Il est évident que le changement climatique a affecté notre bassin (tableau 6.5 ; Fig. 6.3) où le basculement de la tendance forte décroissance (SDT) durant la période I vers la tendance forte croissance (SIT) durant la période II a été constaté.

6.2.1.1.1. Variation spatiale des tendances des pluies maximales journalières De la même manière pour la variation temporelle, nous procédons à l’analyse de la variation spatiale des pluies extrêmes à différentes échelles mensuelle, saisonnière et annuelle. 6.2.1.1.2.1. Tendances mensuelles Le tableau 6.6 présente les coefficients mensuels de corrélation r de Bravais-Pearson avec la classification Westmacott et Burn (1997).

131

Chapitre 6 Etude de l’évolution des pluies extrêmes

Tableau 6.6 Coefficients mensuels de corrélation r de Bravais-Pearson avec la classification Westmacottet Burn (1997) pour les 02 périodes

Janvier Février Mars Avril Mai Juin Juillet Aout Septembre Octobre Novembre Décembre

Station Name P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2

RAS EL MA 0,13NST -0,19NST -0,01NST 0,01NST 0,15NST -0,02NST -0,13NST 0,18NST 0,12NST 0,23NST 0,05NST 0,01NST 0,05NST -0,06NST 0,37 SIT 0,18NST -0,45SDT 0,33MIT 0,23NST 0,31MIT -0,17NST 0 NST -0,01NST 0,18NST

SID ALI BEN YOUB -0,07NST 0,19NST -0,16NST 0,13NST 0,01NST 0,15NST -0,23NST 0,34MIT -0,11NST 0,26NST 0 NST 0,13NST -0,05NST -0,15NST 0,02 NST 0,33MIT 0,26 NST -0,03NST -0,03NST 0,46SIT -0,10 NST 0,12NST -0,12 NST 0,37MIT

EL HACAIBA -0,16NST -0,09NST -0,17NST -0,10NST -0,25NST -0,08NST -0,30NST 0,29NST -0,23NST 0,48SIT -0,18NST 0,20NST -0,22NST -0,19 NST 0,02NST 0,13NST -0,22 NST 0,18 NST -0,04 NST 0,38SIT -0,12 NST 0,12NST -0,19 NST 0,36MIT

SARNO Bge -0,36SDT 0,34MIT -0,23NST -0,09NST -0,22NST 0,02NST -0,20NST 0,02NST -0,28MDT 0,44SIT -0,03NST 0,42SIT 0,14NST -0,25 NST -0,30MDT 0,09NST 0 NST -0,03 NST -0,19 NST 0,31MIT -0,03 NST 0,04NST -0,20 NST 0,27NST

SIDI BEL ABBES -0,29MDT 0,41SIT -0,15NST -0,15NST -0,15NST -0,02NST -0,29MDT 0,02NST -0,20NST 0,23NST -0,07NST -0,09NST 0,05NST -0,34 MDT -0,16 NST 0,17NST -0,20 NST 0,01 NST -0,14 NST 0,63SIT -0,05 NST 0,22NST -0,17 NST 0,43SIT

HASSI DAHO -0,09NST 0,26NST -0,25NST 0,28NST -0,19NST 0,09NST -0,42SDT 0,04NST -0,15NST 0,28NST -0,26NST -0,01NST -0,07NST -0,14 NST -0,37 SDT 0,31MIT -0,07 NST -0,15 NST -0,14 NST 0,43SIT -0,09 NST 0,26NST -0,20 NST 0,48SIT

MOSTEFA BEN BRAHIM -0,19NST 0,33MIT -0,20NST 0,00NST -0,15NST 0,01NST -0,28MDT 0,23NST -0,26NST 0,46SIT -0,18NST 0,02NST 0,06NST 0,17 NST -0,13 NST 0,25NST -0,05 NST -0,04 NST -0,26 NST 0,16NST -0,02 NST 0,07NST -0,22 NST 0,27NST

AIN TRID -0,15NST 0,33MIT -0,16NST -0,09NST -0,18NST 0,02NST -0,31MDT 0,11NST -0,28MDT 0,39SIT -0,04NST -0,20NST -0,04NST -0,32 MDT -0,15 NST 0,17NST -0,03 NST 0 NST -0,19 NST 0,23NST -0,01 NST 0,10NST -0,24 NST 0,23NST

CHEURFAS BGE -0,16NST 0,21NST -0,31MDT -0,28NST -0,20NST 0,02NST -0,36SDT 0,14NST -0,31MDT 0,37MIT 0NST 0,07NST 0,01NST -0,19 NST 0,07 NST 0,20NST -0,06 NST -0,19 NST -0,16 NST 0,10NST -0,20 NST 0,32MIT -0,23 NST 0,15NST

MERINE -0,05NST 0,15NST -0,22NST -0,14NST -0,10NST -0,08NST -0,36SDT 0,39SIT -0,13NST 0,53SIT -0,03NST -0,13NST 0,22NST -0,14 NST 0,04 NST 0,05NST 0,15 NST 0,23 NST 0,16 NST 0,31MIT 0,05 NST 0,13NST -0,06 NST 0,48SIT

DAOUD YOUB 0,23NST 0,03NST -0,09NST -0,08NST 0,21NST -0,03NST -0,19NST -0,02NST -0,04NST 0,48SIT 0,16NST 0,45SIT 0,44SIT -0,09 NST 0 NST 0,27NST 0,22 NST 0,27 NST 0,12 NST 0,31MIT 0,07 NST 0,05NST -0,05 NST 0,45SIT

MEFTAH SIDI BOUBEKEUR -0,09NST 0,28NST -0,17NST -0,07NST -0,20NST 0,07NST -0,30MDT 0,17NST -0,31MDT 0,55SIT -0,23NST 0,12NST -0,14NST -0,28 MDT 0,18 NST 0,07NST 0,25 NST 0,16 NST -0,06 NST 0,33MIT -0,07 NST 0,13NST -0,31 MDT 0,29NST

AIN EL HADJAR -0,07NST 0,18NST -0,17NST -0,19NST -0,28MDT -0,10NST -0,47SDT 0,13NST -0,07NST 0,39SIT -0,23NST -0,07NST -0,01NST 0,01 NST 0,32 MDT -0,08NST 0,03 NST 0,13 NST 0,16 NST 0,39SIT -0,31 MDT 0,26NST -0,07 NST 0,18NST

HAMMAM RABI -0,17NST 0,24NST -0,06NST -0,19NST -0,21NST 0,03NST -0,46SDT 0,16NST -0,38SDT 0,48SIT -0,15NST 0,29NST 0,14NST 0,14 NST 0,12 NST 0,18NST 0,08 NST 0,19 NST -0,02 NST 0,28NST -0,07 NST 0,30MIT -0,28 MDT 0,39SIT - OUED TARIA -0,36SDT 0,25NST -0,30MDT -0,12NST -0,31MDT 0,15NST -0,22NST 0,07NST -0,32MDT 0,31MIT -0,17NST -0,11NST -0,15NST -0,21 NST 0,28 MIT -0,05 NST -0,08 NST 0 NST -0,23 NST 0,14NST -0,01 NST 0,03NST -0,22 NST 0,10NST

AIN TIFRIT -0,08NST 0,33MIT -0,14NST 0,02NST -0,22NST 0,20NST -0,32MDT -0,03NST -0,17NST 0,39SIT 0,10NST 0,11NST 0,41SIT 0,29 NST 0,40 SIT -0,11 NST 0,09 NST 0,13 NST -0,07 NST 0,25NST -0,20 NST 0,39SIT -0,24 NST 0,31MIT

TAMESNA 0,06NST 0,40SIT -0,21NST 0,22NST -0,12NST 0,33MIT -0,24NST 0,26NST -0,15NST 0,59SIT -0,21NST 0,12NST -0,16NST -0,10 NST 0,34 MIT -0,16 NST -0,14 NST 0,22 NST 0,04 NST 0,32MIT -0,09 NST 0,36SIT -0,30 MDT 0,48SIT

BENIANE -0,08NST 0,46SIT -0,18NST 0,28NST 0,06NST 0,27NST -0,32MDT 0,14NST -0,31MDT 0,40SIT -0,25NST 0,09NST 0,03NST -0,27 NST 0,14 NST 0,18 NST -0,05 NST 0,29 NST -0,13 NST 0,35MIT -0,06 NST 0,22NST -0,28 MDT 0,44SIT

MAOUSSA -0,13NST 0,42SIT -0,09NST 0,06NST 0,08NST 0,27NST 0,02NST 0,07NST -0,15NST 0,18NST -0,08NST 0,33MIT 0,19NST 0,26 NST -0,07 NST 0,27 NST 0,14 NST 0,27 NST -0,36 SDT 0,09NST 0,22 NST 0,26NST -0,29 MDT 0,24NST

MATEMORE -0,28MDT 0,18NST -0,24NST -0,09NST -0,22NST 0,14NST -0,31MDT -0,08NST -0,28MDT 0,17NST -0,19NST 0,42SIT 0,18NST 0,17 NST -0,14 NST 0,14 NST 0,21 NST -0,01 NST -0,23 NST 0 NST 0,07 NST 0,19NST -0,34 MDT 0,09NST

TIZI -0,13NST 0,26NST -0,05NST -0,09NST -0,15NST 0,17NST -0,34MDT 0,17NST -0,17NST 0,15NST -0,28MDT 0,06NST 0,15NST 0,28 NST -0,34MDT 0,27 NST -0,18 NST -0,08 NST -0,16 NST 0,06NST 0,07 NST 0,22NST -0,20 NST 0,22NST

SIDI KADA -0,33MDT 0,46SIT -0,23NST 0,19NST -0,18NST 0,25NST -0,36SDT 0,23NST -0,36SDT 0,39SIT -0,23NST 0,48SIT 0,15NST 0,03 NST 0,08 NST 0,31 MIT -0,09 NST 0,32 MIT -0,24 NST 0,24NST 0,05 NST 0,37SIT -0,20 NST 0,37MIT

AIN FARES -0,17NST 0,39SIT -0,22NST 0,15NST -0,14NST 0,20NST -0,31MDT 0,15NST -0,31NST 0,36MIT -0,05NST 0,47SIT -0,02NST 0,07 NST -0,09 NST 0,15 NST 0,14 NST 0,04 NST -0,13 NST 0,22NST 0,15 NST 0,31MIT 0 NST 0,24NST

NESMOTH MF -0,24NST 0,39SIT -0,24NST -0,28NST 0,04NST 0,28NST -0,22NST 0,22NST -0,44SDT 0,39SIT -0,09NST 0,17NST 0,10NST 0,11 NST -0,05 NST 0,01 NST -0,20 NST 0,31 MIT -0,22 NST 0,26NST -0,08 NST 0,34MIT -0,28 MDT 0,46SIT - GHRIS -0,19NST 0,29NST -0,33MDT -0,09NST -0,25NST -0,02NST -0,19NST 0,20NST -0,38SDT 0,19NST -0,12NST 0,02NST 0,07NST 0,25 NST 0,09 NST -0,04 NST 0,01 NST -0,05 NST -0,14 NST 0,03NST -0,07 NST 0,05NST -0,33 MDT 0,23NST

MASCARA -0,19NST 0,28NST -0,17NST 0,19NST -0,13NST 0,24NST -0,36SDT 0,14NST -0,36SDT 0,44SIT -0,16NST 0,28NST 0,12NST 0,01 NST 0,14 NST 0,12 NST -0,05 NST 0,24 NST -0,16 NST 0,15NST 0 NST 0,24NST -0,28 MDT 0,29NST

132

Chapitre 6 Etude de l’évolution des pluies extrêmes

SAHOUET OUIZERT -0,08NST 0,31MIT -0,11NST -0,04NST -0,15NST 0,22NST -0,25NST -0,10NST 0,05NST 0,32MIT -0,15NST 0,46SIT 0,17NST 0,28 NST -0,13 NST 0,13 NST 0,03 NST 0,01 NST -0,15 NST 0,19NST 0,05 NST 0,28MIT -0,22 NST 0,22NST

BOU HANIFIA BGE -0,12NST 0,19NST -0,20NST -0,26NST -0,18NST 0,15NST -0,36SDT 0,02NST -0,24NST 0,37MIT -0,15NST 0,44SIT 0,21NST 0,12 NST -0,20 NST 0,31 MIT -0,11 NST -0,01 NST -0,12 NST 0,06NST 0 NST 0,25NST -0,19 NST 0,25NST

SFISSEF -0,28MDT 0,23NST -0,28MDT 0,03NST -0,20NST 0,06NST -0,31MDT 0,20NST -0,30NST 0,17NST -0,25NST 0,29NST -0,01NST -0,31 MDT 0,09 NST 0,25 NST -0,05 NST 0,08 NST -0,19 NST 0,24NST 0,08 NST 0,30MIT -0,21 NST 0,15NST - HACINE 0,06NST 0,47SIT -0,16NST 0,00NST -0,21NST 0,22NST -0,38SDT 0,23NST -0,26NST 0,42SIT -0,23NST 0,41SIT 0,14NST -0,17 NST 0,10 NST 0,31 MIT 0,06 NST 0,08 NST -0,08 NST 0,16NST 0,10 NST 0,22NST -0,19 NST 0,29NST

MOHAMMADIA GRHA -0,24NST 0,25NST -0,11NST -0,13NST -0,26NST 0,10NST -0,41SDT 0,13NST -0,33MDT 0,24NST -0,17NST 0,45SIT 0,19NST -0,15 NST 0,12 NST 0,32 MIT -0,12 NST 0,08 NST -0,23 NST 0,33MIT 0,04 NST 0,17NST -0,23 NST 0,28NST

TROIS RIVIERES -0,25NST 0,16NST -0,28MDT -0,14NST -0,29MDT 0,15NST -0,25NST -0,09NST -0,31MDT 0,33MIT -0,25NST 0,48SIT 0,18NST 0,20 NST 0 NST 0,28 NST 0,04 NST 0,08 NST -0,13 NST 0,19NST 0,01 NST 0,26NST -0,31 MDT 0,42SIT

OGGAZ -0,22NST 0,31MIT -0,41SDT 0,09NST -0,28MDT -0,12NST -0,34MDT 0,14NST -0,30MDT 0,35MIT -0,40SDT 0,36MIT 0,11NST 0 NST -0,20 NST 0,31 MIT -0,02 NST 0,02 NST -0,32 MDT 0,11NST 0,16 NST 0,31MIT -0,31 MDT 0,35MIT

BOU HENNI -0,08NST 0,29NST -0,13NST -0,35MDT -0,10NST 0,25NST -0,34MDT 0,31MIT -0,32MDT 0,27NST -0,14NST 0,46SIT 0,20NST -0,06 NST -0,01 NST 0,23 NST -0,23 NST 0 NST -0,20 NST 0,20NST 0,12 NST 0,13NST -0,20 NST 0,07NST

FORNAKA -0,10NST 0,41SIT -0,09NST -0,04NST -0,23NST 0,08NST -0,28MDT 0,09NST -0,37SDT 0,28NST -0,23NST -0,08NST -0,26NST -0,26 NST -0,07 NST 0,21 NST -0,56 SDT 0,30 MIT -0,32 MDT 0,34MIT 0,32 MIT 0,21NST -0,18 NST 0,23NST

SAMOURIA -0,08NST 0,08NST -0,04NST -0,01NST -0,21NST 0,20NST -0,43SDT -0,08NST -0,30MST 0,22NST -0,21NST 0,50SIT 0,19NST 0,24 NST 0 NST 0,23 NST -0,18 NST -0,04 NST -0,14 NST 0,20NST 0,20 NST 0,04NST -0,15 NST 0,31MIT

MOCTA DOUZ -0,18NST 0,44SIT 0,02NST -0,01NST -0,08NST 0,19NST -0,33MDT 0,33MIT -0,03NST 0,39SIT -0,12NST 0,48SIT -0,02NST 0,20 NST 0 NST 0,31 MIT -0,16 NST 0,10 NST -0,38 SDT 0,40SIT 0,17 NST 0,36SIT -0,25 NST 0,45SIT

FERME BLANCHE -0,31MDT 0,18NST -0,23NST -0,15NST -0,24NST 0,21NST -0,40SDT 0,08NST -0,47SDT 0,27NST -0,30MDT 0,37MIT 0,10NST -0,14 NST -0,11 NST -0,01 NST -0,40 SDT 0,08 NST -0,32 MDT 0,31MIT 0,11 NST 0,18NST -0,32 MDT 0,27NST

BLED TAOURIA -0,20NST 0,29NST -0,31MDT -0,11NST -0,16NST 0,19NST -0,28MDT 0,10NST -0,34MDT 0,20NST -0,16NST 0,36MIT 0,31MIT 0,31 MDT 0,04 NST 0,17 NST -0,16 NST 0,12 NST -0,22 NST 0,21NST 0,12 NST 0,31MIT -0,20 NST 0,35MIT

MARAIS DE SIRAT -0,32MDT 0,37MIT -0,28MDT -0,11NST -0,25NST 0,33MIT -0,32MDT 0,12NST -0,42SDT 0,14NST -0,24NST 0,42SIT 0,07NST -0,37 MDT 0,07 NST 0,14 NST -0,08 NST 0,05 NST -0,32 MDT 0,31MIT -0,02 NST 0,32MIT -0,29 MDT 0,29NST

FERME ASSORAIN -0,22NST 0,25NST -0,01NST -0,31MDT -0,05NST -0,03NST -0,28MDT -0,11NST -0,43SDT 0,30NST -0,04NST 0,18NST 0,35MIT -0,14 NST -0,05 NST 0,23 NST -0,05 NST 0,11 NST -0,07 NST 0,28NST 0,30 MIT 0,27NST -0,11 NST 0,12NST P1: Période (1970-1992) P2: Période (1992-2010) SDT : Strong Decreasing Trend MDT : Moderate Decreasing Trend NST : No Significant Trend MIT : Moderate Increasing Trend SIT : Strong Increasing Trend Le tableau 6.6 contient les valeurs des coefficients « r » de Bravais-Pearson de chaque mois et chaque station. Les valeurs en gras sont significatives.

133

Chapitre 6 Etude de l’évolution des pluies extrêmes

A partir du tableau 6.6, nous pouvons dresser les cartes des tendances mensuelles avec la classification de Westmacott et Burn (1997) (Fig. 6.4).

Fig. 6.4 Variation spatiale des tendances mensuelles des pluies maximales journalières de la Macta d’après le coefficient r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta

134

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.4 Variation spatiale des tendances mensuelles des pluies maximales journalières de la Macta d’après le coefficient r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

135

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.4 Variation spatiale des tendances mensuelles des pluies maximales journalières de la Macta d’après le coefficient r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

136

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.4 Variation spatiale des tendances mensuelles des pluies maximales journalières de la Macta d’après le coefficient r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

D’après le tableau 6.6 et la figure 6.4, nous pouvons constater : . Six (06) mois ont montré une tendance décroissante significative avec des pourcentages élevés (15- 63%). . Le mois de janvier : un basculement de la tendance décroissante significative de 27% (11 stations entre MDT et SDT)durant la période I (Fig. 6.3a) vers la tendance croissante significative durant la deuxième période II (Fig. 6.4b) avec 42% (17 stations entre MIT et SIT).

137

Chapitre 6 Etude de l’évolution des pluies extrêmes

. Le mois de février : 8 stations ont montré une décroissance significative (19%) durant la période I (Fig. 6.3a), par contre 5% (2 stations uniquement) ont montré une tendance croissante significative durant la deuxième période II (Fig. 6.4b). . Les mois de mars, aout et septembre ont montré une décroissance significative (7%), soit 3 stations du basin durant la période I (Fig. 6.4a), 93% des stations n’ont aucune tendance significative. Par contre et durant la deuxième période (Fig. 6.4b), un changement vers la tendance croissante significative a été constaté avec des pourcentages allant de 5% (2 stations durant le mois de mars, 20% pour aout et 10% pour septembre. . Le mois d’avril a été marqué par un pourcentage élevé de la tendance décroissante significative avec 63% (26/41 stations) pour la période I et 7% de la tendance croissante significative durant la période II. . Durant la période I (Fig. 6.3a), les mois de mai, juin, juillet, octobre, novembre et décembre ont montré une tendance décroissante significative avec respectivement 56% (23 stations), 5% (2 stations), 10% (4 stations), 15% (6 stations), 3% (1 station) et 32% (13 stations). Par contre et durant la deuxième période (Fig. 6.4b), les tendances de ces mois ont été basculées vers la croissance significative avec respectivement 61% (25 stations), 49% (20 stations), 3% (une station), 39% (16 stations), 27% (11 stations) et 44% (18 stations).

L’analyse de la figure 6.5, qui présente les nombres des stations touchées par les différents types de tendances, montre que le mois de Mai est le plus touché par la diminution de la tendance des pluies maximales avec 23 stations (soit 56% des stations) durant la première période (1970-1992), et par contre une augmentation des stations à hausse significative (25 stations, soit 59%) durant la deuxième période (1992-2010).

Fig. 6.5 Nombre de Stations de la tendance mensuelle (r de Pearson)

138

Chapitre 6 Etude de l’évolution des pluies extrêmes

En conclusion partielle, Les sept (07) mois (soit 58%) touchés par le changement climatique sont : janvier (41%), mai (61%), juin (49%), aout (20%), octobre (41%), novembre (29%) et décembre (41%). Soit 7/12 (58%) des mois ont été touché par le changement climatique durant la deuxième période (1992-2010). Ces mois ont basculés de la baisse significative (Période I : 1970-1992) vers la hausse significative (1922-2010). Il est évident que le mois de Mai est le mois le plus affecté par ce phénomène (61%).

6.2.1.1.2.2. Tendances saisonnières des pluies quotidiennes Le tableau 6.7 présente les coefficients saisonniers de corrélation r de Bravais-Pearson avec la classification Westmacott et Burn (1997).

139

Chapitre 6 Etude de l’évolution des pluies extrêmes

Tableau 6.7 Coefficients saisonniers de corrélation r de Bravais-Pearson avec la classification deWestmacott Coefficients Saisonniers de corrélation r de Pearson Hiver Printemps Eté Automne

Station Name P1 P2 P1 P2 P1 P2 P1 P2 RAS EL MA -0,06NST -0,04 NST 0,11 NST 0,20 NST 0,12 NST 0,08 NST -0,09 NST 0,37SIT SID ALI BEN YOUB -0,29MDT 0,31MIT 0,02 NST 0,14 NST -0,03 NST 0,06 NST -0,15 NST 0,39SIT EL HACAIBA -0,39SDT 0,09 NST -0,25 NST 0,28 NST -0,23 NST 0,26 NST -0,13 NST 0,35SIT SARNO Bge -0,43SDT 0,25 NST -0,27 NST 0,06 NST -0,10 NST -0,02 NST -0,20 NST 0,32SIT SIDI BEL ABBES -0,39SDT 0,31MIT -0,17 NST -0,02 NST -0,22 NST -0,10 NST -0,13 NST 0,53SIT HASSI DAHO -0,42SDT 0,39SIT -0,25 NST 0,05 NST -0,43 SDT 0,25 NST -0,22 NST 0,38SIT MOSTEFA BEN BRAHIM -0,33SDT 0,09 NST -0,18 NST 0,12 NST -0,19 NST 0,27 NST -0,12 NST 0,10 NST AIN TRID -0,30MDT 0,15 NST -0,26 NST 0,14 NST -0,05 NST -0,15 NST -0,12 NST 0,22 NST CHEURFAS BGE -0,37SDT -0,05 NST -0,22 NST -0,03 NST 0,06 NST 0,19 NST -0,39SDT 0,23 NST MERINE -0,43SDT 0,13 NST -0,26 NST 0,27 NST 0,04 NST -0,10 NST 0,11 NST 0,48SIT DAOUD YOUB 0,03 NST 0,12 NST 0,16 NST -0,03 NST 0,14 NST 0,26 NST 0,12 NST 0,32SIT MEFTAH SIDI BOUBEKEUR -0,44SDT 0,17 NST -0,31MDT 0,13 NST -0,42 SDT 0,01 NST -0,10 NST 0,42SIT AIN EL HADJAR -0,15 NST 0,18 NST -0,28MDT 0,09 NST -0,14 NST -0,14 NST -0,17 NST 0,50SIT HAMMAM RABI -0,42 NST 0,17 NST -0,28MDT 0,27 NST -0,16 NST 0,38SIT -0,11 NST 0,53SIT OUED TARIA -0,46SDT 0,01 NST -0,36 SDT 0,23 NST -0,19 NST -0,15 NST -0,18 NST 0,14 NST AIN TIFRIT -0,29MDT 0,30MIT -0,26 NST 0,19 NST 0,29MIT -0,06 NST -0,31MDT 0,49SIT TAMESNA -0,21 NST 0,39SIT -0,17 NST 0,53SIT -0,16 NST -0,14 NST -0,12 NST 0,58SIT BENIANE -0,39SDT 0,45SIT -0,02 NST 0,32MIT -0,22 NST 0,07 NST -0,22 NST 0,45SIT MAOUSSA -0,40SDT 0,31MIT -0,02 NST 0,17 NST 0,09 NST 0,41SIT -0,10 NST 0,27 NST MATEMORE -0,43SDT 0,01 NST -0,31MDT -0,02 NST -0,13 NST 0,42SIT -0,05 NST 0,17 NST TIZI -0,22 NST 0,02 NST -0,30MDT 0,27 NST -0,39 SDT 0,34SIT -0,10 NST 0,18 NST SIDI KADA -0,43SDT 0,39SIT -0,36 SDT 0,35SIT -0,01 NST 0,42SIT -0,12 NST 0,43 NST AIN FARES -0,18 NST 0,32MIT -0,32 SDT 0,30MIT -0,12 NST 0,35SIT 0,03 NST 0,31MIT NESMOTH MF -0,50SDT 0,44SIT -0,30MDT 0,40SIT -0,14 NST 0,13 NST -0,25 NST 0,51SIT GHRIS -0,41SDT 0,01 NST -0,33 SDT 0,05 NST 0,01 NST 0,03 NST -0,24 NST 0,09 NST MASCARA -0,36SDT 0,27 NST -0,28MDT 0,31MIT -0,05 NST 0,24 NST -0,12 NST 0,30MIT SAHOUET OUIZERT -0,38SDT 0,05 NST 0,78 SDT 0,74SIT 0,93SIT 0,87SIT 0,70SIT 0,63SIT BOU HANIFIA BGE -0,28MDT -0,21 NST -0,21 NST 0,04 NST -0,12 NST 0,39SIT -0,14 NST 0,34SIT SFISSEF -0,53SDT 0,13 NST -0,24 NST 0,04 NST -0,26 NST 0,23 NST -0,02 NST 0,33SIT HACINE -0,24 NST 0,22 NST -0,33 SDT 0,36SIT -0,12 NST 0,36SIT -0,05 NST 0,13 NST MOHAMMADIA GRHA -0,27 NST 0,10 NST -0,48 SDT 0,15 NST -0,09 NST 0,37SIT -0,15 NST 0,21 NST TROIS RIVIERES -0,45SDT 0,02 NST -0,45 NST -0,09 NST -0,17 NST 0,39SIT -0,12 NST 0,43SIT OGGAZ -0,39SDT 0,25 NST -0,42 SDT 0,02 NST -0,36SDT 0,53SIT -0,05 NST 0,21 NST BOU HENNI -0,21 NST -0,03 NST -0,45 SDT 0,47SIT -0,04 NST 0,42SIT -0,07 NST 0,12 NST FORNAKA -0,16 NST 0,25 NST -0,49 SDT 0,10 NST -0,24 NST 0,15 NST 0,04 NST 0,27 NST SAMOURIA -0,15 NST 0,12 NST -0,46 SDT 0,07 NST -0,09 NST 0,39SIT -0,02 NST 0,09 NST MOCTA DOUZ -0,18 NST 0,40SIT -0,08 NST 0,40SIT -0,12 NST 0,47SIT -0,14 NST 0,31MIT FERME BLANCHE -0,30MDT 0,10 NST -0,53 SDT 0,11 NST -0,26 NST 0,19 NST -0,26 NST 0,25 NST BLED TAOURIA -0,17 NST 0,30MIT -0,44 SDT 0,24 NST -0,10 NST 0,35SIT -0,03 NST 0,40SIT MARAIS DE SIRAT -0,32SDT 0,23 NST -0,51 SDT 0,26 NST -0,21 NST 0,25 NST -0,23 NST 0,36SIT FERME ASSORAIN -0,07 NST -0,15 NST -0,29MDT -0,17 NST -0,01 NST 0,31MIT 0,12 NST 0,27 NST P1: Période (1970-1992) P2: Période (1992-2010) SDT: Strong Decreasing Trend MDT: Moderate Decreasing Trend NST: No Significant Trend MIT: Moderate Increasing Trend SIT: Strong Increasing Trend Le tableau 6.7 contient les valeurs des coefficients « r » de Bravais-Pearson de chaque saison et chaque station. Les valeurs en gras sont significatives.

140

Chapitre 6 Etude de l’évolution des pluies extrêmes

A partir du tableau 6.7, nous pouvons dresser les cartes des tendances saisonnières avec la classification de Westmacott et Burn (1997) (Fig. 6.6). D’après le tableau 6.7 et la figure 6.6, nous constatons que :  Pendant la première période (1970-1992), la saison d’hiver se caractérise par un pourcentage de 63% (26 stations) ayant une tendance décroissante (37% sans tendance), la saison du printemps se marque par un taux de 54% (22 stations) de décroissance significative (Fig. 6.6a). La saison d’été se marque un pourcentage de 10% (4 stations ont une tendance décroissante significative). L’Automne présente 5% (2 stations seulement ayant une tendance décroissante significative). Nous pouvons caractériser cette période par une tendance significative décroissante de 2 saisons (hiver et printemps) avec 50% des saisons.

 Par contre et pendant la deuxième période (1992-2010), un basculement vers la tendance croissante significative a été détecté : l’Hiver avec 29% (12 stations) ont montré une tendance significative croissante. Le Printemps a connu la même tendance croissante avec 24% (10 stations). La saison d’Eté : 17 stations (42%) ont une tendance croissante significative. La saison d’automne est marquée par un changement climatique apparent avec 59% (24 stations) ayant une tendance significative croissante (Fig. 6.6b). En conclusion partielle, les 4 saisons sont touchées par le changement climatique avec des pourcentages variant entre 24% (Printemps), 29% (Hiver), 42% (Eté) et 59% (Automne).

141

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.6 Variation spatiale des tendances saisonnières des pluies maximales journalières de la Macta d’après le coefficient r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta

142

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.6 Variation spatiale des tendances saisonnières des pluies maximales journalières de la Macta d’après le coefficient r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

L’examen de la figure 6.7, qui présente les nombres des stations touchées par les différents types de tendances, montre que, durant la deuxième période (1992-2010), les 4 saisons sont touchées par le changement de tendance vers la hausse significative différentielle (12 stations, soit 29% pour l’hiver, printemps : 10 stations (24%), été : 17 stations (41%) et l’automne : 24 stations (59%)).

143

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.7 Nombre de Stations de la tendance saisonnière (r de Pearson)

6.2.1.1.2.3. Tendance annuelle des pluies quotidiennes La même démarche scientifique a été appliquée dans l’espace sur 41 stations pluviométriques du bassin versant de la Macta pour les maxima des pluies extrêmes annuelles (tableau 6.8).

144

Chapitre 6 Etude de l’évolution des pluies extrêmes

Tableau 6.8 Coefficients annuels de corrélation r de Bravais-Pearson avec la classification de Westmacott et Burn (1997) pour les deux périodes Période I (1970-1992) Période II (1992-2010) Station Name Code Coefficient de Pearson Slope Coefficient de Pearson Slope Station r a r a RAS EL MA 110102 -0,13NST -0,395 0,51SIT 2,487 SID ALI BEN YOUB 110201 -0,04NST -0,244 0,33MIT 2,478 EL HACAIBA 110203 -0,24NST -1,182 0,52SIT 2,306 SARNO Bge 110304 -0,24NST -1,596 0,36MIT 2,119 SIDI BEL ABBES 110305 -0,11NST -0,577 0,43SIT 1,940 HASSI DAHO 110309 -0,24NST -1,277 0,55SIT 3,282 MOSTEFA BEN BRAHIM 110312 -0,15NST -0,087 0,06NST 0,293 AIN TRID 110314 -0,11NST -0,702 0,28NST 1,559 CHEURFAS BGE 110402 -0,23NST -1,670 0,14NST 0,683 MERINE 110501 -0,15NST -0,660 0,56SIT 2,725 DAOUD YOUB 110802 0,17NST -0,858 0,23NST 0,074 MEFTAH SIDI BOUBEKEUR 111102 -0,20NST -1,084 0,41SIT 2,756 AIN EL HADJAR 111103 -0,18NST -0,986 0,35MIT 1,527 HAMMAM RABI 111112 -0,28MDT -1,279 0,55SIT 2,415 OUED TARIA 111201 -0,38SDT -2,247 0,41SIT 1,242 AIN TIFRIT 111204 -0,24NST -1,160 0,42SIT 2,710 TAMESNA 111210 -0,06NST -0,252 0,52SIT 4,274 BENIANE 111217 -0,18NST -0,849 0,47SIT 3,701 MAOUSSA 111401 -0,39SDT -1,548 0,44SIT 1,722 MATEMORE 111405 -0,38SDT -1,250 0,16NST 0,467 TIZI 111413 -0,22NST -0,989 0,43SIT 1,584 SIDI KADA 111414 -0,41SDT -1,772 0,66SIT 3,817 AIN FARES 111417 -0,28MDT -1,590 0,43SIT 2,893 NESMOTH MF 111418 -0,55SDT -4,087 0,56SIT 5,03 GHRISS 111424 -0,60SDT -4,033 0,24NST 0,677 MASCARA 111429 -0,25NST -1,295 0,58SIT 3,044 SAHOUET OUIZERT 111502 -0,14NST -0,605 0,20NST 0,620 BOU HANIFIA BGE 111503 -0,12NST -0,631 0,15NST 0,467 SFISSEF 111508 -0,18NST -1,091 0,28NST 1,388 HACINE 111509 -0,28MDT -1,816 0,27NST 1,216 MOHAMMADIA GRHA 111511 -0,47SDT -2,753 0,37MIT 1,772 TROIS RIVIERES 111516 -0,47SDT -2,711 0,28NST 0,626 OGGAZ 111604 -0,40SDT -1,720 0,25NST 1,196 BOU HENNI 111605 -0,49SDT -1,981 0,28NST 1,006 FORNEKA 111606 -0,42SDT -2,379 0,34MIT 1,557 SAMOURIA 111607 -0,31MDT -1,472 0,10NST 0,349 MOCTA DOUZ 111610 -0,23NST -1,042 0,56SIT 4,318 FERME BLANCHE 111611 -0,50SDT -2,594 0,31MIT 1,389 BLED TAOURIA 111612 -0,41SDT -2,722 0,44SIT 2,637 MARAIS DE SIRAT 111616 -0,58SDT -3,536 0,45SIT 2,326 FERME ASSORAIN 111617 -0,18NST -0,961 -0,15NST -0,689 SDT: Strong decreasing trend MDT: Moderate decreasing trend NST: No significant trend MIT: Moderate increasing trend SIT: Strong increasing trend Le tableau 6.8 contient les valeurs des coefficients annuels « r » de Bravais-Pearson de chaque station. Les valeurs en gras sont significatives.

145

Chapitre 6 Etude de l’évolution des pluies extrêmes

La figure 6.8 visualise la variation spatiale des tendances des maxima annuels des précipitations maximales journalières pour les 41 stations durant les deux (02) périodes : 1. Période I (1970-1992) : 14 stations ayant une tendance fortement décroissante (SDT) et 4 stations ont une tendance décroissante modérée (MDT) (Tableau 6.8). Environ 44% des stations sont décroissantes et se situent dans le Nord et l’Est du bassin (Fig. 6.8a). 23 stations (56%) n’ont montré aucune tendance significative (NST) et se situent au centre et sud. 2. Période II (1992-2010) : cette période se caractérise par une situation totalement inverse à la première, c’est-à-dire que la tendance significative est croissante, entre modérée (MIT) et forte (SIT), avec 26 stations (63%) (Fig. 6.8b). Les stations croissantes se distribuent sur toutes les régions du bassin. 37% des stations n’ont montré aucune tendance significative (NST) et se concentrent dans le centre du bassin. Sur la figure 6.8, nous constatons que les coefficients de corrélation annuels r de Pearson évoluent vers la hausse de la première période vers la deuxième période. Cette situation se concorde parfaitement avec la figure 5.16 qui présente la distribution des maxima annuels des pluies extrêmes journalières. Ceci implique la prédominance des tendances de la deuxième période sur la première.

Fig. 6.8 Cartes des tendances annuelles des pluies maximales journalières. L'échelle de couleur montre les coefficients r de Bravais-Pearson. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta

L’examen de la figure 6.9, qui présente les nombres des stations touchées annuellement par les différents types de tendances, montre qu’il existe un basculement de la tendance décroissante significative (18 stations avec 44%) durant la période I (1970-1992) vers la tendance croissante significative (24 stations avec 63%) durant la période II (1992-2010).

146

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.9 Nombre de Stations de la tendance annuelle (r de Pearson)

6.2.1.2. Conclusion La méthode de Bravais-Pearson a permis de détecter : . A l’échelle mensuelle : un changement climatique dans 7 mois (Janvier (41%), Mai (61%), Juin (49%), Aout (20%), Octobre (41%), Novembre (29%) et Décembre (41%). Soit 7/12 (58%) des mois ont été touché par le changement climatique durant la deuxième période (1992- 2010). Ces mois ont vu un basculement de la tendance décroissante significative durant la première période (1970-1992) vers une hausse significative durant la deuxième période (1992- 2010). Le mois le plus affecté par ce phénomène est le mois de Mai (61%). . A l’échelle saisonnière : les 4 saisons sont touchées par une hausse significative de la tendance avec des pourcentages variant entre 22% (Printemps), 29% (Hiver), 41% (Eté) et 59% (Automne). Il est clair que la saison d’Automne est la plus frappée par ce phénomène avec 59% (24 stations affectées). . A l’échelle annuelle, le changement climatique est marqué par un basculement total de la tendance décroissante significative durant la période I (1970-1992) vers la tendance croissante significative durant la période II (1992-2010) sur l’ensemble du bassin versant de la Macta, avec 26/41 stations affectées (63%). Il est clair que le changement climatique a touché l’ensemble du bassin versant de la Macta sauf la partie centre qui n’a montré des tendances significatives.

Notons que les stations qui n’ont pas marqué une hausse significative, durant la deuxième période (1992-2010), n’ont pas marqué aussi une baisse de tendance. Autrement dit, toutes les stations ont une tendance vers la hausse, certaines ayant une signification (MIT et SIT), le reste des stations n’ayant pas de tendance significative (NST).

147

Chapitre 6 Etude de l’évolution des pluies extrêmes

6.2.2. Etude de la tendance par le test de Mann-Kendall (MK) Dans cette partie, nous présentons les résultats et discussions de l’application de cette méthode aux 41 stations de la Macta durant les deux (02) périodes PI (1970-1992) et PII (1992-2010). La valeur du τ sera généralement plus faible que les valeurs du coefficient de corrélation traditionnelle r. Une corrélation linéaire forte de 0,9 ou plus correspond à une valeur du τ d'environ 0,7. L’application de la méthode de Mann-Kendall sur les pluies mensuelles, saisonnières et annuelles des maximales journalières dans le bassin versant de la Macta donne des résultats de coefficients τ qui varient entre -0,50 et 0,50. Ces valeurs plus basses ne signifient pas que le tau est moins sensible que r, mais simplement que l’échelle est différente. Sa grande approximation de l'échantillon produit des valeurs de la probabilité critique (p-value) très proches des valeurs exactes, même pour des échantillons de petites tailles. Comme il est un test de corrélation de rang, le tau est invariant aux transformations de puissance monotones de l'une des deux variables. Par exemple, la valeur du τ est identique pour la corrélation de log (y) en fonction de log (x), de y en fonction de log (x) et de y par rapport à x (Helsel and Hirsch, 2002).

6.2.2.1. Résultats et discussions La tendance de chaque série est déterminée selon le tau (τ) de Kendall et suivant la signification aux seuils de α=10% et α=5% (Classification de Westmacott et Burn, 1997) (tableau 6.9) :

Tableau6.9 Classification des tendances de Mann-Kendall selon Westmacott et Burn (1997) Catégorie SIT MIT NST MDT SDT

ZKendall ZKendall≥1.64 1.64>ZKendall≥1.28 1.28>ZKendall≥-1.28 -1.28≥ZKendall>-1.64 ZKendall≤-1.64

6.2.2.1.1. Tendances mensuelles des pluies maximales L’application du test de Mann-Kendall sur les données mensuelles des précipitations maximales journalières des 41 stations du bassin versant de la Macta nous permet d’obtenir les résultats des coefficients mensuels τ de Kendall avec la classification de Westmacott et Burn (1997) (Tableau 6.10).

148

Chapitre 6 Etude de l’évolution des pluies extrêmes

Tableau 6.10 Coefficients mensuels tau (τ) de Kendall avec la classification de Westmacott et Burn (1997) pour les 02 périodes.

Code_Station Janvier Février Mars Avril Mai Juin Juillet Aout Sep. Oct. Nov. Déc.

P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 110102 0,15NST -0,13NST 0,03NST -0,16NST 0,14NST 0,10 NST 0,02 NST 0,20 NST 0,13 NST 0,11 NST -0,08 NST -0,01 NST 0,04 NST 0,05 NST 0,25MIT 0,07 NST -0,26MDT 0,20 NST 0,13 NST 0,13NST 0,04 NST -0,07 NST 0,03 NST 0,05 NST 110201 -0,08NST 0,03 NST -0,07 NST 0,07 NST -0,16NST 0,25MIT -0,14 NST 0,27MIT 0,07 NST 0,28MIT -0,01 NST -0,05 NST 0,00 NST -0,17 NST 0,08 NST 0,21 NST 0,18 NST 0,02 NST 0,02 NST 0,19 NST -0,08NST 0,02 NST -0,08NST 0,18 NST 110203 -0,06 NST -0,15NST -0,14 NST 0,07 NST -0,22MDT 0,07 NST -0,17 NST 0,20 NST -0,09 NST 0,31SIT -0,08 NST 0,18 NST -0,12NST -0,07 NST 0,11 NST -0,07 NST -0,13 NST 0,05 NST -0,02NST 0,27MIT -0,06NST 0,08 NST -0,13NST 0,05 NST 110304 -0,22MDT 0,14 NST -0,11 NST -0,04 NST -0,19MDT 0,11 NST -0,04 NST -0,01 NST -0,09 NST 0,25MIT -0,02 NST 0,23MIT 0,10 NST -0,27MDT -0,07 NST -0,06 NST 0,06 NST -0,09NST -0,04NST 0,11 NST 0,08 NST -0,03 NST -0,21MDT 0,18 NST 110305 -0,14 NST 0,19 NST -0,10 NST -0,05 NST -0,21MDT 0,08 NST -0,16 NST -0,03 NST -0,11 NST 0,22 NST -0,03 NST 0,26MIT 0,13 NST -0,09 NST 0,09 NST -0,08 NST -0,07 NST -0,07NST -0,06NST 0,45SIT 0,01 NST 0,12 NST -0,14NST 0,29SIT 110309 -0,02 NST 0,07 NST -0,18 NST 0,29MIT -0,26SDT 0,20 NST -0,23MDT 0,08 NST -0,09 NST 0,20 NST -0,11 NST 0,30SIT 0,13 NST 0,00 NST -0,21MDT 0,14 NST 0,03 NST -0,15NST -0,06NST 0,14 NST 0,01 NST 0,15 NST -0,12NST 0,36SIT 110312 -0,12 NST 0,17 NST -0,10 NST 0,12 NST -0,12NST 0,20 NST -0,14 NST 0,16 NST -0,06 NST 0,39SIT -0,14 NST 0,20 NST 0,10 NST 0,19 NST -0,10 NST 0,02 NST -0,08 NST -0,08NST -0,09NST 0,10 NST 0,02 NST 0,02 NST -0,23MDT 0,23MIT 110314 -0,08 NST 0,15 NST -0,06 NST 0,05 NST -0,17NST 0,08 NST -0,18 NST 0,05 NST -0,04 NST 0,26MIT -0,14 NST -0,05 NST 0,17 NST -0,18 NST -0,02 NST -0,14 NST 0,08 NST -0,15NST -0,12NST 0,01 NST 0,01 NST 0,03 NST -0,18NST 0,05 NST 110402 -0,13 NST 0,03 NST -0,25MDT -0,22 NST -0,28SDT 0,10 NST -0,23MDT 0,14 NST -0,18 NST 0,22MIT -0,15 NST 0,28MIT 0,01 NST -0,11 NST 0,10 NST 0,01 NST 0,00 NST -0,22NST -0,03NST 0,02 NST -0,08NST 0,25MIT -0,22MDT 0,08 NST 110501 0,06 NST 0,04 NST -0,15 NST -0,01 NST -0,20MDT 0,05 NST -0,20MDT 0,29MIT 0,00 NST 0,42SIT -0,04 NST 0,06 NST 0,22MIT -0,03 NST 0,07 NST -0,05 NST 0,12 NST 0,05 NST 0,22MIT 0,07 NST 0,02 NST 0,07 NST 0,00 NST 0,25MIT 110802 0,12NST 0,09 NST -0,03 NST -0,13 NST 0,08 NST 0,19 NST -0,02 NST 0,11 NST -0,02 NST 0,30SIT 0,11 NST 0,30SIT 0,28MIT -0,03 NST 0,13 NST -0,03 NST 0,12 NST 0,19 NST 0,16 NST 0,14 NST 0,11 NST 0,03 NST 0,00 NST 0,25MIT 111102 -0,06NST 0,10 NST -0,07 NST -0,06 NST -0,33SDT 0,22 NST -0,18 NST 0,18 NST -0,09 NST 0,34SIT -0,12 NST 0,16 NST -0,02 NST -0,30SDT 0,22 NST -0,04 NST 0,19 NST 0,00 NST 0,00 NST 0,07 NST -0,04NST 0,11 NST -0,16NST 0,16 NST 111103 -0,04 NST 0,07 NST -0,04 NST -0,11 NST -0,31SDT 0,14 NST -0,27SDT 0,16 NST 0,08 NST 0,27MIT -0,20MDT 0,12 NST -0,08NST 0,04 NST 0,11 NST -0,05 NST 0,05 NST -0,07NST 0,12 NST 0,19 NST -0,18NST 0,10 NST -0,01NST 0,08 NST 111112 -0,12 NST 0,05 NST -0,01 NST -0,05 NST -0,30SDT 0,16 NST -0,30SDT 0,14 NST -0,17 NST 0,34SIT -0,03 NST -0,01 NST 0,14 NST 0,14 NST 0,28MIT 0,03 NST 0,16 NST -0,07NST 0,09 NST 0,11 NST -0,06NST 0,18 NST -0,17NST 0,22 NST 111201 -0,15 NST 0,10 NST -0,20MDT 0,03 NST -0,22MDT 0,18 NST -0,04 NST 0,08 NST -0,06 NST 0,24MIT -0,05 NST 0,10 NST 0,21 NST -0,31SDT 0,48SIT -0,03 NST 0,05 NST -0,01NST -0,02NST -0,03NST 0,03 NST -0,05 NST -0,08NST 0,04 NST 111204 -0,09 NST 0,01 NST -0,04 NST 0,00 NST -0,25MDT 0,14 NST -0,25MDT 0,05 NST -0,10 NST 0,32SIT -0,06 NST 0,10 NST 0,17 NST 0,11 NST 0,27MIT -0,18 NST 0,05 NST -0,13NST 0,05 NST -0,01NST -0,11NST 0,23MIT -0,12NST 0,10 NST 111210 0,00 NST 0,07 NST -0,12 NST 0,01 NST -0,17 NST 0,19 NST -0,18 NST 0,22MIT 0,00 NST 0,43SIT 0,01 NST 0,38SIT -0,18 NST 0,08 NST 0,29MIT -0,08 NST -0,05 NST -0,07NST 0,08 NST -0,13NST -0,04NST 0,22 NST -0,13NST 0,31SIT 111217 -0,06 NST 0,37SIT -0,06 NST 0,22 NST -0,09 NST 0,25MIT -0,20MDT 0,14 NST -0,03 NST 0,33SIT -0,10 NST 0,18 NST 0,11 NST -0,17 NST 0,16 NST -0,01 NST 0,08 NST 0,18 NST -0,07NST 0,14 NST -0,02NST 0,16 NST -0,15NST 0,27MIT 111401 -0,04 NST 0,23MIT -0,03 NST 0,06 NST 0,00 NST 0,34SIT 0,07 NST 0,14 NST 0,06 NST 0,33SIT 0,03 NST 0,29MIT 0,20 NST 0,22 NST 0,08 NST -0,06 NST 0,09 NST 0,08 NST -0,09NST 0,01 NST 0,14 NST 0,12 NST -0,20MDT 0,06 NST 111405 -0,15 NST -0,03NST -0,14 NST -0,08 NST -0,21MDT 0,21 NST -0,16 NST -0,02 NST -0,04 NST 0,22MIT -0,05 NST 0,16 NST 0,18 NST 0,13 NST 0,04 NST -0,22 NST 0,19 NST -0,03NST -0,04NST -0,06NST 0,17 NST 0,08 NST -0,18NST 0,06 NST 111413 -0,07 NST 0,03NST -0,04 NST 0,04 NST -0,13 NST 0,20 NST -0,18 NST 0,13 NST -0,01 NST 0,15 NST -0,11 NST 0,08 NST -0,13NST 0,12 NST -0,09 NST -0,07 NST -0,11 NST -0,13NST -0,06NST -0,01NST 0,05 NST 0,10 NST -0,14NST 0,11 NST 111414 -0,20MDT 0,18 NST -0,17 NST 0,08 NST -0,14 NST 0,21 NST -0,26MDT 0,12 NST -0,14 NST 0,33SIT -0,06 NST 0,35SIT -0,07NST -0,01 NST 0,11 NST 0,15 NST -0,05 NST 0,15 NST -0,09NST 0,03 NST 0,05 NST 0,20 NST -0,16NST 0,23MIT

149

Chapitre 6 Etude de l’évolution des pluies extrêmes

111417 -0,03 NST 0,19 NST -0,12 NST 0,11 NST -0,12 NST 0,22 NST -0,18 NST 0,15 NST -0,04 NST 0,27MIT 0,03 NST 0,33SIT 0,09 NST 0,01 NST 0,08 NST -0,01 NST 0,07 NST -0,16NST 0,02 NST -0,02NST 0,14 NST 0,14 NST 0,04 NST 0,10 NST 111418 -0,09 NST 0,10 NST -0,16 NST 0,22MIT 0,00 NST 0,22MIT -0,08 NST 0,15 NST -0,18 NST 0,36SIT 0,03 NST 0,08 NST 0,10 NST 0,05 NST 0,04 NST 0,04 NST -0,06 NST 0,15 NST -0,06NST -0,01NST -0,02NST 0,15 NST -0,20MDT 0,24MIT 111424 -0,12 NST 0,07 NST -0,12 NST -0,01 NST -0,21MDT 0,17 NST -0,12 NST 0,14 NST -0,14 NST 0,18 NST -0,06 NST 0,18 NST -0,05 NST 0,16 NST 0,02 NST -0,08 NST -0,03 NST -0,17NST -0,07NST -0,09NST -0,04NST -0,03 NST -0,23MDT 0,12 NST 111429 -0,08 NST 0,05 NST -0,11 NST 0,14 NST -0,12 NST 0,28MIT -0,24MDT 0,11 NST -0,11 NST 0,31SIT -0,10 NST 0,17 NST -0,01 NST -0,07 NST 0,24MIT -0,15 NST -0,07 NST 0,04 NST -0,08NST 0,01 NST 0,09 NST 0,12 NST -0,19NST 0,19 NST 111502 0,00 NST 0,12 NST -0,05 NST -0,11 NST -0,28SDT 0,22MIT -0,10 NST 0,01 NST 0,00 NST 0,22 NST -0,10 NST 0,27MIT -0,04 NST 0,21 NST 0,11 NST 0,10 NST 0,03 NST -0,03NST -0,03NST 0,16 NST 0,11 NST 0,14 NST -0,06NST 0,13 NST 111503 0,01 NST 0,01 NST -0,10 NST -0,14 NST -0,23MDT 0,18 NST -0,23MDT 0,07 NST -0,11 NST 0,24MIT -0,08 NST 0,18 NST 0,12 NST 0,12 NST -0,19 NST -0,17 NST -0,04 NST -0,10NST 0,00 NST 0,05 NST 0,00 NST 0,15 NST -0,06NST 0,22 NST 111508 -0,15 NST -0,05NST -0,15 NST 0,22MIT -0,21MDT 0,20 NST -0,16 NST 0,14 NST -0,08 NST 0,14 NST -0,15 NST 0,02 NST -0,03 NST -0,31SIT 0,18 NST 0,05 NST -0,02 NST -0,01NST -0,04NST 0,13 NST 0,04 NST 0,24MDT -0,17NST 0,02 NST 111509 0,05 NST 0,19 NST -0,13 NST 0,05 NST -0,19 NST 0,24MIT -0,19 NST 0,08 NST -0,04 NST 0,28MIT 0,00 NST 0,36SIT 0,02 NST -0,16 NST 0,34SIT 0,04 NST 0,00 NST 0,07 NST -0,06NST -0,05NST 0,09 NST 0,14 NST -0,11NST 0,19 NST 111511 -0,12 NST 0,11 NST -0,08 NST -0,06 NST -0,18 NST 0,24MIT -0,27SDT 0,12 NST -0,11 NST 0,16 NST -0,02 NST 0,46SIT 0,23MIT 0,05 NST 0,17 NST 0,12 NST -0,09 NST 0,02 NST -0,13NST 0,16 NST 0,10 NST 0,05 NST -0,20MDT 0,08 NST 111516 0,01 NST 0,04 NST -0,12 NST -0,11 NST -0,20MDT 0,17 NST -0,12 NST 0,08 NST -0,06 NST 0,22 NST -0,23MDT 0,21 NST 0,08 NST 0,09 NST 0,01 NST 0,04 NST 0,07 NST -0,06NST -0,04NST 0,13 NST 0,15 NST 0,08 NST -0,18NST 0,25MIT 111604 -0,15 NST 0,03 NST -0,25MDT 0,02 NST -0,15 NST -0,01NST -0,21MDT 0,21 NST -0,14 NST 0,25MIT -0,21MDT 0,34SIT -0,17 NST 0,00 NST -0,10 NST 0,21 NST -0,10 NST 0,05 NST -0,26SDT 0,08 NST 0,16 NST 0,23MDT -0,22MDT 0,29SIT 111605 0,00 NST 0,03 NST -0,07 NST -0,20 NST -0,01 NST 0,38SIT -0,18 NST 0,19 NST -0,04 NST 0,17 NST -0,01 NST 0,49SIT 0,05 NST -0,20 NST 0,16 NST -0,09 NST -0,16 NST -0,11NST -0,10NST 0,11 NST 0,08 NST 0,06 NST -0,04NST 0,05 NST 111606 - -0,07 NST 0,12 NST -0,04 NST -0,01 NST -0,12 NST 0,18 NST -0,17 NST 0,15 NST -0,16 NST 0,23MIT -0,18 NST 0,14 NST -0,04 NST -0,26 NST 0,18 NST -0,16 NST -0,37SDT 0,20 NST 0,24MDT 0,11 NST 0,18 NST 0,20 NST -0,11NST 0,12 NST 111607 0,01 NST 0,06 NST -0,01 NST 0,03 NST -0,09 NST 0,28MIT -0,28SDT 0,08 NST -0,03 NST 0,18 NST -0,25MDT 0,38SIT 0,16 NST 0,16 NST 0,01 NST 0,05 NST -0,14 NST -0,06NST -0,08NST 0,03 NST 0,21MDT -0,01 NST -0,10NST 0,09 NST 111610 -0,04 NST 0,24MIT 0,04 NST 0,09 NST -0,05 NST 0,16 NST -0,17 NST 0,20 NST 0,06 NST 0,22 NST 0,10 NST 0,50SIT 0,08 NST 0,14 NST 0,12 NST 0,09 NST -0,11 NST -0,09NST -0,16NST 0,20 NST 0,12 NST 0,23MDT -0,16NST 0,28SIT 111611 -0,18 NST 0,08 NST -0,17 NST -0,10 NST -0,14 NST 0,23MIT -0,25MDT 0,09 NST -0,19 NST 0,18 NST -0,24MDT 0,37SIT 0,10 NST -0,10 NST -0,02 NST -0,15 NST -0,08 NST 0,01 NST -0,16NST 0,15 NST 0,13 NST 0,08 NST -0,27SDT 0,08 NST 111612 -0,15 NST 0,12 NST -0,19MDT -0,05 NST -0,08 NST 0,29MIT -0,13 NST 0,12 NST -0,03 NST 0,22 NST 0,10 NST 0,27MIT 0,32SIT 0,04 NST 0,01 NST -0,18 NST -0,08 NST -0,01NST -0,08NST 0,04 NST 0,12 NST 0,18 NST -0,20MDT 0,20 NST 111616 - -0,25MDT 0,18 NST -0,22MDT -0,03 NST -0,17 NST 0,27MIT -0,14 NST 0,11 NST -0,18 NST 0,24MIT -0,29SDT 0,35SIT 0,04 NST -0,45SIT 0,06 NST -0,13 NST -0,14 NST 0,01 NST 0,23MDT 0,11 NST -0,05NST 0,16 NST -0,23MDT 0,18 NST 111617 -0,13 NST 0,22 NST -0,02 NST -0,03 NST -0,10 NST 0,21 NST -0,21MDT 0,05 NST -0,12 NST 0,25MIT -0,31SDT 0,25MIT 0,25MIT 0,10 NST -0,07 NST 0,03 NST -0,09 NST 0,06 NST 0,03 NST 0,06 NST 0,16 NST 0,16 NST -0,09NST 0,12 NST P1: Période (1970-1992) P2: Période (1992-2010) SDT: Strong Decreasing Trend MDT: Moderate Decreasing Trend NST: No Significant Trend MIT: Moderate Increasing Trend SIT: Strong Increasing Trend Le tableau 6.10 contient les valeurs des coefficients mensuels « τ » de Kendall de chaque mois et chaque station. Les valeurs en gras sont significatives.

.

150

Chapitre 6 Etude de l’évolution des pluies extrêmes

La figure 6.10 montre les cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients τ de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta. D’après le tableau 6.10 et la figure 6.10a, nous caractérisons les 12 mois durant la période I (1970-1992): A l’exception de deux (02) mois : Aout et Octobre qui présentent un pourcentage faible de croissance significative, respectivement 17% et 3%, la majorité des mois présentent une tendance décroissante non significative, sauf les mois de : Janvier présente une tendance décroissante significative (7% avec 3 stations : Nord, Est et Ouest du bassin). Les mois de Février et Juillet présentent une décroissance significative de 12% avec 5 stations. Le mois de Mars est marqué par un pourcentage élevé de tendance décroissante significative de 41% (17 stations). Le mois de Mai se marque aussi par un pourcentage élevé de 37% avec 15 stations. Les mois de Juin et Novembre ne présentent aucune tendance significative. Le mois de Septembre montre un pourcentage faible de décroissance (5% avec 2 stations). Le mois de Décembre se marque par un pourcentage relativement élevé de 27% avec 11 stations. D’après le tableau 6.10 et la figure 6.10b, nous caractérisons les 12 mois durant la deuxième période II (1992-2010): Par contre et durant cette période, nous constatons qu’il y a un basculement de la tendance décroissante vers la tendance croissante avec des pourcentages variables : Les mois de Janvier, Février, Avril, Aout, Septembre, Octobre et Novembre présentent des tendances significatives croissantes respectivement : 7%, 7%, 7%, 0%, 0%, 5%, 5% et 12%. Le mois de Mars présente 32% de la croissance significative, Mai 66%, Juin 49% et Décembre 30%. Les stations les plus touchées par ce changement climatique se situent surtout dans l’ouest, centre et Nord du bassin versant. En conclusion, les mois ayant des tendances significatives croissantes sont : Mars, Mai, Juin et Décembre, soit 4 mois sur 12 (33%).

151

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.10 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients tau (τ) de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta

152

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.10 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients tau (τ) de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

153

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.10 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients tau (τ) de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

154

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.10 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients tau (τ) de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

La figure 6.11, qui présente les nombres des stations touchées par les différents types de tendances, montre que le mois de Mars, Mai, Juin et Décembre qui sont touché par la hausse de la tendance des pluies maximales avec respectivement 13, 27, 20 et 12 stations (soit 32%, 66%, 49% et

155

Chapitre 6 Etude de l’évolution des pluies extrêmes

29%) durant la durant la deuxième période (1992-2010).Le mois le plus affecté par le changement climatique est le mois de Mai (66%).

Fig. 6.11 Nombre de Stations de la tendance mensuelle (τ de Kendall)

6.2.2.1.2. Tendances saisonnières des pluies maximales L’application du test de Mann-Kendall sur les données saisonnières des précipitations maximales journalières des 41 stations du bassin versant de la Macta nous permet d’obtenir les résultats des coefficients τ de Kendall avec la classification de Westmacott et Burn (Tableau 6.11).

156

Chapitre 6 Etude de l’évolution des pluies extrêmes

Tableau 6.11 Coefficients saisonniers τ de Kendall avec la classification de Westmacott et Burn (1997) pour les 02 périodes. Nom_Station Hiver Printemps Eté Automne

P1 P2 P1 P2 P1 P2 P1 P2 RAS EL MA -0,03 NST 0,01 NST 0,11 NST 0,09 NST 0,01 NST 0,15 NST 0,06 NST 0,22 NST SID ALI BEN YOUB -0,26MDT 0,26 NST -0,06 NST -0,05 NST 0,00 NST -0,02 NST -0,04 NST 0,33SIT EL HACAIBA -0,34SDT 0,02 NST -0,27SDT 0,03 NST -0,16 NST 0,01 NST -0,06 NST 0,24 NST SARNO Bge -0,27SDT 0,18 NST -0,20MDT -0,16 NST -0,02 NST -0,02 NST -0,19 NST 0,14 NST SIDI BEL ABBES -0,31SDT 0,22 NST -0,23MDT -0,16 NST -0,18 NST 0,06 NST -0,10 NST 0,31SIT HASSI DAHO -0,31SDT 0,30SIT -0,26MDT -0,14 NST -0,24MDT 0,07 NST -0,21MDT 0,26MIT MOSTEFA BEN BRAHIM -0,28SDT 0,14 NST -0,15 NST -0,11 NST -0,06 NST 0,06 NST -0,16 NST 0,09 NST AIN TRID -0,18 NST 0,13 NST -0,25MDT -0,10 NST -0,05 NST -0,20 NST -0,11 NST 0,17 NST CHEURFAS BGE -0,32SDT 0,04 NST -0,33SDT -0,16 NST 0,04 NST -0,29MDT -0,27SDT 0,28MIT MERINE -0,30SDT 0,15 NST -0,27SDT 0,03 NST -0,04 NST 0,00 NST 0,08 NST 0,42SIT DAOUD YOUB 0,03 NST 0,12 NST 0,11 NST -0,14 NST 0,06 NST 0,16 NST 0,06 NST 0,28MIT MEFTAH SIDI BOUBEKEUR -0,27SDT 0,15 NST -0,27SDT -0,02 NST -0,26MDT 0,08 NST -0,12 NST 0,28MIT AIN EL HADJAR -0,08 NST -0,03 NST -0,28SDT -0,04 NST -0,13 NST -0,06 NST -0,17 NST 0,20 NST HAMMAM RABI -0,28SDT 0,15 NST -0,35SDT 0,05 NST -0,07 NST 0,19 NST -0,08 NST 0,42SIT OUED TARIA -0,28SDT 0,11 NST -0,19NST 0,09 NST -0,04 NST -0,05 NST -0,17 NST 0,12 NST AIN TIFRIT -0,21MDT 0,21 NST -0,27SDT 0,05 NST 0,21MDT -0,02 NST -0,18 NST 0,34SIT TAMESNA -0,18 NST 0,17 NST -0,18 NST 0,22MIT -0,09 NST -0,04 NST -0,10 NST 0,31SIT BENIANE -0,23MDT 0,38 NST -0,07 NST 0,09 NST -0,11 NST 0,08 NST -0,16 NST 0,36SIT MAOUSSA -0,25MDT 0,21MIT 0,07 NST -0,09 NST 0,11 NST 0,07 NST 0,00 NST 0,15 NST MATEMORE -0,30SDT 0,08 NST -0,24MDT -0,16 NST 0,01 NST 0,00 NST 0,00 NST 0,11 NST TIZI -0,16 NST 0,11 NST -0,23MDT -0,04 NST -0,11 NST 0,01 NST -0,15 NST 0,16 NST SIDI KADA -0,31SDT 0,25 NST -0,22MDT 0,03 NST -0,01 NST 0,21MIT -0,12 NST 0,25 NST AIN FARES -0,04 NST 0,33SIT -0,26MDT 0,12 NST -0,07 NST 0,10 NST 0,01 NST 0,21 NST NESMOTH MF -0,34SDT 0,23MIT -0,20MDT 0,14 NST 0,03 NST 0,02 NST -0,19 NST 0,30MIT GHRISS -0,26MDT 0,04 NST -0,20MDT -0,12 NST -0,03 NST 0,13 NST -0,21MDT 0,11 NST MASCARA -0,26MDT 0,26 NST -0,21MDT 0,03 NST 0,02 NST 0,03 NST -0,12 NST 0,22 NST SAHOUET OUIZERT -0,24MDT 0,12 NST -0,06 NST -0,14 NST 0,05 NST 0,10 NST -0,12 NST 0,22 NST BOU HANIFIA BGE -0,20MDT -0,07 NST -0,20MDT -0,20 NST -0,03 NST 0,03 NST -0,23MDT 0,25 NST SFISSEF -0,37SDT 0,14 NST -0,20MDT -0,15 NST -0,11 NST -0,11 NST -0,09 NST 0,19 NST HACINE -0,17 NST 0,17 NST -0,30SDT 0,06 NST 0,15 NST 0,15 NST -0,07 NST 0,11 NST MOHAMMADIA GRHA -0,18 NST 0,06 NST -0,34SDT 0,07 NST -0,02 NST 0,07 NST -0,06 NST 0,11 NST TROIS RIVIERES -0,30SDT 0,11 NST -0,23MDT -0,19 NST -0,13 NST 0,09 NST -0,10 NST 0,26MIT OGGAZ -0,32SDT 0,22 NST -0,23MDT -0,12 NST -0,18 NST 0,33SIT -0,05 NST 0,15 NST BOU HENNI -0,08 NST 0,09 NST -0,26MDT 0,06 NST 0,08 NST 0,07 NST -0,10 NST 0,07 NST FORNEKA -0,04 NST 0,24 NST -0,29SDT -0,09 NST -0,19 NST -0,21NST 0,01 NST 0,12 NST SAMOURIA -0,084 NST 0,11 NST -0,28SDT -0,02 NST -0,11 NST 0,12 NST -0,01 NST 0,02 NST MOCTA DOUZ -0,06 NST 0,35 NST -0,10 NST 0,04 NST 0,04 NST 0,15 NST -0,15 NST 0,18 NST FERME BLANCHE -0,23MDT 0,11 NST -0,36SDT -0,10 NST -0,18 NST 0,07 NST -0,18 NST 0,18 NST BLED TAOURIA -0,12 NST 0,29 NST -0,23MDT 0,04 NST 0,12 NST 0,00 NST -0,04 NST 0,18 NST MARAIS DE SIRAT -0,20MDT 0,25MIT -0,31SDT 0,10 NST -0,23MDT -0,10 NST -0,20MDT 0,24MIT FERME ASSORAIN -0,02 NST -0,03 NST -0,14 NST -0,15 NST -0,23MDT 0,13 NST 0,05 NST 0,09 NST SDT: Strong Decreasing Trend MDT: Moderate Decreasing Trend NST: No Significant Trend MIT: Moderate Increasing Trend SIT: Strong Increasing Trend Le tableau 6.11 contient les valeurs des coefficients saisonniers « τ » de Kendall de chaque saison et chaque station. Les valeurs en gras sont significatives.

La figure 6.12 montre les cartes des tendances saisonnières des pluies maximales journalières. L'échelle de couleur montre les coefficients τ de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta.

157

Chapitre 6 Etude de l’évolution des pluies extrêmes

D’après le tableau 6.11 et la figure 6.12, nous caractérisons les 04 saisons durant les deux (02) périodes :  Période I (1970-1992): l'hiver est caractérisé par une tendance à la baisse significative de 63% (26 stations) réparties sur tout le bassin. La saison de printemps est marquée par une tendance très significative avec 77% (32 stations) de tendance décroissante. Les saisons d'été et d'automne ne comptent que 10% (4 stations) et 12% (5 stations) en décroissance significative (Fig. 6.12a).  Période II (1992-2010): la saison hivernale est marquée par une tendance à la hausse significative avec 37% (15 stations) qui ont inversé leurs tendances. Le printemps et l’été n’ont aucune tendance significative. La saison d’automne montre une tendance à la hausse significative avec 51% (21 stations) (Fig. 6.12b). Nous avons donc deux (02) saisons (hiver et automne) affectées par le changement climatique.

158

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.12 Cartes des tendances des pluies maximales saisonnières. L'échelle de couleur montre les coefficients tau (τ) de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta

159

Chapitre 6 Etude de l’évolution des pluies extrêmes

L’examen de la figure 6.13, qui présente les nombres des stations touchées par les différents types de tendances, montre que, durant la première période (1970-1992), la tendance significative décroissante est marquée pour les deux (02) saisons d’hiver (26 stations touchées, soit 63%) et du printemps (31 stations affectées, soit 76%). Par contre et durant la deuxième période (1992-2010), toutes les saisons sont touchées par le changement de tendance vers la hausse significative, surtout les 2 saisons : l’hiver (15 stations, soit 37%) et l’automne (21 stations, soit 51%) durant la deuxième période (1992-2010).

Fig. 6.13 Nombre de Stations de la tendance saisonnière (τ de Kendall)

6.2.2.1.3. Tendances annuelles des pluies maximales L’application du test de Mann-Kendall sur les données annuelles des précipitations maximales journalières des 41 stations du bassin versant de la Macta nous permet d’obtenir les résultats des coefficients τ de Kendall avec la classification de Westmacott et Burn (1997) (Tableau 6.12).

160

Chapitre 6 Etude de l’évolution des pluies extrêmes

Tableau 6.12Coefficients annuels τ de Kendall avec la classification de Westmacott et Burn (1997) pour les 02 périodes.

Code_Station Nom_Station P1 P2 110102 RAS EL MA 0,06 NST 0,38SIT 110201 SID ALI BEN YOUB -0,11 NST 0,06 NST 110203 EL HACAIBA -0,34SDT 0,20 NST 110304 SARNO Bge -0,25MDT 0,07 NST 110305 SIDI BEL ABBES -0,25MDT 0,12 NST 110309 HASSI DAHO -0,33SDT 0,23MIT 110312 MOSTEFA BEN BRAHIM -0,17 NST -0,06 NST 110314 AIN TRID -0,17 NST 0,03 NST 110402 CHEURFAS BGE -0,41SDT -0,07 NST 110501 MERINE -0,17 NST 0,29 SIT 110802 DAOUD YOUB -0,04 NST 0,02 NST 111102 MEFTAH SIDI BOUBEKEUR -0,23MDT 0,24MIT 111103 AIN EL HADJAR -0,35SDT -0,05 NST 111112 HAMMAM RABI -0,39SDT 0,25MIT 111201 OUED TARIA -0,35SDT 0,22MIT 111204 AIN TIFRIT -0,10 NST 0,16 NST 111210 TAMESNA -0,07 NST 0,22MIT 111217 BENIANE -0,14 NST 0,32SIT 111401 MAOUSSA -0,25MDT 0,13 NST 111405 MATEMORE -0,37SDT 0,07 NST 111413 TIZI -0,20 NST 0,16 NST 111414 SIDI KADA -0,29SDT 0,32 SIT 111417 AIN FARES -0,14 NST 0,19 NST 111418 NESMOTH MF -0,38SDT 0,30SIT 111424 GHRISS -0,44SDT 0,01 NST 111429 MASCARA -0,27SDT 0,26MIT 111502 SAHOUET OUIZERT -0,20 NST 0,03 NST 111503 BOU HANIFIA BGE -0,30SDT 0,03 NST 111508 SFISSEF -0,25MDT 0,05 NST 111509 HACINE -0,19 NST 0,15 NST 111511 MOHAMMADIA GRHA -0,38SDT 0,14 NST 111516 TROIS RIVIERES -0,46SDT 0,05 NST 111604 OGGAZ -0,22MDT 0,11 NST 111605 BOU HENNI -0,33SDT 0,09 NST 111606 FORNEKA -0,29SDT 0,09 NST 111607 SAMOURIA -0,17 NST -0,05 NST 111610 MOCTA DOUZ -0,22MDT 0,38 NST 111611 FERME BLANCHE -0,30SDT 0,14 NST 111612 BLED TAOURIA -0,18 NST 0,27SIT 111616 MARAIS DE SIRAT -0,27SDT 0,35SIT 111617 FERME ASSORAIN -0,17 NST -0,16 NST SDT: Strong Decreasing Trend MDT: Moderate Decreasing Trend NST: No Significant Trend MIT: Moderate Increasing Trend SIT: Strong Increasing Trend Le tableau 6.12 contient les valeurs des coefficients annuels « τ » de Kendall. Les valeurs en gras sont significatives.

La figure 6.14 montre les cartes des tendances annuelles des pluies maximales journalières. L'échelle de couleur montre les coefficients τ de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta. D’après le tableau 6.12 et la figure 6.14, nous caractérisons les tendances annuelles des pluies maximales journalières pour les 02 périodes par :

161

Chapitre 6 Etude de l’évolution des pluies extrêmes

. Période I (1970-1992) : 25 stations ont une tendance décroissante réparties entre 18 stations décroissantes modérées (MDT) et 07 stations de forte décroissance (SDT), soit un pourcentage de 61% de décroissance. Le reste des stations (26) n’ont aucune tendance significative (Fig. 6.14a). Les stations décroissantes se localisent sur l’ensemble du bassin versant. . Période I (1970-1992) : 14 stations se marquent par une tendance croissante significative (soit 34%). 27 stations (66%) n’ont aucune tendance significative (Fig. 6.14b).

Fig. 6.14 Cartes des tendances des pluies maximales annuelles. L'échelle de couleur montre les coefficients tau(τ) de Kendall. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta

L’analyse de la figure 6.15, qui présente les nombres des stations touchées annuellement par les différents types de tendances, montre qu’il existe un basculement de la tendance décroissante significative (25 stations avec 61%) durant la période I (1970-1992) vers la tendance croissante significative (14 stations avec 34%) durant la période II (1992-2010).

Fig. 6.15 Nombre de Stations de la tendance annuelle (τ de Kendall)

162

Chapitre 6 Etude de l’évolution des pluies extrêmes

6.2.2.2. Conclusion L’application de la méthode de Mann-Kendall a permet de détecter : . A l’échelle mensuelle : un changement climatique dans 5 mois (Mars (32%), Mai (66%), Juin (49%), Novembre (12%) et Décembre (29%). Soit 5/12 (42%) des mois ont été touché par le changement climatique durant la deuxième période (1992-2010). Le mois le plus affecté par ce phénomène est le mois de Mai (66%). . A l’échelle saisonnière : deux (02) saisons sont touchées par le changement climatique avec des pourcentages variant entre 37% (Hiver) et 51% (Automne). Il est clair que la saison d’Automne est la plus frappée par ce phénomène avec 51% (21 stations affectées). . A l’échelle annuelle, le changement climatique est marqué par un basculement total de la tendance décroissante significative durant la période I (1970-1992) vers la tendance croissante significative durant la période II (1992-2010) sur l’ensemble du bassin versant de la Macta, avec 14/41 stations affectées (34%). Il est clair que le changement climatique a touché l’ensemble du bassin versant de la Macta sauf la partie centre qui n’a montré des tendances significatives.

Notons que les stations qui n’ont pas marqué une hausse significative, durant la deuxième période (1992-2010), n’ont pas marqué aussi une baisse de tendance. Autrement dit, toutes les stations ont une tendance vers la hausse, certaines ayant une signification (MIT et SIT), le reste des stations n’ayant pas de tendance significative (NST).

163

Chapitre 6 Etude de l’évolution des pluies extrêmes

6.2.3. Le Rho (ρ) de Spearman L’application de la méthode de Spearman sur les pluies mensuelles, saisonnières et annuelles des maximales journalières dans le bassin versant de la Macta donne des résultats de coefficients ρ qui varient entre -0.99 et 0.97.

6.2.3.1. Résultats et discussions La tendance de chaque série est déterminée selon le rho (ρ) de Spearman et suivant la signification aux seuils de α=10% et α=5% (Classification de Westmacott et Burn (1997)) (tableau 6.13) :

Tableau6.13 Classification des tendances de Spearman selon Westmacott et Burn (1997) Catégorie SIT MIT NST MDT SDT

ZSpearman ZSpearman≥1.64 1.64>ZSpearman ≥1.28 1.28>ZSpearman≥-1.28 -1.28≥ZSpearman>-1.64 ZSpearman≤-1.64

6.2.3.1.1. Tendances mensuelles des pluies extrêmes L’application du test de Spearman sur les données mensuelles des précipitations maximales journalières des 41 stations du bassin versant de la Macta nous permet d’obtenir les résultats des coefficients Rho (ρ) de Spearman avec la classification de Westmacott et Burn (02 seuils de signification α= 10% et α= 5%) pour les deux (02) périodes I et II (Tableau 6.14).

164

Chapitre 6 Etude de l’évolution des pluies extrêmes

Tableau 6.14 Coefficients mensuels ρ de Spearman avec la classification de Westmacott et Burn pour les 02 périodes.

Code_Station Janvier Février Mars Avril Mai Juin Juillet Aout Sep. Oct. Nov. Déc.

P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2 P1 P2

110102 0,13NST -0,20 NST 0,09 NST -0,17 NST 0,17 NST -0,10 NST -0,08 NST 0,29 NST 0,26 NST 0,23 NST 0,35 ITT 0,33MIT 0,18 NST 0,00 NST 0,35 SIT 0,30 NST -0,30MDT 0,29 NST 0,22 NST 0,39 SIT 0,10 NST -0,10 NST -0,38SDT 0,05 NST

110201 -0,23 NST 0,10 NST -0,04 NST -0,08 NST -0,16 0,29 NST -0,28 SDT 0,36 SIT -0,17 NST 0,35 SIT -0,01 NST 0,07 NST -0,15 NST -0,37 SDT -0,10 NST 0,47 SIT 0,20 NST 0,01 NST 0,06 NST 0,50 SIT -0,02 NST 0,03 NST -0,17 NST 0,30 NST

110203 -0,08 NST -0,15 NST -0,22 NST 0,06 NST -0,31 SDT 0,06 NST -0,33 SDT 0,25 NST -0,19 NST 0,49 SIT -0,05 NST 0,32 SIT 0,01 NST 0,12 NST 0,11 NST 0,19 NST -0,27 NST 0,04 NST -0,17 NST 0,35 SIT -0,12 NST -0,03 NST -0,29 MDT 0,12 NST

110304 -0,32 SDT 0,20 NST -0,29 SDT -0,09 NST -0,31 SDT 0,06 NST -0,06 NST 0,00 NST -0,08 NST 0,32 SIT 0,02 NST 0,63 SIT -0,04 NST -0,23 NST -0,32 SDT -0,05 NST -0,28 MDT -0,17 NST -0,20 NST 0,07 NST 0,14 NST 0,01 NST -0,41 SDT 0,20 NST

110305 -0,22 NST 0,30 NST -0,22 NST -0,15 NST -0,31 SDT -0,03 NST -0,26 NST -0,03 NST -0,26 NST 0,16 NST -0,12 NST 0,34 SIT 0,04 NST -0,41 SDT -0,21 NST 0,42 NST -0,35 SDT -0,06 NST 0,02 NST 0,64 SIT 0,01 NST 0,21 NST -0,33 SDT 0,36 SIT

110309 -0,04 NST 0,10 NST -0,21 NST 0,32 NST -0,33 SDT 0,13 NST -0,36 SDT 0,03 NST -0,06 NST 0,18 NST -0,09 NST 0,18 NST -0,53 SDT -0,04 NST -0,51 SDT -0,25 NST -0,16 NST -0,32 SDT -0,19 NST 0,34 SIT 0,05 NST 0,26 NST -0,29 SDT 0,47 SIT

110312 -0,17 NST 0,21 NST -0,09 NST 0,04 NST -0,21 NST -0,03 NST -0,16 NST 0,22 NST -0,45 SDT 0,37 SIT -0,04 NST 0,02 NST 0,28 MIT -0,42 SDT 0,09 NST 0,83 SIT -0,37 SDT -0,18 NST -0,22 NST 0,15 NST 0,05 NST 0,04 NST -0,45 SDT 0,26 NST

110314 -0,15 NST 0,19 NST -0,08 NST -0,10 NST -0,26 NST -0,01 NST -0,24 NST 0,03 NST -0,10 NST 0,38 SIT 0,16 NST -0,22 NST -0,25 NST 0,00 NST -0,01 NST 0,07 NST -0,04 NST -0,22 NST -0,14 NST 0,34 SIT 0,08 NST 0,08 NST -0,41 SDT 0,10 NST

110402 -0,16 NST 0,08 NST -0,27 NST -0,34 SDT -0,31 SDT 0,05 NST -0,32 SDT 0,20 NST -0,19 NST 0,37 SIT 0,19 NST 0,21 NST -0,05 NST -0,46 SDT 0,05 NST -0,17 NST -0,19 NST -0,36 SDT -0,11 NST 0,02 NST -0,07 NST 0,37 SIT -0,42 SDT 0,12 NST

110501 -0,08 NST 0,01 NST -0,15 NST -0,21 NST -0,23 NST 0,03 NST -0,40 SDT 0,43 SIT -0,01 NST 0,69 SIT 0,02 NST 0,18 NST 0,07 NST -0,30 NST 0,15 NST 0,08 NST 0,04 NST 0,09 NST 0,23 NST 0,14 NST 0,06 NST 0,12 NST -0,01 NST 0,34 SIT

110802 0,18 NST 0,11 NST 0,02 NST -0,41 SDT 0,15 NST 0,15 NST -0,18 NST 0,08 NST -0,16 NST 0,45 SIT 0,24 NST 0,15 NST 0,59 SIT 0,02 NST -0,57 SDT 0,20 NST 0,25 NST 0,29 NST 0,27 NST 0,20 NST 0,16 NST 0,02 NST -0,16 NST 0,30 NST

111102 -0,06 NST 0,12 NST -0,07 NST -0,17 NST -0,40 SDT -0,01 NST -0,23 NST 0,19 NST -0,26 NST 0,56 SIT -0,18 NST 0,11 NST 0,06 NST -0,34 SDT -0,20 NST 0,46 SIT -0,01 NST 0,07 NST 0,04 NST 0,22 NST -0,10 NST 0,15 NST -0,32 SDT 0,26 NST

111103 -0,08 NST 0,05 NST -0,09 NST -0,23 NST -0,33 SDT 0,17 NST -0,33 SDT 0,11 NST -0,10 NST 0,51 SIT -0,14 NST 0,17 NST 0,25 NST -0,02 NST 0,51 SIT -0,01 NST 0,01 NST -0,08 NST 0,09 NST 0,47 SIT -0,28 MDT 0,17 NST -0,06 NST 0,10 NST

111112 -0,33 SDT 0,06 NST 0,07 NST -0,13 NST -0,33 SDT 0,09 NST -0,45 SDT 0,13 NST -0,60 SDT 0,51 SIT -0,34 SDT 0,07 NST -0,50 SDT 0,00 NST -0,37 SDT -0,09 NST 0,35 SIT -0,06 NST -0,18 NST 0,18 NST -0,24 NST 0,23 NST -0,43 SDT 0,28 NST

111201 -0,24 NST 0,08 NST -0,24 NST -0,18 NST -0,36 SDT 0,17 NST -0,08 NST 0,07 NST -0,29 SDT 0,41 SIT -0,10 NST 0,37 SIT -0,30 SDT 0,03 NST 0,36 SIT -0,13 NST -0,31MDT -0,02 NST -0,30 SDT -0,01 NST -0,04 NST -0,11 NST -0,23 NST 0,02 NST

111204 -0,13 NST -0,01 NST 0,03 NST -0,07 NST -0,29 SDT 0,24 NST -0,43 SDT 0,03 NST -0,30 SDT 0,27 NST 0,23 NST 0,20 NST 0,71 SIT 0,49 SIT 0,57 SIT 0,10 NST 0,29 MIT 0,15 NST -0,02 NST 0,05 NST -0,13 NST 0,33MIT -0,24 NST 0,16 NST

111210 0,03 NST 0,04 NST -0,24 NST -0,04 NST -0,12 NST 0,30SDT -0,36 SDT 0,17 NST -0,18 NST 0,63 SIT -0,41 SDT 0,29 NST 0,11 NST -0,33 SDT 0,03 NST -0,03 NST -0,10 NST 0,16 NST -0,12 NST -0,05 NST -0,12 NST 0,27 NST -0,35 SDT 0,45 SIT

111217 -0,04 NST 0,54 SIT 0,05 NST 0,32SIT -0,09 NST 0,07 NST -0,18 NST 0,17 NST -0,04 NST 0,29 NST -0,20 NST 0,23 NST -0,16 NST -0,78 SDT -0,33MDT 0,37 SIT 0,12 NST 0,24 NST -0,19 NST 0,18 NST -0,06 NST 0,24 NST -0,30 SDT 0,43 SIT

111401 -0,07 NST 0,29 NST 0,04 NST 0,03 NST -0,01 NST 0,15 NST 0,09 NST 0,13 NST -0,10 NST 0,44 SIT -0,28MDT -0,16 NST -0,16 NST 0,00 NST -0,10 NST 0,33 SIT -0,09 NST 0,09 NST -0,24 NST -0,14 NST 0,30 MIT 0,21 NST -0,41 SDT 0,11 NST

111405 -0,26 NST -0,12 NST -0,30 SDT -0,21 NST -0,34 SDT -0,03 NST -0,23 NST -0,08 NST -0,23 NST 0,27 NST -0,36 SIT 0,29 NST -0,14 NST -0,10 NST -0,11 NST 0,19 NST -0,06 NST -0,11 NST -0,13 NST 0,06 NST 0,22 NST 0,16 NST -0,41 SDT 0,02 NST

111413 0,00 NST 0,02 NST -0,04 NST 0,05 NST -0,16 NST 0,01 NST -0,23 NST 0,15 NST -0,13 NST 0,43 SIT -0,25 NST -0,16 NST 0,29 MIT 0,97 SIT -0,58 SDT 0,25 NST -0,29 SDT -0,27 NST -0,17 NST 0,14 NST 0,08 NST 0,20 NST -0,20 NST 0,12 NST

111414 -0,29 SDT 0,27 NST -0,25 NST 0,08 NST -0,27 NST 0,21 NST -0,34 SDT 0,12 NST -0,31 SDT 0,33 SIT -0,08 NST 0,34 SIT 0,71 SIT 0,18 NST 0,35 SIT 0,08 NST -0,01 NST 0,27 NST -0,21 NST 0,01 NST 0,11 NST 0,29 NST -0,34 SDT 0,27 NST

111417 -0,08 NST 0,29 NST -0,21 NST 0,08 NST -0,15 NST 0,20 NST -0,25 NST 0,15 NST -0,19 NST 0,41 SIT -0,01 NST 0,23 NST -0,24 NST 0,20 NST -0,16 NST -0,13 NST -0,05 NST -0,26 NST -0,23 NST 0,00 NST 0,26 NST 0,25 NST 0,09 NST 0,13 NST

111418 -0,26 NST 0,11 NST -0,22 NST 0,20 NST -0,04 NST 0,23 NST -0,21 NST 0,17 NST -0,28 MDT 0,50 SIT -0,01 NST -0,14 NST -0,02 NST 0,06 NST 0,03 NST -0,17 NST -0,17 NST 0,11 NST -0,10 NST 0,06 NST -0,18 NST 0,25 NST -0,42 SDT 0,34 SIT

111424 -0,13 NST 0,08 NST -0,10 NST -0,12 NST -0,29MDT -0,10 NST -0,13 NST 0,16 NST -0,33 SDT 0,17 NST 0,05 NST 0,03 NST 0,15 NST -0,03 NST -0,06 NST 0,22 NST -0,06 NST -0,33 SDT 0,00 NST -0,13 NST -0,04 NST -0,05 NST -0,43 SDT 0,21 NST

111429 -0,01 NST 0,01 NST -0,17 NST 0,19 NST -0,23 NST 0,28 NST -0,17 NST 0,06 NST -0,17 NST 0,41 SIT -0,18 NST 0,30 NST 0,22 NST 0,29 NST 0,25 NST -0,14 NST -0,08 NST 0,07 NST -0,13 NST 0,01 NST 0,03 NST 0,11 NST -0,39 SDT 0,29 NST

111502 -0,16 NST 0,23 NST -0,13 NST -0,36 SDT -0,37 SDT -0,13 NST -0,11 NST -0,07 NST -0,13 NST 0,39 SIT -0,05 NST 0,64 SIT 0,44 SIT 0,00 NST -0,05 NST 0,21 NST -0,55 SDT -0,07 NST -0,02 NST 0,21 NST 0,05 NST 0,24 NST -0,38 SDT 0,21 NST

111503 -0,08 NST 0,05 NST -0,23 NST -0,23 NST -0,38 SDT 0,12 NST -0,35 SDT 0,08 NST -0,41 SDT 0,33 SIT -0,13 NST 0,37 SIT 0,27 NST 0,18 NST -0,21 NST 0,20 NST -0,21 NST -0,20 NST -0,08 NST 0,20 NST 0,02 NST 0,20 NST -0,30 SDT 0,33 SIT

111508 -0,23 NST -0,07 NST -0,39 SDT 0,19 NST -0,34 SDT 0,18 NST -0,27 NST 0,18 NST -0,13 NST 0,22 NST -0,01 NST 0,50 SIT 0,04 NST -0,42 SDT 0,04 NST 0,42 SIT -0,20 NST -0,05 NST -0,21 NST 0,29 NST 0,12 NST 0,31 NST -0,31 SDT 0,00 NST

111509 0,21 NST 0,25 NST -0,06 NST -0,01 NST -0,28MDT 0,20 NST -0,32 SDT 0,08 NST -0,20 NST 0,47 SIT -0,21 NST 0,28 NST 0,12 NST -0,08 NST -0,25 NST 0,52 SIT -0,25 NST -0,02 NST -0,22 NST -0,04 NST 0,15 NST 0,18 NST -0,25 NST 0,25 NST

111511 -0,08 NST 0,15 NST -0,02 NST -0,12 NST -0,25 NST 0,01 NST -0,41 SDT 0,09 NST -0,45 SDT 0,19 NST -0,16 NST 0,46 SIT -0,11 NST -0,78 SDT -0,17 NST 0,12 NST -0,44 SIT 0,02 NST -0,27 NST 0,22 NST 0,17 NST 0,13 NST -0,42 SDT 0,09 NST

165

Chapitre 6 Etude de l’évolution des pluies extrêmes

111516 -0,37 SDT -0,07 NST -0,31 SDT -0,40 SDT -0,33 SDT -0,05 NST -0,12 NST 0,10 NST 0,00 NST 0,35 SIT -0,14 NST 0,77 SIT 0,18 NST 0,08 NST 0,03 NST 0,48 SIT -0,46 SDT -0,08 NST -0,16 NST 0,27 NST 0,23 NST 0,00 NST -0,49 SDT 0,36 SIT

111604 -0,11 NST 0,01 NST -0,51SDT 0,00 NST -0,24 NST -0,19 NST -0,22 NST 0,11 NST -0,19 NST 0,29 NST -0,65 SDT 0,41 SIT 0,24 NST 0,00 NST -0,34 SDT 0,00 NST -0,33 SDT 0,13 NST -0,35 SDT 0,42 SIT 0,28MIT 0,38 SIT -0,34 SDT 0,41 SIT

111605 -0,14 NST -0,02 NST -0,27 NST -0,39 SDT -0,08 NST 0,48 SIT -0,31 SDT 0,20 NST -0,33 SDT 0,40 SIT -0,27MDT 0,13 NST 0,72 SIT 0,61 SIT -0,39 SDT 0,91 SIT -0,35 SDT -0,11 NST -0,37 SDT 0,16 NST 0,17 NST 0,13 NST -0,22 NST 0,06 NST

111606 0,01 NST 0,19 NST -0,08 NST -0,07 NST -0,15 NST 0,14 NST -0,11 NST 0,15 NST -0,20 NST 0,36 SIT -0,19 NST 0,11 NST -0,77 SDT 0,00 NST -0,68 SDT 0,39 SIT -0,52 SDT 0,33 SIT -0,35 SDT 0,25 NST 0,35 SIT 0,30 NST -0,28MDT 0,20 NST

111607 0,11 NST 0,06 NST 0,07 NST 0,01 NST -0,12 NST 0,15 NST -0,42 SDT 0,00 NST -0,44 SDT 0,43 SIT -0,42 SDT 0,33 SIT 0,07 NST -0,14 NST -0,33 SDT -0,09 NST -0,52 SDT -0,17 NST 0,02 NST 0,18 NST 0,35 SIT 0,03 NST -0,28MDT 0,12 NST

111610 -0,10 NST 0,33 SIT -0,02 NST -0,03 NST -0,10 NST 0,17 NST -0,34 SDT 0,23 NST -0,34 SDT 0,29 NST -0,40 SDT 0,44 SIT -0,06 NST -0,11 NST 0,04 NST 0,34 SIT -0,23 NST -0,13 NST -0,54 SDT 0,25 NST 0,25 NST 0,35 SIT -0,38 SDT 0,35MIT

111611 -0,26 NST 0,07 NST -0,33 SDT -0,18 NST -0,24 NST 0,26 NST -0,34 SDT 0,12 NST -0,42 SDT 0,20 NST -0,30 SDT 0,54 SIT -0,11 NST -0,24 NST -0,25 NST -0,12 NST -0,31 SDT -0,02 NST -0,30MDT 0,21 NST 0,27 NST 0,14 NST -0,53 SDT 0,12 NST

111612 -0,10 NST 0,15 NST -0,42 SDT -0,15 NST -0,14 NST 0,13 NST -0,36 SDT 0,16 NST -0,50 SDT 0,32 SIT -0,54 SDT 0,01 NST -0,99 SDT 0,00 NST 0,04 NST 0,66 SIT -0,52 SDT -0,04 NST -0,37 SDT 0,37 SIT 0,22 NST 0,40 SIT -0,42 SDT 0,26 NST

111616 -0,27 NST 0,25 NST -0,25 NST -0,15 NST -0,26 NST 0,24 NST -0,30MDT 0,07 NST -0,40 SDT 0,30 NST -0,17 NST 0,00 NST 0,54 SIT -0,53 SDT -0,12 NST 0,53 SIT 0,03 NST 0,01 NST -0,22 NST 0,25 NST -0,02 NST 0,39 SIT -0,51 SDT 0,24 NST

111617 -0,06 NST 0,29 NST 0,08 NST -0,11 NST -0,15 NST -0,04 NST -0,26 NST -0,03 NST -0,25 NST 0,39 SIT -0,07 NST -0,29 NST 0,31 SIT 0,00 NST -0,26 NST -0,06 NST -0,29MDT -0,02 NST -0,16 NST 0,21 NST 0,33 SIT 0,22 NST -0,22 NST 0,21 NST P1: Période (1970-1992) P2: Période (1992-2010) SDT: Strong Decreasing Trend MDT: Moderate Decreasing Trend NST: No Significant Trend MIT: Moderate Increasing Trend SIT: Strong Increasing Trend Le tableau 6.14 contient les valeurs des coefficients mensuels « ρ » de Spearman de chaque mois et chaque station. Les valeurs en gras sont significatives.

166

Chapitre 6 Etude de l’évolution des pluies extrêmes

La figure 6.16 montre les cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta.

Fig. 6.16 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta

167

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.16 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

168

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.16 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

169

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.16 Cartes des tendances des pluies maximales mensuelles. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

D’après le tableau 6.14 et la figure 6.16a, nous caractérisons les 12 mois : . Durant la première période (1970-1992) : Les mois de janvier, février juillet et novembre ont montré des tendances décroissantes significatives avec des pourcentages relativement faibles de 2 à 17%. Par contre, les mois de mars, avril, mai, juin,

170

Chapitre 6 Etude de l’évolution des pluies extrêmes aout, septembre et décembre ont présenté des tendances décroissantes avec des pourcentages élevés allant de 24 à 73%. La majorité des stations présentant des tendances décroissantes significatives se localisent surtout dans le centre et le nord du bassin versant, le sud est marqué par des tendances non significatives. . Durant la deuxième période (1992-2010) : Un basculement vers la hausse significative est marqué pour les mois de : mai, juin, aout, octobre et décembre, avec les stations touchées respectivement 68%, 37%, 34%, 22% et 24% (Fig. 6.16b). Il est évident que le mois de mai est le mois le plus affecté par le changement climatique. Ce changement climatique a touché l’ensemble des stations du bassin versant.

La figure 6.17, qui présente les nombres des stations touchées par les différents types de tendances, montre que tous les mois ont changé de tendance vers la hausse avec différentes proportions. Les mois les plus touchés par ce changement sont le mois de Mai (28 stations, soit 68%), Juin (15 stations, soit 37%), Aout (14 stations, soit 34%), Octobre (9 stations, soit 22%) et Décembre (10 stations, soit 24%) durant la deuxième période (1992-2010). Le mois le plus affecté par le changement climatique est le mois de Mai (68%).

Fig. 6.17 Nombre de Stations de la tendance mensuelle (ρ de Spearman)

6.2.3.1.2. Tendances saisonnières des pluies extrêmes L’application du test de Spearman sur les données saisonnières des précipitations maximales journalières des 41 stations du bassin versant de la Macta nous permet d’obtenir les résultats des coefficients rho (ρ) de Spearman avec la classification de Westmacott et Burn (02 seuils de signification α= 10% et α= 5%) pour les deux (02) périodes I et II (Tableau 6.15).

171

Chapitre 6 Etude de l’évolution des pluies extrêmes

Tableau 6.15 Coefficients saisonniers ρ de Spearman avec la classification de Westmacott et Burn(1997) pour les 02 périodes. Code_Station Nom_Station Hiver Printemps Eté Automne

P1 P2 P1 P2 P1 P2 P1 P2 110102 RAS EL MA -0,08NST 0,03NST 0,17 NST 0,11 NST 0,28MIT 0,32 SIT 0,10 NST 0,33 SIT 110201 SID ALI BEN YOUB -0,35SDT 0,36SIT -0,02 NST -0,07 NST 0,02 NST -0,02 NST -0,01 NST 0,50 SIT 110203 EL HACAIBA -0,52 SDT 0,05 NST -0,35 SDT 0,03 NST -0,18 NST 0,18 NST -0,14 NST 0,31 SIT 110304 SARNO Bge -0,40 SDT 0,31 SIT -0,30 SDT -0,22 NST -0,05 NST 0,14 NST -0,24 NST 0,20 NST 110305 SIDI BEL ABBES -0,42 SDT 0,36 SIT -0,34 SDT -0,23 NST -0,26 NST 0,23 NST -0,15 NST 0,47 SIT 110309 HASSI DAHO -0,44 SDT 0,40 SIT -0,33 SDT -0,19 NST -0,37SDT 0,10 NST -0,25 NST 0,42 SIT 110312 MOSTEFA BEN BRAHIM -0,40 SDT 0,21NST -0,23 NST -0,16 NST -0,23 NST 0,38 SIT -0,20 NST 0,17 NST 110314 AIN TRID -0,29MDT 0,24 NST -0,32 SDT -0,15 NST -0,05 NST 0,00 NST -0,16 NST 0,26 NST 110402 CHEURFAS BGE -0,46 SDT 0,08 NST -0,40 SDT -0,23 NST 0,11 NST -0,34 SDT -0,38 SDT 0,38 SIT 110501 MERINE -0,47 SDT 0,22 NST -0,30 SDT 0,05 NST -0,04 NST 0,00 NST 0,12 NST 0,57 SIT 110802 DAOUD YOUB 0,05 NST 0,17 NST 0,15 NST -0,23 NST 0,31MIT 0,34 SIT 0,08 NST 0,38 SIT 111102 MEFTAH SIDI BOUBEKEUR -0,38 SDT 0,22 NST -0,32 SDT 0,00 NST -0,19 NST -0,01 NST -0,17 NST 0,39 SIT 111103 AIN EL HADJAR -0,10 NST -0,01 NST -0,38 SDT -0,01 NST -0,15 NST -0,10 NST -0,22 NST 0,34 SIT 111112 HAMMAM RABI -0,36 SDT 0,23 NST -0,37 SDT 0,06 NST -0,36 SDT 0,22 NST -0,27 NST 0,57 SIT 111201 OUED TARIA -0,42 SDT 0,18 NST -0,33 SDT 0,11 NST -0,17 NST 0,00 NST -0,23 NST 0,21 NST 111204 AIN TIFRIT -0,29mDT 0,23 NST -0,38 SDT 0,07 NST 0,49 SIT -0,13 NST -0,23 NST 0,45 SIT 111210 TAMESNA -0,26 NST 0,24 NST -0,30 SDT 0,28 NST -0,21 NST -0,04 NST -0,15 NST 0,47 SIT 111217 BENIANE -0,35 SDT 0,59SIT -0,09 NST 0,12 NST -0,07 NST 0,13 NST -0,19 NST 0,55 SIT 111401 MAOUSSA -0,34 SDT 0,31 SIT 0,10 NST -0,12 NST -0,03 NST 0,15 NST 0,03 NST 0,27 NST 111405 MATEMORE -0,46 SDT 0,12 NST -0,34 SDT -0,21 NST -0,19 NST 0,17 NST -0,04 NST 0,16 NST 111413 TIZI -0,25 NST 0,15 NST -0,27 NST -0,07 NST -0,54 SDT 0,10 NST -0,22 NST 0,26 NST 111414 SIDI KADA -0,46 SDT 0,36 SIT -0,29 SDT 0,08 NST 0,10 NST 0,20 NST -0,17 NST 0,41 SIT 111417 AIN FARES -0,10 NST 0,45 SIT -0,34 SDT 0,18 NST -0,08 NST 0,14 NST 0,03 NST 0,34 SIT 111418 NESMOTH MF -0,47 SDT 0,35 SIT -0,30 SDT 0,19 NST -0,22 NST 0,03 NST -0,26 NST 0,48 SIT 111424 GHRISS -0,33 SDT 0,08 NST -0,25 NST -0,16 NST 0,24 NST -0,08 NST -0,28MDT 0,19 NST 111429 MASCARA -0,40 SDT 0,39 SIT -0,27 NST 0,04 NST -0,01 NST 0,10 NST -0,12 NST 0,35 SIT 111502 SAHOUET OUIZERT -0,42 SDT 0,18 NST -0,07 NST -0,21 NST 0,00 NST 0,49SIT -0,16 NST 0,38 SIT 111503 BOU HANIFIA BGE -0,29MDT -0,11 NST -0,30 SDT -0,28 NST -0,11 NST 0,23 NST -0,32 SDT 0,41 SIT 111508 SFISSEF -0,53 SDT 0,20 NST -0,30 SDT -0,21 NST -0,17 NST 0,02 NST -0,06 NST 0,26 NST 111509 HACINE -0,24 NST 0,24 NST -0,39 SDT 0,08 NST -0,06 NST 0,19 NST -0,09 NST 0,16 NST 111511 MOHAMMADIA GRHA -0,24 NST 0,11 NST -0,44 SDT 0,04 NST -0,10 NST 0,20 NST -0,10 NST 0,24 NST 111516 TROIS RIVIERES -0,43 SDT 0,16 NST -0,29 SDT -0,28 NST -0,01 NST 0,30MIT -0,12 NST 0,42 SIT 111604 OGGAZ -0,47 SDT 0,32MIT -0,36 SDT -0,11 NST -0,58 SDT 0,74 SIT -0,08 NST 0,22 NST 111605 BOU HENNI -0,13 NST 0,10 NST -0,39 SDT 0,08 NST -0,21 NST 0,47 SIT -0,13 NST 0,17 NST 111606 FORNEKA -0,09 NST 0,39 SIT -0,42 SDT -0,16 NST -0,03 NST -0,19 NST 0,06 NST 0,16 NST 111607 SAMOURIA -0,14 NST 0,20 NST -0,37 SDT -0,08 NST -0,29MDT 0,25 NST -0,02 NST 0,09 NST 111610 MOCTA DOUZ -0,09 NST 0,49SIT -0,12 NST 0,09 NST -0,02 NST 0,19 NST -0,19 NST 0,25 NST 111611 FERME BLANCHE -0,30 SDT 0,17 NST -0,49 SDT -0,15 NST -0,23 NST 0,12 NST -0,25 NST 0,32 SIT 111612 BLED TAOURIA -0,19 NST 0,45 SIT -0,31 SDT 0,08 NST -0,46 SDT 0,16 NST -0,06 NST 0,31 SIT 111616 MARAIS DE SIRAT -0,30 SDT 0,38 SIT -0,43 SDT 0,11 NST -0,16 NST 0,28 NST -0,26 NST 0,35 SIT 111617 FERME ASSORAIN -0,03 NST -0,09 NST -0,18 NST -0,26 NST -0,21 NST -0,21 NST 0,12 NST 0,10 NST P1: Période (1970-1992) P2: Période (1992-2010) SDT: Strong Decreasing Trend MDT: Moderate Decreasing Trend NST: No Significant Trend MIT: Moderate Increasing Trend SIT: Strong Increasing Trend Le tableau 6.15 contient les valeurs des coefficients saisonniers « ρ » de Spearman de chaque saison et chaque station. Les valeurs en gras sont significatives.

D’après le tableau 6.15 et la figure 6.18, et durant la première période (1970-1992) :

. L’hiver : 27 stations (66%) présentent des tendances décroissantes significatives. Ces 27 stations sont distribuées sur l’ensemble du bassin versant.

172

Chapitre 6 Etude de l’évolution des pluies extrêmes

. Printemps : 30 stations (73%) présentent des tendances décroissantes significatives, et elles sont distribuées sur l’ensemble du bassin versant. . L’été et l’automne ont montré surtout une tendance non significative.

Par contre et durant la deuxième période (1992-2010), les 03 saisons sont touchées par le changement de tendance vers la hausse significative : l’hiver avec 15 stations (37%) affectées et distribuées sur l’ensemble du bassin, sauf au sud. L’été avec 7 stations (17%) concernées par cette hausse et l’automne avec 24 stations (59%) réparties sur l’ensemble du bassin. La seule qui a montré une tendance non significative à 100% est le printemps. Il est évident que les 02 saisons hiver et automne qui sont touchées par le changement climatique.

Fig. 6.18 Cartes des tendances des pluies maximales saisonnières. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta

173

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.18 Cartes des tendances des pluies maximales saisonnières. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta (suite)

L’examen de la figure 6.19, qui présente les nombres des stations touchées par les différents types de tendances, montre que, durant la première période (1970-1992), les 4 saisons ont montré une tendance significative décroissante, surtout la saison d’hiver (27 stations touchées, soit 66%) et du printemps (30 stations affectées, soit 73%). Par contre et durant la deuxième période (1992-2010), toutes les saisons sont touchées par le changement de tendance vers la hausse significative, surtout les 3 saisons : l’hiver (15 stations, soit 37%) l’été (7 stations, soit 17%) et l’automne (24 stations, soit 59%) durant la deuxième période (1992-2010). Seule la saison du printemps qui a montré une tendance nulle.

Fig. 6.19 Nombre de Stations de la tendance saisonnière (ρ de Spearman)

174

Chapitre 6 Etude de l’évolution des pluies extrêmes

6.2.3.1.3. Tendance annuelle des pluies extrêmes L’application du test de Spearman sur les données annuelles des précipitations maximales journalières des 41 stations du bassin versant de la Macta nous permet d’obtenir les résultats des coefficients ρ de Spearman avec la classification de Westmacott et Burn (02 seuils de signification α= 10% et α= 5%) pour les deux (02) périodes I et II (Tableau 6.16).

Tableau 6.16 Coefficients annuels ρ de Spearman avec la classification de Westmacott et Burn (1997) pour les 02 périodes.

Code_Station Nom_Station P1 P2 110102 RAS EL MA 0,07 NST 0,53 SIT 110201 SID ALI BEN YOUB -0,11 NST 0,15 NST 110203 EL HACAIBA -0,46 SDT 0,27 NST 110304 SARNO Bge -0,38 SDT 0,07 NST 110305 SIDI BEL ABBES -0,38 SDT 0,16 NST 110309 HASSI DAHO -0,48 SDT 0,30 MIT 110312 MOSTEFA BEN BRAHIM -0,29 NST -0,10 NST 110314 AIN TRID -0,28 NST 0,04 NST 110402 CHEURFAS BGE -0,59 SDT -0,10 NST 110501 MERINE -0,24 NST 0,37 SIT 110802 DAOUD YOUB -0,06 NST 0,04 NST 111102 MEFTAH SIDI BOUBEKEUR -0,36MDT 0,33 MIT 111103 AIN EL HADJAR -0,49 SDT -0,03 NST 111112 HAMMAM RABI -0,54 SDT 0,36MIT 111201 OUED TARIA -0,51 SDT 0,30 MIT 111204 AIN TIFRIT -0,16 NST 0,19 NST 111210 TAMESNA -0,05 NST 0,33MIT 111217 BENIANE -0,23 NST 0,45 SIT 111401 MAOUSSA -0,40 SDT 0,27 NST 111405 MATEMORE -0,54 SDT 0,12 NST 111413 TIZI -0,28 NST 0,26 NST 111414 SIDI KADA -0,41 SDT 0,46SIT 111417 AIN FARES -0,19 NST 0,26 NST 111418 NESMOTH MF -0,50 SDT 0,42SIT 111424 GHRISS -0,63 SDT 0,01 NST 111429 MASCARA -0,38 SDT 0,36MIT 111502 SAHOUET OUIZERT -0,34MDT 0,05 NST 111503 BOU HANIFIA BGE -0,44 SDT 0,02 NST 111508 SFISSEF -0,37MDT 0,07 NST 111509 HACINE -0,34MDT 0,18 NST 111511 MOHAMMADIA GRHA -0,53 SDT 0,23 NST 111516 TROIS RIVIERES -0,62 SDT 0,12 NST 111604 OGGAZ -0,37MDT 0,19 NST 111605 BOU HENNI -0,48 SDT 0,18 NST 111606 FORNEKA -0,36MDT 0,12 NST 111607 SAMOURIA -0,22 NST -0,01 NST 111610 MOCTA DOUZ -0,41 SDT 0,56SIT 111611 FERME BLANCHE -0,48 SDT 0,18 NST 111612 BLED TAOURIA -0,29MDT 0,39 SIT 111616 MARAIS DE SIRAT -0,46 SDT 0,48 SIT 111617 FERME ASSORAIN -0,23 NST -0,22 NST

P1: Période (1970-1992) P2: Période (1992-2010) SDT: Strong Decreasing Trend MDT: Moderate Decreasing Trend NST: No Significant Trend MIT: Moderate Increasing Trend SIT: Strong Increasing Trend Le tableau 6.16 contient les valeurs des coefficients annuels « ρ » de Spearman de chaque station. Les valeurs en gras sont significatives.

175

Chapitre 6 Etude de l’évolution des pluies extrêmes

D’après le tableau 6.16 et la figure 6.20, nous caractérisons les tendances annuelles des pluies maximales journalières pour les 02 périodes par : . Période I (1970-1992) : 28 stations (68%) ont une tendance décroissante réparties sur toutes les régions du bassin. Le reste des stations (13) n’ont aucune tendance significative (Fig. 6.20a). . Période I (1970-1992) : 14 stations (34%) se marquent par une tendance croissante significative. 27 stations (66%) n’ont aucune tendance significative (Fig. 6.20b).

Fig. 6.20 Cartes des tendances des pluies maximales annuelles. L'échelle de couleur montre les coefficients ρ de Spearman. Les symboles montrent le signe de significativité de la tendance des précipitations extrêmes des 41 stations du bassin de la Macta

L’analyse de la figure 6.21, qui présente les nombres des stations touchées annuellement par les différents types de tendances, montre qu’l existe un basculement de la tendance décroissante significative (28 stations avec 68%) durant la période I (1970-1992) vers la tendance croissante significative (14 stations avec 34%) durant la période II (1992-2010).

Fig. 6.21 Nombre de Stations de la tendance mensuelle (ρ de Spearman)

176

Chapitre 6 Etude de l’évolution des pluies extrêmes

6.2.3.2. Conclusion L’application de la méthode de Spearman a permet de détecter : . A l’échelle mensuelle : un changement climatique dans 6 mois (Mai (68%), Juin (37%), Aout (34%), Octobre (22%), Novembre (12%) et Décembre (24%). Soit 6/12 (50%) des mois ont été touché par le changement climatique durant la deuxième période (1992-2010). Le mois le plus affecté par ce phénomène est le mois de Mai (68%). . A l’échelle saisonnière : trois (03) saisons sont touchées par le changement climatique avec des pourcentages variant entre 17% (Eté), 37% (Hiver) et 59% (Automne). Il est clair que la saison d’Automne est la plus frappée par ce phénomène avec 59% (24 stations affectées). . A l’échelle annuelle, le changement climatique est marqué par un basculement total de la tendance décroissante significative durant la période I (1970-1992) vers la tendance croissante significative durant la période II (1992-2010) sur l’ensemble du bassin versant de la Macta, avec 14/41 stations affectées (34%). Il est clair que le changement climatique a touché l’ensemble du bassin versant de la Macta sauf la partie centre qui n’a montré des tendances significatives.

6.3. Comparaison des résultats des méthodes utilisées Les résultats issus des trois (03) méthodes de détection des tendances de pluies extrêmes à différentes échelles mensuelle, saisonnière et annuelle, appliquées sur 41 stations pluviométriques dans le bassin versant de la Macta pour les deux (02) périodes I (1970-1992) et II (1992-2010), sont récapitulés dans le tableau 6.17.

177

Chapitre 6 Etude de l’évolution des pluies extrêmes

Tableau 6.17 Comparaison des résultats des trois méthodes de détection de tendances des pluies extrêmes pour les deux périodes I et II Echelle Période Mensuelle Saisonnière Annuelle Méthode 06 mois (50%) ont une tendance décroissante 02 saisons (50%) ont montré une tendance 18 stations ont montré une significative : significative décroissante : tendance significative décroissante (44%) . Janvier : 11 stations (27%) . Hiver : 26 stations (63%) Période I (1970-1992) . Février : 8 stations (20%) . Printemps : 22 stations (54%) . Avril : 26 stations (63%) . Mai : 23 stations (56%) . Octobre : 06 stations (15%) Bravais-Pearson . Décembre : 13 stations (32%) 07 mois (58%) ont une tendance croissante Les 4 saisons (100%) ont une tendance 26 stations ont montré une significative : croissante significative : tendance croissante significative (63%) . Janvier : 17 stations (41%) . Hiver : 12 stations (29%) . Mai : 25 stations (61%) Période II(1992-2010) . Printemps : 9 stations (22%) . Juin : 20 stations (49%) . Eté : 17 stations (41%) . Aout : 8 stations (20%) . Automne : 24 stations (59%) . Octobre : 17 stations (41%) . Novembre : 12 stations (29%) . Décembre : 17 stations (41%) 05 mois (42%) ont une tendance décroissante 02 saisons (50%) ont montré une tendance 25 stations ont montré une significative : significative décroissante : tendance significative décroissante (61%) . Février : 05 stations (12%) . Hiver : 26 stations (63%) Période I (1970-1992) . Mars : 17 stations (41%) . Printemps : 31 stations (76%) . Avril : 15 stations (37%) . Juin : 7 stations (17%) Mann-Kendall . Décembre : 11 stations (27%) 05 mois (42%) ont une tendance croissante 02 saisons (50%) ont une tendance croissante 14 stations ont montré une significative : significative : tendance croissante significative (34%) . Mars : 13 stations (32%) Période II(1992-2010) . Mai : 27 stations (66%) . Hiver : 15 stations (37%) . Juin : 20 stations (49%) . Automne : 21 stations (51%) . Novembre : 05 stations (12%) . Décembre : 12 stations (29%)

178

Chapitre 6 Etude de l’évolution des pluies extrêmes

09 mois (83%) ont une tendance décroissante 03 saisons (75%) ont montré une tendance 28 stations ont montré une significative : significative décroissante : tendance significative décroissante (68%) . Février : 7 stations (17%) . Hiver : 27 stations (66%) Période I (1970-1992) . Mars : 17 stations (41%) . Printemps : 30 stations (73%) . Avril : 19 stations (46%) . Eté : 6 stations (15%) . Mai : 15 stations (37%) . Juin : 10 stations (24%) Spearman . Aout : 10 stations (24%) . Septembre : 16 stations (39%) . Octobre : 7 stations (17%) . Décembre : 30 stations (73%) 06 mois (50%) ont une tendance croissante 03 saisons (75%) ont une tendance croissante 14 stations ont montré une significative : significative : tendance croissante significative (34%) . Mai : 28 stations (68%) . Hiver : 15 stations (37%) Période II(1992-2010) . Juin : 15 stations (37%) . Eté : 7 stations (17%) . Aout : 14 stations (34%) . Automne : 24 stations (59%) . Octobre : 9 stations (22%) . Novembre : 05 stations (12%) . Décembre : 10 stations (24%)

179

Chapitre 6 Etude de l’évolution des pluies extrêmes

L’analyse du tableau 6.17, durant la première période (1970-1992), montre la confrontation des résultats des trois (03) méthodes à différentes échelles :

. A l’échelle mensuelle, les trois (03) méthodes se convergent vers le même résultat : il y a une tendance significative décroissante des pluies maximales journalières de tous les mois de l’année avec des pourcentages différents des stations touchées. Toutefois, les 3 méthodes ne se concordent ni sur le nombre de mois affecté par la tendance, ni sur le pourcentage des stations touchées par mois. Pour la méthode de Pearson, c’est le mois d’avril qui est le plus touché (26 stations avec 63%), pour le test de Kendall, c’est le mois de mars (17 stations, soit 41%) et pour celle de Spearman, c’est le mois de décembre (30 stations touchées, soit 73%).

. A l’échelle saisonnière, les résultats des trois méthodes se convergent vers la même tendance significative décroissante des pluies maximales journalières de toutes les saisons mais avec des pourcentages différents. Deux (02) méthodes (Kendall et Spearman) montrent que deux (02) saisons (hiver avec respectivement 63% et 66% et printemps avec 73% et 76%) sont les plus touchées par cette décroissance significative. Par contre la méthode de Pearson a détecté cette tendance décroissante significative pour les deux (02) saisons (hiver avec 63% et printemps avec 54%).

. A l’échelle annuelle, le même constat a été remarqué, les 3 méthodes détectent une baisse significative des pluies maximales journalières d’au moins 44% (au moins 18 stations touchées parmi les 41 étudiées).

En revanche, l’examen du tableau 6.17, durant la deuxième période (1992-2010), montre la confrontation des résultats des trois (03) méthodes à différentes échelles :

. A l’échelle mensuelle, les trois (03) méthodes se convergent vers le même résultat : il y a un changement de tendance vers la hausse significative des pluies maximales journalières de quatre (04) mois (mai, juin, novembre et décembre). Le mois le plus touché par le changement climatique est le mois de mai (Pearson (61%), Kendall (66%) et Spearman (68%)).

. A l’échelle saisonnière, les résultats des trois méthodes se convergent vers la hausse significative des tendances des pluies maximales journalières des deux (02) saisons (hiver et automne). La saison la plus touchée par ce changement est l’automne (51% et 59%).

180

Chapitre 6 Etude de l’évolution des pluies extrêmes

. A l’échelle annuelle, le même constat a été remarqué, les 3 méthodes détectent une hausse significative des pluies maximales journalières d’au moins 34% (au moins 14 stations touchées parmi 41 étudiées).

L’analyse des trois (03) figures 6.8b, 6.14b et 6.20b respectivement les cartes des tendances des pluies maximales annuelles selon r de Pearson, τ de Kendall et ρ de Spearman, nous montrent que les mêmes stations sont touchées par le changement pour les 3 méthodes durant la période II (1992- 2010). Les trois (03) que nous avons appliquées dans ce travail se convergent parfaitement et ont abouti à des résultats concordants.

6.4. Relation paradoxale entre les pluies totales et pluies extrêmes La confrontation de nos résultats dans cette thèse, sur les tendances des pluies extrêmes à différentes échelles mensuelle, saisonnière et annuelle dans le bassin versant de la Macta durant la deuxième période (1992-2010), d’une part ; d’autres part, les résultats des travaux sur l’évolution des pluies totales à différentes échelles mensuelle, saisonnière et annuelle dans le même bassin versant la Macta et durant la même période (1970-2011) (Elouissi, 2016), nous a permis de détecter une relation paradoxale entre ces deux types de pluies. En effet, les pluies totales dans le bassin versant de la Macta, ont montré une diminution significative à différentes échelles mensuelle, saisonnière et annuelle durant la période (1970-2011) (Meddi et al., 2002 ; Assaba et al., 2013 ; Elouissi, 2016), paradoxalement à nos résultats, dans cette thèse, qui ont montré une tendance croissante significative des pluies extrêmes dans le même bassin durant la période (1992-2010) (Benzater et al., 2019).

Ces résultats se convergent parfaitement avec les travaux de plusieurs auteurs (Brunetti et al., 2001 ; Alpert et al., 2002 ; Brunetti et al., 2012 ; Caloiero et al., 2016 ; Benzater et al., 2019)qui ont détecté une augmentation paradoxale des pluies extrêmes, malgré la diminution des pluies totales, dans différentes zones du bassin méditerranéen. A ce sujet, le dernier rapport du GIEC précise que « la fréquence des événements de précipitations intenses a augmenté sur la plupart des régions terrestres, en accord avec le réchauffement et l’augmentation de la vapeur d’eau observés » (IPCC, 2013).

Groisman et al. (2005) ont détecté dans la figure 6.22 des tendances croissantes dans les pluies extrêmes malgré la diminution des pluies totale dans ces zones.

181

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.22 Augmentation disproportionnée des pluies intenses et très intenses au cours des dernières décennies a été comparée à la tendance des précipitations moyennes annuelles. Les signes + (respectivement -) indiquent les zones où l’augmentation (respectivement la diminution).

Devant le comportement différent des pluies extrêmes dans le bassin méditerranéen, nous réitérons la suggestion de Reiser and Kutiel (2010) qui proposent une analyse régionale détaillée.

6.5. Explication physique de l’intensification des pluies extrêmes Des arguments physiques peuvent expliquer nos résultats (augmentation des pluies extrêmes) en relation avec le changement climatique. En effet, il existe de bonnes raisons de penser que le réchauffement du climat (augmentation de la température dans le globe terrestre) est susceptible d’entrainer une intensification des phénomènes de pluies extrêmes (Colin, 2011 ; Panthou, 2013). L’équation de Clausius-Clapeyron (C-C) (6.1) nous indique que la pression de vapeur saturante croit avec la température. Une atmosphère plus chaude peut donc contenir davantage de vapeur d’eau. En effet, on a : dP L sat  (6.1) dT TV Où

Psat :Pression de vapeur saturante ; V : Volume de gaz ; T : Température ; L : Chaleur latente de vaporisation. En faisant l’approximation du gaz parfait, on peut écrire PV = RT, ou R est la constante des gaz parfaits. D’où il vient : dP LP sat  sat (6.2) dT RT 2 qui s’intègre en : L 1 1 (  ) (6.3) P (T)  P e R Tref T sat ref

182

Chapitre 6 Etude de l’évolution des pluies extrêmes

Où Pref et Tref sont respectivement la pression de vapeur saturante et la température de l’état pris pour référence dans l’intégration. Boer (1993) puis Trenberth et al. (2003) ont estimé le taux d’accroissement de l’humidité spécifique à +7% par degré Kelvin de réchauffement (Trenberth et al., 2003). Ce taux ne saurait être directement traduit en pourcentage d’augmentation des cumuls de pluie, dans la mesure où il existe bien d’autres causes à l’évolution du régime des précipitations dans une région donnée, comme un changement de la circulation générale et/ou des rétroactions locales. Cependant, en excluant toute considération autre que l’effet thermodynamique relatif à l’équation de Clausius-Clapeyron, il peut être intéressant de remarquer que l’augmentation de la pression de vapeur saturante est susceptible de jouer davantage sur les cumuls de pluies intenses que sur les précipitations plus modérées. A ce sujet, Trenberth et al. (2003) font valoir que la quantité d’eau précipitable contenue dans une colonne d’air n’excède pas 25 mm aux latitudes tempérées et que de surcroit, seule une partie de cette humidité peut effectivement être convertie en précipitation – on appelle ≪ ratio de recyclage ≫cette proportion –, l’air n’étant jamais totalement asséché après le passage de la pluie. L’essentiel de l’eau précipitée lors de phénomènes plus intenses provient donc d’un apport d’humidité advectée en basses couches, pour laquelle le ≪ ratio de recyclage ≫ peut alors atteindre des valeurs plus importantes. L’augmentation de la pression de vapeur saturante avec la température conduirait donc d’autant plus à une intensification des pluies que la convergence d’humidité associée est importante (Panthou, 2013). Le concept de l’intensification du cycle de l’eau provoquée par le réchauffement climatique à cause de la relation de Clausius-Clapeyron est présenté ici de façon globale et simplifiée. Pour plus de détails, le lecteur pourra se référer aux études suivantes : Allen and Ingram (2002) ; Trenberth et al. (2003). L’explication qui suit se base sur le schéma présenté à la figure 6.23 : Si l’on considère les trois compartiments du cycle de l’eau sur le globe : l’océan, l’atmosphère et les continents, on peut considérer trois cycles :

a. Le cycle hydrologique océanique : l’eau s’évapore (Eo) et précipite (Po). L’évaporation nette

(En) au-dessus des océans va être advectée vers le continent : En = Eo −Po = Fv. Ce flux d’eau

correspond au flux d’air humide (Fa) transportant la quantité d’eau contenue dans l’air (ρv) :

Fv= Fa × ρv.

183

Chapitre 6 Etude de l’évolution des pluies extrêmes

Fig. 6.23 Schéma conceptuel d’une intensification du cycle de l’eau dû au réchauffement climatique (la valeur des différents flux peut se trouver dans l’étude de OKI, 2006). Les variables sont définies dans le corps de texte.

b. Le cycle hydrologique continental : l’eau provenant des océans (Fv) ainsi que l’eau

évapotranspirée sur le continent (ETc) va précipiter (Pc), une partie va retourner dans

l’atmosphère par évapotranspiration continentale. La part restante (la pluie nette : Pn) va

ruisseler puis s’écouler jusqu’à la mer (Qr). c. Le cycle hydrologique global est composé des échanges entre les différents compartiments. Si l’on considère - pour des pas de temps longs - que la variation de stock dans chacun des

compartiments est négligeable alors : En = Fv = Pn = Qr. Une augmentation de la température terrestre de ∆T aura comme impact direct une augmentation de es (≈ αC−C× ∆T %). Le processus d’intensification repose alors sur les hypothèses suivantes : (Panthou, 2013).

a. Le principal facteur limitant à l’évaporation E0 au-dessus de l’océan est la capacité évaporative de l’atmosphère. Toute augmentation de la capacité évaporative de

l’atmosphère est satisfaite par E0 ; b. L’humidité relative de l’air reste constante. L’augmentation relative de la masse volumique

de la vapeur d’eau (ρv) dans l’atmosphère sera alors de ∆ρv/ρv ≈ αC−C×∆T%. En réalité

dρv/(ρv×dT) = de/edT – 1/T = αC−C – 1/T ≈ αC−C car aux températures terrestres (T>250K), 1/T« αC−C.

c. Le flux d’air de l’océan vers les continents reste constant (Fa=cst). L’augmentation relative

du flux de vapeur d’eau advectée sera alors aussi augmentée de ∆Fv/Fv= ∆Fa/ Fa + ∆ρv/ρv +

∆Fa/Fa × ∆ρv/ρv = ∆ρv/ρv ≈ αC−C × ∆T%. d. La hausse de la température est similaire sur tout le globe, ou tout du moins, pour une masse d’air donnée l’augmentation de température au niveau des zones de précipitations

augmente. ρv et e sont reliés par la relation : e = ρv × Rv × T.

184

Chapitre 6 Etude de l’évolution des pluies extrêmes

A la lumière de ces hypothèses physiques, on peut à juste titre commencer par se demander si une intensification des pluies intenses a déjà été observée au cours des décennies passées. La détection d’une évolution des phénomènes extrêmes passés reste cependant délicate compte tenu du fait qu’il faut disposer de données homogènes sur une longue période de temps pour pouvoir évaluer la significativité d’éventuels changements.

6.6. Conclusion Les tendances dans les séries mensuelles, saisonnières et annuelles des pluies extrêmes sont détectées et leurs distributions spatiales sont analysées. L'exposant d'échelle est utilisé comme indice pour représenter la structure temporelle. A l’issu de ce chapitre, qui a été consacré à l’étude des tendances des pluies maximales journalières à différentes échelles, mensuelle, saisonnière et annuelle, et après confrontation des résultats des trois (03) méthodes différentes, nous avons pu détecter (résultats communs entre les trois méthodes) :

. Au moins quatre (04) mois (mai, juin, novembre et décembre) de l’année (au moins 33% des mois) sont touchés par la tendance croissante significative des pluies maximales journalières durant la deuxième période (1992-2010). Le mois le plus touché par le changement climatique est le mois de mai (au moins 61% des stations).

. Une hausse significative des tendances des pluies maximales journalières dans deux (02) saisons (hiver et automne) (50%). La saison la plus touchée par ce changement est l’automne (au moins 51% des stations).

. Une hausse significative de la tendance des pluies maximales annuelles d’au moins 34% (au moins 14 stations touchées parmi 41 étudiées).

. Une relation paradoxale a été détectée entre les pluies totales dans le bassin versant de la Macta, qui ont montré une diminution significative à différentes échelles mensuelle, saisonnière et annuelle durant la période (1970-2011) (Meddi et al., 2002 ; Assaba et al., 2013 ; Elouissi, 2016), et les pluies extrêmes qui ont montré une hausse significative dans le même bassin durant la période (1992-2010) (Benzater et al., 2019).

. Cette hausse significative détectée dans les tendances mensuelles, saisonnières et annuelles des pluies extrêmes dans le bassin versant de la Macta, a été expliqué physiquement par le réchauffement climatique constaté ces dernières années (IPCC, 2013).

185

CHAPITRE VII PROJECTIONS DES PLUIES EXTREMES

Connaître, pour en maîtriser les effets, le temps qu’il fera demain et au-delà, c’est un défi auquel les hommes se sont attelés depuis l’aube des temps.

Chapitre 7 Projections des pluies extrêmes

VII- Chapitre 7 : Projections des pluies extrêmes

7.1. Introduction La prévision hydrologique concerne notamment l’anticipation des phénomènes hydrologiques extrêmes (crues et sécheresse) qui constituent des enjeux importants pour la société. La prédiction de l'évolution future des phénomènes a reçu depuis très longtemps un intérêt spécial ce qui a accéléré le développement des techniques de prédiction et aussi a donné une variété des valeurs scientifiques entre ces techniques. La prédiction traditionnelle exige la connaissance des informations précédentes sur le comportement du système à prédire. Si le calcul du comportement futur est exact, une telle méthode de prédiction est entièrement déterministe. Mais en réalité, plusieurs facteurs rendent le calcul exact du comportement futur impossible. Cependant il est possible de générer un modèle qui peut être utilisé pour calculer la probabilité de futur comportement entre deux limites spécifiées (Colin, 2011).

Un des problèmes majeurs est celui de la prévision. Peut-on à partir des valeurs observées x1,

...,xT avoir une idée des valeurs futures xT+1, xT+2 . . . ? Evidemment on ne peut pas savoir en pratique la dynamique exacte de la série ; dynamique à travers laquelle les valeurs passées influencent la valeur présente. La prévision pourra alors se faire en estimant la projection de XT+1 sur un ensemble de fonctionnelles de X1, ..., XT (projection linéaire, espérance conditionnelle...). La modélisation doit aussi permettre d’obtenir des intervalles de confiance pour ce type de prévision. Résumer la dynamique des valeurs considérées en enlevant les détails de court terme ou les fluctuations saisonnières. On est intéressé ici par l’estimation de la tendance. Les fluctuations saisonnières captent un comportement qui se répète avec une certaine périodicité. L’interprétation du lien entre plusieurs variables ou de l’influence des valeurs passées d’une variable sur sa valeur présente demande de retrancher les composantes tendancielles et saisonnières (sinon on trouverait des corrélations importantes alors qu’un caractère explicatif est peu pertinent). Les séries temporelles multivariées (qui correspondent à l’observation simultanée de plusieurs séries temporelles à valeurs réelles) mettent en évidence les effets de corrélation et de causalité entre différentes variables. Il peut alors être intéressant de savoir si les valeurs prises par une variable x(1) sont la conséquence des valeurs prises par la variable x(2) ou le contraire et de regarder les phénomènes d’anticipation entre ces deux variables. D’autres problèmes plus spécifiques peuvent aussi se poser : détection de rupture de tendance qui permet de repérer des changements profonds, prévision des valeurs extrêmes en climatologie.

187

Chapitre 7 Projections des pluies extrêmes

7.2. Modèles climatiques Nous avons déjà décrit les modèles climatiques (GCMs) dans le chapitre 2. Dans ce chapitre, nous présentons la méthodologie suivie pour extraire et corriger les données des pluies journalières simulées à partir des modèles climatiques (GCMs). Puis estimer la pluie journalière à partir des mailles et nœuds en utilisant les outils de réduction ou descente d’échelle (RE : en anglais DownScaling), de distance et de poids. Aux horizons proches (2030, 2050), la variabilité naturelle du climat est difficilement repérée, se traduisant par le fait qu’un même modèle partant de deux états climatiques très proches, peut calculer deux évolutions climatiques différentes (Braconnot et al., 2007). De plus, les paramètres d'entrée ne sont pas tous bien calculés par les modèles, ce qui entraîne un biais de plus. Les extrêmes climatiques ainsi que l'évolution des pluies, de par leur forte variabilité, sont difficiles à prévoir et à quantifier (Jouzel, 2011). Du point de vue du climat en revanche, ces phénomènes sont appréhendes parleur fréquence d’occurrence et leur caractéristiques moyennes, ainsi qu’au travers de la variabilité de ces grandeurs (variabilité interannuelle et décennale) ; et dans le contexte du changement climatique, il faut adjoindre à cette perspective l’éventualité d’une évolution des grandeurs moyennes caractérisant les évènements extrêmes – fréquence, intensité, variabilité, etc. – ; on parle alors de tendances. L’exigence de précision dans la représentation de chaque évènement sera donc moindre dans un modèle de climat (Colin, 2011). Les GCMs constituent un outil fondamental pour la compréhension du climat passé et présent, ainsi que pourla représentation des projections futures du climat à l’échelle de la planète. Cependant, en raison du cout élevé des simulations climatiques qui couvrent de longues périodes de temps, la résolution de ces modèles est aujourd’hui limitée à quelques centaines de kilomètres. Au cours des dernières décennies, se sont ainsi développes différents outils de « réduction d’échelle » des simulations climatiques réalisées avec des GCMs. Ces techniques peuvent être regroupées en deux grandes classes : les modèles de climat régionaux (RCM) et les méthodes statistiques de réduction d’échelle. La plupart des RCM sont des modèles a aire limitée (LAM : Limited Area Model), mais il existe également des modèles globaux a maille variable. L’outil qui sera principalement utilisé dans ce travail étant un LAM, seul l’état de l’art de ces modèles va être présent dans cette section, et nous nous contenterons d’un bref aperçu des méthodes statistiques existantes. Les modèles de circulation générale (GCMs) constituent des outils importants dans les travaux de recherche sur l’évolution du climat actuel. Les simulations des GCMs sont la source principale d’information pour l’estimation des impacts futurs des changements climatiques dus au forçage anthropogénique. Le climat régional peut être vu schématiquement comme résultant de l’interaction

188

Chapitre 7 Projections des pluies extrêmes d’un état atmosphérique à grande échelle et de contraintes physiographiques locales (Von Storch, 1999), des méthodes ont été mises en place pour relier les variables climatiques simulées par les GCMs à grande échelle et les variables climatiques locales. Les méthodes de réduction d'échelle se scindent en deux familles : les méthodes de réduction d'échelle dynamique et les méthodes de réduction d'échelle statistique. Les GCMs sont capables de fournir, pour différents scénarios d’évolution du climat, des prévisions de variables climatiques au pas de temps journalier pour les prévisions les plus fines. Dans cette étude, nous avons considéré les scénarios qui correspondent à différentes évolutions des émissions de gaz à effet de serre (IPCC, 2007) avec quatre GCMs décrits dans le tableau 7.1.

Tableau 7.1 Liste des modèles de circulation atmosphérique (IPCC, 2013) Agence Nom du Modèle Beijing Climate Center, National Climate Center, China Meteorological Administration, No.46, S.Road, Zhongguancun Str., Beijing 100081, China BCC-CM1 Bjerknes Centre for Climate Research (BCCR), Univ. of Bergen, Norway Bergen Climate Model (BCM) Version 2 Canadian Centre for Climate Modelling and Analysis (CCCma) Coupled Global Climate Model (CGCM3) Canadian Centre for Climate Modelling and Analysis (CCCma) Coupled Global Climate Model (CGCM3) Centre National de Recherches Meteorologiques, Meteo France, France CNRM-CM3 Meteorological Institute of the University of Bonn (Germany), Institute of ECHO-G = ECHAM4 + HOPE-G KMA (Korea), and Model and Data Group. CSIRO, Australia CSIRO Mark 3.0 Geophysical Fluid Dynamics Laboratory, NOAA (USA) CM2.0 - AOGCM Geophysical Fluid Dynamics Laboratory, NOAA (USA) CM2.1 - AOGCM Institute of Numerical Mathematics, Russian Academy of Science, Russia. INMCM3.0 Institut Pierre Simon Laplace (IPSL), France PSL-CM4 LASG, Institute of Atmospheric Physics, Chinese Academy of Sciemces, FGOALS1.0_g P.O. Box 9804, Beijing 100029, P.R. China Max Planck Institute for Meteorology, Germany ECHAM5/MPI-OM Meteorological Research Institute, Japan Meteorological Agency, Japan MRI-CGCM2.3.2 NASA Goddard Institute for Space Studies (NASA/GISS), USA AOM 4x3 Goddard Institute for Space Studies (GISS), NASA, USA GISS ModelE-H and GISS ModelE-R (which differ only in ocean component) Goddard Institute for Space Studies (GISS), NASA, USA GISS ModelE-H and GISS ModelE-R (which differ only in ocean component) National Center for Atmospheric Research (NCAR), (USA) Community Climate System Model, version 3.0 et 4.0 (CCSM3 et CCSM4) National Center for Atmospheric Research (NCAR), NSF (a primary Parallel Climate Model (PCM) sponsor), DOE (a primary sponsor), NASA, and NOAA (USA) CCSR/NIES/FRCGC, Japan MIROC3.2 (Model for Interdisciplinary Research on Climate) CCSR/NIES/FRCGC, Japan MIROC3.2 (Model for Interdisciplinary Research on Climate) Hadley Centre for Climate Prediction and Research, Met Office, United HadCM3 Kingdom Hadley Centre for Climate Prediction and Research, Met Office United Hadley Centre Global Environmental Kingdom Model, version 1 (HadGEM1) Dans notre étude, nous avons utilisé seulement un modèle climatique, il s’agit de CCSM4 (NCAR) développé par National Center for Atmospheric Research (NCAR), (USA).

189

Chapitre 7 Projections des pluies extrêmes

7.3. Régionalisation ou réduction d’échelle (RE) (Downscaling) Les scientifiques sont parvenus à un consensus sur le fait que la température moyenne annuelle mondiale devrait être2°C au-dessus des niveaux préindustriels d'ici 2050 et un monde plus chaud à 2°C connaîtra des pluies plus intenses et des sécheresses, des inondations, des vagues de chaleur et d'autres intempéries plus fréquentes et plus intenses événements (Feyissa et al., 2018). De nombreuses techniques de réduction d'échelle ont été développées ces dernières années pour la projection de variables hydrologiques à l'échelle de la station. A partir de variables atmosphériques à grande échelle simulées par des modèles de circulation générale (MCG) afin d'évaluer les impacts hydrologiques de changement climatique. Les méthodes de réduction d'échelle dynamique (Déqué et al., 2007 ; Giorgi et al., 2009) utilisent les premiers principes des processus qui gouvernent le système climatique. Elles permettent d’affiner l’information climatologique produite par les GCMs à l’aide de modèles à aire limitée (LAM) (Leung et al., 2004 ; Wang et al., 2004), de modèles de circulation générale atmosphérique (MCGA) de haute résolution à tranches temporelles (Cubasch et al., 1995), ou de circulation générale atmosphérique à résolution variable (MCGA-RV) (McGregor et al., 2002;Gibelin et Déqué, 2003 ; Fox-Rabinovitz et al., 2008). Ces méthodes nécessitent des ressources informatiques et humaines relativement importantes (Fig. 7.1).

Fig. 7.1 Représentation schématique de la technique de réduction d’échelle dynamique

De leur part, les méthodes de réduction d'échelle statistiques visent à obtenir l’information à l’échelle locale à partir de celle à grande échelle à travers des relations inférentielles entre les échelles, en utilisant une fonction aléatoire ou déterministe (Wilby et al. 1997, 2002; Timbal et al., 2008; Brands et al., 2011). Dans la réduction d'échelle statistique, le conditionnement du climat régional par le climat à grande échelle est considéré comme une relation qui peut être déterministe ou stochastique entre l’ensemble des variables à grande échelle (le prédicteur) et l’ensemble des variables du climat régional (le prédictant) (Coulibaly et al., 2005).

190

Chapitre 7 Projections des pluies extrêmes

Ces techniques permettent une certaine simplicité de calcul, et représentent donc une alternative appropriée lorsque les ressources ne sont pas disponibles ou sont insuffisantes pour utiliser des modèles dynamiques, ou lorsque les modèles dynamiques ne peuvent pas prédire explicitement les variables d’intérêt. La réduction d’échelle des précipitations journalières a été réalisée, par l’outil réduction statistique, en deux étapes notamment la sélection des prédicteurs fortement corrélés avec les variables climatiques locales et la calibration/validation des données.

7.3.1. Sélection des prédicteurs La variabilité naturelle du climat méditerranéen, notamment en ce qui concerne les précipitations, est un frein à des projections précises surtout lorsqu’on s’intéresse aux projections climatiques à moyen terme. Malgré cette difficulté, différentes études antérieures ont montré l’influence des modes de la circulation extratropicale sur la variabilité interannuelle des précipitations marocaines et nord-africaines. En particulier, la phase négative de l’Oscillation Nord Atlantique (ONA) se trouve ainsi en faveur des précipitations au Maroc et au nord-ouest de l’Afrique (Ward et al., 1999; Glueck et Stockton, 2001; Herrera et al., 2001; Knippertz et al., 2003). L’influence du phénomène ENSO (El Nino-Southern Oscillation) a été également mise en évidence à travers une réduction des précipitations printanières au Maroc durant sa phase positive (Nicholson, 2001; Ward et al., 1999). La procédure adoptée pour sélectionner les prédicteurs appropriés pour chaque prédictant est la suivante : tout d’abord, l’ensemble de mailles, qui intéresse la zone d’étude, relatives aux grilles du modèle CCSM4 (Community Climate System Model, version 4) a été pris en considération. Ainsi, quatre mailles de la grille du modèle CCSM4 ont été utilisées et qui sont codifiées comme suit : maille 95X 14Y, maille 95X 15Y, maille 96X 14Y et maille 96X 15Y.

7.3.2. Techniques de réduction d’échelle (RE) Pour des raisons de limitation de la puissance de calcul des ordinateurs disponibles, les modèles possèdent généralement une résolution spatiale de l’ordre de quelques centaines de kilomètres. Cette résolution ne permet pas de résoudre certains processus et phénomènes physiques régionaux qui influencent le climat d’une région particulière du globe (îles, relief complexe, vents régionaux, structure spatiale des précipitations, circulation océanique de petite échelle). Une meilleure représentation des processus qui se déroulent dans l’atmosphère et à la surface de la Terre ainsi que l’élargissement des capacités de calcul ont permis des améliorations certaines, notamment au cours de la dernière décennie, mais la plupart des modèles actuels offrent encore une

191

Chapitre 7 Projections des pluies extrêmes résolution horizontale de quelques centaines de kilomètres (Meehl et al., 2007). Ils ne peuvent donc rendre compte des effets des forçages locaux (par exemple topographie complexe et caractéristiques de la surface) qui modulent le signal climatique aux échelles plus réduites.

7.3.2.1. Les méthodes statistiques de réduction d’échelle Pour la réduction des effectifs pour les futurs changements climatiques, les besoins des utilisateurs finaux pour les scénarios futurs se divisent en deux catégories: les projections de la tendance à long terme (plusieurs décennies à 100 ans) et les prévisions de la variabilité au cours des 1 ou 2 prochaines décennies. La tendance à long terme est importante pour la conception des ouvrages de protection contre les inondations et des infrastructures générales, ainsi que pour la planification stratégique concernant l'agriculture, les ressources en eau et les dangers liés à l'eau. La prévision de la variabilité climatique à court terme à des applications plus immédiates, telles que la prévision du rendement des cultures (Maraun et al., 2010). La majorité de ces techniques reposent sur l’établissement d’un lien statistique entre des variables de grande-échelle et/ou de méso-échelle simulées par les GCMs et/ou les RCMs et les données observées des paramètres que l’on cherche à représenter localement. Wilby and Wigley (1997) proposent de classer les méthodes statistiques de réduction d’échelle en trois grandes familles : les méthodes de régression, les méthodes basées sur les régimes de temps, et les générateurs de temps. Les premières se bornent à établir un lien statistique entre la série des prédicteurs simulées et celle des prédictants observés. Les secondes réalisent au préalable une classification des situations synoptiques en régimes ou types de temps et s’attachent ensuite à relier les valeurs prises par les prédicteurs à celles des prédicants en fonction de cette classification. Les dernières produisent des séquences aléatoires de variables météorologiques semblables à celles observées. De façon générale, ces méthodes statistiques permettent d’aboutir à des résultats plusproches des observations en climat présent, et d’atteindre une résolution plus fine que celledes RCMs. La principale critique qui leur est adressée porte sur la validité de l’hypothèse depermanence du lien statistique dans un climat en évolution. En appliquant ces méthodes sur des scenarios de changement climatique, on suppose en effet que la relation statistique établie dans le présent restera valable dans le futur, ce qui n’est pas nécessairement le cas. Avec l’amélioration croissante des performances des modèles régionaux (RCM) et l’augmentation progressive de leur résolution, se sont développées des techniques de corrections/adaptations statistiques des sorties de modèles (Déqué, 2007). Ilne s’agit alors plus de

192

Chapitre 7 Projections des pluies extrêmes considérer les prédicteurs simulées par le RCMs mais directement la variable d’intérêt (prédictant), que l’on corrige vers le spectre des valeurs observées. Prévoir le climat futur peut aider à mieux se préparer à atténuer les effets attendus. Les modèles de circulation générale océanique à atmosphère couplée (CGCM) sont les outils les plus efficaces pour effectuer des simulations de changement climatique et sont meilleurs qu'une prédiction unique (Meehl et al., 2007). Cependant, les données CGCM ne sont pas directement utilisées dans aucune étude hydrologique. Ces données nécessitent des méthodes de correction utilisant les données mesurées. C'est pourquoi les modèles statistiques de réduction d'échelle (Statistical Downscaling Models, SDMs) sont appliqués car ils corrigent les données du CGCM avec les données météorologiques observées. Les SDMs utilisent différentes méthodologies statistiques, telles que la régression multiple, l'analyse en composantes principales, les réseaux de neurones artificiels et les méthodes stochastiques tenant compte des générateurs de temps (en 2009). L'approche est basée sur l'hypothèse que les relations actuellement observées seront porteuses dans le futur (Misra et al., 2018). Une fois la relation déterminée et validée, les variables atmosphériques futures projetées par les MCGC sont utilisées pour prédire les variables climatiques locales futures. Par conséquent, de nombreux chercheurs ont appliqué cette technique aux données de séries chronologiques météorologiques locales (Sinha et al., 2013, 2018; Şen, 2009). Les études récentes divergent dans leurs prévisions. Certaines régions du monde verront leurs précipitations augmenter tandis que d'autres connaîtront une baisse importante. Almazroui et al. (2017) indiquent une augmentation de la fréquence des périodes humides au 21èmesiècle dans la province occidentale d'Arabie Saoudite. Par ailleurs, Hertig et al. (2017) ont indiqué une augmentation de la gravité et de la fréquence de la sécheresse pour l'ensemble de la région méditerranéenne à l'avenir. Les prévisions de précipitations pour cette région, selon le scénario A1B, seront marquées par une nette diminution (environ 24%), surtout en été (Trigo et al., 2002). Polade et al. (2014) ont constaté, à l'aide de simulations CMIP5, une augmentation du nombre de jours secs en Méditerranée. Selon leurs résultats, la région pourrait connaître jusqu'à 30 jours de sécheresse supplémentaires par an d'ici la fin du siècle. Plusieurs études ont indiqué que les précipitations annuelles moyennes diminueraient (15- 20%)pour la majorité des pays d'Afrique du Nord entre 2020 et 2050 (Giannakopoulos et al., 2008;Paeth et al., 2009). Cette diminution atteindra entre 5 et 15% dans les zones centrales et côtières de l'Algérie. Chourghal et al. (2015) ont utilisé le scénario A1B SRES sur deux sites en Algérie (Alger et Bordj Bou Arreridj) et ont confirmé une nette diminution des précipitations.

193

Chapitre 7 Projections des pluies extrêmes

7.3.3. Application de la méthode de réduction d’échelle (Downscaling) à la station Nesmoth Le but de cette application est de projeter les précipitations futures. Nous avons sélectionné la méthode de réduction d'échelle statistique en quadrilatère (QSDM) en raison de son application améliorée en termes de performances et de simplicité (Şen et al., 2012) par rapport à d'autres méthodes de réduction d'échelle statistique. Le projet modèle couplé d'intercomparaison, phase 4 (CMIP4), utilise les données avec les quatre voies RCP (Representative Concentration Pathways ou Trajectoires représentatives de concentration). La station pluviométrique retenue, pour appliquer cette méthode, est la station de Nesmoth MF (111418) située au Nord-est du bassin versant de la Macta, dont les coordonnées sont : Longitude : 0,381819°, Latitude : 35,251571° et Altitude : 930 m (Fig. 7.2). Le choix de cette station a été édicté par le fait qu’elle présente des valeurs des pluies extrêmes relativement élevées. Les prévisions annuelles des pluies extrêmes à l’emplacement de la station de Nesmoth MF (111418) pour ces quatre modèles retenus pour la période future cible (2006-2100) ont été extraites en avril 2018 du site interactif (http://cera-www.dkrz.de/CERA/index.html). Ce site recense les prévisions de différents modèles climatiques généraux pour différents scénarios de changement climatique à l’échelle de la planète à un pas de temps journalier. Au final nous avons donc recueilli huit séries de précipitations journalières pour la période 2006-2100. Les données projetées (à l'échelle réduite) (2010-2100) sont analysées à l'emplacement de la station Nesmoth MF. Elles sont d'abord présentées, puis utilisées pour prédire le futur. Les résultats de cette étude peuvent constituer un guide pour les décideurs en matière de gestion durable. Le QSDM nécessite deux étapes principales. La première consiste à utiliser une fonction de dépendance spatiale (SDF) pour transférer les données de sortie du MCCG des quatre points les plus proches du réseau à la station étudiée. La deuxième étape consiste à ajuster les précipitations annuelles du scénario régionalisé avec les données de précipitations locales. La deuxième base de données est la phase 5 du projet de comparaison comparée de modèles couplés (CMIP4), les précipitations quotidiennes du MCCG provenant du Centre national de recherche atmosphérique (NCAR). Ces données ont été collectées auprès du Centre allemand d'informatique sur le climat (https://cera-www.dkrz.de/WDCC/ui/cerasearch/). Les nœuds CGCM sont illustrés à la figure7.2 (sous forme de symbole +). Quatre voies de concentration représentatives (RCP2.6, RCP4.5, RCP6 et RCP8.5) ont été examinées pour la période 2006-2100. Un logiciel, écrit avec Matlab, a été utilisé pour extraire les données de quatre points de grille autour de la station Nesmoth MF, comme indiqué sur la figure7.2.

194

Chapitre 7 Projections des pluies extrêmes

Fig. 7.2Localisation de la Station Nesmoth par rapport aux quatre nœuds

La station de Nesmoth MF, par sa situation géographique citée en haut et d’après la figure 7.2, se positionne entre quatre (04) nœuds dont les coordonnées sont présentées dans le tableau 7.2.

Tableau 7.2Coordonnées des quatre (04) nœuds de la station Nesmoth MF. Nœud Nœud 1 Nœud 2 Nœud 3 Nœud 4 Coordonnées Latitude (°) 34,86911011 36,28272247 36,28272247 34,86911011 Longitude (°) 0 0 1,25 1,25

Les pluies extrêmes annuelles observées, au niveau de la station Nesmoth durant la période 1970-2010, sont présentées dans la figure 7.3.

195

Chapitre 7 Projections des pluies extrêmes

Fig. 7.3Evolution des pluies extrêmes annuelles observées (station Nesmoth, 1970-2010)

A partir de la figure 7.3, les paramètres statistiques de la station Nesmoth MF peuvent être visualisés dans le tableau 7.3. Tableau 7.3Paramètres statistiques des pluies extrêmes annuelles observées de la station Nesmoth MF Station Pluie minimale journalière Pluie maximale journalière Moyenne Ecart-type Cv (mm/j) (mm/j) (mm/j) (%) Nesmoth MF (111418) 57,0 263,7 133,5 50,8 38%

7.3.3.1. Procédure de la fonction de dépendance spatiale ou Spatial Dependence Function (SDF) Quelle que soit la méthode de réduction d'échelle, la méthode d'estimation spatiale occupe l'ingrédient le plus important. La fonction de dépendance spatiale (SDF) consiste à établir des coefficients représentant la relation entre les valeurs mesurées et les distances. Par conséquent, la SDF représente la dépendance régionale entre la station concernée et les nœuds environnants du CGCM. Plusieurs études utilisent la méthode de la moyenne pondérée. Où le mot "poids" est utilisé comme facteur de dépendance spatiale. La procédure SDF est issue des travaux précédents (Şen, 1989, 1991, 2009 ; Şen and Şahin, 2001). Pour chaque distance, entre deux stations, la différence carrée entre leurs pluies moyennes mensuelles est calculée. La matrice ainsi constituée est classée par ordre croissant de distances. Une nouvelle colonne contenant la différence de carrés cumulés est créée. A cet effet, le poids de chaque distance est calculé par l'équation (7.1):

(7.1)

Wi : Poids pour la distance i; cdi : Différence en carré cumulé pour la distance i; cdT : Différence totale en carrés cumulés.

196

Chapitre 7 Projections des pluies extrêmes

7.3.3.2. Transfert et correction de données de sortie du CGCM Pour transférer les précipitations mensuelles à partir des données de sortie du MCCG, les poids des quatre nœuds les plus proches sont utilisés comme indiqué dans l'équation (7.2):

∑ ( ) (7.2)

PT : Pluie maximale annuelle du MCGM à la station Nesmoth MF;

WT : Total des quatre poids annuels;

Pi : Pluie maximale annuelle de CGCM au nœud i.

La dernière étape consiste à corriger les précipitations transférées avec celles observées. Les pluies mensuelles observées (transférées) sont normalisées pour obtenir Zo(Zt). La pluie mensuelle corrigée (Pc) est calculée avec l'équation (7.3):

( ) (7.3) Où

So : Ecart-type des précipitations maximales annuelles observées;

Mo : Moyenne maximale annuelle des précipitations observées (mm)

Les poids calculés dans le tableau 7.4 ont été utilisés dans l'équation (7.2) pour transférer les pluies annuelles des nœuds du CGCM à la station Nesmoth MF. L’équation (7.3) a été utilisée pour corriger et constituer les pluies annuelles projetées à l’échelle inférieure.

Tableau 7.4 Poids annuel (Station Nesmoth MF) Poids Nœud 1 Nœud 2 Nœud 3 Nœud 4 Distance (m) 101230,20 36069,16 123789,87 79494,19

Année 0,13700 0,79600 0,05700 0,26166

La figure 7.4 montre la relation annuelle entre les poids et les distances.

197

Chapitre 7 Projections des pluies extrêmes

Fig. 7.4 Relation annuelle entre distances et poids

7.3.3.3. Résultats et discussion La figure 7.5 présente conjointement l’évolution des pluies extrêmes annuelles observées de la station de Nesmoth MF (1970-2010) et les prévisions simulées par les quatre scénarios (2006-2100).

Fig. 7.5 Evolution observée et projetée des pluies extrêmes annuelles à horizon 2100 (Station Nesmoth) selon les 4 RCP

7.3.3.4. Quel est le scénario futur le plus proche à la réalité ? Pour adopter le scénario le plus proche à la réalité parmi les quatre (04) RCP, nous avons ajusté, les cinq (05) séries temporelles : série observée de la station de Nesmoth MF (1970-2010) d’une part ; et d’autres part les quatre (04) scénarios RCP estimés (2006-2100), à la loi GEV (Fig. 7.6).

198

Chapitre 7 Projections des pluies extrêmes

Fig. 7.6 Ajustement des pluies extrêmes annuelles (valeurs observées+4 RCP) à la loi GEV (Station Nesmoth)

L’application de la loi GEV aux cinq (05) séries chronologiques (Fig. 7.6) permet d’estimer les pluies maximales annuelles fréquentielles observées et estimées au niveau de la station de Nesmoth MF (Tableau 7.5).

Tableau 7.5 Pluies maximales annuelles fréquentielles (données observées et données GCM) Station Nesmoth Période de retour Valeurs observées Données estimées RCP (mm/j) T (an) (mm/j) RCP 2.6 RCP 4.5 RCP 6.0 RCP 8.5 5 173,3 172,4 167,8 165,8 167,1 10 202,7 202,1 198,3 194,9 199,7 20 229,3 229,8 228,7 224,0 233,5 50 261,4 246,6 269,7 263,4 281,1 100 284,0 289,9 301,8 294,3 319,8

L’analyse de la figure 7.6, qui montre l’ajustement des pluies extrêmes annuelles des cinq (05) séries temporelles (valeurs observées et 4 RCP) au niveau de la station de Nesmoth, permet de mettre en évidence : . A l’horizon de 20 ans, les valeurs observées se coïncident parfaitement avec les valeurs estimées par les 4 RCP. . A l’horizon de 20 à 50 ans, c’est le scénario (RCP6.0) qui se concorde parfaitement à nos valeurs observées. . A l’horizon de 50 à 100 ans, le scénario (RCP2.6) qui est très corrélé à nos valeurs observées.

199

Chapitre 7 Projections des pluies extrêmes

7.3.3.4.1. L’erreur quadratique

L'erreur quadratique moyenne ou Root Mean Square Error (RMSE), également connue sous le nom d'erreur standard, est un score qui estime l’écart moyen entre la prévision et l’observation. La RMSE varie entre o et l’infini. Pour évaluer le scénario adéquat, parmi les quatre (04) RCP, nous comparons les données observées à une distribution théorique, en utilisant la RMSE, est la somme des carrés des différences entre les valeurs observées et calculées (Equation 7.4) (Kim et al., 2019) :

n 1 2 (7.4) RMSE   (Ve Vo ) i1 N Où ; RMSE : Root Mean Square Error ;

Ve : Valeur estimée (mm/j);

Vo : Valeur observée (mm/j) ; N : Nombre d’observations.

Le calcul a tenu en compte les valeurs observées de la station de Nesmoth (1970-2010) comme série de référence (Tableau 7.6).

Tableau 7.6 Comparaison des ajustements à la loi GEV des pluies maximales annuelles fréquentielles des valeurs observées par rapport aux 4 scénarios RCP (Station Nesmoth MF) Période de retour Valeurs SCE1 SCE2 SCE3 SCE4 (T en année) Observées RCP 2.6 RCP 4.5 RCP 6.0 RCP 8.5 (RCP 2.6) (RCP 4.5) (RCP 6.0) (RCP 8.5) 5 173,3 172,4 167,8 165,8 167,1 0,81 30,25 56,25 38,44 10 202,7 202,1 198,3 194,9 199,7 0,36 19,36 60,84 9,00 20 229,3 229,8 228,7 224,0 233,5 0,25 0,36 28,09 17,64 50 261,4 246,6 269,7 263,4 281,1 219,04 68,89 4,00 388,09 100 284,0 289,9 301,8 294,3 319,8 34,81 316,84 106,09 1281,64 MSCE 51,05 87,14 51,05 346,96

RMSE 7,15 9,33 7,15 18,63

L’examen du tableau 7.6, qui compare les résultats issus des ajustements à la loi GEV, des valeurs observées au niveau de la Station Nesmoth MF (1970-2010), avec les valeurs estimées (2006- 2100) par les quatre (04) scénarios RCP, montre que l’Erreur Quadratique Moyenne minimale

(RMSEmin=7,15) a été marqué au niveau de deux (02) scénarios RCP2.6 et RCP6.0. Ceci signifié que nos projections des pluies extrêmes, au niveau de la Station Nesmoth à l’horizon 2100, se concordent parfaitement avec les deux scénarios : le RCP6.0 qui est pessimiste à moyen terme (2070) et RCP2.6 (scénario optimiste le plus favorable pour changement climatique d’après le chapitre 2) pour long terme (2100).

200

CONCLUSION GENERALE ET PERSPECTIVES

Conclusion générale et perspectives

Conclusion générale

Chaque année, les pluies extrêmes provoquent des crues au niveau de plusieurs cours d’eau d’Algérie, causant des inondations catastrophiques. Ces dernières peuvent être lourdes de conséquences, tant sur le plan humain que matériel. Le bassin versant de la Macta, objet de cette thèse, abrite beaucoup de villes et d’agglomérations importantes dont les villes de Mascara, Saïda et Sidi Bel Abbés, qui sont vénérables à cet évènement, et qui nécessitent une protection et adaptation contre ce fléau climatique. Au cours de ce travail, nous avons constaté que très peu d’études sur les pluies extrêmes, ont été réalisées en Algérie et surtout dans ce bassin. Cette thèse a été édictée par le constat de la méconnaissance des pluies extrêmes et leurs impacts socioéconomiques en Algérie. Au cours de cette thèse nous avons tenté de contribuer à la connaissance de l’évolution, de la nature statistique et physique des pluies extrêmes et sur leur réponse au réchauffement climatique lié à l’augmentation de l’effet de serre. Nous nous sommes concentrés sur la région Sud-Méditerranée (bassin versant de la Macta situé au Nord-Ouest Algérien), qui est particulièrement vulnérable à la variation et changement du climat. Afin de qualifier et quantifier les extrêmes climatiques, nous avons utilisé l’outil statistique et la théorie des valeurs extrêmes (EVT). Cette thèse s’intéresse plus particulièrement aux impacts du changement climatique sur les pluies intenses. À partir de longues séries journalières issues de 41 postes pluviométriques du bassin versant de la Macta, nous avons étudié l'évolution des tendances à différentes échelles : mensuelle, saisonnière et annuelle de pluies quotidiennes durant la période 1970-2010.

Les résultats issus de cette thèse peuvent être se résumés en ce qui suit :

- Une année de rupture (changement de tendance) a été détectée dans notre article publié en juin 2019 au journal « Arabian Journal of Geosciences ‘AJGS’ ». Il s’agit de l’année 1992 qui s’est marquée par le basculement des tendances décroissantes significatives des pluies extrêmes à différentes échelles mensuelle, saisonnière et annuelle, durant la période (1970-1992), vers la hausse significative durant la deuxième période (1992-2010). Blanchet et al. (2018) ont identifié cette approximation des valeurs des maxima annuels des pluies extrêmes entre 1980 et 1990 dans le sud de la France, 1985 étant la période la plus probable.

- La distribution temporelle et spatiale des pluies extrêmes montre que : mensuellement, et durant les mois de mars et d’avril, les plus fortes pluies extrêmes se basculent (220 mm/j) vers l’ouest du bassin. Le mois de mai 1970 se caractérisait par une intensité des pluies extrêmes maximale

202

Conclusion générale et perspectives

(apogée de 263,7 mm/j au niveau de la station Nesmoth MF (111418)). A l’échelle saisonnière, et pendant l’été, la carte des maxima des pluies journalières montre une distribution homogène des pluies extrêmes. La saison d’automne se caractérise par des valeurs extrêmes élevées surtout dans le centre du bassin. A l’hiver, les valeurs les plus élevées se dirigent vers le Nord-est avec la même intensité automnale (100 à 220 mm/j). Au printemps, les valeurs les plus élevées des pluies extrêmes (>260 mm/j) se manifestent à l’est du bassin versant. Les valeurs des maxima des pluies extrêmes quotidiennes oscillent annuellement entre 90 et 263,7 mm/j. Les plus fortes pluies des maxima annuels se distribuent au Nord et à l’Est du bassin. Les valeurs des pluies maximales journalières qui varient entre 180 et 263,7 mm/j occupent le 2/3 du bassin.

- La variation spatiotemporelle des pluies extrêmes nous a permis de constater que : les coefficients mensuels de variation (CV en %) des pluies maximales journalières du bassin versant de la Macta, oscillent entre 50% et 440%. Ce spectre de fluctuation est assez large et reflète le caractère extrême des pluies maximales journalières. A l’échelle saisonnière : l’amplitude des coefficients de variation saisonniers devient moins importante (entre 39% et 233%). La station, qui présente le coefficient de variation saisonnier le plus faible (38,90%), est de la station de Bouhanifia Bge (111503) (Centre du bassin versant), enregistré durant la saison de printemps durant la période II (1992-2010), par contre le coefficient de variation saisonnier le plus élevé (233,16%) est enregistré au niveau de la station de Ain Trid (110314) située au à l’Ouest du bassin durant la saison d’été pendant la deuxième période (1992-2010). Annuellement, les coefficients de variation oscillent entre 23% et 57% pour toutes les stations du bassin étudié. Ce spectre de fluctuation devient très serré par rapport aux coefficients de variation mensuels (jusqu’à 440%) et saisonniers (233%). L’analyse de la fluctuation des coefficients de variation (CV) des pluies extrêmes à différentes échelles mensuelle, saisonnière et annuelle a montré que les amplitudes des CV sont faibles à l’échelle annuelle (57%), elles progressent et deviennent plus importantes à l’échelle mensuelle (440%) passant par l’échelle saisonnière (233%). Des grandes amplitudes dans les pluies maximales montrent le caractère destructeur de ces pluies à l’échelle journalière et horaire.

- En matière d’intensité des pluies et sa variabilité, en comparant les deux périodes (1970-1992) et (1992-2010), nous avons constaté : Mensuellement, une diminution de l’intensité des pluies extrêmes (mm/j) pour les six (06) mois : janvier (4,49%), février (1,05%), mars (35,45%), mai (21,49%), juin (34,81%) et décembre (2,19%). Par contre, une augmentation de l’intensité des pluies a été marquée pour les six (06)

203

Conclusion générale et perspectives

autres mois: avril (6,06%), juillet (32,65%), aout (60,55%), septembre (47,15%), octobre (14,33%) et novembre (20,10%). Une diminution saisonnière constatée pour les deux saisons d’hiver (6,48%) et du printemps (14,70%). Contrairement, une augmentation de l’intensité des pluies extrêmes a été marquée pour les deux autres saisons d’été (0,69%) et d’automne (19,25%). Ceci justifié les crues et les inondations automnales catastrophiques que vivent nos villes ces dernières années. Cette constatation consolide la conclusion du premier chapitre, qui estime que 85% des inondations, en Algérie, sont enregistrées durant cette saison. Annuellement une légère diminution de l’ordre de 9,15% durant la deuxième période (1992-2010) a été constatée.

- L’étude des tendances des pluies maximales journalières à différentes échelles, mensuelle, saisonnière et annuelle, et après confrontation des résultats des trois (03) méthodes utilisées (r de Bravais-Pearson, Tau (τ) de Kendall et Rho (ρ) de Spearman), nous avons pu détecter : au moins quatre (04) mois (mai, juin, novembre et décembre) de l’année (au moins 33%) sont touchés par la tendance croissante significative des précipitations maximales journalières durant la deuxième période (1992-2010). Le mois le plus touché par le changement climatique est le mois de mai (au moins 61% des stations). Une hausse significative des tendances des pluies maximales journalières dans deux (02) saisons (hiver et automne) (50%). La saison la plus touchée par ce changement est l’automne (au moins 51% des stations). Une hausse significative de la tendance des pluies maximales annuelles d’au moins 34% (au moins 14 stations touchées parmi 41 étudiées).

- La confrontation de nos résultats issus de cette thèse, sur les tendances des pluies extrêmes à différentes échelles mensuelle, saisonnière et annuelle dans le bassin versant de la Macta durant la deuxième période (1992-2010) (Benzater et al., 2019), d’une part ; d’autres part, les résultats des travaux sur l’évolution des pluies totales à différentes échelles mensuelle, saisonnière et annuelle dans le même bassin versant la Macta et durant la période (1970-2011) (Elouissi, 2016), nous a permis de détecter une relation paradoxale entre ces deux types de pluies.

En effet, les pluies totales dans le bassin versant de la Macta, ont montré une diminution significative à différentes échelles mensuelle, saisonnière et annuelle durant la période (1970-2011) (Meddi et al., 2002 ; Assaba et al., 2013 ; Elouissi, 2016), paradoxalement à nos résultats qui ont montré une tendance croissante significative dans le même bassin durant la période (1992-2010) (Benzater et al., 2019).

204

Conclusion générale et perspectives

Nos résultats se convergent parfaitement avec les travaux de plusieurs auteurs (Brunetti et al., 2001 ; Alpert et al., 2002 ; Brunetti et al., 2012 ; Caloiero et al., 2016) qui ont détecté une augmentation paradoxale des pluies extrêmes, malgré la diminution des totaux, dans différentes zones du bassin méditerranéen.

- Un essai de projection de pluies extrêmes a été appliqué pour projeter les pluies extrêmes annuelles à la station de Nesmoth MF. Les résultats de cet essai se concordent parfaitement avec les deux scénarios RCP2.6 et RCP6.0 de l’IPCC pour l’horizon futur 2100, l’un optimiste et l’autre pessimiste.

- Nos résultats (hausse significative des tendances des pluies extrêmes) ont été physiquement expliqués par le réchauffement climatique. En effet, l’augmentation de la température du globe terrestre est susceptible d’entrainer une intensification des phénomènes de pluies extrêmes.

Enfin, ces résultats des structures spatiales et temporelles des tendances des pluies extrêmes dans le bassin versant de la Macta, établis dans cette étude, peuvent être exploités par les décideurs afin d’adopter une stratégie d’adaptation et de perspectives et faire face aux catastrophes causées par ces aléas climatiques extrêmes.

Perspectives

La connaissance et la compréhension de l’évolution des pluies extrêmes, dans le contexte du changement climatique, est l’étape fondamentale pour l’adoption une stratégie d’adaptation et de perspectives. A l’horizon futur, nous proposons l’analyse des distributions spatio-temporelles des catégories des pluies extrêmes dans la région de la Macta Algérie. Cette perspective dans la recherche des évènements extrêmes, conformément à la classification de plusieurs chercheurs (Alpert et al., 2002 ; Caloiero et al., 2016), nous permettra de définir les différentes catégories de pluies extrêmes dominantes. Cette catégorisation des pluies extrêmes peut être quantifiée par leurs intensités (mm/j) et qualifiée par leurs impacts (dégâts humains et matériels).

En effet, une échelle d’intensité basée sur plusieurs catégories de pluies extrêmes (mm/j) sera identifiée. Ces catégories, seront quantifiées par leur intensité de pluie (mm/j) et qualifiées par les dégâts causés (faible, moyen, fort, exceptionnel). Il s’agira d’une échelle d’inondations, analogue à celle de Richter, qui quantifié et qualifié la sismicité. Ce travail fera l’objet d’une publication dans un futur proche.

205

Bibliographie

Bibliographie

Alentorn A. and Markose S. (2005).Generalized Extreme Value Distribution and Extreme Economic Value at Risk (EE-VaR). Alexander L.V. et al. (2006). Global observed changes in daily climate extremes of temperature and precipitation. J. Geophys. Res.: Atmos. 111 (D5), D05109. http://dx.doi.org/10.1029/2005JD006290. Allen M. R., Ingram W. J. (2002). Constraints on Future Changes in Climate and the Hydrologic Cycle.Nature 419(6903):224-32 DOI: 10.1038/nature01092. Almazroui M., Balkhair Khaled S., Nazrul Islam M., and Şen Z. (2017). Climate Change Impact on Monthly Precipitation Wet and Dry Spells in Arid Regions: Case Study over Wadi Al-Lith Basin. Hindawi Advances in Meteorology Volume 2017, Article ID 5132895, 13 pages https://doi.org/10.1155/2017/5132895 Alpert P., Ben-gai T., Baharad A., Benjamini Y., Yekutieli D., Colacino M., Diodato L., Ramis C., Homar V., Romero R., Michaelides S., and Manes A. (2002). The paradoxical increase of Mediterranean extreme daily rainfall in spite of decrease in total values, Geophys.Res. Lett., 29, 31- 1–31-4, doi:10.1029/2001GL013554, 2002 ANRH; Behlouli, L :" Crue et inondations en Algérie » 43 p. Anterives C. (2002). Impact du changement climatique sur la ressource en eau en Région Languedoc- Roussillon. Mémoire de DEA ; Université Pierre et Marie Curie, Université Paris-Sud, École des Mines de Paris, 54 p. Anteur D., Labani A., Mederbal K. et Gliz M. (2014). Contribution à l’évaluation et à la cartographie de la sensibilité à l’érosion hydrique des sols du sous bassin versant de l’oued de Saida (Ouest de l’Algérie). European Scientific Journal September 2014 edition vol.10, No.27 ISSN: 1857 – 7881 (Print) e - ISSN 1857- 7431 Arnaud, P., Lang, M. et Lavabre, J. (1998). Comparaison des méthodes Shypre, Agregee et Qdf. Rapport Cemagref , Programme F´ed´erateur Risque. Assaba M., Laborde J.P. et Rezak S. (2013). Les effets d’une baisse de la pluviométrie sur les volumes régularisables des barrages d’Algérie. Revue scientifique et technique. LJEE N°21 et 22. Spécial colloque CIREDD’2013. Audrey Garric (2012). Les événements climatiques extrêmes, nouvelle réalité. Le Monde 27 mars 2012. Baahmed D. (2015). Bilan hydrique et évaluation des ressources en eau superficielle du bassin de la Macta. Thèse Doctorat En Sciences en Hydraulique. Université Mohamed Boudiaf d’Oran.

Bibliographie

Bacro J. (2006). Modélisations stochastiques et valeurs extrêmes. La Houille Blanche, 5 :69–73. Baillargeon S. (2005). Le Krigeage: revue de la théorie et application à l’interpolation spatiale de données de précipitations. Mémoire de Maitrise, Université Laval, Québec 2005. Barthelet P., Bony S., Braconnot P., Braun A., Cariolle D., Cohen-Solal E., Dufresne J-L., Delécluse P., Déqué M., Fairhead L., Filiberti M.-A., Forichon M., Grandpeix J-Y., Guilyardi E., Houssais M.-N., Imbard M., Le Treut H., Lévy C., Li Z.X., Madec G., Marquet P., Marti O., Planton S., Terray L., Thual O. et Valcke S. (1998). Simulations couplées globales des changements climatiques associés à une augmentation de la teneur atmosphérique en CO2. C. R. Acad. Sci. Paris, Ser. IIa 326, 677–684. Bates J. J., Jackson D. L., Bréon F.-M. and Bergen Z. D. (2008). Variability of tropical upper tropospheric humidity 1979-1998. J. Geophys. Res., 106, 32,271.32,281. Beloulou L. (2008). Vulnérabilité aux inondations en milieu urbain. Cas de la ville de Annaba (Nord- Est Algérien). Thèse de Doctorat d’Etat. UniversitéBadji Mokhtar-Annaba. Beniston M. and Stephenson, D. (2004).Extreme climatic events and their evolution under changing climatic conditions.Global and Planetary Change, 44 :1–9. Bensaber A. (1989). Pratique des chroniques et la prévision à court terme (méthodes + programmes). Ed. Masson. Benzater B. (1992). Détermination des cycles pluviométriques dans la région de Mascara, Thèse d'Ingéniorat, Centre Universitaire de Mascara. Benzater B. (1996). Etude hydrologique du bassin versant de l’oued El Hammam. Mémoire magister, centre universitaire de Mascara. Benzater B., Elouissi A., Benaricha B. et Habi M. (2019). Spatio-temporal trends in daily maximum rainfall in northwestern Algeria (Macta watershed case, Algeria). Arabian Journal of Geosciences (2019) 12: 370 https://doi.org/10.1007/s12517-019-4488-8. Berger A. L. (1978): Long-term variations of daily insolation and Quaternary climatic changes, J. Atmos. Sci. 35, 2362–2367. Bernier J. (1956). Sur l’application des diverses lois limites des valeurs extrêmes aux débits de crue. La Houille blanche, N°5 :718-725. Berolo W. et Laborde J. P. (2003). Statistiques des précipitations journalières extrêmes sur les Alpes- Maritimes. Université Sophia Antipolis. Nice. Notice explicative de la carte au 1/200 000 et de ses annexes. Berthelot A (2008). Diffusion spectrale et rétrécissement par le mouvement dans les boîtes quantiques. Thèse de Doctorat. Université Paris VI, Paris

Bibliographie

Boer, G., (1993). Climate change and the regulation of the surface moisture and energy budgets, Climate Dynamics, 8, 225–239. Boucefiane A. (2017). Analyse statistique des pluies journalières dans la région steppique de l’Ouest Algérien. Thèse de Doctorat en Sciences. Université des Sciences et de la Technologie d’Oran Mohamed BOUDIAF. Boudevillain B., S. Argence, C. Claud, V. Ducrocq, B. Joly, A. Joly, D. Lambert, O. Nuissier, M. Plu, D. Ricard (2009). «Projet cyprim, partie i : Cyclogenèses et précipitations intenses en région méditerranéenne : origines et caractéristiques», La Météorologie, vol. 66. Bozec A. (2006). La Circulation Thermohaline de la Mer Méditerranée sous des Climats Présent et Futur. Thèse de Doctorat. UNIVERSITE PIERRE ET MARIE CURIE - PARIS VI - ´ THESE Spécialité : Océanographie Physique. Braconnot P., Dufresne J.-L., Salas y Mélia D., et L. Terray (2007). Analyse et modélisation du changement climatique. 2ème édition du Livre blanc Escrime. Brands, S., J. Taboada, A. Cofino, T. Sauter et C. Schneider (2011). Statistical downscaling of daily temperatures in the NW Iberian Peninsula from global climate models: Validation and future scenarios, Climate Research 48, pp. 163-176. DOI : 10.3354/cr00906 Brunetti M. and al. (2012). High-resolution analysis of daily precipitation trends in the central Alps over the last century. Int. J. Climatol. 32: 1406–1422 (2012). Brunetti M. and al. (2005). Temperature and precipitation variability in Italy in the last two centuries from homogenized instrumental time series. Int. J. Climatol. 26: 345–381 (2006). Brunetti M. and al. (2001).Changes in total precipitation, rainy day and extreme events in Northeast Italy.Int. J. Climatol. 21: 861–871 (2001) Caillat A., Dutang C., Larrieu M. V. et NGuyen T. (2008). Copule de Gumbel. Groupe de travail ISFA 3 sous la direction de Stéphane Loisel. Pp6. Caloiero T., Coscarelli R., Ferrari E. et Sirangelo B. (2016). Trends in the daily precipitation categories of Calabria (southern Italy).Procedia Engineering 162 ( 2016 ) 32 – 38. doi: 10.1016/j.proeng.2016.11.008 Cantat O. (2004). L’îlot de chaleur urbain parisien selon les types de temps. Norois, 191, 75- 102. Cantet P. (2009). Impacts du Changement Climatique sur les Pluies Extrêmes par l'Utilisation d'un Générateur Stochastique de Pluies. Thèse de Doctorat Université de Montpellier II. Carvalho, J. R. P.; Assad, E. D.; Oliveira, A. F.; Pinto, H. S (2014).Annual maximum daily rainfall trends in the Midwest, southeast and southern Brazil in the last 71 years.Weather and Climate Extremes, v. 5–6, p. 7-15, 2014.http://dx.doi.org/10.1016/j.wace.2014.10.001.

Bibliographie

Cattiaux J. (2010). Extrêmes de température en Europe : mécanismes et réponses au changement climatique. Thèse de Doctorat. Université Pierre et Marie Curie. Cetin M., Kalayci Onac A., Sevik H., Canturk U. & Akpinar H. (2018a).Chronicles and geoheritage of

the ancient Roman city of Pompeiopolis: a landscape plan. Arabian Journal of Geosciences (2018)

11: 798 https://doi.org/10.1007/s12517-018-4170-6.

Cetin M., Zeren I., Sevik H., Cakir C., Akpinar H. (2018b).A study on the determination of the natural

park’s sustainable tourism potential. Environ Monit Assess (2018) 190: 167

https://doi.org/10.1007/s10661-018-6534-5.

Chaouche K., Hubert P. and Lang G. (2002). Graphical characterisation of probability distribution tails. Stochastic Environmental Research and Risk Assessment, vol. 16 n° 5, p. 342-357. DOI : 10.1007/s00477-002-0111-7 Chaouche, Keltoum, Luc Neppel, Claudine Dieulin, Nicolas Pujol, Bernard Ladouche, Eric Martin, Dallas Salas and Yvan Caballero (2010). Analyses of precipitation, Temperature and Evapotranspiration in a French Mediterraneén Region in the context of Climate Change. Comptes rendus Geoscience 342, n°3 (March 2010): 234-43. doi: 10.1016/j.crte.2010.02.001. Chourghal N., Lhomme J. P., Huard F. and Aidaoui A. (2015).Climate change in Algeria and its impact on durum wheat.https://doi.org/10.1007/s10113-015-0889-8Regional Environmental Change August 2016, Volume 16, Issue 6, pp 1623–1634. Coles S. et Pericchi, L. (2003). Anticipating catastrophes through extreme value modelling.Journal of the Royal Statistical Society. Series C : Applied Statistics, 52(4):405–416. Coles S. (2001). An introduction to Statistical Modeling of Extreme Values.Springer-Verlag, Heidelberg, Germany, 2001. Colin J. (2011). Etude des évènements précipitants intenses en Méditerranée : approche par la modélisation climatique régionale. Thèse de Doctorat. Université de Toulouse, 2011. Collins M., Knutti R., Arblaster J., Dufresne J., Fichefet T., Friedlingstein P., Gao X., Gutowski W., Johns T., Krinner G., Shongwe M., Tebaldi C., Weaver A. and Wehner M. (2013). Long-term climate change : Projections, com- mitments and irreversibility. In T. Stocker, D. Qin, G. Plattner, M. Tignor, S. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex, and P. Midgley, editors, Climate Change 2013 : The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, chapter 12, pages 1029– 1136. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA.

Bibliographie

Coulibaly, P.; Dibike, Y.B. (2005).Downscaling precipitation and temperature with temporal neural networks. Am. Meteorol. Soc. 2005, 6, 483–496. [CrossRef]. Cubasch, U., J. Waszkewitz, G. Hegerl et J. Perlwitz (1995). Regional climate changes as simulated in time-slice experiments, Climatic Change 31 : 273-304. DOI : 10.1007/BF01095150 Cunnane C. (1978). Unbiased plotting positions-a review. Journal of Hydrology.37, 205-222. DPC (Direction de Protection Civil) (2000). Problématique de l’inondation de Sidi Bel Abbès. Déqué M., Dreveton C., Braun A., Cariolle D. (1994). The ARPEGE/ IFS atmosphere model: a contribution to the French community climate modeling. Clim. Dynam. 10, p: 249–266. Déqué, M., et al. (2007). An intercomparison of regional climate simulations for Europe: assessing uncertainties in model projections, Clim. Change, 81, 53–70, 2007 DGPC (Direction Générale de la Protection Civile) « Algérie » 2007. Bureau des risques naturels. http://www.protectioncivile.dz. Dhonneur G. (1978). Traité de Météorologie tropicale. Application au cas particulier de l'Afrique occidentale et centrale. Direction de la Météorologie, France.151 p. Djediai H. (1997). State of the surface water quality of the Macta watershed.Algerian-French Cooperation Project, 1997. - Vol. December 1997. Djerboua A. (2001). Prédétermination des pluies et crues extrêmes dans les Alpes Franco-Italiennes Prévision quantitative des pluies journalières par la méthode des Analogues. Thèse de Doctorat en Mécanique des Milieux Géophysiques et Environnement. Institut National Polytechnique de Grenoble. Dodge Y. et Rousson V. (2004).Analyse de régression appliquée. Dunod, 2004. Pp 107. D’Oria M., Ferraresi M., Tanda M. G. (2017).Tanda Historical trends and high-resolution future climate projections in northern Tuscany (Italy).Journal of Hydrology 555 (2017) 708–723. Droesbeke J. J. (1988). Eléments de statistique. Ed. Univ. de Bruxelles, Belgique. Duband D., 1997-1998 : HYDROLOGIE APPROFONDIE. Polycopié, INPG-ENSHMG, 1997-1998. Elmeddahi Y. (2016). Les changements climatiques et leurs impacts sur les ressources en eau, cas du bassin du Cheliff. Thèse de Doctorat Es-SciencesUniversité Hassiba Ben Bouali – Chlef. Elouissi A., Habi M., Benaricha B. & Boualem S. (2017). Climate change impact on rainfall spatio- temporal variability (Macta watershed case, Algeria).Arabian Journal of Geosciences ISSN 1866- 7511 Volume 10 Number 22. Elouissi A., Zekai Şen & Habi M. (2016). Algerian rainfall innovative trend analysis and its implications to Macta watershed.Arabian Journal of Geosciences. Elouissi A. (2016). Changement climatique, impacts et vulnérabilité. Cas du bassin versant de la Macta. Thèse de Doctorat Es-Sciences. Université Aboubakr Belkaïd – Tlemcen.

Bibliographie

Feyissa G., Gete Zeleke ID, Bewket W., Gebremariam E. (2018). Downscaling of Future Temperature and Precipitation Extremes in Addis Ababa under Climate Change.Climate 2018, 6, 58; doi:10.3390/cli6030058 www.mdpi.com/journal/climate. Ferrer J. P. (1992). Analyse statistique de pluies maximales journalières. Comparaison de différentes méthodes et application au bassin Guadalhorce, Espagne. Hydol. Continent., Vol.7, N°1, pp.23-31. Fiala T., Ouarda T. B. M. et Hladny J. (2010). Evolution of low flows in the Czech Republic.Journal of Hydrology 393(3–4), 206–218. Fiordaliso A. (1999). Systèmes Flous et Prévision de Séries Temporelles, Paris: Hermès Science Publication, 1999. Fisher R. and Tippett L. (1928).Limiting forms of the frequency distributions of the largest or smallest number of a sample. Proceeding of the Cambridge Philosophical Society, 24 :180–190. Flato G., Marotzke J., Abiodun B., Braconnot P., Chou S., Collins W., Cox P., Driouech F., Emori S., Eyring V., Forest C., Gleckler P., Guilyardi E., Jakob C., Kattsov V., Reason C., and Rummukainen M. (2013). Evaluation of climate models.In T. Fontaine B., Janicot S., Moron V., Roucou P., Trzaska S., (1998). Anomalie de température de surface de la mer et précipitations tropicales. In: La Météorologie, 8e série, n°23, 14-34. Fox-Rabinovitz M.S., Cote J., Dugas B., Déqué M., McGregor J.L., Belochitski A. (2008). Stretched- grid Model Intercomparison Project: decadal regional climate simulations with enhanced variable and uniform-resolution GCMs. Meteorology and Atmospheric Physics 100: 159-177 Frich P., Alexander L., Della-Marta P., Gleason B., Haylock M., Klein Tank A. and Peterson T. (2002). Observed coherent changes in climatic extremes during the second half of the 20th century. Climate Research, 19 :193–212. Gao, X., Pal, J., and Giorgi, F. (2006). Projected changes in mean and extreme precipitation over the Mediterranean region from a high resolution double nested RCM simulation. Geophysical Research Letters, 33(L03706) :doi : 10.1029/2005GL024954. Giannakopoulos G., Karkaletsis V., Vouros G. (2008). Summarization system evaluation revisited: N- gram graphs. Journal ACM Transactions Speech and Language Processing (TSLP). Volume 5 Issue 3, Octobre 2008. doi>10.1145/1410358.1410359. Gibelin, A. and Déqué, M. (2003).Anthropogenic climate change over the Mediterranean region simulated by a global variable resolution model.Climate Dynamics, 20 :327– 339. Giorgi F., Jones C et Asrar G. (2009). L’expérience CORDEX: répondre aux besoins d’information climatologique à l’échelle régionale. ONM. Bulletin Eau – Climat – Eau. Volume 58 (3). Juillet 2009.

Bibliographie

Glueck, M.F. et C.W. Stockton (2001). Reconstruction of the North Atlantic Oscillation, 1429-1983, International Journal of Climatology 21(12) : 1453-1465. Gnedenko B. (1943). Sur la distribution limite du terme maximum d’une s’erie al’eatorire. Ann.Math., 44 :423–453. Gosain A. K., Sandhya Rao and Debajit Basuray (2006). Climate Change Impact Assessment on Hydrology of Indian River Basins. https://www.researchgate.net/publication/237268322 Goubanova Katerina (2007). Une étude des événements climatiques extrêmes sur l’Europe et le bassin Méditerranéen et de leur évolution future. Thèse de Doctorat Université de Paris6. Gratton Y. (2002). Le Krigeage : la méthode optimale d’interpolation spatiale. Les articles de l’Institut d’Analyse Géographique, www. iag.asso.fr. Groisman, P. Y., Knight, R. W., Easterling, D. R., Karl, T. R., Hegerl, G. C. and Razuvaev, V. N. (2005). Trends in intense precipitation in the climate record. Journal of Climate 18 1326–1350. Guilyardi E, Madec G (1997). Performance of the OPA/ARPEGET21 global oceanatmosphere coupled model, Clim. Dynam.13 , 149–165 Hagemann S., Chen C., Clark D. B., Folwell S., Gosling S. N., Haddeland I., Hanasaki N., Heinke J., Ludwig F., Voß F., and Wiltshire A. J. (2013). Climate change impact on available water resources obtained using multiple global climate and hydrology models. Earth Syst. Dynam. Discuss., 3, 1321–1345, 2012 www.earth-syst-dynam-discuss.net/3/1321/2012/ doi:10.5194/esdd-3-1321-2012 Hallegatte S., Somot S., et Nassopoulos H. (2013). Région méditerranéenne et changement climatique, IPEMED (Institut de Prospective Economique du Monde Méditerranéen), 63 p. Hartmann D., Klein Tank A., Rusticucci M., Alexender L., Brönnimann S., Y. Charabi F.J. Dentener E. D., Eeasterling D., Kaplan A., Soden B., Thorne P., Wild M., and Zhai P. (2013). Observations : Atmosphere and surface. In T. Stocker, D. Qin, G. Plattner, M. Tignor, S. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex, and P. Midgley, editors, Climate Change 2013 : The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, chapter 2, pages 159–254. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. Helsel D. R. and Hirsch R.M (2002).Statistical methods in water resources techniques of water resources investigations. Book 4, Chapter A3. U.S. Geological Survey, 522 p. Henson R. (2008). The Rough guide to climate change. 2end Edition Rough guides, 384p. Herrera, R.G., D.G. Puyol, E.H. Martin, L.G. Presa et P.R. Rodriguez, 2001, Influence of the North Atlantic Oscillation on the Canary Islands precipitation, Journal of Climate 14(19) : 3889-3903. DOI : 10.1175/1520-0442(2001)014<3889:IOTNAO>2.0.CO;2

Bibliographie

Hertig E., Tramblay Y. (2017). Regional downscaling of Mediterranean droughts under past and future climatic conditions.Global and Planetary Change.Volume 151, April 2017, Pages 36-48. https://doi.org/10.1016/j.gloplacha.2016.10.015. Hevesi J. A. and al. (1992).Precipitation Estimation in Mountainous Terrain Using Multivariate Geostatistics. Part II: Isoyetal Maps. Journal of Applied Meteorology.Vol. 31.P677-688. Hirsch R.M., Slack J.R. and Smith R.A. (1982). Techniques of trend analysis for monthly water quality data , Water Resources Research 18(1):107-121. Hu Y., Maskey S. and Uhlenbrook S. (2012).Trends in temperature and rainfall extremes in the Yellow River source region, China. Climatic Change (2012) 110:403–429 DOI 10.1007/s10584-011-0056- 2 Huybrechts P., de Wolde J (1999). The dynamic response of the Greenland and Antarctic ice sheets to multiple-century climate warming, J. Climate 12 (8), 2169– 2188. Hydrolab (2010). Excel macros developed by JP Laborde helped by N. MOUHOUS. University of Nice.Sophia Antipolis and National center of scientific research. Ibrahim B. (2012). Caractérisation des saisons de pluies au Burkina Faso dans un contexte de changement climatique et évaluation des impacts hydrologiques sur le bassin du Nakanbé. Thèse de doctorat, Université Pierre et Marie Curie. 237p. IPCC (2013) Change Climate (2013). Edited by Thomas F. Stocker Dahe Qin, Gian-Kasper Plattner Melinda M.B. Tignor Simon K. Allen Judith Boschung, Alexander Nauels Yu Xia Vincent Bex Pauline M. Midgley and Working Group I Technical Support Unit, Working Group I Contribution to the Fifth Assessment Report of the IPCC, Summary for Policymakers. Kendall MG (1975) Rank Correlation Methods, Oxford Univ. Press, New York. IPCC (2007) Change Climate (2007). The Physical Science Basis, Contribution of Working Group I to the Fourth Assessment Report of the IPCC. Cambridge University Press, 2007. IPCC (2001). Change Climate (2001).Impacts, adaptation and vulnerability.contribution of working group ii to the third assessment report of the IPCC. Technical report, Cambridge University Press, UK, 2001. Janicot S., Fontaine B., (1993). L'évolution des idées sur la variabilité interannuelle récente des précipitations en Afrique de l'Ouest. In : La Météorologie, 8e série, n°1, 28-51 Jean M. J. (2002).Réchauffement climatique. http://fr.wikipedia.Org/wiki/Réchauffement_ climatique. Jenkinson A. F. (1955). The frequency distribution of the annual maximum (or minimum) values of meteorological elements.Q. J. Royal Meteorol. Soc., Vol. 81, N°348, pp. 158-171.

Bibliographie

Jentsch, Anke, Jürgen Kreyling and Carl Beierkuhnlein (2007). A new generation of Climate Change experiments: Events, Not Trends. Frontiers in Ecology and the Environnment 5, n°7 (Sep 2007): 365-74. doi:10.1890/1540-9295(2007)5[365:ANGOCE]2.0.CO;2. Jones P., Briffa K.R., Barnett T.P et Tett S.F.B (1988). High-resolution paleoclimatic records for the last millenium: interpretation, integration and comparison with general circulation model control- run temperatures, The Holocene 8 (4) , 455– 471. Jung Y., Shin J. Y., Ahn H. and Heo A.H. (2017). The Spatial and Temporal Structure of Extreme Rainfall Trends in South Korea. Water 2017, 9, 809; doi:10.3390/w9100809 Katz, R. W. (2002). Techniques for estimating uncertainty in climate change scenarios and impact studies. Climate Research, 20 :167–185. Keggenhoff I. and al. (2014).Trends in daily temperature and precipitation extremes over Georgia, 1971–2010. Weather and Climate Extremes 4 (2014) 75–85. Kendall M. G. (1975).Rank Correlation Methods.Charles Gri_n, London, UK, 1975. Khaldi A. (2005). Impact de la sécheresse sur le régime des écoulements souterrains dans les massifs calcaire de l’Ouest algérien "Monts de Tlemcen-Saïda". Thèse de doctorat d’état. Faculté des Sciences de la terre, de Géographie et l’Aménagement du Territoire. Université d’Oran. Khoualdia W. (2015). Contribution à l’étude de la variabilité climatique et son impact sur les ressources hydriques « cas d’oued Medjerda Nord-Est Algérie ». Doctorat en sciences.Université Badji Mokhtar Annaba. Kim I.W., Oh J., Woo S., Kripalani R. H. (2019). Evaluation of precipitation extremes over the Asian domain: observation and modelling studies. Climate Dynamics (2019) 52:1317–1342 doi.org/10.1007/s00382-018-4193-4. Kirtman B., Power S., Adedoyin J., Boer G., Bojariu R., Camilloni I., Doblas-Reyes F., Fiore A., Kimoto M., Meehl G., Prather M., Sarr A., Schär C., Sutton R., Van Oldenborrgh G., Vecchi G., and Wang H. (2013). Near-term climate change : projections and predictability. In T. Stocker, D. Qin, G. Plattner, M. Tignor, S. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex, and P. Midgley, editors, Climate Change 2013 : The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, chapter 11, pages 953–1028. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. Knippertz, P., M. Christoph et P. Speth (2003). Long-term precipitation variability in Morocco and the link to the large-scale circulation in recent and future climates, Meteorology and Atmospheric Physics 83, pp. 67-88.DOI : 10.1007/s00703-002-0561-y Kosanic A., Harrison S., Anderson K., Kavcic I. (2014). Present and historical climate variability in South West England.Climatic Change 124,221–237.

Bibliographie

Koutsoyiannis D. (2004). Statistics of extremes and estimation of extreme rainfall: II. Empirical investigation of long rainfall records.Hydrological Sciences–Journal–des Sciences Hydrologiques, 49(4) August 2004. Koutsoyiannis, D. et Baloutsos, G. (2000). Analysis of a long record of annual maximum rainfall in Athens, Greece, and design rainfall inferences. Natural Hazards, 22(1):31–51. Kreft S and David A (2014).Global Climate Risk Index 2014. Who Suffers Most from Extreme Weather Events? http://germanwatch.org/en/download/8551.pdf [28 July 2014]. Kunkel, K., Andsager, K., and Easterling, D. (1999).Long-term trends in extreme precipitation events over the conterminous United States and Canada.Journal of Climate, 12 :2515–2527. Laborde J. P. (2013). Eléments d'hydrologie de surface. Cours materials. Professeur émérite at University of Nice - Sophia Antipolis, France. Laborde J.P. (1984). Analyse des données et cartographie automatique en hydrologie : éléments d’hydrologie Lorraine. Thèse de Doctorat d’Etat, INPL, Nancy, 484 p. Laborde J.P. (1995). Les différentes étapes d’une cartographie automatique : Exemple de la Carte pluviométrique de l’Algérie du Nord. « Public. De l’AIC8 (1995) : 37-46. Lawin EA, Oguntunde PG, Lebel T, Afouda A, Gosset M (2012). Rainfall variability at regional and local scales in the Ouémé Upper Valley in European scientific journal April 2014 edition vol.10, No.11 ISSN: 1857–7881 (print) e - ISSN 1857–7431 274. Lehman Ann (2005).Jmp For Basic Univariate And Multivariate Statistics: A Step-by-step Guide. Cary, NC: SAS Press. p. 123.ISBN 1-59047-576-3. Le Treut H., Forichon M, Boucher O. and Li Z.X. (2014).Le climat change et changera. Revue l’actualité nouvelle-aquitaine science et culture, innovation. Leung L., Qian Y., Bian X., Washington W., Han J., Roads J. (2004): Mid-century ensemble regional climate change scenarios for the Western United States. Climatic Change 62: 75- 113. Lezaun, M. Matematicas de los fluidos. El clima y el tiempo. (2006). Matematica aplicada, estadistica e Investigacion Operativa. Universidad del País Vasco. Mayo-Agosto 2006. Li J., Sharma A., Evans J., Johnson F. (2018). Addressing the mischaracterization of extreme rainfall in regional climate model simulations – A synoptic pattern based bias correction approach. Journal of Hydrology 556 (2018) 901–912. Lionello, P., Malanotte-Rizzoli P. et Boscolo R. (2006). Mediterranean Climate Variability, Developments in Earth and Environmental Sciences, Elsevier Science, ISBN 9780080460796. Lopez-Moreno J. I. et al. (2011). Impact of climate evolution and land use changes on water yield in the ebro basin. Hydrol. Earth Syst. Sci., 15, 311–322, 2011.

Bibliographie

Lulu Zhang (2015). Impact of Land Use and Climate Change on Hydrological Ecosystem Services (Water Supply) in the Dryland Area of the Middle Reaches of the Yellow River.Dissertation. Faculty of environnemental sciences Dresden. Mahé, G. (1993). Les écoulements fluviaux de la façade atlantique de l'Afrique. Etude des éléments du bilan hydrique et variabilité interannuelle. Analyse des situations hydroclimatiques moyennes et extrêmes. Coll. Etudes et Thèses. ORSTOM Paris, 438 p. Mahfouf. J.F, Cariolle D, Royer J-F(1993). Simulation de l’effet d’un doublement du gaz carbonique sur l’ozone stratosphérique. C. R.Acad. Sci. Paris, Ser. II 316, p: 61–68. Malardel S. (2005). Fondamentaux de météorologie. Mannshardt-Shamseldin and al. (2010). Downscaling extremes: a comparison of extreme value distribution in point-source and gridded precipitation data. The Annals of Applied Statistics 2010, Vol. 4, No. 1, 484–502. Maplecroft (2014).Climate Change Vulnerability Index 2014.http://bit.ly/1km88bB [28 July 2014]. Maraun, D., F. Wetterhall, A. Ireson, R. Chandler, E. Kendon, M. Widmann, S. Brienen, H. Rust, T. Sauter and M. Themeßl (2010). "Precipitation downscaling under climate change: recent developments to bridge the gap between dynamical models and the end user." Reviews of Geophysics 48(3). Mariotti et al., (2002).Euro-Mediterranean rainfall and ENSO—a seasonally varying relationship. GEOPHYSICAL RESEARCH LETTERS, VOL. 29, NO. 12, 1621, 10.1029/2001GL014248, 2002 McGregor J.L., Nguyen K.C., Katzfey J.J. (2002): Regional climate simulations using a stretched-grid global model. Research Activities in Atmospheric and Oceanic Modelling Report No. 32, WMO/TD-No. 1105: 3.15-3.16. Meddi M., Hubert, P. & Bendjoudi I. (2002). Evolution du régime pluviométrique du nord-ouest de l'Algérie. (L'eau dans le bassin méditerranéen: Ressources et développement durable Monastir, Tunisie, Octobre 2002). Meddi M. et Hubert P. (2003). Impact de la modification du régime pluviométrique sur les ressources en eau du Nord-Ouest de l’Algérie. Hydrology of the Mediterranean and semi arid Regions.IAHS publication N° 278. Meddi M., Talia A. et Martin C. (2009). Évolution récente des conditions climatiques et des écoulements sur le bassin versant de la Macta (Nord-Ouest de l'Algérie). Physio-Géo [Online], Volume 3.http:// physio-geo.revues.org/686#entries. Meddi M. and Toumi S. (2013).Study of the interannual rainfall variability in northern Algeria.Revue scientifique et technique. LJEE N°23. Décembre 2013

Bibliographie

Meddi H. and Assani A. (2014).Study of Drought in Seven Algerian Plains.Arabian Journal for Science and Engineering. 39(1):339–359. Meehl G.A. et al. (2007). The WCRP CMIP3 multimodel ensemble -a new era in climate change research.Bulletin of the American Meteorological Society, 88, 1383-1394. generation of scenarios for climate change research and assessment. Nature, Vol 463, p. 747-755, 2010. Michalon N., Nassif A., Saouri T., Royer J-F., Pontikis C.-A. (1999). Contribution to the climatological study of lightning. Geophys. Res. Lett. 26, 3097–3100. Midgley G., Hughes G., Thuiller W., Drew, G., and Foden, W. (2004). Assessment of potential climate change impacts on Namibia’s plant species biodiversity, and ecosystem structure and function. Namibian National Biodiversity Programme.Directorate of Environmental Affairs. Min S. K., Zhang X., Zwiers F. W. and Hegerl G. C. (2011). Human contribution to more-intense precipitation extremes.Nature, Vol 470, 2011. Moberg A. and Jones P.D. (2004). Regional climate model simulations of daily maximum and minimum near-surface temperature across Europe compared with observed station data 1961-1990. Climate Dynamics, 23 :695_715, 2004. Morsli B. et al. (2004). Influence de l’utilisation des terres sur les risques de ruissellement et d’érosion sur les versants semi-arides du nord-ouest de l’Algérie. Sécheresse, 15 (1), 96– 104. Muller A. (2006). Comportement de la distribution asymptotique des pluies extrêmes en France. Thèse de l'Université de Montpellier II, 182 p. Muttiah R.S et Wurbs R.A (2002). Modeling the impacts of climate change on water supply reliabilities. Journal of Water International 27(3), 407–419. Navarra A. et Tubiana L. (2013). Regional Assessment of Climate Change in the Mediterranean Volume 1: Air, Sea and Precipitation and Water (Springer), 338p. Nicholson, S.E (2001). Climatic and environmental change in Africa during the last two centuries. Climate Research 17 (1), 123–144, ISSN: 0936 577X. Noake, K., D. Polson, G. Hegerl, and X. Zhang (2012). Changes in Seasonal Land Precipitation During the Latter Twentieth-century. Geophys. Res. Lett., 39, L03706. doi: 10.1029/2011GL050405. Notre planète info. (2014). http://www.notreplanete.info/actualites/actu_2569_academie_sciences_ rechauffement_climati que.php le 21/04/2014. Oki, T. [2006].“Global Hydrological Cycles and World Water Resources”.Science. Vol. 313. no. 5790, p. 1068–1072. ONERC, (2018). Les événements météorologiques extrêmes dans un contexte de changement climatique. Rapport au Premier ministre et au Parlement.

Bibliographie

Onibon H. and al. (2004). Analyse fréquentielle régionale des précipitations journalières maximales annuelles au Québec, Canada. Hydrological Sciences–Journal–des Sciences Hydrologiques, 49 (4) août. Ouarda T.B.M.J, Charron C, Niranjan Kumar K, Marpu PR, Ghedira H, Molini A et Khayal I. (2014). Evolution of the rainfall regime in the United Arab Emirates.Journal of Hydrology 514, 258–270. Oudar T. (2016). Réponse de la circulation atmosphérique aux forçages anthropiques : des modes annulaires aux d’epressions synoptiques. DOCTORAT DE L’UNIVERSIT´E DE TOULOUSE. Paeth H., Steger C., Li J., Pollinger F. Mutz S. G. Ehlers T. (2009). Comparison of climate change from Cenozoic surface uplift and glacial-interglacial episodes in the Himalaya-Tibet region: Insights from a regional climate model and proxy data. Global and Planetary Change.Volume 177, June 2019, Pages 10-26. https://doi.org/10.1016/j.gloplacha.2019.03.005. Pall, P., Aina, T., Stone, D. A., Stott, P. A., Nozawa, T., Hilberts, A. G. J., Lohm Global and lanetary Change. Volume 177, June 2019, Pages 10-26 ann, D., & Allen, M. R. (2011). Anthropogenic greenhouse gas contribution to flood risk in England and Wales in autumn 2000. Nature, 470(7334), 382–385. Palutikof, J. and Holt, T. (2004). Climate change and the occurrence of extremes : some implicationsfor the mediterranean basin. In E., M., editor, Environmental Challenges in the Mediterranean 2000-2050, pages 61–73. Kluwer Academic Publishers. Panthou G. (2013). Analyse des extrêmes pluviométriques en Afrique de l’Ouest et de leur évolution au cours des 60 dernières années. Thèse de Doctorat. Université de Grenoble. Parrenin F. (2002). Datation glaciologique des forages profonds en Antarctique et modélisation conceptuelle des paléoclimats : implications pour la théorie astronomique des paléoclimats, thèse de doctorat. Université Joseph Fourier. Grenoble, France, 310p. Petit M. (2001). L’humanité face à l’effet de serre additionnel qu’elle Crée. Earth and Planetary Sciences. 333, 775–786. PNUD, 2009. Problématique du secteur de l’eau et impacts liés au climat en Algérie. Polade S. D., Pierce D. W., Cayan D. R., Gershunov A. & Dettinger M. D. (2014). The key role of dry days in changing regional climate and precipitation regimes.Scientific Reports volume4, Article number: 4364 (2014) Polson, D., G. C. Hegerl, X. Zhang, and T. J. Osborn (2013).Causes of Robust Seasonal Land Precipitation Changes.J. Climate, 26, 6679–6697. doi: 10.1175/JCLI-D-12-00474.1. Preece D.A. (1976). Le problème des données manquantes. University of Kent.Grande Bretagne. Pruski, F., & Nearing, M. (2002). Climate induced changes in erosion during the 21st century for eight US locations. Water Resources Research 38, 34-31-34-11.

Bibliographie

Pujol N., Neppel L., and Sabatier R. (2007). Regional tests for trend detection in maximum precipitation series in the french mediterranean region. Hydrol. Sci. J, 52(5) :956_973, 2007. Reiser H., Kutiel H. (2010). Rainfall uncertainty in the Mediterranean: time series, uncertainty, and extremes, Theor. Appl. Climatol. 104 (2010) 357– 375. Renard B. (2006). Détection et prise en compte d'éventuels impacts du changement climatique sur les extrêmes hydrologiques en France. PhD thesis, INP Grenoble, septembre 2006. Rezak S. (2014). Hydrologie algérienne : Synthèse des apports de crues sur SIG. Thèse de Doctorat Es-Sciences. Université des Sciences et de la Technologie d’Oran Mohamed BOUDIAF. Rhein, M., S.R. Rintoul, S. Aoki, E. Campos, D. Chambers, R.A. Feely, S. Gulev, G.C. Johnson, S.A. Josey, A. Kostianoy, C. Mauritzen, D. Roemmich, L.D. Talley and F. Wang, 2013: Observations: Ocean. In: Climate Change 2013: The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Stocker, T.F., D. Qin, G.-K. Plattner, M. Tignor, S.K. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex and P.M. Midgley (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. Ricard, D., Ducrocq V. et Auger L. (2012). «A climatology of the mesoscale environment associated with heavily precipitating events over a northwestern mediterranean area», Journal of Applied Meteorology and Climatology, vol. 51, no 3, p. 468–488. Rose A. (2014). La comptabilité des émissions de gaz à effet de serre par enjeu : un outil d’analyse des impacts du changement climatique sur les activités d’une banque de financement et d’investissement. Thèse de Doctorat. UNIVERSITE PARIS-DAUPHINE (PARIS 9) ECOLE DOCTORALE DE DAUPHINE (ED543). Sánchez, E., Gallardo, C., Gaertner, M., Arribas, A., and Castro, M. (2004). Future climate extreme events in the Mediterranean simulated by a regional climate model : a first approach. Global and Planetary Change, 44 :73–81. Saplıoğlu Kemal (2015). A new methodology for trend analysis: A case study in Burdur and Isparta, Turkey. Fresenius Environmental Bulletin · October 2015. P3343-3351. Sauerborn, P., Klein, A., Botschek, J., & Skowronek, A. (1999). Future rainfall erosivity derived from large-scale climate models: methods and scenarios for a humid region. Elserver, geoderma 93 (1999), pp 269-273. Schilling, Janpeter, Korbinian P. Freier, Elke Hetig and Jürgen Scheffran.(2012). Climate Change, Vulnerability and adaptation in North Africa with Focus on Morocco.Agriculture, Ecosystems & Environment 156 (2012) 12-26.

Bibliographie

Sebastien L., (2006). Humains et non-humains en pourparlers : l’Acteur en 4 Dimensions Proposition théorique et méthodologique transdisciplinaire favorisant l’émancipation de nouvelles formes de gouvernances environnementales Application au domaine de l’eau sur trois territoires : la Plaine du Forez, les pentes du Kilimandjaro et les Barthes de l’Adour. Thèse de Doctorat. Université Jean Monne de Saint-Etienne. Şen Z. (2012). Innovative trend analysis methodology. J Hydrol Eng 17(9): 1042–1046 Şen Z., A. Al Alsheikh; A. S. A. M. Alamoud; A. A. Al-Hamid; A. S. El-Sebaay; and A. W. Abu- Risheh (2012). Quadrangle Downscaling of Global Climate Models and Application to Riyadh.Journal of irrigation and drainage engineering © ASCE / October 2012. Şen Z. (2014).Trend Identification Simulation and Application. J. Hydrol. Eng., Vol. 19, No. 3: pp. 635-642. Shang H. and al. (2011).Trend analysis of extreme precipitation in the Northwestern Highlands of Ethiopia with a case study of Debre Markos.Hydrol. Earth Syst. Sci., 15, 1937–1944, 2011. Shindell D., G. Myhre, O. Boucher, P. Forster, F.M. Breon, J. Fuglestvedt. (2013). Climate change 2013: The physical science baisis. Chapter 8: Radiative Forcing in the AR5. Working group I. Contribution to the IPCC fifth assessment report (AR4). Siegel S. and Castellan Jr. J. (1988).Nonparametric Statistics for the Behavioral Sciences.McGraw-Hill Inc., Second Edition, 1988. Pp 243. Sighomnou D. (2004). Analyse et définition des régimes climatiques et hydrologiques du Cameroun : Perspectives d’évolution des ressources en eau. Thèse de Doctorat d’Etat és-Sciences Naturelles. Université de Yaoundé. Sillmann J., Kharin V. V., Zwiers F. W., Zhang X., and Bronaugh D. (2013). Climate extremes indices in the cmip5 multimodel ensemble : Part 2. future climate projections. Journal of Geophysical Research : Atmospheres, 118(6), 2473–2493. Singleton A., Toumi R. (2013).Super-Clausius-Clapeyron scaling of rainfall in a model squall line, QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY, Vol: 139, Pages: 334-339, ISSN: 0035-9009 Sinha K., Vijendra Rao R. & Deepak M. S. (2017). Influence of climate on the total vessel lumen area in annual rings of teak (Tectona grandis L.f.) from Western Ghats of Central Karnataka, India. Sisson A. A., Perrichi L. R. and Coles S. G. (2006).A case for a reassessment of the risks of extreme hydrological hazads in the Caribbean.Stocchastic Environmental Research and Risks Assessment. Vol. 20, N° 4, pp. 296-306. Sircoulon J., 1987. Variation des débits des cours d'eau et des niveau des lacs en Afrique de l'Ouest depuis le début du 20ème siècle. In : The influence of Climate change and climatic variability on

Bibliographie

the hydrologic regime and water resources. (Proc. of Vancouver Symposium, August 1987). IAHS publ. N° 168, 13 - 25. Solman S.A (2013). Regional climate modeling over South America: a review. Advances in Meteorology, 1–13. Somot S., Sevault F., Déqué M. et Crépon M. (2008). 21st century climate change scenario for the Mediterranean using a coupled atmosphere-ocean regional climate model. Glob Planet Change 63(2–3),112–126. doi: 10.1016/j.gloplacha.2007.10.003 Stocker, D. Qin, G. Plattner, M. Tignor, S. Allen, J. Boschung, A. Nauels, Y. Xia, V. Bex, and P. Midgley, editors, Climate Change 2013 :The Physical Science Basis. Contribution of Working Group I to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change, chapter 9, pages 741–866. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA. Sultan B., Servat E., Maley J., Mahé G., (2001). Interrelation entre les forêts tropicales et la variabilité climatique : une synthèse des études récentes. Sécheresse, Vol. 12 ; n°4, Dec. 2001: 221-229. Sylvestre F., Servant-Vildary S. and Servant M. (1998). The last glacial maximum (21000-17000 14C yr BP) in the southern tropical Andes (Bolivia) based on diatom studies, Comptes Rendus de l’Academie des Sciences Series IIA Earth and Planetary Science 327(9), 611–618. Terêncio, D.P.S., Sanches Fernandes, L.F., Cortes, R.M.V., Pacheco, F.A. L. (2017). Improved

framework model to allocate optimal rainwater harvesting sites in small watersheds for agro-

forestry uses. Journal of Hydrology 550, 318-330.

Terêncio, D.P.S., Sanches Fernandes, L.F., Cortes, R.M.V., Moura, J.P., Pacheco, F.A. L. (2018).

Rainwater harvesting in catchments for agro-forestry uses: A study focused on the balance between

sustainability values and storage capacity. Science of Total Environment 613-614, 1079-1092.

Terray L, Thual O, Belamari S, Déqué M, Dandin P, Delécluse P, Lévy C (1995). Climatology and interannual variability simulated by the ARPEGE–OPA coupled model. Clim. Dynam. 11, 487– 505. Teutschbein C. (2013). Hydrological Modeling for Climate Change Impact Assessment.Stockholm University. Timbal B, Hope P, and S. Charles (2008). Evaluating the consistency between statistically downscaled and global dynamical model climate change projections, J. Climate, 21, 6052{6059, 2008. Tomas J. (2014). Gestion des risques naturels et changement climatique : Les challenges des actuaires. Bulletin français d’Actuariat, Vol. 14, n° 28, juillet – décembre 2014, pp. 5-105

Bibliographie

Todorovic P. and Zelenhasic, E. (1970).A stochastic model for flood analysis. Water Resources Research, 6 :1641–1648. Tramblay Y., El Adlouni S. and Servat E. (2013).Trends and variability in extreme precipitation indices over Maghreb countries. Nat. Hazards Earth Syst. Sci., 13, 3235–3248. Trenberth K. E., Fasullo, J.T.; Shepherd, T.G. (2015).Attribution of climate extreme events. Nat. Clim. Chang. 2015, 5, 725–730. [CrossRef] Trenberth K. E. (2011). Changes in precipitation with climate change. CLIMATE RESEARCH Clim Res. Vol. 47: 123–138, 2011 doi: 10.3354/cr00953. Trenberth K. E. (2009). Comprendre le climat mondial. Météo France. Trenberth, K. E., A. Dai, R. M. Rasmussen, and D. B. Parsons, (2003).The changing character of precipitation, Bulletin of American Meteorological Society, 84, 1205–1217. Trenberth K. E. et Caron, J. M. (2001). Estimates of meridional atmosphere and ocean heat transports. Journal of Climate, 14(16):3433–3443. Trigo et al. (2004).North Atlantic Oscillation Influence on Precipitation, River Flow and Water Resources in the Iberian Peninsula.International Journal of Climatology 24(8):925 - 944 · June 2004 DOI: 10.1002/joc.1048 Trigo R., Osborn, T., and Corte-Real J. (2002). The North Atlantic oscillation in_uence1 on Europe : climate impacts and associated physical mechanisms. Climate Research, 20 :9.17.Vandiepenbeeck M., 1998 : El Niño : l’enfant terrible du pacifique. Ciel et Terre, 114(2), pp 52-56. Vandiepenbeeck, M. (1998).On a Recent Urban Effect in the time Series of the Temperature in Different Stations in Belgium.In Proceedings of the 2nd European Conference on Applied Climatology, 19-23 October 1998. Von Storch, H. (1999). "On the Use of “Inflation” in Statistical Downscaling." Journal of Climate 12 (12): 3505-3506. Wang, C., 2004. ENSO, Atlantic climate variability, and the Walker and Hadley circulations. The Hadley Circulation : Past, Present and Future (H.F. Diaz and R.S. Bradley, Eds.), Advances in Global Change Research, Kluwer academic publisher, Dordrecht, The Netherlands, volume 21, 85– 120. Ward, M.N., P.J. Lamb, D.H. Portis, M. El Hamly et R. Sebbari, (1999). Climate Variability in Northern Africa: Understanding Droughts in the Sahel and the Maghreb, dans : Navarra A, ed. Beyond El Niño : Decadal and Interdecadal Climate Variability. Berlin : Springer Verlag Weisse K. A. (1998). Etude des précipitations exceptionnelles de pas de temps court en relief accidenté (Alpes françaises) - Méthode de cartographie des précipitations extrêmes. Thèse de Doctorat, LTHE - INPG, Grenoble, 314 p.

Bibliographie

Wenju Cai, Guojian Wang, Boris Dewitte, Lixin Wu, Agus Santoso, Ken Takahashi, Yun Yang, Aude Carréric & Michael J. McPhaden (2018). Increased variability of eastern Pacific El Niño under greenhouse warming. Nature volume 564, pages201–206 (2018) Westmacott, J. R. and Burn, D. H. (1997).Climate change effects on the hydrologic regime within the Churchill-Nelson River Basin, J. Hydrol., 202, 263–279, 1997. Westra Seth et al. (2013). Global Increasing Trends in Annual Maximum Daily Precipitation.3904 Journal of climate Volume 26. White, W. R. (1999). Water in rivers; Flooding, World Water Vision.Document de réflexion. IAHR. 21 p. Wilby, R. L. and T. M. L. Wigley (1997).Downscaling general circulation model output : a review of methods and limitations, Prog. Phys. Geogr., 21, 530–548. Wilby, R. (2005). Constructing wet season precipitation scenarios for a site in the Anti Atlas Mountains, Morocco. Paper presented at Proc. Conf. on Optimizing Land and Water Resources in Arid Environments. Wilby, R. (2007). Decadal climate forecasting techniques for adaptation and development planning: a briefing document on available methods, constraints, risks and opportunities. Department for International Development, UK. Wilhelmi O.V. and Wilhite D. A. (2002).Assessing vulnerability to agricultural drought: A Nebraska case study. Nat. Hazards 2002, 25, 37–58. [CrossRef]. Wilks D. S. and Cember R. P. (1993).Atlas of Precipitation Extremes for the Northeastern United States and Southeastern Canada.Northeast Regional Climate Center Research Series. Wu H., Li X. and Qian H. (2018). Detection of Anomalies and Changes of Rainfall in the Yellow River Basin, China, through Two Graphical Methods. Water 2018, 10, 15; doi:10.3390/w10010015. Xoplaki et al. (2002).Wet season Mediterranean precipitation variability: influence of large-scale dynamics and trends. Yahiaoui A. (2012). Inondations Torrentielles Cartographie des Zones Vulnérables en Algérie du Nord (Cas de l’oued Mekerra, Wilaya de Sidi Bel Abbès). Thèse de Doctorat. Ecole Nationale Polytechnique. Yue S., Pilon P. and Cavadias G. (2002).Power of the Mann-Kendall and Spearman’s rho tests for detecting monotonic trends in hydrological series. Journal of Hydrology 259(1–4),254–271. Zalina and al. (2002).Selecting a probability distribution for extreme rainfall series en Malaysia.Water Science & Technology · February 2002. Zegdou M. (2003). Les crues de l’oued Mékérra, leur impact sur la ville de Sidi Bel Abbes et les moyens de protection, mémoire d’ingéniorat, centre universitaire de Mascara.

Bibliographie

Zhang, G., Nearing, M., & Liu, B. (2005). Potential effects of climate change on rainfall erosivity in the Yellow River basin of China. Transactions of the ASAE 48, 511-517. Zhang Y., Rossow W. B., Stackhouse J. P., Romanou ;A. and Wielicki B. A. (2007). Decadal variations of global energy and ocean heat budget and meridional energy transports inferred from recent global data sets. Zhang, X., F. Zwiers, G. C. Hegerl, F. H. Lambert, N. P. Gillett, S. Solomon, P. A. Stott, and Nozawa. T, (2007).Detection of Human Influence on Twentieth-century Precipitation Trends. Nature, 448, 461–465. Zhang, Y.G., Nearing, M., Zhang, X.C., Xie, Y., & Wei, H. (2010). Projected rainfall erosivity changes under climate change from multimodel and multiscenario projections in Northeast China. Journal of Hydrology 384: 97-106. (http://www.pensee-unique.fr/oceans.html le 22/04/2014).