Cette thèse cherche à étudier les relations climat/agriculture en Afrique de l'Ouest dans un contexte de croissance démographique nécessitant une augmentation des rendements agricoles futurs. Nous cherchons à caractériser dans un premier temps les changements climatiques passés et futurs dans la région, puis à passer en revue plusieurs études qui donnent une estimation de l'impact du climat futur sur les rendements agricoles de la sous-région, afin de produire des résultats robustes et de souligner les limites de ces études. La valeur médiane d'évolution des rendements futurs se situe ainsi vers -11%, et cette valeur est robuste au type de modèle agronomique employé. Il semble de plus nécessaire de travailler plus en détail sur les scénarii futurs, parfois trop limités et sur les différences entre variétés qui peuvent être importantes. Nous soulignons également l'hétérogénéité des résultats à l'échelle de la sous-région. Nous nous fondons dans un deuxième temps sur ces constatations pour réaliser une étude d'impact originale utilisant des données observées sur 35 stations météorologiques en Afrique de l'Ouest. Pour cela, nous définissons 35 scénarii possibles fondés sur cinq anomalies de pluie (de -20% à +20%) et sept de température (de +0°C à +6°C) et nous simulons les rendements pour trois variétés contrastées de mil et trois de sorgho. Les résultats montrent entre autre une évolution négative du rendement moyen principalement due à l'augmentation de température que la pluie peut seulement atténuer ou aggraver. On note également un impact plus négatif pour les variétés à cycle court et constant que pour les variétés sensibles à la photopériode. Enfin, pour une même anomalie de température, si on considère comme équiprobables les cinq scénarii de pluie, la probabilité d'avoir une forte baisse des rendements est plus importante dans le Sud de la sous-région. Les constatations sur la forte variabilité interannuelle de la pluie (et donc des rendements) et sur le climat futur incertain nous poussent donc à étudier l'intérêt pour les paysans sahéliens de prévisions climatiques saisonnières qui donnent avant le début de la saison des pluies une information sur la catégorie du cumul pluviométrique (plutôt sec, normal ou humide). Cette prévision permet ainsi de minimiser l'impact de l'aléa pluviométrique et est robuste à l'incertitude du changement climatique. Nous calculons de ce fait la valeur d'une telle information pour les cultivateurs de mil nigériens en utilisant un modèle économique représentant les stratégies des agents considérés (choix culturaux, aversion au risque...). Les résultats montrent un impact sur le revenu globalement positif, même en années sèches et avec une prévision d'une précision proche de l'existant. Ainsi, cette prévision imparfaite donne une augmentation du revenu de +6.9% sur les 18 années. Ce gain est légèrement supérieur avec une prévision parfaite (+11%) et atteint +34% si on fournit des informations supplémentaires sur le début et la fin de la saison: ces informations permettent en effet d'utiliser de nouvelles stratégies culturales. Enfin, afin d'étudier des points que l'évaluation théorique laissait en suspens nous élaborons au Sénégal des ateliers participatifs qui visent à étudier avec les acteurs locaux les changements de stratégies culturales en réaction à des prévisions climatiques (saisonnières et décadaires), ainsi que le gain engendré par ces prévisions sur les rendements. L'impact sur les rendements est évalué avec l'aide d'un expert et montre que les prévisions ont certes un effet nul dans 62% des cas, mais qu'il est positif dans 31%. Ces résultats dépendent cependant des villages étudiés.

Dans les pays du Sud ruraux et à faibles revenus, la vulnérabilité des zones agricoles pluviales, face à la variabilité pluviométrique, nécessite de trouver des solutions efficaces pour limiter les effets des aléas climatiques sur les récoltes. La prévision des caractéristiques des saisons des pluies quelque temps avant leur démarrage devrait aider à l’établissement de stratégies agricoles d’adaptation aux aléas pluviométriques. C’est à cet objectif que s’attache ce travail, appliqué à l’Afrique de l’Est (Kenya et nord de la Tanzanie), et articulé en 3 parties :- Définir et comprendre le comportement des descripteurs intra saisonniers (DIS) qui feront l’objet de l’étude de prévisibilité. Un travail spécifique a permis le développement d’une nouvelle approche méthodologique dans la manière de définir les démarrages (DSP) et fins (FSP) de saisons des pluies à l’échelle régionale. Cette approche basée sur une analyse multivariée, permet de s’affranchir des choix subjectifs de seuils pluviométriques imposés par les définitions communément utilisée en agro-climatologie. Une analyse de cohérence spatiale à l’échelle inter annuelle montre que, pour les deux saisons des pluies (long rains et short rains), le cumul saisonnier et le nombre de jours de pluie présentent une forte cohérence spatiale, tandis qu’elle est plus modérée pour le démarrage et fin des saisons et faible pour l’intensité quotidienne moyenne.- Analyser la prévisibilité des DIS aux 2 échelles spatiales régionale et locale en s’appuyant sur les simulations numériques du modèle climatique global ECHAM 4.5. Les précipitations quotidiennes simulées par le modèle, même après correction des biais, ne permettent pas d’appréhender correctement la variabilité interannuelle des DIS. Une spécification de la variabilité des DSP et FSP menée par le biais de modèles statistiques construits à partir d’indices climatiques observés, présuppose une prévisibilité modérée des deux descripteurs à l’échelle locale (régionale), et cela quelle que soit la saison. Le développement de modèles statistico-dynamiques à partir des champs de vents simulés par ECHAM 4.5, en mode forcé par les températures marines observées d’une part et prévues d’autre part, montre également des performances faibles localement et régionalement. - Explorer la manière dont la variabilité spatio-temporelle des paramètres climatiques et environnementaux module la variabilité des rendements de sorgho. Ces rendements sont simulés par le modèle agronomique SARRA-H à partir de données climatiques observées (1973-2001) dans 3 stations localisées à différentes altitudes le long des pentes orientales du Mt Kenya. Le cumul précipité et la durée de la saison expliquent une part importante de la variabilité des rendements. D’autres variables apparaissent comme jouant un rôle non négligeable ; le nombre de jours de pluies, l’intensité quotidienne moyenne ou encore certains DIS relatifs à l’organisation temporelle des pluies au sein d’une saison en font partie. L’influence des autres variables météorologiques est seulement visible pour les ‘long rains’ avec une covariation négative entre les rendements et les températures maximales ou, le rayonnement global. La date de semis semble jouer un rôle dans la modulation des rendements pour les stations de haute et moyenne altitudes, mais avec des différences notables entre les deux saisons des pluies. / In Southern countries with rural low income populations, the vulnerability of rainfed agriculture to rainfall variability requires effective solutions to mitigate the effects of climatic hazards on crops. Predicting the characteristics of rainy seasons some time before they start should help the establishment of agricultural adaptation strategies to rainfall hazards. This is the objective of the present study, focused on East Africa (Kenya and northern Tanzania), and divided in three parts:- Define and document intra-seasonal descriptors (ISD) that will be considered in the predictability study. A new methodological approach has been developed in order to define the onset date (ORS) and the cessation date (CRS) of the rainy seasons at the regional level. Based on a multivariate analysis, it eliminates the subjective choice of rainfall thresholds imposed by the definitions commonly used in agroclimatology. An analysis of spatial coherence at interannual time-scale shows that for the two rainy seasons ("long rains" and "short rains"), the seasonal amount and the number of rainy days have a high spatial coherence, while it is medium for the onset and cessation dates and low for the average daily rainfall intensity.- Analyze the predictability of the ISD at both regional and local scales based on numerical simulations from the global climate model ECHAM 4.5. Daily precipitation simulated by the model, even after bias correction, do not correctly capture the IDS interannual variability. A specification of the ORS and CRS variability using statistical models applied to observed climate indices, suggests quite a low predictability of the descriptors at the local (regional) scale, regardless of the season. The development of statistical-dynamical models from wind fields simulated by ECHAM 4.5, in experiments forced by either observed or predicted sea temperatures, also shows quite poor skills locally and regionally.- Explore how the space-time variability of climatic and environmental factors modulate the variations of sorghum yields. Crop yields are simulated by the agronomic model SARRA-H using observed climate data (1973-2001) at three stations located at different elevations along the eastern slopes of Mt Kenya. The seasonal rainfall accumulation and the duration of the season account for a large part of the yields variability. Other rainfall variables also play a significant role, among which the number of rainy days, the average daily intensity and some ISD related to the temporal organization of rainfall within the season. The influence of other meteorological variables is only found during the long rains, in the form of a negative correlation between yields and both maximum temperature and global radiation. Sowing dates seem to play a role in modulating yields for high and medium altitude stations, but with notable differences between the two rainy seasons.

En agriculture, la météo est le principal facteur de variabilité d’une année sur l’autre. Cette thèse vise à construire des modèles statistiques à grande échelle qui estiment l’impact des conditions météorologiques sur les rendements agricoles. Le peu de données agricoles disponibles impose de construire des modèles simples avec peu de prédicteurs, et d’adapter les méthodes de sélection de modèles pour éviter le sur-apprentissage. Une grande attention a été portée sur la validation des modèles statistiques. Des réseaux de neurones et modèles à effets mixtes (montrant l’importance des spécificités locales) ont été comparés. Les estimations du rendement de maïs aux États-Unis en fin d’année ont montré que les informations de températures et de précipitations expliquent en moyenne 28% de la variabilité du rendement. Dans plusieurs états davantage météo-sensibles, ce score passe à près de 70%. Ces résultats sont cohérents avec de récentes études sur le sujet. Les prévisions du rendement au milieu de la saison de croissance du maïs sont possibles à partir de juillet : dès juillet, les informations météorologiques utilisées expliquent en moyenne 25% de la variabilité du rendement final aux États-Unis et près de 60% dans les états plus météo-sensibles comme la Virginie. Les régions du nord et du sud-est des États-Unis sont les moins bien prédites. Le rendements extrêmement faibles ont nécessité une méthode particulière de classification : avec seulement 4 prédicteurs météorologiques, 71% des rendements très faibles sont bien détectés en moyenne. L’impact du changement climatique sur les rendements jusqu’en 2060 a aussi été étudié : le modèle construit nous informe sur la rapidité d’évolution des rendements dans les différents cantons des États-Unis et localisent ceux qui seront le plus impactés. Pour les états les plus touchés (au sud et sur la côte Est), et à pratique agricole constante, le modèle prévoit des rendements près de deux fois plus faibles que ceux habituels, en 2060 sous le scénario RCP 4.5 du GIEC. Les états du nord seraient peu touchés. Les modèles statistiques construits peuvent aider à la gestion sur le cours terme (prévisions saisonnières) ou servent à quantifier la qualité des récoltes avant que ne soient faits les sondages post-récolte comme une aide à la surveillance (estimation en fin d’année). Les estimations pour les 50 prochaines années participent à anticiper les conséquences du changement climatique sur les rendements agricoles, pour définir des stratégies d’adaptation ou d’atténuation. La méthodologie utilisée dans cette thèse se généralise aisément à d’autres cultures et à d’autres régions du monde. / In agriculture, weather is the main factor of variability between two consecutive years. This thesis aims to build large-scale statistical models that estimate the impact of weather conditions on agricultural yields. The scarcity of available agricultural data makes it necessary to construct simple models with few predictors, and to adapt model selection methods to avoid overfitting. Careful validation of statistical models is a major concern of this thesis. Neural networks and mixed effects models are compared, showing the importance of local specificities. Estimates of US corn yield at the end of the year show that temperature and precipitation information account for an average of 28% of yield variability. In several more weather-sensitive states, this score increases to nearly 70%. These results are consistent with recent studies on the subject. Mid-season maize crop yield forecasts are possible from July: as of July, the meteorological information available accounts for an average of 25% of the variability in final yield in the United States and close to 60% in more weather-sensitive states like Virginia. The northern and southeastern regions of the United States are the least well predicted. Predicting years for which extremely low yields are encountered is an important task. We use a specific method of classification, and show that with only 4 weather predictors, 71% of the very low yields are well detected on average. The impact of climate change on yields up to 2060 is also studied: the model we build provides information on the speed of evolution of yields in different counties of the United States. This highlights areas that will be most affected. For the most affected states (south and east coast), and with constant agricultural practice, the model predicts yields nearly divided by two in 2060, under the IPCC RCP 4.5 scenario. The northern states would be less affected. The statistical models we build can help for management on the short-term (seasonal forecasts) or to quantify the quality of the harvests before post-harvest surveys, as an aid to the monitoring (estimate at the end of the year). Estimations for the next 50 years help to anticipate the consequences of climate change on agricultural yields, and to define adaptation or mitigation strategies. The methodology used in this thesis is easily generalized to other cultures and other regions of the world.