Infodoc : Sciences, Techniques et Culture

Le mil (Pennisetum glaucum) est une des principales cultures vivrières des exploitations familiales dans le bassin arachidier du Sénégal. Ainsi, dans un contexte de changement climatique, d’augmentation de la population, estimer le rendement du mil permet de prendre des décisions de gestions durables (e.g. date de plantation, quantité de fertilisation) et de suivre les stocks disponibles régionalement. Cette étude aura donc pour objectif d’améliorer l’estimation du rendement du mil à l’aide de données récoltées sur un réseau de parcelles paysannes en 2018 et 2019. Premièrement, nous avons calibré le modèle STICS pour le mil. Puis, nous avons assimilé des données de LAI dérivées de la télédétection dans ce modèle de culture avec la méthode du forçage. Le modèle calibré a une faible err[...]

Le mil (Pennisetum glaucum) est une des principales cultures vivrières des exploitations familiales dans le bassin arachidier du Sénégal. Ainsi, dans un contexte de changement climatique, d’augmentation de la population, estimer le rendement du mil permet de prendre des décisions de gestions durables (e.g. date de plantation, quantité de fertilisation) et de suivre les stocks disponibles régionalement. Cette étude aura donc pour objectif d’améliorer l’estimation du rendement du mil à l’aide de données récoltées sur un réseau de parcelles paysannes en 2018 et 2019. Premièrement, nous avons calibré le modèle STICS pour le mil. Puis, nous avons assimilé des données de LAI dérivées de la télédétection dans ce modèle de culture avec la méthode du forçage. Le modèle calibré a une faible erreur de prédiction du rendement en grain observé (relative Root Mean Squared Error (RRMSE) = 17%) dans les parcelles expérimentales en station. Nos résultats montrent que l’estimation du rendement du mil sur la centaine de parcelles paysannes suivies n'a pas été améliorée(RRMSE > 30 %) par l’assimilation de données dérivées de la télédétection. Nous discutons les opportunités pour améliorer la méthode d’assimilation pour l’intégration dans STICS et le suivi de la production du mil à l'échelle régionale.


Millet (Pennisetum glaucum) is hone of the main food crops grown on family farms in the groundnut basin of Senegal. Tus, in a context of climate change and population increase, estimating millet yields allows sustainable management decisions to be made (e.g. plantingdate, amount of fertilizer) and to monitor the stocks available regionally. This study will aim to improve millet yield estimation using data collected on a network of farmer plots in2018 and 2019. First, we calibrated the STICS model for millet. Then, we assimilated LAIdata derived from remote sensing into this crop model using the forcing method. The calibrated model had a low error of prediction of the observed grain yield (Relative RootMean Squared Error (RRMSE) = 17%) in the station experimental plots. Our results showed that the millet yield estimation on the 100 farmer plots monitored was not improved (RRMSE > 30%) by assimilation of data derived from remote sensing. We discuss opportunities to improve the assimilation method for integration into STICS and the monitoring of millet production at the regional scale.