Aperçu

Cette page montre le statut d’activation des déclencheurs d’Actions Anticipatoires (AA) pour le niveau national de la Mauritanie ainsi que pour quinze régions (appelées districts ici) d’intérêt pendant la saison Jul-Aug-Sep 2025, basé sur les prévisions émises en Juin.

Pour plus d’informations sur le protocole AA et son mode de mise en œuvre, cliquez sur l’onglet “Protocole AA” en haut de ce tableau de bord.

Activation au Niveau National

Activation au Niveau Régional

Considérations relatives à la carte

La carte de la Mauritanie montre uniquement les résultats des prévisions régionales. Pour les résultats au niveau national, considérez la section d’activation ci-dessus.

Tableau du Scénario Critique

Tableau du Scénario Modéré

Tableau du Scénario Faible

Accuracy Rate, Taux de Précision: mesure la proportion de prédictions correctes faites par un modèle, par rapport à l’ensemble des cas évalués.

C’est une mesure globale qui indique à quel point un modèle est “juste” dans ses prédictions. Mais, elle peut être trompeuse si les classes sont déséquilibrées (par exemple, 95% de “non” et 5% de “oui”).

• Intervalle : de 0 à 1
• Centre de référence : dépend du déséquilibre des classes
• Interprétation :
  • 0 : aucune prédiction correcte
  • ≈ 0.5 : modèle peu fiable
  • > 0.7 : bon niveau global de justesse
  • 1 : toutes les prédictions sont justes

Formule:

\[ \begin{align*} Accuracy = \frac{a + d}{a + b + c+ d} \end{align*} \]

Hit Rate (HR), Taux de Réussite: mesure la proportion des cas positifs correctement identifiés parmi tous les cas positifs réels.

C’est une mesure essentielle pour évaluer la capacité d’un modèle à capter les cas positifs. Plus ce taux est élevé, plus le modèle est efficace pour détecter les cas d’intérêt (comme une alerte météo).

• Intervalle : de 0 à 1
• Centre de référence : 1 (valeur idéale)
• Interprétation :
  • 0 : aucun événement réel détecté
  • < 0.5 : faible capacité de détection
  • ≈ 0.5 : détection correcte mais améliorable
  • > 0.5 : bon niveau de détection
  • 1 : tous les événements réels ont été détectés sans exception

Formule:

\[ \begin{align*} HR = \frac{a}{a + c} \end{align*} \]

False Alarm Ratio (FAR), Taux de Fausses Alertes: mesure la proportion des alertes émises à tort par rapport à toutes les alertes positives générées par le modèle.

Plus ce taux est faible, mieux c’est : cela signifie que les alertes émises sont généralement justifiées. Un taux élevé indique qu’on génère beaucoup de bruit inutile — ce qui peut entraîner une perte de confiance ou de vigilance face aux alertes.

• Intervalle : de 0 à 1
• Centre de référence : 0 (valeur idéale)
• Interprétation :
  • 0 : aucune fausse alerte
  • < 0.3 : très bon, peu d’alertes non fondées
  • ≈ 0.5 : la moitié des alertes sont fausses
  • > 0.5 : les alertes sont peu fiables
  • 1 : toutes les alertes sont erronées

Formule:

\[ \begin{align*} FAR = \frac{b}{a + b} \end{align*} \]

Bias Score (BS), Score de Biais: mesure la tendance systématique d’un modèle à surestimer ou sous-estimer un phénomène par rapport aux observations réelles.

Cet indicateur est très utile pour savoir si le modèl a tendance à “voir le danger partout” ou au contraire à l’ignorer trop souvent. Il ne juge pas de la précision, mais bien de l’équilibre des prévisions.

• Intervalle : 0 à ∞, parfois exprimé sur une échelle normalisée autour de 1
• Centre de référence : 1
• Interprétation :
  • < 1 : sous-prédiction – le modèle prévoit moins d’événements qu’il n’en survient en réalité
  • = 1 : prédiction parfaitement équilibrée
  • > 1 : sur-prédiction – le modèle prévoit plus d’événements qu’il n’en survient
  • Exemple: un biais de 0,7 indique une tendance à rater des événements importants, tandis qu’un biais de 1,2 révèle une tendance à générer trop d’alertes.

Formule:

\[ \begin{align*} BS = \frac{a + b}{a + c} \end{align*} \]

Hanssen-Kuipers Score (KSS), Score de Hanssen-Kuipers ou Statistique de Compétence Vraie: mesure la capacité d’un système de prévision à discriminer correctement entre les événements et les non-événements, tout en prenant en compte les bonnes prédictions et les erreurs. KSS = Hit Rate − False Alarm Rate.

• Intervalle de variation : de -1 à 1
• Interprétation :
  • -1: Prévisions complètement inverses à la réalité
  • 0 Aucune valeur ajoutée par rapport au hasard
  • 0.3 – 0.5: Modèle utile mais améliorable
  • 0.6 – 0.8: Bonne capacité de discrimination
  • 1: Prédictions parfaites (aucune erreur de classement)

Le Hanssen-Kuipers Score évalue à la fois la sensibilité (détection correcte des événements), et la spécificité (capacité à ne pas générer de fausse alerte). Il donne une mesure juste et robuste, même si les événements sont très rares ou très fréquents.

Formule:

\[ \begin{align*} KSS = HR - FAR = \frac{a}{a + c} - \frac{b}{b + d} = \frac{ad - bc}{(a + c)(b + d)} \end{align*} \]

Heidke Skill Score (HSS), Score de compétence de Heidke: mesure la qualité d’un système de prévision en comparant sa performance à celle d’un système qui prédirait au hasard.

• Intervalle de variation : de –∞ à 1, mais en pratique souvent de –1 à 1
• Interprétation:
  • < 0: Le modèle fait pire qu’un tirage au sort
  • 0: Aucune compétence (aussi bon que le hasard)
  • 0.3 – 0.5: Modèle utile mais améliorable
  • 0.6 – 0.8: Bonne capacité de prévision
  • 1: Prédictions parfaites (toutes les classes correctement identifiées)

Le HSS est utile pour évaluer l’exactitude globale d’un modèle en tenant compte du hasard, ce que ne fait pas le simple taux de justesse (accuracy). Il est donc plus pertinent dans des contextes où les classes sont déséquilibrées ou rares.

Formule:

\[ \begin{align*} HSS = \frac{2(ad - bc)}{(a + c)(c + d) + (a + b)(b + d)} \end{align*} \]

Opération du mécanisme des Actions Anticipatoires

Le mécanisme des Actions Anticipatoires est composé d’un élément prédictif et d’un élément observationnel.

Les déclencheurs prédicteurs utilisent les prévisions saisonnières des précipitations pour Juillet-Août-Septembre développées par l’IRI. Si les prévisions prévoient une saison de déficit ou la moyenne cumulative nationale de précipitation ne dépassent 30% des saisons les plus sèches, le seuil a été atteint.

Période d’évaluation

La période d’évaluation va du mois de Janvier au mois d’Août inclus. Tous les mois entre Janvier et Juin, inclus, les prévisions saisonnières sont mises à jour et une détermination du statut du déclenchement est faite. Aucune détermination n’est faite en Juillet. En Août, les précipitations des mois de Juin et Juillet sont utilisées pour déterminer si le déclenchement observationnel est atteint.

Déclenchement Prédicteur

Évaluation du déclenchement prédicteur (Janvier à Juin, inclus)

• Vérification de l’achèvement du seuil du déclencheur.
• Mise à jour de l’outil Maproom.
• Production du rapport technique
• [Délai: 22 du mois] Communication du statut du déclenchement (voir section 6)

Figure 1. Chronologie du Systeme de Déclenchement pour la saison JAS en Mauritanie

Section à déterminer, le fragment suivant est un espace réservé

Actions anticipées déclenchées au cours des mois précédents par scénario

N’oubliez pas que le système de déclenchement actuel suit les résultats au niveau national et que le niveau régional est à titre indicatif uniquement. Vous trouverez ci-dessous les mois pendant lesquels chaque scénario a été déclenché jusqu’à présent.

Paquet AA pour le déclenchement

Section à déterminer