Suivi des Prévisions – Mai 2026

Cette page présente le statut des déclencheurs d’Action Anticipatoire (AA) au Mauritania, basé sur les prévisions saisonnières de Mai 2026 pour la période juillet–août–septembre (JAS). Les résultats sont présentés au niveau national.

Selon le protocole AA 2026, l’activation repose sur au moins deux prévisions consécutives indiquant une probabilité de 30% de précipitations inférieures à la normale. Un seul mois ne déclenche pas l’action, mais peut contribuer à une activation future s’il est confirmé par la prévision suivante.

Suivi des Prévisions – Mai 2026

Selon le protocole du CERF, l’activation repose sur au moins deux prévisions consécutives indiquant une probabilité de 45% de précipitations inférieures à la normale. Un seul mois ne déclenche pas l’action, mais peut contribuer à une activation future s’il est confirmé par la prévision suivante.

Statut du Déclencheur au Niveau National

Historique des activations

Le tableau ci-dessous présente l’historique des activations par année et par mois d’émission pour la fréquence 30%. Les informations sont au niveau national.

Légende des couleurs:

• Jaune: Premier mois ayant atteint le seuil — attendre le résultat du deuxième mois
• Orange: Deuxième mois consécutif ayant atteint le seuil — activation des activités déclenchée
• Blanc: Seuil non atteint

Dernière sortie mensuelle

Le tableau dans cet onglet montre le seuil pour les fréquence 30% et 45%. Les informations sont pour le niveau national.

Statut du Déclencheur au Niveau National

• Le seuil a été atteint au niveau national.

Historique des activations

Le tableau ci-dessous présente l’historique des activations par année et par mois d’émission pour la fréquence 30%. Les informations sont au niveau national.

Légende des couleurs:

• Jaune: Premier mois ayant atteint le seuil — attendre le résultat du deuxième mois
• Orange: Deuxième mois consécutif ayant atteint le seuil — activation des activités déclenchée
• Blanc: Seuil non atteint

Lien vers le tableau de bord de conception.

Statut du Déclencheur au Niveau Régional

Historique des activations régionales

Les tableaux ci-dessous présentent l’historique des activations par année et par mois d’émission pour la fréquence 30%. Les informations sont pour les régions Assaba et Guidimagha.

Légende des couleurs:

• Jaune: Premier mois ayant atteint le seuil — attendre le résultat du deuxième mois
• Orange: Deuxième mois consécutif ayant atteint le seuil — activation des activités déclenchée
• Blanc: Seuil non atteint

Dernière sortie mensuelle

Le tableau dans cet onglet montre le seuil pour la fréquence 30%. Les informations sont pour le niveau régional.

Considérations relatives à la carte

La carte de la Mauritanie montre uniquement les résultats des prévisions régionales.

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:

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

2.1 Déclencheur prévisionnel (Fenêtre 1)

Le déclenchement est atteint si :

• Les prévisions ONM Juillet–Août–Septembre (JAS),
• Moyennées sur toute la Mauritanie,
• Sont dans les 45 % des pires années de sécheresse,
• Pendant deux mois consécutifs, entre février et mai.

Source : Maproom NCDP (réglage “Frequency of trigger events = 45%”, version “JAS fcst v8”).

2.2 Déclencheur observationnel (Fenêtre 2)

Le déclenchement est atteint si les précipitations cumulées CHIRPS (version final), moyennées nationalement, sont inférieures aux seuils suivants :

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

Étape 1 — Validation des données (24 h)

• Vérification technique des données ayant déclenché l’alerte.
• Acteurs :
  • Fenêtre 1 : ONM + NCDP + OCHA
  • Fenêtre 2 : OCHA + ONM

Étape 2 — Validation de l’activation (24 h)

• Le DCAN convoque le GTSAA dès réception des données validées.
• Réunion de consultation pour confirmer l’activation.

Étape 3 — Exécution et communication

Après validation, le DCAN (lead du GTSAA) communique :

• Au Gouvernement,
• Au Bureau de la Coordonnatrice Résidente,
• Au CERF (décaissement),
• À ROWCA (communication publique).

Scénario 1 — Activation prévisionnelle (février–mai)

• Information initiale : ONM
  
• Validation technique : ONM + NCDP + OCHA
  
• Réunion GTSAA convoquée par DCAN
  
• Communication officielle et décaissement CERF

Scénario 2 — Activation observationnelle (juillet–août)

• Information initiale : OCHA
  
• Validation technique : OCHA + ONM
  
• Réunion GTSAA convoquée par DCAN
  
• Communication officielle et décaissement CERF