État Actuel

Column

État Actuel - Carte

Column

État Actuel - Tableau

Aperçu

Cette page montre le statut d’activation des déclencheurs AA pour le niveau national du Niger ainsi que pour huit districts 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.

Déclencheur d’observation pour juin-juillet

  • Scénario Critique: Le déclencheur de surveillance observationnelle n’est pas encore disponible pour le mois et l’année en cours.
  • Scénario Modéré: Le déclencheur de surveillance observationnelle n’est pas encore disponible pour le mois et l’année en cours.

Activation au Niveau National

1. Scénario Critique
  • La prevision n’a pas été déclenchée au niveau national
2. Scénario Modéré
  • La prevision n’a pas été déclenchée au niveau national

Activation au Niveau Régional

1. Scénario Critique:
  • Districts déclenchés: Pas de Districts
  • Déclencheurs proches d’être déclenchés: . Pas de Districts
  • Districts qui n’ont pas été déclenchés: Agadez, Diffa, Dosso, Maradi, Niamey, Tahoua, Tillabéri, Zinder
2. Scénario Modéré
  • Districts déclenchés: Pas de Districts

  • Déclencheurs proches d’être déclenchés: . Pas de Districts

  • Districts qui n’ont pas été déclenchés: Agadez, Diffa, Dosso, Maradi, Niamey, Tahoua, Tillabéri, Zinder

  • Note: Une prévision est proche d’être déclenchée lorsqu’elle a une distance de deux points ou moins par rapport au seuil.

Considérations relatives à la carte

La carte du Niger montre uniquement les résultats des prévisions régionales. Pour les résultats au niveau national, considérez la section d’activation ci-dessus. Veuillez noter que le résultat prévu pour les deux niveaux s’applique à la zone du Niger située en dessous du parallèle 17ºN, ce qui exclut la zone désertique du pays.

Tableau des prévisions actuels

Aperçu

Déclencheur d’observation pour juin-juillet

Un déclencheur de surveillance a été défini pour le Niger qui utilise les données pluviométriques des stations du DMN et est ensuite ajusté en tant qu’indice de précipitation standardisé (SPI) pour les mêmes fréquences que l’AAP (20 % et 35 %). Le résultat est disponible dans le tableau ci-dessous

  • Pas de table de données: Le déclencheur de surveillance observationnelle n’est pas encore disponible pour le mois et l’année en cours.

Dernière sortie mensuelle

Les tableaux dans cet onglet montrent les seuils pour différentes fréquences (%) associées aux niveaux de gravité Élevée et Modérée. Les informations sont également organisées par niveau national et régional. Pour les données au niveau régional, les tableaux sont divisés par niveau de gravité (%).

Niveau National

Niveau régional (districts)

Tableau du Scénario Critique
Tableau du Scénario Modéré

Tableaux des métriques historiques

Aperçu

Métriques basées sur les données des mauvaises années

Niveau National

Espace réservé pour les tables avec des données

Niveau régional

Espace réservé pour les tables avec des données

Mesures basées sur les données pluviométriques

Niveau National

Espace réservé pour les tables avec des données

Niveau régional

Espace réservé pour les tables avec des données

Formules des métriques (en anglais et en français)

Où:

  • a = hits (Worthy Action), Vrai Positif: le modèle a correctement prédit une instance comme positive.
  • b = Act in Vain, Faux Positif: le modèle a prédit positif alors que c’était négatif.
  • c = misses or Fail to Act, Faux Négatif: le modèle a prédit négatif alors que c’était positif.
  • d = Worthy Inaction, Vrai Négatif: le modèle a correctement prédit une instance comme négative.
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:

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

Sensibilité au Déclenchement

Column

Analyse de l’Incertitude sur le Seuil

Column

Description

À quoi sert cette analyse?

Le système d’Actions Anticipatoires fonctionne comme un interrupteur:

  • Si la prévision indique un fort risque de sécheresse au-dessus d’un seuil défini, alors l’action est déclenchée.
  • Si la prévision est en dessous de ce seuil, aucune action n’est prise. Mais comment être sûr que le seuil choisi est vraiment solide? Et si on avait eu une autre série d’années dans notre base de données, le seuil aurait-il été différent?

L’objectif de cette section:

Cette partie sert à tester la fiabilité du seuil de déclenchement. On veut savoir s’il est stable ou si de petites variations dans les données peuvent tout changer.

La méthode utilisée (bootstrap):

  • On prend l’historique complet.
  • On enlève 5 années au hasard, puis on recalcule le seuil à partir du reste.
  • On répète cela 100 fois.
  • À la fin, on a toute une distribution possible du seuil — ce qui nous montre sa marge de fluctuation.

Que montre le graphique?

  • Les boîtes (boxplots) montrent les seuils recalculés à chaque itération.
  • Le point rouge indique le seuil réellement utilisé dans le protocole.
  • Le point bleu montre la prévision pour l’année actuelle.
  • La ligne pointillée correspond au niveau qu’on aurait simplement en regardant le climat passé (sans prévision).

Comment interpréter tout ça?

  • Si le point bleu (prévision actuelle) est en dehors des boîtes, on peut dire que la situation est clairement au-dessus ou en dessous du seuil → on a un signal robuste.
  • Si le point bleu est dans la boîte, ça veut dire que l’incertitude est élevée → on doit alors être plus prudent pour déclencher ou non l’action.

Protocole AA

Column

Systeme de declenchement et activation des AA

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 35% des saisons les plus sèches, le seuil a été atteint.

Le déclencheur observationnel utilise le SPI. L’index est basé sur les précipitations pour les mois de juin et juillet (du 1er juin au 31 juillet inclus). Les données satellites sont combinées par l’IR/ Université Columbia avec les données de la station de précipitation fournies par la Direction de la Météorologie Nationale du Niger pour les stations représentées dans le graphe en appendix, a l’exception de Blima et Agadez. Les données résultantes, appelées ENACTS, sont utilisées pour déterminer si le seuil de déclenchement a été atteint. Le déclenchement est déterminé par la moyenne du SPI pour la totalité du Niger, valeur qui doit être négative et parmi les années les plus sèches depuis 1991.

Le déclencheur observationnel peut déclencher une activation seulement si la fenêtre de prédiction 2 n’a pas été atteinte.

Periode d’evaluation

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.

Declenchement Predicteur

Evaluation 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 Declenchement pour la saison JAS au Niger

Column

Actions Anticipatoires déclenchées selon l’AAP.

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.

1. Scénario Critique
  • Mois qui ont déclenché:
2. Scénario Modéré
  • Mois qui ont déclenché:

  • Note: Pour voir les prévisions précédemment émises pour la saison Jul-Aug-Sep 2025, cliquez sur l’onglet “Mois précédents”.

Paquets d’Actions Anticipatoires

Paquet AA pour le déclenchement 1 (fenêtre 1)

Les activités associées aux declenchement 1 sont connues sous le terme Fenetre 1. Les activités concrètes dans le paquet de cette fenêtre sont affichées ici à titre de référence.

Toutefois, certaines de ces activités font partie des opérations de procédure standardisée qui sont réalisées de toute façon et qui sont bénéfiques à la population cible pour la résilience climatique.

PAM

  • Information et campagne de sensibilisation
  • Rehabilitation of degraded lands by water harvesting using Zai and half-moon techniques
  • Réhabilitation ou implémentation de structure d’alimentation d’eau pour le jardinage de marche. water supply structures for market gardening
  • Protection des entrants agriculturaux à travers des transferts d’argent et sensibilisation

FAO

  • Campagne de bonnes pratiques agriculturales
  • Distribution de graines aux communautés impliquées dans la récupération des terrains dégradés.
  • Graines résistantes à la sécheresse et autres cultures alternatives.
  • Préservation des produits des jardins de marchés avec des actions innovatrices pour la gestion de l’eau.

Paquet AA pour le déclenchement 2 (fenêtre 1)

Les activités associées au Trigger 2 sont connues sous le nom de Fenêtre 2. Les activités concrètes de ce paquet de fenêtres sont affichées à titre de référence. Cependant, certaines activités font partie d’autres procédures opérationnelles standard qui se déroulent de toute façon et sont bénéfiques pour la population cible en matière de résilience climatique.

PAM

  • Campagnes d’information et de sensibilisation
  • Réhabilitation des terres dégradées par la collecte des eaux de ruissellement (zai et demi-lunes)
  • Réhabilitation et/ou mise en œuvre de structures d’approvisionnement en eau pour le maraîchage
  • Protection des intrants agricoles (espèces + sensibilisation)
  • Prévenir une détérioration des conditions de vie des agriculteurs

FAO

  • Sauvegarde de la production maraîchère par la fourniture de semences maraîchères
  • Sensibilisation sur le déstockage stratégique
  • Pare-feu (travail contre rémunération)
  • Sauvegarde des conditions d’élevage (espèces+, alimentation, santé animale)

FNUAP

  • Sensibilisation pour réduire le risque de violence sexuelle contre les femmes et les filles
  • Pré-positionnement de kits inter-agences pour la santé reproductive (kit IARH)
  • Renforcer le système de référence pour les complications obstétriques et la prise en charge médicale des violences basées sur le genre (VBG)
  • Distribution de kits de dignité aux femmes et aux adolescentes à risque de violence sexuelle
  • Couverture des frais d’examen pour les adolescentes

HCR

  • Sensibilisation communautaire sur la prévention des catastrophes et les risques de violations des droits de l’homme
  • Surveillance des incidents de protection liés à la sécheresse

UNICEF

  • Détection précoce des enfants de moins de 5 ans souffrant de malnutrition aiguë
  • Promotion des pratiques optimales d’alimentation des nourrissons et des jeunes enfants (ANJE)
  • Promotion des bonnes pratiques d’hygiène
  • Distribution de kits et d’intrants WASH (réservoirs de stockage d’eau, produits de traitement de l’eau à domicile)
  • Réhabilitation et/ou renforcement des infrastructures d’approvisionnement en eau
  • Détection précoce des enfants de moins de 5 ans souffrant de malnutrition aiguë
  • Promotion des pratiques optimales d’alimentation des nourrissons et des jeunes enfants (ANJE)

PNUD

  • Alerte précoce
  • Renforcement de la cohésion sociale
  • Pare-feu (travail contre rémunération)

OMS

  • Renforcement de la sensibilisation aux maladies à potentiel épidémique et d’origine respiratoire
  • Réactivation et renforcement des équipes d’intervention rapide (EIR)

Mois précédents

Column {data-width=400}

Fenêtre 2

État de l’AA des mois précédents - Carte

Les cartes dans cet onglet montrent le résultat des mois précédents au niveau régional.

Résultat de mai

Résultat de avril

Fenêtre 1

État de l’AA des mois précédents - Carte

Les cartes dans cet onglet montrent le résultat des mois précédents au niveau régional.

Résultat de mars

Résultat de février

Résultat de janvier

Column {data-width=600}

Fenêtre 2

État de l’AA des mois précédents - Tableau

Veuillez noter que les tableaux dans cet onglet montrent le résultat des prévisions au niveau national pour chaque mois précédent émis pendant la Fenêtre 2. Les cartes à gauche montrent le résultat pour chaque mois précédent au niveau régional et incluent à la fois la Fenêtre 1 et la Fenêtre 2.

Résultat de mai

Résultat de avril

Fenêtre 1

État de l’AA des mois précédents - Tableau

Veuillez noter que les tableaux dans cet onglet montrent le résultat des prévisions au niveau national pour chaque mois précédent émis pendant la Fenêtre 1. Les cartes à gauche montrent le résultat pour chaque mois précédent au niveau régional et incluent à la fois la Fenêtre 1 et la Fenêtre 2.

Résultat de mars

Résultat de février

Résultat de janvier