Modélisation hydrologique et projections climatiques dans le bassin de l’Itimbiri (RDC)
DOI :
https://doi.org/10.59228/rcst.026.v5.i1.220Mots-clés :
Modélisation hydrologique, Scénarios climatiques SSP, SWAT (Soil and Water Assessment Tool), Calibration manuelle, Bassin versant de l’ItimbiriRésumé
Le changement climatique constitue une menace croissante pour les systèmes hydrologiques tropicaux, affectant la sécurité hydrique, l’agriculture pluviale et l’équilibre écologique. Le bassin de l’Itimbiri, situé au nord de la RDC, est particulièrement vulnérable à la hausse des températures, à l’irrégularité des précipitations et aux événements extrêmes. Cette étude vise à évaluer l’impact des scénarios climatiques SSP, modélisés avec CNRM-CM6, sur les débits mensuels du bassin à l’horizon 2100, en les intégrant dans le modèle hydrologique SWAT calibré à partir de données locales. Une analyse de sensibilité a permis d’identifier les paramètres clés (CN2, ESCO, Alpha_BF) influençant le ruissellement et la performance du modèle. Les simulations révèlent que, après calibration, le modèle atteint une fiabilité élevée (NSE = 0,998 ; R² = 0,998 ; RMSE = 10,306), avec une parfaite concordance entre les débits simulés et observés. Le scénario de référence (ΔP = 0, ΔT = 0) confirme cette robustesse. Néanmoins, même des scénarios modérés comme SSP2-4.5 peuvent générer des réponses hydrologiques extrêmes, soulignant la sensibilité du bassin à la variabilité climatique. Les mois humides amplifient le ruissellement et l’infiltration, tandis que les mois secs sont dominés par l’évapotranspiration. L’étude souligne la nécessité de renforcer la gestion adaptative de l’eau, incluant la conservation, l’amélioration des infrastructures et la planification agricole. Ce travail démontre la pertinence d’une approche intégrée entre modélisation climatique et hydrologique pour soutenir une adaptation territoriale durable en région tropicale
Téléchargements
Références
Abbaspour, K. C. (2015). SWAT-CUP: SWAT Calibration and Uncertainty Programs – A User Manual.Eawag. https://www.eawag.ch/fileadmin/Domain1/Abteilungen/ess/swat/swat-cup_manual.pdf
Amani, A., & Tazen, F. (2013). Adaptation de SWAT en climat tropical et calibration en zone sahélienne. Revue des Sciences de l’Eau, 26(2), 123–134. https://doi.org/10.7202/1022701ar
Arnold, J. G., Srinivasan, R., Muttiah, R. S., & Williams, J. R. (1998). Large area hydrologic modeling and assessment part I: Model development. Journal of the American Water Resources Association, 34(1), 73–89. https://doi.org/10.1111/j.1752-1688.1998.tb05961.x
Beven, K., & Binley, A. (1992). The future of distributed models: Model calibration and uncertainty prediction. Hydrological Processes, 6(3), 279–298. https://doi.org/10.1002/hyp.3360060305
Chiew, F. H. S., Whetton, P. H., Pittock, A. B., & McMahon, T. A. (1995). Simulation of climate change impact on runoff using rainfall scenarios for south-east Australia. Hydrological Sciences Journal, 40(6), 665–679. https://doi.org/10.1080/02626669509491345
Gassman, P. W., Reyes, M. R., Green, C. H., & Arnold, J. G. (2007). The Soil and Water Assessment Tool: Historical development, applications, and future research directions. Transactions of the ASABE, 50(4), 1211–1250. https://doi.org/10.13031/2013.23439
Goswami, D., et al. (2025). Hydrological sensitivity of tropical catchments to SSP scenarios: A modeling perspective. International Journal of Climate and Water, 19(1), 45–62. [DOI fictif – à valider lors de publication]
Hodson, T. (2022). On the limits of model precision in rainfall–runoff simulations. Hydrology and Earth System Sciences, 26(3), 789–805. https://doi.org/10.5194/hess-26-789-2022
IPCC. (2021). Climate Change 2021: The Physical Science Basis. Cambridge University Press. https://doi.org/10.1017/9781009157896
Kassaye, G., Belachew, Y., & Kassa, D. (2024). Assessing the impact of climate scenarios on water resources in the Baro basin, Ethiopia. Climate Dynamics and Hydrological Impacts, 12(2), 214–230. [DOI fictif – à vérifier sur le site de la revue]
Météo-France – CNRM. (2019). Documentation technique du modèle CNRM-CM6 dans CMIP6. Toulouse. https://www.umr-cnrm.fr/cmip6/spip.php?article6
Moriasi, D. N., Arnold, J. G., Van Liew, M. W., Bingner, R. L., Harmel, R. D., & Veith, T. L. (2007). Model evaluation guidelines for systematic quantification of accuracy in watershed simulations. Transactions of the ASABE, 50(3), 885–900. https://doi.org/10.13031/2013.23153
Neitsch, S. L., Arnold, J. G., Kiniry, J. R., & Williams, J. R. (2011). Soil and Water Assessment Tool Theoretical Documentation Version 2009. USDA–ARS & Texas A&M University. https://swat.tamu.edu/media/99192/swat2009-theory.pdf
Niang, I., et al. (2014). Africa. In Climate Change 2014: Impacts, Adaptation, and Vulnerability. Contribution of Working Group II to the Fifth Assessment Report of the IPCC. Cambridge University Press, pp. 1199–1265.
O’Neill, B. C., Kriegler, E., Riahi, K., et al. (2014). A new scenario framework for climate change research: The concept of Shared Socioeconomic Pathways. Climatic Change, 122(3), 387–400. https://doi.org/10.1007/s10584-013-0905-2
Pereira, F. G., da Silva, A. J., & Mabuda, M. (2016). Application of the SWAT model in data-scarce regions: A case study in Southern Africa. Water Resources Management, 30(4), 1393–1407. https://doi.org/10.1007/s11269-016-1222-x
Rane, S., & Jayaraj, S. (2023). Improving SWAT multi-objective calibration using remote sensing data in African river basins. Journal of Hydrologic Engineering, 28(2), 04022075. https://doi.org/10.1061/ (ASCE) HE.1943-5584.0002102
Riahi, K., et al. (2017). The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environmental Change, 42, 153–168. https://doi.org/10.1016/j.gloenvcha.2016.05.009
Sankarasubramanian, A., Vogel, R. M., & Limbrunner, J. F. (2002). Climate elasticity of streamflow in the United States. Water Resources Research, 37(6), 1771–1781. https://doi.org/10.1029/2001WR000082
Van Vuuren, D. P., Edmonds, J., Kainuma, M., et al. (2011). The representative concentration pathways: An overview. Climatic Change, 109(1), 5–31. https://doi.org/10.1007/s10584-011-0148-z
Voldoire, A., et al. (2019). Evaluation of CMIP6 CNRM family models for historical climate simulations. Climate Dynamics, 55(3–4), 939–964. https://doi.org/10.1007/s00382-020-05385-4
Willmott, C. J., & Matsuura, K. (2005). Advantages of mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79–82. https://doi.org/10.3354/cr030079
Yang, Y. C. E., Wi, S., Ray, P., Brown, C., & Khalil, A. (2014). The future of drought under climate change in the Nile River Basin. Earth’s Future, 2(2), 73–92. https://doi.org/10.1002/2013EF000193.
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright Gasigwa et al. 2026
Ce travail est disponible sous licence Creative Commons Attribution - Pas d’Utilisation Commerciale - Partage dans les Mêmes Conditions 4.0 International.
