SARRA, histoire d’un modèle de simulation des cultures pour les zones intertropicales

Open Access

Review

Issue		Cah. Agric. Volume 34, 2025


Article Number		18
Number of page(s)		14
DOI		https://doi.org/10.1051/cagri/2025018
Published online		04 June 2025

Affholder F. 1997. Empirically modelling the interaction between intensification and climatic risk in semiarid regions. Field Crops Research 52(1-2): 79–93. https://doi.org/10.1016/S0378-4290(96)03453-3. [CrossRef] [Google Scholar]
Affholder F. 2001. Modélisation de culture et diagnostic agronomique régional : mise au point d’une méthode et application au cas du maïs chez les petits producteurs du Brésil Central (Thèse). Paris (France): Institut national agronomique Paris-Grignon, 250 p. http://agritrop.cirad.fr/487447/. [Google Scholar]
Affholder F, Assad ED, Bonnal P, Macena Da Silva FA, Forest F, Madeira Netto J, et al. 2006. Risques de stress hydrique sur les cultures dans les Cerrados brésiliens : du zonage régional à l’analyse des risques à l’échelle des exploitations familiales. Cahiers Agricultures 15(5): 433–439. https://hal.inrae.fr/hal-02659073. [Google Scholar]
Affholder F, Forest F, Lidon B, Valony MJ. 2023. Agriculture générale. Modifier les itinéraires techniques : la gestion de l’eau. In : Mémento de l’agronome, 3^e éd. Versailles (France): Ed. Quae, pp. 643–662. [Google Scholar]
Affholder F, Rodrigues G. 1995. Adaptação para os cerrados de um modelo simples de análise das potencialidades climáticas do milho. In : Adversidades climáticas e a produção agrícola. Campina Grande-PB (Brasil): Anais do IX Congresso Brasileiro de Agrometeorologia, pp 263–265. [Google Scholar]
Alhassane A. 2009. Effets du climat et des pratiques culturales sur la croissance et le développement du mil (Pennisetum glaucum [L.] R.Br.) au Sahel : contribution à l’amélioration du modèle SARRA-H de prévision des rendements. Abidjan: Université de Cocody. https://hdl.handle.net/20.500.12177/1576. [Google Scholar]
Baron C, Reyniers FN, Clopes A, Forest F. 1999. Applications du logiciel SARRA à l’étude de risques climatiques. Agriculture et Developpement (24): 89–97. https://agritrop.cirad.fr/479550/. [Google Scholar]
Baron C, Bonnal V, Dingkuhn M, Maraux F, Sarr M. 2003. SARRA-H : Système d’analyse régional des risques agroclimatiques-habillé (System for Regional Analysis of Agro-Climatic Risks). Decision support tools for smallholder agriculture in Sub-Saharan Africa: A practical guide. [2023/02/02]. https://agritrop.cirad.fr/522840/. [Google Scholar]
Baron C, Sultan B, Balme M, Sarr B, Traore S, Lebel T, et al. 2005. From GCM grid cell to agricultural plot: Scale issues affecting modelling of climate impact. Philosophical Transactions of the Royal Society B: Biological Sciences 360(1463): 2095–2108. https://doi.org/10.1098/rstb.2005.1741. [CrossRef] [PubMed] [Google Scholar]
Barret D, Blundo Canto G, Dabat MH, Devaux-Spatarakis A, Faure G, Hainzelin E, et al. 2017. Guide méthodologique ImpresS. Évaluation ex post des impacts de la recherche agronomique dans les pays du Sud. Montpellier (France): CIRAD, 96 p. https://doi.org/10.19182/agritrop/00005. [Google Scholar]
Bassu S, Brisson N, Durand JL, Boote K, Lizaso J, Jones JW, et al. 2014. How do various maize crop models vary in their responses to climate change factors? Global Change Biology 20(7): 2301–2320. https://doi.org/10.1111/gcb.12520. [CrossRef] [PubMed] [Google Scholar]
Bergès JC. 1993. La chaîne de traitement AGRHYMET. Niamey (Niger): Atelier estimation des pluies par satellite. https://www.documentation.ird.fr/hor/fdi:41246. [Google Scholar]
Boote K, Jones J, Mishoe J, Wilkerson G. 1986. Modeling growth and yield of groundnut. Agrometeorology of Groundnut: Proceedings of an International Symposium. Niamey (Niger): ICRISAT Sahelian Center. http://oar.icrisat.org/id/eprint/857. [Google Scholar]
Brisson N, Gary C, Justes E, Roche R, Mary B, Ripoche D, et al. 2003. An overview of the crop model stics. European Journal of Agronomy 18(3-4): 309–332. https://doi.org/10.1016/S1161-0301(02)00110-7. [CrossRef] [Google Scholar]
Castets M. 2015. Pavages réguliers et modélisation des dynamiques spatiales à base de graphes d’interaction : conception, implémentation, application. http://www.theses.fr/2015MONTS241/document. [Google Scholar]
Chopart JL, Vauclin M. 1990. Water balance estimation model: Field test and sensitivity analysis. Soil Science Society of America Journal 54: 1377–1384. https://doi.org/10.2136/sssaj1990.03615995005400050029x. [CrossRef] [Google Scholar]
Combres JC, Bonnal V, Rouan L, Braconnier S. 2009. EcoPalm: A new model simulating seasonal variation of oil palm yield. Cartegena de Indias (Colombia): 16th International Oil Palm Conference. https://agritrop.cirad.fr/555822/1/document_555822.pdf. [Google Scholar]
Cortier B, Allab C. 1991. Le Diagnostic Hydrique des Cultures (DHC) au centre AGRHYMET et la prévision du rendement régional en mil. Études synthèses présentées au cours de la campagne 1990, Cap Vert vol. 2. https://publications.cirad.fr/une_notice.php?dk=469317. [Google Scholar]
Cortier B, Forest F. 1991. Algorithme de calcul de la version DHC 3.0 Diagnostic Hydrique des Cultures. Centre AGRHYMET Niamey. Études synthèses présentées au cours de la campagne 1990, Cap Vert vol. 2. [Google Scholar]
Defrance D, Sultan B, Castets M, Famien AM, Baron C. 2020. Impact of climate change in West Africa on cereal production per capita in 2050. Sustainability 12(18): 1–19. https://doi.org/10.3390/su12187585. [PubMed] [Google Scholar]
Degenne P, Seen DL. 2016. Ocelet: Simulating processes of landscape changes using interaction graphs. SoftwareX 5: 89–95. https://doi.org/10.1016/j.softx.2016.05.002. [CrossRef] [Google Scholar]
Dingkuhn M, Singh BB, Clerget B, Chantereau J, Sultan B. 2006. Past, present and future criteria to breed crops for water-limited environments in West Africa. Agricultural Water Management 80(1-3 SPEC. ISS.): 241–261. https://doi.org/10.1016/j.agwat.2005.07.016. [CrossRef] [Google Scholar]
Dingkuhn M, Baron C, Bonnal V, Maraux F, Sarr B, Clopes A, et al. 2003. Decision support tools for rainfed crops in the Sahel at the plot and regional scales [Book_section]. Decision support tools for smallholder agriculture in Sub-Saharan Africa: A practical guide. [2023/02/02]. https://agritrop.cirad.fr/522837/. [Google Scholar]
Durand JL, Delusca K, Boote K, Lizaso J, Manderscheid R, Weigel HJ, et al. 2018. How accurately do maize crop models simulate the interactions of atmospheric CO2 concentration levels with limited water supply on water use and yield? European Journal of Agronomy 100: 67–75. https://doi.org/10.1016/j.eja.2017.01.002. [CrossRef] [Google Scholar]
Folliard A, Traoré PCS, Vaksmann M, Kouressy M. 2004. Modeling of sorghum response to photoperiod: A threshold-hyperbolic approach. Field Crops Research 89(1): 59–70. https://doi.org/10.1016/j.fcr.2004.01.006. [CrossRef] [Google Scholar]
Forest F. 1984. Simulation du hilan hydrique des cultures pluviales − Présentation et utilisation du logiciel BIP. IRAT-CIRAD. https://agritrop.cirad.fr/360536/. [Google Scholar]
Forest F, Clopes A. 1991. SARRA, un logiciel d’aide à la décision − Systéme d’Analyse Régionale des Risques Agroclimatiques. Montpellier (France): CIRAD-IRAT. https://agritrop.cirad.fr/340898/. [Google Scholar]
Franquin P, Forest F. 1977. Des programmes pour l’évaluation et l’analyse fréquentielle des termes du bilan hydrique. Agronomie Tropicale 32(1): 7–11. https://agritrop.cirad.fr/421364/. [Google Scholar]
Franquin P. 1969. Analyse agroclimatique en régions tropicales : saison pluvieuse et saison humide. Applications. https://www.documentation.ird.fr/hor/fdi:17547. [Google Scholar]
Fréteaud JP, Poss R, Saragoni H. 1987. Ajustement d’un modèle de bilan hydrique à des mesures tensio-neutroniques in situ sous culture de maïs. L’Agronomie Tropicale (1975) 42(2): 94–102. https://agritrop.cirad.fr/453239/. [Google Scholar]
Genesio L, Bacci M, Baron C, Diarra B, Vecchia AD, Alhassane A, et al. 2011. Early warning systems for food security in West Africa: Evolution, achievements and challenges. Atmospheric Science Letters 12(1): 142–148. https://doi.org/10.1002/asl.332. [CrossRef] [Google Scholar]
Guitton B, Théra K, Tékété ML, Pot D, Kouressy M, Témé N, et al. 2018. Integrating genetic analysis and crop modeling: A major QTL can finely adjust photoperiod-sensitive sorghum flowering. Field Crops Research 221: 7–18. https://doi.org/10.1016/j.fcr.2018.02.007. [CrossRef] [Google Scholar]
Holzworth DP, Huth NI, deVoil PG, Zurcher EJ, Herrmann NI, McLean G, et al. 2014. APSIM − Evolution towards a new generation of agricultural systems simulation. Environmental Modelling & Software 62: 327–350. https://doi.org/10.1016/j.envsoft.2014.07.009. [CrossRef] [Google Scholar]
Hoogenboom G, Porter CH, Boote KJ, Shelia V, Wilkens PW, International Fertilizer Development Center, USA, et al. 2019. The DSSAT crop modeling ecosystem. In: Burleigh Dodds Series in Agricultural Science. Burleigh Dodds Science Publishing, pp. 173–216. https://doi.org/10.19103/AS.2019.0061.10. [Google Scholar]
Intergovernmental Panel On Climate Change (IPCC) (ed). 2023. Introduction and Framing. In : Climate Change 2022 − Mitigation of Climate Change, 1^re éd. Cambridge University Press, pp. 151–214. https://doi.org/10.1017/9781009157926.003. [Google Scholar]
Jahel C. 2016. Analyse des dynamiques des agroécosystèmes par modélisation spatialisée et utilisation d’images satellitaires, Cas d’étude de l’ouest du Burkina Faso. Thèse de doctorat. Montpellier (France): AgroParisTech. https://agritrop.cirad.fr/587608/. [Google Scholar]
Jones JW, Antle JM, Basso B, Boote KJ, Conant RT, Foster I, et al. 2017. Brief history of agricultural systems modeling. Agricultural Systems 155: 240–254. https://doi.org/10.1016/j.agsy.2016.05.014. [CrossRef] [Google Scholar]
Kimball BA, Boote KJ, Hatfield JL, Ahuja LR, Stockle C, Archontoulis S, et al. 2019. Simulation of maize evapotranspiration: An inter-comparison among 29 maize models. Agricultural and Forest Meteorology 271: 264–284. https://doi.org/10.1016/j.agrformet.2019.02.037. [CrossRef] [Google Scholar]
Kouressy M, Dingkuhn M, Vaksmann M, Heinemann AB. 2008. Adaptation to diverse semi-arid environments of sorghum genotypes having different plant type and sensitivity to photoperiod. Agricultural and Forest Meteorology 148(3): 357–371. https://doi.org/10.1016/j.agrformet.2007.09.009. [CrossRef] [Google Scholar]
Kouressy M, Sissoko S, Tekete ML, Sanogo S, Kamissoko S, Doumbia M, et al. 2020. Sélection du sorgho pour une intensification durable au Mali. Apports de la modélisation des cultures. In: Sultan B, Bossa AY, Salack S, Sanon M, eds. Risques climatiques et agriculture en Afrique de l’Ouest. Marseille (France): IRD Ed., pp. 337–352. https://www.editions.ird.fr/produit/576/9782709928205/. [Google Scholar]
Luquet D, Dingkuhn M, Kim H, Tambour L, Clement-Vidal A. 2006. EcoMeristem, a model of morphogenesis and competition among sinks in rice. 1. Concept, validation and sensitivity analysis. Functional Plant Biology 33(4): 309–323. https://doi.org/10.1626/pps.8.145. [CrossRef] [PubMed] [Google Scholar]
Luquet D, Zhang BG, Dingkuhn M, Dexet A, Clément-Vidal A. 2005. Phenotypic Plasticity of Rice Seedlings: Case of Phosphorus Deficiency. Plant Production Science 8(2): 145–151. https://doi.org/10.1626/pps.8.145. [CrossRef] [Google Scholar]
M’Biandoun M, Olina J. 2009. Pluviosité en région soudano-sahélienne au Nord du Cameroun : conséquences sur l’agriculture. Agronomie Africaine 18(2): 95–104. https://doi.org/10.4314/aga.v18i2.1683. [Google Scholar]
Nicou R. 2003. La bioclimatologie. In : L’Institut de recherches agronomiques tropicales et des cultures vivrières 1960-1984. Vol 2. Montpellier (France): CIRAD, pp. 51–59. https://agritrop.cirad.fr/515541/. [Google Scholar]
Nonfon M. 2021. Un modèle de culture au sein d’un système d’alerte précoce en Afrique de l’Ouest : dynamiques des évolutions et impacts auxquels l’utilisation et l’adaptation de cette innovation ont contribué. Mémoire de master 2 : Économie du développement agricole, de l’environnement et alimentation (EcoDEVA). Montpellier : Institut Agro Montpellier, 56 p. [Google Scholar]
Nunes K. 2021. De la conception d’un modèle à son adaptation à un contexte particulier : quel processus d’innovation et quelle contribution à la génération d’impacts ? Une étude multi-échelles sur le cas des modèles BIPZON et SARRAZON au Brésil. Gradignan (France): Bordeaux Sciences Agro. [Google Scholar]
Pierre C, Hiernaux P, Rajot JL, Kergoat L, Webb NP, Touré AA, et al. 2022. Wind erosion response to past and future agro-pastoral trajectories in the Sahel (Niger). Landscape Ecology 37(2): 529–550. https://doi.org/10.1007/s10980-021-01359-8. [CrossRef] [Google Scholar]
Pierre C, Kergoat L, Bergametti G, Mougin É, Baron C, Toure AA, et al. 2015. Modeling vegetation and wind erosion from a millet field and from a rangeland: Two Sahelian case studies. Aeolian Research 19: 97–111. https://doi.org/10.1016/j.aeolia.2015.09.009. [CrossRef] [Google Scholar]
Pierre C, Kergoat L, Hiernaux P, Baron C, Bergametti G, Rajot JL, et al. 2018. Impact of Agropastoral Management on Wind Erosion in Sahelian Croplands. Land Degradation and Development 29(3): 811. https://doi.org/10.1002/ldr.2783. [Google Scholar]
Poss R. 1991. Transferts de l’eau et des éléments minéraux dans les terres de barre du Togo, conséquences agronomiques (Thèse). Paris (France): Université Pierre et Marie Curie, 335 p. https://agritrop.cirad.fr/341735/. [Google Scholar]
Rossetti LA. 2001. Zoneamento agrícola em aplicações de crédito e securidade rural no Brasil: aspectos atuariais e de política agrícola. Revista Brasileira de Agrometeorologia 9(3): 386–399. [Google Scholar]
Rousseau V. 1988. Suivi hydrique à l’echelle d’une toposequence et ajustement d’un modele de simulation du bilan hydrique. Utilisation agricole de l’eau, maitrise du milieu et production (Diplôme d’agronomie tropicale.). Montpellier (France): ENSAM/CNEARC. [Google Scholar]
Samba A. 1999. Les logiciels DHC de diagnostic hydrique des cultures. Prévision des rendements du mil en zones soudano-sahélienne de l’Afrique de l’Ouest. Science et changements planétaires / Sécheresse 9(4): 281. https://www.jle.com/fr/revues/sec/e-docs/les_logiciels_dhc_de_diagnostic_hydrique_des_cultures._prevision_des_rendements_du_mil_en_zones_soudano_sahelienne_de_lafrique_de_louest_25165/article.phtml. [Google Scholar]
Samba A, Sarr B, Baron C, Gozé E, Maraux F, Clerget B, et al. 2001. La prévision agricole à l’échelle du Sahel. In: Malézieux E, Trébuil G, Jaeger M, eds. Modélisation des agroécosystèmes et aide à la décision. Montpellier (France) : CIRAD, pp. 243–261. http://agritrop.cirad.fr/485260/. [Google Scholar]
Satgé F, Defrance D, Sultan B, Bonnet MP, Seyler F, Rouché N, et al. 2020. Evaluation of 23 gridded precipitation datasets across West Africa. Journal of Hydrology 581: 124412. https://doi.org/10.1016/j.jhydrol.2019.124412. [CrossRef] [Google Scholar]
Silva SC, Assad ED, Lobato EJV, Sano EE, Steinmetz S, Bezerra, et al. 1995. Zoneamento agroclimático para o arroz de sequeiro no Estado de Goiás. Embrapa (Brazil), 80 p. http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/202990. [Google Scholar]
Steinmetz S, Reyniers FN, Forest F. 1988. Caracterização do regime pluviométrico e do balanço hídrico do arroz de sequeiro em distintas regiões produtoras do Brasil: síntese e interpretação dos resultados. Embrapa (Brazil), 66 p. http://www.infoteca.cnptia.embrapa.br/infoteca/handle/doc/191531. [Google Scholar]
Sultan B, Guan K, Kouressy M, Biasutti M, Piani C, Hammer GL, et al. 2014. Robust features of future climate change impacts on sorghum yields in West Africa. Environmental Research Letters 9(10): 104006. https://doi.org/10.1088/1748-9326/9/10/104006. [CrossRef] [Google Scholar]
Sultan B, Roudier P, Quirion P, Alhassane A, Muller B, Dingkuhn M, et al. 2013. Assessing climate change impacts on sorghum and millet yields in the Sudanian and Sahelian savannas of West Africa. Environmental Research Letters 8(1): 014040. https://doi.org/10.1088/1748-9326/8/1/014040. [CrossRef] [Google Scholar]
Sultan B, Baron C, Dingkuhn M, Sarr B, Janicot S. 2005. Agricultural impacts of large-scale variability of the West African monsoon. Agricultural and Forest Meteorology 128(1-2): 93–110. https://doi.org/10.1016/j.agrformet.2004.08.005. [CrossRef] [Google Scholar]
Témé N, Kouressy M, Sissoko S, Sako D, Guindo D, Dembélé Y, et al. 2022. Modern approaches for sorghum breeding in Mali. In: Kane NA, Foncéka D, Dalton TJ, eds. Crop adaptation and improvement for drought-prone environments. Manhattan (États-Unis): New Prairie Press, pp. 435–464. https://newprairiepress.org/ebooks/49/. [Google Scholar]
Traoré SB, Alhassane A, Muller B, Kouressy M, Somé L, Sultan B, et al. 2011. Characterizing and modeling the diversity of cropping situations under climatic constraints in West Africa. Atmospheric Science Letters 12(1): 89–95. https://doi.org/10.1002/asl.295. [CrossRef] [Google Scholar]
Traore SB, Ali A, Tinni SH, Samake M, Garba I, Maigari I, et al. 2014. AGRHYMET: A drought monitoring and capacity building center in the West Africa Region. Weather and Climate Extremes 3: 22–30. https://doi.org/10.1016/j.wace.2014.03.008. [CrossRef] [Google Scholar]
Traoré SB, Reyniers F, Vaksmann M, Koné B, Sidibé A, Yoroté A, et al. 2000. Adaptation à la sécheresse des écotypes locaux de sorghos du Mali. Sécheresse 11(4): 227–237. https://publications.cirad.fr/une_notice.php?dk=478550. [Google Scholar]
Vaksmann M, Traoré S. 1989. Étude du ruissellement sur une toposéquence sahélienne, adaptation d’un modèle de bilan hydrique. In: Bertrand R, Saint Macary H, eds. Agronomie et ressources naturelles en régions tropicales. Montpellier (France): CIRAD-IRAT, pp. 203–211. https://agritrop.cirad.fr/469246/. [Google Scholar]
Vaksmann M, Traoré SB, Niangado O. 1996. Le photopériodisme des sorghos africains. Agriculture et Développement (9): 13–18. https://agritrop.cirad.fr/388071/. [Google Scholar]
Wilkerson GG, Jones JW, Boote KJ, Ingram KT, Mishoe JW. 1983. Modeling soybean growth for crop management. Transactions of the ASAE 26(1): 0063–0073. https://doi.org/10.13031/2013.33877. [CrossRef] [Google Scholar]

Current usage metrics show cumulative count of Article Views (full-text article views including HTML views, PDF and ePub downloads, according to the available data) and Abstracts Views on Vision4Press platform.

Data correspond to usage on the plateform after 2015. The current usage metrics is available 48-96 hours after online publication and is updated daily on week days.

Initial download of the metrics may take a while.