Dégradation des terres et ODD 15.3.1

Dans le cadre du «Programme de développement durable à l’horizon 2030», l’objectif de développement durable (ODD) 15 est de :

« Préserver et restaurer les écosystèmes terrestres, en veillant à les exploiter de façon durable, gérer durablement les forêts, lutter contre la désertification, enrayer et inverser le processus de dégradation des sols et mettre fin à l’appauvrissement de la biodiversité »

Chaque ODD a des cibles spécifiques qui traitent de différentes composantes, dans ce cas, de la vie sur terre. La cible 15.3 vise à :

« D’ici à 2030, lutter contre la désertification, restaurer les terres et sols dégradés, notamment les terres touchées par la désertification, la sécheresse et les inondations, et s’efforcer de parvenir à un monde sans dégradation des sols »

Des indicateurs seront ensuite utilisés pour évaluer les progrès de chaque cible des ODD. Dans le cas de l’ODD 15.3, les progrès vers un monde neutre en termes de dégradation des terres seront évalués à l’aide de l’indicateur 15.3.1 :

« Proportion de la surface émergée totale occupée par des terres dégradées »

En tant qu’agence responsable de l’ODD 15.3, la Convention des Nations unies sur la lutte contre la désertification (UNCCD) a élaboré un « Guide des bonnes pratiques (GBP) <https://www.unccd.int/sites/default/files/documents/2021-09/UNCCD_GPG_SDG-Indicator-15.3.1_version2_2021.pdf> » contenant des recommandations sur la manière de calculer l’indicateur ODD 15.3.1.

Cette page présente brièvement l’indicateur 15.3.1 des ODD et décrit comment chaque indicateur est calculé par .

Afin d’évaluer la zone dégradée, l’indicateur ODD 15.3.1 utilise les informations dérivées de 3 sous-indicateurs :

1. Productivité de la végétation

2. Couverture terrestre

3. Carbone organique du sol

permet à l’utilisateur de calculer chacun de ces sous-indicateurs de manière spatialement explicite, en générant des cartes raster qui sont ensuite intégrées dans une carte finale de l’indicateur 15.3.1 des ODD et produit un tableau présentant les zones potentiellement améliorées et dégradées pour la zone d’analyse.

Sous-indicateurs

Productivité

La productivité des terres est la capacité de production biologique de la terre, la source de toute la nourriture, des fibres et des combustibles soutenant les êtres humains (Commission de statistique des Nations Unies, 2016). La productivité primaire nette (PPN) est la quantité nette de carbone assimilée après la photosynthèse et la respiration autotrophe sur une période donnée (Clark et al., 2001) et est généralement représentée en unités telles que kg/ha/an. La PPN est une variable qui prend beaucoup de temps et qui est coûteuse à estimer. Pour cette raison, nous utilisons des informations de télédétection pour obtenir des indicateurs de PPN.

L’un des indicateurs les plus couramment utilisés pour remplacer la NPP est l’indice de végétation par différence normalisée (NDVI), calculé à partir des informations provenant des longueurs d’onde rouges et proches infrarouges du spectre électromagnétique. Dans , nous utilisons les produits bihebdomadaires de MODIS et AVHRR pour calculer les intégrales annuelles du NDVI (calculées comme la moyenne annuelle du NDVI pour simplifier l’interprétation des résultats). Ces intégrales annuelles du NDVI sont ensuite utilisées pour calculer chacune des mesures de productivité expliquées ci-dessous.

La productivité des terres est évaluée dans en utilisant trois mesures de changement dérivées des données de séries temporelles NDVI: trajectoire, performance et état

Trajectoire de la productivité

La trajectoire mesure le taux de variation de la productivité primaire au fil du temps. Comme indiqué dans la figure ci-dessous, calcule une régression linéaire au niveau du pixel pour identifier les zones connaissant des changements de productivité primaire pour la période analysée. Un test de signification non paramétrique de Mann-Kendall est ensuite appliqué, en ne considérant que les changements significatifs, ceux qui montrent une valeur de p ≤ 0,05. Les tendances significatives positives du NDVI indiqueraient une amélioration potentielle de l’état des terres et les tendances significatives négatives une dégradation potentielle.

Correction des effets du climat

Dans un écosystème donné, la productivité primaire est affectée par plusieurs facteurs, tels que la température et la disponibilité de la lumière, des nutriments et de l’eau. Parmi ceux-ci, la disponibilité de l’eau est la plus variable au fil du temps et peut avoir des influences très importantes sur la quantité de tissu végétal produite chaque année. Lorsque les intégrales annuelles du NDVI sont utilisées pour effectuer l’analyse de la trajectoire, il est important d’interpréter les résultats en ayant des informations historiques sur les précipitations. Dans le cas contraire, les tendances à la baisse de la productivité pourraient être identifiées comme indiquant une dégradation des terres causée par l’homme, lorsqu’elles sont déterminées par des schémas régionaux de variation de disponibilité de l’eau.

permet à l’utilisateur d’effectuer différents types d’analyse pour distinguer les causes climatiques des changements dans la productivité primaire, de celles qui pourraient être une conséquence des décisions humaines d’utilisation des terres. Les méthodes actuellement intégrées pour les corrections climatiques sont les suivantes:

Analyse des tendances résiduelles (RESTREND): RESTREND utilise des modèles de régression linéaire pour prédire le NDVI pour un volume de précipitations donné. Les tendances de la différence entre le NDVI prédit et le NDVI observé (résidu) sont interprétées comme des changements de productivité non liés au climat. Veuillez vous référer à la publication suivante pour plus de détails sur la méthode et ses limites: Wessels, K.J.; van den Bergh, F.; Scholes, R.J. Limits to detectability of land degradation by trend analysis of vegetation index data. Remote Sens. Environ. 2012, 125, 10–22.

Coefficient d’efficacité pluviale (CEP): Le CEP est le rapport entre la PPN annuelle et les précipitations annuelles. utilise les intégrales annuelles du NDVI comme indicateur de la PNE annuelle et offre la possibilité de choisir parmi différents produits de précipitation pour calculer le CEP. Une fois le CEP calculé pour chacune des années analysées, une régression linéaire et un test de signification non paramétrique sont appliqués à la tendance du CEP dans le temps. Les tendances significatives positives du CEP indiqueraient une amélioration potentielle de l’état des terres, et les tendances significatives négatives une dégradation potentielle. Veuillez vous référer à la publication suivante pour plus de détails sur les méthodes et leurs limites: Wessels, K.J.; Prince, S.D.; Malherbe, J.; Small, J.; Frost, P.E.; VanZyl, D. Can human-induced land degradation be distinguished from the effects of rainfall variability? A case study in South Africa. J. Arid Environ. 2007, 68, 271–297.

** Efficacité de l’utilisation de l’eau (EUE): ** Le CEP suppose qu’il existe une relation linéaire entre la quantité d’eau qui tombe sous forme de précipitations à un endroit particulier et la quantité d’eau qui sera réellement utilisée par les plantes. Cette hypothèse n’est pas valable pour tous les systèmes. L’EUE tâche de remédier à cette limitation en utilisant l’évapotranspiration annuelle totale (ET) plutôt que les précipitations. L’ET est définie comme les précipitations moins le ruissellement des eaux de surface, la recharge des nappes souterraines et les changements du stockage de l’eau dans le sol. Le reste de l’analyse suit ce qui est décrit pour le CEP: une régression linéaire et un test de signification non paramétrique sont appliqués à la tendance de l’EUE dans le temps. Les tendances significatives positives de l’EUE indiqueraient une amélioration potentielle de l’état des terres, et les tendances significatives négatives une dégradation potentielle.

Le tableau ci-dessous liste les jeux de données disponibles dans pour effectuer une analyse des tendances NDVI dans le temps, en utilisant les données NDVI originales ou avec des corrections climatiques:

Variable	Capteur/ensemble de données	Temporel	Résolution spatiale	Étendue	Unités/description
NDVI	AVHRR/GIMMS	1982-2015	8 km	Mondiale	NDVI annuel moyen * 10000
NDVI	MOD13Q1-coll6.1	2001-2024	250 m	Mondiale	NDVI annuel moyen * 10000
Humidité du sol	MERRA 2	1980-2019	0.5° x 0.625°	Mondiale	Zone racinaire m³ m⁻³ *10000
Humidité du sol	ERA I	1979-2016	0,75° x 0,75°	Mondiale	Couche volumétrique d’eau dans le sol m³ m⁻³ (0-7 cm)
Précipitation	GPCP v2.3.1 mensuel (Projet de climatologie des précipitations mondiales)	1979-2019	2,5° x 2,5°	Mondiale	mm/an
Précipitation	GPCC V6 (Centre climatologique mondial des précipitations)	1891-2019	1° x 1°	Mondiale	mm/an
Précipitation	CHIRPS	1981-2024	5 km	50°N x 50°S	mm/an
Précipitation	PERSIANN-CDR	1983-2024	25 km	60°N x 60°S	mm/an
Évapotranspiration	MOD16A2.GF	2000-2024	500 m	Mondiale	Annual ET kg/m2 (=mm)*10

État de la productivité

L’indicateur d’état de la productivité permet de détecter les changements récents dans la productivité primaire par rapport à une période de référence. L’indicateur d’état est calculé comme suit :

1. Définir la période de référence (période historique à laquelle la productivité primaire récente sera comparée).

2. Définir la période de comparaison (années récentes utilisées pour calculer la comparaison). Il est recommandé d’utiliser une période de trois ans pour éviter les fluctuations annuelles liées au climat.

3. Pour chaque pixel, utilisez les intégrales annuelles de NDVI pour la période de base pour calculer une distribution de fréquence. Lorsque la période de référence a raté des valeurs extrêmes du NDVI, ajouter 5 % aux deux extrêmes de la distribution. Cette courbe de distribution de fréquence étendue est ensuite utilisée pour définir les valeurs seuils des classes du 10e percentile.

4. Calculer le NDVI moyen pour la période de référence et déterminer la classe de percentiles à laquelle elle appartient. Attribuer à l’indicateur NDVI moyen, pour la période de référence, le nombre correspondant à cette classe de percentiles. Les valeurs possibles vont de 1 (classe la plus basse) à 10 (classe la plus élevée).

5. Calculer le NDVI moyen pour la période de comparaison et déterminer la classe de percentiles à laquelle elle appartient. Attribuer à l’indicateur NDVI moyen, pour la période de comparaison, le nombre correspondant à cette classe de percentile. Les valeurs possibles vont de 1 (classe la plus basse) à 10 (classe la plus élevée).

6. Déterminer la différence de numéro de classe entre la comparaison et la période de référence (comparaison moins référence).

7. Si la différence de classe entre la référence et la période de comparaison est ≤ 2, alors ce pixel pourrait potentiellement être dégradé. Si la différence est ≥ 2, ce pixel indiquerait une amélioration récente en termes de productivité primaire. Les pixels avec de petites modifications sont considérés comme stables.

Le tableau ci-dessous répertorie les ensembles de données disponibles dans pour calculer l’indicateur d’état de la productivité :

Variable	Capteur/ensemble de données	Temporel	Résolution spatiale	Étendue	Unités/description
NDVI	AVHRR/GIMMS	1982-2015	8 km	Mondiale	NDVI annuel moyen * 10000
NDVI	MOD13Q1-coll6.1	2001-2024	250 m	Mondiale	NDVI annuel moyen * 10000

Performance de la productivité

L’indicateur de performance de productivité mesure la productivité locale par rapport à d’autres types de végétaux similaires dans des types de couverture terrestre ou des régions bioclimatiques similaires dans toute la zone d’étude. utilise une combinaison unique d’unités de sol (unités de taxonomie des sols utilisant le système USDA fourni par SoilGrids avec une résolution de 250 m) et de couverture terrestre (37 classes de couverture terrestre complètes fournies par ESA CCI avec une résolution de 300 m) pour définir ces zones d’analyse. L’indicateur de performance est calculé comme suit :

1. Définir la période d’analyse, et utiliser les séries chronologiques de NDVI pour calculer le NDVI pour chaque pixel.

2. Définissez des unités similaires sur le plan écologique comme étant l’intersection unique de la couverture terrestre et du type de sol.

3. Pour chaque unité, extrayez toutes les valeurs NDVI moyennes calculées à l’étape 1 et créez une distribution de fréquence. De cette distribution, déterminez la valeur qui représente le 90e percentile (nous conseillons d’utiliser la valeur NDVI absolue maximale pour éviter les erreurs possibles dues à la présence de valeurs extrêmes). La valeur représentant le 90e percentile sera considérée comme la productivité maximale pour chaque unité.

4. Calculer le rapport entre le NDVI moyen et productivité maximale (dans chaque cas, comparer la valeur moyenne observée au maximum de l’unité correspondante).

5. Si la moyenne observée du NDVI est inférieure à 50 % de la productivité maximale, ce pixel est considéré comme potentiellement dégradé pour cet indicateur.

Le tableau ci-dessous répertorie les ensembles de données disponibles dans pour calculer l’indicateur de performance de productivité :

Variable	Capteur/ensemble de données	Temporel	Résolution spatiale	Étendue	Unités/description
NDVI	AVHRR/GIMMS	1982-2015	8 km	Mondiale	NDVI annuel moyen * 10000
NDVI	MOD13Q1-coll6.1	2001-2024	250 m	Mondiale	NDVI annuel moyen * 10000
Couverture terrestre	ESA CCI	1992-2022	300 m	Mondiale	Classes thématiques de couverture terrestre
Unités de taxonomie des sols	SoilGrids - USDA	Statique	250 m	Mondiale	Unités de sol

Combinaison des indicateurs de productivité

Les trois indicateurs de productivité sont ensuite combinés comme indiqué dans les tableaux ci-dessous. Pour le rapport SDG 15.3.1, l’indicateur à 3 classes est exigé, mais produit également un indicateur à 5 classes qui exploite les informations fournies par l’État pour indiquer le type de dégradation qui se produit dans la région.

Aggregating Land Productivity metrics

Trend	State	Performance
Improving	Improving	Stable
Improving	Improving	Degrading
Improving	Stable	Stable
Improving	Stable	Degrading
Improving	Degrading	Stable
Improving	Degrading	Degrading
Stable	Improving	Stable
Stable	Improving	Degrading
Stable	Stable	Stable
Stable	Stable	Degrading
Stable	Degrading	Stable
Stable	Degrading	Degrading
Degrading	Improving	Stable
Degrading	Improving	Degrading
Degrading	Stable	Stable
Degrading	Stable	Degrading
Degrading	Degrading	Stable
Degrading	Degrading	Degrading

➡

5 Classes	3 Classes
Improving	Improving
Improving	Improving
Improving	Improving
Improving	Improving
Improving	Improving
Moderate decline	Degrading
Stable	Stable
Stable	Stable
Stable	Stable
Stressed	Stable
Moderate decline	Degrading
Degrading	Degrading
Degrading	Degrading
Degrading	Degrading
Degrading	Degrading
Degrading	Degrading
Degrading	Degrading
Degrading	Degrading

Couverture terrestre

Pour évaluer les changements du couvert terrestre, les utilisateurs ont besoin de cartes de couverture terrestre couvrant la zone d’étude pour les années de référence et les années cibles. Ces cartes doivent être d’une précision acceptable et créées de manière à permettre des comparaisons valables. utilise les cartes de couverture terrestre de l’ESA CCI comme série de données par défaut, mais des cartes locales peuvent également être utilisées. L’indicateur est calculé comme suit:

1. Reclasser les deux cartes du couvert végétal dans les 7 classes de couverture terrestre requises pour la déclaration à la CNULCD (forêts, prairies, terres cultivées, zones humides, zones artificielles, terres nues et eau).

2. Effectuer une analyse de transition de la couverture terrestre pour identifier les pixels qui sont restés dans la même classe de couverture terrestre et ceux qui ont changé.

3. Sur la base de votre connaissance locale des conditions dans la zone d’étude et de la dégradation des terres traitées, utilisez le tableau ci-dessous pour identifier les transitions qui correspondent à la dégradation (signe-), à l’amélioration (signe +) ou à aucun changement de condition (zéro).

1. combinera les informations des cartes de la couverture terrestre et du tableau des typologies de dégradation par transition de couverture terrestre pour calculer le sous-indicateur de la couverture terrestre.

Carbone organique du sol

Le troisième sous-indicateur de suivi de la dégradation des terres dans le cadre du processus de l’ODD quantifie les changements du carbone organique du sol (COS) au cours de la période considérée. Les changements du SOC sont particulièrement difficiles à évaluer pour plusieurs raisons, dont la forte variabilité spatiale des propriétés du sol, le temps et l’intensité des coûts d’études représentatives des sols et l’absence de séries chronologiques sur le SOC pour la plupart des régions du monde. Pour remédier à certaines des limitations, une méthode combinée de couverture du sol/SOC est utilisée dans pour estimer les changements du COS et identifier les zones potentiellement dégradées. L’indicateur est calculé comme suit:

1. Déterminer les valeurs de référence du COS. utilise les stocks de carbone SoilGrids 250m pour les 30 premiers cm du profil de sol comme valeurs de référence pour le calcul (NOTE: SoilGrids utilise des informations provenant de diverses sources de données et couvrant de nombreuses années pour ce produit. Assigner une date pour les calculs pourrait être une source d’inexactitude dans les calculs de changement des stocks).

2. Reclasser les cartes du couvert végétal dans les 7 classes de couverture terrestre nécessaires pour la déclaration à la CNULCD (forêts, prairies, terres cultivées, zones humides, zones artificielles, terres nues et eau). Idéalement, les cartes de couverture terrestre annuelles sont préférables, mais au minimum, des cartes de couverture terrestre pour les années de début et de fin sont nécessaires.

3. Pour estimer les variations des stocks de carbone pour la période de déclaration, des coefficients de conversion du carbone pour les changements de l’utilisation des terres, la gestion et les intrants sont recommandés par le GIEC et la CNULD. Cependant, des informations spatialement explicites sur la gestion et les intrants de carbone ne sont pas disponibles pour la plupart des régions. En tant que tel, seul le coefficient de conversion de l’utilisation des terres peut être appliqué pour estimer les changements dans les stocks de carbone (en utilisant la couverture terrestre comme indicateur de l’utilisation des terres). Les coefficients utilisés sont le résultat d’une revue de la littérature réalisée par la CNULD et sont présentés dans le tableau ci-dessous. Ces coefficients représentent la proportion des stocks de carbone après 20 ans de changement de la couverture terrestre.

LU coefficients	Forest	Grasslands	Croplands	Wetlands	Artificial areas	Bare lands	Water bodies
Forest	1	1	f	1	0.1	0.1	1
Grasslands	1	1	f	1	0.1	0.1	1
Croplands	1/f	1/f	1	1/0.71	0.1	0.1	1
Wetlands	1	1	0.71	1	0.1	0.1	1
Artificial areas	2	2	2	2	1	1	1
Bare lands	2	2	2	2	1	1	1
Water bodies	1	1	1	1	1	1	1

Les changements du COS sont mieux étudiés pour les transitions de couverture terrestre impliquant l’agriculture, et pour cette raison, il existe un ensemble différent de coefficients pour chacune des principales régions climatiques mondiales: Tempéré sec (f = 0,80), tempéré humide (f = 0,69), tropical sec (f = 0,58), tropical humide (f = 0,48) et Tropical montagnard (f = 0,64).

4. Calculer des différences relatives dans le COS entre la période de référence et la période cible, les zones ayant subi une perte de 10% ou plus pendant la période considérée seront considérées comme potentiellement dégradées et les zones connaissant un gain de 10 % ou plus comme potentiellement améliorées.

Combinaison des indicateurs en un seul indicateur SDG 15.3.1

L’intégration des trois sous-indicateurs SDG 15.3.1 est effectuée selon la règle « one-out all-out » (1OAO), ce qui signifie que si une zone/un pixel a été identifié comme potentiellement dégradé par l’un des sous-indicateurs, cette zone/ce pixel sera alors considéré comme potentiellement dégradé dans le cadre du rapport.

Aggregating SDG 15.3.1 sub-indicators - 1OAO

Land Productivity	Land Cover	SOC
Improving	Improving	Improving
Improving	Improving	Stable
Improving	Improving	Declining
Improving	Stable	Improving
Improving	Stable	Stable
Improving	Stable	Declining
Improving	Declining	Improving
Improving	Declining	Stable
Improving	Declining	Declining
Stable	Improving	Improving
Stable	Improving	Stable
Stable	Improving	Declining
Stable	Stable	Improving
Stable	Stable	Stable
Stable	Stable	Declining
Stable	Declining	Improving
Stable	Declining	Stable
Stable	Declining	Declining
Declining	Improving	Improving
Declining	Improving	Stable
Declining	Improving	Declining
Declining	Stable	Improving
Declining	Stable	Stable
Declining	Stable	Declining
Declining	Declining	Improving
Declining	Declining	Stable
Declining	Declining	Declining

➡

SDG 15.3.1
Improving
Improving
Declining
Improving
Improving
Declining
Declining
Declining
Declining
Improving
Improving
Declining
Improving
Stable
Declining
Declining
Declining
Declining
Declining
Declining
Declining
Declining
Declining
Declining
Declining
Declining
Declining

Calcul de la carte d’état

Selon l’addendum au guide des bonnes pratiques de l’indicateur SDG 15.3.1, la carte d’état « fait référence à l’état final (par rapport à la base de référence) des terres à la fin de chaque période de référence, classé comme dégradé, stable ou amélioré ». Elle combine la couche de l’indicateur SDG 15.3.1 calculée pour une période d’évaluation donnée avec la base de référence de l’indicateur SDG 15.3.1. En combinant ces deux couches, la carte d’état montre les changements qui se sont produits au cours de la période d’évaluation, associés à l’état des terres (dégradation, stabilité, amélioration) cartographié lors de la période de référence, ce qui permet de mieux comprendre l’évolution de l’état des terres au fil du temps.

Note

La couche « État » pour la période de référence correspond à l’indicateur SDG 15.3.1 calculé pour l’évaluation de référence (soit Évaluation de référence == État 2015).

Pour associer une évaluation donnée à l’indicateur de référence SDG 15.3.1, il est nécessaire d’appliquer la matrice d’état 3 x 3.

		PERIOD ASSESSMENT
		DEGRADED	STABLE*	IMPROVED*
BASELINE	DEGRADED	Degraded	Degraded	Improved
	STABLE*	Degraded	Stable	Improved
	IMPROVED*	Degraded	Improved	Improved

* Not Degraded areas.

Note

Pour en savoir plus sur la manière d’établir la carte d’état, consultez `l’addendum au guide des bonnes pratiques pour l’indicateur SDG 15.3.1 <https://www.unccd.int/sites/default/files/2025-07/GPG%20Addendum_%20Advanced%20Unedited%20Version.pdf> `_, qui comporte une section consacrée à l”« Évaluation de l’état pour chaque processus de reporting » à partir de la page 19.

Matrice d’état étendue

Si la carte de l’état des terres résultant de la comparaison ci-dessus fournit un aperçu de l’état des terres à la fin de la période considérée, réparties en trois grandes catégories (dégradées, stables et améliorées), les dynamiques sous-jacentes qui conduisent à cet état final peuvent être complexes : il existe neuf types de changements distincts (cette matrice étant une matrice 3 x 3) affectant l’état des terres. La compréhension de ces différentes trajectoires permet une interprétation plus approfondie des changements de l’état des terres, ce qui permet d’identifier les gains et les pertes de capital naturel qui se sont produits par rapport à un état de référence. Par exemple, la dégradation et l’amélioration peuvent correspondre à des changements récents, à une continuation des tendances en cours dans des zones précédemment dégradées ou améliorées, ou à une stabilité dans des zones déjà dégradées ou améliorées au cours d’une période antérieure.

La matrice d’état ci-dessous peut être utilisée à la place de la matrice 3 x 3 ci-dessus pour saisir les différents types de changements pouvant survenir dans l’état des terres. Cette version élargie de la matrice d’état permet une classification plus détaillée des modifications de l’état des terres, fournissant des informations sur la nature et la chronologie des processus de dégradation et d’amélioration.

		PERIOD ASSESSMENT
		DEGRADED	STABLE	IMPROVED
BASELINE	DEGRADED	1 - Persistent Degradation	3 - Baseline Degradation	6 - Recent Improvement
	STABLE	2 - Recent Degradation	4 - Stability	6 - Recent Improvement
	IMPROVED	2 - Recent Degradation	5 - Baseline Improvement	7 - Persistent Improvement

Expanded version of the "Status Matrix" showing land condition that results from the comparison of the baseline (rows) and the period assessment (columns): degraded (purple), stable (yellow), and improved (green).

Chaque type de changement représenté dans la matrice d’état élargie est détaillé ci-dessous. Le tableau présente les neuf combinaisons possibles dans la matrice 3 × 3, reflétant les changements intervenus entre l’évaluation de référence et l’évaluation de la période actuelle. Pour chaque combinaison, une brève interprétation du changement est fournie, ainsi que sa classification en tant qu’amélioration ou dégradation récente ou de référence. Cette classification permet de comprendre si les changements observés représentent de nouvelle évolutions survenues au cours de la période concernée ou s’il n’y a eu aucun changement d’état.

Note

Pour en savoir plus sur la manière d’établir la carte d’état élargie, consultez `l’addendum au guide des bonnes pratiques pour l’indicateur SDG 15.3.1 <https://www.unccd.int/sites/default/files/2025-07/GPG%20Addendum_%20Advanced%20Unedited%20Version.pdf> `_, qui comporte une section consacrée à la « Caractérisation plus approfondie de la dégradation et de l’amélioration des terres » à partir de la page 29.

Objectif stratégique CNULCD 2 (SO 2)

Pour améliorer les conditions de vie des populations affectées

Relever les défis mondiaux de la désertification, de la dégradation des terres et de la sécheresse (DLDD) et de leurs impacts sur les systèmes humains et environnementaux est une composante clé pour l’agenda 2030 de développement durable. En particulier, l’Objectif de développement durable (ODD) 15.3 vise à lutter contre la désertification, à restaurer les terres et les sols, y compris les terres affectées par la désertification, la sécheresse et les inondations, et s’efforce de bâtir un monde sans dégradation des terres. Il est essentiel de relever ce défi pour améliorer la vie des personnes les plus affectées par la DLDD et pour se protéger contre les effets les plus extrêmes du changement climatique.

Les moyens de subsistance des personnes dans les régions dégradées comprennent de nombreuses caractéristiques humaines et naturelles des environnements locaux, y compris l’accès adéquat à la nourriture et l’eau, soit directement à travers des moyens de subsistance suffisants ou par le biais de revenus suffisants pour acheter la nourriture et l’eau, ou par une combinaison des deux. Si la sécurité en matière de nourriture et d’eau est assurée, l’exode des régions affectées ne devraient plus être forcé, mais volontaire par nature. Les populations, les communautés et les ménages socialement et économiquement marginalisées ont tendance à être vulnérables d’une manière disproportionnée au changement climatique et aux effets combinés de la DLDD. Pouvoir identifier et quantifier la composition, la distribution et la vulnérabilité relative de ces populations, communautés et ménages est essentiel pour renforcer la résilience des moyens de subsistance, dans le but d’améliorer les adaptations positives à la DLDD.

How population exposure is calculated

|trends.earth|permet aux utilisateurs de suivre l’indice de l’objectif stratégique 2 du CNULCD sur les Tendances de l’exposition des populations à la dégradation des terres désagrégées par sexe (SO 2-3) en calculant les proportions de population, désagrégées par sexe, exposées à la dégradation des terres. |trends.earth|utilise des données maillées représentant la distribution spatiale de la population sur la carte d’indice ODD 15.3.1 pour établir son exposition à la dégradation des terres.

L’indicateur (SO 2-3) utilise les mesures suivantes :

• Percentage of the female population exposed to land degradation

• Percentage of the male population exposed to land degradation

• Percentage of the total (female and male) population exposed to land degradation

To calculate the SO 2-3 indicator, uses gridded population data from the WorldPop project. WorldPop provides separate raster layers for male and female population, each representing the estimated number of people per grid cell for a given year. overlays these population grids with the final SDG 15.3.1 indicator map, which classifies every pixel as degraded, stable, or improved. For each degradation class the tool sums the number of people — separately for males and females — whose grid cell falls within that class. Areas classified as water bodies are masked out and excluded from the totals, in line with UNCCD reporting requirements.

The resulting totals are then expressed as percentages of the total population within the area of interest, producing the three SO 2-3 metrics: the percentage of the female population, the male population, and the combined population exposed to land degradation. In the output map, pixels in degraded areas retain their population count as a positive value, pixels in improved areas are shown as negative values (indicating population in areas where conditions have improved), and water areas are marked as no-data. This sign convention makes it straightforward to distinguish, at a glance, populations living on degraded land from those on improving land.

Objectif stratégique CNULCD 3 (SO 3)

Pour une atténuation, une adaptation et une gestion des effets de la sécheresse, en vue d’améliorer la résilience des populations et des écosystèmes vulnérables.

Sécheresse et dégradation des terres

La dégradation des terres, comme définie par la CNULCD, se réfère à toute réduction ou perte de la capacité biologique ou productive économique de la base de ressources en terres. Elle est généralement causée par l’activité humaine, exacerbée par les processus naturels, et souvent amplifiée par le changement climatique et la perte de la biodiversité, auxquels elle est intimement liée. La dégradation des terres réduit la productivité agricole et rend plus vulnérable ces régions déjà menacées par les impacts de variabilité et du changement du climat, en particulier dans les régions du monde.

La sécheresse est un phénomène complexe et progressif qui survient à différentes échelles. Elle est caractérisée par une réduction de la disponibilité en eau, conduisant à des effets en cascade sur les moyens de subsistance des personnes et les secteurs économiques. La sécheresse est plus simplement définie comme une période de saison sèche assez longue pour causer un déséquilibre hydrologique, bien qu’une définition mondialement reconnue de la sécheresse n’existe pas. De plus, la sécheresse ne survient généralement pas comme un événement à risque unique, mais plutôt en corrélation avec d’autres risques que sont les vagues de chaleur, les feux de brousse, les tempêtes de sable et de poussière et les inondations.

Le Groupe d’experts intergouvernemental sur l’évolution du climat (GIEC) définit la sécheresse comme « une période de sécheresse assez longue pour causer un déséquilibre hydrologique sérieux ». La sécheresse est un terme relatif, par conséquent toute discussion au sujet d’un déficit de précipitation peut renvoyer à l’activité particulière liée aux précipitations qui est en discussion. Par exemple, un déficit de précipitation pendant la saison de croissance affecte la production des cultures ou la fonction de l’écosystème en général (en raison de la sécheresse de l’humidité du sol, également appelée sécheresse agricole), et durant la saison de ruissellement et de percolation, cela affecte principalement la fourniture en eau (sécheresse hydrologique). Les changements de stockage dans l’humidité du sol et les eaux souterraines sont aussi affectés par les augmentations dans l’évapotranspiration réelle, en plus des baisses de précipitation. Une période avec un déficit anormal de précipitation est définie comme une sécheresse météorologique. Voir également l’humidité des sols (Rapport d’évaluation GIEC 5, 2014). Le Bureau des Nations unies pour la réduction des risques de catastrophes (UNDRR) définit la sécheresse comme un danger progressif, souvent désigné comme un phénomène insidieux. L’absence de définition précise, universellement acceptée, de la sécheresse augmente la confusion. Les définitions doivent être spécifiques aux régions, car chaque régime climatique a des caractéristiques climatiques distinctives (UNDRR GAR Chapitre 6). L’absence de définition unanimement reconnue complique les efforts de contrôle, vu que la définition et l’approche de contrôle sont spécifiques au contexte. Les taux de pauvreté restent élevés, en dépit des efforts pour réduire la pauvreté, les inégalités et améliorer le bien-être socio-économique de toutes les personnes dans le monde.

La sécheresse affecte de plus en plus un grand nombre de personnes, les moyens de subsistance, les écosystèmes et les économies dans le monde. Lorsqu’elle survient en conjonction avec la dégradation des terres, elle peut exposer des populations déjà vulnérables à une subsistance délétère, à des risques environnementaux, socio-économiques et sanitaires et diminuer la résilience de la population et de la communauté.

La CNULCD a adopté un cadre de suivi à trois niveaux pour SO3 :

Niveau I SO 3-1 Tendances dans la proportion des terres sous sécheresse sur le total de la zone terrestre (danger), Niveau II SO 3-2 Tendances dans la proportion de la population totale exposée à la sécheresse (exposition), Niveau III SO 3-3 Tendances dans le degré de vulnérabilité à la sécheresse (vulnérabilité).

Sous le cadre GIEC :

Le danger est la survenue potentielle d’un événement physique naturel ou induit par l’être humain, une tendance ou un impact physique qui peut causer une perte en vie, une blessure ou autres impacts sur la santé, ainsi que des dommages et des pertes de propriété, d’infrastructure, de moyens de subsistance, de fourniture de services, d’écosystèmes et de ressources environnementales.

L”exposition caractérise la présence de personnes, de moyens de subsistance, d’espèces ou d’écosystèmes, de fonctions, de services et ressources environnementales, d’infrastructure ou d’actifs économiques, sociaux ou culturels dans des lieux ou situations, lesquels pourraient être affectés négativement.

La vulnérabilité est définie comme la propension ou la prédisposition à être négativement affecté par le changement climatique et les processus connexes.

Dans le but d’évaluer les indices SO 3,|trends.earth|utilisent les informations de trois sous-indices :

• Indice de précipitations normalisé (SPI), ou indice de précipitations et d’évapotranspiration normalisé (SPEI)

• Jeu de données maillées pour la population mondiale

• Indice de la vulnérabilité à la sécheresse (DVI)

|trends.earth|permet à l’utilisateur de calculer chacun de ces indices d’une façon spatialement explicite, générant des cartes raster et produisant un tableau récapitulatif présentant les zones à amélioration ou dégradation potentielle pour la région analysée. SO 3-1 « Tendances dans la proportion de terres sous sécheresse sur la zone terrestre totale ».

The United Nations Convention to Combat Desertification (UNCCD) has developed a Good practice guidance for national reporting on UNCCD Strategic Objective 3 (GPG-SO3). providing recommendations on how to calculate indicators of SO3.

Le document fournit une brève introduction sur l’objectif stratégique 3 de la CNULCD et décrit comment chaque indicateur est calculé par|trends.earth, en suivant la directive des bonnes pratiques de l’objectif stratégique 3.

SO3 Indicateur de niveau I (Danger SO 3-1)

Étapes pour le calcul de l’indice de niveau, en suivant la directive CNULCD GPG-SO3 :

1. Calculer le SPI en utilisant une période d’accumulation de 12 mois (SPI-12) et des données de précipitations maillées.

2. Identifier la catégorie d’intensité de la sécheresse de chaque pixel en se basant sur le SPI précédemment calculé

3. Calculer la proportion de terres dans chaque catégorie d’intensité de sécheresse.

Indice de précipitation normalisé (SPI)

L’indice de précipitation normalisé (SPI) a été largement utilisé pour caractériser la sécheresse météorologique ou le déficit de précipitations. Elle a été reconnue à travers la Déclaration de Lincoln sur la sécheresse comme l’indice préféré sur le plan international pour calculer et suivre la sécheresse météorologique. L’indice SPI est calculé comme des déviations standard des précipitations observées sur une période spécifique par rapport à la moyenne de long terme sur des périodes d’une durée de 30 ans de données en général, pour une distribution normale et une distribution de probabilité ajustée pour le relevé de précipitation réelle. Les principaux avantages de l’utilisation de l’indice SPI pour le suivi de la sécheresse mondiale, la prédiction et l’évaluation de risque est qu’il est actuellement utilisé dans de nombreux pays dans le monde et est promu par l’Organisation météorologique mondiale. Parmi les autres principaux avantages, figure le fait que l’indice SPI représente aussi bien les déficits que les surplus de précipitations. En outre, il peut être calculé sur différents délais (par exemple, SPI-3, SPI-6, SPI-12, avec le nombre indiquant le nombre de mois sur lesquels l’indice est calculé). Par conséquent, il considère indirectement les effets de l’accumulation des déficits de précipitation, qui sont cruciaux pour l’humidité des sols et les sécheresses hydrologiques.

Par défaut,|trends.earth| donne accès à l’indice SPI calculé par le produit de suivi du Centre mondial de climatologie des précipitations (GPCC), une trame représentant les précipitations et qui dérive des données pluviométriques présentant une résolution spatiale d’environ 27 km2 et couvrant toute la planète. Les utilisateurs ont également le choix d’utiliser un autre indice SPI calculé par le Groupe des dangers climatiques à données de précipitations infrarouges avec stations (CHIRPS), avec des estimations de précipitations basées sur des observations satellitaires combinées aux données de station de jaugeage sur 5 km2. Avec une meilleure résolution spatiale, CHRIPS a une couverture « quasi-globale » qui s’étend de 50°S à 50°N. Par conséquent, les utilisateurs intéressés par le calcul du danger SO3-1 pour les régions hors de cette plage ne pourront pas utiliser les jeux de données du CHRIPS.

Étape 1. Calculer l’indice SPI

L’indice SPI quantifie les précipitations observées comme un écart normalisé à partir d’une fonction de distribution de probabilité sélectionnée qui modélise les données brutes. Les données brutes peuvent être intégrées à une distribution gamma ou Pearson Type III et ensuite transformées en une distribution normale. Les données de précipitations transformées sont ensuite utilisées pour calculer la valeur adimensionnelle de l’indice SPI, définie comme l’anomalie normalisée des précipitations.

Les équations détaillées pour le calcul de cet indice sont décrites dans les étapes suivantes, en utilisant la distribution gamma :

1. La transformation de la valeur des précipitations dans l’indice SPI a les buts suivants :

   1. Transformer la moyenne de la valeur des précipitations réglée à 0 ;

   2. La déviation standard des précipitations est réglée à 1.0 ; et

   3. L’asymétrie des données existantes doit être réajustée à zéro.

Lorsque ces objectifs sont atteints, l’indice de précipitation normalisé peut être interprété comme une moyenne 0 et une déviation 1.0.

2. La moyenne des précipitations peut être calculée comme :

où N est le nombre d’observations de précipitations.

3. La déviation standard pour les précipitations est calculée comme :

4. L’asymétrie des précipitations données est calculée comme :

5. Les précipitations sont converties en des valeurs logarithmiques et les statistiques U, les paramètres de forme et d’échelle de distribution gamma sont calculés.

6. Les paramètres résultants sont ensuite utilisés pour trouver la probabilité cumulative d’un événement de précipitation observé. La probabilité cumulative est donnée par :

7. Puisque la fonction gamma n’est pas définie pour x = 0 et qu’une distribution des précipitations peut contenir des zéros, la probabilité cumulative devient :

avec la probabilité de q qui est zéro.

8. La probabilité cumulative H(x) est ensuite transformée en la variable aléatoire normale standard Z avec une moyenne de 0 et une variance de 1 :

où :

Étape 2. Identifier les catégories d’intensité de sécheresse

Les valeurs SPI adimensionnelles sont interprétés comme le nombre de déviations standard par lesquelles l’anomalie observée dévie de la moyenne de long terme. Elles sont généralement étiquetées par catégorie sur la base de la condition (par exemple, extrêmement humide, extrêmement sec, normal), comme affiché dans le tableau ci-dessous. Une sécheresse survient lorsque l’indice SPI est négatif de manière consécutive, et sa valeur atteint une intensité de -1 ou inférieure, et prend fin lorsque l’indice SPI devient positif.

Description	Catégorie de précipitations
2,0 ou plus	Extrêmement humide
1,5 à 1,99	Fortement humide
1,0 à 1,49	Modérément humide
-0,99 à 0,99	Proche de la norme
-1,0 à -1,49	Sécheresse modérée
-1,5 à -1,99	Sécheresse sévère
-2,0 ou moins	Sécheresse extrême

Les catégories d’intensité de sécheresse sont identifiées en évaluant les valeurs SPI-12 de décembre pour les séries chronologiques. Les valeurs de SPI-12 de décembre représentent les déficits de précipitation (ou les excès) dans l’année calendaire grégorienne (janvier-décembre). Les valeurs d’indice SPI positives sont ignorées, puisqu’elles indiquent qu’il n’y a pas eu de sécheresse dans la période donnée.

Pour de plus amples détails sur l’indice SPI, voir « la directive sur les bonnes pratiques pour un rapport national sur l’objectif stratégique 3 de la CNULCD <https://www.unccd.int/sites/default/files/documents/2021-09/UNCCD_GPG_Strategic-Objective-3_2021.pdf> » _. Nous recommandons également de lire le rapport technique Tools4LDN sur le suivi des progrès accomplis dans la réalisation de l’objectif stratégique 3 de la CNULCD « Examen des ensembles de données et des indicateurs géospatiaux accessibles au public à l’appui de la surveillance de la sécheresse <https://static1.squarespace.com/static/5dffad039a288739c6ae0b85/t/6033f28abca1996aedc492d5/1614017200233/ci-4-Tools4LDN2-FNL+web.pdf>»_.

Étapes 3. Calculer la proportion des terres dans chaque catégorie d’intensité de sécheresse.

L’équation pour estimer le pourcentage de terres dans les catégories d’intensité de sécheresse prend les zones terrestres sous chaque catégorie d’intensité de sécheresse identifiée dans l’étape précédente sur la zone terrestre totale, comme suit :

Où :

Pij is the proportion of land under the drought intensity class i in the year j

« areaij » est la zone terrestre sous la catégorie d’intensité de sécheresse i dans le rapport de l’année j

« Total area » est la totalité de la zone terrestre.

Indice SO3 niveau II (Exposition SO 3-2)

L’indice d’exposition à la sécheresse SO3 niveau III de la CNULCD est basé sur l’indice de danger SO3 niveau I en superposant des données de population maillées. L’utilisation de la superposition des données de population comme proxy pour calculer l’exposition à la sécheresse est une méthode simple. Connaître le nombre de personnes directement affectées par la sécheresse peut aider à allouer l’aide aux régions qui en ont le plus besoin, sur la base du pourcentage de population exposée et la force de cette exposition (sévérité de la sécheresse). Cette méthode peut également servir de proxy pour la sécheresse socio-économique. Le calcul de la désagrégation du genre pour l’indice de population du SO3 niveau II est calculé sur la base du pourcentage d’hommes et du pourcentage femmes dans chaque cellule de la grille. Les résultats comprennent les informations d’exposition par genre (pourcentage d’hommes et de femmes) exposé à chaque catégorie d’intensité de sécheresse de niveau I. Cela produit deux grilles comparables qui peuvent être agrégées à des frontières administratives si on le souhaite. Dans ce cas, les relations globales et spatiales entre le genre et la survenue et/ou la sévérité de la sécheresse peuvent être mieux quantifiées et visualisées.

Les données WorldPop sont un ensemble de données géospatiales haute résolution maillées concernant les distributions, la démographie et les dynamiques de la population. Les niveaux spatialement désagrégés de WorldPop sont maillés avec une résolution de sortie de 3 secondes d’arc et 30 secondes d’arc (approximativement 100 m et 1 km, respectivement à l’équateur) et incorporent des intrants tels que les tableaux de recensement de population et les frontières géographiques nationales, les routes, la couverture terrestre, les structures bâties, les régions urbaines, les lumières nocturnes, l’infrastructure, les données environnementales, les zones protégées et les étendues d’eaux. La force du WorldPop est que la méthode d’estimation de la population par carte dasymétrique est multivariable, c’est-à-dire très modélisée, et par conséquent conçue sur mesure pour correspondre aux conditions des données et à la nature géographique de chaque pays et région. Les informations sur le genre sont également disponibles. La faiblesse du WorldPop est que l’utilisation de modèles d’interpolation aussi complexes avec des données de recensement éparses peut donner des estimations de populations très incertaines et très imprécises dans des régions sous-nationales et rurales. En dépit des limitations mentionnées précédemment, WorldPop reste l’ensemble de données maillées sur la population le plus idéal, car il répond à tous nos critères d’inclusion, y compris la résolution spatiale, la couverture globale, la fréquence de mise à jour des données et l’inclusion d’une composante ventilée par genre.

Le pourcentage d’exposition à la sécheresse est calculé en divisant le nombre de personnes dans chaque catégorie d’intensité de sécheresse par la population totale.

How population exposure to drought is represented in Trends.Earth

The SO 3-2 Exposure summary output in Trends.Earth is a multi-band raster file. Bands are organised in pairs, one pair per drought reporting period (each period is by default 4 years). Within each pair:

• The first band contains the most severe SPI value recorded during that period — the minimum SPI across all years in the period. A negative SPI indicates a precipitation deficit relative to the long-term mean, i.e., drought conditions.

• The second band contains the population count for the pixel at the time of the most severe drought, with the sign of the value encoding drought exposure:

  • A negative population value indicates that the pixel experienced drought during that period (minimum SPI < 0).

  • A positive population value indicates that the pixel experienced above-average precipitation during that period (SPI ≥ 0 throughout the entire period).

  • Pixels over water bodies are set to no-data, in line with UNCCD reporting requirements.

For the final drought period only, if sex-disaggregated population data are available, two additional bands follow the standard pair: a female population band and a male population band, both using the same sign convention described above.

This encoding makes it straightforward to derive exposure statistics from a single band: the absolute values of all valid pixels give the total population, while the absolute values of the negative pixels alone give the drought-exposed population.

Indice SO3 niveau III (vulnérabilité SO 3-3)

L’évaluation de la vulnérabilité à la sécheresse est basée sur l’indice de vulnérabilité à la sécheresse (DVI), un indice composite comprenant trois composantes reflétant la vulnérabilité de la population à la sécheresse : i) social, ii) économique et iii) infrastructurel. Pour le moment, l’indice DVI ne comporte pas de composantes sur la vulnérabilité écologique ou de l’écosystème. |trends.earth|donne accès à l’ensemble données DVI globaux par défaut produites par le Joint Research Centre (JRC). Le JRC a développé un cadre qui intègre 15 composantes économiques, sociales et infrastructurelles liées à la vulnérabilité à la sécheresse, tirées des sources de données globales. Le cadre recommande que les indices sur la sécheresse devraient inclure des facteurs orthogonaux sociaux, infrastructurels et économiques qui sont génériques et valides pour chaque région.

Le cadre JRC pour le suivi du risque de sécheresse, tel que décrit dans « Carrão et al., 2016 <https://www.sciencedirect.com/science/article/pii/S0959378016300565> »_ adopte une approche d’évaluation de la vulnérabilité à la sécheresse pour SO3, qui fut initialement proposée par le Bureau des Nations unies pour la réduction des risques de catastrophes (UNDRR - précédemment la Stratégie internationale des Nations unies pour la réduction des catastrophes ou UNISDR), et qui reflète l’état des facteurs individuels, collectifs, sociaux, économiques et infrastructurels d’une région [61]. Cette méthode a également été mise en œuvre dans le cadre de l’observatoire mondial de la sécheresse (GDO) du JRC afin de documenter et de cartographier le risque mondial de l’impact de la sécheresse sur l’agriculture. Les auteurs indiquent que les facteurs qui ont été inclus ne représentent pas une description complète de la vulnérabilité en relation avec un élément exposé spécifique, mais peuvent être considérés comme le fondement pour construire un plan régional pour la réduction de la vulnérabilité et la facilitation de l’adaptation.

La méthodologie utilisée dans « Carrão et al., 2016 <https://www.sciencedirect.com/science/article/pii/S0959378016300565> »_ suit le concept selon lequel les individus et les populations nécessitent un gamme de facteurs semi-indépendants caractérisés par un ensemble d’indicateurs de substitution pour parvenir à une résilience positive aux impacts. La méthodologie utilise un modèle composite à deux variables qui découle de l’agrégation de 15 indicateurs de substitution (affichés dans le tableau ci-dessous), lesquels représentent la vulnérabilité sociale, économique et infrastructurelle dans chaque emplacement géographique (une méthodologie similaire à l’indice DVI, discuté par la suite) et découlent à la fois du niveau national et de données maillées à très haute résolution spatiale.

Proxy indicators for vulnerability to drought used in Carrao et al. 2016 (Table 1). With the exception of gROADS and FAO’s Irrigated Agricultural Lands which are both gridded data, all data are available only at the national level. (Also draws on Table 14 from the Good practice guidance for national reporting on UNCCD Strategic Objective 3.)

Indicateur	Source	Lien
ECONOMIC
Consommation d’énergie par habitant (en millions de BTU par personne)	Agence américaine d’information sur l’énergie (U.S. EIA)	http://www.eia.gov/
Agriculture (% du PIB)	Banque mondiale	http://data.worldbank.org/products/wdi
PIB par habitant (en dollars américains actuels)	Banque mondiale	http://data.worldbank.org/products/wdi
Taux de pauvreté à 1,25 USD par jour (PPA) (% de la population totale)	Banque mondiale	http://data.worldbank.org/products/wdi
SOCIAL
Population rurale (% de la population totale)	Banque mondiale	http://data.worldbank.org/products/wdi
Taux d’alphabétisation (% de la population âgée de 15 ans et plus)	Banque mondiale	http://data.worldbank.org/products/wdi
Amélioration des ressources en eau (% de la population rurale ayant accès à l’eau)	Banque mondiale	http://data.worldbank.org/products/wdi
Espérance de vie à la naissance (années)	Banque mondiale	http://data.worldbank.org/products/wdi
Population âgée de 15 à 64 ans (% de la population totale)	Banque mondiale	http://data.worldbank.org/products/wdi
Population réfugiée par pays ou territoire d’asile (% de la population totale)	Banque mondiale	http://data.worldbank.org/products/wdi
Efficacité gouvernementale	Indicateurs mondiaux de gouvernance (WGI)	https://www.worldbank.org/en/publication/worldwide-governance-indicators/interactive-data-access
Prévention des catastrophes et préparation (USD/an/habitant)	Organisation de coopération et de développement économiques (OCDE)	http://stats.oecd.org/
INFRASTRUCTURAL
Terres agricoles et irriguées (% du total des terres agricoles)	Organisation des Nations unies pour l’alimentation et l’agriculture (FAO)	http://www.fao.org/nr/water/aquastat/main/index.stm
% d’eau renouvelable conservée	Aqueduc	http://www.wri.org/our-work/project/aqueduct
Densité routière (km de route pour 100 km² de superficie)	gROADSv1	https://data.nasa.gov/dataset/global-roads-open-access-data-set-version-1-groadsv1

Ce processus consiste d’abord à combiner les indicateurs présentés dans le tableau pour chaque facteur à l’aide d’un modèle d’analyse d’enveloppement des données (DEA), une technique de programmation linéaire déterministe et non-paramétrique qui peut être utilisée pour quantifier l’exposition relative d’une région à la sécheresse à partir d’un ensemble multidimensionnel d’indicateurs. Ensuite, l’agrégation arithmétique des facteurs individuels résultant du modèle DEA en un modèle composite de vulnérabilité à la sécheresse tel que :

où Soc i, Econ i et Infr i sont les facteurs de vulnérabilité sociaux, économiques et infrastructurels pour la région i.