evidoria

← Back to browse

Good practice

Indice Combiné de Sécheresse — Système d'Action Anticipatoire Assisté par IA du Timor-Leste pour la Sécheresse Agricole

Timor-Leste · Dili · See the Timor-Leste profile

La FAO et le gouvernement du Timor-Leste ont mis au point un indice de sécheresse saisonnier corrigé par XGBoost qui a déclenché le premier protocole d'Action Anticipatoire du pays en octobre 2023, correspondant aux conditions de sécheresse observées dans plus de 80 % des cas (2011–2022) dans cinq municipalités à haut risque.

80%+
Taux de correspondance avec les conditions de sécheresse observées (test rétrospectif, 2011-2022)
0.82
Heidke Skill Score, conditions sans sécheresse (horizon de 3 mois)
0.65-0.68
Heidke Skill Score, sécheresse modérée (horizon de 3 mois)
40%
Baisse de la production de maïs lors de l'épisode El Niño comparable de 2016
57%
Baisse de la production de riz lors de l'épisode El Niño comparable de 2016

Details

Maturity
Scaling
Promoter
Food and Agriculture Organization of the UN (FAO) Timor-Leste, with Timor-Leste's Ministry of Agriculture, Livestock, Fisheries and Forestry and National Directorate of Meteorology and Geophysics
Period
2023–2026 (AA protocol activated Oct 2023; ASIS portal launched May 2026)
Keywords
drought forecasting, machine learning, agriculture, disaster risk, anticipatory action

Context

En 2023, le ministère de l'Agriculture, de l'Élevage, de la Pêche et des Forêts du Timor-Leste et la Direction nationale de la météorologie et de la géophysique, en collaboration avec la FAO, ont construit un indice combiné de sécheresse (CDI) pour déclencher le premier protocole formel d'action anticipative du pays face à la sécheresse agricole. L'indice combine l'indice de précipitation normalisé, un indice d'anomalie d'humidité du sol, un indice de santé de la végétation et des indicateurs El Niño/dipôle de l'océan Indien.

Activities

Un modèle de régression XGBoost, entraîné sur des données mensuelles de 1993 à 2023 (n=369, répartition entraînement/test 70/30), corrige le biais des prévisions saisonnières de précipitations ECMWF SEAS5 pour les municipalités du pays disposant de peu de données. Le protocole d'action anticipative a été formellement activé en octobre 2023 lors d'un épisode El Niño, couvrant cinq municipalités à haut risque : Baucau, Covalima, Liquiçá, Viqueque et Oé-Cusse Ambeno.

Results

Des tests rétrospectifs sur les données de 2011-2022 ont montré que le CDI correspondait aux classifications de sécheresse observées, fondées sur l'humidité du sol, plus de 80 % du temps, avec des Heidke Skill Scores de 0,82 pour les conditions sans sécheresse et de 0,65-0,68 pour la sécheresse modérée à un horizon de trois mois (descendant à 0,33-0,46 pour les catégories plus légères). Un épisode El Niño comparable en 2016 avait réduit la production de maïs et de riz du Timor-Leste de 40 % et 57 % respectivement, dans un pays où 79 % des ménages dépendent de la production agricole.

Conclusions

Le document technique 2024 de la FAO reconnaît franchement les limites du système : aucune observation historique au sol des précipitations ou de l'humidité du sol n'existait dans les municipalités pilotes, obligeant à recourir à des données satellitaires de substitution (CHIRPS), et le modèle 'nécessitera des tests, des révisions et un calibrage réguliers.' Les règles des bailleurs exigeant des déclarations formelles de catastrophe avant le déblocage des fonds sont signalées comme un obstacle structurel. En mai 2026, le gouvernement et la FAO ont lancé un portail successeur, l'Agricultural Stress Index System (ASIS), financé par le Fonds vert pour le climat, étendant la surveillance de la sécheresse à l'ensemble du pays.

Implementation

Indicative cost
Medium (€50k–€500k)
Time to results
Medium (1–3 years)
Staffing & skills
Timor-Leste Ministry of Agriculture, Livestock, Fisheries and Forestry (MALFF), National Directorate of Meteorology and Geophysics, FAO technical team, Civil Protection Authority

Conditions for success

  • Multi-institutional collaboration between government ministries and FAO
  • Bias-correction of seasonal forecasts (ECMWF SEAS5) via machine learning for data-sparse regions
  • Sustained funding pathway (Green Climate Fund) for the successor system

Common failure modes

  • No historical ground-based rainfall or soil-moisture observations existed in pilot municipalities, forcing reliance on satellite (CHIRPS) proxies rather than ground truth
  • Donor rules requiring formal disaster declarations before Anticipatory Action funds can be released are a structural bottleneck
  • Model requires regular testing, revision and calibration per FAO authors

Where it fits

Governance type
national government with UN agency technical assistance
Scale
subnational pilot (5 of 13 municipalities) scaling to national
Income level
lower-middle-income

Data sources

Where this practice's information was retrieved from, and when.

Similar practices you may find useful