Impact du changement climatique sur la saison des pluies en

Article scientifique
Impact du changement climatique
sur la saison des pluies
en Afrique de l’Ouest :
que nous disent les modèles
de climat actuels ?
Tristan d’Orgeval
Laboratoire de météorologie dynamique
du CNRS,
Case 99,
4, place Jussieu,
75252 Paris cedex 05
<T[email protected]>
Résumé
L’objectif de cet article est de déterminer l’impact du changement climatique sur la
saison des pluies en Afrique de l’Ouest à partir des GCM (general circulation model,
modèles de circulation générale) du projet d’intercomparaison CMIP3 (coupled
model intercomparison Project III). Pour cela une caractérisation « dynamique » de
la zone de convergence intertropicale (ZCIT) est utilisée. On s’intéresse plus particu-
lièrement à la latitude du centre de la ZCIT, à sa largeur, ainsi qu’à son intensité
moyenne. Dans un premier temps, la comparaison des simulations de contrôle de
CMIP3 et CMIP2 nous montre que la représentation des précipitations sur l’Afrique
de l’Ouest par les GCM s’est améliorée dans les dernières années. Puis les
simulations de changement climatique d’après différents scénarii sont analysées. On
montre ainsi que les consensus sur l’impact du changement climatique restent faibles
et qu’une approche probabiliste doit être privilégiée pour les études d’impact. Trois
grandes tendances se dégagent cependant dans les sorties de GCM indiquant une
ZCIT moins large et plus intense ainsi qu’un retrait tardif des pluies. Par ailleurs, la
discrimination des modèles a priori à partir de la qualité des simulations de contrôle
ne permet pas d’améliorer l’accord entre les modèles. Enfin, aucune indication ne
peut être donnée sur l’évolution de la variabilité interannuelle de la ZCIT, même si une
ZCIT moins large et plus intense implique une variabilité locale des pluies plus
importante.
Mots clés : Afrique de l’Ouest, climat, changement climatique, modélisation,
pluviométrie.
Abstract
Impact of climate change on the rainy season in West Africa: What are climate models
really telling us?
The aim of this article is to determine the impact of climate change on the West
African rainy season with General Circulation Models (GCMs) from the intercompa-
rison project CMIP3 (Coupled Model Intercomparison Project III). For this purpose a
“dynamical” characterization of the ITCZ (Inter-Tropical Convergence Zone) is used.
Special focus is placed on the latitude of its center, on its width and also on its mean
intensity. First, the comparison between CMIP3 and CMIP2 control simulations shows
that the representation of precipitation over West Africa by GCMs has improved in
recent years. Then, simulations of climate change according to different scenarios are
Tirés à part : T. d’Orgeval
Sécheresse 2008 ; 19 (2) : 79-85
doi: 10.1684/sec.2008.0129
Sécheresse vol. 19, n° 2, avril-mai-juin 2008 79
Copyright © 2017 John Libbey Eurotext. Téléchargé par un robot venant de 88.99.165.207 le 25/05/2017.

analyzed. It is shown that there is only limited consensus on the impact of climate
change and that a probabilistic approach should be favored for impact studies.
However, three main trends are identified which indicate a narrower and more
intense ITCZ along with a late retreat of rainfall. Moreover, a priori discrimination
according to the quality of control simulations does not render improved agreement
between the models possible. Finally, no indication can be given about the evolution
of inter-annual variability of the ITCZ, even if a narrower and more intense ITCZ
implies higher local rainfall variability.
Key words: climate, climate change, modelling, rainfall, West Africa.
L’
Afrique de l’Ouest a enregistré une
des sécheresses les plus importan-
tes du vingtième siècle, au cours
des années 1970-1990. La dépendance
d’une majeure partie de l’agriculture vis-à-
vis de cultures pluviales en fait un territoire
particulièrement vulnérable à de tels chan-
gements de régimes de pluies. L’étude de
la saison des pluies d’Afrique de l’Ouest,
également appelée « mousson africaine »
par les climatologues a été l’objet de nom-
breuses recherches (dont le programme
international AMMA – Analyse multidisci-
plinaire de la mousson africaine – débuté
en 2005) qui ont permis de caractériser
l’évolution des pluies sur le continent au
cours de la saison, avec, entre autres, le
mécanisme d’installation des pluies
appelé « saut de mousson » [1]. Deux
zones météorologiques sont généralement
définies. Le front intertropical est décrit
comme la zone de rencontre des vents de
surface, le flux de mousson au sud et
l’harmattan au nord. Au sud de cette zone
se situe la zone de convergence intertropi-
cale (ZCIT) dans laquelle on trouve l’acti-
vité convective la plus forte, qui est liée à
l’apport d’humidité par le flux de mousson
en surface et entraîne la divergence des
masses d’air en haut de la troposphère.
Elle coïncide avec la ceinture de pluies qui
se déplace au cours de la saison. Le terme
ZCIT sera utilisé dans cet article pour
décrire la ceinture de pluies.
Une des questions cruciales pour la planifi-
cation future des ressources en eau ainsi
que des ressources agricoles est de savoir
l’impact qu’aura climatique sur la pluvio-
sité en Afrique de l’Ouest, puis l’impact de
cette pluviosité sur le cycle de l’eau conti-
nental. En effet, jusqu’à maintenant,
encore peu d’études se sont intéressées à
l’impact du changement climatique en
Afrique, et elles ont en général donné des
résultats divergents. En 2001, le troisième
rapport de l’Intergouvernemental Panel for
Climate Change (IPCC) [2] classait les
changements futurs de précipitation au
Sahel comme incertains.
Le tableau 1 résume les résultats des prin-
cipales études publiées depuis 2001 sur
climatique en Afrique de l’Ouest à partir
de l’utilisation de modèles de circulation
générale (GCM, general circulation
models). Il apparaît que la diversité des
réponses et la difficulté pour isoler un
consensus général restent une difficulté
majeure dans la prévision du changement
climatique dans cette région.
Dans cet article, on analyse les simulations
de CMIP3 (coupled model intercompari-
son project 3), effectuées pour le qua-
trième rapport de l’IPCC, en utilisant une
méthode « dynamique » de caractérisa-
tion des pluies à grande échelle et de leurs
modifications proposée dans un précé-
dent article qui traitait des incertitudes
dans la simulation du changement climati-
que en Afrique de l’Ouest et auquel on
Tableau I.Précédentes études d’impact du changement climatique sur la pluviométrie en Afrique
de l’Ouest.
Réf. Modèle(s)
*
Région
**
Signal Remarques
[3] 7 CGCM Soudano G. + Faible cohérence intermodèles
Sahel (Est) +
Sénégal -
[4] CNRM (France) Soudano G. + Intensification du cycle de l’eau
Sahel ++
[5] ECHAM3-4 (Allemagne) Soudano G. ++ Sahel zone frontière incertaine entre la Guinée
plus humide et le Sahara plus sec [6]
Sahel ≈
Sahara --
[7] NCAR-CM2 (États-Unis) Sahel - Sécheresses plus fréquentes
[8] AGCM forcé (CNRM) Soudano G. ≈Dépendant du scénario de GHG
Sahel ++ Forte réévaporation
[9] 18 CGCM Soudano G. ≈Pas d’accord entre les modèles quelle que soit
la présélection
Sahel ≈
*
CGCM = GCM Couplé océan-atmosphère ; AGCM = GCM atmosphérique. Les autres acronymes indi-
quent des noms de modèles.
**
La région soudano guinéenne (Soudano G.) est considérée ici comme la zone entre 5° N et 10-12° N et le
Sahel entre 10-12° N et 20° N.
Tableau II.Simulations de CMIP3 utilisées.
Simulation Principe Contrôle
20c3m Niveaux de GHG observés pendant le XX
e
siècle X
sresa1b Scénario A1B :
Économie : croissance très rapide
Population : croissance faible (max : 2050)
Technologies propres : amélioration rapide
Forêts: stagnation
20c3m
sresa2 Scénario A2 :
Économie : croissance rapide
Population : croissance rapide
Technologies propres : amélioration rapide
Forêts : non déterminé
20c3m
sresb1 Scénario B1 :
Économie : ralentissement
Population : croissance faible (max : 2050)
Technologies propres : stagnation
Forêts : croissance
20c3m
GHG = greenhouse gas (gaz à effet de serre).
80 Sécheresse vol. 19, n° 2, avril-mai-juin 2008
Copyright © 2017 John Libbey Eurotext. Téléchargé par un robot venant de 88.99.165.207 le 25/05/2017.

pourra se référer pour plus de détails [10].
Cette méthode permet de s’abstraire, dans
une certaine mesure, des biais locaux des
GCM. À partir des résultats, on cherche
les consensus les plus importants sur
l’impact du changement climatique que
l’on discutera dans une dernière partie.
Données de l’étude et méthodologie
Le quatrième rapport de l’IPCC, paru en
2007, s’appuie sur de nouvelles simula-
tions de GCM des différents groupes de
recherche internationaux. Un panel de
simulations à effectuer a été déterminé et
labellisé sous l’acronyme CMIP3. Seule
une partie des simulations est utilisée ici.
L’ensemble des scénarii utilisé est décrit
dans le tableau 2. Cependant, la majorité
des figures présentées dans l’article sont
issues du scénario d’émissions A1B car il
est intermédiaire par rapport aux deux
autres (voir tableau 2 pour plus de
détails).
Par ailleurs, les 22 modèles disponibles au
moment de l’étude sont utilisés. Le résumé
des modèles est donné dans le tableau 3.
Enfin les données CMAP (CPC merged
analysis precipitation product) [11] sont
utilisées pour comparer les caractéristi-
ques des pluies pour les simulations de
contrôle des modèles. Ces données globa-
les d’une résolution de 2,5°x2,5° au pas
de temps mensuel proviennent d’estima-
tions satellitaires calibrées et corrigées par
des observations in situ. Les différences de
structure de grande échelle entre CMAP et
d’autres produits tels que GPCP (global
precipitation climatology project) étant fai-
bles [12], le choix de CMAP comme don-
née de référence est fait a priori. Certai-
nes analyses ont été reproduites avec
GPCP sans que des différences significati-
ves aient pu être mises en valeur.
Du fait du grand nombre de simulations et
de modèles, il est nécessaire de définir une
mesure robuste et aisément reproductible
de la ZCIT. Par ailleurs, la divergence
entre les simulations de contrôle des GCM
[10] nous impose d’utiliser une mesure
simple. La méthode choisie ici est fondée
sur l’analyse des variations de trois carac-
téristiques de la ZCIT calculées à partir de
valeurs mensuelles des précipitations
(figure 1). La ZCIT est définie ici comme la
zone contiguë de précipitations supérieu-
res à 2 mm/j entre 20° S et 20° N, et 20°
W et 20° E). Le seuil de 2 mm/j a été
choisi car c’est le plus faible qui permet de
bien distinguer la ceinture de pluies sans
« bruiter » les caractéristiques calculées
par des événements isolés. Des seuils de 2
à 4 mm/j ont été testés et donnaient des
résultats similaires. Les trois caractéristi-
ques étudiées sont schématisées sur la
figure 1 :
–latitude du centre : on calcule la position
du barycentre de la ZCIT, dont seule la
latitude est utilisée dans cet article car les
modèles divergent trop dans le positionne-
ment en longitude du barycentre ;
–largeur : on la définit comme l’écart type
de la distribution en latitude des précipita-
tions autour du barycentre ;
–intensité : la précipitation moyenne
dans cette zone.
Les avantages et inconvénients de cette
mesure seront détaillés dans la discussion
suivant les résultats.
Latitude
Latitude
G
G
Largeur
20˚N
10˚N
10˚S
20˚S
20˚W 20˚E
0
2
4
6
8
10
15
10˚W 10˚E0˚
0˚
Intensite
Intensite
x
Figure 1. Représentation de la ZCIT (précipitation mensuelle en mm/j) et des trois caractéristiques
définies dans le texte pour le mois de juillet 1999 des données CMAP.
ZCIT : zone de convergence intertropicale.
Tableau III.Description des modèles utilisés.
Nom officiel (IPCC) Institut Résolution Qualité
*
BCCR-BCM2.0 BCCR, Norvège Zoom T63 to T42, L31 3
CCSM3 NCAR, États-Unis T85 (1.4°), L26 1 3
CGCM3.1-T47 CCCMA, Canada T47 (2,5°), L31 1 3
CGCM3.1-T63 CCCMA, Canada T63 (1,875°), L31 1 2 3
CNRM-CM3 CNRM, France Zoom T63 to T42, L45 3
CSIRO-Mk3.0 CSIRO, Australie T63 (1,875°), L18 3
ECHAM5/MPI-OM MPI, Allemagne T42 (2,8°), L20
ECHO-G MIUB, Allemagne T30 (4,0°), L19 1 2 3
METRI, Corée
FGOALS-g1.0 LASG, Chine 2,8°lat x 2,8°lon, L26
GFDL-CM2.0 GFDL, États-Unis 2,0°lat x 2,5°lon, L24 1 2
GFDL-CM2.1 GFDL, États-Unis 2,0°lat x 2,5°lon, L24 1 3
GISS-AOM GISS, États-Unis 3,0°lat x 4,0°lon, L12
GISS-EH GISS, États-Unis 4,0°lat x 5,0°lon 3
GISS-ER GISS, États-Unis 4,0°lat x 5,0°lon 3
INM-CM3.0 INM, Russie 4,0°lat x 5,0°lon, L21 1 2
IPSL-CM4 ISPL, France 3,75°lat x 2,5°lon, L19 2 3
MIROC3.2-hires CCSR, Japon T106 (1,125°), L56 1
MIROC3.2-medres CCSR, Japon T42 (2,8°), L20 1 2
MRI-CGCM2.3.2 MRI, Japon T42 (2,8°), L30 1 2 3
PCM NCAR, États-Unis T42 (2,8°), L26 3
UKMO-HadCM3 Hadley C., Royaume-Uni 3,75°lat x 2,5°lon, L19
UKMO-HadGEM1 Hadley C., Royaume-Uni 3,75°lat x 2,5°lon, L19 2
Pour plus d’informations, voir
http://www-pcmdi.llnl.gov/ipcc/model_documentation/ipcc_model_documentation.php.
*
Indique les caractéristiques de la zone de convergence intertropicale (ZCIT) correctement représentées
dans la simulation de contrôle des précipitations d’Afrique de l’Ouest : 1. Latitude du centre, 2. Largeur, 3.
Intensité.
Sécheresse vol. 19, n° 2, avril-mai-juin 2008 81
Copyright © 2017 John Libbey Eurotext. Téléchargé par un robot venant de 88.99.165.207 le 25/05/2017.

Résultats
Qualité des simulations de contrôle
La première question à laquelle on sou-
haite répondre consiste à savoir si les
simulations de contrôle des modèles de
climat se sont améliorées substantiellement
depuis le dernier projet d’intercomparai-
son de modèles, à savoir CMIP2 [10]. On
trace en figure 2 la climatologie moyenne
de la « latitude du centre » sur les 20
dernières années de la simulation de
contrôle de CMIP2. On trace également la
climatologie moyenne de la « latitude du
centre » d’après les données CMAP ainsi
que d’après la simulation 20c3m, pour les
années 1979-1999 (à l’exclusion de
1997 pour laquelle les données CMAP ont
été contestées [12]). La figure 2A permet
donc de comparer les simulations de
contrôle CMIP2 (correspondant au niveau
gaz à effet de serre estimé en l’an 2000)
avec les données CMAP pour 1979-
1999, et la figure 2B les simulations de
contrôle CMIP3 et les données CMAP sur
la même période 1979-1999.
La comparaison des simulations de CMIP2
et CMIP3 indique que l’étalement des
réponses des modèles est beaucoup plus
faible pour CMIP3 que pour CMIP2. Si les
modèles semblent converger dans
l’ensemble, un certain nombre d’entre eux
simule une ZCIT située encore trop au sud
dans CMIP3, et qui ne monte donc pas
suffisamment sur le continent. Le défaut
inverse était présent dans certains modè-
les de CMIP2 mais ne se retrouve pas dans
CMIP3 où il semble qu’un petit groupe de
modèles simule bien la latitude du centre
tandis qu’une majeure partie la simule trop
au sud. Il est à noter cependant que ce
défaut est souvent compensé par une ZCIT
trop large d’après la plupart des modèles
(non montré en figure 2).
Afin de confirmer ce diagnostic et de
l’étendre aux autres caractéristiques de la
ZCIT, on trace en figure 3 l’étalement
moyen des réponses de modèles ainsi que
l’erreur quadratique moyenne par rapport
aux données CMAP pour les trois caracté-
ristiques en moyenne sur les 20 dernières
années de simulations de contrôle de
CMIP2 et CMIP3.
La figure 3 indique que les modèles
convergent nettement pour la latitude du
centre et la largeur (étalement plus faible
des réponses des modèles), tandis que
l’erreur quadratique moyenne est réduite
pour la largeur et l’intensité de la ZCIT.
Seule l’erreur quadratique moyenne pour
la latitude du centre augmente entre
CMIP2 et CMIP3 du fait de l’erreur d’un
groupe de modèles prédisant une ZCIT
trop au sud dans CMIP3.
On peut donc conclure à une amélioration
de la largeur de la ZCIT et de l’intensité
des pluies dans celle-ci entre CMIP2 et
CMIP3, malgré un défaut persistant sur la
latitude moyenne de la mousson dans un
groupe de modèles, se traduisant par un
biais négatif sur la latitude du centre.
Impacts du changement climatique
La seconde question à laquelle on cherche
à répondre consiste à déterminer si la
convergence des simulations de contrôle
s’accompagne d’une convergence des
prévisions pour climatique. On cherche
entre autres à établir des scénarii probabi-
listes pour l’évolution de la ZCIT en Afrique
de l’Ouest. On s’appuie ici sur les anoma-
lies pour chaque caractéristique entre les
années 2070-2100 de chaque scénario
d’émission (tableau 2) et les années 1970-
2000 de 20c3m pour chaque modèle.
L’utilisation de 30 années permet en effet
d’avoir un rapport signal sur bruit maximal
en permettant des moyennes sur un nom-
bre d’années suffisant pour obtenir des
signaux significatifs, tout en conservant un
écart temporel important entre les deux
périodes [10]. Ces anomalies sont présen-
tées en figure 4 au moyen de trois compo-
santes :
–la moyenne multimodèles (en noir sur la
figure), qui donne une idée du signal
dominant parmi les modèles ;
–l’écart type intermodèles des réponses
(en zone grisée), qui indique l’étalement
entre les signaux prédits par les différents
modèles ;
–la répartition des modèles entre ceux qui
prédisent respectivement une augmenta-
tion, une diminution significative, ou qui
CMIP2
151050-5-10
Multi
CMAP
CMIP2
Multi
CMAP
Avr Mai Jun Jul
Temps (mois)
AB
Latitude (deg.)
Aou Sep Oct
151050-5-10
Avr Mai Jun Jul
Temps (mois)
Latitude (deg.)
Aou Sep Oct
Figure 2 . Latitude du centre de la ZCIT pour 20 années de contrôle ainsi que pour la moyenne intermodèles (en noir) et pour les données CMAP (en
gris) sur les années 1979-1999 à l’exclusion de 1997.
A) 18 modèles de CMIP2 ; B) 22 modèles de CMIP3.
ZCIT : zone de convergence intertropicale.
82 Sécheresse vol. 19, n° 2, avril-mai-juin 2008
Copyright © 2017 John Libbey Eurotext. Téléchargé par un robot venant de 88.99.165.207 le 25/05/2017.

ne prédisent pas de signal significatif (sous
forme d’histogrammes). Cette répartition
permet de quantifier la probabilité de cha-
que signal (augmentation, diminution, pas
de signal).
La significativité des résultats est obtenue
au niveau 10 % par une procédure de
rééchantillonnage par permutation
(10 000 rééchantillonnages pour chaque
test). La moyenne multimodèles et l’écart
intermodèles sont donnés uniquement
pour le scénario sresa1b qui est intermé-
diaire entre sresa2 et sresb1 (tableau 2).
En revanche, la répartition des modèles
est donnée pour chaque scénario.
La première remarque importante est que
l’accord entre les modèles sur climatique
reste faible en dépit de l’amélioration des
simulations de contrôle. Intéressons-nous
dans un premier temps à la moyenne des
modèles. Elle indique que le centre de la
ZCIT reste plus au nord en milieu et fin de
saison des pluies. En août et en octobre,
plus de la moitié des modèles prédisent
une ZCIT plus au nord sous le scénario
intermédiaire sresa1b. Ce pourcentage
tombe entre 40 et 50 % pour les deux
autres scénarii. La probabilité moyenne
interscénarii d’avoir une ZCIT plus au nord
sur les mois d’août-septembre-octobre est
de 43 %.
Par ailleurs, la largeur de la ZCIT est plus
faible en moyenne pendant toute l’année
tandis que l’intensité est plus forte.
L’accord sur ces deux résultats est en
moyenne autour de 35-40 % pour l’ensem-
ble de l’année, et proche de 45 % pour
une ZCIT moins large en août-septembre-
octobre ainsi que pour une ZCIT plus
intense en mai-juin. Enfin, très peu de
modèles prédisent le résultat contraire
(ZCIT moins intense ou plus large),
puisqu’au maximum 25 % d’entre eux
contredisent le consensus dominant pour
un mois donné (août pour la largeur, juillet
pour l’intensité).
Discrimination des modèles a priori
Pour approfondir notre analyse, on définit
une mesure de l’incertitude maximale sur
le signal de changement climatique pour
chacune des trois caractéristiques. Pour
chaque mois, on mesure l’écart type inter-
modèles des réponses pour chaque carac-
téristique. On multiplie cet écart type par 4
pour obtenir ce qu’on appelle l’amplitude
intermodèles. Cette amplitude intermodè-
les est la largeur dans laquelle 99 % des
signaux de modèles devraient se trouver si
la distribution de ces signaux était gaus-
sienne. On fait ensuite une moyenne
annuelle de l’amplitude intermodèles pour
chaque caractéristique. On obtient ainsi
les incertitudes maximales suivantes :
–latitude du centre : 2,4 ;
–largeur : 1,2 ;
–intensité : 1,1 mm/j.
Puis on essaie de discriminer entre les
modèles d’après la qualité des simula-
tions. On ne garde donc que les modèles
dont l’erreur quadratique moyenne par
rapport aux données CMAP est inférieure
à l’incertitude maximale définie ci-dessus.
On effectue cette discrimination indépen-
damment pour chaque caractéristique. Les
modèles dont la marge d’erreur est infé-
rieure à l’incertitude maximale sur une des
trois caractéristiques sont donnés dans la
colonne « Qualité » du tableau 3.La
sélection permet de réduire à peu près de
moitié le nombre de modèles avec chaque
caractéristique. Cependant, si l’on s’inté-
resse au signal du changement climatique
avec cette présélection, l’incertitude n’est
absolument pas réduite et la sélection
laisse globalement le résultat inchangé
pour chaque caractéristique. En poussant
la sélection plus loin, on peut garder uni-
quement les modèles qui représentent cor-
rectement les trois caractéristiques des pré-
cipitations définies ici. Ils se limitent à
trois : CGCM3.1(T63), ECHO-G et MRI-
CGCM2.3.2. Cependant, ces trois modè-
les donnent des résultats différents, même
pour les consensus faibles établis précé-
demment par une majorité de modèles.
Cette rapide analyse vient donc confirmer
le fait que la présélection de modèles à
partir de simulations de contrôle pour
obtenir un signal plus clair du changement
climatique en Afrique de l’Ouest est un
exercice périlleux qui ne donne pas néces-
sairement de résultat satisfaisant [10].
Modification
de la variabilité interannuelle
Il reste donc difficile, avec ces nouvelles
simulations, d’établir un signal cohérent
entre les différents modèles. Une dernière
question intéressante [9] est de savoir si les
sécheresses seront plus nombreuses au
cours du siècle prochain. En l’absence
d’un signal cohérent de diminution des
précipitations nous pouvons tout de même
poser la question de l’évolution de la
variabilité interannuelle de la mousson
africaine. Pour cela, on s’intéresse cette
CMIP2-CTL
CMIP3-20c
3210
Erreur quadratique moyenne
210
Latitude (deg.) Largeur (deg.) Pluie (mm/j)
Etalement
A
B
Figure 3 . Évolutions de la qualité et de la cohérence des simulations de contrôle de la zone de
convergence intertropicale (ZCIT) entre CMIP2 et CMIP3.
A) erreur quadratique moyenne entre les simulations de contrôle de CMIP2 (CMIP2-CTL) ou CMIP3 (CMIP3-20c) et
les données CMAP pour les trois caractéristiques de la ZCIT ; B) étalement des simulations de contrôle des modèles
pour les trois caractéristiques de la ZCIT.
Sécheresse vol. 19, n° 2, avril-mai-juin 2008 83
Copyright © 2017 John Libbey Eurotext. Téléchargé par un robot venant de 88.99.165.207 le 25/05/2017.