ESTIMATION DE LA BIOMASSE ET DU RENDEMENT

Télécharger le fichier pdf d’un mémoire de fin d’études

Le projet MAISEO

C’est dans cette perspective qu’a été proposé le projet MAISEO (FUI n°14), dans lequel s’inscrit ma thèse. Ce projet intitulé « Nouveaux processus écologiquement intensifs de production de maïs intégrant gestion agronomique et gestion territoriale de l’eau » a débuté en décembre 2012 et couvre une durée de quatre ans. Il regroupe un consortium constitué de partenaires industriels (Vivadour, PIONEER Génétique, Geosys, Compagnie d’Aménagement des Coteaux de Gascogne – CACG) et de laboratoires de recherche (Météo France, CNRS LAAS et CESBIO). La CACG est une société anonyme d’économie mixte créée en 1959, à la fois société anonyme et société d’aménagement régional (S.A.R) pour les régions Midi-Pyrénées et Aquitaine. Elle gère la ressource en eau sur des bassins hydrographiques du Sud-Ouest, notamment le système Neste qui constitue la principale ressource en eau pour le département du Gers en Midi-Pyrénées.
Le principal objectif du projet est de proposer des solutions qui visent à maintenir et si possible augmenter les niveaux de production actuels du maïs grain, tout en réduisant sa consommation en eau. Le projet comporte deux volets.
• Le volet « Economies d’eau à la parcelle »:
Le premier volet concerne les « économies d’eau à la parcelle ». Cette partie repose sur des recherches sur la sélection variétale visant à privilégier les caractères de tolérance au stress hydrique. Ce travail de recherche est mené par PIONEER. Une autre partie de ce volet concerne l’optimisation des pratiques orientées vers une irrigation de précision. Ce travail est mené à l’échelle parcellaire par Vivadour, Geosys, le LAAS, Meteo France et la CACG (Compagnie d’Aménagement des Coteaux de Gascogne).
• Le volet « Approche territoriale »:
Le second volet du projet concerne l’approche territoriale. C’est dans ce volet que s’inscrit ma thèse. L’objectif de ce volet est de proposer des solutions permettant d’optimiser la gestion de la ressource à l’échelle d’un territoire. Pour atteindre cet objectif, le gestionnaire doit être capable de connaître les besoins et ressources en eau disponibles à tout moment sur son territoire. Cela requiert, en autres, la mise au point de méthodes permettant de réaliser un bon diagnostic des besoins et consommations en eau à l’échelle d’un territoire, objectif placé au cœur de mon travail de thèse. La contrainte du temps réel n’a pas fait partie de mon travail de thèse mais constitue une des perspectives du projet.
Une discussion a donc été menée avec la CACG autour de leurs besoins et des solutions pouvant être apportées pour les aider à optimiser la gestion de l’eau d’irrigation à l’échelle d’un territoire. En Midi-Pyrénées, l’essentiel de l’eau d’irrigation est alloué au maïs grain qui représente 60% des surfaces irriguées et consomme 70 à 80% des volumes d’irrigation soit environ 250 Mm3/an. Parmi les nombreuses questions et besoins listés, on peut citer celle qui a servi de trame à ma thèse : Comment diagnostiquer les besoins et consommations en eau du maïs à l’échelle d’un territoire et comment valider ce diagnostic ?
Face à ces questions, l’utilisation de modèles s’est avérée incontournable. Toutefois, si la modélisation permet de simuler le développement, la production et les besoins en eau de cultures à l’échelle parcellaire, l’imagerie satellitaire apporte quant à elle des informations sur la variabilité spatio-temporelle du fonctionnement des cultures liée à des différences de pratiques agricoles, de conditions morpho-pédologiques et climatiques. L’estimation du fonctionnement des cultures sur de grandes surfaces nécessite donc d’avoir une vision globale et objective de la variabilité des surfaces, possibilité offerte par la télédétection couplée à la modélisation.
Dans ma thèse, nous avons donc choisi d’utiliser un modèle de culture couplé à des données satellitaires. Nous avons ainsi cherché à apporter des éléments de réponse aux questions suivantes : Quel modèle choisir compte-tenu de l’échelle spatiale considérée, à savoir le territoire ? Quelles données satellitaires utiliser ? Quelle méthode de calibration choisir ? De quelles données a-t-on besoin pour valider nos résultats ? Comment quantifier les sources d’incertitudes sur nos résultats ?

Les modèles de culture

Les modèles de culture ont été largement développés et utilisés pour simuler le développement, la production et les besoins en eau de cultures à l’échelle parcellaire (Zhang et al., 2002). On peut distinguer trois grandes catégories de modèles de fonctionnement de par leur niveau de complexité et leur aptitude à être spatialisés, c.à.d. utilisés sur de grandes surfaces.
• Les modèles écophysiologiques:
Premièrement, les modèles de fonctionnement dits « écophysiologiques » (Wit et al., 1970) simulent de façon mécaniste les principaux processus clés du fonctionnement des plantes (photosynthèse, respiration, bilan hydrique etc.). Les processus impliqués sont simulés par des relations qui peuvent être biophysiques ou empiriques. On peut notamment citer les modèles STICS (Brisson et al., 2003), SUNFLO (Casadebaig et al., 2011), SWHEAT (van Keulen and Seligman, 1987), Sirius (Jamieson et al., 1998), AFRCWHEAT2 (Porter, 1993), CERES-Maize (Dyke et al., 1986) et SUCROS2 (van Laar et al., 1992).
Ces modèles décrivent l’effet des pratiques agricoles (irrigation, fertilisation, travail du sol etc.) sur un grand nombre de cultures. Ainsi, STICS permet de modéliser une vingtaine de cultures et compte plus de 200 paramètres relatifs aux caractéristiques de la plante, aux pratiques culturales ou aux propriétés de sol. Au regard du nombre de paramètres d’entrée et de processus simulés, ces modèles peuvent être qualifiés de « complexes » et sont par conséquent plus difficilement spatialisables. De nombreux travaux de spatialisation ont été menés (Hadria et al., 2006 ; Duchaine et al., 2012), mais la principale limite de cette approche réside dans le manque de données in situ nécessaires pour renseigner ou alimenter de tels modèles.
• Les modèles empiriques:
Les modèles empiriques qualifiés de modèles « simples » calculent la production de biomasse à partir de l’équation de Monteith (modèle basé sur le calcul d’efficiences – Monteith, 1972) et d’une somme d’indices de végétation tels que le NDVI dérivés de données de télédétection (Tucker and Sellers, 1986 ; Dong et al., 2003 ; Wessels et al., 2006).
Les modèles empiriques sont plus faciles à utiliser que les modèles plus complexes mais les données in situ utilisées pour leur calibration sont rarement représentatives de toute la gamme des variations possibles, ce qui peut limiter leur application aux conditions pour lesquelles ils ont été établis. De plus, leur formalisme simplifié ne permet pas de simuler avec une assez grande précision le fonctionnement des cultures, ce qui peut exclure les approches de type « scénario ».
• Les modèles agro-météorologiques semi-empiriques:
Face aux limitations inhérentes aux modèles empiriques et écophysiologiques, une troisième catégorie de modèles de culture a vu le jour afin d’allier leurs avantages : les modèles agro-météorologiques. Ces modèles combinent l’équation de Monteith avec quelques processus majeurs permettant de prendre en compte les principales phases du cycle de développement des plantes (levée, croissance et sénescence). Ils ont un nombre de formalismes et de paramètres restreints et, à l’instar des modèles « simples », ils sont adaptés à l’étude de grandes surfaces et spécifiquement conçus pour les cas où les données d’entrée sont limitées (Maas, 1993 ; Liu et al., 2010).
Parmi ces modèles que l’on peut qualifier d’« agro-météorologiques » ou encore « contextuels », on retrouve les modèles SAFY (Duchemin et al., 2008a, 2015), AqYield (Constantin et al., 2015), PolyCrop (Nana et al., 2014), AquaCrop (Steduto et al., 2009), Pilote (Mailhol et al., 1997), GRAMI (Maas, 1992). Récemment, de nombreux auteurs se sont orientés vers l’utilisation des modèles agro-météorologiques pour estimer la biomasse, le rendement et les besoins en eau des cultures. Ainsi, Paredes et al. (2014a) ont montré l’adéquation du modèle AquaCrop de la FAO pour l’estimation de la biomasse et du rendement du maïs et Nana et al. (2014) ont étudié les rendements du maïs en Italie en utilisant le modèle PolyCrop.
Etant donné le large panel de modèles disponibles, effectuer un choix adapté aux objectifs de l’étude peut s’avérer compliqué. Constantin et al. (2015) ont répertorié les différents critères à considérer lorsque l’on souhaite choisir un modèle. Ainsi, le modèle doit évidemment être adapté au contexte de l’étude mais il doit également être robuste et efficace avec un jeu de données restreint. On constate généralement une bonne adaptation des modèles pour des situations semblables à celle dans laquelle ils ont été calibrés, mais leur robustesse est souvent limitée dans des situations contrastées s’ils ne sont pas calibrés de nouveau (Palosuo et al., 2011 ; Rötter et al., 2012).
Dans leur étude, Constantin et al. (2015) se servent d’un jeu de données restreint, et démontrent les performances égales de deux modèles de catégories différentes pour l’estimation du contenu en eau du sol et du rendement de trois cultures d’été. Les modèles concernés sont les modèles STICS (modèle écophysiologique) et AqYield (modèle agro-météorologique). Etant donné les bonnes performances des deux modèles, les auteurs concluent que le choix doit essentiellement être guidé par l’objectif de l’étude. STICS est ainsi performant localement car les informations relatives au sol, au climat et aux pratiques culturales sont aisément accessibles à la parcelle, cependant son implémentation à une échelle plus large est restreinte par la disponibilité des données d’entrée qui varient dans le temps et dans l’espace (Boote et al., 1996 ; Moulin et al., 1998 ; Faivre et al., 2004). Ainsi, STICS permettra la simulation d’un plus grand nombre de processus et AqYield sera quant à lui plus facilement transposable à de nouvelles cultures. Il n’existe donc pas un seul et unique modèle ni une seule et unique approche capables de répondre à toutes les questions.

Couplage télédétection/modèles

La télédétection est un outil privilégié pour la spatialisation des modèles (Delécolle et al., 1992 ; Faivre et al., 2004). L’utilisation conjointe de l’imagerie satellitaire et des modèles agro-météorologiques permet de décrire le fonctionnement des cultures sur de grands territoires.
De nombreuses études ont révélé les fortes potentialités des méthodes basées sur la combinaison des données satellitaires aux modèles de culture (Moulin et al., 1998 ; Pinter et al., 2003 ; Tucker et al., 1983). Récemment, Hadria et al. (2010) ont testé l’utilisation conjointe du modèle STICS et de données satellitaires pour déterminer les pratiques culturales. Les images ont été utilisées pour obtenir des informations spatialisées sur les dates de semis et la fertilisation azotée de la culture de blé dans le Sud-Est de la France. Même si les quantités d’azote sont surestimées, les résultats obtenus sont très bons pour les dates de semis avec une erreur inférieure à une semaine. Padilla et al. (2012) ont montré que l’on pouvait suivre le développement et estimer correctement la production du blé dans le Sud de l’Espagne en couplant un modèle agro-météorologique, le modèle GRAMI, à des données LANDSAT. De la même manière, Li et al. (2014) ont obtenu de bons résultats pour le rendement du maïs en utilisant le modèle couplé WOFOST-HYDRUS combiné à des données LANDSAT. Cet axe de recherche couplant télédétection et modélisation s’est ainsi révélé particulièrement adapté pour le suivi des rendements et de la ressource en eau à l’échelle régionale (Jackson et al., 1977 ; Boote et al., 1996 ; Moulin et al., 1998 ; Olioso et al., 1999 ; Faivre et al., 2004 ; Duchemin et al., 2006 ; Duchemin et al., 2008b).

Démarche et plan de la thèse

Mon travail de thèse a donc consisté à proposer une démarche visant à fournir un diagnostic des besoins et consommations en eau du maïs à l’échelle d’un territoire. Pour réaliser ce travail, j’ai utilisé dans un premier temps le modèle SAFY qui simule le rendement des cultures à partir de la biomasse sans module hydrique, puis, dans un second temps, le modèle SAFY-FAO qui permet de simuler, en plus de la biomasse et du rendement, les besoins et consommation en eau. Le rendement a été utilisé dans ma thèse comme une donnée de validation, seule donnée disponible à l’échelle du département. Le modèle SAMIR également développé au CESBIO n’a donc pas été utilisé, car il ne permet pas d’estimer la production.
L’apport du module de bilan hydrique pour l’estimation du rendement a été évalué en comparant les sorties des deux modèles à des mesures in situ de rendement. Le module d’irrigation automatique a également été évalué. Les deux méthodes d’estimation du coefficient cultural ont été testées et leur impact sur l’ETca et les volumes irrigués évalué. Une analyse de l’incertitude des sorties des modèles en fonction de l’incertitude de certaines données d’entrée a également été abordé. Nous nous sommes concentrés sur la réserve utile du sol (RU), le climat (particulièrement les précipitations) et le GAI car ils peuvent présenter des incertitudes importantes.
Une réflexion a également été menée tout au long de ma thèse sur la calibration des deux modèles avec comme objectif de limiter au maximum le recours aux données in situ.
La quantité importante de mesures in situ et d’images satellitales mises à ma disposition ont constitué un atout majeur pour mener à bien ce travail. En effet, j’ai pu bénéficier de nombreuses mesures in situ issues de plusieurs années de campagne de mesures auxquelles j’ai participé avec d’autres membres du CESBIO. Les programmes spatiaux SPOT4-Take5 et SPOT5-Take5 [http://www.cesbio.ups-tlse.fr/multitemp/+ m’ont également permis de disposer d’un jeu d’images optiques unique. La CACG et Vivadour m’ont également fourni des données précieuses notamment celles relatives à l’irrigation provenant de la CACG. Les données collectées ont permis de valider les modèles à différentes échelles : l’échelle régionale qui constitue l’objectif final de ce travail, mais aussi l’échelle parcellaire, étape préliminaire nécessaire pour s’assurer de la cohérence des sorties des modèles dans différentes situations. Ce travail d’analyse à l’échelle parcellaire a notamment permis d’identifier les problèmes potentiels et d’améliorer la méthode de calibration, en vue d’une application sur le territoire.
La thèse est organisée en trois chapitres :
– Le chapitre 1 est dédié à la description de la zone d’étude et des données utilisées.
– Le chapitre 2 présente les résultats de l’estimation de la biomasse et du rendement aux échelles locale et départementale avec le modèle SAFY. Une première section, présentée sous forme d’article, reprend les principaux résultats publiés (Battude et al., 2016). Les sections suivantes présentent des résultats complémentaires à l’article publié, avec notamment la comparaison des rendements simulés sur deux départements par les deux versions du modèle SAFY : la version originale et celle contenant l’amélioration proposée au cours de ma thèse et présentée dans l’article.
– Le chapitre 3 est également présenté sous forme d’article (Battude et al., 2017, soumis). Il reprend les résultats de la modélisation du bilan hydrique avec le modèle SAFY- FAO et l’analyse de l’apport de cette version pour l’estimation du rendement via la comparaison entre les modèles SAFY et SAFY-FAO. La calibration et l’évaluation du modèle SAFY-FAO à l’échelle locale sont détaillées, ainsi que les résultats issus de la spatialisation.
Dans une deuxième partie, des résultats complémentaires sont présentés, portant sur l’analyse des sources d’incertitude liées à la méthode de calibration choisie ainsi qu’aux données d’entrée utilisées.
Enfin, une conclusion générale reprend les principaux résultats, éléments de discussion et perspectives de ce travail.

Parcelle expérimentale de Lamothe

Une partie des données utilisées dans ma thèse provient de la parcelle expérimentale de Lamothe (LAM). Cette parcelle d’une superficie de 32.3 ha est instrumentée depuis juillet 2004 pour le suivi de la végétation et l’étude des flux turbulents et de la dynamique de l’eau dans le sol. Elle est située au Sud-Ouest de Toulouse (43°49’65’’N, 01°23’79’’E, altitude : 180 m), sur la plaine alluviale de la Garonne en bordure du Touch, dans l’emprise du satellite Formosat-2 (Figure 1-1). Elle appartient au domaine de Lamothe qui est une ferme expérimentale de l’école d’ingénieurs de Purpan (ESAP). Elle appartient au réseau ICOS (Integrated Carbon Observation System) et à l’OSR (Observatoire Spatial Régional) Midi-Pyrénées.
On y pratique une rotation de type blé/maïs ensilage. Le maïs a été cultivé en 2006, 2008, 2010, 2012, 2014 et 2015. C’est du maïs ensilage utilisé pour l’alimentation du bétail. La récolte intervient avant l’achèvement de la sénescence, lorsque les plants sont encore verts. En plus des mesures météorologiques et micro-météorologiques, des mesures destructives sont réalisées chaque année pour analyser la dynamique de l’indice de surface verte (GAI, pour « Green Area Index ») et de la biomasse (DAM, pour « Dry Aboveground Mass »).

Données météorologiques et flux

La parcelle expérimentale est équipée de mâts de mesures météorologiques et micro-météorologiques. La tour à flux est installée vers le milieu de la parcelle à l’intérieur d’un enclos grillagé (Figure 1-2). Les capteurs ont été installés à une hauteur de 3.65 m de façon à ce que la distance minimale entre la hauteur maximale du couvert et les instruments soit d’environ 1 m (Béziat et al., 2009).
Le système combine un anémomètre sonique 3D (CSAT3) et un analyseur de gaz infrarouge haute fréquence (LI-7500, 20 Hz). Les fluctuations turbulentes de C02 (Ftc), de vapeur d’eau (ETca pour l’évapotranspiration et LE pour le flux de chaleur latente) et de chaleur sensible (H) sont mesurées de façon continue par la méthode d’Eddy-Covariance (Aubinet et al., 2012 ; Baldocchi, 2003 ; Moncrieff et al., 1997). Les flux sont ensuite calculés avec le logiciel EdiRe (Robert Clement, © 1999, University of Edinburgh, UK). Le calcul des flux, le filtrage, la vérification de la qualité des flux et l’estimation des données manquantes et/ou filtrées sont effectués selon les recommandations de CarboEurope-IP [www.carboeurope.org].
Les capteurs du mât météorologique enregistrent la température de l’air, l’humidité relative, le rayonnement global et net, la vitesse et la direction du vent à 3.65 m de hauteur, les précipitations (pluviomètre à auget basculeur) et la pression atmosphérique (voir Annexe 2 pour des détails sur les capteurs). Les données météorologiques sont utilisées pour calculer l’évapotranspiration de référence en utilisant la formule de Penman-Monteith (ET0, Annexe 3). Le cumul de précipitations totales durant les six saisons de culture2 atteignent respectivement 102 (2006), 129 (2008), 96 (2010), 120 (2012), 159 (2014) et 245 mm (2015).
Les diagrammes ombrothermiques (Gaussen and Bagnouls, 1954) présentés dans la Figure 1-3 montrent l’évolution de la température et des précipitations enregistrées sur la parcelle pour les six années étudiées. Ces diagrammes utilisant la norme de « deux pour un »3 sont particulièrement adaptés au climat des latitudes moyennes, et permettent de mettre en évidence les périodes de sécheresse, typiquement lorsque la courbe des précipitations se situe en dessous de celle des températures. Selon ces diagrammes, les périodes de sécheresse ont été différentes suivant les années. Si l’on se focalise sur les mois de mai à septembre (cycle du maïs), on peut noter les périodes suivantes : juin et juillet en 2006, juillet à septembre en 2010, juin à août en 2012, juin et septembre en 2014, mai en 2015 et aucune en 2008 qui a été une année particulièrement pluvieuse.
Les flux et les données météorologiques sont prétraités au CESBIO par Tiphaine Tallec (Physicienne CNAM, OMP-CESBIO) et Aurore Brut (MdC UPS-CESBIO), et fournis à un pas de temps semi-horaire. Les données sont par la suite cumulées ou moyennées pour obtenir des données journalières permettant la comparaison avec les sorties des modèles.
2 Durées des saisons culturales (de la levée à la récolte) : 95, 77, 89, 95, 96 et 114 jours, respectivement.
3 Les gradations sont standardisées : une gradation de l’échelle des précipitations correspond à deux gradations de l’échelle des températures (P = 2T).

Données pédologiques

Nous disposons depuis l’année 2006 de mesures d’humidité du sol effectuées sur la parcelle expérimentale dans la zone d’influence (footprint) de la mesure d’Eddy-Covariance. Jusqu’en 2012, les mesures à 5 cm, 10 cm et 30 cm étaient effectuées dans trois fosses avec des sondes CS615 et CS616 (Campbell). La fosse A était positionnée dans l’enclos et les fosses B et C aux alentours de l’enclos. Une mesure supplémentaire était effectuée à 1 m de profondeur dans la fosse centrale (A).
De nouvelles fosses ont été creusées en septembre 2011 et équipées de sondes ThetaProbe ML2X. Le dispositif mis en place consiste en quatre fosses dont trois creusées autour de l’enclos à proximité des mâts instrumentés (B, C et D) et une centrale (A). Les sondes sont placées dans les fosses, à six profondeurs : 0-5 cm, 5 cm, 10 cm, 30 cm, 50 cm et 1 m (Figure 1-4). Des prélèvements de sol sur 0-30 cm et 40-50 cm ont été réalisés lors de l’installation des nouvelles sondes en 2011 (Figure 1-4). Ces analyses de sol ont permis d’obtenir des informations sur la texture et sur les points d’humidité critique (Figure 1-5).
La parcelle est caractérisée par un sol profond (environ 1.5 m), argileux (environ 50% d’argile) et peu perméable, caractéristique de la vallée du Touch. Relativement homogène, elle présente une grande capacité de stockage de l’eau. Les propriétés hydrauliques sont présentées dans le Tableau 1-1. Des valeurs moyennes de 17 cm3.cm-3 et 36 cm3.cm-3 ont été utilisées pour le point de flétrissement (Hwp) et la capacité au champ (Hfc), respectivement.

Mesures destructives de GAI et biomasse

Les données in situ ont été collectées entre 2006 et 2015 par Tiphaine Tallec, Nicole Ferroni et l’équipe terrain (Figure 1-6) dans le footprint de la mesure d’Eddy-Covariance. Chaque année quatre à six prélèvements de végétation sont effectués. A chaque date, 5 zones sont échantillonnées. Dans chaque zone, quatre plants sont prélevés de part et d’autre du passage du canon d’irrigation sur une distance d’environ 20 mètres. Les organes sont triés (fleurs, épis, tige, feuilles) puis séparés en sénescent et vert avant d’être pesés. Les organes verts sont passés au planimètre (LI-COR 3100, Lincoln Inc., Nebraska) pour mesurer leur surface foliaire.
Après séchage à 55°C à l’étuve pendant au moins 72 h, les échantillons sont pesés, référencés et stockés. Au total, nous disposons de 31 mesures de biomasse effectuées sur les six années. La masse et la surface des feuilles ont été utilisées pour calculer la surface spécifique foliaire (SLA pour « Specific Leaf Area », en m².g-1).

Table des matières

INTRODUCTION
1. Contexte scientifique
2. Le maïs et la problématique de l’eau
2.1 Contexte économique et environnemental
2.2. Besoins en eau
2.3. Enjeux liés à l’irrigation
3. Le projet MAISEO
4. Les modèles de culture
5. Couplage télédétection/modèles
6. Démarche et plan de la thèse
CHAPITRE 1 : ZONE D’ETUDE ET DONNEES
1. Présentation de la zone d’étude
2. Parcelle expérimentale de Lamothe
2.1. Données météorologiques et flux
2.2. Données pédologiques
2.3. Mesures destructives de GAI et biomasse
3. Les placettes « ESU »
3.1. Mesures indirectes du GAI
3.2. Mesures destructives de biomasse et rendement
4. Capteurs de rendement
5. Données des partenaires et enquêtes
6. Données spatialisées
6.1. Registre Parcellaire Graphique (RPG)
6.2. Cartes d’occupation du sol
6.3. Données météorologiques SAFRAN
6.4. Carte pédologique
6.4.1. Présentation de la carte et de la base de données
6.4.2. Méthode d’extraction de l’information
7. Statistiques de rendement Agreste
8. Associations Syndicales Autorisées (ASA)
9. Données satellitaires
9.1. Présentation des images
9.2. Prétraitement des images
9.3. Inter-comparaison des capteurs
9.4. Séries temporelles de variables biophysiques
9.4.1. Définitions
9.4.2. Estimation des variables biophysiques par télédétection
9.4.2.1. L’approche empirique
9.4.2.2. L’approche utilisant des MTR
CHAPITRE 2 : ESTIMATION DE LA BIOMASSE ET DU RENDEMENT
1. Introduction
2. Le modèle SAFY
3. Résultats publiés – Estimating maize biomass and yield over large areas using HSTR Sentinel-2 like remote sensing data (Remote Sensing of Env.)
3.1. Introduction
3.2. Material and Methods
3.2.1. New model version
3.2.2. Calibration procedure
3.2.2.1. Initialization of input parameters
3.2.2.2. Cost function
3.2.3. Dataset
3.2.3.1. Study area
3.2.3.2. Meteorological data
3.2.3.3. Remote sensing data
3.2.3.4. GAI, biomass and yield datasets
3.3. Results and discussion
3.3.1. Validation of effective GAI retrieved from BVNet tool
3.3.2. Model performances at local scale
3.3.2.1. Contribution of the new model version
3.3.2.2. Relevance of the double logistic function
3.3.2.3. Impact of multi-sensors approach on biomass estimates
3.3.2.4. Yield estimates at local scale
3.3.3. Model performances at regional scale
3.4. Conclusion
4. Résultats et analyses complémentaires
4.1. Comparaison des méthodes: double logistique vs filtre manuel
4.2. Biomasse et rendement à l’échelle locale
4.3. Apport de la nouvelle version
4.3.1. Initialisation des paramètres
4.3.2. Comparaison à l’échelle locale
4.3.3. Comparaison à l’échelle régionale
4.4. Correction du GAI effectif
5. Conclusion
CHAPITRE 3 : MODELISATION DU BILAN HYDRIQUE
1. Introduction
2. Bilan hydrique et évapotranspiration
2.1. Définition et équation du bilan hydrique
2.2. Méthodes d’estimation de l’évapotranspiration
2.3. La méthode FAO-56
3. Le modèle SAFY-FAO
3.1. Fonctionnement général
3.2. Le bilan hydrique
3.3. Le module d’irrigation automatique
3.4. Couplage avec le modèle SAFY
4. Résultats soumis – Modeling water needs and total irrigation depths of maize crop in the south west of France using high resolution satellite imagery (Agricultural Water Management)
4.1. Introduction
4.2. Material and Methods
4.2.1. Model description
4.2.2. Study area
4.2.3. Dataset over the LAM field
4.2.3.1. Site description
4.2.3.2. Flux data
4.2.3.3. Meteorological data
4.2.3.4. Biomass destructive measurements
4.2.4. Validation datasets: the 18 fields and 3 irrigated zones
4.2.5. Remotely sensed GAI and FCOVER
4.2.6. Calibration of model parameters
4.2.6.1. SAFY model parameters
4.2.6.2. Water balance model parameters
4.2.6.3. Automatic irrigation module parameters
4.2.7. Model evaluation
4.3. Results and Discussion
4.3.1. Results over the LAM field: Evapotranspiration and Biomass
4.3.2. Effect of the use of the soil map and standard Kcb values on ETca estimates over the LAM field
4.3.3. Validation over 18 maize fields: total irrigation depth
4.3.3.1. Effect of the use of the soil map on the total irrigation depth
4.3.3.2. Effect of the use of the standard Kcb values on the total irrigation depth
4.3.4. Validation over 3 irrigated zones: total irrigation depth
4.4. Conclusion
5. Résultats et analyses complémentaires
5.1. Calibration et validation de l’ETca
5.1.1. Analyse de la dynamique temporelle de l’ETca
5.1.2. Impact de la calibration sur l’ETca
5.1.3. Validation de l’ETca
5.1.4. Impact de l’utilisation des données SAFRAN sur l’ETca
5.2. Bilan des incertitudes
5.3. Humidité du sol et apport de la diffusion
5.4. Apport du module hydrique
5.4.1. Comparaison sur des parcelles du RPG
5.4.2. Comparaison avec les données AGRESTE
6. Conclusion
CONCLUSION ET PERSPECTIVES
1. Synthèse des résultats
2. Perspectives
REFERENCES BIBLIOGRAPHIQUES

Télécharger le rapport complet