Tรฉlรฉcharger le fichier pdf d’un mรฉmoire de fin d’รฉtudes
Le projet MAISEO
Cโest dans cette perspective quโa รฉtรฉ proposรฉ le projet MAISEO (FUI nยฐ14), dans lequel sโinscrit ma thรจse. Ce projet intitulรฉ ยซ Nouveaux processus รฉcologiquement intensifs de production de maรฏs intรฉgrant gestion agronomique et gestion territoriale de l’eau ยป a dรฉbutรฉ en dรฉcembre 2012 et couvre une durรฉe de quatre ans. Il regroupe un consortium constituรฉ de partenaires industriels (Vivadour, PIONEER Gรฉnรฉtique, Geosys, Compagnie dโAmรฉnagement des Coteaux de Gascogne – CACG) et de laboratoires de recherche (Mรฉtรฉo France, CNRS LAAS et CESBIO). La CACG est une sociรฉtรฉ anonyme dโรฉconomie mixte crรฉรฉe en 1959, ร la fois sociรฉtรฉ anonyme et sociรฉtรฉ dโamรฉnagement rรฉgional (S.A.R) pour les rรฉgions Midi-Pyrรฉnรฉes et Aquitaine. Elle gรจre la ressource en eau sur des bassins hydrographiques du Sud-Ouest, notamment le systรจme Neste qui constitue la principale ressource en eau pour le dรฉpartement du Gers en Midi-Pyrรฉnรฉes.
Le principal objectif du projet est de proposer des solutions qui visent ร maintenir et si possible augmenter les niveaux de production actuels du maรฏs grain, tout en rรฉduisant sa consommation en eau. Le projet comporte deux volets.
โข Le volet ยซ Economies dโeau ร la parcelle ยป:
Le premier volet concerne les ยซ รฉconomies dโeau ร la parcelle ยป. Cette partie repose sur des recherches sur la sรฉlection variรฉtale visant ร privilรฉgier les caractรจres de tolรฉrance au stress hydrique. Ce travail de recherche est menรฉ par PIONEER. Une autre partie de ce volet concerne lโoptimisation des pratiques orientรฉes vers une irrigation de prรฉcision. Ce travail est menรฉ ร lโรฉchelle parcellaire par Vivadour, Geosys, le LAAS, Meteo France et la CACG (Compagnie dโAmรฉnagement des Coteaux de Gascogne).
โข Le volet ยซ Approche territoriale ยป:
Le second volet du projet concerne lโapproche territoriale. Cโest dans ce volet que sโinscrit ma thรจse. Lโobjectif de ce volet est de proposer des solutions permettant dโoptimiser la gestion de la ressource ร lโรฉchelle dโun territoire. Pour atteindre cet objectif, le gestionnaire doit รชtre capable de connaรฎtre les besoins et ressources en eau disponibles ร tout moment sur son territoire. Cela requiert, en autres, la mise au point de mรฉthodes permettant de rรฉaliser un bon diagnostic des besoins et consommations en eau ร lโรฉchelle dโun territoire, objectif placรฉ au cลur de mon travail de thรจse. La contrainte du temps rรฉel nโa pas fait partie de mon travail de thรจse mais constitue une des perspectives du projet.
Une discussion a donc รฉtรฉ menรฉe avec la CACG autour de leurs besoins et des solutions pouvant รชtre apportรฉes pour les aider ร optimiser la gestion de lโeau dโirrigation ร lโรฉchelle dโun territoire. En Midi-Pyrรฉnรฉes, lโessentiel de lโeau dโirrigation est allouรฉ au maรฏs grain qui reprรฉsente 60% des surfaces irriguรฉes et consomme 70 ร 80% des volumes dโirrigation soit environ 250 Mm3/an. Parmi les nombreuses questions et besoins listรฉs, on peut citer celle qui a servi de trame ร ma thรจse : Comment diagnostiquer les besoins et consommations en eau du maรฏs ร lโรฉchelle dโun territoire et comment valider ce diagnostic ?
Face ร ces questions, lโutilisation de modรจles sโest avรฉrรฉe incontournable. Toutefois, si la modรฉlisation permet de simuler le dรฉveloppement, la production et les besoins en eau de cultures ร l’รฉchelle parcellaire, lโimagerie satellitaire apporte quant ร elle des informations sur la variabilitรฉ spatio-temporelle du fonctionnement des cultures liรฉe ร des diffรฉrences de pratiques agricoles, de conditions morpho-pรฉdologiques et climatiques. Lโestimation du fonctionnement des cultures sur de grandes surfaces nรฉcessite donc dโavoir une vision globale et objective de la variabilitรฉ des surfaces, possibilitรฉ offerte par la tรฉlรฉdรฉtection couplรฉe ร la modรฉlisation.
Dans ma thรจse, nous avons donc choisi dโutiliser un modรจle de culture couplรฉ ร des donnรฉes satellitaires. Nous avons ainsi cherchรฉ ร apporter des รฉlรฉments de rรฉponse aux questions suivantes : Quel modรจle choisir compte-tenu de lโรฉchelle spatiale considรฉrรฉe, ร savoir le territoire ? Quelles donnรฉes satellitaires utiliser ? Quelle mรฉthode de calibration choisir ? De quelles donnรฉes a-t-on besoin pour valider nos rรฉsultats ? Comment quantifier les sources dโincertitudes sur nos rรฉsultats ?
Les modรจles de culture
Les modรจles de culture ont รฉtรฉ largement dรฉveloppรฉs et utilisรฉs pour simuler le dรฉveloppement, la production et les besoins en eau de cultures ร l’รฉchelle parcellaire (Zhang et al., 2002). On peut distinguer trois grandes catรฉgories de modรจles de fonctionnement de par leur niveau de complexitรฉ et leur aptitude ร รชtre spatialisรฉs, c.ร .d. utilisรฉs sur de grandes surfaces.
โข Les modรจles รฉcophysiologiques:
Premiรจrement, les modรจles de fonctionnement dits ยซ รฉcophysiologiques ยป (Wit et al., 1970) simulent de faรงon mรฉcaniste les principaux processus clรฉs du fonctionnement des plantes (photosynthรจse, respiration, bilan hydrique etc.). Les processus impliquรฉs sont simulรฉs par des relations qui peuvent รชtre biophysiques ou empiriques. On peut notamment citer les modรจles 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 modรจles dรฉcrivent lโeffet des pratiques agricoles (irrigation, fertilisation, travail du sol etc.) sur un grand nombre de cultures. Ainsi, STICS permet de modรฉliser une vingtaine de cultures et compte plus de 200 paramรจtres relatifs aux caractรฉristiques de la plante, aux pratiques culturales ou aux propriรฉtรฉs de sol. Au regard du nombre de paramรจtres dโentrรฉe et de processus simulรฉs, ces modรจles peuvent รชtre qualifiรฉs de ยซ complexes ยป et sont par consรฉquent plus difficilement spatialisables. De nombreux travaux de spatialisation ont รฉtรฉ menรฉs (Hadria et al., 2006 ; Duchaine et al., 2012), mais la principale limite de cette approche rรฉside dans le manque de donnรฉes in situ nรฉcessaires pour renseigner ou alimenter de tels modรจles.
โข Les modรจles empiriques:
Les modรจles empiriques qualifiรฉs de modรจles ยซ simples ยป calculent la production de biomasse ร partir de lโรฉquation de Monteith (modรจle basรฉ sur le calcul dโefficiences – Monteith, 1972) et dโune somme dโindices de vรฉgรฉtation tels que le NDVI dรฉrivรฉs de donnรฉes de tรฉlรฉdรฉtection (Tucker and Sellers, 1986 ; Dong et al., 2003 ; Wessels et al., 2006).
Les modรจles empiriques sont plus faciles ร utiliser que les modรจles plus complexes mais les donnรฉes in situ utilisรฉes pour leur calibration sont rarement reprรฉsentatives de toute la gamme des variations possibles, ce qui peut limiter leur application aux conditions pour lesquelles ils ont รฉtรฉ รฉtablis. De plus, leur formalisme simplifiรฉ ne permet pas de simuler avec une assez grande prรฉcision le fonctionnement des cultures, ce qui peut exclure les approches de type ยซ scรฉnario ยป.
โข Les modรจles agro-mรฉtรฉorologiques semi-empiriques:
Face aux limitations inhรฉrentes aux modรจles empiriques et รฉcophysiologiques, une troisiรจme catรฉgorie de modรจles de culture a vu le jour afin dโallier leurs avantages : les modรจles agro-mรฉtรฉorologiques. Ces modรจles combinent lโรฉquation de Monteith avec quelques processus majeurs permettant de prendre en compte les principales phases du cycle de dรฉveloppement des plantes (levรฉe, croissance et sรฉnescence). Ils ont un nombre de formalismes et de paramรจtres restreints et, ร lโinstar des modรจles ยซ simples ยป, ils sont adaptรฉs ร lโรฉtude de grandes surfaces et spรฉcifiquement conรงus pour les cas oรน les donnรฉes dโentrรฉe sont limitรฉes (Maas, 1993 ; Liu et al., 2010).
Parmi ces modรจles que lโon peut qualifier dโยซ agro-mรฉtรฉorologiques ยป ou encore ยซ contextuels ยป, on retrouve les modรจles 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). Rรฉcemment, de nombreux auteurs se sont orientรฉs vers lโutilisation des modรจles agro-mรฉtรฉorologiques pour estimer la biomasse, le rendement et les besoins en eau des cultures. Ainsi, Paredes et al. (2014a) ont montrรฉ lโadรฉquation du modรจle AquaCrop de la FAO pour lโestimation de la biomasse et du rendement du maรฏs et Nana et al. (2014) ont รฉtudiรฉ les rendements du maรฏs en Italie en utilisant le modรจle PolyCrop.
Etant donnรฉ le large panel de modรจles disponibles, effectuer un choix adaptรฉ aux objectifs de lโรฉtude peut sโavรฉrer compliquรฉ. Constantin et al. (2015) ont rรฉpertoriรฉ les diffรฉrents critรจres ร considรฉrer lorsque lโon souhaite choisir un modรจle. Ainsi, le modรจle doit รฉvidemment รชtre adaptรฉ au contexte de lโรฉtude mais il doit รฉgalement รชtre robuste et efficace avec un jeu de donnรฉes restreint. On constate gรฉnรฉralement une bonne adaptation des modรจles pour des situations semblables ร celle dans laquelle ils ont รฉtรฉ calibrรฉs, mais leur robustesse est souvent limitรฉe dans des situations contrastรฉes sโils ne sont pas calibrรฉs de nouveau (Palosuo et al., 2011 ; Rรถtter et al., 2012).
Dans leur รฉtude, Constantin et al. (2015) se servent dโun jeu de donnรฉes restreint, et dรฉmontrent les performances รฉgales de deux modรจles de catรฉgories diffรฉrentes pour lโestimation du contenu en eau du sol et du rendement de trois cultures dโรฉtรฉ. Les modรจles concernรฉs sont les modรจles STICS (modรจle รฉcophysiologique) et AqYield (modรจle agro-mรฉtรฉorologique). Etant donnรฉ les bonnes performances des deux modรจles, les auteurs concluent que le choix doit essentiellement รชtre guidรฉ par lโobjectif de lโรฉtude. STICS est ainsi performant localement car les informations relatives au sol, au climat et aux pratiques culturales sont aisรฉment accessibles ร la parcelle, cependant son implรฉmentation ร une รฉchelle plus large est restreinte par la disponibilitรฉ des donnรฉes dโentrรฉe qui varient dans le temps et dans lโespace (Boote et al., 1996 ; Moulin et al., 1998 ; Faivre et al., 2004). Ainsi, STICS permettra la simulation dโun plus grand nombre de processus et AqYield sera quant ร lui plus facilement transposable ร de nouvelles cultures. Il nโexiste donc pas un seul et unique modรจle ni une seule et unique approche capables de rรฉpondre ร toutes les questions.
Couplage tรฉlรฉdรฉtection/modรจles
La tรฉlรฉdรฉtection est un outil privilรฉgiรฉ pour la spatialisation des modรจles (Delรฉcolle et al., 1992 ; Faivre et al., 2004). L’utilisation conjointe de l’imagerie satellitaire et des modรจles agro-mรฉtรฉorologiques permet de dรฉcrire le fonctionnement des cultures sur de grands territoires.
De nombreuses รฉtudes ont rรฉvรฉlรฉ les fortes potentialitรฉs des mรฉthodes basรฉes sur la combinaison des donnรฉes satellitaires aux modรจles de culture (Moulin et al., 1998 ; Pinter et al., 2003 ; Tucker et al., 1983). Rรฉcemment, Hadria et al. (2010) ont testรฉ lโutilisation conjointe du modรจle STICS et de donnรฉes satellitaires pour dรฉterminer les pratiques culturales. Les images ont รฉtรฉ utilisรฉes pour obtenir des informations spatialisรฉes sur les dates de semis et la fertilisation azotรฉe de la culture de blรฉ dans le Sud-Est de la France. Mรชme si les quantitรฉs dโazote sont surestimรฉes, les rรฉsultats obtenus sont trรจs bons pour les dates de semis avec une erreur infรฉrieure ร une semaine. Padilla et al. (2012) ont montrรฉ que lโon pouvait suivre le dรฉveloppement et estimer correctement la production du blรฉ dans le Sud de lโEspagne en couplant un modรจle agro-mรฉtรฉorologique, le modรจle GRAMI, ร des donnรฉes LANDSAT. De la mรชme maniรจre, Li et al. (2014) ont obtenu de bons rรฉsultats pour le rendement du maรฏs en utilisant le modรจle couplรฉ WOFOST-HYDRUS combinรฉ ร des donnรฉes LANDSAT. Cet axe de recherche couplant tรฉlรฉdรฉtection et modรฉlisation sโest ainsi rรฉvรฉlรฉ particuliรจrement adaptรฉ pour le suivi des rendements et de la ressource en eau ร lโรฉchelle rรฉgionale (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).
Dรฉmarche et plan de la thรจse
Mon travail de thรจse a donc consistรฉ ร proposer une dรฉmarche visant ร fournir un diagnostic des besoins et consommations en eau du maรฏs ร lโรฉchelle dโun territoire. Pour rรฉaliser ce travail, jโai utilisรฉ dans un premier temps le modรจle SAFY qui simule le rendement des cultures ร partir de la biomasse sans module hydrique, puis, dans un second temps, le modรจle SAFY-FAO qui permet de simuler, en plus de la biomasse et du rendement, les besoins et consommation en eau. Le rendement a รฉtรฉ utilisรฉ dans ma thรจse comme une donnรฉe de validation, seule donnรฉe disponible ร lโรฉchelle du dรฉpartement. Le modรจle SAMIR รฉgalement dรฉveloppรฉ au CESBIO nโa donc pas รฉtรฉ utilisรฉ, car il ne permet pas dโestimer la production.
Lโapport du module de bilan hydrique pour lโestimation du rendement a รฉtรฉ รฉvaluรฉ en comparant les sorties des deux modรจles ร des mesures in situ de rendement. Le module dโirrigation automatique a รฉgalement รฉtรฉ รฉvaluรฉ. Les deux mรฉthodes dโestimation du coefficient cultural ont รฉtรฉ testรฉes et leur impact sur lโETca et les volumes irriguรฉs รฉvaluรฉ. Une analyse de lโincertitude des sorties des modรจles en fonction de lโincertitude de certaines donnรฉes dโentrรฉe a รฉgalement รฉtรฉ abordรฉ. Nous nous sommes concentrรฉs sur la rรฉserve utile du sol (RU), le climat (particuliรจrement les prรฉcipitations) et le GAI car ils peuvent prรฉsenter des incertitudes importantes.
Une rรฉflexion a รฉgalement รฉtรฉ menรฉe tout au long de ma thรจse sur la calibration des deux modรจles avec comme objectif de limiter au maximum le recours aux donnรฉes in situ.
La quantitรฉ importante de mesures in situ et dโimages satellitales mises ร ma disposition ont constituรฉ un atout majeur pour mener ร bien ce travail. En effet, jโai pu bรฉnรฉficier de nombreuses mesures in situ issues de plusieurs annรฉes de campagne de mesures auxquelles jโai participรฉ avec dโautres membres du CESBIO. Les programmes spatiaux SPOT4-Take5 et SPOT5-Take5 [http://www.cesbio.ups-tlse.fr/multitemp/+ mโont รฉgalement permis de disposer dโun jeu dโimages optiques unique. La CACG et Vivadour mโont รฉgalement fourni des donnรฉes prรฉcieuses notamment celles relatives ร lโirrigation provenant de la CACG. Les donnรฉes collectรฉes ont permis de valider les modรจles ร diffรฉrentes รฉchelles : lโรฉchelle rรฉgionale qui constitue lโobjectif final de ce travail, mais aussi lโรฉchelle parcellaire, รฉtape prรฉliminaire nรฉcessaire pour sโassurer de la cohรฉrence des sorties des modรจles dans diffรฉrentes situations. Ce travail dโanalyse ร lโรฉchelle parcellaire a notamment permis dโidentifier les problรจmes potentiels et dโamรฉliorer la mรฉthode de calibration, en vue dโune application sur le territoire.
La thรจse est organisรฉe en trois chapitres :
– Le chapitre 1 est dรฉdiรฉ ร la description de la zone dโรฉtude et des donnรฉes utilisรฉes.
– Le chapitre 2 prรฉsente les rรฉsultats de lโestimation de la biomasse et du rendement aux รฉchelles locale et dรฉpartementale avec le modรจle SAFY. Une premiรจre section, prรฉsentรฉe sous forme dโarticle, reprend les principaux rรฉsultats publiรฉs (Battude et al., 2016). Les sections suivantes prรฉsentent des rรฉsultats complรฉmentaires ร lโarticle publiรฉ, avec notamment la comparaison des rendements simulรฉs sur deux dรฉpartements par les deux versions du modรจle SAFY : la version originale et celle contenant lโamรฉlioration proposรฉe au cours de ma thรจse et prรฉsentรฉe dans lโarticle.
– Le chapitre 3 est รฉgalement prรฉsentรฉ sous forme dโarticle (Battude et al., 2017, soumis). Il reprend les rรฉsultats de la modรฉlisation du bilan hydrique avec le modรจle SAFY- FAO et lโanalyse de lโapport de cette version pour lโestimation du rendement via la comparaison entre les modรจles SAFY et SAFY-FAO. La calibration et lโรฉvaluation du modรจle SAFY-FAO ร lโรฉchelle locale sont dรฉtaillรฉes, ainsi que les rรฉsultats issus de la spatialisation.
Dans une deuxiรจme partie, des rรฉsultats complรฉmentaires sont prรฉsentรฉs, portant sur lโanalyse des sources dโincertitude liรฉes ร la mรฉthode de calibration choisie ainsi quโaux donnรฉes dโentrรฉe utilisรฉes.
Enfin, une conclusion gรฉnรฉrale reprend les principaux rรฉsultats, รฉlรฉments de discussion et perspectives de ce travail.
Parcelle expรฉrimentale de Lamothe
Une partie des donnรฉes utilisรฉes dans ma thรจse provient de la parcelle expรฉrimentale de Lamothe (LAM). Cette parcelle dโune superficie de 32.3 ha est instrumentรฉe depuis juillet 2004 pour le suivi de la vรฉgรฉtation et lโรฉtude des flux turbulents et de la dynamique de lโeau dans le sol. Elle est situรฉe au Sud-Ouest de Toulouse (43ยฐ49โ65โโN, 01ยฐ23โ79โโE, altitude : 180 m), sur la plaine alluviale de la Garonne en bordure du Touch, dans lโemprise du satellite Formosat-2 (Figure 1-1). Elle appartient au domaine de Lamothe qui est une ferme expรฉrimentale de lโรฉcole dโingรฉnieurs de Purpan (ESAP). Elle appartient au rรฉseau ICOS (Integrated Carbon Observation System) et ร lโOSR (Observatoire Spatial Rรฉgional) Midi-Pyrรฉnรฉes.
On y pratique une rotation de type blรฉ/maรฏs ensilage. Le maรฏs a รฉtรฉ cultivรฉ en 2006, 2008, 2010, 2012, 2014 et 2015. Cโest du maรฏs ensilage utilisรฉ pour l’alimentation du bรฉtail. La rรฉcolte intervient avant lโachรจvement de la sรฉnescence, lorsque les plants sont encore verts. En plus des mesures mรฉtรฉorologiques et micro-mรฉtรฉorologiques, des mesures destructives sont rรฉalisรฉes chaque annรฉe pour analyser la dynamique de lโindice de surface verte (GAI, pour ยซ Green Area Index ยป) et de la biomasse (DAM, pour ยซ Dry Aboveground Mass ยป).
Donnรฉes mรฉtรฉorologiques et flux
La parcelle expรฉrimentale est รฉquipรฉe de mรขts de mesures mรฉtรฉorologiques et micro-mรฉtรฉorologiques. La tour ร flux est installรฉe vers le milieu de la parcelle ร lโintรฉrieur dโun enclos grillagรฉ (Figure 1-2). Les capteurs ont รฉtรฉ installรฉs ร une hauteur de 3.65 m de faรงon ร ce que la distance minimale entre la hauteur maximale du couvert et les instruments soit dโenviron 1 m (Bรฉziat et al., 2009).
Le systรจme combine un anรฉmomรจtre sonique 3D (CSAT3) et un analyseur de gaz infrarouge haute frรฉquence (LI-7500, 20 Hz). Les fluctuations turbulentes de C02 (Ftc), de vapeur dโeau (ETca pour lโรฉvapotranspiration et LE pour le flux de chaleur latente) et de chaleur sensible (H) sont mesurรฉes de faรงon continue par la mรฉthode dโEddy-Covariance (Aubinet et al., 2012 ; Baldocchi, 2003 ; Moncrieff et al., 1997). Les flux sont ensuite calculรฉs avec le logiciel EdiRe (Robert Clement, ยฉ 1999, University of Edinburgh, UK). Le calcul des flux, le filtrage, la vรฉrification de la qualitรฉ des flux et lโestimation des donnรฉes manquantes et/ou filtrรฉes sont effectuรฉs selon les recommandations de CarboEurope-IP [www.carboeurope.org].
Les capteurs du mรขt mรฉtรฉorologique enregistrent la tempรฉrature de lโair, lโhumiditรฉ relative, le rayonnement global et net, la vitesse et la direction du vent ร 3.65 m de hauteur, les prรฉcipitations (pluviomรจtre ร auget basculeur) et la pression atmosphรฉrique (voir Annexe 2 pour des dรฉtails sur les capteurs). Les donnรฉes mรฉtรฉorologiques sont utilisรฉes pour calculer lโรฉvapotranspiration de rรฉfรฉrence en utilisant la formule de Penman-Monteith (ET0, Annexe 3). Le cumul de prรฉcipitations 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) prรฉsentรฉs dans la Figure 1-3 montrent lโรฉvolution de la tempรฉrature et des prรฉcipitations enregistrรฉes sur la parcelle pour les six annรฉes รฉtudiรฉes. Ces diagrammes utilisant la norme de ยซ deux pour un ยป3 sont particuliรจrement adaptรฉs au climat des latitudes moyennes, et permettent de mettre en รฉvidence les pรฉriodes de sรฉcheresse, typiquement lorsque la courbe des prรฉcipitations se situe en dessous de celle des tempรฉratures. Selon ces diagrammes, les pรฉriodes de sรฉcheresse ont รฉtรฉ diffรฉrentes suivant les annรฉes. Si lโon se focalise sur les mois de mai ร septembre (cycle du maรฏs), on peut noter les pรฉriodes suivantes : juin et juillet en 2006, juillet ร septembre en 2010, juin ร aoรปt en 2012, juin et septembre en 2014, mai en 2015 et aucune en 2008 qui a รฉtรฉ une annรฉe particuliรจrement pluvieuse.
Les flux et les donnรฉes mรฉtรฉorologiques sont prรฉtraitรฉs au CESBIO par Tiphaine Tallec (Physicienne CNAM, OMP-CESBIO) et Aurore Brut (MdC UPS-CESBIO), et fournis ร un pas de temps semi-horaire. Les donnรฉes sont par la suite cumulรฉes ou moyennรฉes pour obtenir des donnรฉes journaliรจres permettant la comparaison avec les sorties des modรจles.
2 Durรฉes des saisons culturales (de la levรฉe ร la rรฉcolte) : 95, 77, 89, 95, 96 et 114 jours, respectivement.
3 Les gradations sont standardisรฉes : une gradation de l’รฉchelle des prรฉcipitations correspond ร deux gradations de l’รฉchelle des tempรฉratures (P = 2T).
Donnรฉes pรฉdologiques
Nous disposons depuis lโannรฉe 2006 de mesures dโhumiditรฉ du sol effectuรฉes sur la parcelle expรฉrimentale dans la zone dโinfluence (footprint) de la mesure dโEddy-Covariance. Jusquโen 2012, les mesures ร 5 cm, 10 cm et 30 cm รฉtaient effectuรฉes dans trois fosses avec des sondes CS615 et CS616 (Campbell). La fosse A รฉtait positionnรฉe dans lโenclos et les fosses B et C aux alentours de lโenclos. Une mesure supplรฉmentaire รฉtait effectuรฉe ร 1 m de profondeur dans la fosse centrale (A).
De nouvelles fosses ont รฉtรฉ creusรฉes en septembre 2011 et รฉquipรฉes de sondes ThetaProbe ML2X. Le dispositif mis en place consiste en quatre fosses dont trois creusรฉes autour de lโenclos ร proximitรฉ des mรขts instrumentรฉs (B, C et D) et une centrale (A). Les sondes sont placรฉes dans les fosses, ร six profondeurs : 0-5 cm, 5 cm, 10 cm, 30 cm, 50 cm et 1 m (Figure 1-4). Des prรฉlรจvements de sol sur 0-30 cm et 40-50 cm ont รฉtรฉ rรฉalisรฉs lors de lโinstallation des nouvelles sondes en 2011 (Figure 1-4). Ces analyses de sol ont permis dโobtenir des informations sur la texture et sur les points dโhumiditรฉ critique (Figure 1-5).
La parcelle est caractรฉrisรฉe par un sol profond (environ 1.5 m), argileux (environ 50% dโargile) et peu permรฉable, caractรฉristique de la vallรฉe du Touch. Relativement homogรจne, elle prรฉsente une grande capacitรฉ de stockage de lโeau. Les propriรฉtรฉs hydrauliques sont prรฉsentรฉes dans le Tableau 1-1. Des valeurs moyennes de 17 cm3.cm-3 et 36 cm3.cm-3 ont รฉtรฉ utilisรฉes pour le point de flรฉtrissement (Hwp) et la capacitรฉ au champ (Hfc), respectivement.
Mesures destructives de GAI et biomasse
Les donnรฉes in situ ont รฉtรฉ collectรฉes entre 2006 et 2015 par Tiphaine Tallec, Nicole Ferroni et lโรฉquipe terrain (Figure 1-6) dans le footprint de la mesure dโEddy-Covariance. Chaque annรฉe quatre ร six prรฉlรจvements de vรฉgรฉtation sont effectuรฉs. A chaque date, 5 zones sont รฉchantillonnรฉes. Dans chaque zone, quatre plants sont prรฉlevรฉs de part et dโautre du passage du canon dโirrigation sur une distance dโenviron 20 mรจtres. Les organes sont triรฉs (fleurs, รฉpis, tige, feuilles) puis sรฉparรฉs en sรฉnescent et vert avant dโรชtre pesรฉs. Les organes verts sont passรฉs au planimรจtre (LI-COR 3100, Lincoln Inc., Nebraska) pour mesurer leur surface foliaire.
Aprรจs sรฉchage ร 55ยฐC ร lโรฉtuve pendant au moins 72 h, les รฉchantillons sont pesรฉs, rรฉfรฉrencรฉs et stockรฉs. Au total, nous disposons de 31 mesures de biomasse effectuรฉes sur les six annรฉes. La masse et la surface des feuilles ont รฉtรฉ utilisรฉes pour calculer la surface spรฉcifique foliaire (SLA pour ยซ Specific Leaf Area ยป, en mยฒ.g-1).
|
Table des matiรจres
INTRODUCTION
1. Contexte scientifique
2. Le maรฏs et la problรฉmatique de lโeau
2.1 Contexte รฉconomique et environnemental
2.2. Besoins en eau
2.3. Enjeux liรฉs ร lโirrigation
3. Le projet MAISEO
4. Les modรจles de culture
5. Couplage tรฉlรฉdรฉtection/modรจles
6. Dรฉmarche et plan de la thรจse
CHAPITRE 1 : ZONE DโETUDE ET DONNEES
1. Prรฉsentation de la zone dโรฉtude
2. Parcelle expรฉrimentale de Lamothe
2.1. Donnรฉes mรฉtรฉorologiques et flux
2.2. Donnรฉes pรฉdologiques
2.3. Mesures destructives de GAI et biomasse
3. Les placettes ยซ ESU ยป
3.1. Mesures indirectes du GAI
3.2. Mesures destructives de biomasse et rendement
4. Capteurs de rendement
5. Donnรฉes des partenaires et enquรชtes
6. Donnรฉes spatialisรฉes
6.1. Registre Parcellaire Graphique (RPG)
6.2. Cartes dโoccupation du sol
6.3. Donnรฉes mรฉtรฉorologiques SAFRAN
6.4. Carte pรฉdologique
6.4.1. Prรฉsentation de la carte et de la base de donnรฉes
6.4.2. Mรฉthode dโextraction de lโinformation
7. Statistiques de rendement Agreste
8. Associations Syndicales Autorisรฉes (ASA)
9. Donnรฉes satellitaires
9.1. Prรฉsentation des images
9.2. Prรฉtraitement des images
9.3. Inter-comparaison des capteurs
9.4. Sรฉries temporelles de variables biophysiques
9.4.1. Dรฉfinitions
9.4.2. Estimation des variables biophysiques par tรฉlรฉdรฉtection
9.4.2.1. Lโapproche empirique
9.4.2.2. Lโapproche utilisant des MTR
CHAPITRE 2 : ESTIMATION DE LA BIOMASSE ET DU RENDEMENT
1. Introduction
2. Le modรจle SAFY
3. Rรฉsultats publiรฉs – 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. Rรฉsultats et analyses complรฉmentaires
4.1. Comparaison des mรฉthodes: double logistique vs filtre manuel
4.2. Biomasse et rendement ร lโรฉchelle locale
4.3. Apport de la nouvelle version
4.3.1. Initialisation des paramรจtres
4.3.2. Comparaison ร lโรฉchelle locale
4.3.3. Comparaison ร lโรฉchelle rรฉgionale
4.4. Correction du GAI effectif
5. Conclusion
CHAPITRE 3 : MODELISATION DU BILAN HYDRIQUE
1. Introduction
2. Bilan hydrique et รฉvapotranspiration
2.1. Dรฉfinition et รฉquation du bilan hydrique
2.2. Mรฉthodes dโestimation de lโรฉvapotranspiration
2.3. La mรฉthode FAO-56
3. Le modรจle SAFY-FAO
3.1. Fonctionnement gรฉnรฉral
3.2. Le bilan hydrique
3.3. Le module dโirrigation automatique
3.4. Couplage avec le modรจle SAFY
4. Rรฉsultats 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. Rรฉsultats et analyses complรฉmentaires
5.1. Calibration et validation de lโETca
5.1.1. Analyse de la dynamique temporelle de lโETca
5.1.2. Impact de la calibration sur lโETca
5.1.3. Validation de lโETca
5.1.4. Impact de lโutilisation des donnรฉes SAFRAN sur lโETca
5.2. Bilan des incertitudes
5.3. Humiditรฉ 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 donnรฉes AGRESTE
6. Conclusion
CONCLUSION ET PERSPECTIVES
1. Synthรจse des rรฉsultats
2. Perspectives
REFERENCES BIBLIOGRAPHIQUES
Tรฉlรฉcharger le rapport complet