Etude de la variabilité interannuelle de la biomasse aérienne sèche avec un modèle générique des surfaces continentales

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

Les variables biogéophysiques terrestres

La modélisation des surfaces continentales

Les processus physiques se produisant entre la surface terrestre et l’atmosphère, décrits à travers des échanges d’eau et d’énergie, sont essentiels dans la connaissance du système climatique. Les modèles des surfaces continentales permettent de comprendre et de représenter explicitement les variables de surface et les échanges à l’interface sol-plante-atmosphère. Ils simulent les flux d’eau et d’énergie à l’interface surface-atmosphère, ainsi que le stock d’eau dans le sol. Ils sont souvent appelés modèles SVAT (« Soil Vegetation Atmosphere Transfer »). Ce sont des modèles génériques dans le sens où tous les types de végétation sont simulés par le même modèle. Ils simulent les transferts d’eau et de chaleur du système sol-plante, possèdent une représentation du manteau neigeux et utilisent des cartes numériques des caractéristiques des surfaces (occupation des sols, albédo de surface, indice foliaire de la végétation, rugosité aérodynamique, propriétés des sols). Ils apportent les conditions aux limites essentielles au fonctionnement des modèles atmosphériques décrivant les processus météorologiques. A l’inverse, en utilisant les forçages météorologiques apportés par les modèles atmosphériques (température et humidité de l’air, rayonnement incident, précipitations, vitesse du vent), qu’il s’agisse de données prévues, mesurées ou issues de réanalyses2, les modèles de surface peuvent simuler les flux et certaines variables biogéophysiques. La compréhension des processus de surface peut ainsi être améliorée et la généricité de ces modèles permet de simuler les échanges sur n’importe quel point de la surface de la Terre, en particulier la variabilité interannuelle des flux d’eau et d’énergie et de l’humidité du sol. Cela est hors de portée des réseaux de mesures in situ.
Dans les années 60, les modèles numériques des surfaces continentales étaient uniquement capables de représenter les échanges d’eau et d’énergie entre un réservoir de sol à une ou deux couches et l’atmosphère (à travers les flux de chaleur sensible et latente et le rayonnement net). La végétation n’était alors pas encore explicitement représentée mais seulement paramétrée. C’est ainsi qu’ont été mises au point l’approche « bucket » (Manabe, 1969) pour représenter le sol, puis la méthode « force-restore » (Deardroff, 1977, 1978). Plus tard, il est apparu indispensable de représenter la végétation afin d’avoir une description de son évolution au fil du temps et dans l’espace. Les modèles ont donc évolué afin de prendre en compte l’interaction entre le sol et la plante d’une part et la plante et l’atmosphère d’autre part. Les processus d’interception de l’eau par la végétation, la transpiration foliaire, ont été inclus dans cette nouvelle génération de modèles. Dans les modèles SVAT, le bilan hydrique et le bilan d’énergie sont résolus à un pas de temps horaire ou plus détaillé, en tenant compte de la végétation. Les versions modernes de ces modèles simulent également les flux de carbone (la photosynthèse est représentée). Ils simulent l’évolution spatiale et temporelle des variables biogéophysiques (par exemple l’humidité du sol ou indice foliaire de la végétation).

Modélisation du stress hydrique

L’eau occupe une place essentielle dans la représentation des processus de surface. L’eau est un facteur limitant de la croissance des plantes qui nécessite d’être correctement représenté dans les modèles, notamment au travers de l’humidité du sol et de son impact sur la photosynthèse. La végétation joue un rôle clé dans le système climatique, car elle contrôle les flux de vapeur d’eau entre le sol et l’atmosphère au travers des processus de photosynthèse et de transpiration foliaire. A l’échelle de la feuille, les échanges en dioxyde de carbone avec l’atmosphère ont lieu grâce aux stomates présents à sa surface. Leur ouverture est régulée par les conditions environnementales et par l’eau disponible dans le sol. Cette ouverture est étroitement liée à la photosynthèse (Jacobs, 1994 ; Jacobs et al., 1996). Elle conditionne par ailleurs la transpiration foliaire. L’indice foliaire de la végétation ou LAI (Leaf Area Index) désigne la surface d’échange du couvert végétal avec l’atmosphère et joue un rôle déterminant dans la transpiration à l’échelle du couvert. Le LAI est exprimé en m2 m-2.
L’humidité du sol, simulée ou observée par télédétection, peut être utilisée dans le but d’anticiper les rendements agricoles (Champagne et al., 2012) ou de détecter les sécheresses agricoles (Crow et al., 2012 ; Szczypta et al., 2014 ; Kong et al., 2011). Selon le type de plante considéré, les conséquences de la sécheresse sont différentes. Dans ISBA-A-gs, l’impact du stress hydrique sur les paramètres de la photosynthèse est représenté pour divers types de végétation (Calvet, 2000 ; Calvet et al., 2004). Dans ce modèle, il est en particulier possible de différencier des stratégies d’évitement et de tolérance à la sécheresse. Calvet et al. (2012) ont utilisé des statistiques agricoles pour montrer que la variabilité interannuelle de la production de biomasse ne peut être simulée correctement avec ISBA-A-gs, pour les prairies et les céréales d’hiver et de printemps, qu’en utilisant les stratégies adoptées par la plante, de tolérance et d’évitement, respectivement. D’autre part, les simulations de Calvet et al. (2012) mettent en évidence une relation statistique entre l’humidité du sol racinaire simulée moyennée sur les mois de mai à juillet et la biomasse aérienne maximale des céréales et des prairies simulées. Cela montre que le contenu en eau du sol à une date donnée peut avoir un potentiel prédictif sur la biomasse. Il apparait nécessaire d’affiner la période pour laquelle cet indicateur est pertinent et s’il permet d’anticiper l’état futur de la croissance des couverts agricoles telle qu’elle est caractérisée par les observations du LAI par télédétection (voir Sect. 2.3.). Des travaux de ce type ont été réalisés par Szczypta et al. (2014) avec la version trois couches du modèle ISBA-A-gs et à une résolution de 0,5° sur l’Europe, avec des résultats peu concluants sur la France. Il est donc nécessaire d’approfondir cette approche à l’échelle de la France, à une meilleure résolution spatiale, en utilisant les observations de rendement en parallèle aux observations satellitaires de LAI et en utilisant diverses configurations du modèle ISBA-A-gs.
L’interaction entre le stress hydrique et la végétation, via les processus de la photosynthèse pilotant la croissance de la plante et plus particulièrement les couverts agricoles, sera particulièrement étudiée dans cette thèse.

L’observation des surfaces continentales depuis l’espace

Les simulations des surfaces continentales doivent être comparées à des observations, afin d’être calibrées et validées. La combinaison des données de la télédétection spatiale avec les modèles est susceptible d’améliorer la représentation des surfaces continentales.
Afin de valider les modèles, ou pour initialiser les variables pronostiques (l’humidité du sol par exemple), on peut utiliser des mesures in-situ produites par des campagnes expérimentales ou des réseaux de mesure sur quelques sites localisés. L’inconvénient de cette méthode est que ces données ne concernent qu’un nombre limité de sites, souvent sur des périodes de temps courtes. Une autre méthode a été proposée au cours des années 80. Elle consiste à utiliser la télédétection spatiale. Ces données proviennent de mesures satellitaires obtenues à partir de capteurs embarqués. Plusieurs gammes de longueurs d’ondes du spectre électromagnétique peuvent être utilisées. La télédétection micro-ondes donne accès à l’humidité superficielle du sol, soit par radiométrie (systèmes passifs mesurant l’émission naturelle de la surface), soit par mesure d’un signal radar rétrodiffusé par la surface (systèmes actifs). Ces mesures peuvent être reliées à l’humidité superficielle du sol, à condition que la végétation ne soit pas trop dense (Schmugge, 1983). La télédétection dans la gamme des longueurs d’ondes du visible permet de suivre l’état de la végétation. L’absorption et la réflectance du rayonnement solaire par la végétation varie selon les longueurs d’ondes, en relation avec la portion du spectre solaire utilisé par la photosynthèse. La mesure de ces grandeurs physiques permet de produire des indices de végétation, comme le NDVI (Normalized Difference Vegetation Index) ou le LAI. Le LAI exprime le rapport entre la surface des feuilles et la surface de terrain occupée par la végétation (Bonn et Rochon, 1992). L’obtention des grandeurs physiques des surfaces continentales est un domaine d’application de la télédétection. En Europe, des systèmes de production opérationnels permettent un accès libre à des produits à basse résolution spatiale (1 à 5 km pour les produits concernant la végétation, 1 à 25 km pour l’humidité superficielle du sol), en temps quasi-réel. On peut citer quelques exemples de produits disponibles, tels que le « Satellite Application Facilities » LSA-SAF et H-SAF d’EUMETSAT, et le « Global Land Service » de Copernicus (à partir de SPOT/VEGETATION et des capteurs assurant la continuité de SPOT/VEGETATION). Toutes ces séries ont été évaluées de manière à vérifier d’une part leur qualité vis-à-vis d’observations et d’autre part les unes par rapport aux autres (Garrigues et al., 2008). La Figure 3 montre un exemple de produit LAI fourni par le LSA-SAF.
Des exemples d’utilisation de ces produits pour la validation et l’intercomparaison des simulations des modèles ISBA-A-gs et ORCHIDEE sont donnés par Lafont et al. (2012) et Szczypta et al. (2014). En particulier, des indicateurs comme la durée du cycle annuel de croissance, la sénescence de la végétation, la variabilité interannuelle du LAI ou la variation temporelle de l’humidité superficielle du sol ont également pu être validés grâce à la télédétection (Szczypta et al., 2014).
Ces produits sont cependant affectés par des incertitudes générées par les erreurs d’observation, par les facteurs perturbateurs de la mesure ou par les imperfections des algorithmes d’inversion qui produisent les variables biogéophysiques. L’utilisation de capteurs embarqués successifs différents rend également les séries temporelles discontinues et un travail d’homogénéisation est nécessaire pour obtenir une série sur une longue période. Ainsi, des précautions doivent être prises afin d’obtenir une mesure correcte et utilisable.
Néanmoins, la précision des produits satellitaires est de plus en plus grande. Des échelles spatiales décamétriques sont désormais accessibles à partir de missions récentes (par exemple FORMOSAT-2), ou à venir (Venus, Sentinel-2).

Etat de l’art de la prévision saisonnière du temps

Eléments de physique de l’atmosphère

Variabilité basse fréquence de l’atmosphère

Le système climatique est formé de l’atmosphère, des océans, de la biosphère continentale et de la cryosphère (Figure 4). Chacun de ces éléments interagit avec les autres à différentes échelles de temps et d’espace, principalement par des échanges d’eau, de carbone et d’énergie. Aux latitudes tempérées (entre 30°N et 70°N), la circulation atmosphérique moyenne saisonnière est principalement gouvernée par les ondes quasi-stationnaires d’échelle planétaire (de l’ordre de 1000 à 10000 km) (Calas, 2014).
Cette circulation est constamment modifiée au fil du temps, ce qui constitue la variabilité du climat (Figure 5). Cette variabilité est majoritairement liée à des phénomènes se produisant à des échelles de temps inférieures à celles du climat (échelle synoptique). Au-delà des changements du temps sensible que nous percevons localement, tels que les alternances de jours de pluie et de beau temps, se produisent des variations climatiques à grande échelle. Par exemple, l’hiver 2013/2014 très doux en France, a été marqué par une circulation atmosphérique générale provenant principalement de l’océan Atlantique. Avec une anomalie sur la saison de +1,8°C, cet hiver se place au 2ème rang ex-aequo des hivers les plus doux depuis le début des mesures en 1900 (Météo-France, www.meteofrance.fr). Enfin, à une échelle temporelle annuelle, des processus planétaires interviennent, pilotés à la fois par l’atmosphère et l’océan. L’un des principaux modes de variabilité à cette échelle de temps est l’Oscillation Australe – El Niño, ou « El Niño Southern Oscillation » (ENSO ; Neelin et al., 1998).
Ce phénomène est composé de deux phases. La phase El Niño : une anomalie océanique observée dans le Pacifique, au large des côtes d’Amérique du Sud (de l’Equateur au Chili) et durant la période de Noël (d’où l’origine de son nom en espagnol : l’enfant) (Trenberth, 1997). Sa fréquence d’occurrence est irrégulière, entre 2 et 7 ans. Sa durée est également variable, de quatre à douze mois. El Niðo est caractérisé par un courant d’eau chaude provenant de l’ouest du bassin Pacifique et qui migre à l’est vers les côtes du Pérou (NOAA, www.pmel.noaa.gov/tao/elnino/el-nino-story.html). Son origine provient d’un affaiblissement des alizés (vents d’est) qui ralentit les courants de surface de l’océan jusqu’à en inverser le sens. Il engendre une modification de la thermocline3 (rééquilibrage horizontal de celle-ci) et réduit ainsi le phénomène d’upwellings4 près des côtes d’Amérique du Sud (avec des conséquences négatives pour la pêche locale). L’autre phase, appelée La Niða, est le phénomène opposé, d’intensité moins marquée. Ce phénomène n’a pas nécessairement lieu après El Niño.
Outre l’influence majeure du phénomène ENSO sur le climat global, il existe d’autres modes de variabilité à grande échelle. Dans l’hémisphère nord, l’Oscillation Arctique (ou AO : « Arctic Oscillation ») est le principal mode de variabilité de la circulation à grande échelle de l’atmosphère aux moyennes latitudes. Elle est définie dans l’hémisphère nord sur des échelles de temps allant de plusieurs semaines à plusieurs décennies (Thompson et Wallace, 1998). Il s’agit d’une oscillation de pression atmosphérique au niveau de la mer entre les régions arctiques et les moyennes latitudes. Elle est reliée à l’Oscillation Nord-Atlantique (NAO : « North Atlantic Oscillation »), qui représente les changements de pression entre l’anticyclone des Açores et la dépression d’Islande (Hurrell, 2003). La NAO est le principal mode de variabilité climatique dans la région constituée de l’Atlantique Nord et de l’Europe. Il contribue d’ailleurs à la moitié des régimes de temps sur l’Europe occidentale (Cassou et al., 2005).
Les régimes de temps permettent de caractériser les situations météorologiques en Europe. A une échelle temporelle intramensuelle, ils sont notamment liés à une variation rapide des champs de pression à grande échelle et des centres d’actions associés (Calas, 2014). Leur origine provient des ondes stationnaires. Chaque régime de temps est caractérisé par une grande cohérence géographique des champs de pression, majoritairement due à la répartition entre les continents et les océans. Dès l’installation d’un régime de temps spécifique, les conditions météorologiques restent proches de certains états préférentiels durant une période de l’ordre de cinq à quinze jours. Les changements de temps qui se produisent à nos latitudes peuvent en fait correspondre au passage d’un régime de temps à un autre. La succession des régimes de temps n’est cependant pas entièrement comprise par la communauté scientifique. Quatre régimes de temps récurrents sur la partie extratropicale de l’Atlantique nord et sur l’Europe ont été identifiés (Vautard, 1990). La phase positive de l’Oscillation Nord-Atlantique est définie par un renforcement de l’anticyclone des Açores et de la dépression d’Islande. Ce régime est appelé régime NAO+ et a une fréquence d’occurrence de 30%. Quant à la phase négative, elle se caractérise par un affaiblissement de ces deux centres d’anomalies de pression, on parle alors du régime NAO-, avec une fréquence de 20%. Ces deux régimes d’orientation zonale semblent être spatialement symétriques. Deux autres régimes indépendants de la phase NAO ont été identifiés. La répartition spatiale de leurs anomalies de pression est cette fois méridienne. Le gonflement de l’anticyclone des Açores sur le bassin atlantique donne le régime de dorsale atlantique, avec une fréquence de 23%. Enfin, l’anticyclone persistant sur le nord de l’Europe et la Scandinavie est appelé régime de blocage et s’observe avec une fréquence de 27%. Les régimes de temps présentent plusieurs échelles de variabilité (Calas, 2014) :
– une variabilité à l’échelle d’une ou plusieurs décennies (prédominance du régime NAO-entre 1960 et 1980 puis du régime NAO+ de 1980 à 2000).
– une variabilité interannuelle (exemple : l’hiver 1995 a été marqué par un régime NAO fortement positif et l’hiver 1996 par un régime NAO fortement négatif).
– une variabilité intra-saisonnière (exemple : décembre 1989 a été marqué par un régime NAO négatif et janvier 1990 par un régime NAO fortement positif).
– une variabilité haute-fréquence (de quelques jours à une ou deux semaines) qui représente l’alternance entre régimes d’une semaine à l’autre.

Le système multi-modèles européen de prévision saisonnière : EUROSIP

Le système multi-modèles EUROSIP (« EUROpean Seasonal to Interannual Prediction ») a été construit à partir des AOGCM de plusieurs centres opérationnels fournissant des prévisions saisonnières. Le but de ce consortium est de combiner des jeux de prévisions saisonnières pour augmenter leur robustesse. Chaque centre météorologique suit un protocole similaire pour produire ses prévisions, afin de garder une homogénéité entre chaque jeu. Les recommandations sont de fournir une prévision saisonnière avant le 10 de chaque mois, avec un ensemble d’au moins 30 membres. La période des « hindcasts » doit couvrir au moins 20 ans. Le but est de constituer la climatologie du modèle afin de calibrer les prévisions brutes. Les « hindcasts » nécessitent un nombre plus restreint de membres (5 au minimum). Actuellement, Météo-France et le CEPMMT en sont à la 4ème version de leur modèle, appelée « System 4 ». Les différents centres météorologiques de prévisions atmosphériques participant au consortium sont :
– Le CEPMMT : il joue un rôle très important dans le développement des prévisions saisonnières en temps réel. Le modèle IFS réalise depuis 2012 un jeu de prévisions constitué de 51 membres (Molteni et al., 2011). La résolution horizontale du modèle est de 80 km et la résolution verticale est de 91 niveaux. Ce modèle est couplé avec le modèle océanique NEMO (« Nucleus for European Modelling of the Ocean »).
– Météo-France (France) : le modèle utilisé est Arpege Climat V5.2, modèle atmosphérique du « système Terre8 » CNRM-CM5.1 (Voldoire et al., 2013). Il fournit un ensemble de 51 prévisions résultant d’analyses atmosphériques (fournies par le CEPMMT) et d’analyses océaniques (fournies par Mercator-Océan). Un décalage temporel des analyses océaniques permet de générer des conditions initiales différentes. La résolution horizontale des prévisions atmosphériques est de 160 km, avec 31 niveaux verticaux. Il est couplé avec le modèle océanique NEMO.
– Met Office (Royaume-Uni) : depuis Septembre 2009, la version 4 de GloSea (équivalent du « System 4 » ; Arribas et al., 2011) fournit 42 membres grâce au modèle atmosphérique HadGEM3, d’une résolution horizontale de 50 km et composé de 85 niveaux verticaux. Ce modèle atmosphérique est couplé avec le modèle océanique NEMO à résolution 1/4°. Contrairement au CEPMMT et à Météo-France, de nouvelles versions ont été ajoutées (allant jusqu’au « System 9 »).
Depuis 2012, un 4ème centre météorologique est rattaché au projet : le NCEP (« National Centers for Environmental Prediction », Etats-Unis). Le modèle atmosphérique utilisé est le CFSv2 (actuellement sa version est équivalente au « System 2 » européen). Il possède une résolution horizontale d’environ 100 km et se compose de 64 niveaux verticaux (Saha et al., 2014). Ce modèle est couplé avec le modèle océanique MOM3 (« Modular Ocean Model 3 »).
Le consortium EUROSIP établit un bulletin météorologique chaque début de mois (Figure 9). Il tient compte des résultats des prévisions de chacun des centres météorologiques. La confrontation des différents scénarios obtenus permet de quantifier la fiabilité des prévisions concernant la température à 2 mètres et les précipitations totales.
D’autres centres météorologiques contribuent à des systèmes multi-modèles. On peut citer : le « Bureau Of Meteorology » (BOM, Australie), le « National Aeronautics and Space Administration » (NASA, Etats-Unis), la « Korean Meteorological Administration » (KMA, Corée du Sud) ou la « Japan Meteorological Agency » (JMA, Japon).

La prévision saisonnière appliquée en agriculture

Avec l’utilisation de la prévision saisonnière, il est donc possible de connaître une éventuelle anomalie en température et en précipitations des mois à venir. Ces deux variables ont une influence majeure sur l’évolution des cultures et cette information est précieuse pour une utilisation en agriculture. Une adaptation des pratiques agricoles en réponse à la prévision de conditions climatiques particulières peut être envisagée. Ces dernières années, de nombreuses études se sont intéressées au lien entre la variabilité du climat et l’agriculture (Hoogenboom, 2000 ; Hansen, 2002 ; Cantelaube et al., 2004). Les prévisions saisonnières offrent la possibilité d’anticiper les rendements agricoles (Hansen et al., 2004 ; Challinor et al., 2005b ; Hansen, 2005 ; Hansen et Sivakumar, 2006) et d’améliorer la gestion des cultures, en tirant profit des conditions favorables ou en réduisant les effets des conditions défavorables (Mjelde et al., 1997 ; Hammer et al., 2001 ; Doblas-Reyes et al., 2006 ; Sivakumar, 2006 ; Thornton, 2006 ; Coelho et Costa, 2010). Cependant, la prévision opérationnelle des composantes du rendement ou du rendement final est jusqu’à présent réalisée avec des méthodes statistiques. Ces méthodes n’utilisent pas encore de prévisions issues de modèles atmosphériques, mais plutôt des prévisions basées sur des données climatiques (Chipanshi et al., 1997 ; Supit, 1997) associées à des observations de variables météorologiques et à des observations satellitaires de l’état de la végétation.
Les recherches publiées sur la prévision des rendements utilisent principalement les différentes phases de l’ENSO. Deux méthodes basées sur les phases de l’ENSO sont présentes dans la littérature :
– utilisation de prévisions saisonnières atmosphériques : on peut trouver quelques exemples sur l’Australie (Hansen et al., 2004), l’Afrique (Hansen et Indeje, 2004 ; Hansen et al., 2009) ou les Philippines (Koide et al., 2013).
– utilisation de relations statistiques : au Brésil (de Oliveira Cardoso et al., 2010) et en Argentine (Podestá et al., 2002).
Dans certaines régions, l’information apportée par les phases de l’ENSO suffit pour faire de la prévision fiable de rendement, sous certaines conditions : cela dépend de l’existence de téléconnexions apportées par l’ENSO. Les prévisions saisonnières de qualité sont surtout possibles aux latitudes tropicales, en relation avec une variabilité atmosphérique et océanique plus faible qu’aux latitudes moyennes. L’utilisation des données de prévision saisonnière aux moyennes latitudes nécessite plus de rigueur et doit réunir des conditions favorables et la présence de prévisibilité. Des recherches supplémentaires doivent être faites sur la détermination des échelles spatiales et temporelles pour lesquelles les prévisions saisonnières sont applicables en agriculture et en environnement (Ogallo et al., 2000).
A l’échelle de l’Europe, le Joint Research Centre (JRC) réalise en temps réel des prévisions saisonnières de rendement des céréales (et autres) sur l’Europe, sous forme de bulletins issus de « l’Action AGRI4CAST ». Le « Monitoring Agricultural ResourceS » (MARS) « Crop Yield Forecasting System » (MCYFS) utilise pour cela des observations satellitaires de l’état des surfaces continentales, des observations météorologiques et la modélisation de variables agro-météorologiques9 et biophysiques10. Ces données sont complétées par des prévisions numériques du temps et par des analyses statistiques (JRC, http://mars.jrc.ec.europa.eu/mars/About-us/AGRI4CAST). Or, parmi les prévisions numériques du temps, celles à l’échelle saisonnière n’occupent pas une part importante de l’ensemble du système de prévision, basé sur les observations et des relations statistiques historiques. De cette manière, il n’est pas possible de directement connaître l’apport de l’utilisation des données issues de la prévision saisonnière du temps. Enfin, la résolution spatiale des bulletins de prévision émis, comme ceux concernant le rendement, est à l’échelle nationale. Ces informations ne peuvent donc pas être délivrées plus localement.
Des études visant à prévoir les rendements agricoles dans différentes régions de l’Europe à partir de prévisions saisonnières issues du projet DEMETER ont été réalisées (Cantelaube et Terres, 2005 ; Marletto et al., 2005, 2007 ; Semenov et Doblas-Reyes, 2007). Dans certains cas, cette évaluation montre qu’à grande échelle, la prévision saisonnière n’apporte pas plus d’informations concernant la prévision des rendements agricoles que les méthodes basées sur des données climatiques (Semenov et Doblas-Reyes, 2007). Cantelaube et Terres (2005) ont évalué ce couplage en utilisant le modèle de culture du JRC (WOFOST). Cette méthode de prévision a été comparée à la méthode utilisée en opérationnel par le JRC. Les résultats sont convaincants et montrent la capacité du système de prévision multi-modèles à détecter la tendance de l’anomalie de rendement annuelle sur quelques années d’étude. Les prévisions de rendement du blé obtenues dès le mois de février sont dans certaines régions de meilleure qualité que celles obtenues avec le système opérationnel. De manière générale, l’information probabiliste apportée par ces prévisions est très utile car elle fournit une indication sur l’incertitude associée. Cela permet de modérer les actions qui seront prises en réponse aux informations apportées par ces prévisions. Des décisions à l’échelle de la politique européenne de gestion agricole peuvent ainsi être prises afin de limiter les pertes de production. Il apparait donc pertinent d’utiliser l’information apportée par la prévision saisonnière du temps produite aux moyennes latitudes, qui, couplée avec un modèle de croissance des céréales, permettrait d’améliorer les systèmes de prévisions actuellement employés sur la France.

Objectifs et plan de travail de la thèse

Représentation et anticipation de la croissance des cultures en France

L’objectif de cette thèse est d’appliquer la prévision saisonnière à l’agriculture sur la France et d’évaluer dans quelle mesure il est possible d’améliorer la connaissance de l’état futur des cultures de céréales d’hiver et de printemps (par exemple le blé) et des prairies. Des indicateurs sont produits par un modèle générique des surfaces continentales, ce dernier pouvant être utilisé aussi bien pour les céréales d’hiver/printemps que pour les prairies. La représentation de la variabilité interannuelle des rendements agricoles en France par un modèle générique de surface continentale est évaluée dans différentes configurations. L’utilisation de la télédétection est également évaluée. D’autre part, des prévisions saisonnières sont uniquement utilisées pour piloter un modèle agronomique de croissance du blé tendre. Cette thèse s’inscrit dans un partenariat entre la recherche et l’industrie à travers un contrat Cifre entre Météo-France et Arvalis – Institut du végétal.
La question posée dans cette thèse est : « comment peut-on valoriser les outils numériques et les données satellitaires à notre disposition afin d’améliorer la prévisibilité des variables agro-climatiques liées aux cultures en France et à l’échelle de la saison de culture ? ».
Deux réponses sont apportées pour répondre à cette problématique. Elles sont fondées sur la modélisation agronomique et sur l’analyse de variables biogéophysiques, avec pour cette dernière une étude préalable qui a donné lieu à un article (Figure 10).

Deux stratégies

La première stratégie consiste à utiliser un modèle générique des surfaces continentales ainsi que des données issues de la télédétection, capables de fournir des indicateurs apportant une information précoce sur l’état futur des couverts végétaux en France.
Cet objectif nécessite une étude intermédiaire d’étalonnage du modèle générique ISBA-A-gs, afin qu’il puisse représenter le plus fidèlement possible la variabilité interannuelle de la production des céréales à paille et des prairies naturelles (non irriguées) en France sur la période 1994-2010. L’étude de ces deux types de végétation permet en particulier de distinguer des réponses contrastées au stress hydrique. En effet, le modèle ISBA-A-gs distingue tolérance au stress hydrique (cas des prairies) et évitement du stress hydrique (cas des céréales à paille de type blé). L’utilisation des statistiques agricoles par Calvet et al. (2012) a permis de confirmer que cette distinction entre tolérance et évitement est pertinente.
Une étude précédente (Calvet et al., 2012) a montré la faisabilité de l’utilisation du modèle ISBA-A-gs dans ce but, avec une représentation simplifiée des transferts d’eau dans le sol. L’étalonnage repose sur deux paramètres clés qui gouvernent la variabilité interannuelle de la production de biomasse par la végétation annuelle : le contenu maximal en eau disponible dans la zone racinaire ainsi que la conductance du mésophylle. Leur optimisation permet de maximiser la corrélation des simulations de la biomasse aérienne maximale avec les statistiques agricoles annuelles fournies par Agreste (Agreste, 2014) pour chacun des deux types de végétation étudiés. En utilisant ce protocole, un jeu de simulations est réalisé afin de définir une configuration locale optimale sur plusieurs sites représentatifs des deux types de végétation étudiés (45 sites pour les cultures et 48 pour les prairies naturelles). Les cultures étudiées ici ne sont pas irriguées et les conditions climatiques ont un impact sur la variabilité interannuelle de la production de biomasse. Plusieurs profils de densité des racines dans le sol sont comparés grâce à la discrétisation multicouches du modèle ISBA-DF (Boone et al., 2000, Decharme et al., 2011). L’utilisation d’un nouveau schéma de transfert radiatif récemment mis au point pour le modèle ISBA-A-gs (Carrer et al., 2013) est également examinée. Cette étape constitue le chapitre II intitulé « Etude de la variabilité interannuelle de la biomasse aérienne sèche avec un modèle générique des surfaces continentales ». Elle permet de déterminer la configuration optimale du modèle permettant de représenter la production de biomasse des céréales à paille et des prairies. Ce travail a fait l’objet d’un article publié en 2014 dans la revue « Hydrology and Earth System Sciences ».
Une fois le modèle ISBA-A-gs étalonné, il fournit des simulations des variables biogéophysiques et des indicateurs associés à ces variables. Par exemple, on peut rechercher le moment critique où l’humidité racinaire totale influence fortement la végétation, à partir d’un jeu de simulations optimisé localement grâce à l’étude précédente. On analyse ensuite comment l’humidité du sol dans la zone racinaire peut apporter une information sur la tendance finale du rendement, en se situant à différents seuils de LAI simulé. Ainsi, il est possible de déterminer la phase de la croissance de la plante la plus vulnérable à une anomalie d’humidité racinaire, mais également d’anticiper les valeurs de LAI futures et donc de connaître le délai avant que cet état de sécheresse impacte la végétation. Les données issues de produits satellitaires viennent apporter une information visant à renforcer le diagnostic émis ou à le compléter grâce aux valeurs de LAI observées à des périodes qui ont été jugées critiques pour la végétation d’un point de vue de la réserve en eau de la zone racinaire. Cette partie constitue le chapitre III de cette thèse, intitulé « Mise en place d’indicateurs pour anticiper les rendements agricoles : données modélisées et issues de produits satellitaires ». La modélisation agronomique n’utilise actuellement pas la prévision saisonnière sur la France. Une deuxième stratégie consiste à évaluer dans quelle mesure les données de prévision saisonnière peuvent apporter une information pertinente sur la croissance future de la culture du blé tendre en France simulée avec le modèle Panoramix, développé par Arvalis – Institut du végétal (Gate, 1995).
Les modèles agronomiques permettent de simuler les variables agro-météorologiques (en particulier les stades phénologiques, les variables hydriques et les variables thermiques) qui composent la croissance du blé tendre. Ces variables cumulatives correspondent à des périodes relativement longues (un à plusieurs mois) et leur estimation est susceptible de bénéficier d’une prévision saisonnière de l’état moyen de l’atmosphère.
Les données de prévision saisonnière utilisées sont issues du projet européen ENSEMBLES (Sect. 3.3.1.) et ont été exploitées sur la période 1981-2005. Plusieurs jeux de simulations ont été réalisés sur 199 sites répartis de façon homogène sur la France métropolitaine. Ces jeux de simulations permettent d’évaluer directement les différentes méthodes de descente d’échelle utilisées pour exploiter les données de prévision saisonnière ainsi que la taille de l’ensemble des prévisions et enfin de tester plusieurs échéances de prévision. Les différents facteurs influant sur la qualité des prévisions peuvent ainsi être analysés au cas par cas. Un jeu de simulations de référence est utilisé afin d’évaluer la qualité des simulations forcées par les prévisions saisonnières en regard de la méthode développée et actuellement utilisée opérationnellement par Arvalis – Institut du végétal. Cette évaluation est faite en utilisant des scores déterministes et probabilistes permettant d’identifier de quelle manière on peut établir un couplage entre les données de prévision saisonnière et un modèle agronomique. L’objectif final est d’identifier la chaîne de traitement fournissant le meilleur jeu de prévisions possible. Cette partie constitue le chapitre IV de cette thèse qui est intitulé « Evaluation de l’apport de la prévision saisonnière du temps comme forçage météorologique d’un modèle de culture du blé tendre ».
Un dernier chapitre de conclusions et de perspectives résume les principaux résultats obtenus à l’issue de cette thèse. En particulier, les deux stratégies précédemment décrites sont comparées. Les perspectives de recherche apportées par ce travail sont également discutées dans ce dernier volet.

Table des matières

I. Introduction : Application à l’agriculture de la prévision saisonnière et évaluation à l’échelle de la France
1. Contexte et enjeux de la thèse
2. Représentation des surfaces agricoles en France
2.1. La culture du blé tendre
2.1.1. Définition et chiffres clés
2.1.2. Ecophysiologie de la plante
2.2. Les variables biogéophysiques terrestres
2.2.1. La modélisation des surfaces continentales
2.2.2. Modélisation du stress hydrique
2.3. L’observation des surfaces continentales depuis l’espace
3. Etat de l’art de la prévision saisonnière du temps
3.1. Eléments de physique de l’atmosphère
3.1.1. Variabilité basse fréquence de l’atmosphère
3.1.2. Notions de prévisibilité
3.2. La prévision saisonnière du temps
3.2.1. Définition et concept
3.2.2. La prévision d’ensemble
3.3. Prévision numérique à l’échelle saisonnière
3.3.1. Historique
3.3.2. La prévision saisonnière aujourd’hui
3.3.3. Le système multi-modèles européen de prévision saisonnière : EUROSIP
3.3.4. La prévision saisonnière appliquée en agriculture
4. Objectifs et plan de travail de la thèse
4.1. Représentation et anticipation de la croissance des cultures en France
4.2. Deux stratégies
II. Etude de la variabilité interannuelle de la biomasse aérienne sèche avec un modèle générique des surfaces continentales
1. Les variables biogéophysiques simulées avec un SVAT
1.1. Le modèle ISBA
1.2. Le modèle ISBA-A-gs
1.3. Le modèle ISBA-DF
1.4. La plateforme SURFEX
2. Evaluation of root water uptake in the ISBA-A-gs land surface model using agricultural yield statistics over France
2.1. Résumé de l’article
2.2. Article
2.3. Synthèse des résultats
III. Mise en place d’indicateurs pour anticiper les rendements agricoles : données modélisées et issues de produits satellitaires
1. Choix du modèle et des données issues des produits satellitaires
1.1. Utilisation de la configuration optimale du profil racinaire simulé
1.2. Les données de LAI satellitaire utilisées dans cette thèse
1.2.1. Le « Copernicus Global Land Service »
1.2.2. Traitement des séries de LAI satellitaire GEOV1
2. L’humidité du sol racinaire simulée : un indicateur d’état de la croissance future de la culture
2.1. Mise en place d’une méthode basée sur des relations statistiques
2.1.1. Protocole de mise en oeuvre
2.1.2. Séries de wg2 : indicateur précoce de l’indice foliaire
2.1.3. Lien entre le wg2 simulé et le rendement final observé/simulé
2.2. Vers l’identification de l’étape clé où l’humidité du sol joue un rôle important sur l’état futur de la culture
2.2.1. Utilisation du LAI simulé instantané comme indicateur temporel
2.2.2. Résultats
2.3. Modèle statistique de prévision de la tendance des rendements
2.3.1. Présentation de la méthode
2.3.2. Résultats : quel potentiel d’anticipation du rendement final en cours d’année culturale ?
3. Utilisation des données de LAI issues de produits satellitaires GEOV1
3.1. Relation statistique entre les variables issues d’ISBA-A-gs et le LAI satellitaire
3.1.1. Lien entre les deux séries de LAI : simulé et mesuré
3.1.2. Le wg2 décadaire peut-il anticiper le LAI satellitaire ?
3.2. Est-ce que les valeurs maximales du LAI satellitaire peuvent être utilisées comme indicateur spatial du rendement ?
3.2.1. Relation avec des dates de récolte mesurées
3.2.2. Relation entre les données de LAI GEOV1 et le rendement final issu d’Agreste
4. Conclusions
IV. Evaluation de l’apport de la prévision saisonnière du temps comme forçage météorologique d’un modèle de culture du blé tendre
1. Le modèle de culture Panoramix
1.1. Présentation
1.1.1. Modèle de culture
1.1.2. Conception du modèle
1.1.3. Données météorologiques en entrée du modèle
1.2. Impact du climat sur la croissance du blé tendre
1.2.1. Calage de la date de semis ; stratégie d’évitement
1.2.2. Les principaux facteurs climatiques impactant la culture
1.3. Les variables simulées pour le blé tendre
1.3.1. Les stades phénologiques
1.3.2. Les variables hydriques
1.3.3. Les variables thermiques
2. Mise en place des différents jeux de simulations
2.1. Contexte de l’étude
2.1.1. Le calendrier type d’une année simulée
2.1.2. Paramétrisations du modèle de culture
2.1.3. La période d’étude
2.1.4. Les sites sélectionnés sur la grille Safran
2.2. Le jeu de simulations de référence
2.3. Le jeu de simulations avec utilisation du calcul fréquentiel
2.4. Le jeu de simulations avec les données de prévision saisonnière
2.5. Le jeu de simulations de contrôle avec une climatologie Safran
3. Différentes méthodes de descente d’échelle
3.1. Présentation générale
3.1.1. Intérêt de leur utilisation
3.1.2. Etat de l’art des différentes méthodes existantes
3.1.3. Avantages et inconvénients
3.2. Les méthodes choisies dans cette thèse
3.2.1. Une méthode basée sur le calcul d’anomalies standardisées
3.2.2. La méthode quantile-quantile
4. Présentation des simulations réalisées et outils de validation
4.1. Liste des simulations réalisées
4.1.1. Jeux de simulations obtenus avec des données de forçages météorologiques brutes
4.1.2. Jeux de simulations obtenus avec la descente d’échelle méthode « simple »
4.1.3. Jeux de simulations obtenus avec la descente d’échelle quantile-quantile
4.1.4. Jeux de simulations obtenus avec l’approche multi-modèles
4.2. Les différents scores du système d’évaluation
4.2.1. Les scores déterministes
4.2.2. Les scores probabilistes
5. Résultats
5.1. Analyse du comportement du jeu de simulations de référence
5.2. Scores obtenus pour les différents jeux de simulations
5.2.1. Le jeu de simulations « calcul fréquentiel »
5.2.2. Les jeux de simulations « PS »
5.3. Confrontation de simulations avec données de prévision saisonnière et avec calcul fréquentiel
5.3.1. Les prévisions déterministes
5.3.2. Les prévisions probabilistes
6. Conclusions
V. Conclusions et perspectives
Bibliographie

Télécharger le rapport complet