Soutenance mémoire
Télécharger le fichier pdf d’un mémoire de fin d’études
METHODES D’IRRIGATION ET IMPACT SUR LA DEMANDE EN EAU
Depuis l’antiquité, les peuples du bassin méditerranéen ont mis au point différentes techniques pour convoyer l’eau vers leurs cultures. En Turquie et en Palestine, des vestiges montrent des infrastructures d’irrigation datant au moins de dix millénaires. On estime que la technique des conduites souterraines (qanât, foggara, khetarra) importée de Perse aurait plus de 5000 ans. Le delta du Nil a été équipé de canaux artificiels au moins 3000 avant JC. Plus récemment, les civilisations étrusques, romaines, arabomusulmanes ont également été de grands ingénieurs hydrauliques. Avec l’avènement des grands barrages puis la diminution des coûts d’installation et d’exploitation de l’eau souterraine, l’exploitation des ressources en eau pour l’agriculture s’est accélérée au XXieme siècle. Cela a permis d’étendre les surfaces irriguées et d’accompagner des développements agronomiques qui ont considérablement intensifié l’agriculture. Aujourd’hui, l’irrigant dispose d’un large panel de méthodes pour appliquer les irrigations. Une synthèse des principales méthodes d’application de l’irrigation est donnée dans le Tableau 1-1. La demande en eau d’irrigation est impactée par des pertes lors de l’application ou du fait de la répartition de l’eau sur la parcelle. Les pertes des différentes méthodes d’irrigation sont les suivantes:
• Lors de l’application d’irrigations gravitaires, des pertes sont dues à l’évaporation de l’eau stagnant en surface ou à l’évaporation du sol, le ruissellement de l’eau en Water diverted dehors de la parcelle (si la pente est trop forte), la percolation profonde (si la pente est trop faible, ou le sol trop sableux, ou la distance à parcourir par l’eau trop longue). La percolation profonde s’accompagne d’une hétérogénéité spatiale de la distribution de l’eau. Les pertes par évaporation sont généralement beaucoup moins importantes que les pertes par percolation profonde, et diminuent avec la couverture foliaire de la culture. Les pertes dépendent donc de la combinaison solpente- volume appliqué-design de l’irrigation de surface. Elles peuvent concerner 50% de l’eau appliquée.
• En irrigation par aspersion, des pertes par percolation ou ruissellement peuvent survenir si le sol n’est pas homogène, mais elles sont généralement plutôt attribuables à une irrigation excessive. L’aspersion est affectée d’une part par l’évaporation des gouttes d’eau dans l’air ou sur les feuilles, et d’autre part à la dispersion par le vent. Les pertes par évaporation vont généralement de 5% à 25% de l’eau appliquée en fonction de la taille des gouttelettes, et des conditions météo. La dispersion des gouttelettes par le vent est quant à elle plutôt considérée comme un problème de mauvaise répartition de l’irrigation (Sanchez et al., 2011).
• En micro-irrigation, les pertes par évaporation sont réduites puisque l’eau est appliquée au niveau du pied de la plante. Cette réduction est importante lorsque la plante atteint un développement foliaire qui maintient la zone racinaire à l’ombre. La réduction d’évaporation est moins importante pour les jeunes plants. Les pertes par ruissellement sont nulles, les pertes par percolations dépendent du pilotage de l’irrigation. On considère généralement que la micro-irrigation permet d’économiser 30% d’eau.
Pour chacune des méthodes d’application, des pertes supplémentaires peuvent être attribuées au convoiement de l’eau. En irrigation gravitaire, des pertes peuvent avoir lieu sur les canaux, les pertes par percolation sont plus importantes sur les tronçons en terre. Dans l’exemple du canal Los Sauces, (Bos et al., 2009) montrent également qu’il est difficile de distribuer l’eau équitablement entre les 25 exploitations, et observent un écart moyen de 8%. Dans les systèmes par aspersion ou en micro-irrigation, des pertes peuvent être attribuées à l’usure des équipements (buses, joints). La méthode d’irrigation et le convoiement de l’eau impactent plusieurs termes d’Eq. 1. Ils peuvent
augmenter les pertes par ruissellement et percolation profonde. Ils peuvent augmenter la quantité d’irrigation parce qu’il faut compter sur les pertes par évaporation dans l’air ou à la surface du sol qui ne seront pas bénéfiques pour la plante. Enfin la micro irrigation peut permettre de réduire l’évaporation du sol. La détermination de ces pertes étant propre au système Sol-Culture-Irrigation, un coefficient multiplicateur est souvent utilisé pour estimer la demande en irrigation. L’efficacité d’irrigation est la part de l’eau appliquée qui est utilisable pour l’évapotranspiration des plantes, le lessivage du sol ou les fonctions auxiliaires. L’efficacité est affectée par l’uniformité de la distribution et les pertes (USDA-NRCS, 1993). La demande en eau d’irrigation brute est alors estimée en fonction de (eq. 1-1 et peut-être réécrite de la façon suivante: 9:?@=(( = ((A + B + %)) − (1CD + E + FA + G + H) + Δ(=>) ∗ 9 (eq. 1-10) où Ri et Ro sont les écoulements entrant et sortant, Cr représente d’éventuelles remontées capillaires, DP sont les pertes profondes, L, les besoins annexes, A, les pertes dues à l’aspersion et Ie, un coefficient d’efficacité de l’irrigation.
DE LA MESURE CONVENTIONNELLE A L’OBSERVATION SPATIALE
La gestion de la demande en eau agricole repose sur des systèmes d’observation qui servent à diagnostiquer, gérer et prévoir les demandes en eau à court, moyen et long terme.
Les systèmes d’observation conventionnels sont basés sur un échantillon de mesures représentatives. Ainsi, une station météo couvre un territoire où la météo est considérée homogène. Eventuellement, quelques pluviomètres supplémentaires viennent échantillonner l’hétérogénéité spatiale des précipitations. Une enquête compile les semis effectués sur un échantillon représentatif de parcelles. D’autre part, certaines parcelles jugées représentatives (climat, sol, végétation) peuvent être équipées de capteur d’humidité du sol pour juger du manque d’eau en cours de saison.
Les équipements d’irrigation individuelles ou collectives mesurent les débits.
L’évolution de ces dernières années est allée vers une diminution des mesures conventionnelles organisées par les services publics. La réduction des observations est patente pour toutes les observations climatiques. Par exemple dans la base de données de pluviométrie du GPCC, il y avait 10900 stations en 1901, qui sont montées progressivement à 49470 en 1970 puis sont redescendues à seulement 10000 en 2012 (Sun et al., 2018). Il y a plusieurs raisons à ce déclin des observations disponibles: ces mesures sont exigeantes en ressources humaines, réticence à partager la donnée, abandon de sites… Les enquêtes auprès des agriculteurs sont devenues plus rares ou moins bien validées (simple appel téléphonique). Les observations manuelles (pluie, température, débit) ont été abandonnées, et remplacées par des mesures automatiques lorsque les budgets d’investissement et de maintenance le permettaient.
Depuis quelques années, les coûts de la mesure se sont considérablement réduits au niveau des instruments, des enregistreurs, et de la transmission de données (voir par exemple les systèmes zigbee, Lora). En parallèle du déclin des mesures effectuées par les organismes publics, on constate un essor des mesures automatisées réalisées à titre individuel. C’est le développement de l’internet des objets (IoT). La précision de ces instruments est cependant variable (Bell et al., 2015; Bogena et al., 2007), et l’installation des instruments pas forcément normalisée. Lorsque ces données sont partagées comme par exemple sur https://weathermap.netatmo.com, il faut les filtrer avant de les utiliser (Chapman et al., 2017).
Enfin, depuis les années 70, les développements technologiques et la réduction des coûts de l’observation spatiale ont considérablement changé la donne. L’observation spatiale permet aujourd’hui de produire opérationnellement des mesures synoptiques de la surface terrestre à des résolutions spatiales et temporelles qui sont pertinentes pour la gestion des ressources en eau, et en particulier en ce qui concerne l’eau agricole. Aujourd’hui les mesures effectuées par l’observation satellitaire concernent 1) la météo 2) l’eau disponible pour la végétation dans le sol, 3) la végétation elle-même, 4) les ressources en eau.
L’OBSERVATION SPATIALE DANS LE DOMAINE AGRICOLE EN 2020
Une pléthore de satellites d’observation de la terre est actuellement en orbite. La Figure 1-9 présente les plus couramment utilisés dans le domaine agricole, en fonction de leur résolution spatiale et temporelle. On distingue classiquement les capteurs à haute résolution spatiale (pixel ≤ 30 m, cases vertes), des capteurs à moyenne résolution (pixel ≥ 250 m) ou à faible résolution spatiale (pixel > 1 km, en rose). Certains satellites observent le rayonnement solaire réfléchi par la terre dans les longueurs d’onde visibles et proche infrarouge (0.4-1.5μm). Certains satellites observent également dans les longueurs d’onde de l’infrarouge thermique (IRT, 3-15μm). D’autres satellites observent dans les hyperfréquences (> 1 mm), celles-ci étant soit d’origine naturelle (capteur passif), soit émises par le satellite (capteur actif).
L’observation du rayonnement solaire réfléchi dans la direction du satellite est le produit de plusieurs interactions du rayonnement solaire avec l’atmosphère lors de la phase descendante, avec la surface, et de nouveau avec l’atmosphère en phase ascendante.
Ces observations sont fortement perturbées par les molécules qui circulent dans l’atmosphère, notamment la vapeur d’eau et les aérosols. Une trop grande concentration de ces molécules (nuage épais par exemple) interdit au satellite d’effectuer la mesure du rayonnement réfléchi par la surface terrestre. Lorsque la densité de ces molécules n’est pas trop importante, une correction atmosphérique peut être effectuée (Hagolle et al., 2008). Dans le domaine des micro-ondes, le signal n’est que peu perturbé par l’atmosphère aux longueurs d’onde auxquelles opèrent les capteurs d’observation de la terre. Elles traversent les nuages. Cependant la longueur d’onde mesurée dépend du signal émis. Il faut donc un couple émetteur-capteur pour étudier chaque longueur d’onde, alors que les capteurs des courtes longueurs d’onde peuvent découper le signal du spectre lumineux en bandes distinctes.
LES PRODUITS UTILISES DANS CE TRAVAIL
Lors de ce travail un certain nombre de produits ont été sélectionnés en fonction des objectifs. Pour les travaux à l’échelle du bassin versant et de la région, les produits issus de la mission MODIS (Moderate Resolution Imaging Spectrometer) ont été privilégiés pour le bon compromis entre durée d’observation (depuis avril 2000 pour le satellite TERRA, 2001 pour le satellite AQUA), résolution spatiale (entre 250 m et 1 km), les traitements appliqués aux observations (corrections géométriques, atmosphériques, synthèses temporelles) et facilement accessibles pour l’ensemble du globe. Ces produits sont disponibles sur le LPDACC (Land Processes Active Distribution Data Center https://lpdaac.usgs.gov/). Nous avons en particulier privilégié les produits suivants:
• MOD13Q1, version 006 (K. Didan, 2015): Ce produit fournit en particulier les indices de végétation NDVI et EVI. Les données sont fournies à une résolution de 250 m et synthétisées chaque 16 jours. Nous nous sommes restreint à l’utilisation de NDVI par rapport à d’autres indices équivalents par sa polyvalence, sa disponibilité sur la plupart des capteurs dits optiques.
• MOD11A2, version 006 (Wan et al., 2015): Ce produit fournit les températures de surface (Land Surface Temperature, LST) synthétisées tous les 8 jours à une résolution de 1 km.
Pour l’étude de l’humidité du sol sur le long terme, nous avons utilisé le produit ASCAT SWI, version 3.1 qui s’étend de 2007 à aujourd’hui pour toute la planète. Il est fourni par Copernicus Land (https://land.copernicus.eu/global/products/swi). Le Soil Water Index (SWI) est produit quotidiennement à une résolution de 0.1°. Le SWI est calculé (Albergel et al., 2008) à partir de l’humidité du sol en surface (SSM) de Metop ASCAT en utilisant un bilan hydrique à deux couches qui ne prend pas en compte la texture du sol (Wagner et al., 1999).
Les travaux à l’échelle de la parcelle ont été effectués en utilisant les produits issus des missions Sentinel-1 et Sentinel-2 de l’Agence Spatiale Européenne:
• Sentinel-2 Level 2A: Données corrigées atmosphériquement et pour lesquelles les nuages ont été détectés par le processeur Sen2cor téléchargeables sur ESA Hub (https://scihub.copernicus.eu/). Ces données sont fournies globalement à une résolution spatiale de 10 m tous les 5 jours depuis 2017.
• Humidité du sol Theia (https://www.theia-land.fr/product/humidite-du-sol-atres- haute-resolution-spatiale/): Ce produit fournit une estimation de l’humidité du sol en surface (~5 cm) à une résolution temporelle de 6 jours depuis 2017, pour les parcelles agricoles (El Hajj et al., 2017). Le produit est généré pour quelques zones en Europe, Maroc et Liban.
LA VARIABILITE SPATIO-TEMPORELLE DE LA DEMANDE EN EAU AGRICOLE COMME UNE COMPOSANTE DE LA COMPLEXITE DE LA DECISION
La demande en eau agricole dépend d’un très grand nombre de facteurs (Figure 1-4), que l’on peut regrouper en quatre grandes catégories: le climat, les cultures, les sols et les pratiques agricoles. Chacune d’entre elles est étudiée indépendamment par différentes branches des sciences qui permettent d’améliorer thématiquement la compréhension des processus à différentes échelles. La simulation numérique permet d’effectuer des projections futures à plus ou moins long terme et à des résolutions plus ou moins fines afin d’anticiper les actions à effectuer.
La « résolution » à laquelle ont lieu les processus ne permet pas une réponse univoque. En d’autres termes, il n’est pas possible de simuler les différents processus de ces systèmes complexes à l’échelle 1:1, puisque cette échelle 1:1 n’existe pas. Il s’agit de donner une réponse appropriée aux différentes questions pour un territoire donné, en fonction de la connaissance scientifique des processus, des moyens d’observation et des moyens de calcul. La question posée est le fil conducteur pour déterminer l’échelle à laquelle le problème doit être traité. Prenons l’exemple de la décision d’effectuer une irrigation sur une parcelle agricole. La résolution temporelle à laquelle peuvent être séparés les processus impliqués est très variable. On peut considérer qu’ils vont d’une résolution de l’ordre d’une seconde jusqu’au mois. L’échelle spatiale peut être considérée depuis les organes de chaque plante jusqu’à l’ensemble de la parcelle. Pourtant, l’échelle la plus fine de l’action d’irriguer cette parcelle agricole dépend uniquement de l’échelle à laquelle le matériel d’irrigation (voir Tableau 1-1) peut-être manoeuvré, et cela dépend manifestement d’une optimisation consciente ou inconsciente des coûts d’opération et d’investissement.
Les facteurs qui influent sur la demande en eau agricole sont variables spatialement et temporellement. Les différents processus impliqués peuvent être analysés à différentes résolutions spatiales et temporelles. La complexité du processus décisionnel dépend des outils d’action du décideur. L’évaluation de différentes options et le choix final repose sur des informations caractérisées par leur exhaustivité, leur précision, leur niveau d’incertitude s’il peut être qualifié.
UNE APPLICATION EN LIGNE: MEDI « MEDITERRANEAN DROUGHT INDEX »
Une application web pour faciliter l’exploration des indices de sécheresse a été développée et déployée au Cesbio. Cette application a été appelée MEDI pour l’acronyme de Mediterranean Drought Index (http://osr-cesbio.ups-tlse.fr/medi). Un petit frère de cette application a également été déployé en France: http://osrcesbio. ups-tlse.fr/fredi. L’application propose d’explorer deux indicateurs basés sur les indices de végétation issus de la télédétection spatiale (MODIS), un indicateur basé sur l’humidité du sol par télédétection spatiale (ASCAT), et la pluviométrie. MEDI couvre les zones utiles des trois pays du Maghreb. Les sources de données utilisées dans l’application sont :
• Le NDVI est obtenu à partir du produit MODIS MOD13Q1 du satellite TERRA, synthèse 16 jours globale à 250 m de résolution spatiale.
• Le SWI est obtenu à partir du produit SWI du satellite ASCAT, synthèse journalière globale à 0.1 deg. de résolution spatiale.
• Les pluies sont extraites du produit CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data), cumul mensuel de pluie à 0.5° de résolution spatiale. CHIRPS combine des images satellitaires et des mesures de stations in situ.
• Les zones administratives sont issues de GADM (Global Administrative Areas)
Le défi consistait alors à concevoir une visualisation de ces données afin de comprendre et explorer l’ensemble du schéma spatio-temporel de la sécheresse. L’interface est composée d’une carte et de graphes interactifs reliés entre eux. La carte permet à l’utilisateur d’afficher l’indicateur de son choix à la date de son choix. Une division administrative simplifiée et homogénéisée pour les trois pays du Maghreb est superposée. L’utilisateur peut alors se déplacer sur la carte et zoomer sur les régions qui l’intéresse. Lorsqu’il zoome, un niveau administratif plus détaillé apparaît. Chacune des zones administratives est interactive et permet d’explorer l’évolution temporelle des indicateurs :
• l’indicateur annuel du mois sélectionné permet d’explorer les 20 dernières années de données et aide l’utilisateur à situer l’indicateur de sécheresse par rapport à d’autres années. Ce graphe combine l’indicateur MAI avec l’un des 3 indicateurs de sécheresse basé sur la végétation (NDVI, VAI, VCI). Par exemple, si l’utilisateur a choisi d’étudier le mois de janvier, la chronique temporelle des différents mois de janvier est affichée pour la période de 2000 à aujourd’hui.
• Le second graphe permet d’étudier l’année sélectionnée de Septembre à Août.
Ce graphe n’affiche pas les indicateurs de sécheresse, mais leurs primitives (NDVI, SWI, Pluie). Pour chacune de ces primitives, les minimums et maximums de la période d’étude sont également affichés pour chaque pas de temps de sorte qu’il est facile d’identifier si l’on se situe sur une «bonne» ou «mauvaise» année pour cette zone administrative particulière.
• Enfin, un troisième graphe montre les années analogues à l’année en cours. Par exemple, si l’utilisateur se place sur le mois de février 2017 du gouvernorat de Kairouan, un calcul est effectué pour retrouver les trois années les plus proches, dans cet exemple les années 2011-12, 2013-14, 2010-11.
|
Table des matières
CHAPITRE 1 – Gestion des ressources en eau et télédétection spatiale
1.1 Gestion de l’offre et de la demande en eau
1.1.1 Un contexte oppressant
1.1.2 Stress hydrique et Sécheresse
1.1.3 Vers une gestion intégrée des ressources en eau
1.2 La demande en eau agricole
1.2.1 Besoins en eau des cultures
1.2.2 Besoins nets en irrigation
1.2.3 Méthodes d’irrigation et impact sur la demande en eau
1.2.4 Programmation des irrigations et impact sur la demande en eau
1.3 Demande en eau agricole et observations spatiales
1.3.1 De la mesure conventionnelle à l’observation spatiale
1.3.2 L’observation spatiale dans le domaine agricole en 2020
1.3.3 Les produits issus de la télédétection par rapport à l’eau agricole
1.3.4 Les produits utilisés dans ce travail
1.4 Télédétection pour l’aide à la décision dans la gestion de l’eau agricole
1.4.1 Dimensions temporelles et spatiales de la décision
CHAPITRE 2 – Détection des évènements d’irrigation à l’échelle parcellaire
2.1 Introduction
2.1.1 Superficies irriguées
2.1.2 Quantités d’irrigation
2.2 Méthode
2.3 Article « Potential for the Detection of Irrigation Events on Maize Plots Using Sentinel-1 Soil Moisture Products »
2.4 Synthèse et conclusion
CHAPITRE 3 – Analyse et prédiction de la sécheresse
3.1 Introduction
3.2 Méthode
3.3 Une application en ligne: MEDI « Mediterranean Drought Index »
3.4 Article « Analysis and Predictability of Drought In Northwest Africa Using Optical and Microwave Satellite Remote Sensing Products »
3.5 Synthèse et Conclusion
CHAPITRE 4 – Vers des scénarios de demande en eau agricole
4.1 Introduction
4.1.1 La question des scénarios
4.1.2 Demande en eau agricole dans la région sud-méditerranéenne
4.1.3 Scénarios dans la plaine agricole du Haouz-Mejjat au Maroc
4.2 Méthode
4.3 Article « Projection of irrigation water demand based on the simulation of synthetic crop coefficients and climate change »
4.4 Synthèse et Conclusion
Conclusion Générale
Bibliographie
Télécharger le rapport complet
