CV élevé de ces paramètres dans cette ville. Le choix restreint des échantillons à NYC implique
que seul le type de matériau parent ait un effet sur SCOS à NYC 0-30 cm. En effet, si plusieurs
répétitions d'échantillonnage avaient été effectuées pour une même série de sols, mais pour
différents types d’usage ou types de couvert, les résultats auraient peut-être montré un effet de
ces facteurs. Pour être le plus complet possible, les points d’échantillonnage devraient être
choisis en tenant compte d'un plus grand nombre de sources potentielles de variabilité : en
utilisant notamment la cartographie des types d’usage urbain ou types de couvert.
115
2.5.5.5. Erreurs liées à la modélisation statistique et géostatistique
Les modèles géostatistiques nous ont permis de dépasser les limites de la base de données, dans
le cas de Paris intra-muros. Néanmoins, ils peuvent tout de même être fortement influencés par
les stratégies d’échantillonnage. Par exemple, pour P1, la structure spatiale de la variabilité de
SCOS a été plus difficilement expliquée par le modèle que pour P2, amenant la carte de
prédiction du SCOS à être plus grossière pour P1 que celle de P2. Cette différence dans les
résultats est probablement due à un échantillonnage plus représentatif de la variabilité spatiale
dans P2 que dans P1. De plus, les tests réalisés avec ajout de covariables pouvant
éventuellement expliquer la répartition spatiale de SCOS, et pouvant ainsi améliorer les
modèles de krigeage, n’ont pas été concluants. Ceci montre probablement les limites de la
prédiction spatiale pour les sols urbains, très hétérogènes, à partir de données elles-mêmes très
hétérogènes. Cependant, malgré les erreurs potentielles liées à la méthode, la valeur de SCOS
calculée par méthodes géostatistiques demeure la plus précise pour Paris intra-muros. En effet,
la prédiction géostatistique permet de dépasser l’échelle de la base de données et de se placer à
l’échelle de la ville, par prédiction des SCOS aux points non étudiés. Notons néanmoins que le
SCOS moyen obtenu à partir du modèle géostatistique reste du même ordre de grandeur que
celui calculé à partir de la base de données (9,5 ± 1,0 kgC.m
-2vs. 10,4 ± 4,1 kgC.m
-2).
Enfin, les modèles GBM et Cubist ont amené à des résultats divergents de covariables
explicatives, que ce soit avec ou sans totN. Avec totN, les deux modèles montrent que pH, Mg,
Sable font partie des paramètres les plus prédictifs du SCOS en revanche, l’arrondissement
n’est pas une covariable importante pour Cubist, contrairement à GBM. Sans totN, l’ordre entre
les covariables change pour les deux modèles puisque totN n’écrase plus l’importance
prédictive des autres covariables telle que Mg qui devient la variable la plus explicative. Dans
les deux modèle, le bore, Zn
DTPA, Fe
DTPAfont partie des cinq variables les plus corrélées à
SCOS. Les modèles se distinguent pour l’arrondissement, important pour GBM mais moins
pour Cubist, et pour le sable, important pour Cubist mais moins pour GBM. Cette difficulté à
classer les covariables pourrait être expliquée par la forte hétérogénéité des propriétés des sols
urbains, rendant difficile de proposer une tendance universelle entre les modèles. Enfin, les
limites liées à la méthodologie dans cette étude, peuvent représenter un frein pour l’optimisation
des modèles, même si les deux modèles ont montré une performance intéressante, même sans
totN (R²adj = 0,73 dans les deux cas).
116
2.5.5.6. Manque de données sur la dynamique
Les résultats de ce chapitre ont été obtenus à un instant donné pour un point d’échantillonnage,
même si deux périodes de temps ont été étudiées. Cependant, comme le montre l'étude de Bae
et Ryu (2015), les changements de types d’usage et de couvert peuvent avoir un impact
important et rapide sur les propriétés du sol, y compris sur CCOS. Ces changements
d'occupation et de couverts se produisent souvent dans l'environnement urbain, car les villes
sont en constante évolution. Les activités humaines au sein de ces villes sont très hétérogènes
et conduisent souvent à différents apports de matériaux dans les sols et notamment différents
types de MOS (par exemple, la présence de charbon, plus récalcitrant) qui devraient être
étudiées en détail. De plus, un type d’usage ou de couvert est source d’émission de CO
2, par
respiration microbienne, en lien avec la forte intensité de gestion des espaces verts, ce qui peut
induire des bilans négatifs à l’échelle des espaces verts. Ainsi, ce chapitre a montré que les
SCOS et MCOS des sols urbains ouverts pouvaient être supérieurs ou équivalents à ceux des
sols forestiers, mais les émissions de CO
2par les sols des espaces verts, qui n'ont pas été
étudiées ici, sont certainement également plus élevées qu'en forêt. Ainsi, il serait nécessaire de
quantifier les flux de COS à l'échelle de la ville pour évaluer la contribution effective du sol
urbain au stockage net de COS et plus largement à l'atténuation du changement climatique.
2.6. Synthèse du chapitre
Les travaux de ce chapitre nous ont permis de mettre en évidence une disponibilité de données
préexistantes sur les sols urbains à l’échelle du territoire. Néanmoins, leur hétérogénéité a
représenté une limite pour leur exploitation, et une seule aire urbaine, la MGP, a pu être étudiée.
Les données de COS de la MGP ont pu être complétées (par la mise en place de PTF pour
prédire M
v) et comparées à celle de la ville de NYC. Nous avons donc mis en évidence des
SCOS similaires dans les sols ouverts végétalisés et dans les sols scellés entre ces deux villes à
0-30 cm de profondeur. La contribution des sols ouverts à 0-30 cm est supérieure à celle des
sols agricoles environnants ; en revanche celle des sols scellés à 0-30 cm est très faible. Nous
avons également mis en évidence l’importante contribution des sols profonds (ouverts et
scellés) dans le stock global de carbone organique, qui s’est révélée supérieure à celle des sols
forestiers environnants. L’étude spécifique de Paris intra-muros nous a permis de mettre en
avant un fort effet de l’histoire du site (et plus généralement de la ville) sur la répartition spatiale
de SCOS. Néanmoins, nos résultats ont suggéré que les pratiques de gestion (et leur évolution)
117
avaient un effet sur l’évolution temporelle du SCOS, à l’échelle de la ville. A travers la
comparaison entre la MGP et NYC, ainsi que l’étude spécifique de Paris intra-muros, nous
avons pu distinguer les sols en fonction de l’intensité de leur gestion. Les sols intensivement
entretenus (généralement dans les parcs) semblent présenter un SCOS plus homogène (voire
plus élevé pour la MGP) que le SCOS les sols urbains naturels en matière de gestion (par
exemple dans les friches). Finalement, les limites de l’étude, notamment dues à l’hétérogénéité
des données ou au manque d’échantillons (notamment pour les sols scellés) ont été discutées.
Cette approche nous a finalement permis de discuter de la méthodologie pour le suivi du SCOS
dans les sols urbains. La figure 39 montre la démarche adoptée dans ce travail avec les
principaux résultats mis en avant.
Figure 39. Synthèse du travail réalisé dans le chapitre 2 : « Estimation du stock de carbone organique et
des facteurs influençant sa répartition, à l’échelle de la ville ».
Quelle part représente le stock de carbone dans les
sols urbains ? Peut-on proposer une
méthode de suivi standardisée ?
Volet 1 Création d’une base de données harmonisée à partir de données d’organismes partenaires :
propriétés intrinsèques des sols urbains en fonction des facteurs naturels et
anthropiques
Echelle : France métropolitaine
Comparaison de SCOS entre Paris & New
York
Hiérarchisation des facteurs et cartographie de SCOS pour la ville de Paris : variation spatiale et temporelle de SCOS Proposition de méthodes standardisées pour le suivi de SCOS en milieu urbain 1.9 1.4 3.2 3.1 4.8 2.2 2.7 1.9 1.4 0.0 1.0 2.0 3.0 4.0 5.0 6.0 Paris (0-30cm) NYC (0-30cm) NYC (30-100cm) M C O
Dans le document
Evaluation du stock et de la stabilité du carbone organique dans les sols urbains
(Page 145-148)