II. Modélisation des états de surfaces : Principales caractéristiques du modèle ISBA-A-
II.6. Conclusion
L’objectif principal de ce chapitre était d’évaluer la capacité du modèle ISBA-A-gs à représenter les flux d’eau d’énergie et de carbone. Une étude approfondie de la bibliographie et l’utilisation du jeu de données du site de SMOSREX a conduit non seulement à évaluer mais aussi à améliorer les sorties du modèle.
L’article présenté dans ce chapitre met en évidence l’apport de l’humidité du sol pour modéliser la respiration de l’écosystème par ISBA-A-gs. En utilisant la formulation originale, qui dépend uniquement de la température, les corrélations (r²), biais et l’erreur quadratique moyenne, entre le modèle et les observations de flux de CO2, sont respectivement de 0.58, -
2.61µmolm2s-1 et 4.13µmolm2s-1. L’utilisation de l’humidité du sol dans cette formulation augmente la corrélation (0.63) et diminue le biais et l’erreur quadratique moyenne (-2.18 et 3.87µmolm2s-1 respectivement). Le cycle saisonnier de la respiration de l’écosystème est mieux représenté par cette nouvelle formulation. Elle est très importante en particulier lorsque des fortes températures vont entraîner une sécheresse, ce qui a pour effet de limiter la respiration hétérotrophe. Dans ces conditions, la première formulation dépendant uniquement de la température provoque un pic de la respiration de l’écosystème qui n’est pas réaliste en l’absence d’eau.
L’eau est considérée comme un facteur limitant de la respiration de l’écosystème en période sèche. On retrouve également dans la littérature qu’un excès d’eau influence la respiration en réduisant l’activité microbienne dans le sol (Skopp et al., 1990). Dans la version ‘CC’ d’ISBA, la modélisation plus détaillée des processus du cycle du CO2 prend en compte cet
aspect. La décomposition de la matière organique dans le sol est limitée à la fois par le manque et l’excès d’eau. La décomposition augmente avec le contenu en eau du sol tant que l’eau est un facteur limitant du développement microbien. Au-dessus de la capacité au champ, l’augmentation du contenu en eau freine la diffusion de l’oxygène, jusqu’à le faire disparaître à la saturation. La décomposition se fait donc de manière anaérobie et émet moins de CO2. Un
des objectifs de cette étude était de montrer que l’utilisation d’une formule très simple utilisant à la fois la température et l’humidité du sol dans ISBA-A-gs pouvait conduire à améliorer la représentation de la respiration de l’écosystème. De plus, la prise en compte de l’humidité du sol dans notre étude s’applique à la respiration de l’écosystème et non à celle du sol. En marge de l’article, la formulation utilisée pour prendre en compte l’impact de la température et de l’humidité sur la décomposition de la matière organique dans ISBA-CC (disponible dans Gibelin et al., 2008) a été implémentée dans ISBA-A-gs sans pour autant améliorer les résultats. On retrouve par ailleurs dans la bibliographie que lorsque le contenu en eau est important sur une grande période de temps, la température est le seul paramètre lié aux variations de la respiration (Joffre et al., 2003).
L’importance d’associer des mesures de rosée avec des mesures de flux par eddy covariance est également démontrée. Lorsque les instruments sont directement soumis aux conditions environementales comme c’est le cas avec l’IRGA (Infra Red Gas Analyser) en chambre ouverte, la présence d’un dépôt d’humidité perturbe la mesure. L’utilisation de cette information (filtre sur les mesures avec présence de rosée pour les éliminer de la comparaison) permet d’améliorer les scores lors des comparaisons. Dans ce cas d’étude, les observations de CO2 dans certaines conditions (nocturne, turbulence suffisante) sont
représentatives de la respiration de l’écosystème et permettent de calibrer le paramètre (Re25)
48 pas disponibles à l’échelle globale. Nous avons démontré dans cette étude que les valeurs de respiration de l’écosystème par la version ‘CC’ du modèle ISBA, obtenu à l’échelle de notre site d’étude, pouvaient également servir à calibrer ce paramètre avec des résultats similaires au niveau des scores statistiques. Ce dernier point nécessite cependant d’être validé sur d’autres sites de mesures.
En plus de la valeur ajoutée de la nouvelle formulation de la respiration de l’écosystème, cette étude met en évidence la qualité de la représentation des flux d’énergie (LE et H) et de l’humidité de la zone racinaire (r²=0.97, biais=0.004m3m-3, rmse=0.02m3m-3) dans le modèle ISBA-A-gs. Les mesures de flux de chaleur sensible sont réalisées à la fois par eddy covariance et par méthode aérodynamique (SAMER). Pour cette variable, de meilleurs scores sont obtenus en comparant le modèle aux mesures par eddy covariance, r²= 0.78, contre 0.41 pour la méthode aérodynamique. Cette étude soulève également des questions sur la modélisation du LAI. Le décalage temporel entre cette sortie du modèle et les observations lors de la phase de démarrage de la végétation semble indiquer que la valeur par défaut de la température optimale de déclenchement de la photosynthèse n’est pas adaptée. La confrontation entre la GPP modélisée et estimée avec les températures met en évidence des réponses différentes : optimum d’environ 24°C pour les sorties du modèle contre une réponse peu marquée à la température, avec des GPP élevées dès 15°C pour la GPP estimée à partir des observations. Cela n’est pas la première fois que ce phénomène est observé. Ainsi, dans une étude portant sur une prairie de montagne, Brut et al. (2009) ont mis en évidence que la courbe de réponse à la température de la photosynthèse utilisée dans le modèle n’est pas adaptée aux conditions, plus froides, de montagne. Cela semble être également le cas pour le site d’étude de SMOSREX en plaine. La prairie commence à pousser pour des températures bien en dessous de la température optimale prescrite dans le modèle. Le test réalisé dans l’article, consistant à utiliser une version d’ISBA-A-gs sans faire évoluer le LAI (option AGS) et en prescrivant des estimations décadaires de LAI est intéressant. Il montre en effet que l’utilisation de ces estimations améliore la représentation du CO2 (r²=0.66). Cette
amélioration montre également que ces estimations de LAI issues des réflectances sont de bonne qualité. On peut donc déjà penser que l’utilisation de cette variable dans un schéma d’assimilation de données permettra d’améliorer la représentation du flux de CO2.
Bien comprendre l’aspect modélisation entrevu dans ce chapitre est un passage très important de ce travail de thèse dans la mesure où la mise en place d’un schéma d’assimilation de données couplé au modèle ISBA-A-gs sera validé par comparaison entre (i) les sorties du modèle et les observations in situ et (ii) les sorties du modèle après assimilation et les observations in situ. Il faut donc s’assurer que les principales variables du modèle sont modélisées de manière la plus satisfaisante possible.
49