Culture annuelle/pluriannuelle : culture qui complète son cycle en une ou deux années. Exemple : soja, maïs, manioc, riz, légumes.
Culture pérenne : culture permanente qui a un cycle de végétation de plusieurs années. Exemple : poivre, arbres fruitiers, plantations forestières.
Pâturage propre : Moins de 30% de recrus forestiers ou d’adventices herbacées. Pâturage sale : Plus de 30% de recrus forestiers ou d’adventices herbacées.
Régénération jeune : Composée d’arbustes et de petits arbres (hauteur maximum de 3 mètres). Le couvert de graminées est en voie de disparition.
Régénération âgée : Composée essentiellement d’arbres ou palmiers plus que d’arbustes (hauteur minimum = 3 à 4 mètres).
Forêt secondaire âgée ou primaire : Forêt qui n’a jamais été déforestée ou il y a plus de 20 ans. Peut être dégradée.
2.3.4.4 Formalisation des règles de décisions de localisation des pratiques
L’analyse globale des exploitations, des trajectoires des exploitations et des modèles paysagers nous a servi à expliciter les variables décisionnelles et les critères de décision sous- tendant la localisation des pratiques dans les paysages. Ce travail de formalisation a été effectué pour les pratiques suivantes :
- Localisation des usages des sols (cultures annuelles et pérennes, pâturage, forêt…) - L’implantation et la réforme des pâturages
- L’entretien des pâturages (gestion de la fertilité, des adventices, de la charge animale) - L’aménagement des paddocks (division des parcelles, installation de système
d’irrigation, d’abreuvoirs...)
- La gestion des forêts (réserve forestière, ripisylve).
Pour expliciter les déterminants sous-tendant la localisation des pratiques, nous avons testé pour chaque exploitation les variables et critères de décision inventoriés dans la littérature et à travers les entretiens exploratoires. De plus, notre méthode d’entretien semi-directive nous a permis de voir émerger de nouveaux déterminants. Les variables décisionnelles et les critères de décision que nous avons testés sont détaillés dans la Figure 2-20. Ces variables sont liées aux caractéristiques biophysiques (unités géomorphologiques, végétation, sols), topologiques et socio-économiques (distance, forme des parcelles, accessibilité).
Le rôle de ces variables a été analysé à l’échelle des parcelles pour les exploitations familiales et de blocs de parcelles pour les fazendas de grande taille compte tenu du nombre élevé de parcelles. La comparaison entre exploitations nous a permis d’identifier des similarités et les spécificités de chaque exploitation. Puis nous avons établi des règles de décision en vue de la conceptualisation et de l’implémentation du modèle SMA (2.3.6), en suivant le formalisme de type « SI…. ALORS… » et « SI…. ALORS…. SINON… ».
Figure 2-20 : Liste des variables décisionnelles et des critères de décision potentiellement déterminants dans la
2.3.5 Evaluation quantitative et qualitative des éco-efficiences
Les indicateurs d’éco-efficience sont utilisés dans des évaluations agro-environnementales pour mesurer la durabilité environnementale de systèmes de production agricole. Il s’agit d’un rapport numérique entre la valeur d’un bien produit (quantitativement ou qualitativement) en numérateur et l’utilisation de ressources naturelles en dénominateur. L’évaluation des éco- efficiences dans les six exploitations enquêtées vise à réaliser un diagnostic de la situation actuelle et à alimenter les sorties du modèle de simulation SMA.
2.3.5.1 Indicateurs retenus dans ECOTERA
Deux méthodes complètes d’évaluation des éco-efficiences des systèmes de production animales ont déjà été élaborées et testées à l’échelle de l’exploitation agricole : le DEA (Data Envelopment Analysis) (Berre et al., 2015), les ACV (Analyse du cycle de vie) (Basset-Mens et al., 2009) ou la combinaison de ces deux méthodologies (Jan et al., 2012 ; Soteriades et al., 2016). Ces deux méthodes reposent sur la production d’un indicateur synthétique, agrégeant différentes composantes. Dans le cadre du projet ECOTERA, de nouvelles méthodes d’évaluation des éco-efficiences ont été mobilisées. Les mesures sont à la fois multi-critères (mesure des éco-efficiences par rapport à différentes ressources naturelles) et spatialisées ce qui permet d’identifier les trade-offs pouvant exister entre les différentes ressources et de combiner à plusieurs échelles (parcelle, exploitation agricole et territoire) les éco-efficiences des systèmes de production. Les indicateurs retenus à l’échelle de la parcelle et de l’exploitation concernent des ressources naturelles qui sont stratégiques dans les systèmes de production agricoles amazoniens face à la transition agraire :
A l’échelle de la parcelle : l’éco-efficience relative à la ressource hydrique dans les pâturages et à la fertilité des sols dans les systèmes de cultures annuelles. L’eau est une ressource limitante dans ces systèmes d’alimentation basés à l’herbe. La baisse de la ressource hydrique en saison sèche génère une chute significative de l’offre fourragère. Avec l’interdiction de recourir au feu, la fertilité du sol devient aussi une ressource clé à gérer principalement dans les systèmes de cultures annuelles sans feu.
A l’échelle de l’exploitation : l’éco-efficience énergétique et l’empreinte carbonée. L’énergie est loin d’être une ressource limitante en Amazonie (les radiations solaires permettant une forte activité photosynthétique), toutefois les émissions de gaz à effet de serre par les systèmes d’élevage et la déforestation sont fortement décriées. De plus, le processus d’intensification peut amener à une augmentation de l’usage d’énergies fossiles qui peuvent impacter négativement le bilan énergétique.
2.3.5.2 Echelle de l’exploitation : Mesure de l’éco-efficience énergétique et des émissions de gaz à effet de serre
Nous avons utilisé l’outil de diagnostic ANERPAAM (Analyse énergétique des propriétés agricoles d’Amazonie), une adaptation de l’outil PLANETE1
aux systèmes d’élevage tropicaux brésiliens (Clerc, 2011). Ce diagnostic, basé sur l’Analyse du Cycle de Vie, mesure les impacts environnementaux d’un produit sur le plan énergétique, de l’extraction de la matière première jusqu’à son élimination. Cet outil comprend deux indicateurs : le bilan énergétique et les émissions de gaz à effet de serre, à l’échelle de l’exploitation agricole.
Le bilan énergétique
Le bilan énergétique consiste à évaluer la quantité d’énergie non renouvelable qui a été utilisée par unité de biens produits (par litre de lait, kilo de viande, kilo de grains). Le principe est simple : il suffit de faire la différence entre l’énergie non renouvelable qui entre dans le système de production et l’énergie brute qui en sort. Ces bilans sont dressés en Joule (J). Les entrées d’énergie non renouvelables sont de deux types : l’énergie directe (qui correspond aux carburants, à l’électricité et à l’eau) et l’énergie indirecte (qui correspond à l’énergie utilisée pour produire les intrants agricoles, les équipements et les bâtiments depuis l’extraction des matières premières jusqu’au transport vers l’exploitation). Les sorties d’énergie brutes sont de trois types : les produits animaux, végétaux, les co-produits et les sous-produits (Figure 2-21). Entre entrées et sorties, le système de production est vu comme une « boîte noire ». Les flux entre les composants à l’intérieur du système ne sont pas pris en compte (Poccard-Chapuis et al., 2015a).
Figure 2-21 : Flux entrants et sortants dans le calcul du bilan énergétique (Clerc, 2011)
Les émissions de GES
ANERPAAM évalue les émissions en équivalent carbone de trois gaz à effet de serre : le dioxyde de carbone (CO2), le méthane (CH4) et l’oxyde d’azote (NO2). On distingue deux
types d’émissions :
Les émissions directes : Il s’agit des émissions entériques (principalement du méthane) émises par les ruminants lors du processus de fermentation au niveau du rumen, des émissions issues des déjections animales au pâturage (méthane et oxyde d’azote), du stockage et de leur gestion, des émissions émises par les sols agricoles en réponse à l’application de fertilisants (minéraux ou organiques) dues aux processus bactériens de nitrification et dénitrification, des émissions dues à la consommation de carburants et par l’usage du feu (déforestation et entretien de surfaces). En ce qui concerne l’usage du feu, nous avons considéré dans l’inventaire les émissions de gaz par la déforestation uniquement si la défriche a eu lieu il y a moins de 20 ans c’est-à-dire postérieurement à 1995. Ces émissions ont été amorties sur 20 ans.
Les émissions indirectes : dues à la fabrication et au transport des intrants et des équipements.
ANERPAAM ne prend pas en compte la fixation des gaz à effet de serre.
Collecte et analyse des données
Au cours des entretiens réalisés dans les six études de cas, nous avons réalisé un inventaire précis de toutes les entrées ainsi que des sorties d’énergie. Pour les cas où nous manquions de données précises sur les effectifs et les poids des animaux, nous avons procédé à des estimations. Les données ont été traitées et analysées à l’aide du tableur ANERPAAM. Les résultats de nos analyses ont été comparés avec les résultats de précédents diagnostics conduits à Paragominas sur 35 exploitations : 6 fazendas intensives ayant adopté le programme des « Bonnes Pratiques Agricoles », 7 fazendas extensives, 2 fazendas intensives laitières et 20 établissements familiaux (Poccard-Chapuis et al., 2015a).
2.3.5.3 Echelle de la parcelle : une approche qualitative des impacts des pratiques
Les mesures des éco-efficiences relatives aux ressources hydriques et à la fertilité des sols réalisées dans le cadre du projet ECOTERA n’étant pas finalisées au moment de l’implémentation du modèle SMA, nous avons décidé de qualifier l’impact de pratiques et de systèmes de production sur ces deux types de ressources à partir d’avis à dire d’experts. Nous avons réalisé le même travail pour la structure des sols car au fil des enquêtes, nous nous sommes aperçus que cette ressource avait beaucoup d’importance pour les éleveurs. Notre démarche s’est décomposée en trois temps :
Identifier les principaux processus naturels de dégradation de ces ressources (à partir des avis d’experts et de la révision de la littérature) ;
Identifier les pratiques mises en place par les éleveurs pouvant amplifier les processus de dégradation ou au contraire les réduire voire améliorer le capital en ressources ;
Croiser ces données au sein d’un tableau avec en colonne les processus de dégradation des ressources naturelles et en ligne les pratiques pouvant amplifier ou réduire ces processus. Ce tableau inclut une évaluation qualitative de ces amplifications ou réductions.
2.3.6 Modélisation multi-agents des interactions entre système de décision, paysage et ressources naturelles
Les données issues de l’analyse des systèmes de décision et des éco-efficiences ont été intégrées dans un modèle de type SMA (Systèmes Multi-Agents) développé à l’échelle de l’exploitation.
2.3.6.1 Une démarche de modélisation itérative et exposée
Notre démarche de modélisation s’est faite de manière itérative, avec une alternance de phases de conception du modèle conceptuel suivies de phases de simulation et d’exploration du modèle, comme proposé par Jakeman et al. (2006) (Figure 2-22). Au regard des sorties du simulateur informatique, nous avons ajusté le modèle conceptuel pour avoir une meilleure représentation des dynamiques du système.
Figure 2-22 : Dix étapes itératives dans le développement et l’évaluation de modèles environnementaux
(Jakeman et al., 2006)
Face à l’impossibilité de prouver mathématiquement les propriétés des SMA, il est nécessaire de suivre quelques grands principes afin d’en améliorer la crédibilité et la fiabilité. Pour l’élaboration du modèle conceptuel et son implémentation informatique, nous avons cherché à suivre les propositions de Bommel (2009) :
La première étape fondamentale a consisté à expliciter la question. Le modèle ne peut pas être une représentation mimétique de la réalité. Plus la question est large et le modèle complexe, plus on augmente les sources d’erreurs et de biais, moins il sera facile de contrôler les simulations et d’en expliquer les résultats. Il était donc nécessaire de formuler précisément la question dès le départ afin de fixer les objectifs du modèle et restreindre le champ de l’étude même si le processus de modélisation peut amener à faire évoluer cette question. Réfléchir aux types de résultats que l’on souhaite obtenir a été un moyen de nous aider à définir cette question.
Dans un second temps, nous avons procédé à une description de notre modèle conceptuel (c’est-à-dire de sa structure et des comportements des agents) en diagrammes UML (Unified Modeling Language). Ce langage graphique, simple, formel et normalisé est fréquemment utilisé dans la programmation orientée objet.
Ses atouts sont nombreux. Facile à comprendre, il permet de rendre lisible un modèle à des non-informaticiens. De plus, il est très adapté aux démarches de modélisation participative, au sein d’équipes interdisciplinaires ou avec des acteurs locaux, puisque cette présentation transparente du modèle SMA permet de mieux discuter, d’expliquer mais aussi de critiquer les choix opérés. Cette discussion est très importante sachant qu’un modèle n’est pas neutre et que sa construction repose nécessairement sur une représentation subjective. De plus, l’usage de diagrammes UML permet à d’autres personnes de pouvoir répliquer le simulateur.
La troisième phase a consisté à explorer les résultats du simulateur et à vérifier la robustesse du modèle. Cette étape est très importante pour améliorer la compréhension du modèle, repérer d’éventuels disfonctionnements et s’assurer que les résultats découlent uniquement des mécanismes du modèle et non d’artefacts liés à la programmation et au paramétrage. La fiabilité du simulateur offre davantage de crédibilité au modèle.
Du fait que notre approche soit basée sur un petit nombre de cas d’étude, il existait un risque de construire un modèle Ad’hoc, c’est-à-dire un modèle très descriptif dont le domaine d'application se limite juste au jeu de données collectées. Ce type de modèle ne fournit aucune hypothèse falsifiable, aucune valeur informative et aucune connaissance supplémentaire. Même si notre modèle est très descriptif, nous avons cherché à représenter des agents qui soient simples et stylisés par rapport à la réalité locale.
2.3.6.2 Données pour le paramétrage du modèle
Les données qui nous ont servi à paramétrer le modèle et notamment le comportement des agents sont issues de trois sources :
Les informations que nous avons collectées à partir de nos enquêtes par immersion et des analyses de paysage et interprétées à travers l’approche systémique, l’analyse des trajectoires et la modélisation graphique ;
Les trois modèles précédemment construits par l’équipe du DP Amazonie dans la région d’Amazonie orientale :
- Transamazon qui analyse les dynamiques d’utilisation des sols et leurs déterminants dans un contexte pionnier (Bonaudo, 2005 ; Bommel et al., 2010).
- Floagri qui compare les effets environnementaux et économiques de pratiques alternatives aux techniques d’abattis-brûlis (agriculture de conservation et gestion durable de la réserve légale) (Bommel et al., 2014).
- Amaz qui évalue les impacts de différentes stratégies d’usages des sols sur les services écosystémiques et les performances économiques (Bommel et al., 2012). Notre modèle s’en est particulièrement inspiré pour décrire les processus de dégradation des pâturages, l’évolution de la végétation, la reproduction du troupeau, la hiérarchisation des actions, etc.
Des données à dire d’experts, issues de la bibliographie et des précédents travaux de recherche de l’équipe du DP Amazonie utilisées pour affiner la conceptualisation des comportements des agents et la dynamique des ressources naturelles et paramétrer le modèle (Hostiou, 2003 ; Poccard-Chapuis, 2004 ; Tourrand et al., 2004 ; Veiga et al., 2004 ; Piketty et al., 2005 ; Tourrand et al., 2013).
2.3.6.3 Stratégies d’intensification des éleveurs et sorties du modèle
Afin de faciliter l’implémentation du modèle, nous avons mis en évidence les similitudes de comportement et les spécificités des six archétypes d’éleveurs identifiés dans la thèse. Deux principaux types de logiques existent vis-à-vis de l’intensification des usages des sols : un type intensif ayant recours à un haut niveau d’intrants et un type intensif ayant recours à un faible niveau d’intrants. Avec quelques variantes, ces logiques peuvent se décliner pour toutes les tailles d’exploitation (les exploitations familiales, les fazendas de moyenne taille, les grandes fazendas).
Ces dynamiques anthropiques (décisions de gestion des systèmes fourragers et usages des sols des éleveurs) sont croisées avec des dynamiques naturelles (évolution naturelle de la végétation et de trois types de ressources naturelles, l’eau verte, la fertilité et la structure des sols). Divers indicateurs biophysiques et socio-économiques sont mesurés afin de caractériser les trajectoires d’intensification et les dynamiques des paysages : la proportion des différents types d’usages des sols et leur distribution spatiale, le processus de division des pâturages, leur dynamique de dégradation, la récupération des réserves forestières et ripisylves, la productivité fourragère (capacité de charge des parcs et de l’exploitation) et animale (démographie), l’aggradation ou la dégradation des ressources naturelles, et le revenu de l’exploitation. Plusieurs de ces indicateurs sont spatialement explicites.
2.3.6.4 Simulation et scénarios
La simulation est une phase importante dans la modélisation car en déroulant le temps elle permet de faire interagir les entités et de voir émerger les propriétés globales du système qui ne sont pas nécessairement évidentes et prévisibles. Le recours aux simulations a d’autant plus d’intérêt dans notre analyse que certaines pratiques peuvent avoir des effets rétroactifs sur les ressources naturelles. De plus, la simulation permet de tester divers scénarios et ainsi de comparer les conséquences de changements sur le système. Les SMA se montrent particulièrement bien adaptés aux scénarios exploratoires, c’est-à-dire à des scénarios qui cherchent à savoir ce qu’il pourrait éventuellement se produire suite à des changements de décisions stratégiques prises par les agents ou suite à des évènements externes (politiques, économiques, climatiques, par exemple) qui vont générer de nouvelles opportunités ou contraintes sur les décisions (Börjeson et al., 2006).
Le modèle multi-agent a été implémenté sur la plateforme de simulation libre de droits Cormas (Common-Pool Resources and Multi-Agent Systems), version 2015, développée par l’UPR GREEN (CIRAD), http://cormas.cirad.fr (Le Page et al., 2012). La programmation est basée sur langage orienté-objet SmallTalk. Cormas produit deux types de variables de sorties :
un rendu virtuel spatialisé des paysages observable à différentes échelles spatiales (au niveau du pixel ou d’unités agrégées) ;
des indicateurs non spatialisés (sondes) observables soit au niveau global (plusieurs entités) soit au niveau individuel (une entité).
En l’état actuel de développement, le modèle ne simule que le scénario de base (business as usual) qui correspond au projet d’intensification des éleveurs intensifs consommant un haut niveau d’intrants (forte intensification) vs les éleveurs intensifs utilisant un faible niveau d’intrants (faible intensification) pour une taille moyenne d’exploitations (1000 ha dans la région).
Conclusion du chapitre
Dans ce chapitre, nous avons présenté les cadres théorique et méthodologique employés pour analyser les décisions relatives à l’intensification des systèmes fourragers en lien avec l’éco- efficience des paysages.
Sur le plan théorique, le paysage, défini comme un agroécosystème spatialisé, dynamique et piloté par un ou plusieurs systèmes de décisions fournit un cadre pertinent pour l’analyse conjointe des dynamiques de production économique et de gestion des ressources naturelles et raisonner la construction de paysages plus éco-efficients. Le paysage, géré par de nombreux acteurs, est majoritairement façonné par les éleveurs bovins sur les fronts pionniers d’Amazonie brésilienne orientale. Cette unité décisionnelle étant la principale entité de gestion des paysages, c’est donc à cette échelle que nous avons focalisé notre analyse spatiale du processus d’intensification. Nous sommes partis de la compréhension des décisions des éleveurs à l’origine des pratiques d’intensification et de l’organisation de ces pratiques dans les paysages. Pour ce faire, l’exploitation agricole est conceptualisée comme un système socio-écologique, adaptatif et dynamique, interagissant avec un environnement complexe et changeant. Pour appréhender les adaptations et les dynamiques dans ces systèmes, nous nous sommes appuyés sur le cadre des trajectoires et la modélisation multi-agents.
Sur le plan méthodologique, les systèmes d’exploitation étant complexes et la compréhension des décisions nécessitant un important travail de terrain, nous proposons d’étudier un petit échantillon d’exploitations agricoles représentatives de la diversité des systèmes d’élevage face à la transition agraire, sélectionnées empiriquement sur la base d’un zonage territorial, de connaissance d’experts, et d’entretiens exploratoires. Notre méthode de collecte des données dans ces exploitations repose sur des enquêtes par immersion qui visent à décrire le fonctionnement de l’exploitation, les pratiques d’usages des sols, de gestion de systèmes fourragers et des ressources naturelles. L’analyse des données est basée sur la formalisation des trajectoires d’exploitation et de modèles paysagers. Ceci permet d’identifier les principaux déterminants de la localisation des pratiques dans les paysages, mais aussi les facteurs externes à l’exploitation qui ont favorisé le processus d’intensification. Le rôle des pratiques dans les éco-efficiences a été apprécié à partir d’une approche qualitative (via un tableau qualifiant l’impact des pratiques sur les ressources) et quantitative (via un bilan énergétique mesuré avec l’outil de diagnostic ANERPAAM). L’ensemble de ces données couplées à des connaissances d’experts de notre équipe et à des données bibliographiques sont enfin utilisées pour conceptualiser un système multi-agents représentant les stratégies