2.2.1.Les contraintes pour la construction d’un environnement physique et
technique
Cet environnement concerne les types de variable suivantes:
des variables atmosphériques: le modèle a besoin des valeurs journalières des
températures atmosphériques minimales et maximales, de la pression de vapeur
d’eau, de vitesse du vent, du rayonnement solaire incident dans le visible et des
précipitations. Il tient aussi compte de la concentration atmosphérique en dioxyde
de carbone.
de variables relatives au sol: les propriétés de surface du sol nu (albédo, pourcentage
des précipitations ruisselée, limite de la phase potentielle d’évaporation du sol), la
composition du sol de surface (teneur en argile et en calcaire, pH), les propriétés
physiques d’un nombre variable d’horizons du sol (épaisseur, teneur et type de
cailloux, densité apparente de la terre fine, humidité maximale, humidité minimale
exploitable par la plante) et la teneur en azote organique (pourcentage massique
jusqu’à la profondeur d’humification, profondeur d’humification).
des variables d’itinéraire technique, relatif à ses différentes composantes : la gestion
du positionnement et de la durée du cycle cultural (date de semis, choix de la
variété), les modalités de récolte (seuil teneur en eau limite des organes récoltés
déclenchant la récolte et date butoir), l’apports de résidus de la culture précédente
(dates, quantité et qualité), les modalités de fertilisation (dates et doses des apports,
type d’engrais), et d’irrigation, qui est effectuée de manière automatique (caractère
irrigué ou non, seuil de déclenchement, dose maximale journalière).
La première contrainte qui se pose est la cohérence des jeux de données (atmosphère,
sol et itinéraires techniques). Chacun de ces types de variable possède en effet sa cohérence
interne (par exemple le respect de bilans énergétiques et hydrologiques qui lient les variables
météorologiques entre elles), et sont utilisées par STICS dans le cadre d’un respect de celles-ci.
Cette contrainte implique que l’ensemble des variables correspondant à un type de donnée
particulier, on doit vérifier leur cohérence avec le modèle STICS, et la bonne représentation du
lien entre les différentes variables. D’autre part, les différents types de données (sol, climat,
itinéraire technique) sont liées l’une à l’autre dans la réalité comme dans le modèle, les
itinéraires techniques étant une forme d’adaptation de l’activité agricole à son environnement
physique. Les jeux de données doivent donc êtres cohérents entre types de données (problème
de cohérence externe).
A titre d’exemple illustratif d’un problème de cohérence externe, si l’on dispose d’un jeu
de variables atmosphériques simulé qui surestime la valeur moyenne des températures, le choix
des entrées concernant la gestion du cycle de la culture (positionnement et longueur du cycle,
via la date de semis et la variété) cache un arbitrage. Si l’on utilise une variété et une date de
semis au plus proches de l’observation, on prend le risque de simuler une longueur du cycle
49
Jeux de données physiques et techniques, et apports de la thèse 2.2
différente de celle observée (celle-ci étant déterminée par un cumul de température). On peut à
l’inverse, admettre le choix d’un itinéraire technique moins proche de l’observation, mais dont
les conséquences en terme de positionnement et de longueur du cycle par rapport au cycle des
températures à disposition est plus cohérent d’un point de vue de l’objet simulé (le rendement).
Cette question ne se pose pas quand on dispose de jeux de données qui correspondent
parfaitement aux observations, tout en correspondant exactement à la définition des variables
d’entrée du modèle. Cependant, pour plusieurs raisons, ce n’est pas notre cas.
D’abord, le domaine géographique considéré (l’UE15) et la résolution spatiale à laquelle
j’ai besoin des données (inférieure à la région RICA) rend difficile la construction de jeux de
données cohérents. A l’échelle Européenne, Il existe peu de données observées à une telle
résolution concernant les itinéraires techniques relatifs aux différentes cultures considérées. S’il
existe des jeux de données concernant la distribution des sols, elles ne concernent pas toutes
les variables dont j’ai besoin, et il est nécessaire d’utiliser des règles de pédotransfert et des avis
d’expert pour les compléter. D’un point de vue des données de climat, il existe des données
observées assez précises sur l’ensemble du domaine considéré, mais à une résolution spatiale
irrégulière et une couverture temporelle partielle. Elles nécessitent donc un traitement assez
lourd, à moins d’utiliser des données de modèle, distribuée plus régulièrement mais
généralement moins réalistes que les données observées.
Enfin, je prévoie dans le cadre de cette thèse d’une part d’évaluer la performance du
couplage en termes de simulation de l’offre agricole observée, et d’autre part d’évaluer l’impact
d’un changement climatique. Ce double objectif introduit des contraintes supplémentaires et
différenciées dans la construction des jeux de données. En particulier, les données
atmosphériques telles que vues par les modèles de climat (qui permettent de projeter leur
évolution) diffèrent par nature du climat observé. Par exemple, en termes de données
climatiques, le premier objectif nécessite des jeux données les plus proches possibles des
observations pour l’année de référence du modèle AROPAj (2002), tandis que l’autre nécessite
un jeu de données qui garde une grande cohérence interne sur les différents scénarios de climat
considérés.
2.2.2.Construction de jeux de données climatiques
Dans l’objectif d’évaluer l’effet du couplage sur la performance du modèle à simuler
l’offre agricole actuelle, j’ai choisi d’utiliser un jeu de données modélisées étant distribué de
manière spatiale régulière, tout en étant contraint fortement par les observations. Il s’agit d’une
réanalyse, qui résulte d’une simulation à posteriori du temps observé, guidé par les
observations. Concrètement, ce genre de donnée est issu d’une simulation d’un modèle
météorologique, pour laquelle à chaque pas de temps, les observations servent à contraindre
l’évolution de l’atmosphère. Il existe aujourd’hui deux sources de réanalyses : les produits issus
de l’ECMWF (produits ERA) ou de la NOAA
5(produits NCEP/NCAR). J’utiliserai la dernière
5