Le fait de modifier l’assolement pour limiter l’irrigation sur les zones-non-réalimentées et réimplanter des prairies permanentes « en tête de bassin » (scénario Sc_Assol) entraîne bien des économies d’eau conséquentes de 3,5 Mm3/an en moyenne, dû à une baisse des surfaces irriguées. Ceci se traduit par une baisse du volume de soutien étiage déstocké principalement au niveau des Falquettes et Pareloup (177 000 m3), et une augmentation marginale du débit sur toute l’année. Ainsi, on enregistre dans ce scénario la fréquence de franchissement du DOE la plus basse (en nombre de jours moyens par an). Ces changements d’assolement ont un impact négligeable sur les rendements des principales cultures avec maintien de l’irrigation, hormis une augmentation du rendement sur le maïs ensilage de 0,8 t/ha. Cela s’explique car le passage en sec d’une partie des cultures entraine une disponibilité de ressources en eau prélevable plus grande pour les cultures avec maintien de l’irrigation.
2. Limites de l’étude
L’utilisation de MAELIA nous a permis d’explorer différents scénarios de gestion de l’eau quantitative de l’eau sur la partie aval du bassin de l’Aveyron. Néanmoins quelques limites sont à souligner dans cette étude.
Limites liées à MAELIA
Dans MAELIA, la répartition du matériel d’irrigation sur le bassin résulte de règles d’affectation propres au modèle (algorithme d’affectation), et ne reflète pas toujours les réalités locales. Ce constat témoigne d’un manque global de données locales sur les pourcentages de répartition des matériels d’irrigation au sein des bassins agricoles en général, dont l’Aveyron.
Le modèle de culture AqYield utilisé dans MAELIA est principalement calibré pour les grandes cultures. Il ne permet donc pas de simuler dans sa version actuelle les rendements des cultures telles que la vigne et les vergers. De ce fait, les résultats sur les vignes et les vergers sont à prendre avec prudence.
Pour finir, le modèle dans sa version actuelle est mal calibré pour simuler de faibles débits (Figure 24). Cette situation entraine une surestimation du débit de la Lère à Réalville, et peut induire des erreurs dans l’estimation de la fréquence de franchissement du DOE.
30
Figure 24 - Différence entre module inter-annuel simulé (2011-2013) et mesuré (Banque Hydro, 1969-2016) de La Lère à Réalville
Finalité des scénarios simulés et usage de la simulation pour la gestion de l’eau Le choix de simuler uniquement des scénarios non réalisables soulève de nombreuses questions. Si toutefois l’évaluation multicritère des scénarios milite en faveur d’un scénario « performant » tel que le scénario Sc_EM+OAD, quel serait l’avenir de cette alternative dans le dispositif de gestion de l’eau à l’échelle du territoire, au-delà de la mise en débat par les acteurs ?
Cette question anodine soulève le problème des attentes des acteurs vis-à-vis des outils de simulation d’alternatives de gestion de l’eau. Ces outils ont-ils pour seul objectif d’améliorer la connaissance sur les enjeux des bassins étudiés et fournir des méthodes et outils d’analyse, ou peuvent-ils également servir pour orienter et accompagner les choix d’aménagement de gestion quantitative de l’eau à l’échelle des territoires à enjeux tels que l’aval de l’Aveyron ? La question reste entière.
0 1 2 3 4 5 6
janv févr mars avr mai juin juil août sept oct nov déc
Dé b it (m 3/s )
Sc_Ref Sc_Ret Sc_EM+OAD Sc_EM
31
CONCLUSION ET PERSPECTIVES
Ce travail s’inscrit dans le contexte de déficit hydrique (déséquilibre entre offre et demande) et de tension entre usagers de l’eau auquel se trouve confronté l’aval du bassin de l’Aveyron. Pour rechercher des solutions face à cette situation, la plateforme de modélisation MAELIA a été utilisée comme outil pour simuler à des résolutions spatiales et temporelles fines différents scénarios de gestion quantitative de l’eau au sein de l’aval du bassin de l’Aveyron. L’objectif de l’étude a été d’analyser l’impact des différentes alternatives de gestion de l’eau sur le fonctionnement hydrologique, la gestion de l’eau et l’activité agricole du bassin. L’analyse des résultats de simulation met en lumière que le scénario Sc_EM+OAD se distingue significativement des autres par ses résultats, le scénario Sc_Ret met en évidence des résultats contre-intuitifs, et le scénario Sc_Assol met en évidence des résultats contrastés selon les indicateurs. Ces résultats montrent également que la mise en œuvre séparée des scénarios Sc_EM et Sc_OAD limite les impacts positifs potentiels de leur association sur la gestion équilibrée des ressources en eau.
Il serait souhaitable que cette démarche soit transposée à d’autres bassins présentant les mêmes enjeux, afin de voir si on arrive aux mêmes conclusions.
Pour finir, la démarche initiée doit être poursuivie en complétant l’évaluation des scénarios sur les aspects qualitatifs liés aux transferts des produits phytosanitaires dans les cours d’eau et les eaux souterraines. Bien que n’étant pas l’enjeu principal du bassin, il incombe toutefois d’adopter une approche systémique pour éviter de générer potentiellement un problème de qualité de l’eau en voulant résoudre un problème de quantité. D’autant que la possibilité de simuler ces processus de transfert de produits phytosanitaires est offerte par le modèle SWAT, utilisé dans MAELIA.
32
REFERENCES BIBLIOGRAPHIQUES
AEAG, 2017. Etude pour le renforcement des actions d’économies d’eau en irrigation dans le bassin Adour-Garonne : Analyses et propositions méthodologiques pour le calcul des gisements potentiels d’économies d’eau (No. Version N° 7).
AEAG, 2014. Synthèse de l’actualisation de l’état des lieux du SDAGE 2016 - 2021.
Amigues, J.P., Debaeke, P., Itier, B., 2006. Réduire la vulnérabilité de l’agriculture à un risque accru de manque d’eau (Expertise scientifique collective), Sécheresse et agriculture. INRA.
Balestrat, M., Therond, O., 2014. Enjeux de la gestion quantitative de l’eau en France: Quels données et outils de modélisation pour les institutions publiques en charge de la gestion des étiages ? ONEMA, INRA.
Black, D.C., Wallbrink, P.J., Jordan, P.W., 2014. Towards best practice implementation and application of models for analysis of water resources management scenarios. Environ. Model. Softw. 52, 136–148. doi:10.1016/j.envsoft.2013.10.023
Castilla-Rho, J.C., Mariethoz, G., Rojas, R., Andersen, M.S., Kelly, B.F.J., 2015. An agent-based platform for simulating complex human–aquifer interactions in managed groundwater systems. Environ. Model. Softw. 73, 305–323.
Chantre, E., Guichard, L., Ballot, R., Jacquet, F., Jeuffroy, M.-H., Prigent, C., Barzman, M., 2016. Co-click’eau, a participatory method for land-use scenarios in water catchments. Land Use Policy 59, 260–271.
Cheviron, B., Vervoort, R.W., Albasha, R., Dairon, R., Le Priol, C., Mailhol, J.-C., 2016a. A framework to use crop models for multi-objective constrained optimization of irrigation strategies. Environ. Model. Softw. 86, 145–157.
Cheviron, B., Vervoort, R.W., Albasha, R., Dairon, R., Le Priol, C., Mailhol, J.-C., 2016b. A framework to use crop models for multi-objective constrained optimization of irrigation strategies. Environ. Model. Softw. 86, 145–157.
Draper, A.J., Lund, J.R., Howitt, R.E., Tanaka, S., Ritzema, R., Marques, G., Msangi, S.M., Newlin, B.D., Van Lienden, B.J., Davis, M.D., others, 2001. IMPROVING CALIFORNIA WATER MANAGEMENT.
Fabre, J., Brunel, L., Rucheton, G., Mailhol, J.-C., Ruelle, P., Le Grusse, P., 2013. Un outil de simulation adapté à la gestion des ressources en eau du territoire dans le cadre d’une démarche participative. Sci. Eaux Territ. 60–63.
Fernandez, S., Debril, T., 2016. Qualifier le manque d’eau et gouverner les conflits d’usage : le cas des débits d’objectif d’étiage (DOE) en Adour-Garonne. Dév. Durable Territ.
33
Feuillette, S., Bousquet, F., Le Goulven, P., 2003. SINUSE: a multi-agent model to negotiate water demand management on a free access water table. Environ. Model. Softw. 18, 413–427.
Franco, L.A., Meadows, M., Armstrong, S.J., 2013. Exploring individual differences in scenario planning workshops: A cognitive style framework. Technol. Forecast. Soc. Change 80, 723–734.
Gaudou, B., Sibertin-Blanc, C., Therond, O., Amblard, F., Auda, Y., Arcangeli, J.-P., Balestrat, M., Charron-Moirez, M.-H., Gondet, E., Hong, Y., Lardy, R., Louail, T., Mayor, E., Panzoli, D., Sauvage, S., Sánchez-Pérez, J.-M., Taillandier, P., Van Bai, N., Vavasseur, M., Mazzega, P., 2014. The MAELIA Multi-Agent Platform for Integrated Analysis of Interactions Between Agricultural Land-Use and Low-Water Management Strategies, in: Alam, S.J., Parunak, H.V.D. (Eds.), Multi-Agent-Based Simulation XIV. Springer Berlin Heidelberg, Berlin, Heidelberg, pp. 85–100.
Gaulupeau, M., 2010. La gestion de l’eau agricole dans le bassin Adour-Garonne, au travers des représentations de ses acteurs. Mémoire de fin d’étude d’ingénieur agronome de l’ENSAT), INRA, Toulouse.
Hattermann, F., Krysanova, V., Wechsung, F., Wattenbach, M., 2004. Integrating groundwater dynamics in regional hydrological modelling. Environ. Model. Softw. 19, 1039–1051.
IRSTEA, 2016, Impact cumulé des retenues d’eau sur le milieu aquatique - Expertise scientifique collective
Jiang, Y., Xu, X., Huang, Q., Huo, Z., Huang, G., 2016. Optimizing regional irrigation water use by integrating a two-level optimization model and an agro-hydrological model. Agric. Water Manag. 178, 76–88.
Kondili, E., Kaldellis, J.K., Papapostolou, C., 2010. A novel systemic approach to water resources optimisation in areas with limited water resources. Desalination 250, 297– 301.
Lardy, R., Mazzega, P., Sibertin-Blanc, C., Auda, Y., Sanchez-Perez, J.-M., Sauvage, S., Therond, O., 2014. Calibration of simulation platforms including highly interweaved processes: the MAELIA multi-agent platform, in: Proceedings of the 7th International Congress on Environmental Modelling and Software, June. pp. 15–19.
Lardy, R., Truche, C., Therond, O., 2016. Modelling small agricultural dams dynamics into the MAELIA multi-agent platform.
Leenhardt, D., Bergez, J., Benoit, M., 2011. Quelques contributions de la recherche agronomique à la gestion de l’eau en réponse au Grenelle de l’Environnement. Agronomie, Environnement et Sociétés 74–84.
Leenhardt, D., Lemaire, P., 2002. Estimating the spatial and temporal distribution of sowing dates for regional water management. Agric. Water Manag. 55, 37–52.
34
Leenhardt, D., Murgue, C., Therond, O., 2015. Une approche agroécologique de la gestion quantitative de l’eau en zone de déficit chronique. Innov. Agron. 57–70.
Leenhardt, D., Trouvat, J.-L., Gonzalès, G., Pérarnaud, V., Prats, S., Bergez, J.-E., 2004. Estimating irrigation demand for water management on a regional scale: I. ADEAUMIS, a simulation platform based on bio-decisional modelling and spatial information. Agric. Water Manag. 68, 207–232.
Letcher, R.A., Croke, B.F.W., Jakeman, A.J., 2007. Integrated assessment modelling for water resource allocation and management: A generalised conceptual framework. Environ. Model. Softw. 22, 733–742.
Mailhol, J.C., Ruelle, P., Walser, S., Schütze, N., Dejean, C., 2011. Analysis of AET and yield predictions under surface and buried drip irrigation systems using the Crop Model PILOTE and Hydrus-2D. Agric. Water Manag. 98, 1033–1044.
Mazzega, P., Therond, O., Debril, T., March, H., Sibertin-Blanc, C., Lardy, R., Sant’ana, D., 2014. Critical multi-level governance issues of integrated modelling: An example of low-water management in the Adour-Garonne basin (France). J. Hydrol., Water governance across competing scales: Coupling land and water managementIncorporating water resources in integrated urban and regional planning 519, Part C, 2515–2526.
Molinos-Senante, M., Hernández-Sancho, F., Mocholí-Arce, M., Sala-Garrido, R., 2014. A management and optimisation model for water supply planning in water deficit areas. J. Hydrol. 515, 139–146.
Moreau, P., 2012. Co-construire et évaluer des scénarios d’évolution des systèmes de production agricole sous contraintes environnementales: application à un bassin-versant côtier affecté par des «marées vertes»., in: 19. Rencontres Recherches Ruminants (3R). 2012-12-052012-12-06, Paris, FRA. Institut de l’Elevage-INRA.
Murgue, C., 2014. Quelles distributions spatiales des systèmes de culture pour limiter l’occurence des crises de gestion quantitative de l’eau? Une démarche de conception évaluation sur le territoire irrigué de l’Aveyron aval.
Nunes, J.P., Jacinto, R., Keizer, J.J., 2017. Combined impacts of climate and socio-economic scenarios on irrigation water availability for a dry Mediterranean reservoir. Sci. Total Environ. 584–585, 219–233.
Qin, H., Peng, Y., Tang, Q., Yu, S.-L., 2016. A HYDRUS model for irrigation management of green roofs with a water storage layer. Ecol. Eng. 95, 399–408.
Rinaudo, J.-D., Maton, L., Terrason, I., Chazot, S., Richard-Ferroudji, A., Caballero, Y., 2013. Combining scenario workshops with modeling to assess future irrigation water demands. Agric. Water Manag. 130, 103–112.
35
Rojas, R., Kahunde, S., Peeters, L., Batelaan, O., Feyen, L., Dassargues, A., 2010. Application of a multimodel approach to account for conceptual model and scenario uncertainties in groundwater modelling. J. Hydrol. 394, 416–435.
Scholten, H., Kassahun, A., Refsgaard, J.C., Kargas, T., Gavardinas, C., Beulens, A.J.M., 2007. A methodology to support multidisciplinary model-based water management. Environ. Model. Softw. 22, 743–759.
Schreinemachers, P., Berger, T., 2011. An agent-based simulation model of human– environment interactions in agricultural systems. Environ. Model. Softw. 26, 845– 859.
Singh, A., 2014a. Simulation–optimization modeling for conjunctive water use management. Agric. Water Manag. 141, 23–29.
Singh, A., 2014b. Groundwater resources management through the applications of simulation modeling: A review. Sci. Total Environ. 499, 414–423.
Tan, X., Shao, D., Liu, H., 2014. Simulating soil water regime in lowland paddy fields under different water managements using HYDRUS-1D. Agric. Water Manag. 132, 69–78. Therond, O., Sibertin-Blanc, C., Lardy, R., Gaudou, B., Balestrat, M., Hong, Y., Louail, T.,
Panzoli, D., Sanchez-Perez, J.-M., Sauvage, S., others, 2014. Integrated modelling of social-ecological systems: The MAELIA high-resolution multi-agent platform to deal with water scarcity problems, in: 7th International Environmental Modelling and Software Society (iEMSs 2014). p. pp–1.
Usman, M., Liedl, R., Awan, U.K., 2015. Spatio-temporal estimation of consumptive water use for assessment of irrigation system performance and management of water resources in irrigated Indus Basin, Pakistan. J. Hydrol. 525, 26–41.
Site de la banque hydro http://hydro.eaufrance.fr/
Site de l’Agence de l’Eau Adour-Garonne http://www.eau-adour-garonne.fr/
Site eaufrance, le portail de l’eau http://www.eaufrance.fr/
36
LISTE DES FIGURES
Figure 1 - Classe des sols présents sur le bassin et localisation des points nodaux ... 6 Figure 2 - Le terrain d’étude : situation géographique et surfaces agricoles (Source de
données : RPG 2014) ... 7 Figure 3 - Démarche générale de travail : en couleur orange les travaux relatifs à la thèse de Sandrine Allain (pré et post-stage) qui ont servi de base pour ce stage, et en couleur bleue les travaux réalisés lors du stage... 9 Figure 4 - Points de prélèvement d’irrigation par nature de ressource avant (AV) et après (AP) implémentation du scénario Sc_Ret ... 11 Figure 5 - Seuils de satisfaction hydrique théoriques qui servent au déclenchement de
l’irrigation dans le scénario de pilotage de l’irrigation assisté ... 12 Figure 6 - Résultats de l'implémentation du scénario efficience matérielle et d’outils d’aide à la décision ... 13 Figure 7 - Surface irrigable par type de matériel d'irrigation avant et après implémentation du scénario ... 13 Figure 8 - Répartition du matériel d’irrigation avant (AV) et après (AP) implémentation du scénario ... 13 Figure 9 - Distribution spatiale du matériel d’irrigation avant (AV) et après (AP)
implémentation du scénario (Source de données : BD Carthage ; RPG 2014 et Corine Land Cover) ... 14 Figure 10 - Scénario modification de l’assolement : répartition spatiale des surfaces après implémentation ... 15 Figure 11 - Surfaces avec maintien de l'irrigation ou passage en sec. Dans le cas des
semences, le « passage en sec » correspond aussi à un changement de culture : passage en céréales à pailles (CP). ... 16 Figure 12 - Proportion par culture de surfaces concernées par le maintien ou non de
l'irrigation ... 16 Figure 13 - Schéma conceptuel de la plateforme MAELIA (Source : Murgue, 2014) ... 17 Figure 14 - Evolution annuelle des prélèvements d'irrigation sur la période de simulation (2001-2013) ... 21
37
Figure 15 - Moyenne interannuelle des prélèvements d'irrigation (2001-2013) ... 21 Figure 16 - Prélèvements moyens mensuels d'irrigation (2001-2013) ... 22 Figure 17 - Moyenne interannuelle de la répartition des prélèvements d'irrigation par nature de ressource en eau (a) et par matériel d’irrigation (b) (2001-2013) ... 23 Figure 18 - Moyenne interannuelle des prélèvements d'irrigation par culture (2001-2013) . 23 Figure 19 - Moyenne interannuelle (a) et total du volume déstocké par an (b) à partir des principales réserves de soutient d’étiage (Falquettes + Parloup + St-Géraud + Thuries) ... 24 Figure 20 - Fréquence moyenne mensuelle de franchissement du DOE pour la station de l’Aveyron à Montauban (2001-2013). Cela correspond au nombre de jour/mois ou le débit est inférieur au DOE. ... 25 Figure 21 - Dynamique annuelle de franchissement du DOE pour la station de et l’Aveyron à Montauban (2001-2013). Cela correspond au nombre de jour/an ou le débit est inférieur au DOE. ... 25 Figure 22 - Modules inter-annuel simulés à l'exutoire du bassin (2001 à 2013. Représentation en différence par rapport au scénario de référence (Sc_i – Sc_Ref) ... 26 Figure 23 - Moyenne interannuelle des rendements(a) et des productions agricoles (b) par culture (2001-2013) ... 27 Figure 24 - Différence entre module inter-annuel simulé (2011-2013) et mesuré (Banque Hydro, 1969-2016) de La Lère à Réalville ... 30 Figure 25 - Scénario création d'une nouvelle retenue : (a) nombre de points de prélèvement d'irrigation par type de ressource - (b) volume max prélevable pour l’irrigation par type de ressource et surfaces associées ... 40 Figure 26 - Surfaces irrigables par type de matériel d'irrigation ... 41 Figure 27 - Matériel d'irrigation par système de culture ... 41 Figure 28 - Moyenne interannuelle des prélèvements d'irrigation par culture irrigué (2001-2013) ... 42
38
LISTE DES TABLEAUX
Tableau 1 - Modèles de gestion quantitative de l'eau ... 4 Tableau 2 - Liste des principales entités physiques représentées dans MAELIA et quelques exemples de sources de données (Source : Lardy.R) ... 19 Tableau 3 - Liste des indicateurs utilisés pour analyser les sorties des simulations ... 20
39
ANNEXES
Annexe 1 - Caractérisation du territoire pour la spécification et l’implémentation des
scénarios ... 40 Annexe 2 - Module inter-annuel mesuré aux points nodaux (Source : Banque Hydro) ... 43 Annexe 3 - Evolution des débits mesurés aux points nodaux sur la période 1969-2015
(Source : Banque Hydro) ... 44 Annexe 4 - Localisation des réserves de soutien d’étiage ... 45 Annexe 5 - Etapes du travail du stage ... 46
40
Annexe 1 - Caractérisation du territoire pour la spécification et
l’implémentation des scénarios
La spécification des scénarios a nécessité de réaliser au préalable un diagnostic sur certaines caractéristiques du territoire.
Scénario Sc_Ret
La Figure 25 présente la situation des points d’irrigation et des retenues agricoles avant et après implémentation du scénario.
Figure 25 - Scénario création d'une nouvelle retenue : (a) nombre de points de prélèvement d'irrigation par type de ressource - (b) volume max prélevable pour l’irrigation par type de ressource et surfaces associées
On observe que les retenues (connectées, déconnectées et sur-nappe) sont les types de ressource qui comptent le plus grand nombre de points de prélèvement d’irrigation (531 points) (Figure 25.a). La majorité des points de prélèvement en retenue à usage agricole se trouvent sur des retenues connectées et déconnectées. Toutefois, les retenues connectées constituent la plus grande part des volumes maximums prélevables, avec un total de 10,4 Mm3 (Figure 25.b) dont 6,6 Mm3 pour les deux seules retenues du Tordre et du Gouyre. En outre, les retenues à usage agricole permettent d’irriguer une surface totale de 6 660 ha, soit 1,2 % de la surface totale du bassin, et 51 % de la surface totale des parcelles irrigables.
Scénario Sc_EM+OAD : modification du matériel d’irrigation
Pour vérifier si oui ou non le changement de matériel d’irrigation est un levier significatif sur le territoire, nous avons au préalable déterminé les proportions initiales de matériel d’irrigation par surface irrigable d’une part, et par systèmes de cultures (SdC) d’autre part.
0 100 200 300 400 Ret.sur-nappe Ret.connectées Ret.déconnectées Eaux de surface Nappe Nombre de point (a) 0 500 1 000 1 500 2 000 2 500 3 000 0 2 4 6 8 10 12 M ill ie rs de m 2 M ill io ns d e m 3 (b)
41
Figure 26 - Surfaces irrigables par type de matériel d'irrigation
Figure 27 - Matériel d'irrigation par système de culture
Il en ressort que l’enrouleur représente le principal matériel d’irrigation (6 900 ha couvert), soit 53 % des surfaces irrigables, suivis de l’irrigation en couverture intégrale (32 %), et de l’irrigation en pivot (13 %). L’irrigation en goutte-à-goutte représente une part marginale des surfaces irrigables (2 %).
Concernant les systèmes de cultures (SdC), on observe que le maïs*_g (maïs grain) représente le système dominant (2 840 ha), suivis respectivement du maïs/blé_irr (1 610 ha), de la parairiet/CP (1 500 ha), du CP/tour (1 350 ha), et de l’arbo (1 055 ha).
Suite à ces observations, nous avons fait le choix de modifier uniquement le matériel d’irrigation des SdC maïs_g (a), maïs/blé_irr (b) et arbo (c). En effet, il s’agit de cultures à forte consommation d’eau (a et b), et dont les pratiques d’irrigations dominantes sont la couverture intégrale et l’enrouleur. Pour cela, les surfaces irrigables initialement équipées d’enrouleur ont toutes été passées en irrigation par pivot pour (a) et (b), et toutes les surfaces initialement en couverture intégrale de (c) ont été passées en goutte-à-goutte.
0 1 000 2 000 3 000 4 000 5 000 6 000 7 000 8 000 Goutte-à-goutte
Pivot Couverture integrale Enrouleurs
Surface irrigable [ha]
0 500 1 000 1 500 2 000 2 500 3 000 vignes divers CP/colza gel prairiet/mais_irr mais/soja semence/X prairiep CP/soja_irr cereale* mais*_s arbo CP/tour prairiet/CP mais/ble_irr mais*_g
Surface irrigable [ha]
42
Cette modification de matériel s’est faite à l’échelle de l’ilot et non à l’échelle parcellaire. Celle suppose que pour des ilots en multicultures (plusieurs parcelles de cultures différentes), la modification vise l’ensemble des systèmes de cultures (SdC) présents dans l’ilot. Cela se justifie par le fait que dans MAELIA, un bloc d’irrigation est construit de telle sorte qu’il ne contient que des parcelles ayant le même type de matériel d’irrigation ( maelia-platform).
Cependant, comme le passage au goutte-à-goutte n’est cohérent que pour de l’arboriculture, la transformation (c) n’a concerné que les ilots contenant uniquement des parcelles ayant le SdC arbo ou SdC conduit en sec.
Par ailleurs, bien que majoritaires en surfaces irrigables, les SdC CP/tour et pairiet/CP n’ont pas été la cible première des modifications de matériel d’irrigation. Les modifications apparues sont dues au mode de distribution du matériel d’irrigation explicité précédemment
Scénario Sc_Assol
Pour vérifier si le gisement potentiel d’économie d’eau offert par ce passage en sec dans le scénario Sc_Assol est substantiel, nous avons (i) préalablement déterminé les volumes prélevés par culture rapportée à la surface cultivée sur le bassin (Figure 28), et (ii) déterminé la répartition des cultures dans les zones les plus pentues et dans les zones les moins pentues.
Figure 28 - Moyenne interannuelle des prélèvements d'irrigation par culture irrigué (2001-2013)
On observe que l’essentiel du volume économisable (Cf. Résultats) est le fait des semences (4 180 m3/ha) et du maïs (3 480 m3/ha).
0 1000 2000 3000 4000 5000
CP colza maïs pois prairiet semence soja tour vergers
(m
3/h
43