Résultats

Les résultats après optimisation, toutes situations confondues, montrent que le modèle est performant pour simuler l’ensemble des cultures, quels que soient les modules activés (Tableau 14) et malgré l’hypothèse d’une densité apparente non limitante au développement de végétation (DA fixée à 1). Le modèle STICS permet de restituer en moyenne le cumul d'évapotranspiration (cet) de manière satisfaisante (R² = 0.88-0.9) malgré une dispersion forte sur l’ETR journalier (RMSE = 0.43- 0.48) quels que soient les modules activés. Cette dispersion est également dépendante de la fiabilité de la mesure et des hypothèses de calcul. Ce résultat tend à montrer que les erreurs sur l'estimation des teneurs en eau dans les profils de sol se compensent sur les flux d'évapotranspiration ce qui se vérifie en comparant les performances de simulation sur le stock d'eau intégré sur 0-45 cm et ceux

164

des couches de sol séparées. La dynamique hydrique est plutôt bien restituée compte tenu de la description simplifiée du sol et de l'impact des fentes de retrait sur l'évaporation qui n’est pas explicitement simulée. Les profils de température de sol sont quant à eux très bien restitués en dynamique (R² = 0.97-0.86) avec tout de même une baisse de performances sur la couche de sol 5 (95-120 cm). Les températures du sol sont néanmoins biaisées de presque 2 °C en plus en profondeur et en moyenne.

La biomasse est simulée de manière satisfaisante par le modèle malgré des décalages temporels (biais 1.5-1.6 t ha-1 _{pour le grain, biais de -0.4 à 0.6 t ha}-1 _{pour la biomasse aérienne) et}

une dispersion importante avec une RMSE allant jusqu'à 4 t ha-1 _{dans le cas des scénarios macro+}

(Tableau 14). Le LAI présente une efficience négative qui est due à la dispersion importante et au biais du modèle. En effet, sur les LAI élevés, il y un décalage fréquent entre le LAI estimé et celui observé. Cette différence n'impacte qu'assez peu le calcul de la biomasse compte-tenu du fait que le LAI est peu ou pas limitant pour la production de biomasse (LAI de 3 ou 4 m² m-_{²) lorsque la}

végétation est couvrante.

Par ailleurs, les écart-types élevés sur les LAI et la biomasse des mesures mettent en évidence la forte variabilité de la mesure, probablement due à une forte hétérogénéité spatiale qui est visible sur la dynamique (Figure 82). En effet, certaines années et pour certaines cultures, les écarts entre répétitions sont très importants. Le cas le plus extrême est celui du colza en 2008/2009 au mois de juin où le LAI peut osciller entre 5.5 m² m-_{² et des valeurs proches de 0 et pour la}

biomasse variant de 5 à 35 t ha-1_{. Le tournesol et le blé sont également variables entre répétitions}

avec des écarts pouvant être du double au triple pour le LAI (ex tournesol 2007, blé 2012) et pour la biomasse du tournesol 2007. En ce qui concerne la biomasse, le blé est toutefois moins variable que les autres cultures.

Il est peu probable que le nombre de répétitions en soit la cause puisqu’à chaque date de mesure 10 à 20 prélèvements ont été faits ; cela semble donc bien indiquer que cette variabilité est due à l’hétérogénéité du développement au sein de la parcelle. Il y a également vraisemblablement une différence de représentativité des mesures de sol par rapport aux mesures d’ETR et d’humidité qui sont sur une zone délimitée de la parcelle comme cela a été constaté au chapitre 3. La mesure d’ETR par Eddy covariance intègre une plus grande surface mesurée qui peut varier au cours du temps non seulement en terme d’orientation du vent (échantillonnage des hétérogénéités variables) mais mesure avant tout autour de sa zone d’implantation. Ainsi le calage des paramètres sols est plutôt représentatif du contexte très local de l’implantation des sondes alors que les prélèvements de biomasse et dans une moindre mesure l’ETR, visent plutôt à représenter la parcelle. Il est donc

165

possible qu’une part des « erreurs » observées sur les simulations de modèle soit liée à cette différence.

Tableau 14 : Critères statistiques de performance des simulations de STICS après optimisation pour chaque combinaison de module et pour toutes les simulations de 2005 à 2012. Les critères présentés sont l’efficience, le R², le RMSE et le biais. Le biais correspond ici au biais moyen par valeur simulée. « macro- » correspond à des simulations sans activation de module de macroporosité ni fente de retrait, « macro » à l’activation de la macroporosité seule et « macro+f » à l’activation de la macroporosité et des fentes de retrait. HR = humidités volumiques du sol en %, TS = températures de sol en °C, resmes = réserve en eau en mm sur 0-45 cm et cet = ETR cumulée depuis le semis à la récolte en mm, lai(n) = LAI en m² m-², mafruit = rendement grain en matière sèche en t ha-1 _{et masec(n) = biomasse aérienne en t ha}-1_.

bilan d'eau températures du sol végétation

scénarios Critères HR(1) HR(2) HR(3) HR(5) Resmes cet TS(1) TS(2) TS(3) TS(4) TS(5) lai(n) mafruit masec(n)

Macro- efficience 0.41 0.48 0.52 -6.06 0.65 0.88 0.97 0.95 0.83 0.62 -0.55 -0.71 0.49 0.70 Macro+ efficience -0.07 -1.09 -4.3 -6.62 -0.75 0.9 0.97 0.96 0.84 0.63 -0.55 -0.93 0.40 0.48 macro+f efficience 0.48 0.51 0.16 -6.51 0.66 0.88 0.97 0.95 0.83 0.63 -0.54 -0.65 0.48 0.70 Macro- r2 0.42 0.51 0.66 0.91 0.65 0.88 0.97 0.96 0.95 0.95 0.86 0.61 0.79 0.72 Macro+ r2 0.47 0.33 0.42 0.18 0.54 0.9 0.97 0.96 0.95 0.95 0.87 0.36 0.66 0.53 macro+f r2 0.49 0.6 0.58 0.05 0.68 0.88 0.97 0.96 0.95 0.95 0.86 0.53 0.75 0.71 Macro- biais 0.5 -0.8 1.2 2.5 1.4 4.7 0.2 0.3 1.7 1.8 1.8 -0.8 1.5 -0.4 Macro+ biais -2.3 -4.6 -7.6 2.0 -21.8 6.2 0.2 0.3 1.7 1.7 1.8 -0.5 1.6 0.6 macro+f biais 0.1 -1.3 0.0 -0.1 -1.8 4.8 0.2 0.3 1.7 1.7 1.8 -0.7 1.5 -0.2 Macro- rmse 5 4 4 3 15 48 1.3 1.4 2.3 2.7 3.9 1.5 2.7 3.2 Macro+ rmse 6 8 12 3 33 43 1.3 1.4 2.2 2.7 3.9 1.5 2.9 4.3 macro+f rmse 4 4 5 3 14 47 1.3 1.4 2.3 2.7 3.9 1.4 2.7 3.2

Les dynamiques de l’ETR et du stock d’eau sur 0-45 cm (Figure 80 et Figure 81) suggèrent que les simulations macro+ surestiment la taille des pores non capillaires avec une densité imposée à 1. En effet, le stock d’eau simulé est surestimé quand les teneurs en eau sont au-delà de la capacité au champ. Cela se répercute sur la biomasse et le LAI produits qui sont tous deux plus faibles que dans les autres simulations (Figure 82). Pour chaque couche de sol, la macroporosité activée seule diminue les performances de simulation du modèle pour l’estimation du bilan hydrique avec des efficiences négatives et un biais moyen s’échelonnant de -2% à -8% suivant les couches de sol. Les simulations des variables biophysiques liées à la biomasse, masec et mafruit, sont également concernées puisque la RMSE est plus élevée et la restitution adimensionnelle des dynamiques (R²) est moins bonne.

En revanche, les simulations macro+f permettent de restituer les dynamiques hydriques au- delà de la capacité au champ de manière satisfaisante. Les humidités par couches de sol simulées sont plus proches de la moyenne des mesures que dans les simulations macro- avec un biais moyen

166

très faible et une plus faible dispersion autour de la valeur observée par couche de sol. Le biais dans les deux cas est inférieur à l’écart d’humidité moyen observé entre les sondes d’humidité qui est de 1.5%. Sur tournesol les simulations macro+ et macro+f semblent moins pertinents et surestiment le stock d’eau et en conséquence, surestiment le rendement de biomasse et le LAI en atténuant le stress hydrique. Sur les cultures d’hiver, colza et blé, l’activation de la macroporosité et des fentes de retraits semble préférable même si les différences de performances de simulation sans ces modules restent faibles.

167

Figure 80 : Réserve en eau sur 0-45 cm simulée et observée de 2005 à 2012 sur Auradé Flux pour les différentes modalités de formalisme. Les données simulées sont représentées par des lignes continues et les mesures par des points avec barres d’erreur.

168

Figure 81 : ETR simulée et observée de 2005 à 2012 sur Auradé Flux pour les différentes modalités de formalisme. Les données simulées sont représentées par des lignes continues et les mesures par des points.

169

Figure 82 : LAI et biomasse aérienne simulés et observés de 2005 à 2012 sur Auradé Flux pour les différentes modalités de formalisme. Les données simulées sont représentées par des lignes continues et les mesures par des points avec barres d’erreur correspondant à l’écart-type entre les 10-20 répétitions.

170

4.3.3 Conclusion

Conformément aux résultats obtenus avec l’analyse de sensibilité à la DA, l’activation seule du module macroporosité tend à fortement surestimer les humidités pendant les périodes où le sol est au-delà de la capacité au champ. Ainsi, il semble peu pertinent dans le cas des simulations sur Auradé d’activer ce module seul. Avec la simulation des fentes de retrait et donc un formalisme alternatif pour le calcul de la macroporosité, le modèle restitue un bilan d’eau plus réaliste que sans module de macroporosité puisque, sur les sols à propriétés vertiques la macroporosité tient une place particulière sur le bilan hydrique.

Parmi les points non abordés ici et pouvant être vus comme des atouts, l’activation de ce module permet également de désactiver le ruissellement sur la parcelle dès lors que les fentes de retraits apparaissent sur sol sec. C’est un phénomène avéré sur ce type de sol comme l’on démontré différentes études (Lado and Ben-Hur 2004; Arnold et al. 2005). Ainsi, même si les performances de simulations sont assez proches et satisfaisantes entre l’activation macroporosité + fentes de retraits et sans aucun module activé, il est plus réaliste d’activer ces modules. Enfin, la dichotomie entre les performances de simulation pour le bilan hydrique et celles pour la biomasse aérienne/LAI suggère une différence de représentativité entre les jeux de données. Cette observation se voit également sur les données seules où les phénomènes observés entre variables ne semblent pas toujours reliés (partie 3.1.3.2.1). Par ailleurs, sur les acquisitions des données biophysiques, le protocole de prélèvement pourrait être en cause comme l’analyse sur l’incertitude de la mesure le suggère.