Synthèse des résultats

172

Conclusion et Perspectives

1. Synthèse des résultats

Mon travail s’inscrit dans le cadre du volet « approche territoriale » du projet MAISEO. L’objectif de ma thèse était de développer des méthodes permettant de fournir un diagnostic des besoins et consommations en eau et de la production du maïs à l’échelle d’un territoire. Une des applications de ce travail est de fournir des outils aux gestionnaires afin de les aider à mieux gérer la ressource en eau sur de grandes surfaces.

Pour répondre cet objectif, deux modèles ont été utilisés. Le modèle SAFY qui simule l’évolution du GAI, de la biomasse sèche aérienne et du rendement des cultures et le modèle SAFY-FAO qui résulte d’un couplage du modèle SAFY avec un module hydrique issu

de la méthode FAO (Allen et al., 1998). Une importante partie de mon travail de recherche a

consisté à coupler ces modèles à des images satellitaires optiques à haute résolution spatiale et temporelle.

J’ai donc exploité une quantité importante de données satellitaires optiques afin de construire les profils temporels des variables biophysiques (GAI, FCOVER) utilisés pour piloter les modèles. La qualité des corrections radiométriques, atmosphériques et géométriques effectuées au CESBIO sur les images et l’utilisation de l’outil BVNet pour en extraire les variables biophysiques ont permis d’obtenir des séries temporelles relativement peu bruitées et homogènes.

En complément de jeux de données satellitaires, de nombreuses données ont été

utilisées pour la calibration et la validation du modèle (mesures in situ, enquêtes

agriculteurs, cartes de rendement, données régionales etc.). Grâce aux campagnes de mesures pérennes (site expérimental de Lamothe) ou ponctuelles (ESU) et aux partenariats établis notamment dans le cadre du projet MAISEO, j’ai ainsi pu bénéficier d’un important jeu de données pour valider les estimations spatialisées des modèles.

La première partie de cette thèse portait sur l’estimation de la biomasse et du

rendement du maïs. Ce travail a été réalisé avec le modèle SAFY (Duchemin et al., 2008a).

Les estimations issues du modèle ont été comparées à des mesures in situ réalisées sur des

parcelles et des ESU de maïs entre 2006 et 2015, ainsi qu’à des cartes de rendement et des données statistiques par département (base de données Agreste). Le modèle reproduit correctement la dynamique de la biomasse sèche aérienne, avec une erreur de l’ordre de 16%. Les résultats obtenus pour le rendement à l’échelle locale sont également satisfaisants (R = 0.72 ; RRMSE = 16.2%). La comparaison avec les données Agreste montre que le modèle est également capable de reproduire correctement les rendements des maïs irrigués et non irrigués à l’échelle du département et pour plusieurs années (R = 0.96 ; RRMSE = 10%). La

Ce travail a conduit à modifier la méthodologie globale de calibration (Battude et al.,

2016) ainsi que les équations du modèle SAFY.

Nous avons proposé d’utiliser une fonction double logistique pour délimiter le cycle cultural afin de mieux contraindre certains paramètres du modèle. Cette approche a été

évaluée comparativement à celle utilisée dans les études précédentes (Claverie et al., 2012 ;

Veloso, 2014). Les analyses ont montré que la double logistique améliore la détection des dates clés du développement de la culture, permet d’exploiter un plus grand nombre de profils temporels et d’améliorer les estimations de la biomasse. Cette approche est très utile, surtout en début de croissance, lorsqu’on ne bénéficie pas de suffisamment d’images satellitaires pour construire les séries temporelles.

La calibration du modèle a également été améliorée. Un des objectifs était de

s’affranchir au maximum des données in situ. Nous avons proposé une modification des

équations du modèle SAFY permettant d’introduire une dynamique saisonnière des paramètres liés à la croissance de la culture : le SLA (Surface Spécifique Foliaire) et la ELUE (Efficience d’Utilisation de la Lumière Effective). Cette nouvelle version a permis d’améliorer les estimations de la biomasse en fin de cycle et du rendement, tant à l’échelle locale que régionale. La prise en compte de la dynamique saisonnière de la ELUE permet de reproduire de manière plus réaliste les processus d’allocation qui évoluent au cours du temps, ce qui s’est traduit par une augmentation des plus fortes valeurs de biomasse, qui avait tendance à saturer. Mais cette amélioration permet aussi, dans une certaine mesure, de compenser la saturation observée classiquement pour les fortes valeurs de GAI estimés à partie d’images satellitaires (GAI > 3).

La seconde partie de la thèse a consisté à aborder la problématique de la gestion de l’eau avec la simulation des besoins et consommations en eau. La première partie de ma thèse a permis de démontrer qu’un modèle de culture relativement simplifié (SAFY) et fortement contraint par des données de télédétection était capable de reproduire les biomasses et rendements du maïs à l’échelle régionale avec une bonne précision, mais ce modèle ne permet pas de simuler les besoins et consommations en eau de la culture. J’ai donc par la suite utilisé le modèle SAFY-FAO issu du couplage entre SAFY et un module de bilan hydrique. Pour évaluer les sorties de ce modèle nous avons bénéficié de six années de mesures de biomasse et de flux d’ETca sur une parcelle expérimentale ainsi que de relevés

d’irrigation (dates et doses) fournis par les agriculteurs et la CACG (Battude et al., 2017,

soumis). Ce travail a également conduit à quantifier l’impact de différents jeux de données utilisés en entrée du modèle. Nous nous sommes intéressés en particulier à la réserve utile (RU) du sol, au coefficient cultural de transpiration (Kcb), aux précipitations.

Nous avons ainsi montré que les données de RU issues de la carte des sols [

https://www.gissol.fr/le-gis/programmes/inventaire-gestion-et-conservation-des-sols-igcs-67+ ne permettaient pas d’obtenir une information fiable à l’échelle des parcelles induisant

des erreurs sur le cumul de l’ETca de l’ordre de - 33 mm sur la période de végétation. Des travaux sur l’obtention d’informations plus précices sur le sol sont à poursuivre. Une

1. Synthèse des résultats

174

reflexion plus poussée sur la façon de mieux utiliser cette carte dont l’échelle de restitution est fournie au 1/250 000 est également à envisager.

Nous avons également montré que l’utilisation du Kcb issu de la télédétection aboutissait à des volumes d’irrigations simulés inférieurs à ceux obtenus avec le Kcb optimal issu des tables de la FAO ou d’Arvalis. Le Kcb « satellite » révèle des potentialités intéressantes pour affiner les diagnostics des besoins en eau à l’échelle du territoire, car il permet d’observer la variabilité spatio-temporelle. De plus, son estimation ne nécessite pas la connaissance précise des stades phénologiques qui ne sont pas accessibles à l’échelle d’un territoire.

Nous avons montré que l’utilisation des données SAFRAN, comparativement à des relevés station, n’impacte pas significativement les estimations de l’ETca (R = 0.89 ; Biais = 0.16 mm), du moins sur notre jeu de données.

Ce travail m’a permis de valider les estimations de volumes consommés simulés par le modèle sur un ensemble de parcelles et trois périmètres irrigués (ASA). A l’échelle des ASA,

la corrélation est bonne (R = 0.94) mais il existe un biais important (- 0.36 hm³)

principalement dû aux incertitudes liées à la RU. Sur les parcelles de la CACG, ce biais est observé lorsque l’on utilise les données de la carte (- 55 mm), mais il est réduit lorsque l’on se sert de données de sol plus précises (- 20 mm).

Pour finir, l’apport du module hydrique pour l’estimation des rendements a été évalué en comparant les sorties des deux modèles. L’utilisation du module hydrique ne semble pas apporter d’amélioration significative sur l’estimation des rendements à l’échelle des départements que ce soit pour le maïs irrigué ou non irrigué. Ces résultats permettent de confirmer l’hypothèse selon laquelle le GAI serait un bon indicateur du développement des cultures en conditions optimales mais également en condition de stress (stress hydrique évalué ici). Ces conclusions sont toutefois bien évidemment dépendantes de la culture étudiée, du jeu de données utilisé pour la validation et de la méthode de spatialisation choisie. De plus amples analyses et un jeu de données plus conséquent sur les parcelles non irriguées seront indispensables pour confirmer ces résultats.