1.3. DESCRIPTION DU PAYSAGE
Les données disponibles dans le projet décrivent l’occupation du sol dans un 565m de rayon (soit un cercle d’une superficie de 1km2) autour de la bordure de parcelles près de laquelle les mesures
biologiques ont été effectuées. Les taxons étudiés peuvent répondre de façon différenciée au paysage et suivant l’échelle considérée. Celle utilisée ici représente un compromis pour l’ensemble des bioagresseurs, les adventices étant principalement influencées par le paysage à une échelle locale (GABA et al., 2010), mais pouvant être plus importante (GABRIEL et al., 2005). Les pucerons sont eux
Variables échantillonnées Angers Dijon Rennes Total
Adventices × × × 74 Pucerons × × × (1 ; 2) 69 Larves de criocères × × × (1 ; 2) 69 Dégâts des criocères × × × (1 ; 3) 68 Adventices × × - 40 Dégâts des siliques × (1) × (1) - 26 Céréales Colza
Année Angers Dijon Rennes
2014 02/06 10/04 Courant mai 2015 01/06 15/04 08-15/04 2014 02/06 05/06 17/06 2015 01/06 09/06 - 2014 22/04 10/04 - 2015 21/04 02/04 - Ravageurs 2014 16/06 05/06 - Céréales Adventices Ravageurs Colza Adventices
ANR-12-AGRO-006 Livrables PEERLESS D1-2 & D1-3 7/26
davantage influencés par le paysage à grande échelle (O’ROURKE et al., 2011), mais des effets plus
locaux peuvent être observés (AL HASSAN et al., 2012).
Quatre classes d’utilisation du sol ont été considérées dans cette étude : la proportion en éléments semi-naturels (comprenant les zones boisées, les prairies et les friches), la proportion en cultures, celle en céréales d’hiver et celle en cultures d’oléagineux (comprenant le colza et les cultures de moutarde). Ceci a nécessité d’homogénéiser les différences de nomenclature entre sites. Le plus bas niveau de correspondance a ainsi été utilisé pour les cultures et éléments semi-naturels présents dans les différents sites. Les différentes cultures de céréales d’hiver des zones de Dijon et de Rennes ont par exemple été regroupées en une seule catégorie, similaire à la précision de la zone d’Angers. La plupart des cultures a cependant pu être distinguée de façon individuelle, comme le maïs ou le colza. Le recouvrement des différents milieux a été calculé à l’aide du logiciel ArcGIS (ESRI, 2015). Le choix des métriques paysagères utilisées dans chaque modèle a été dicté par la bibliographie et/ou certaines hypothèses écologiques. Nous avons ainsi retenu :
- La diversité du paysage. Elle peut influencer l’abondance des adventices (BOHAN & HAUGHTON,
2012) et impacte souvent positivement l’abondance d’ennemis naturels (CHAPLIN-KRAMER et al.,
2011). Ici, nous avons calculé deux indices de Shannon (𝐻′= − ∑ 𝑝𝑖× log(𝑝𝑖)). Le premier a été
calculé en intégrant les proportions des différentes cultures annuelles, hors maraichage, c’est à dire céréales d’hiver, cultures de printemps, oléagineux et cultures d’été (défini comme étant Shannon 1). Le second indice a été calculé en intégrant les cultures pérennes et les éléments semi-naturels (Shannon 2).
- La proportion en éléments semi-naturels et celle en cultures. Ces variables sont souvent utilisées pour décrire la complexité des paysages (e.g. THIES et al., 2005) et présentent des effets sur les
bioagresseurs, que ce soit par une augmentation de la richesse spécifiques des adventices ou de l’abondance des ravageurs (GABRIEL et al., 2005; MARTIN et al., 2013; PETIT et al., 2013).
- La proportion en culture hôte. Elle peut impacter les communautés de bioagresseurs en leur fournissant un habitat favorable pour leurs besoins en ressources ou en zones de ponte. Néanmoins, une forte présence de cultures hôtes dans le paysage peut conduire à des phénomènes de dilution (O’ROURKE et al., 2011).
1.4. DONNEES DE PRATIQUES AGRICOLES
Les données disponibles pour cette étude proviennent d’enquêtes réalisées chez les agriculteurs dans chaque site. Dans cette analyse, nous avons considéré la pression phytosanitaire et quelques autres pratiques susceptibles d’impacter l’abondance de bioagresseurs.
La pression phytosanitaire a été quantifiée comme suit.
Le nom et la dose des produits phytosanitaires utilisés, i.e. pesticides, ont été relevés, permettant d’obtenir l’indice de fréquence de traitement (IFT), calculé selon :
IFT = Dose de produit utilisé × Surface traitée Dose de référence du produit × Surface totale
Les IFT des produits ont été discriminés suivant la catégorie des cibles, i.e. entre fongicides, herbicides, insecticides et IFT total pour ceux utilisés dans cette étude. Les pesticides étant utilisés pour limiter les abondances de bioagresseurs, leur prise en compte était nécessaire. D’autre part, malgré le fait que certains bioagresseurs n’étaient pas spécifiquement visés par les traitements, des pesticides agissant sur une cible donnée peuvent impacter d’autres taxons, comme les herbicides sur les insectes ou les fongicides sur les plantes (NORRIS & KOGAN, 2000; GEIGER et al., 2010). Comme
quatre parcelles en céréales sur les 74 avaient été traitées avec des insecticides, seul l’IFT total a été considéré afin de déterminer l’impact de la gestion sur les populations et les dégâts des ravageurs. D’autre part, l’IFT fongicides a été pris en compte dans les analyses du couvert des plantes adventices.
ANR-12-AGRO-006 Livrables PEERLESS D1-2 & D1-3 8/26
La quantité d’azote minéral épandue sur la parcelle a également été considérée. Certaines études ont en effet détecté des effets négatifs sur les abondances des adventices (PETIT et al., 2016) et la
fertilisation minérale est connue pour son impact sur leur richesse spécifique (PETIT et al., 2013).
L’effet sur les ravageurs est néanmoins moins évident, mais certaines études mettent en avant un effet positif indirect via l’augmentation de la teneur en azote des plantes, notamment sur les populations de pucerons (AQUEEL & LEATHER, 2011; JONSSON et al., 2015).
Certaines parcelles étaient conduites en agriculture biologique, représentant 16 parcelles sur les 74 en céréales et 6 parcelles sur les 40 en colza. Comme les impératifs de gestion ne permettent pas l’utilisation de produits phytosanitaires de synthèse ni de fertilisation minérale, deux variables ont été prises en compte afin de garantir une variabilité au sein de cette catégorie de parcelles.
Le travail du sol est connu pour impacter les communautés d’adventices, notamment le labour (SANTIN-MONTANYA et al., 2013), et est un des moyens de gestion en agriculture biologique.
Toutefois, le nombre de travaux du sol n’était pas corrélé avec les autres types de gestion. Le nombre de passages mécaniques et de désherbages manuels sur la parcelle a donc été utilisé. Il prend en compte le nombre de travaux du sol, de traitements phytosanitaires, de fertilisations ainsi que le semis et la moisson.
Même si les parcelles en agriculture biologique ne peuvent pas utiliser de fertilisation minérale, celle organique est autorisée. Néanmoins, le calcul de cette fertilisation s’avère complexe et peut ne pas être fiable en utilisant des valeurs de référence ou sans considérer la cinétique de minéralisation de l’azote organique (BOUTHIER et al., 20XX). De ce fait et afin de prendre en compte cette action de
gestion, le nombre de fertilisations minérales et organiques a également été considéré, faisant également partie du nombre de passages.
L’ensemble de ces variables doit permettre de situer les parcelles étudiées sur un gradient d’intensité de gestion.
1.5. ANALYSES STATISTIQUES
PARTIAL LEAST SQUARE PATH MODELING
Les relations entre paysage, bioagresseurs, pratiques agricoles et rendement ont été analysées à l’aide de la méthodes de Partial Least Square Path Modeling (PLS-PM) (TENENHAUS et al., 2005;
SANCHEZ, 2013). Cette méthode statistique permet de modéliser les relations entre variables latentes
(VL), estimées à partir de variables observées, ou manifestes (VM). Cette analyse est de type « composantes » et présente divers intérêts. En effet, elle ne nécessite pas de prérequis vis-à-vis de la distribution des variables et ne requiert théoriquement pas un grand nombre d’observations (ESPOSITO VINZI,CHIN, et al., 2010).
Deux types de modèles coexistent en PLS-PM. Le modèle de mesure (ou outer model) décrit le poids (l’importance) de chaque variable manifeste dans la construction de sa variable latente associée (Figure 3). Les poids sont calculés de façon itérative en considérant le type de relation entre VM et VL (appelé mode) et celui du modèle interne (appelé schéma). Différents modes existent, mais deux ont été utilisés dans cette étude : le mode A (ou réflectif) et le mode PLScore. Sous le mode A, le poids des VM à leur VL associée est obtenu à l’aide de régressions linéaires simples. Dans ce mode, la VL doit décrire les VM la constituant et il est nécessaire que ces dernières soient fortement corrélées entre elles. Pour cela, les loadings entre VM et VL associée doivent être élevées, avec une valeur limite retenue ici de 0,7, comme préconisé par SANCHEZ (2013). Le mode PLScore utilise quant à lui la régression PLS dans le calcul des modèles externes (ESPOSITO VINZI,RUSSOLILLO, et al., 2010) et a été
utilisé afin de garantir une convergence des itérations des calculs des modèles PLS-PM. Après l’obtention des poids, les corrélations entre VM et leur VL associée sont calculées et sont appelées
ANR-12-AGRO-006 Livrables PEERLESS D1-2 & D1-3 9/26
Le modèle structurel (ou inner model) décrit les relations entre différentes VL. Plusieurs schémas internes existent également, mais celui utilisé ici est le path weighting. Il considère les relations précédentes dans l’estimation des corrélations et est moins sensible à des variations de signe entre itérations en cas de faible corrélation entre VL par rapport au schéma de type centroïde, principalement utilisé (SANCHEZ, 2013). Un coefficient de détermination R2 est associé à chaque
variable latente devant être expliquée par d’autres VL et exprime la qualité de prédiction de la régression multiple de la VL.
Des simulations par bootstraps sont par la suite réalisées afin de déterminer la significativité des relations entre variables latentes : dans le cas où l’intervalle de confiance à 95% de la corrélation n’inclut pas 0, la relation est considérée comme significative.
La qualité des modèles peut être déterminée à l’aide d’un indice de goodness of fit (GoF) qui prend en compte les modèles interne et externe. Plus l’indice GoF est élevé, plus le modèle a une forte puissance de prédiction (SANCHEZ, 2013).
MODELES REALISES
Cinq variables latentes ont été initialement considérées dans cette étude, suivant les relations présentées dans la Figure 4. Les variables paysagères ont été séparées en deux variables latentes afin de permettre une colinéarité des variables manifestes de chacune des VL de paysage.
Le mode A (ou réflectif) a été utilisé pour l’ensemble des VL mises à part celles des bioagresseurs, le
mode PLScore leur ayant été associé. Afin d’obtenir une colinéarité des variables manifestes du
Paysage 2, les proportions en cultures, céréales d’hiver et oléagineux ont été modifiées suivant l’opération 100-x (Tableau 4). Ces variables seront notées -(x) dans les représentations graphiques des modèles de PLS-PM.
Cinq modèles généraux ont été réalisés, suivant la culture et les bioagresseurs, avec une sélection de variables manifestes différentielle suivant leur loading (Tableau 4). Chacune des variables a été centrée-réduite pour effectuer les modèles de PLS-PM.