au niveau de la réserve utile peut être émise. Cependant, l’erreur sur l’estimation de la réserve utile serait de toute manière trop importante ( 150 mm) pour ramener les va- leurs estimées au voisinage des valeurs observées, bien que des phénomènes de remontées capillairesGuyot(2004) puissent être responsables d’une modification de la réserve utile estimée. La surestimation des rendements (Satolas, Dijon 1997 et 1999) serait plutôt liée à des facteurs limitants non identifiés sur le dispositif ou non pris en compte dans le modèle Champolivier and Boulday(1999).
Il apparaît que la prise en compte de caractéristiques variétales et de l’incidence de contraintes hydriques pour simuler l’allocation de la biomasse améliore finalement peu la prédiction du rendement sur ce jeu de données ( 16%) et ce, malgré une bien meilleure simulation des variables intermédiaires (LAI). La faible liaison entre amélioration de prédiction de l’indice foliaire et du rendement permet de mettre en cause la simulation de la biomasse ou de l’indice de récolte, pouvant dégrader la performance du modèle dans les dernières étapes de la simulation. Dans ces expérimentations, les poids de matière sèche n’ont pas été mesurés à maturité. Il est donc impossible de vérifier si les erreurs de prédiction constatées sur le rendement portent sur l’indice de récolte ou sur l’estimation de la biomasse à maturité.
9.4 Teneur en huile
Le module d’estimation de la teneur en huile des akènes développé et intégré dans la version actuelle présente une gamme de valeurs simulées de même amplitude que la gamme observée (Fig. 9.5). En revanche, si l’on distingue une corrélation positive entre la prédiction et la réalité, celle-ci est faible et la variabilité observée est mal représentée par ce modèle (Fig.9.5). La teneur en huile moyenne (années, variété et dates de semis) est plutôt bien rendue par le modèle excepté pour le site de Satolas (Fig. 9.4).
L’analyse des résultats par période de semis indique que la teneur en huile est de mieux en mieux simulée avec la tardiveté des semis : l’erreur moyenne ( 4%) reste identique mais les valeurs simulées témoignent mieux des effets environnementaux affectant la teneur en huile. Le modèle de prédiction de la teneur en huile prend explicitement en compte 3 facteurs : la variété, l’azote, et la lumière. La teneur en huile potentielle dépend largement de la quantité de rayonnement interceptée dans une période précise définie après la floraisonAguirrezabal et al.(2003). Ce jeu de donnée montre que le paramétrage de la conversion énergétique du rayonnement en huile, valable principalement lors de semis tardifs, pourrait être remis en cause.
D’autre part, le manque de corrélation entre valeurs observées et simulées indiquerait donc que d’autres facteurs environnementaux ou variétaux sont manquants dans le mo- dèle. La représentation actuelle propose une modélisation intégrative : il n’y a pas d’effet explicite d’une contrainte hydrique sur la teneur en huile, mais un effet indirect via une
9 Performances du modèle actuel et progrès par rapport à la version initiale Teneur en huile (%) 44 46 48 50
DIJ ECR LEV MGN SAT
Simulation Observation
Fig. 9.4: Teneur en huile moyenne (année, variété et date de semis) observées et simulées sur les 5 sites expérimentaux.
Observation Simulation 30 35 40 45 50 55 60 30 35 40 45 50 55 60 ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● ● ● ● ● ● ● ● Eff==−0.42 RMSE==3.2 S1 30 35 40 45 50 55 60 30 35 40 45 50 55 60 ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●● ● ● ● ● Eff==−0.08 RMSE==3.82 S2 30 35 40 45 50 55 60 30 35 40 45 50 55 60 ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● Eff==0.2 RMSE==3.58 S3 DIJ ECR LEV MGN SAT ● ● ● ● ●
Fig. 9.5: Qualité de prédiction de la teneur en huile des grains selon la date de semis.
interception diminuée. Cette évaluation indique que ce type de modélisation n’est pas idéal pour cette variable, mais la prise en compte d’effets explicite pose également le problème de la hiérarchisation des contraintes, avec le risque de sur-représenter un effet particulier.
10 Représentation de la variabilité identifiée sur un réseau
d’essai
Notre objectif est de déterminer en quoi un modèle de culture paramétré pour repré- senter 20 génotypes testés sur un réseau pluri-annuel et multilocal et soumis à différentes conduites culturales (eau, azote), est capable de rendre compte des effets du milieu, du génotype et des interactions génotype x environnement sur les variations de rendement et de teneurs en huile. L’objectif, est à terme, de pouvoir utiliser ce type de modèle pour prédire le comportement de nouveaux génotypes au sein de son domaine de validité défini principalement par la hiérarchie des facteurs limitants.
situation dpt sites ident. année RU irr. fert. semis récolte note 19 31 Auzeville AUZ 2001 225 0 51 17-avr 11-sept A 60 31 Auzeville AUZ 2000 225 81 121 22-avr 29-août A
62 45 Patay PAT 2000 150 0 60 4-mai 22-sept C
63 82 Le Pin PIN 2000 270 70 60 7-mai 20-sept C
64 82 Puylaroque PLR 2000 270 0 60 6-mai 25-sept A 65 18 Saint Florent SFL 2000 105 0 60 3-mai 18-sept B 66 36 Levroux-Trégonce LEV 2000 105 50 60 3-mai 12-sept B
68 86 Lusignan LUS 2000 270 0 60 5-mai 2-oct A
73 86 Chaunay CAY 2000 195 0 40 6-mai 5-oct B
74 31 Levignac/Saves SAV 2000 150 30 20 13-mai 18-sept B
75 82 Montech MON 2000 270 0 60 22-avr 11-sept B
76 41 Oucques OUC 2000 150 0 60 11-avr 8-sept B
77 81 Gaillac GAL 2000 120 60 40 25-avr 1-sept A
78 31 Gagnac GNA 2000 270 0 60 16-mars 23-août B
79 41 Blois BGY 2000 195 0 60 19-mai 7-oct B
80 16 Longré LON 2000 105 0 60 23-mai 24-oct B
81 31 Villenouvelle VNV 2000 270 0 60 14-avr 29-août B 83 82 Puy Laroque PLR 2001 270 35 60 12-mai 21-sept B 84 18 Saint Florent SFL 2001 105 20 60 22-mai 11-oct B
85 63 Lempdes LEM 2001 225 0 80 18-avr 7-sept A
87 81 Gaillac GAL 2001 120 60 40 25-avr 5-sept A
88 16 Ruffec RUF 2001 75 0 60 15-mai 21-sept C
89 32 Fleurance FLE 2001 105 0 60 2-avr 27-août B
Tab. 10.1: Synthèse des situations constitutives du réseau d’essai multilocal 2000-01 en vue de l’évaluation du modèle de culture.
Des observations destinées initialement à estimer le progrès génétique réalisé sur la culture de tournesol depuis 30 ans Vear et al. (2003) ont été remobilisées pour cette validation externe (Tab. 10.1). Ces observations couvrent un panel de 20 variétés sur 19 sites expérimentaux et deux années climatiques (2000, 2001) soit un total de 25 combinaisons « site x année » dénommées « situations » par la suite. Compte tenu
10 Représentation de la variabilité identifiée sur un réseau d’essai
de l’indisponibilité des données d’entrée météorologiques, deux situations n’ont pu être évaluées par modèle : le réseau simulé compte donc 23 situations. Le fait que ces expé- rimentations aient été conçues dans un objectif différent de l’évaluation de modèle pose un problème quand à la disponibilité des données environnementales caractérisant ces sites expérimentaux. Ainsi, l’estimation de l’erreur de prédiction du modèle peut être entachée d’une méconnaissance de la conduite de culture réalisée ou par l’utilisation de données météorologiques trop distantes du site expérimental. Enfin, ces données n’ont pas été utilisées pour optimiser le modèle : il s’agit donc d’une réelle évaluation externe portant sur 3 des variables observées (date de floraison, rendement et teneur en huile).
L’environnement d’un essai est caractérisé par le climat à proximité (maximum 30 km), la réserve utile du sol (estimations en mm), la fertilisation azotée (en kg/ha), l’irri- gation (mm) et les dates de semis et de récolte. Le niveau de complétude de ces données environnementales est résumé par une note de « A » à « C ». Pour un environnement défini par deux informations (en plus du climat) : sol, conduite ; une note « A » cor- responds à deux informations, « B » une des deux manque et « C » seul le climat est disponible.