Relations entre les caractéristiques pédologiques et les pratiques de fertilisation et de conservation des sols

(1)

Relations entre les caractéristiques pédologiques et les

pratiques de fertilisation et de conservation des sols

Thèse

Michaël Leblanc

Doctorat en sols et environnement

Philosophiae doctor (Ph.D.)

(2)

Relations entre les caractéristiques pédologiques et les

pratiques de fertilisation et de conservation des sols

Thèse

Michaël Leblanc

Sous la direction de :

(3)

Résumé

La connaissance des sols est primordiale pour traiter des enjeux agronomiques et environnementaux comme ceux de la production de nourriture, de l’utilisation efficace des nutriments et de la conservation des sols. Ce projet de doctorat a comme objectif de proposer des modèles reliant les caractéristiques pédologiques à la gestion des pratiques de fertilisation et de conservation des sols, en particulier, des sols sous culture de pommes de terre (Solanum tuberosum L.). Il comprend trois parties. D’abord, la méthode du pH Shoemaker-McLean-Pratt (SMP), non respectueuse de l’environnement, s’est montré être inadéquat pour déterminer les besoins en chaux (LR) des sols nécessitant de faibles pHH2O cibles (< 6.5) ou pour maintenir des pH adéquats avec de faibles LR (< 1.5 g CaCO3 kg-1_{). La spectroscopie infrarouge a permis une estimation précise de la} capacité d’échange cationique déterminée à l’acétate d’ammonium (pH 7.0) (CEC-NH4OAc). La CEC-NH4OAc inférée dans un intervalle de prédiction de ± 2.3 cmolc kg-1_{permet d’élaborer un modèle d’estimation précis du} LR pour atteindre le pH cible. Afin d’orienter les pratiques bénéfiques à la qualité des sols, des critères diagnostiques du degré d’agrégation des sols ont été élaborés en relation avec leur composition (texture, C organique) en utilisant la prairie comme système cultural de référence. Ensuite, les cultures annuelles ont montré un effet négatif plus important sur la stabilité des agrégats en sols argileux, alors que les sols loameux et sableux se sont montrés plus susceptibles à la dégradation de la structure à de faibles teneurs en C organique. Les indices courants d’agrégation basés sur le diamètre moyen des agrégats se sont montrés moins adéquats au développement de seuils critiques comparativement aux indices fractal et compositionnel. Afin d’intégrer les caractéristiques pédologiques aux modèles de réponse de la pomme de terre aux fertilisants, un regroupement numérique de séries de sols a finalement été développé à partir des descriptions morphologiques des profils modaux. Le gradient textural et les deux principaux processus pédogénétiques (podzolisation, gleyification) ont été synthétisés en trois classes d’appartenance floue permettant une expression graduelle des groupes de sols en appui aux modèles de réponse aux ajouts de fertilisants. Ce projet présente des approches innovantes de synthèse et d’interprétation des connaissances pédologiques appuyées par des techniques d’analyses numériques afin d’orienter les bonnes pratiques culturales contribuant à la pérennité des agroécosystèmes.

(4)

Abstract

Soil knowledge base is fundamental to address environmental and agronomic issues such as food production, efficient use of nutrients and soil conservation. This project aimed to provide models linking pedological characteristics to management practices of crop fertilization and soil conservation, specifically to guide potato (Solanum tuberosum L.) cropping. This Ph.D. project comprises three parts. First, the Shoemaker-McLean-Pratt (SMP) pH buffer, that contains noxious substances, showed to be inappropriate to support lime requirement (LR) determination of soils requiring low target pHH2O (< 6.5) or to maintain adequate pH levels at low LRs (< 1.5 g CaCO3 kg-1_{). Cation exchange capacity determined by the ammonium acetate (pH 7.0)} method (CEC-NH4OAc) can be accurately estimated from infrared spectroscopy (IR). The CEC-NH4OAc inferred by IR spectroscopy within a prediction interval of ± 2.3 cmolc kg-1_{allowed supporting an accurate} estimation model of LR to achieve a target pH as alternative to the SMP buffer method. To guide beneficial cultural practices that enhance soil quality, diagnostic criteria of soil aggregation degree were elaborated thereafter in relation with soil composition (texture and organic C) using grassland as reference cropping system. Annual cropping systems showed more deleterious effect on the aggregate stability of clayed soils compared to other textural classes, while loamy and sandy soils were shown to be more susceptible to soil structure degradation at lower organic C content. The current aggregation indices based on the weighted and geometric mean diameter of aggregates was less appropriate to develop critical values compared to fractal and compositional indices. Finally, to integrate pedological characteristics of subsoil into potato fertilization response models, a numerical clustering of soil series has been developed using morphological descriptions of modal profiles. The textural gradient and the two major pedogenic processes (podzolization, gleying), which are primarily associated with water regime, were synthesized into three continuous soil classes allowing a gradual expression of soil groups for integration into crop response nutrient models. This project presents innovative approaches to synthesize and interpret the pedological knowledge as supported by digital analysis techniques to guide good cultural practices that contribute to the sustainability of potato agro-ecosystems and their ecosystem services.

(5)

Table des matières

Résumé ... iii

Abstract ... iv

Table des matières... v

Liste des tableaux ... vii

Liste des figures ... viii

Liste des abréviations ... xi

Remerciements ... xiii

Avant-propos ... xiv

Chapitre 1: Introduction générale ... 1

1.1 Introduction ... 1

1.2 La pédologie et le concept de qualité des sols ... 2

1.2.1 Les classes pédologiques ... 2

1.2.2 La qualité des sols ... 3

1.2.3 La relation entre les classes pédologiques et la qualité des sols ... 7

1.2.4 La résilience des sols ... 8

1.3 La classification des sols ... 9

1.3.1 Les systèmes de classification des sols ... 10

1.3.2 La classification numériques des sols ... 13

1.4 Mesure et analyse de données numériques de sols ... 14

1.4.1 La spectroscopie infrarouge ... 14

1.4.2 L’analyse de données compositionnelles ... 15

1.5 Hypothèses et objectifs ... 18

1.6 Bibliographie ... 19

Chapitre 2: Lime requirement using Mehlich-III extraction and infrared-inferred cation exchange capacity ... 30

2.1 Résumé ... 31

2.2 Abstract ... 32

2.4 Material and methods ... 34

2.4.1 Soil properties ... 34

2.4.2 Soil-lime incubations ... 35

2.4.3 Near- and mid-infrared spectra ... 35

2.4.4 Soil collection for pedotransfer functions... 35

2.4.5 The estimated exchangeable acidity index ... 35

2.4.6 Statistical analysis ... 36

2.5 Results and discussion ... 38

2.5.1 Soil properties in the lime incubation study ... 38

2.5.2 Conversion equations ... 38

2.5.3 Pedotransfer functions for CEC... 38

2.5.4 Relationship between lime requirements and SMP and EEA indices ... 39

2.5.5 Performance of the EEA index using IR-inferred CECs ... 40

(6)

2.6 Conclusion ... 41

2.7 Acknowledgements ... 41

2.8 References ... 43

Chapitre 3: Critical values of wet aggregate-size distribution indices for soil quality assessment ... 64

3.1 Résumé ... 65

3.2 Abstract ... 66

3.4 Material and methods ... 67

3.4.1 Soil collection and analysis ... 67

3.4.2 Transformation of compositional data ... 68

3.4.3 Synthetic soil aggregate indices ... 69

3.4.4 Statistical analysis ... 70

3.5.1 Soil aggregation indices ... 71

3.5.2 Soil composition effects on aggregation... 72

3.5.3 Critical values according to soil composition ... 72

3.5.4 Critical values by soil textural groups ... 73

3.5.5 Effects of annual cropping system on aggregation ... 73

3.5.6 Calibration set size requirement ... 73

3.6 Conclusion ... 74

Chapitre 4: Numerical clustering of soil series using morphological profile attributes for potato ... 97

4.1 Résumé ... 98

4.2 Abstract ... 99

4.4 Materials and methods ... 100

4.4.1 Legacy database of profile descriptions of soil series ... 100

4.4.2 Transformation of morphological data ... 101

4.4.3 Dissimilarity measure between soil profiles ... 102

4.4.4 Continuous classification of soil profiles ... 103

4.4.5 Statistics of the aggregated depth functions ... 103

4.5.1 Clustering of modal soil profiles ... 104

4.5.2 Cluster memberships of individual soil series ... 105

4.5.3 Domain limit of the clusters ... 106

4.5.4 Comparison of genetic horizons indexed with basic properties... 106

4.6 Conclusions ... 106

Chapitre 5: Conclusion générale ... 118

5.1 Conclusions ... 118

5.2 Perspectives ... 119

(7)

Liste des tableaux

Tableau 1.1. Exemples d’indicateurs de la qualité des sols (USDA 2001). ... 4

Tableau 1.2. Exemples de guides d’inspection et d’évaluation de la qualité des sols (voir texte pour définition des catégories). ... 5

Tableau 1.3. Exemples de critères physiques de qualité des sols. ... 6

Tableau 1.4. Équivalence taxonomique des classes de sols minéraux des régions agricoles du Québec. ... 11

Table 2.1. Spectral pretreatment and model calibrated to predict clay content, CEC-NH4OAc and lime requirement (LR) from near- (NIR) and mid-infrared (MIR) spectral bands. ... 48

Table 2.2. Chemical properties of the 50 soils used in the lime incubation study. ... 49

Table 2.3. Relationships between total C (CCNS) and Walkley-Black organic C (OCWB) and between Mehlich III (MIII) and ammonium-acetate (pH 7.0) exchangeable (ex) K, Ca and Mg for soils with OCWB < 90 g kg-1_{. ... 50}

Table 2.4. Cross-validation performance of Shoemaker-McLean-Pratt (SMP) buffer and estimated exchangeable acidity (EEA) models using CEC-NH4OAc measured and CEC-NH4OAc inferred directly from near- (NIR) and mid-infrared (MIR) or from Walkley-Black organic C (OCWB) and NIR- and MIR-predicted clay contents to predict LR at four target pHH2O. ... 51

Table 2.5. Regression models between lime requirement (g CaCO3 kg-1_{) (y) and Shoemaker-McLean-Pratt} (SMP) buffer and estimated exchangeable acidity (EEA) using measured CEC-NH4OAc (x), respectively, across the soil dataset of the liming experiment. ... 52

Table 3.1. Sequential binary partitioning of basic soil composition components. ... 79

Table 3.2. Sequential binary partitioning of soil aggregate-size components. ... 80

Table 3.3. Performance of SVM models to estimated reference values of aggregate indices. ... 81

Table 3.4. Critical value and area under the curve (AUC) of binary partition of aggregation indices by textural groups. ... 82

Table 4.1. Indexing value of selected genetic horizons of the Canadian system of soil classification. ... 110

(8)

Liste des figures

Figure 1.1. Schéma relationnel entre les bases de données, les pratiques culturales et les services

écosystémiques rendus par les sols associés à ce projet de doctorat. ... 2 Figure 1.2. Relation généralisée entre le rendement relatif d’une culture et la déviation à la masse volumique apparente (MVA) optimale (tirée de Kaufmann et al. 2010). ... 7 Figure 1.3. Conceptualisation de la qualité inhérente de deux sols différents (a) et de la qualité dynamique des sols évoluant en fonction du temps (a et b) (adaptée de Karlen et al. 2001). ... 8 Figure 1.4. Principe de travailler en système de coordonnées (adapté de Pawlowsky-Glahn et al. 2011). Les données de base (points noirs) sont transformées en coordonnées ilr, les statistiques (ellipse bleue couvrant 95% de la distribution théorique autour du centroïde) sont calculées et exprimées dans l’espace

compositionnel par transformation retour des ilrs. ... 17 Figure 2.1. Particle size distribution of lime study soils. Polygon limits represent the USDA textural classes. . 53 Figure 2.2. Distribution of clay and Walkley-Black organic C contents in the soil collection used to develop pedotransfer functions for CEC-NH4OAc and for the soils of the lime incubation experiment. ... 54 Figure 2.3. Relationship between measured CEC-NH4OAc and CEC-NH4OAc predicted from Walkley-Black organic C and clay contents for the cross-validation (empty dots) and validation (filled dots) data. ... 55 Figure 2.4. Continuum-removed absorbance of the near- (a) and mid-infrared (b) spectra for the soil of the collection and the lime incubation experiment. ... 56 Figure 2.5. Relationships between laboratory-determined clay content and clay content predicted using near- (NIR) (a) and mid-infrared (MIR) (b) for cross-validation (empty dots) and validation (filled dots) data. ... 57 Figure 2.6. Relationships between laboratory-determined CEC-NH4OAc and CEC-NH4OAc predicted from Walkley-Black organic C (OCWB) and clay contents predicted using near- (NIR) (a) and mid-infrared (MIR) (b) in Eq. 2.6 for cross-validation (empty dots) and validation (filled dots) data. ... 58 Figure 2.7. Relationships between laboratory-determined CEC-NH4OAc and CEC-NH4OAc predicted using near- (NIR) (a) and mid-infrared (MIR) (b) for cross-validation (empty dots) and validation (filled dots) data. .. 59 Figure 2.8. Relationships between incubation lime requirement (LR) and Shoemaker-McLean-Pratt (SMP) buffer (on the left) and estimated exchangeable acidity (EEA) from measured CEC-NH4OAc (on the right) at four target pHH2O. Regression equations are presented in Table 2.5. ... 60 Figure 2.9. Relationships between incubation lime requirement (LR) and estimated exchangeable acidity (EEA) index using CEC-NH4OAc inferred directly from near- (NIR) and mid-infrared (MIR) or from Walkley-Black organic C (OCWB) and NIR- and MIR-predicted clay contents at four target pHH2O. Lines represent regressions between LR and EEA index using laboratory-determined CEC-NH4OAc as presented in Table 2.5. ... 61 Figure 2.10. Binary partition of the relationship between the absolute prediction errors of infrared (IR)-inferred CEC-NH4OAc and lime requirement (LR) predicted from estimated exchangeable acidity (EEA) model using IR-inferred CEC-NH4OAc at target pHH2O of 7. The CEC-NH4OAc was inferred directly from near- (NIR) and mid-infrared (MIR) or from Walkley-Black organic C (OCWB) and NIR- and MIR-predicted clay contents. The threshold value of ±2.29 cmolc kg-1_{for the IR-inferred CEC-NH4OAc was computed for a LR error of}

1.29 g CaCO3 kg-1_{with an area under the curve of 90.3% from the receiver operating characteristic curve. ... 62} Figure 2.11. Relationships between lime requirements (LR) derived of estimated exchangeable acidity (EEA) model and predicted by mid-infrared at four target pHH2O for the cross-validation (empty dots) and validation (filled dots) data. ... 63 Figure 3.1. Soil particle size distribution for a) grassland, b) cereals, c) maize and d) potatoes systems. Polygon limits represent the USDA textural classes. ... 83

(9)

Figure 3.2. Boxplot of soil organic carbon by textural group and cropping system. Diamonds represent

averages. ... 84 Figure 3.3. Geometric representation of the balance aggregation index (BAI) computed into a coordinate system using isometric log-ratio (ilr) transformations of aggregate composition. The BAI index represents the orthogonal projection of vector a, defined by the ilr coordinates of the aggregate composition (x), onto vector b, defined by the ilr coordinates of the ultimate aggregation (N) and the ultimate disaggregation (M)

compositions, expressing the linear gradient of the aggregation balance between ultimate structures. The figure is representative of a three-part composition but BAI can be computed for a D-part composition into a D-1 coordinate system. ... 85 Figure 3.4. Bi-plot a) of aggregate-size balances along the first two principal components and b) correlation circle of synthetic indices, composition and aggregate-size balances (Tables 3.1-3.2) with the first two principal components of aggregate-size balances. Filled white circles represent centroid and elliptical areas scanning 95% of the theoretical distribution of grassland (G), cereals (C) maize (M) and potatoes (P) cropping systems. BAI = balance aggregation index; Df = scaling fractal coefficient; MWD = mean weight diameter; GMD = geometric mean diameter; ilr = isometric log ratio of basic components (C-) and aggregates (A-). ... 86 Figure 3.5. Boxplot of soil aggregation indices. Diamonds represent averages. ... 87 Figure 3.6. Relationships between aggregate balance A-ilr1 ([1-8 mm | ≤ 1 mm]) and composition balances a) C-ilr2 ([sand | silt, clay]) and b) C-ilr3 ([silt | clay]) by cropping system. ... 88 Figure 3.7. Relationships between aggregate balance A-ilr1 ([1-8 mm | ≤ 1 mm]) and composition balance [organic C | mineral] by cropping system and textural group. ... 89 Figure 3.8. Boxplot of soil organic carbon in grassland cropping system by drainage class (1: very rapid; 2: rapid; 3: well; 4: moderately well; 5 imperfect, 6: poor; and 7: very poor (Day, 1982)) and textural group. Diamonds represent averages. ... 90 Figure 3.9. Relationships between the delta (∆) value and the predicted aggregate index and the density distribution of delta values for grassland testing dataset. ... 91 Figure 3.10. Cumulative distribution function of delta (∆) values and relationship between optimal coverage probability (OCP) and the confidence level for soil aggregate indices Df and BAI. Critical values of 0.72 and 1.37 at 0.95 percentile, respectively for Df and BAI, are represented by empty dots. ... 92 Figure 3.11. Soil aggregate-size distribution for a) clayey (G1), b) loamy (G2) and c) sandy (G3) textural group. Shaded area covers below-optimal aggregation states using the critical values of BAI (Table 3.4). ... 93 Figure 3.12. Relationships between the delta (∆) value of BAI in reference to grassland and the composition balance [sand | silt, clay] by cropping system. Dashed lines represent the critical value of 1.37 (points above the dashed line indicate critical disaggregation). ... 94 Figure 3.13. Relationships between the delta (∆) value of BAI in reference to grassland and the composition balance [organic C | mineral components] by cropping system and textural group. Dashed lines represent the critical value of 1.37 (points above the dashed line indicate critical disaggregation). ... 95 Figure 3.14. Size of training data sets to establish a) the critical value of ∆ BAI at a confidence level of 95% and b) the optimal coverage probability (OCP) on the testing data set. Dots represent averages and the shaded area covers the 5th to 95th percentile of 100 iterations for each size of data set randomly selected in the training data set (n = 1546). ... 96 Figure 4.1. Number of modal soil profiles (a) and fertilizer trial sites (b) by soil series. Soil series code refers to the updated file of soil names of Québec (Lamontagne and Nolin, 1997). For brevity, soil series variants were amalgamated into the corresponding soil series. ... 112 Figure 4.2. Summary of the numerical clustering process of soil profiles. ... 113 Figure 4.3. Distribution of the maximum fuzzy membership (max mc) to clusters A, B and C of modal soil profiles in fertilizer trials (a) and correlation circles of clr-transformed textural components and pedogenetic

(10)

features (see Table 4.1 for descriptions) of B and C horizons along the first two principal coordinates. Filled white circles represent exemplar positions and elliptical shaded areas cover 95% of the theoretical distribution of clusters A, B and C. ... 114 Figure 4.4. Aggregated depth functions of morphological variables (see Table 4.1 for descriptions) by soil class (A, B, and C) of trials-associated modal profiles. Black lines represent the mean and shaded area coverage ± standard deviation computed for each 1 cm layer. Dots represent observed values at midpoint of genetic horizons. ... 115 Figure 4.5. Distribution of the fuzzy membership to the extragrade cluster (m*) for all modal profiles of soil series along the first two principal coordinates. Filled white circles represent exemplar positions for clusters A, B and C. ... 116 Figure 4.6. Principal component analysis of genetic horizons of soil profiles of experimental sites using

variables of Fig. 4.6b (a). Correlation circles of color and chemical variables (b) and pedogenetic features (c) (see Table 4.1 for descriptions) along the first two principal components. Filled white circles represent centroid and elliptical shaded areas cover 95% of the theoretical distribution of genetic horizon suffixes. ... 117

(11)

Liste des abréviations

alr additive log-ratio (log-ratio additif)

AUC area under the receiver operating characteristic curve BAI balance aggregation index

BRT boosted regression trees

CEC cation exchange capacity (capacité d’échange cationique) clr centered log-ratio (log-ratio centré)

Df fractal scaling factor EA exchange acidity

EEA estimated exchange acidity FIR far-infrared (lointain infrarouge) FKMe fuzzy k-means with extragrades GMD geometric mean diameter

ilr isometric log-ratio (log-ratio isométrique) IR infrared (infrarouge)

LR lime requirement

m* fuzzy membership to the extragrade cluster max mc maximum fuzzy membership to clusters MIR mid-infrared (moyen infrarouge) MVA masse volumique apparente MWD mean weight diameter

NIR near-infrared (proche infrarouge)

OC organic carbon

OCWB Walkley-Black organic carbon OCP optimal coverage probability pHCaCl2 pH in CaCl2

pHH2O pH in water

PLSR partial least squares regression PTF pedotransfer function

R2 _{coefficient of determination} RMSE root mean square error

ROC receiver operating characteristic SBP sequential binary partition SMP Shoemaker-McLean-Pratt SVM support vector machine

(12)

L'or de l’éveil est dans le sol de notre esprit,

mais si nous ne creusons pas, il reste caché.

(13)

Remerciements

Je tiens à remercier mon directeur de recherche, le professeur Léon-Étienne Parent, pour m’avoir guidé, aidé et conseillé tout au long de ce projet de doctorat. Je vous suis grandement reconnaissant pour les nombreuses opportunités et ouvertures interdisciplinaires dont vous m’avez fait bénéficier au cours de ma formation. Mes sincères remerciements pour votre confiance, votre rigueur scientifique et votre inspiration. Je voudrais remercier le Dr Dominique Arrouays, INRA Orléans, France, le professeur Michel Caillier, Université Laval, également pré-lecteur de la thèse, et la professeure Josée Fortin, Université Laval, pour avoir accepté d'être membres du jury d'évaluation. Vos commentaires et suggestions ont contribué à améliorer cette thèse.

La réalisation de ce projet a été rendue possible grâce à la participation de nombreux collaborateurs. Je tiens donc à remercier Gilles Gagné pour son soutien, son entière disponibilité et le partage de ses connaissances en pédologie, le Dr Serge-Étienne Parent pour ses nombreux conseils et ses suggestions en programmation et graphisme et les échanges sur les concepts et techniques d’analyse de données compositionnelles, Élizabeth Parent et Marie-Hélène Lamontagne pour leur laborieux et efficient travail réalisé en laboratoire, leur aide et leur dévouement à l’équipe, Nicolas Samson pour son aide, sa disponibilité et ses encouragements quotidiens, le Dr Jérôme Fortin-Goulet pour ses conseils en modélisation, ainsi que le personnel du Département des sols et de génie agroalimentaire de l’Université Laval pour les conseils et l’aide reçus. Mes sincères remerciements à vous tous pour avoir contribué à ma formation et à la réalisation de ce projet. I express my gratitude to Professor Alex McBratney and Professor Budiman Minasny, The University of Sydney, Australia, for welcoming me in their research team for a training course in numerical soil classification. I also thank Philip Hughes and Sebastian Campbell for their support and the wonderful experience.

Finalement, je tiens à remercier toute ma famille et mes amis pour leurs pensées, leur soutien, leurs encouragements et les moments de qualité (parfois incongrus) partagés. À votre habituelle interrogation, je peux enfin répondre d’un très grand sourire.

(14)

Avant-propos

Cette thèse s’inscrit dans le cadre d’un projet intitulé « Mise en place de moyens pour améliorer les services écosystémiques de la pomme de terre » financé par une subvention de recherche et développement coopérative du Conseil de Recherches en Sciences Naturelles et en Génie du Canada (CRSNG-RDC) en partenariat avec les entreprises Cultures Dolbec Inc., Groupe Gosselin FG Inc., Agriparmentier Inc., Prochamps Inc. et Ferme Daniel Bolduc et Fils Inc.

La thèse est composée de cinq chapitres. Le chapitre 1 comprend une introduction et une revue de littérature des thématiques générales de la thèse. Le chapitre 2 est un article publié dans Soil Science Society of

America Journal portant sur un modèle de recommandation des besoins en chaux basé sur la capacité

d’échange cationique inférée par spectroscopie infrarouge et les cations non-acides extraits par la méthode Mehlich-III. Le chapitre 3 est un article soumis à la revue Frontiers in Ecology and Evolution portant sur les critères diagnostics des indices de distribution des agrégats en relation avec la composition granulométrique, le C organique du sol et les pratiques culturales. Le chapitre 4 est un article de conférence publié dans le livre

Digital Soil Morphometrics édité par A.E. Hartemink et B. Minasny dans Progress in Soil Science Series de Springer portant sur le regroupement numérique de séries de sols à partir des propriétés morphologiques des

profils en appui aux modèles de réponse de la culture de pomme de terre à l’ajout de fertilisants. Le dernier chapitre comprend une conclusion générale et une liste de recommandations et de perspectives futures. Les articles insérés dans la thèse ont été rédigés en anglais et je suis l’auteur principal de chacun d’eux. J’ai participé à certaines activités de laboratoire, mais la plupart des analyses originales de cette thèse ont été réalisées par Élizabeth Parent, Marie-Hélène Lamontagne, Nicolas Samson et Marie-Ève Tremblay, membres de l’équipe de recherche du professeur Léon-Étienne Parent à l‘Université Laval. J’ai contribué à la cueillette de données de terrain et j’ai réalisé la description des profils de sols des sites d’essais de fertilisation. J’ai été le responsable des analyses statistiques, de l’interprétation des résultats et de la rédaction des chapitres. Les co-auteurs des articles sont le Dr Léon-Étienne Parent, le Dr Serge-Étienne Parent et Élizabeth Parent de l’Université Laval et Gilles Gagné du Centre d’Expertise et de Transfert en Agriculture Biologique et de Proximité (CETAB+). Le chapitre 4 a bénéficié des suggestions des professeurs Alex McBratney et Budiman Minasny, The University of Sydney, Australie, pour l’élaboration du processus de classification numérique des profils de sols.

Les résultats de ces études ont été présentés au congrès de l’Association Québécoise de Spécialistes en Sciences du Sol en 2014 à Victoriaville à titre de conférence liminaire et à l’Inaugural Global Workshop on Digital Soil Morphometrics en 2015 à Madison, Wisconsin. Des travaux connexes aux chapitres de cette thèse ont également été présentés lors du 13th_{International Symposium for Soil and Plant Analysis en 2013 à}

(15)

Queenstown, Nouvelle-Zélande (géostatistiques de données compositionnelles) et lors d’un séminaire au Department of Environmental Sciences, The University of Sydney, Australie, en 2013 (conceptualisation de séries de sols par classification numérique) dans le cadre d’un séjour de 3 mois au sein de l’équipe de recherche des professeurs Alex McBratney et Budiman Minasny. Enfin, j’ai participé au 4th_{International} Workshop on Compositional Data Analysis en 2011 à Sant Feliu de Guixols, Girona, Espagne.

(16)

Chapitre 1: Introduction générale

1.1 Introduction

Le sol est une ressource fondamentale (Blanco-Canqui et Lal 2008). Il est à la base des services écosystémiques de soutien (support pour les plantes et les activités humaines), de régulation (cycles hydrologiques et biogéochimiques), d’approvisionnement (matières premières et production de biomasse) et culturels (patrimoine archéologique et composante des paysages) (Millennium Ecosystem Assessment 2005; Adhikari et Hartemink 2016). La connaissance des sols est primordiale pour traiter des enjeux agronomiques et environnementaux comme ceux de la production de nourriture, de l’utilisation efficace des nutriments et de la conservation des sols (Lal et Stewart 2013).

Par le passé, des bases de données ont été élaborées au Québec pour documenter la nature des sols, leur utilisation et leur qualité ainsi que la réponse des cultures aux pratiques culturales. Trois principales bases de données ont été constituées de façon indépendante : les données pédologiques provenant des inventaires pédologiques (1943-2010), les données sur la qualité des sols provenant de l’inventaire des problèmes de dégradation des sols agricoles (1990) et les données agronomiques sur la fertilisation des cultures et la conservation des sols (1958-2014).

À ce jour, les sols du Québec ont été classifiés en 665 séries selon une approche naturaliste et orientée vers un usage multidisciplinaire des sols. En regard d’objectifs agronomiques spécifiques, ces classes peuvent être agrégées. Ces regroupements pédologiques facilitent l’interprétation et la mise en relation des séries de sols avec d’autres paramètres relatifs à la fertilisation et à la conservation des sols. Les concepts de séries de sols sont construits principalement à partir des propriétés permanentes des sols. Par contre, la productivité des plantes est également influencée par des propriétés dynamiques. En lien avec les classes pédologiques, le développement d’indices et de critères de qualité des sols est donc crucial pour orienter les pratiques culturales.

Au Québec, le diagnostic de fertilité des sols pour les recommandations de fertilisation en éléments N, P et K est réalisé en fonction du type de culture, de la biodisponibilité des éléments nutritifs et pour certaines cultures, du groupe textural de la couche de surface de sols (Parent et Gagné 2010). Dans une approche holistique, la détermination des besoins en fertilisants doit être basée sur le potentiel de croissance spécifique qu’offrent aux cultures un site, une zone d’aménagement ou une région. Ce potentiel est lié à un ensemble d’éléments comme les propriétés pédologiques, la qualité des sols, les pratiques culturales et les conditions climatiques.

(17)

De nouvelles techniques de mesure comme la spectroscopie infrarouge sont désormais disponibles afin de quantifier les propriétés de sols et d’améliorer (coût, respect de l’environnement) l’évaluation de la ressource sols (Du et Zhou 2009; Soriano-Disla et al. 2014). Au cours des dernières années, des librairies spectrales dans la bande infrarouge ont été élaborées au Département des Sols et de Génie Agroalimentaire, Université Laval, pour des fins prédictives de diverses propriétés de sols.

Ce projet de doctorat vise à mettre en relation les caractéristiques pédologiques et de qualité des sols avec la gestion des pratiques culturales (Figure 1.1). Il fait appel à l’analyse de données compositionnelles et aux techniques de chimiométrie, de pédométrie et d’écologie numérique pour synthétiser et croiser les informations pédologiques, de qualité des sols, et agronomiques.

Figure 1.1. Schéma relationnel entre les bases de données, les pratiques culturales et les services écosystémiques rendus par les sols associés à ce projet de doctorat.

Ce premier chapitre introduit des concepts et des connaissances générales et énonce les hypothèses et les objectifs de ce projet de recherche visant à améliorer la prise de décision sur les services des agroécosystèmes en regard des pratiques de conservation et de fertilisation, et à faire avancer les connaissances agronomiques nécessaires à l’application des technologies d’agriculture de précision.

/DSpGRORJLHHWOHFRQFHSWGHTXDOLWpGHVVROV

/HVFODVVHVSpGRORJLTXHV

La pédologie est une discipline de la science du sol qui étudie la formation, la morphologie, la classification et la distribution des sols dans les pédopaysages (Gregorich et al. 2001). Le climat, les organismes, la

(18)

topographie, le matériau parental et le temps sont les cinq principaux facteurs de formation des sols qui définissent les caractéristiques morphologiques de la pédosphère (Jenny 1941). D’autres modèles basés sur des facteurs, des processus, des voies génétiques ou des concepts de thermodynamique ont été proposés pour quantifier les mécanismes de pédogenèse (Minasny et al. 2008; Stockmann et al. 2011). La relation facteurs → processus → propriétés a souvent été appelée le paradigme de la science du sol car plusieurs relations, modèles, hypothèses et concepts sont dérivés de l’équation factorielle de Jenny (1941) et de son lien entre les facteurs de formation et les propriétés des sols (Arnold 2006). De nombreux systèmes de classification des sols, nationaux et internationaux, basés sur les caractéristiques morphogénétiques (Isbell 1996; GTCS 2002; IUSS Working Group WRB 2014; Soil Survey Staff 2014) reposent sur cette prémisse de base de la science du sol (Bockheim et al. 2014). Ces systèmes sont principalement axés sur les propriétés intrinsèques, aussi qualifiées de permanentes, inhérentes ou statiques, que les mécanismes pédogénétiques font évoluer très lentement (Norfleet et al. 2003).

1.2.2 La qualité des sols

Bien que l’humain soit implicitement inclus parmi les organismes dans l’équation de Jenny (Amundson et Jenny 1991), il est reconnu que ses interventions et ses pratiques de gestion ont un impact particulièrement important sur l’évolution des sols (Dudal et al. 2002). Certaines propriétés des sols qualifiées de modifiables ou de dynamiques sont sujettes à changement sur des périodes relativement courtes sous l’influence des pratiques agronomiques (Nolin et al. 1993; Carter et al. 1997). Avec la reconnaissance des problèmes de dégradation des sols et la nécessité de promouvoir une gestion pérenne des agroécosystèmes, le concept de qualité des sols a été introduit (Carter et al. 1997). Diverses définitions de la qualité des sols ont été proposées (Karlen et al. 1997; Singer et Ewind 1998; Karlen et al. 2001), mais elles relèvent principalement de sa capacité à fonctionner à l’intérieur d’un écosystème afin de soutenir la productivité biologique, de maintenir la qualité de l’environnement et de promouvoir la santé végétale et animale (Doran et Parkin 1994).

1.2.2.1 Les indicateurs de qualité des sols

Des indicateurs intégrant des propriétés physiques, chimiques et biologiques (Tableau 1.1), pouvant également être dérivées d’équations de pédotransfert à partir des données pédologiques disponibles (Bouma 1989), permettent la comparaison et l’évaluation de la qualité des sols en regard de fonctions fondamentales du sol (Doran et Parkin 1994; Larson et Pierce 1994; Doran et Parkin 1996). Il est toutefois reconnu qu’un sol ayant une haute qualité pour une fonction peut ne pas être aussi bon pour d’autres fonctions (Nortcliff 2002). Le concept de qualité des sols intègre simultanément des fonctions et des propriétés de sols diverses et souvent conflictuelles (p. ex. les fortes teneurs en nitrate d’un sol peuvent être favorables à la croissance des plantes mais défavorables à la qualité de l’eau) (Sojka et Upchurch 1999). Letey et al. (2003) ont donc suggéré de relier les critères d’évaluation de la qualité des sols à une utilisation spécifique (c.-à-d. à une

(19)

situation réelle et envisageable de gestion et d’aménagement de l’agroécosystème) plutôt qu’à une capacité fonctionnelle du sol. Malgré les désaccords terminologiques, le concept de qualité des sols demeure un outil important pour la promotion et l’adoption de bonnes pratiques culturales contribuant à la pérennité des agroécosystèmes et de leurs services pour les générations futures (Karlen et al. 2003).

Tableau 1.1. Exemples d’indicateurs de la qualité des sols (USDA 2001). Indicateur Relation avec la qualité des sols

Matière organique Fertilité du sol; structure; stabilité; rétention des nutriments; réserve en eau utile; érosion

Physiques

Structure du sol Rétention et transport de l'eau et des nutriments; habitats des micro-organismes; érosion

Profondeur du sol et des racines Estimation du potentiel de production des cultures; compaction; semelle de labour Infiltration et masse volumique apparente Mouvement de l'eau; porosité; maniabilité du sol

Capacité de rétention en eau Réserve et disponibilité de l'eau

Chimiques

pH Seuils d'activité biologique et chimique Conductivité électrique Seuils d'activité des plantes et microbienne

N, P, K disponible Disponibilité des nutriments aux plantes; potentiel de perte du N et P

Biologiques

C et N de la biomasse microbienne Potentiel catalytique microbien et de réserve en C et N Potentiel de minéralisation du N Productivité du sol et potentiel de fourniture en N Respiration du sol Mesure de l'activité microbienne

Les indicateurs de qualité des sols peuvent s’exprimer le long d’un continuum allant de strictement analytique à complètement descriptif. Liebig et Doran (1999) ont catégorisé les approches d’évaluation en quatre groupes : [C1] analyses de laboratoire basées sur des protocoles bien établis et souvent considérées comme les standards auxquels les autres formes d’évaluation sont comparées, [C2] analyses au champ permettant de mesurer les indicateurs de qualité sur le site à l’étude, [C3] descriptions au champ reliant des observations visuelles et tactiles mais suivant des méthodes de classification spécifiques (p. ex. évaluation texturale terrain et description de la structure (Day 1982)) et [C4] perception des producteurs basée sur des évaluations organoleptiques ou sensorielles au champ, c’est-à-dire des informations pouvant être appréciées par les sens humains (vue, toucher, goût, ouïe et odorat). À travers ce continuum, des guides d’inspection et d’évaluation intégrant différents ensembles d’indicateurs de qualité ont été élaborés afin d’orienter la gestion et l’utilisation des sols (Tableau 1.2). Ces guides vont de la carte de pointage de qualité des sols afin d’améliorer la sensibilisation en regard de la ressource sols et d’encourager les producteurs à regarder sous la surface du sol au cadre d’évaluation quantitatif basé sur des critères diagnostiques.

(20)

Tableau 1.2. Exemples de guides d’inspection et d’évaluation de la qualité des sols (voir texte pour définition des catégories).

Catégorie Titre Pays/État Référence

C1 The Soil Management Assessment Framework USA Andrew et al. 2004 C1 The Development and Use of Soil Quality Indicators for Assessing the

Role of Soil in Environmental Interactions UK Merrington et al. 2006 C1 - C2 Cornell Soil Health Assessment New York Gugino et al. 2009 C2 - C3 Visual soil examination techniques as part of a soil appraisal

framework for farm evaluation

Australie McKenzie 2013 C2 - C3 The Muencheberg Soil Quality Rating Allemagne Müeller et al. 2007 C2 - C3 Soil quality test kit guide USA USDA 1999 C3† Soil profile description and evaluation Scotland Batey 2000 C3† Le profil cultural : une méthode d’étude in situ de la structure des sols

cultivés France Peigné et al. 2013

C3 L’évaluation visuelle de l’état du sol : la méthode du profil de sol

agronomique Québec Weill 2009a, Weill 2009b

C4 Farmer-based assessment of soil quality USA Romig et al. 1996 † Ces méthodes d’évaluation visuelle ont été comparées à plusieurs autres non-citées lors d’une rencontre terrain tenue en France par l’Institut National de la Recherche Agronomique et l’International Soil Tillage Research Organization (Boizard et al. 2005).

1.2.2.2 L’agglomération des indicateurs de qualité des sols

Dans le but d’évaluer globalement la qualité des sols, différentes approches ont été proposées pour agglomérer des ensembles d’indicateurs en indices synthétiques. L’analyse compensatoire combine, par sommation, plusieurs attributs pondérés selon leur importance relative. Cette pondération est déterminée par expérience, statistique ou modélisation (Romig et al. 1996; Wang et Gong 1998; Velasquez et al. 2007). L’équation de pédotransfert est une variante de l’analyse compensatoire où les indices de qualité sont évalués à partir de multiples propriétés disponibles (Bouma 1989). Avant d’être agglomérés en indices, les indicateurs peuvent être reliés à des fonctions ou services écosystémiques spécifiques (p. ex. productivité, protection de l’environnement) au moyen de fonctions de pointage (scoring functions) qui normalisent la valeur des indicateurs entre 0 et 1 (Andrews et al. 2004; Idowu et al. 2008; Wienhold et al. 2009). Ces fonctions de pointage, reflétant l’association entre les indicateurs et les fonctions du système, peuvent prendre la forme de « plus c’est mieux », « moins c’est mieux » ou « optimum local ». Elles sont établis par des valeurs de la littérature, par jugement d’experts ou par relations mathématiques (Karlen et Scott 1994; Wienhold et al. 2009). Pour une meilleure représentation des interactions entre les différents indicateurs, ces mêmes fonctions peuvent être définies comme des fonctions d’appartenance (membership) à l’intérieur de systèmes experts de logique floue. Ces systèmes d’inférence continue permettent d’agglomérer en une valeur unique plusieurs indicateurs de qualité selon les principes d’appartenance relative à différentes classes (McBratney et Odeh 1997; Kaufmann et al. 2009). L’indice de sensibilité moyen, établi par la moyenne des ratios traitement/témoin de chacun des indicateurs, est une mesure de synthèse relative en relation avec une

(21)

référence (Bolinder et al. 1999). L’analyse factorielle et l’analyse en composantes principales sont des techniques multidimensionnelles utilisées pour regrouper les indicateurs de qualité en un nombre inférieur de facteurs ou de composantes (Schipper et Sparling 2000; Shukla et al. 2006). Lorsque les indicateurs sont de nature compositionnelle, c’est-à-dire que la somme des indicateurs est contrainte à une constante (1 ou 100%), l’analyse compositionnelle permet de comparer, par une mesure unique de similarité (distance d’Aitchison), l’information relative associée à l’état d’un sol donné à celle d’une référence tout en évitant les biais inhérents à ce type de données associés à la redondance, à la dépendance d’échelle et à la distribution non-normale (voir aussi section 1.4.2) (Bacon-Shone 2011).

1.2.2.3 Les critères diagnostics de qualité des sols

Les deux principales approches pour évaluer les systèmes de gestion et d’aménagement sont l’évaluation comparative (système évalué en relation avec une solution alternative ou une référence) et l’évaluation dynamique (système évalué sur une base temporelle) (Larson et Pierce 1994). La comparaison ou le suivi de la qualité des sols permettent de qualifier ou de quantifier, souvent selon les concepts de « plus c’est mieux » ou « moins c’est mieux », selon qu’un système cultural soutient, dégrade ou améliore la qualité du sol (Karlen et al. 2001). Par contre, peu d’études ou d’inventaires rapportent des valeurs ou des intervalles de référence permettant d’interpréter les indicateurs ou les indices de qualité des sols (Karlen et al. 2006; Kaufmann et al. 2009). Le tableau 1.3 présente quelques exemples de critères physiques de qualité des sols.

Tableau 1.3. Exemples de critères physiques de qualité des sols.

Indicateur Critique Optimum Critique Référence

inférieur Min Max supérieur

Matière organique (%) 2.3 3 5 6 Craul 1999; Greenland 1981; Sojka et Upchurch 1999

Masse volumique apparente 0.9 1.2 1.4-1.6 Reynolds et al. 2007

(g cm-3₎ _1.29 _1.44 _{Carter 1990}

1.75 Reinert et al. 2008

<1.55 1.65 Shukla et al. 2004

1.15 1.68 1.30-1.88 Kaufmann et al. 2010 Macroporosité (%) 6 17 Drewry et al. 2008

9 13 Reynolds et al. 2008

6-8 30 40 Sparling et al. 2008

Conductivité hydraulique saturée (cm s-1₎

0.0001 0.005 0.0005 0.01 Reynolds et al. 2008

Par ailleurs, étant donné la variabilité des propriétés et la complexité des processus ayant lieu dans les sols aux échelles spatiale et temporelle, l’évaluation de la qualité des sols à l’aide des valeurs critiques doit être adaptée aux conditions spécifiques de chacun des milieux étudiés (Karlen et al. 2001). Les indices de qualité

(22)

et les valeurs optimales ne sont pas universellement applicables (Carter et al. 1997). Ainsi, les indices peuvent être développés sur la base de facteurs environnementaux inhérents comme la classe de matière organique (grade minéral vs organique), la texture, le climat, la période d’échantillonnage, la minéralogie, la région et la topographie (Andrews et al. 2004). Par exemple, puisque la masse volumique apparente (MVA) du sol est reliée à la texture, des équations de pédotransfert pour prédire la MVA optimale relativement à une fonction d’intérêt comme le rendement d’une culture peuvent être calibrées à partir de la composition texturale du sol. Des seuils critiques de MVA peuvent alors être établis selon le degré de déviation d’un spécimen par rapport à la MVA optimale (Figure 1.2) (Kaufmann et al. 2010). La MVA est un indicateur de compaction des sols qui est une forme de dégradation importante notamment dans les agroécosystèmes de la pomme de terre (Tabi et al. 1990; Stalham et al. 2006).

Figure 1.2. Relation généralisée entre le rendement relatif d’une culture et la déviation à la masse volumique apparente (MVA) optimale (tirée de Kaufmann et al. 2010).

Les difficultés liées au manque d'indicateurs communément convenus, leur fluctuation temporelle, le défi de recueillir certains de ces paramètres et le relativisme des valeurs centrées sur le jugement d’experts dans une variété d'environnements particuliers peuvent rendre l’évaluation de la qualité des sols inadéquate. C’est pourquoi une compréhension approfondie de la contextualisation du processus d’aide à la décision est nécessaire pour construire des évaluations de la qualité des sols utiles et fondées sur des données scientifiques (McBratney et al. 2012).

/DUHODWLRQHQWUHOHVFODVVHVSpGRORJLTXHVHWODTXDOLWpGHVVROV

La pédologie considère essentiellement les propriétés d’ordre génétique alors que la qualité des sols réfère aux propriétés dépendantes de la gestion et de l’utilisation des sols affectant principalement la couche de

(23)

surface (Norfleet et al. 2003), bien que certains phénomènes induits par l’homme puissent aussi être observés dans les horizons du sous-sol (p. ex. accumulation de phosphore lessivé et fixé par les hydroxydes [Andersson et al., 1998]). D’après Norfleet et al. (2003), la qualité des sols est une extension de la science pédologique où les indices de qualité des sols varient selon l’influence du facteur humain, mais dont la portée de cette variabilité est liée aux propriétés d’ordre génétique. Les propriétés intrinsèques sont donc utiles pour définir la valeur potentielle des indices de qualité des sols et la susceptibilité de ces propriétés à changer selon la gestion et l’utilisation de sols (Figure 1.3) (Grossman et al. 2001). L’évaluation de la qualité des sols requiert des bases de données interprétatives des propriétés intrinsèques et des propriétés dynamiques des sols.

Figure 1.3. Conceptualisation de la qualité inhérente de deux sols différents (a) et de la qualité dynamique des sols évoluant en fonction du temps (a et b) (adaptée de Karlen et al. 2001).

/DUpVLOLHQFHGHVVROV

La résilience a été définie comme la capacité d’un sol à récupérer son intégrité fonctionnelle et structurelle après avoir subi une perturbation (Seybold et al. 1999). La résistance, qui se différencie de la résilience, a été définie comme la capacité d’un sol à continuer de fonctionner sans changement suite à un bouleversement. Ainsi, pendant une perturbation, la qualité du sol dépend de sa résistance et, après cette perturbation, de sa résilience. Les perturbations étant omniprésentes dans les écosystèmes, les caractéristiques de résistance et de résilience deviennent des composantes fondamentales de la qualité des sols (Seybold et al. 1999).

Selon Schjønning et al. (2009), la stabilité du sol devrait intégrer les concepts de résistance et de résilience. Le terme vulnérabilité est étroitement mais inversement relié à la stabilité (Kay 1990). Jones et al. (2003) ont suggéré d’utiliser le terme « susceptibilité » pour désigner la vulnérabilité inhérente (p. ex. susceptibilité d’un sol à la compaction selon ses propriétés pédologiques), alors que la « vulnérabilité » devrait être associée aux facteurs extrinsèques comme les conditions climatiques (p. ex. vulnérabilité d’un sol à la compaction selon sa teneur en eau). La résilience et la résistance (ou la stabilité) peuvent être quantifiées, selon différents indices

(24)

de qualité, en comparant la capacité fonctionnelle d’un sol avant une perturbation à celle observée immédiatement après (résistance) et suite à une période de récupération (résilience) (Seybold et al. 1999). Par ailleurs, puisque l’utilisation et la gestion des sols font intégralement partie des agroécosystèmes, la résilience devrait être reliée à l’état d’équilibre d’un système agricole et non pas à l’état qui prévalait dans l’écosystème naturel d’origine (Blum 1997).

1.3 La classification des sols

La nature du sol varie à la surface de la planète. Les variations latérale et verticale de la pédosphère sont le résultat d’interactions complexes entre les processus de formation des sols dans leur contexte environnemental durant des périodes de temps variables (Nortcliff 2006; Stockmann et al. 2011). Les sols sont parmi les systèmes les plus complexes de la nature, possédant à la fois des propriétés de base résistant à l’altération et des propriétés sujettes à des changements relativement rapides d’ordre saisonnier, périodique ou induit par l’humain (Yaalon 2008). À travers cette variabilité et cette complexité, la classification est un outil important dans l’étude des sols, permettant d’établir l’ordre et les possibles relations entre les pédons et polypédons de localisations variées (Yaalon 2008).

La classification ou la catégorisation est un processus de tri ou d’arrangement d’objets en groupes sur la base d'un ou de plusieurs objectifs conformément à un système ou un ensemble de principes (Buol et al. 2011). La classification des sols est une structure abstraite permettant de mettre en ordre des informations multiples (Yaalon 2008). Les fondements des systèmes de classification sont établis par les principes d’objectif, de domaine et d’identité, et leur organisation est guidée par les principes de différenciation, de priorisation, de diagnostic et d’appartenance (Arnold 2005). Le processus de catégorisation établit, selon des principes logiques et de science cognitive, les différences et les similarités entre les sols pour assurer une meilleure efficacité d’emmagasinage, de récupération et de communication de l’information (Buol et al. 2011).

La principale raison pour classifier les sols est d’organiser l’information pédologique à l’aide de classes qui présentent des propriétés similaires et des comportements similaires à des interventions externes. Ainsi, il est convenu que la classification des sols établisse des regroupements ou des subdivisions permettant de 1) prédire leur comportement, 2) identifier les utilisations appropriées, 3) évaluer leur productivité, 4) identifier les problèmes potentiels et les solutions potentielles pour entreprendre des actions correctives, 5) extrapoler les connaissances acquises d’une localisation à une autre, 6) faciliter le transfert d’information et de technologie et 7) fournir une base solide pour justifier de futures recherches (Nortcliff 2006; Buol et al. 2011). Il est également reconnu qu’une classification ne peut être aussi bonne ou aussi mauvaise que l’objectif pour lequel elle est désignée (Arnold 2006) et qu’elle peut rarement servir tout aussi bien deux objectifs à la fois (Cline 1949). Ainsi, la clef du succès d’une classification est de définir correctement l’objectif de classification et de

(25)

sélectionner les propriétés et les critères de différenciation permettant d’atteindre cet objectif (Nortcliff 2006). La logique de classification reconnaît de nombreuses possibilités ou façons de regrouper les sources majeures de variation dans les propriétés de sols (Yaalon 2008). Une classification basée sur autant de caractéristiques que possible est la classification la plus naturelle qui est la mieux adaptée à des fins de généralisation (Nortcliff 2006). Les systèmes de classification dits naturels ou universels sont axés sur les concepts et les théories de la genèse du sol qui identifient les sols comme des entités naturelles reliées à d’autres composantes de l’écosystème (Buol 2003). Elles peuvent être très bonnes à un niveau d’interprétation générale mais moins valides à des fins spécifiques (Nortcliff 2006). Ainsi, d’autres systèmes plus pragmatiques dits techniques, utilitaires, pratiques ou interprétatifs, organisent et classifient les sols selon les propriétés mesurées à des fins spécifiques (Buol 2003).

À la base, toute définition crée deux classes : les entités qui sont incluses dans la définition et celles qui ne le sont pas. Ainsi, lorsque le sol est défini, il y le sol et le non-sol (Arnold 2006). Une classe relève de deux notions importantes, soit le concept central de la classe et les limites par rapport aux autres classes. Le concept central est un regroupement défini par un intervalle étroit de propriétés de sol qui décrit l’entité d’intérêt. Dans des schémas mutuellement exclusifs, les limites entre les classes sont rigidement fixées : l’appartenance est oui ou non. Lorsqu’une gamme de propriétés multiples qui se chevauchent est acceptée, les limites deviennent flexibles et l’appartenance conjointe peut être considérée. Une telle appartenance est souvent exprimée comme un pourcentage ou degré d’appartenance à chacune des classes qui se chevauchent. Ce concept est communément mentionné comme une classification basée sur la logique floue ou continue (fuzzy logic) (Arnold 2006).

C’est le propre d’un système de classification de générer des situations de chevauchement peu importe le niveau. Les critères établis pour un système national de classes mutuellement exclusives font qu'en certains endroits la plupart des sols ont des propriétés qui chevauchent la limite établie entre deux taxons (GTCS 2002). Ces systèmes ne peuvent permettre des groupements adéquats pour tous les sols sur un même territoire.

1.3.1 Les systèmes de classification des sols

1.3.1.1 La classification naturelle ou universelle des sols

L’objectif des systèmes nationaux et internationaux de classification des sols est d’abord de faciliter la communication de la connaissance sur les sols (Buol et al. 2011). Le système canadien de classification des sols comprend une organisation hiérarchique de plusieurs catégories qui permet de considérer les sols à divers degrés de généralisation. Les différenciations entre les taxons sont basées sur des propriétés du sol qui

(26)

propriétés qui reflètent la genèse du sol. La philosophie générale du système canadien est pragmatique, l'objectif étant d'organiser les connaissances sur les sols de façon raisonnable et utilisable. Les interprétations sont une seconde étape afin de valoriser efficacement l'information pédologique (GTCS 2002). Au Québec, les sols minéraux des régions agricoles sont classifiés en cinq principaux taxons (Ordre) du système canadien (Tableau 1.4).

Tableau 1.4. Équivalence taxonomique des classes de sols minéraux des régions agricoles du Québec. Système Canadien USA Soil Taxonomy Système International Chapitre (GTCS 2002) (Soil Survey Staff 2014) (IUSS Working Group WRB 2014) de la thèse Podzols Spodosols, quelques Inceptisols Podzols 2, 3 et 4 Gleysols Inceptisols, Entisols (Sous-ordres Aqu-) et _{quelques Alfisols} Gleysols 2, 3 et 4

Luvisols Alfisols (Udalfs) Luvisols 3

Brunisols Inceptisols, quelques Entisols (Psamments) Cambisols 2, 3 et 4

Régosols Entisols Fluvisols, Régosols 3

Les études de genèse et de classification des sols contribuent à la recherche et à l’acquisition de données pour d’autres champs d’étude, comme la disponibilité et la distribution des nutriments essentiels aux plantes dans différents types de sols (Buol et al. 2011; Leclerc et al. 2001; Leblanc et al. 2013). Une structure de classification des sols peut fournir les bases pour prédire des propriétés et des comportements individuels à partir des connaissances et des caractéristiques définies pour chaque classe (Nortcliff 2006). Néanmoins, l’interprétation du comportement des sols nécessite des étapes ou des raisonnements additionnels associés à des relations connues ou présumées entre le comportement et les propriétés mesurées (Ahrens et Arnold 2000). Ainsi, bien qu’il soit accepté que les classes taxonomiques puissent être regroupées, ou subdivisées et regroupées, pour permettre des prédictions spécifiques, les classes d’un système peuvent ne pas être de bons indicateurs, notamment du potentiel de séquestration du C (Simfukwe et al. 2011).

Les systèmes de classification sont basés sur les connaissances disponibles et ils sont susceptibles de changer avec l’évolution des connaissances (Buol et al. 2011). La classification reflète ce qui est connu; les bases de connaissances augmentent lorsque de nouveaux terrains sont explorés et de nouvelles techniques analytiques sont utilisées pour décrire et analyser les sols (Buol et al. 2011), comme les techniques de morphométrie numérique (spectroscopie infrarouge, spectrométrie par fluorescence de rayons X, microscopie électronique à balayage, radar à pénétration de sol (géoradar), conductivité électrique) (Hartemink et Minasny, 2014).

(27)

1.3.1.2 La classification technique, pratique, interprétative ou utilitaire des sols

Depuis longtemps, les scientifiques reconnaissaient l'importance de catégoriser les types de sol et leurs propriétés à l'égard de l'utilisation des sols, notamment à des fins agricoles (Carter et al. 1997). Les systèmes de classification sont des outils de gestion potentiellement importants, mais sont, en général, mal ou vaguement liés à la qualité du sol (MacEwan 1997). Les propriétés de la couche de surface ont une importance primordiale pour la croissance des plantes. La couche de surface influence la germination, est le siège de l’activité biologique, renferme une grande partie des réserves en nutriments, contient une proportion majeure des racines et est un facteur déterminant pour les pratiques de travail du sol. Par contre, les propriétés dynamiques de la couche de surface, lesquelles varient avec les pratiques de gestion, ne sont généralement pas considérées dans les systèmes de classification. La priorisation des caractéristiques stables du sous-sol et la sélection génétiquement inspirée des critères de différenciation des taxons ne relèvent pas nécessairement de l’utilisation des sols. Des systèmes de classification technique comme le Fertility Capability

Soil Classification (Buol et al. 1975; Sanchez et al. 2003) ont été conçus afin de combiner une partie des

données contenues dans les études de sols avec des informations additionnelles relevant directement de la croissance des plantes (Dudal 2003). L’Organisation des Nations Unies pour l'alimentation et l'agriculture (FAO 1998) a proposé un complément au système de référence mondiale de la ressource sols afin de prendre en considération les caractéristiques de la couche de sols de surface liées à la fertilité des sols et à leur aménagement. À travers le monde, des regroupements de sols relatifs au potentiel de libération du potassium basés sur le matériau (Heming 2004), la minéralogie (Srinivasa Rao et al. 2010; Britzke et al. 2012) ou les réserves non échangeables de potassium (Andrist-Rangel et al. 2010) ont été proposés afin d’orienter les recommandations en fertilisants. Au Québec, différents regroupements ont été proposés avec des objectifs spécifiques comme la fertilité (Nolin et al. 1989), la gestion du phosphore (Leclerc et al. 2001; Vézina et al. 2000) ou le comportement hydrologique (Gagné et al. 2013).

Pour déterminer le potentiel de production des sols, il est nécessaire de porter une attention spéciale aux conditions climatiques. Comme les sols avec des caractéristiques morphologiques et chimiques similaires peuvent se retrouver sous différents climats, certains systèmes de classification ont introduit le facteur climatique à différents niveaux de généralisation (p. ex. Soil Survey Staff 2014). Le nombre de subdivisions climatiques doit nécessairement être limité pour que le nombre de taxons du système de classification soit gérable. Or les données climatiques trop générales comme les moyennes annuelles d’humidité du sol et de température ne fournissent pas assez d’information pour être associées à des sites spécifiques. Ainsi, la superposition de données climatiques plus détaillées, indépendamment de la classification des sols, est à privilégier (Dudal 2003).

(28)

1.3.2 La classification numériques des sols

La classification numérique des sols relève du domaine de la pédométrie qui est définie comme l’utilisation de méthodes quantitatives (mathématiques, statistiques) pour étudier la distribution et la genèse des sols et comme moyen de préserver la ressource sol (McBratney et Minasny 2010). La classification numérique a émergé au cours des années 1950 et 1960. Le mouvement était alors essentiellement mené par les biologistes (Sneath et Sokal 1973). À cette période, les algorithmes de classification de type hiérarchique n’ont pas bien servi les pédologues puisque les populations de données de sols ne présentent pas ce mode d’organisation (Henderson et al. 2008). Ces techniques étaient principalement appliquées à des études locales de petite étendue (Moore et Russell 1966; Webster et Burrough 1972). Depuis, d’autres méthodes de classification numérique non-hiérarchique comme les k-moyennes (k-means) ont été appliquées avec plus de succès (De Gruijter et al. 1997; Triantafilis et al. 2001; Verheyen et al. 2001). Ces approches numériques permettent le traitement simultané d’un grand nombre de propriétés de sol sans avoir à identifier des propriétés à ordonner à divers niveaux d’une structure taxonomique (Powell et al. 1992). Avec l’avènement d’ordinateurs très performants ayant de grandes capacités d’emmagasinage et le développement des technologies d’observation et des techniques de traitement de données stimulant l’intérêt pour la quantification des données de sol, la taxonomie numérique a un avenir prometteur (Buol et al. 2011; Hartemink et Minasny 2014; Brevik et al. 2015).

Selon Arkley (1976), le processus de classification numérique comprend quatre étapes principales : la sélection et la standardisation des données, les mesures de similarité, les stratégies de tri et la présentation des classes. Bien que la sélection et le codage des propriétés demeurent subjectifs (Simpson 1964), les modèles de classification mathématique sont considérés moins intuitifs que les modèles mentaux du pédologue (Grunwald 2006) puisque les classes sont établies sur de l’information mesurée et des critères statistiques objectifs (McBratney et Minasny 2010). D’après Yaalon (2008), les méthodes d’assistance par ordinateur seraient plus applicables à la cartographie des sols et elles ne seraient pas susceptibles de remplacer les systèmes exhaustifs de classification des sols permettant les interprétations et les prédictions à des fins générales.Néanmoins, des travaux récents témoignent du potentiel de la taxonomie numérique aux échelles régionale et nationale (Odgers et al. 2011a; Odgers et al. 2011b; Láng et al. 2013, Hughes et al. 2014; Brevik et al. 2015) et un groupe de travail au sein de l’International Union of Soil Science est à l’œuvre pour proposer un système universel de classification des sols basé sur les principes de classification numérique (Hempel et al. 2013). Par ailleurs, la classification numérique pourrait être utilisée pour faire le pont avec les systèmes taxonomiques nationaux ou pour des schémas de classification alternatifs de mêmes données sous-jacentes, mais directement orientés vers des buts spécifiques (p. ex. générer un schéma de classification appuyant la prise de décision pour la prévention de l’érosion) (Beaudette et al. 2013).

(29)

1.4 Mesure et analyse de données numériques de sols

1.4.1 La spectroscopie infrarouge

La spectroscopie infrarouge (IR) est une technique permettant l’observation quantitative in situ et ex situ des sols, notamment associée au développement de la morphométrie et de la cartographie numérique (Hartemink et Minasny 2014; Brevik et al. 2015), qui a connu un intérêt croissant au cours des deux dernières décennies (Stenberg et al. 2010). La spectroscopie IR par réflectance diffuse est une technique analytique rapide et peu coûteuse (la préparation d’échantillon implique uniquement un séchage et un broyage, la mesure ne prend que quelques secondes et plusieurs propriétés peuvent être estimées à partir d’un même spectre), respectueuse de l’environnement (aucun produit chimique potentiellement dangereux n’est requis), non destructive (l'intégrité de l’échantillon n’est pas affectée par l'analyse), reproductible (les résultats sont similaires dans des milieux différents - équipement, manipulateur) et répétable (les résultats sont similaires pour un même milieu) (Viscarra Rossel et al. 2006; Soriano-Disla et al. 2014). Cette méthode permet la caractérisation indirecte d’une multitude de propriétés chimiques, physiques et biologiques des sols incluant le contenu en C organique, la distribution granulométrique, la capacité d’échange cationique, les macro et microéléments, la capacité tampon et autres (Soriano-Disla et al. 2014). Les propriétés prédites par spectroscopie IR peuvent ensuite appuyer le développement d’équations de pédotransfert (McBratney et al. 2006). La spectroscopie IR permet également la classification d’horizons et de classes de sols (Viscarra Rossel et Webster 2011; Steffens et Buddenbaum 2013; Demattê et Terra 2014; Vasques et al. 2014). La radiation IR couvre l’intervalle du spectre électromagnétique entre 780 nm et 1 mm et se subdivise en trois principales régions : le proche (NIR; 780 à 2500 nm), le moyen (MIR; 2500 to 25 000 nm) et le lointain IR (FIR; 25 000 à 1 000 000 nm) (Nocita et al. 2015). Le principe de la spectroscopie IR est que le vecteur électrique de la radiation IR interagit avec les liaisons interatomiques des molécules pour activer différentes vibrations (étirement, flexion et torsion des atomes constituant les molécules) résultant d’une absorption de la radiation IR. Cette absorption est due aux vibrations des liaisons moléculaires covalentes comme O-H, C-H, N-H, C=O, C-N, N-O ou C=C, des groupes d’atomes nommés chromophores (Ben Dor et al. 1999; Stuart 2004). Dans les régions MIR et FIR, l’absorption est due aux vibrations fondamentales (vibrations excitées lorsqu'un quantum d'énergie est absorbé par la molécule dans son état fondamental) des composés organiques ou minéraux. Dans la région NIR, l’absorption est due aux harmoniques (vibrations excitées lorsque deux quanta ou plus sont absorbés) et aux combinaisons de vibrations fondamentales (lorsque plus de deux vibrations fondamentales sont excités simultanément) des composés chimiques localisés dans l’eau libre, les inter-couches des minéraux argileux et la matière organique (Janik et al. 1998). Dans la région MIR, à cause des fortes vibrations fondamentales, la signature spectrale des sols est caractérisée par des pics clairement