Intégration d’une typologie fonctionnelle de graminées dans un modèle mécaniste de prairie – Evaluation du modèle PaSim pour douze prairies européennes.

HAL Id: hal-02787621

https://hal.inrae.fr/hal-02787621

Submitted on 5 Jun 2020

HAL is a multi-disciplinary open access

archive for the deposit and dissemination of sci-entific research documents, whether they are pub-lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.

L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.

Intégration d’une typologie fonctionnelle de graminées

dans un modèle mécaniste de prairie – Evaluation du

modèle PaSim pour douze prairies européennes.

Valérian Malgouyres

To cite this version:

Valérian Malgouyres. Intégration d’une typologie fonctionnelle de graminées dans un modèle mécaniste de prairie – Evaluation du modèle PaSim pour douze prairies européennes.. [Stage] France. Université Clermont Auvergne (UCA), FRA. 2018, 105 p. �hal-02787621�

Malgouyres Valérian

Année Universitaire 2017/2018 Deuxième année de DUT Génie Biologique

Option Agronomie

Rapport de stage

Intégration d’une typologie fonctionnelle de graminées dans

un modèle mécaniste de prairie – Evaluation du modèle PaSim

pour douze prairies européennes

(Source INRA)

Remerciements

Je tiens à remercier particulièrement M. Pascal Carrère directeur de l'UREP (et

ingénieur de recherche), pour m’avoir accueilli dans son unité. Je tiens également à remercier Mme. Katja Klumpp (ingénieur de recherche), ma responsable de stage et les autres cadres scientifiques de l’UREP (Gianni Bellocchi et Raphaël Martin) qui ont su se rendre disponible pour moi malgré leurs obligations. Sans oublier, Olivier Darsonville (technicien de recherche) et tous les autres ingénieurs, techniciens, doctorants et stagiaires de l’Unité pour leurs conseils avisés et avec lesquels j’ai pu travailler dans une bonne ambiance.

Résumé

Le modèle mécaniste d’écosystème prairial, PaSim (Pasture Simulation Model), a été amélioré pour une meilleure prise en compte du rôle de la diversité fonctionnelle végétale en implémentant 6 types de végétation selon une typologie de prairies. L’intégration d’une typologie fonctionnelle de graminées dans le modèle PaSim a été évaluée sur douze sites prairiaux Européens couvrant des gradients pédoclimatiques et de gestion très différents.

Les objectifs du stage ont été i) d’ examiner la typologie fonctionnelle sur leur typologie de la végétation (graminées) de 12 prairies européennes à l’aide de clefs de détermination basées sur des questionnaires simples et sur les espèces dominantes présentes ; et ii) réaliser une analyse critique concernant les performances du modèle de simulation Pasim paramétrer en fonction de différentes typologie, et utilisé pour estimer certains variables environnementales sensibles à la typologie des couverts végétaux (ex. photosynthèse, évapotranspiration, humidité du sol, etc.).

L’hypothèse posée est que les modèles ayant été paramétrées avec un couvert végétal proche de celui de la parcelle, donnera de meilleurs résultats.

Les analyses montrent qu’un paramétrage avec un seul type de prairie donne des résultats moins proches des valeurs observées qu’un couvert végétal composée de plusieurs types fonctionnels variant au cours de l’année. Ce serait la meilleure façon d’améliorer les simulations de PaSim, si la typologie pouvait être améliorés afin d’être appliqués à des zones géographiques de la taille de l’Europe.

En attendent la caractérisation de couverts végétaux d’un large territoire, l’utilisation d’un modèle par défaut qui est calibré au mieux (malgré le fait qu’il soit améliorable), permet d’obtenir des résultats plus proches des valeurs observées.

Abstract

The grassland ecosystem mechanistic model PaSim (Pasture Simulation model) has been improved to better take into account the role of plant functional diversity by implementing 6 types of vegetation according to a typology of grasses in the cover. The integration of a functional grass typology in PaSim was evaluated on twelve European grasslands (sites) with gradients of pedoclimatic conditions and different management practices.

The objectives of the stage were to: i) examine the 12 European grasslands on their functional grass typology (vegetation) using determination keys based on simple questionnaires and on the dominant species present in the cover; and ii) carry out a critical analysis concerning the performance of PaSim for different typologies, and more specifically on environmental variables sensitive to vegetation cover (e.g. photosynthesis, evapotranspiration, soil moisture). The hypothesis is that the simulations having been parameterized with a vegetation cover close to that of the plot, will give better results.

The analysis showes that a parameterization with a single type of clam yields results less close to the observed values, than a plant cover composed of several functional types which varies during the year. This would be the best way to improve PaSim, if the typology could be improved for an application to geographical areas of the size of Europe.

While waiting for the characterization of plant covers of a large area, the use of a default model that is calibrated at best (despite the fact that it can be improved), allows to obtain results closer to the values observed.

Sommaire :

Remerciement Résumé Abstract

Tables des figures et des tableaux Table des sigles

Introduction……….………….1

1 L’INRA et le cadre du stage……….……..…3

1.1. Échelle nationale………3

1.2. Échelle régionale………..…...4

1.3. L'UREP et le stage………..…4

2 Les sites prairiaux européens et la typologie fonctionnelle des graminées……..….5

2.1. Matériels et méthodes……….………...5

2.1.1. Sites prairiaux européens……….5

2.1.2. Typologie fonctionnelle de graminées fourragères pérennes(ABbCDd).5 2.1.3. Typologie multifonctionnelle des prairies……….…...7

2.1.3.1. Typologie des systèmes laitiers AOP……….…...7

2.1.3.2. Typologie nationale……….…..8

2.2 Résultats et analyses……….8

2.2.1. Classement des sites avec les espèces dominantes………..8

2.2.2. Classement des sites avec les clés de détermination………...9

2.2.3. Typologie nationale……….9

3 Modélisation prairiale et tests statistiques………10

3.1. Matériels et méthodes ……….………..10

3.1.1. Le modèle PaSim………10

3.1.2. Choix des variables pour l’analyse de performance du modèle PaSim…11 3.1.2.1. Evapotranspiration (ET)………..11

3.1.2.2. Les variables des échanges gazeux………..12

3.1.2.3. Humidité du sol (SM) et Température du sol (ST)…………..12

3.1.4. Comparaison des valeurs simulées (PaSim) et observées

pour identifier les meilleurs types de prairie………...13

3.1.4.1. Indices statistiques d’évaluation………..13

3.1.4.2. Outil d’analyse statistique et qualité des donnés……….14

3.2. Résultats et analyse………14

3.2.1. Classement des modèles des sites par une l’approche simple…………14

3.2.2. Hypothèse de proportion de types différent sur l’année……….15

3.2.3. Utilisation de R pour l’analyse statistique………...16

3.2.4. Résultats des comparaisons des modèles………16

3.2.5. Discutions générale………17

Conclusion………...………..19

Bibliographie et sitographie Table des annexes

Table des figures :

Figure 1 : Carte de l’Europe et localisation des 12 sites d’étude

Figure 2 : Evolution des proportions de types fonctionnels de graminées, typologie AOP Figure 3 : Evolution des proportions de type fonctionnel de graminées, typologie nationale Figure 4 : Schéma simplifié du fonctionnement de PaSim

Figure 5 : Schéma des variables de sortie du modèle PaSim

Figure 6 : Schéma représentant les facteurs d’influence de l’évapotranspiration Figure 7 : NRMSE par modèle pour toutes les variables et tous les sites

Figure 8 : NRMSE par modèle pour toutes les variables sur le site de Vall d’Alinya Figure 9 : NMAE par modèle pour toutes les variables sur le site de Oensingen Figure 10 : NRMSE par modèle pour toutes les variables sur le site de Mitra

Figure 11 : NRMSE et NMBE par modèle pour l’ET sur tous les sites

Table des tableaux :

Tableau I : Climat et gestion des sites prairiaux européens Tableau II : Type fonctionnel dominant des sites

déterminé par espèces dominantes et clefs de détermination.

Tableau III : Description des paramètres végétaux identifiés comme des traits fonctionnels d’intérêt dans PaSim

Tableau IV : Récapitulatif du travail effectué

Tableau V : Classement des modèles par variable pour chaque site

Tableau VI : Comparaison des résultats entre la typologie fonctionnelle et le modèle

Table des sigles :

AOP = Appellation d'Origine Protégée

EFPA = Ecologie des Forêts, des Prairies et des milieux Aquatiques GDD = Growing Degree Days (dégrées-jours de croissance)

GDEC = Génétique, Diversité et Ecophysiologie des Céréales), GES = Gaz à Effet de Serre

GPP = Gross Primary Photosynthesis (photosynthèse brute) INRA = Institut National de la Recherche Agronomique MAE = Mean Absolute Error

MBE = Normalized Mean Bias Error

MODIPRAS = Modélisation des relations entre la diversité spécifique, le fonctionnement des systèmes prairiaux et leur capacité à fournir des services écosystémiques

NEE = Net Ecosystem Exchange (L’échange net de l’écosystème) PaSim = Pasture Simulation Model

PIAF = Physique et Physiologie Intégratives de l’Arbre en environnement Fluctuant R² = coefficient de détermination

RECO = Respiration Ecosystem

RMSE = Normalized Root Mean Square Error SAU = Surface Agricole Utile

SM = Soil Moisture (humidité du sol) ST = Soil Temperature, (température du sol) UGB = Unité Gros Bétail

1

Introduction

En Europe, les prairies permanentes représentent 40% de la SAU (Surface Agricole Utile) soit 78 millions d’UGB (Unité Gros Bétail), dont la plupart sont des prairies permanentes (85 %). L’herbe produite par les prairies est à la base de l’alimentation des herbivores dont le lait et la viande représentent environ 25 % de la production agricole mondiale. En France, elles recouvrent 13 millions d’hectares (terres parfois non mobilisables pour les cultures), dont 4 millions d’hectare de prairies semées de plus ou moins longue durée, représentant ainsi une superficie proche de celle occupée par les forêts (15,5 Mha).

Les prairies (permanentes) sont des écosystèmes gérés qui rendent des services : préservation de la biodiversité animale et végétale, puits de carbone, limitation du risque d’érosion, contrôle des inondations ou encore ressource culturelle et esthétique [1]. Ces services vont être influencés par différents facteurs, les interactions entre le milieu (pédoclimat) et les pratiques de gestions.

L’intensité des pratiques (pâturage, fauche) impacte la production et modifie la composition botanique des prairies. En effet, la dynamique des communautés végétales prairiales (espèces végétales présentes et leur proportion relative) et leur fonctionnement (effet des stratégies de croissance) vont évoluer en fonction des modalités de gestion [2]. Ainsi sous une gestion intensive, on assiste à une sélection d’espèces à stratégie de croissance compétitrice, avec une stimulation de la production primaire ; alors qu’à l’inverse sous gestion plus extensive le stockage de C peut être limité par la faible productivité primaire du système (dominance des espèces peu productives à stratégie de conservation).

Une des attentes fortes de la société et des décideurs politiques est de connaitre les services écosystémiques fournis par les prairies (production, émissions de gaz à effet de serre (GES), stockage du C, lessivage des nitrates) en lien avec le système d’élevage pour mieux comprendre les réponses des agroécosystèmes aux enjeux environnementaux (réduction des émissions) et climatiques (changement de température et précipitation), dans le but de les anticiper.

Pour répondre aux questions concernant les impacts du changement climatique, la modélisation apparait comme un moyen indispensable pour fournir des informations à grande échelle que des observations seules, n’aurait pas pu offrir en raison des contraintes de temps et de ressources nécessaires. En effet, la simulation donne la possibilité de modifier les variables et le paramétrage du modèle, par conséquent de contrôler l’environnement de la simulation.

2 Par exemple, on peut étudier des cas concrets qui permettent de faire des hypothèses sur l’évolution au cours de l’année de toutes sorte de couvert végétal dans des zones géographiques différentes. Ensuite, peut se faire la prévision sur le long terme des impacts des changements climatiques et atmosphériques, sur la contribution des agroécosystèmes à l’effet de serre, et sur le potentiel des prairies permanentes à atténuer ces émissions par le stockage de carbone dans la matière organique.

Les modèles et les simulations constituent à l’heure actuelle des outils puissants et performants. Mais généralement, les valeurs simulées à l’aide des modèles sont dépendantes de nos connaissances sur le système étudié, et des hypothèses de simulation adoptées. De nombreux modèles d’écosystème ont été pensés et développés pour servir d’appui aux acteurs du développement agricole. Ces modèles permettent de simuler la production des écosystèmes prairiaux, mais il s’agit dans tous les cas de modèles simples, en partie empirique, qui ne permettent pas de simuler les différents couverts végétaux d’un écosystèmes prairial (prairies de fertiles-productives à peu fertiles et peu productives telles que les landes, et les parcours).

Le modèle mécaniste d’écosystème prairial PaSim, a été amélioré pour une meilleure prise en compte du rôle de la dynamique de la diversité fonctionnelle végétale en implémentant 6 types de végétation selon une typologie de prairie [3]. L’évaluation des améliorations d’un modèle (confronter les sorties aux données observées ou mesurées dans des situations réelles) est une étape cruciale pour estimer l’incertitude du modèle, afin de pouvoir valider ses paramètres et par conséquent, avoir confiance en ses sorties. La validation des nouvelles performances du modèle PaSim a été faite avec une évaluation du modèle sur une douzaine de sites prairiaux européens (période de 2002 à 2010) contrastés par leur climat, végétation et gestion.

Le stage se compose en deux volets : i) analyse et évaluation des 12 prairies européennes sur leur typologie fonctionnelle de graminée (végétation) avec une détermination basée sur les espèces dominantes et sur l’utilisation de clefs de déterminations (classement combinant agronomie et botanique) ; ii) analyse critique des performances (améliorations apportées) du modèle prairial PaSim sur 12 sites de prairies et 6 types multifonctionnels de graminées.

3

1 L'INRA et le cadre du stage

1.1

Échelle nationale

L’INRA de son nom Institut National de la Recherche Agronomique est une structure Française, ayant le statut d’établissement public à caractère scientifique et technologique sous la tutelle du ministère de l’agriculture et du ministère de la recherche. Il est le premier institut de recherche agronomique en Europe et le deuxième en science agricole dans le monde. Il a été fondé en 1946, au lendemain de la Seconde Guerre mondiale, dans le but de répondre à la question "comment nourrir la France" alors que la pénurie alimentaire s'étend sur le territoire.

La fonction de cet institut est d’explorer, de comprendre, d’expérimenter, et d’anticiper sur différents domaines qui ont évolués depuis la création de l’institut, mais certains domaines restent les mêmes : l’alimentation, l’agriculture et l’environnement. Les enjeux majeurs de l’institut sont le territoire, la santé, le développement durable, la bio-économie et de rester compétitif avec les entreprises privées.

Les missions, activités et résultats de l’INRA vont impacter la population de diverses façons, à commencer par nourrir la France et la planète, réduire la dépendance aux pesticides et engrais du monde agricole, assurer une alimentation saine et durable, sauver les espèces et dans la logique conserver la biodiversité génétique, innover en sélection animale et végétale sans oublier d’anticiper et de lutter contre le changement climatique. Ce sont ces missions qui vont définir les 13 départements de recherche qui composent l’INRA.

Depuis 2015, l’INRA s’inscrit dans une stratégie à long terme sur une période de 10 ans, dans le but d’atteindre différents objectifs : explorer de nouveaux mondes microbiens, modéliser les phénomènes naturels (culture et élevage du futur), cerner l’influence de l’environnement sur l’expression des gènes, et s’engager dans une politique de donnée ouvertes en maitrisent les avalanches de données issues de la recherche.

Un budget annuel de 881.57 millions d’euros est à disposition de l’INRA pour atteindre ces objectifs, ce qui lui permet de gérer 17 centres de recherche comprenant 250 unités avec un total de 8 165 agents titulaires dont 1 815 chercheurs [4].

4

1.2

Échelle régionale

Le centre Auvergne-Rhône-Alpes comporte 29 unités réparties sur 15 sites, cela représente environ 10 % de l’effectif total de l'INRA [5]. Il développe des recherches multidisciplinaires dans une large gamme de domaines, réparties en 4 grands axes : « Biologie intégrative des plantes modèles et cultivées et adaptations à leur environnement », « Nutrition humaine, métabolismes intégratifs et complexité alimentaire », « Agroécologie des systèmes d’élevage herbagers, qualité des produits, épidémiologie animale et développement des territoires », « Ecologie des systèmes aquatiques sous contraintes anthropiques ».

1.3

L'UREP et le stage

L’UREP, sous la direction de Pascal Carrère, est rattachée au département EFPA (Ecologie des Forêts, des Prairies et des milieux Aquatiques). L’Unité Mixte de Recherche sur l'Ecosystème Prairial est située sur le site de Crouël à Clermont Ferrand, même si nombre de ses dispositifs expérimentaux sont positionnés sur les domaines de Theix et de Laqueuille de l'Unité Expérimentale Herpibôle. L'UREP possède une expertise internationale dans le domaine de l'écologie prairiale et plus particulièrement sur l'impact du changement climatique, les bilans de gaz à effet de serre, la séquestration de carbone, les cycles du carbone et de l’azote, les interactions plantes-sol (microorganismes) et herbe-animal, ou encore les effets des pratiques de gestion sur la dynamique prairiale (production).

Ce rapport a été construit autour de questionnement sur la performance du module « végétation » du modèle PaSim (projet de l’INRA depuis 2000 [6]), l’utilisation d’une typologie de graminées (basée sur la diversité des espèces) est-elle pertinente pour caractériser la diversité d’un couvert prairial, et quelle conclusion peut-on tirer son utilisation pour renseigner un modèle de simulation ?

Les encadrant du stage Mme Katja Klumpp (ingénieur de recherche) et M. Gianni Bellocchi (directeur de recherche) son engagé dans plusieurs projets de recherche aux niveaux national et international.

Le stage s’insère dans le projet de l’INRA, MODIPRAS (Modélisation des relations entre la diversité spécifique, le fonctionnement des systèmes prairiaux et leur capacité à fournir des services écosystémiques) qui a pour objectif principal de développer une modélisation biophysique de prairies représentant la diversité végétale en réponse aux pratiques de gestion et aux contraintes pédoclimatiques.

Figure 1 : Carte de l’Europe et localisation des 12 sites d’étude

Les sites sont nommés avec 2 lettres en majuscule pour le pays, et de 3 lettres suivant pour identifier le site. FRLaq est composé de deux sites sur la même localisation. [7]

5

2 Les sites prairiaux européens et la typologie fonctionnelle des

graminées

2.1

Matériels et méthodes

2.1.1 Sites prairiaux européens

L’étude est réalisée sur douze sites prairiaux répartis sur plusieurs pays de l’Europe (Figure 1), ceux-ci couvrant un large gradient de conditions géographiques et climatique : avec des températures moyennes annuelles allant de 5,2 °C (Italie, Monte Bodone) à 14,3 °C (Portugal, Mitra) soit 9,1 °C d’amplitude thermique ; des altitudes qui débutent du niveau de la mer (0,7 m ; Pays Bas, Cabauw) à des altitude de montagne (1770 m ; Espagne Vall d’Alinya) ; et avec des taux de précipitations annuelles de climat sec (520 mm ; Hongrie, Bugac-Puszta) à humide (1271 mm ; Ireland, Dripsey) soit une amplitude de 751 mm (Tableau I) [7].

La diversité de ces prairies est due aux types de sol (texture), mais également due aux différentes pratiques de gestion (Tableau I) [7]. Le nombre de fauches ou l’intensité de pâtures, et l’apport d’engrais minéral et organique exercent une influence sur l’adaptation et l’évolution de différentes espèces végétales. Les prairies peuvent être qualifiées comme intensives ou extensives en fonction de l’apport d’engrais, mais surtout par rapport à l’intensité de l’exploitation par la fauche ou le pâturage. On peut considérer comme extensive une prairie avec un chargement animal faible, tant que l’apport d’azote (N) ne dépasse pas le seuil de 200 kg de N/ha (conventionnellement fixé pour les prairies gérées de manière intensive [8].

Les informations et donnés utilisées dans l’étude s’étendent en fonction des sites de 3 à 8 ans pour une période de 2002 à 2010 sur la totalité des sites.

Afin de caractériser les prairies étudiées, les sites ont été classés selon une typologie combinant des critères agronomiques et botaniques.

2.1.2 Typologie fonctionnelle de graminées fourragères pérennes (ABbCDd)

Une typologie est une démarche méthodique consistant à définir ou étudier un ensemble de types de prairies, afin de faciliter l'analyse, la classification et l'étude de réalités complexes. La typologie a été conçue en 2010 [3] dans l’objectif d’apporter un support aux techniciens qui réalisent des conseils de conduite de prairies, afin d’établir une analyse de façon plus rapide.

6 Généralement, les outils de caractérisation de prairies sont basés sur des espèces dominantes et nécessitent des connaissances approfondies en botanique, la notion de types fonctionnels de plantes permet de proposer une méthode plus générique qui facilite donc la manipulation des informations.

Cette typologie fonctionnelle est basée sur des espèces de graminées couramment rencontrées dans les zones de moyenne montagne Pyrénées, et ayant des particularités physiologiques significatives (Annexe 1.1).

Chacune de ces espèces va être caractérisée dans des conditions similaires et contrôlées, teneur en eau du sol, apport minéral, texture du sol et condition climatique pour obtenir des différences uniquement due aux particularités des espèces.

La classification des espèces a été faite à travers 6 traits fonctionnels choisis pour leurs capacités discriminatoires des caractéristiques agronomiques. Ces traits sont la teneur en matière sèche des feuilles, la surface spécifique foliaire, la durée de vie foliaire, la date de floraison, la hauteur maximale et la résistance des feuilles à la cassure (Annexe 1.2).

Des analyses statistiques (Annexe 1.3) ont permis de distinguer 6 types (ABbCDd) possédant de particularité par rapport à : des stratégies de croissances des plantes (capture ou conservation de ressources), leur phénologie (précoce ou tardive), leur capacité à accumuler de la biomasse, leur fréquence d’utilisation et leur valeur alimentaire.

Les types A, B et b intègrent des espèces plutôt productives, les espèces des groupes b, C, D et d donnent un fourrage de moins bonne qualité, et les espèces A et C sont plutôt de petite taille. (Annexe 1.4)

Dans la pratique de conseil et dans certaines méthodes, le type d est généralement intégré au type D, compte tenu des similitudes entre leur valeur d’usage et leur qualité fourragère médiocre.

L’attribution d’un type à une prairie se fait avec la dominante s’il est supérieur à 66 %, puis pour des prairies avec des types entre 66 % et 20 %, on les énumère dans leur ordre d’importance. Exemple : pour le cas d’une prairie où les graminées de Type A, B, b, C, et D représentent respectivement, 42%, 13%, 25%, 13% et 7% de la biomasse totale de la fraction graminée, on considère que la prairie est de Type Ab.

Dans cette étude, la liste des espèces a permis de déterminer des types fonctionnels pour chacun des sites, mais une approche plus simple est également possible.

Figure 2 : Evolution des proportions de types fonctionnels de graminées, typologie AOP.

L’axe des abscisses représente les périodes en degré-jour et l’axe des ordonnés donne le pourcentage de présence. [9]

7

2.1.3 Typologie multifonctionnelle des prairies

Deux typologies multifonctionnelles des prairies ont été utilisés dans cette étude, l’AOP (Appellation d'origine protégée) et la nationale, afin de déterminer la répartition des types ABbCDd au sein d’une prairie et au cours de la saison de végétation.

2.1.3.1 Typologie des systèmes laitiers AOP

La typologie multifonctionnelle des prairies AOP (TYPO, 2012 [9]) a été conçue à partir de relevés botaniques et de références bibliographiques. Elle recense 60 types de prairies, qu’elles soient permanentes ou temporaires sur une zone géographique particulière, le Massif Central.

L'utilisation de la typologie AOP est simple, se basant sur un questionnaire permettant d'identifier des caractéristique principales (fertilisation, pH, humidité, gestion, etc…) (Annexe 2.1) qui vont permettre avec la clef de détermination d’identifier le type de prairie.

Prenons l’exemple de Laqueuille le site français comprendent une partie extensive et une intensive (différence de chargement de bovin et de niveau de fertilisation azotée). Le site se situant à 1040 m d'altitude, on utilise la 2e clef de détermination. La prairie est portante, ce qui signifie que le sol n'est pas constamment humide et que les machines agricoles peuvent circuler sans abîmer la parcelle, les deux parties de Laqueuille sont des pâturages seulement la fertilisation les différencie. L'intensive est du type 18 alors que l'extensive est du type 17 (Annexe 2.2). Il faut noter que parfois la détermination avec la clef ne colle pas parfaitement à la réalité à ce moment-là on décale au type qui permet d'avoir la meilleure estimation (généralement le type inférieur ou le supérieur).

La fiche du type donne des informations sur toutes sortes de spécificité de la prairie (Annexe 2.3) mais on va se concentrer sur un schéma (Figure 2), celui-ci représente l’évolution du type fonctionnel de graminées au cour de la période de production de biomasse. Cette période est découpée en trois phases de croissance (dont les durées sont exprimées en degré-jour (°.j)): 350-550°.j (herbe à 5 cm, début de croissance) ; 700-900°.j (passage d’une végétation précoce à l’épiaison) ; et 1100-1300°.j (végétation au stade de floraison).

Ce schéma est celui du type 17, correspondant à la prairie extensive de Laqueuille. Dans cette prairie, l’année débute avec une forte proportion de A et de b, mais au cours du printemps les espèces de type A sont remplacées par celles du type C. La prairie extensive de Laqueuille peut donc être considéré comme une prairie du type bC.

Figure 3 : Evolution des proportions de type fonctionnel de graminées, typologie nationale.

L’axe des abscisses représente les périodes et l’axe des ordonnés donne le pourcentage de présence. [10]

8

2.1.3.2 Typologie nationale

Cette typologie de 2011 [10] a été utiliser pour compléter la typologie systèmes laitiers AOP . Cette typologie est basée sur 190 prairies permanentes réparties sur la France métropolitaine. Les altitudes couvertes sont du littoral à 1200 m d’altitude, les zones de basse et haute montagne sont absentes de cette typologie.

Une analyse statistique a permis d’isoler 19 types de prairies, possédant des caractéristiques suffisamment différentes. L’association d’un type à une prairie se fait à l’aide d’une clef de détermination. (Annexe 3.1). Prenons comme exemple, le site de Cabauw au Pays-Bas, ce site se trouve à 0,7 m d’altitude, le sol est humide et fortement fertilisée (225 > 200 kg N ha/an) (Annexe 1). Le type obtenu avec la clef est donc le PO1, et avec la fiche technique du type on peut identifier la typologie de la parcelle (Annexe 3.2).

Le schéma représentant les types fonctionnels de graminées au court du printemps (Figure 3) est la source principale d’information du document. La particularité du document est qu’un nouveau type y est intégré, le type E, défini comme « des graminées annuelles pour la plupart à phénologie très précoce qui représentent une bonne valeur au stade végétatif », dans cette étude, on le regroupe avec le type A.

Les proportions des types de prairie PO1 sont donc de 65 % pour le type A et 30 % pour le type b, et on peut donc supposer que Cabauw est de type Ab.

2.2

Résultats et analyses

2.2.1 Classement des sites avec les clés de détermination

Les deux clefs, AOP et nationale ce complètent, car en effet les zones géographiques recouvertes par les sites européens sont différentes mais l’association des deux permet de discerner et de mieux intégrer le fonctionnement de la typologie ABbCDd. Pour la plupart des sites, cette méthode simple a donné des résultats concluant, mais certaines particularités climatiques changent la végétation réelle. Il faut donc pouvoir valider les résultats précédemment obtenu avec la typologie multifonctionnelle.

Tableau II : Type fonctionnel dominant des sites

déterminé par espèces dominantes et clef de détermination.

Couleur : Typologie multifonctionnelle la plus adaptée à chacune des prairies

Sites Typologie multifonctionnelle AOP (fiches) Typologie multifonctionnelle nationale (fiches)

Type dominante des prairies ajusté avec

les espèces CH-Oensingen 20 NA A DE-grillenburg 1 PSC6 Ab ES-Vall d'Alinya 41 NA CD FR-Laqueuille ext 17 NA Cb FR-Laqueuille int 18 NA bC HU-Bugac 6 PA1 C IE-Dripsey 22 NA Ab IT-MonteBodone 12 NA bA IT-Amplero 12 NA bA NL-Cabauw NA PO1 Ab PT-Mitra 7 PA1 DC

9

2.2.2 Classement des sites avec les espèces dominantes

Le fonctionnement de la typologie fonctionnelle de graminées est basé sur les espèces présentes sur la prairie. Tous les sites n'ont pas réalisé un inventaire complet de la diversité des espèces. En effet, certains sites étant des prairies semées (>6 ans), les espèces présentes sont logiquement connues et celles qui s’installent naturellement sur les quelques années suivantes sont trop peu présentes pour influencer le résultat.

Par exemple, pour une prairie permanente comme celle de Mitra au Portugal, l’évolution des espèces s’est faite depuis beaucoup plus d’années, et une analyse montre que la correspondance n'est pas optimale avec la méthode précédente. La prairie permanente de Mitra n'est pas fertilisée et très peu pâturée, les espèces présentes sont majoritairement des dicotylédones comme Spergula arvensis L. avec 29,65 % de présence, et Rumex

bucephalophorus L. avec 12,73% de présence avec peu de graminées. Il devient donc difficile

d'attribuer un type à ce genre de prairie, mais avec les conditions climatiques, les particularités pédologiques et les quelques espèces de graminées observées, Mitra a été considérer comme un type D et/ou C.

2.2.3 Critique globale des résultats

Le manque d’information limite souvent l’obtention de résultat précis pour certains sites prairiaux. Il peut même y avoir de légères erreurs sur les proportions d’espèces car ce sont des estimations et pas des mesures précises. Le questionnaire est une méthode simplifiée mais l’utilisation des caractéristiques des espèces permet d’ajuster les résultats. Malgré cette limite d’informations, un type global a été déterminer pour chaque site (Tableau II) et dans le plus part des cas une variation des types au court de la saison, a pu être établi (Annexe 4).

Figure 4 : Schéma simplifié du fonctionnement de PaSim [11] Tableau III : Description des paramètres végétaux identifiés

10

3 Modélisation prairiale et tests statistiques

3.1

Matériels et méthodes

PaSim (Pasture Simulation Model), adapté par Riedo et al. en 1998 [6] à partir du modèle HPM (Hurley Pasture Model) de Thornley en 1998 [13]. PaSim est un modèle mécaniste biogéochimique de simulation d'un écosystème prairial géré, simulant à l'échelle d'une parcelle, les flux de carbone, d'azote, d'eau et d'énergie à l'interface entre le sol, la végétation, les animaux et l'atmosphère. Il est composé de plusieurs sous-modèles représentant les processus de la végétation, du microclimat, de la biologie et de la physique du sol. La végétation y est représentée à l'échelle de la communauté et a été initialement paramétrée pour une prairie permanente, composée de graminées et de légumineuses. Le modèle a même été dérivé pour la création de FarmSim, un outil qui sert à interpréter des émissions de GES d’une exploitation, en prenant compte les pratiques agricoles due aux systèmes d’élevage de différents ruminants.

PaSim est un modèle complexe qui prend en compte de nombreux facteurs comme la gestion pratiquée sur la praire (intensité des fauches et du pâturage), la fertilisation minérale ou organique et l’irrigation sans oublier la végétation avec des proportions de plantes (graminées, légumineuse et diverses). Les sorties du modèle vont donner les flux et échanges, l’état général de la prairie et de nombreuses informations interprétables pour du conseil dans la gestion de prairie [11] (Figure 4).

Récemment le modèle a été amélioré (Tableau III) sur la base de la typologie de graminée [3] pour une meilleure représentation de la diversité fonctionnelle des couverts végétaux. Cette typologie va emmener des variations sur différentes valeurs d’entrée en fonction des types (Annexe 5). En parallèle une calibration du modèle a été effectuée par approche statistique afin de tester une paramétrisation « new » du modèle. [7]

(source personnelle)

Figure 5 : Schéma des variables de sortie du modèle PaSim

11

3.1.1 Choix des variables pour l’analyse de performance du modèle PaSim

PaSim permet de modéliser de nombreuses variables, mais certaines sont plus intéressantes pour une comparaison avec des variables observées sur le terrain que d’autres. La diversité végétale des prairies va influencer des sorties comme l’évapotranspiration (ET), la production primaire brute (GPP), ou encore dans une moindre importance, la respiration d’un écosystème prairial (RECO), son échange net de carbone (NEE), l’évolution de la température (ST) et humidité du sol SM), (Figure 5). Sur ces dernières variables, la diversité végétale a un impact indirect, car elles résultent de donnés météorologiques qui sont modulé par le fonctionnement du couvert végétal.

3.1.1.1 Evapotranspiration (ET)

L’évapotranspiration (ET) est la combinaison de l’évaporation d’eau du sol et de la transpiration d’eau réalisée par les plantes. L’évaporation est la perte d’eau sur une surface mouillée qui peut être le sol ou les feuilles. La transpiration est la perte d’eau d’une plante. Ces pertes d’eau génèrent un mouvement permetant aux nutriments contenus dans la plante de circuler afin que la totalité de la plante soit alimentée en nutriments nécessaires à son développement et sa croissance.

L’évapotranspiration varie en fonction de plusieurs variables qui sont : la température et l’humidité de l’air, la vitesse du vent, et le rayonnement solaire. Le calcul de l’ET est très complexe en raison des nombreuses interactions entre ces mêmes variables. (Figure 6)

Lorsque la température augmente la plante perd de l’eau par transpiration car elle cherche à maintenir sa température à sa valeur optimale.

De même, lorsque la vitesse du vent augmente, l’évapotranspiration augmente. En effet, l’air va se charger plus vite en humidité, car le vent va assécher les surfaces du sol et la végétation.

Le rayonnement solaire va augmenter la température de l’air et la transpiration des plantes car la photosynthèse sera plus efficace et consommera plus d’eau. Inversement, lorsque l’humidité de l’air augmente, l’évapotranspiration diminue, et le potentiel hydrique de l’air sera plus élevé, ce qui limitera sa capacité d’absorber de l’eau. La transpiration des plantes sera plus faible et elle perdra moins d’eau grâce à cela.

L’évapotranspiration va principalement fluctuer en fonction du type couvert végétal, notamment des différentes espèces présentes. La typologie peut donc servir à améliorer la modélisation de cette variable. [14]

12

3.1.1.1 Les variables des échanges gazeux

La Production Primaire brute (GPP) est la photosynthèse brute, elle représente la fixation de dioxyde de carbone CO2 par la plante lors de la photosynthèse, cette valeur est une mesure de performance de couvert végétale.

La respiration de l’écosystème (RECO) est la libération de CO2 due à la respiration, par les végétaux, par tous les micro-organismes du sol et par les animaux au pâturage, cela prend donc en compte l’intégralité des échanges de la prairie.

L’échange net de l’écosystème (NEE) est quant à lui la différence entre le GPP et la RECO. C’est en soit l’échange total en CO2 de la parcelle. Le NEE représente le flux de CO2 circulant dans l’écosystème, il est donc généralement négatif la nuit et positif le jour. Le NEE permet de réaliser un bilan de C sur une période donnée pour visualiser la quantité de carbone piégé ou émis par une prairie (séquestration du C). [15]

3.1.1.2 Humidité du sol (SM) et Température du sol (ST)

L’humidité et la température du sol sont des facteurs facilement mesurables, ce sont des indicateurs du bon fonctionnement du sol. Ils permettent de caractériser la diffusion ou le stockage de l’eau dans le sol (période de sècheresse et de gel).

3.1.2 Somme de températures et variation des types au cours de l'année

En l'absence d'évènements perturbateurs tels qu’une sécheresse, un grand froid ou des maladies, les plantes poussent de manière cumulative par étapes fortement influencées par la température ambiante. Grâce au calcul des degrés jour on peut donc prédire la date à laquelle une végétation atteindra sa maturité (pour récolter au bon moment) mais aussi à quel stade végétatif se trouve ce couvert.

La somme des températures est l’accumulation des degré-jours de croissance (GDD), ce qui est en soit une quantification de la croissance possible grâce à la température journalière. Sur l’ensemble des sites on trouve des sommes de températures annuelles de 1500 °C/jour à 3500°C/jour du site le plus froid et haut en altitude (ES-Vall d’Alinya) jusqu’au site le plus chaud (PT-Mitra). Les stades de végétation de chaque espèce vont rester fixe sur des périodes de degré-jours selon la typologie de prairie (forte croissance de 550 à 1300). .

13 Pour cette approche on trouve néanmoins quelque difficulté, exemple des prairies d’un milieu sec comme PT Mitra ; les espèces seront différentes car elles sont adaptées aux conditions de fortes températures, leur croissance sera donc plus précoce et plus allongée sur l’année.

Afin d’adapter cette somme à différentes zones climatiques en Europe, on a calibré les températures journalières avec deux facteurs (la température considérée et la moyenne entre la maximale et la minimale de la journée). Si la température est trop forte, la croissance va atteindre un seuil limite empêchant le développement du couvert végétal, nous le fixons à 92 % de la moyenne des différentes températures maximale de chaque année [16]. Exemple pour un site X : Tmax2003 = 20,2°C, Tmax2004 = 18,8°C, Tmax2005 = 21°C (Tmax annuelles moyennes), donne une moyenne de température annuelle de 20°C et un seuil température à 92 % de 18,4 °C. Au-delà du seuil, les températures journalières sont limitées à cette valeur.

De la même façon la température limite pour le développement d’une prairie est de 5°C [17], on commence donc la somme des degrés à partir de cette valeur. Exemple : pour des jours avec les températures journalières moyennes suivantes ; 0, 5, 10, 16, 20, 19 (seuil max = 19) ; on se retrouve avec une somme de température qui varie de de 44 °C/d (+0,+0,+5,+11,+14,+14).

3.1.3 Comparaison des valeurs simulées (PaSim) et observées pour identifier les meilleurs types de prairie

3.1.3.1 Indices statistiques d’évaluation

L’interprétation des résultats se fait via la comparaison des simulés ( ) au regard des observés ( ). Pour cela différents indices sont calculés :[18] [19]

- Le NMAE (Normalized Mean Absolute Error) est l’erreur absolue moyenne normalisée. Ce dernier permet de quantifier l’erreur absolue entre l’observé et le simulé.

- Le NRMSE (Normalized Root Mean Square Error) est l’erreur quadratique moyenne normalisée et permet de quantifier l’erreur au carré entre observé et simulé, ce qui a pour effet de donner un poids plus grand aux erreurs fortes.

- Le NMBE (Normalized Mean Biais Error) est le biais moyen normalisé. Il permet de voir si le modèle surestime ou sous-estime la variable d’intérêt.

Tableau IV : Récapitulatif du travail effectué

14 Comme exposé, ces trois indices sont standardisés en les divisant par l’écart type des observés puis ramenés à un pourcentage en les multipliant par 100. ( )

Enfin, une régression linéaire est effectuée de type. Cette régression est caractérisée par :

- A représente le coefficient directeur de la droite est permet d’estimer si le modèle a une tendance à surestimer ou sous-estimer la variable d’intérêt. A doit idéalement être égal à 1.

- B représente le biais initial. B doit idéalement être égal à 0.

- R² permet de quantifier le pourcentage de variance expliqué par la régression. Il est idéalement de 1. Pour rappel sa formule est :

3.1.3.2 Outil d’analyse statistique et qualité des données

L’interprétation et le traitement des données (compilation de données métrologiques et variable des typologies par site) ont été dans un premier temps réalisés avec Excel par le biais de formules simples et l’utilisation de tableau croisés dynamiques.

Puis afin de simplifier les calculs et réaliser des manipulations plus poussées (impossibles sur Excel), le travail statistique a été continué sur le logiciel R (sur la version 1.1.423,R developement core team,2018). (Scripts utilisés : Annexe 6).

Tout au long du travail réalisé (Tableau IV), l’utilisation des fichiers a été ralentie par le manque de précision sur l’origine exacte des données (intitulé de colonne/ligne ou titre du document). Depuis quelques années, la qualité des donnés s’est grandement améliorée mais même sur des documents plus récents, il arrive que la traçabilité et la qualité des données au cours du temps soient améliorables.

3.2

Résultats et analyse

3.2.1 Classement des modèles des sites par une l’approche simple

Dans un premier temps, après avoir compilé toutes les valeurs observées et les sorties du modèle, une classification par fiabilité des différents indices est réalisée sur Excel. L’objectif est d’identifier pour chaque type et chaque variable quel est le type le plus proche des valeurs observées. Si un type ne sort pas distinctement, la détermination de la typologie se fait par l’ordre d’importance des indices.

Dans la liste des indices, le RMSE est l’indicateur le plus important et les deux autres (BIAS et R2) sont complémentaires et à prendre en compte dans un second temps.

Tableau V : Classement des modèles par variable pour chaque site

Classement des sites pour 4 variables (ET, GPP, NEE, RECO) avec les 3 modèles les plus fiables pour 3 indices.

15 Exemple : l’évapotranspiration de Oensingen en Suisse, révèle que le type A est le plus fiable par rapport aux indices RBIAS et RMSE, en revanche le R² positionne en premier le paramétrage « new » et celui du type A en troisième. Le type A est donc le plus fiable pour l’estimation des valeurs d’évapotranspiration de Oensingen même si son R² n’est pas le meilleur (Tableau V).

Sur l’ensemble des sites cette méthode a permis d’identifier le meilleur type de chaque prairie pour les différentes variables. Un défaut de cette méthode est que le type qui ressort n’est pas toujours le même que celui défini à l’aide des deux typologies simplifiées.

Suite à cela, plusieurs problèmes se posent. D’abord, une prairie n’est généralement pas caractérisée par un seul type, mais par une proportion de plusieurs types. Comment respecter la réalité et comment le faire de façon mathématique, en tenant compte l’ensemble des variables de sortie et l’ensemble des sites.

3.2.2 Hypothèse de proportion de types différent sur l’année

Les résultats en amont montrent que l’utilisation d’un seul type pour toutes les variables d’un même site n’est pas satisfaisant. L’idée est de tester un modèle plus proche de la réalité qui prenne en compte un mélange des types fonctionnels au cours de l’année.

Deux modèles ont été testés :

- Le « moyen » qui va prendre en compte un mélange de type fonctionnel sur l’année. - Le « mixte » qui va apporter une plus grande précision en ajoutant le changement de

type au cours de la croissance du couvert végétal (somme degrés jours).

Le cas moyen est simplement une association des résultats des différents modèles avec une proportion de chaque modèle égale à la proportion de graminées correspondante. Exemple : avec des proportions de type suivant : A=80 % et b=20 % et des valeurs de sortie de modèle notées Amod pour le type A et bmod pour le type b, le cas moyen aura pour sortie :

moyenmod = 0,8 x Amod + 0,2 x bmod

Le cas mixte (construit de la même façon) prend en compte un changement des proportions au cours de l’année en incluant les saisons selon la somme des degrés jours. Les informations pour la création du cas mixte sont basées sur les résultats précédents (Annexe 4). Pour une prise en compte d’une année complète, les classes de degré-jours 350-550, 700-900, 1100-1300 de la typologie AOP et 550-650, 1150-1250 de la typologie nationale vont être élargies et moyennées pour créer les plages allant de 0 à 550, de 550 à 1100 et de 1100 jusqu’à la fin de l’année.

Figure 7 : NRMSE par modèle pour toutes Figure 8 : NRMSE par modèle pour toutes les variables et tous les sites les variables sur le site de Vall d’Alinya

Figure 9 : NMAE par modèle pour toutes Figure 10 : NRMSE par modèle pour toutes les variables sur le site de Oensingen les variables sur le site de Mitra

16

3.2.3 Utilisation de R pour l’analyse statistique

Suite au premier travail, l’utilisation du logiciel R devient indispensable (Tableau IV) pour continuer la manipulation des données et l’exécution des calculs statistiques. Les indices statistiques utilisés précédemment vont être normalisés afin de pouvoir comparer les sorties du modèle entre différentes variables. Sans cette normalisation une compréhension simple sur des graphiques devient impossible. Certains indices statistiques ne se retrouvent pas dans le même ordre de valeur car les différentes variables ne possèdent pas les mêmes unités de mesure. Exemple : l’amplitude de la température est de l’ordre de 30°C alors que l’amplitude de SM est de 0,6 (varie de 0 à 1).

3.2.4 Résultats des comparaisons des modèles

En regardant le NMAE et le NRMSE, il est évident qu'en général le paramétrage « new » donne les meilleurs résultats, de plus on remarque que les cas mixte et moyen se positionnent souvent moins bien par rapport à ces indices. On peut alors se poser la question de leur pertinence (Figure 7).

Rappelons que la typologie a été créée à partir d'espèces de moyennes montagne de Pyrénées, il est donc acceptable de l'utiliser dans les zones alentours notamment les zones de montagnes autour du Massif Central et des Alpes. ES Vall Alinya se situe dans la zone d’acceptabilité, et bien que le paramétrage « new » donne de meilleurs résultats mais le type qui sort en deuxième rang est bien celui correspondant à cette prairie située à 1700 m d'altitude, soit le type Dd caractérise bien des espèces peu productives et d'estive (Figure 8).

De même, pour CH Oensingen qui est une prairie semée et fertilisée (Tableau I), les types A et b ressortent, mais ils se positionnent en premier rang devant le « new ». Ce qui confirme que dans les cas où la prairie est bien définie, les paramétrisations basées sur la typologie peuvent donner de meilleurs résultats (Figure 9).

La limite de la typologie est clairement visible sur les sites de Méditerranée comme PT Mitra, où le modèle « new » est très clairement la meilleure façon de modéliser les différentes variables. Pour ce site, le type qui sort 2eme rang (D) correspond au même type que celui estimé, cela reste donc une représentation de la réalité des espèces de cette prairie (Figure 10).

Néanmoins pour une partie des sites, ce n’est pas toujours le cas, la corrélation entre le meilleur modèle donné par l’analyse statistique et celui donné par la typologie fonctionnelle de graminées est faible.

Tableau V : Comparaison des résultats entre la typologie fonctionnelle et le modèle

Site

Type fonctionel (approche par espèces

dominante et clef de détermination)

Evaluation des indices du

modèle

Similitude des resulats

CH-Oensingen A A (sb) Acceptable

DE-grillenburg Ab new (d) Eloigné

ES-Vall d'Alinya CD new (D) Acceptable

FR-Laqueuille ext Cb new (D) Proche

FR-Laqueuille int bC B (new) Proche

HU-Bugac C D (new) Proche

IE-Dripsey Ab D (d) Eloigné

IT-MtBodone bAb new (D) Eloigné

IT-Amplero bA new (moyen) Eloigné

NL-Cabauw Ab D (new) Eloigné

PT-mitra DC new (D) Acceptable

UK-Easterbush A C(new) Eloigné

(Source personnelle)

17 Ne retrouvant pas les mêmes résultats, avec les deux méthodes, deux hypothèses simples apparaissent : soit les sites sont mal caractérisés par manque d’information (espèces dominantes), soit le paramétrage des modèles ne correspond pas au type défini par la typologie fonctionnelle (Tableau V).

Mais la réalité est plus complexe, les prairies récemment semées (en type A) se dégradent de façon plus ou moins vite (tendant vers CD) en fonction des zones géographiques compte tenu du fait que les espèces sont remplacées par d’autres espèces notamment des dicotylédones. En ce que concerne les prairies permanentes, l’évolution du couvert végétal reste lente car ces prairies comprennent un assemblage d’espèces de graminées déjà adaptées au milieu.

CH Oensingen est resté du type A, étant donné que cette prairie fait partie d’une ferme expérimentale qui veille à conserver la végétation d’origine (élimination des espèces indésirées).

Après cette vue d’ensemble, on peut analyser les variables de façon individuelle, et on constate que le new ne donne pas toujours la meilleure simulation. Pour ET, RECO et SM, on peut voir qu'il est discutable de toujours utiliser new et qu’avec un modèle différent les résultats seraient meilleurs. Par exemple, la modélisation de l’évapotranspiration donne des sommes d’erreurs différentes entre le paramétrage du type A et le modèle « new », mais cet écart reste peu significatif. En revanche on voit bien avec le NMBE que les modèles sous-estiment la réalité de -11,15 à -21,64 et que le paramétrage de type A est celui apportant le moins d’erreur globale (Figure 11). Il est donc possible d'améliorer le paramétrage par défaut sur certains points.

3.2.5 Discussions générale

Le modèle PaSim, a été amélioré pour une meilleure prise en compte du rôle de la dynamique de la diversité fonctionnelle végétale en implémentant 6 types de végétation selon une typologie de praire. De manière plus générale, en se basant sur les résultats précédents, une question se pose : faut-il tenter de paramétrer le modèle avec une typologie fonctionnelle ou faut-il simplement améliorer le modèle « new » afin qu'il concorde mieux avec la diversité des prairies ?

Le paramétrage « new » est améliorable de façon simple i) en réalisant un travail sur les données précédentes (ce qui apporterait une faible amélioration), ii) en ajoutant de nouveaux jeux de données et de nouveaux sites d’étude (ce qui augmenterait la fiabilité statistique du modèle).

L'amélioration de PaSim à l'aide d'une typologie est réalisable, mais pour cela il faudrait créer une typologie à l’échelle de l’Europe et par conséquent créer des paramétrages adaptés pour chacun des nouveaux types.

18 Les deux types, « moyen » et « mixte » sont basés sur des détermination et estimation, avec des informations sur la diversité des espèces des prairies. Avec une telle typologie (échelle européenne), les résultats auraient été meilleurs.

Pour obtenir des sorties meilleures que le new, les paramétrages associés aux types devraient couvrir une gamme de valeurs plus grande, afin d'avoir une plus grande étendue de résultats. Ainsi, le changement de type au cours du temps (mixte) correspondait mieux à la réalité et pourrait mieux modéliser les spécificités de différentes les prairies. Entreprendre un tel travail serait très couteux et prendrait plusieurs années avant d’aboutir.

Reste à savoir si une amélioration qui pousse à obtenir des résultats très précis avec la typologie, aurait un intérêt suffisant. Ou si une amélioration du new suffirait pour atteindre les objectifs de précision voulu pour ce modèle.

19

Conclusion

L'étude de 12 prairies européennes a permis de tester le fonctionnement d’un modèle de simulation des prairies (PaSim) paramétré selon certains critères de la typologie fonctionnelle des graminées, et évalué par comparaison des valeurs prédites et des valeurs observées de plusieurs variables. Les conclusions de cette étude sont que l'utilisation d'une typologie à l’origine créée à une échelle régionale, donne des résultats qui peuvent être satisfaisants dans certains cas, et incorrects lorsqu’on étend l’analyse sur une zone géographique avec des caractéristiques éloignées de la zone pour lesquels la typologie a été créée.

Le paramétrage « new » de PaSim est, en l’état, la meilleure façon d’utiliser le modèle, car il permet d’obtenir des sorties plus fiables. Pourtant un travail conséquent reste à faire afin d'améliorer PaSim.

Deux possibilités se présentent : i) l'amélioration mathématique du paramétrage « new » en calibrant le modèle avec de nouvelles données ; ii) l'utilisation d'une typologie fonctionnelle adaptée à une échelle européenne et son changement au cours du temps (mixte/moyen) afin de créer une modélisation se rapprochant de la végétation réelle.

Le travail réalisé pendant ce stage, qui consiste en un regroupement de données et une analyse approfondie des informations obtenues, permet d'avoir une vision d’ensemble des données s’étendent sur une dizaine d’années. Suite à cette étude et cette première évaluation, le travail va être repris dans le cadred'un article scientifique cherchant à perfectionner le module végétation dans PaSim.

Bibliographie et Sitographie :

[1] M. Duru, C. Jouany, J. P. Theau, S. Granger, et P. Cruz, « L’écologie fonctionnelle pour évaluer et prédire l’aptitude des prairies permanentes à rendre des services », Fourrag. 213 21-34 2013, 2013.

[2] F. Louault, V. D. Pillar, J. Aufrere, E. Garnier, et J. F. Soussana, « Plant traits and functional types in response to reduced disturbance in a semi-natural grassland », J. Veg. Sci. Off. Organ

Int. Assoc. Veg. Sci., 2005.

[3] P. Cruz, J. P. Theau, E. Lecloux, C. Jouany, et M. Duru, « Typologie fonctionnelle de graminées fourragères pérennes : une classification multitraits », Fourrag. 201 11-17 2010, 2010.

[4] INRA, « Grand public », 01-mars-2012. [En ligne]. Disponible sur: http://prod.dijon.inra.fr. [Consulté le: 31-mai-2018].

[5] INRA, « Auvergne - Rhône-Alpes », 20-juin-2012. [En ligne]. Disponible sur: http://www.ara.inra.fr. [Consulté le: 31-mai-2018].

[6] M. (Swiss F. R. S. for A. and A. Riedo, A. Grub, M. Rosset, et J. Fuhrer, « A pasture simulation model for dry matter production, and fluxes of carbon, nitrogen, water and energy », Ecol.

Model. Neth., 1998.

[7] S. Ma et al., « Regional-scale analysis of carbon and water cycles on managed grassland systems », Environ. Model. Softw. 72 356-371 2015, 2015.

[8] J. Bos, A. Pflimlin, H. F. M. Aarts, et F. Vertes, « Nutrient management at farm scale: how to attain policy objectives in regions with intensive dairy farming: first workshop of the EGF Working Group “Dairy farming systems and environment” Quimper, France, 23-25 June 2003 », janv. 2005.

[9] P. (INRA Carrère et al., « Une typologie multifonctionnelle des prairies des systèmes laitiers AOP du Massif central combinant des approches agronomiques et écologiques. », 2012. [10]F. Launay, R. Baumont, S. Plantureux, J.-P. Farrié, A. Michaud, et P. E, Prairies permanentes :

des références pour valoriser leur diversité. 2011.

[11]R. Lardy et al., « PaSim dans FarmSim ou de la modélisation des GES de la parcelle à l’exploitation From a greenhouse gas model on the plot scale to the farm study: PaSim into FarmSim », déc. 2010.

[12]A.-I. Graux, « Modélisation des impacts du changement climatique sur les écosystèmes prairiaux. Voies d’adaptation des systèmes fourrragers », phdthesis, Université Blaise Pascal - Clermont-Ferrand II, 2011.

[13]J. H. M. THORNLEY, « Dynamic Model of Leaf Photosynthesis with Acclimation to Light and Nitrogen », Ann. Bot., vol. 81, no 3, p. 421‑430, 1998.

[14]« Comment est calculé l’Évapotranspiration ? - ». [En ligne]. Disponible sur: https://www.campbellsci.fr/blog/evapotranspiration-101. [Consulté le: 01-juin-2018].

[15]J. S. Pereira et al., « Net ecosystem carbon exchange in three contrasting Mediterranean ecosystems ? the effect of drought », Biogeosciences, vol. 4, no

5, p. 791‑802, sept. 2007. [16]M. White, P. Thornton, et S. Running, « A continental phenology model for monitoring

vegetation responses to interannual climatic variability », Glob. Biogeochem. Cycles, p. 217‑234, juin 1997.

[17]M. Trnka et al., « Agroclimatic conditions in Europe under climate change », Glob. Change

Biol., vol. 17, no 7, p. 2298‑2318.

[18]C. J. Willmott et K. Matsuura, « Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance », Clim. Res., vol. 30, no

1, p. 79‑82, déc. 2005.

[19]J. M. Yang, J. Y. Yang, S. Liu, et G. Hoogenboom, « An evaluation of the statistical methods for testing the performance of crop models with observed data », Agric. Syst., vol. 127, p. 81‑89, mai 2014.

Table des Annexes :

Annexe 1 : Typologie fonctionnelle de graminées 1.1. Liste des espèces

1.2. Information complémentaire sur les traits fonctionnels 1.3. Information complémentaire sur le traitement statistique 1.4. Description détaillée des types fonctionnels :

Annexe 2 : Typologie AOP complément 2.1. Questionnaire d'identification 2.2. Clef de détermination

2.3. Fiche technique du type 17 Annexe 3 : Typologie nationale complément

3.1. Clef de détermination

3.2. Fiche technique du type PO1

Annexe 4 : Répartition des type fonctionels au cours de l’année Annexe 5 : Paramètres de modification de PaSim avec la typologie Annexe 6 : Script R

Annexe 1 : Typologie fonctionnelle de graminées

1.1. Liste des espèces

Tableau listant les 38 espèces eétudiées (noms latins et communs), origine géographique des prairies où elles ont été récoltées (en France) et codage utilisé [3].

1.2. Information complémentaire sur les trais fonctionnel

« La teneur en matière sèche des feuilles saturées en eau (TMS) est le trait de

référence de la première typologie. Il est très bien corrélé à la densité des tissus foliaires et, pour cette raison, permet de discriminer les stratégies d’acquisition de ressources (capture vs. conservation) chez les végétaux (RYSER et LAMBERS, 1995). Il est un bon indicateur des niveaux de fertilité dans lesquels la prairie a évolué (ANSQUER et al., 2004a). Il informe également sur des caractéristiques d’importance agronomique telles que la digestibilité de la matière organique (DMO) des espèces (AL HAJ KHALED et al., 2006 ; PONTES et al., 2007) ou leur phénologie (ANSQUER et al., 2008a).

La surface spécifique foliaire (SSF) est bien corrélée à la productivité primaire de la

prairie et c’est un bon descripteur du taux de croissance relatif des espèces (GARNIER, 1992).

La durée de vie foliaire (DVF) est le trait qui rend compte du recyclage (turn-over)

des tissus foliaires, ce qui conditionne les pratiques de fauche et de pâturage de deux

manières. D’une part, l’utilisation tardive d’espèces à courte DVF entraînera une forte perte de biomasse par sénescence et, d’autre part, l’utilisation précoce d’espèces ayant une DVF longue présente des risques quand à la survie de la population du fait d’un manque

d’adaptation à des défoliations fréquentes.

La date de floraison (FLO) est un des traits phénologiques le plus facilement

observables. Il permet de définir la précocité des espèces qui dominent dans une prairie et donc de piloter des pratiques telles que la fauche ou le déprimage de l’herbe. En pâturage, des stades repères plus précoces sont utilisés pour gérer le déprimage et l’étêtage de la prairie (GILLET, 1980). Cependant, ces repères nécessitent de connaître la date à laquelle le stade “épi à 10 cm” est atteint pour pouvoir éviter ou au contraire favoriser l’ablation des apex reproducteurs. La floraison est bien corrélée aux autres stades phénologiques et permet de classer les espèces selon leur précocité tout en évitant la mesure du stade “épi à 10 cm”, très difficile à réaliser.

La hauteur maximale (Hmax) discrimine les espèces par leur capacité à accumuler la

biomasse sur pied. Ce trait a un intérêt dans des modes d’exploitation pour lesquels une forte production de biomasse prime sur la qualité de l’herbe récoltée (reports sur pied, foins tardifs destinés à faire du stock). C’est aussi un trait qui peut être relié à une certaine aptitude compétitive (WESTOBY, 1998) car les espèces de grande taille peuvent exercer une forte