Agriculture de Précision, Modèle de culture et Phytotechnie

(1)

Agriculture de Précision,

Modèle de culture &

Phytotechnie

1

Dr Ir Benjamin Dumont

Ainsi que toutes les personnes impliquées dans ce projet

-Présentation originale réalisée dans le cadre de la journée d’étude sur

l’Agriculture de Précision

Organisée par la Chambre de commerce Tuniso-Belgo-Luxembourgeoise

(2)

Contexte général

L’expérimentation numérique La modélisation agronomique

Développement d’un outil d’aide à la décision (OAD) Collecter l’information

Prévision des rendements

(3)

3

Contexte général

1945 Vision productiviste de l’agriculture

(4)

Contexte général

1960

1980

Vision réductionniste de l’agriculture - Révolution verte

(5)

5

Contexte général

1960

1980

1990

Agriculture de Précision – €€€

(6)

Contexte général

1960

1980

1990

Directive Européenne Nitrate 91/6/76/EEC

Besoin de concilier économie et environnement

(7)

7

Contexte général

1960

1980

1990

Directive Européenne Nitrate 91/6/76/EEC

Besoin de concilier économie et environnement

Présent

(8)

Contexte général

L’expérimentation numérique

La modélisation agronomique

(9)

Expérimentation agronomique

Questionnement

Problématique

Hypothèses

Expérimentation

Analyse

Conclusion

Décision

Recommandation

9

(10)

Expérimentation agronomique

Questionnement

Problématique

Hypothèses

Expérimentation

Analyse

Conclusion

Décision

Recommandation

Référence absolue

Couteux

Energivore

Spécifique

Peu-transférable

(11)

Drone/Satellite

Couverture spatiale élevée

Résolution temporelle faible

“Instantané”

Diagnostique

(12)

Des technologies émergentes

Modèle sol-culture

Représente l’Agro-Ecosystème

Dynamique du système

Comprendre les causes

Analyser les

Drone/Satellite

Couverture spatiale élevée

Résolution temporelle faible

“Instantané”

(13)

Expérimentation agro-numérique

Questionnement

Problématique

Hypothèses

Expérimentation

Analyse

Conclusion

Décision

Recommandation

Expérimentation

Numérique

(14)

Contexte général

L’expérimentation numérique

La modélisation agronomique

(15)

15

Une science transversale

Modélisation

sol-plante-atmosphère

Agriculture

Agronomie

Biol. Vég.

Génétique

Hydro-géologie

Climatologie

Mathématique

Statistique

Modélisation agronomique

(16)

Modélisation Sol-Plante

Fonctionnement du modèle de culture

Module Croissance végétale Module Nutriments Module Balance hydrique

(17)

Données d’entrée Modélisation Sol-Plante

Fonctionnement du modèle de culture

Module Croissance végétale Module Nutriments Module Balance hydrique Scénarios climatiques Sols Itinéraires techniques Cultures

(18)

Données d’entrée Modélisation Sol-Plante Données sortie

Fonctionnement du modèle de culture

Rendements Rendements Bio-chimie du sol Bio-chimie du sol Balance hydrique Balance hydrique Stress culturaux Stress culturaux Module Croissance végétale Module Nutriments Module Balance hydrique Scénarios climatiques Sols Itinéraires techniques Cultures

(19)

(20)

Expérimentation agro-numérique

Synergie Modélisation-Expérimentation

Alimenter

MESURE

MODELE

Guider

(21)

21

Contexte général

Développement d’un outil d’aide à la décision (OAD)

Collecter l’information

Optimisation du management de l’azote Conclusion

(22)

Un OAD générique

Développer un outil de recherche

Ce que l’on ne maitrise pas Ce que l’on veut étudier Ce que l’on veut optimiser

(23)

Ce que l’on ne maitrîse pas :

Le type de sol

Peut être PARAMETRISE via carte sols

Le climat

23

Climat connu J_jour Futur inconnu

Set de données minimum pour la simulation d’une saison

Scenarii climatiques

(24)

Ce que l’on ne maitrîse pas :

Le type de sol

Peut être PARAMETRISE via carte sols

Le climat

Peut être EXPLORE

Développer un outil de recherche

Climat connu J

Set de données minimum pour la simulation d’une saison

Scenarii climatiques

(25)

Ce que l’on maitrise :

Déterminer le moment le plus opportun pour une action donnée Déterminer l’action la plus adaptée à un instant donné

25 …

Scenarii Mgt

Scenarii climatiques

Développer un outil de recherche

(26)

Ce que l’on veut optimiser :

Critère agronomique

Rendement maximal Critères décision Scenarii Mgt Scenarii climatiques

(27)

27

Ce que l’on veut optimiser :

Critère agronomique

Rendement maximal

Critère agro-économique

Revenu marginal net ~ f(rendements, intrants)

Critères décision

Scenarii Mgt

Développer un outil de recherche

Y_I = Rendement sous intrant I[ton.ha-1_]

P_G= Prix de vente grain [€.ton-1_]

Q_I = Quantité d’intrants I [kg.ha-1_]

P_I= Prix achan de l’intrant I [€. kgN-1_]

(

Y

I

P

G

) (

Q

I

P

I

)

MNR

=

.

−

.

(28)

Ce que l’on veut optimiser :

Critère agronomique

Rendement maximal

Critère agro-économique

Revenu marginal net

Critère agro-économico-environnemental

Amélioration de la fertilité des sols

Optimisation de l’utilisation des nutriments Optimisation des ressources en eau

Critères décision

Scenarii Mgt

(29)

Climats

Crop model

Modele inputs :

Plantes - Mgt - … Sols

Développer un outil de recherche

Critères décision Scenarii Mgt

(30)

Contexte général

Développement d’un outil d’aide à la décision (OAD)

Collecter l’information

(31)

Climats

Crop model

Modele inputs :

(32)

Les outils disponibles

Base de données climatiques: Pameseb

30 stations Maille ~30 km Expérimentation Champ/ECOTRON Base de données climatiques

(33)

33

Les outils disponibles

Les zones bioclimatiques en

Tunisie

http://www.environnement.gov.tn/index.php?id=98 Expérimentation Champ/ECOTRON Base de données climatiques

(34)

Base de données sols: CNSW

6000 unités de sol 500.000 plages de sol

Les outils disponibles

Base données sols Expérimentation Champ/ECOTRON Base de données climatiques

(35)

La carte pédologique de la

Tunisie

35

Les outils disponibles

http://h05-prod-vm15.jrc.it/images/Eudasm/Africa/images/maps/ download/PDF/afr_tnped.pdf Base données sols Expérimentation Champ/ECOTRON Base de données climatiques

(36)

Le monitoring

environnemental :

Les outils disponibles

Base données sols Expérimentation Champ/ECOTRON Base de données climatiques Monitoring environnemental

(37)

eKo Pro series

Crossbow

Les outils disponibles

(38)

Les outils disponibles

L’eKo Pro series

en pratique

(39)

39

Les outils disponibles

L’eKo Pro series

en pratique

(40)

Contexte général

Prévision des rendements

(41)

Climats

Crop model

Modele inputs :

(42)

Prévision des rendements Climats Crop model Modele inputs : Plantes - Mgt - … Sols

Développer un outil de recherche

(43)

43

Approche ‘Climat moyen’

Normale saisonnière

Climat connu j_i Climat moyen

Climat moyen

Simulations temps réel

La normale saisonnière:

Combinaison évolutive des données

(44)

Mise en oeuvre sur une année donnée (2005-2006)

Simulations climat moyen complet climat réel complet

Climat réel mesuré Effet du stress

Climat futur moyen Conditions de croissance optimales

Approche ‘Climat moyen’

Climat moyen

(45)

Mise en oeuvre sur une année donnée (2005-2006)

Simulations climat moyen complet climat réel complet

Climat réel mesuré Effet du stress

Climat futur moyen Conditions de croissance optimales

45

Approche ‘Climat moyen’

Climat moyen

Semis _Récolte

(46)

Mise en oeuvre sur la totalité de la base de données

Associer un niveau d’erreur à la prédiction (_± 10% rendement final)

Selection du premier jour possible pour la prédiction

2 4 6 8 10 12 T o ta l b io m a s s [ to n /h a ] Mean Bound. Evol. Niveau d’erreur toléré (_±10%) Climat moyen

Approche ‘Climat moyen’

10 12 G ra in y ie ld [ to n /h a ]

(47)

Mise en oeuvre sur la totalité de la base de données

Selection du premier jour possible pour la prédiction (_± 10% rendement final) Distribution de probabilité cumulée et détermination du risque

47

Approche ‘Climat moyen’

0 50 100 150 200 250 300 6 7 8 9 10 11 12 13 14 15

No. of observed days since sowing

G ra in y ie ld [ to n /h a ] Mean Evol. Probabilité 0.95 0.90 0.75 0.50 Rdt Grain _± 1.0t/ha 19 Juillet 19 Juillet 09 Juillet 28 Juin

140 160 180 200 220 240 260 280 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 P ro b a b ili ty o f P re d ic ti o n

No. of observed days since sowing

Climat moyen

(48)

Impact agronomique

Avant la floraison Capacité de compensation forte Après la floraison Remplissage du grain

Approche ‘Climat moyen’

Climat moyen

7 8 9 10 11 12 13 14 15 G ra in y ie ld [ to n /h a ] Mean Floraison

(49)

49

Contexte général

Optimisation du management de l’azote

(50)

Optimiser la fertilisation azotée :

Etudier l’effet de la dose de fertilisant azoté appliqué à la dernière feuille

N dernière feuille ?

…

N tallage

Développer un outil de recherche

(51)

Climats

Crop model

Modele inputs :

(52)

Phénologie Management Decision Climats Crop model Modele inputs : Plantes - Mgt - … Sols

(53)

Optimiser l’azote

Avant la floraison

Capacité de compensation forte

Focus sur stade ZS39 (Flag-leaf) du blé d’hiver

Dumont, B., Basso, B., Bodson, B., Destain, J., Destain, M., 2015. Climatic risk assessment to improve nitrogen fertilisation recommendations : A strategic crop model-based approach. European Journal of Agronomy 65, 10-17

(54)

Optimiser l’azote

Exemple de resultats : 60-60-60 kgN.ha

-1

(55)

Optimiser l’azote

Exemple de resultats : 60-60-60 kgN.ha

-1

En termes de gestion du risque :

Climat le + défavorable est celui qui a

le + de chances de se produire Climate ‘+’ = Probabilité 0 Climate ‘-’ = Probabilité 1 CDF distribution Climate “+” Climate “-”

(56)

Une courbe de réponse 3D

spécifique au site de mesure

Precision Agriculture

Optimiser l’azote

Climate + N + M N R [ €. ha -1 ]

(57)

Le futur est inconnu

la position sur la surface est inconnue

Optimiser l’azote

Climate -Climate + N + N -M N R [ €. ha -1 ]

(58)

Pour chaque probabilité climatique il existe une dose N optimale

Optimiser l’azote

Climate + N + M N R [ €. ha -1 ]

(59)

La relation Nopti – Climat est linéaire (dans l’espace 2D)

Optimiser l’azote

(60)

Sélectionner la dose qui surpasse les autres la majorité du temps

Optimiser l’azote

Climate -Climate + N + M N R [ €. ha -1 ]

(61)

Optimisation sur base d’un critère agro-economique

Optimiser l’azote

Basso, B., Sartori, L., Bertocco, M., Cammarano, D., Martin, E.C., Grace, P.R., 2011. Economic and environmental evaluation of site-specific tillage in a maize crop in NE Italy. European Journal of Agronomy 35(2) 83-92.

60-60-50kgN/ha Gp = 200eur/ton

(62)

Quid de la composante environnementale ?

Optimiser l’azote

(63)

Optimisation sur base d’un critère agro-econ.-environnemental

M N R [ €. ha -1 ]

Dumont, B., Basso, B., Bodson, B., Destain, J., Destain, M., 2015. Climatic risk assessment to improve nitrogen fertilisation recommendations : A strategic crop model-based approach. European Journal of Agronomy 65, 10-17

NAL [kgN.ha-1_] Climat “+” Climat “~” Climat “-” N + N

-Optimiser l’azote

(64)

Optimisation sur base d’un critère agro-econ.-environnemental

M N R [ €. ha -1 ] Climat “+” Climat “~” Climat “-” N + N

-Optimiser l’azote

Entre 30 and 50kgN.ha-1 _: MNR se stabilise

NAL augmente fortement

50 kgN.ha-1

(65)

65

Contexte général

Spatialisation du management de l’azote

(66)

Utiliser différentes sources d’information

Texture des sols

Propriétés des sols (conductivité, matière organique, etc.) Carte des rendements (moissonneuse de précision, etc.) Imagerie drone (Indice de végétation, etc.)

(67)

67

(68)

Utiliser différentes sources d’information

Texture des sols

Synthétiser l’information

Analyse temporelle Analyse spatiale

Définition de zones homogènes

(69)

69

(70)

Utiliser différentes sources d’information

Texture des sols

Synthétiser l’information

Analyse temporelle Analyse spatiale

Définition de zones homogènes

Déterminer la dose N la plus adaptée

Analyse temporelle par zone Détermination de l’optimum

(71)

71

(72)

(73)

73

Contexte général

Optimisation du management de l’azote

(74)

Conclusion

Les approches développées :

Sont Génériques par rapport à la culture et au modèle de culture

Sont spécifiques au site et sont concues pour prendre en compte les variabilités Inter- et Intra-annuelles

Permettent à chacun de gérer le Niveau de Risque

Considèrent des critères Agro-Economico-Environnementaux

Aident au Processus decisionniel via une Préconisation en temps-réel Peuvent aisément être couplées avec des systèmes d’acquisitions de type Remote Sensing permettant d’Améliorer les Simulations dans le Temps

(75)

Phénologie Management Decision Climats Crop model Modele inputs : Plantes - Mgt - … Sols

Conclusion

(76)

Conclusion

À l’heure actuelle, tous les outils sont disponibles en Tunisie pour

implémenter une agriculture de précision qui repose sur la

modélisation agronomique, qui permette de maximiser les

rendements et de préserver l’environnement

(77)