HAL Id: hal-02805385
https://hal.inrae.fr/hal-02805385
Submitted on 6 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.
Bilan hydrique de la nappe de la Crau : prairies sèches,
validation d’un modèle d’irrigation, étude piézométrique
Marie Furet
To cite this version:
Marie Furet. Bilan hydrique de la nappe de la Crau : prairies sèches, validation d’un modèle
d’irrigation, étude piézométrique. [Stage] Université d’Avignon et des Pays de Vaucluse (UAPV), Avignon, FRA. 2011, 71 p. �hal-02805385�
Année universitaire 2010-2011
RAPPORT DE STAGE
MASTER 1«
Hydrogéologie,
S
ol et
E
nvironnement »
Bilan hydrique de la nappe de la Crau :
Prairies sèches, validation d’un modèle d’irrigation,
étude piézométrique.
Présenté par
Marie FURET
Stage réalisé à l’INRA d’Avignon, site saint Paul, unité EMMAH.
Tuteur du stage : André CHANZY
3
AVANT PROPOS
Mon stage s’est déroulé sur le site Saint-Paul de l’INRA d’Avignon pendant une durée de 4 mois. Durant celui-ci j’ai pu découvrir le milieu de la recherche appliquée.
Mon but à été de diversifier les surfaces déjà étudiées sur la nappe de la Crau (prairie) en prenant en
compte les prairies sècheset de fournir son bilan hydrique via un modèle empirique.
En outre sur la base des données hydriques et hydrogéologiques ainsi que sur les différentes données piézométrique récoltées, une évaluation des sorties et entrées d’eau a été effectuée dans les prairies afin de déterminer la fiabilité de la modélisation faite auparavant sur ces parcelles.
Un premier temps de mon stage a été consacré à la prise en main des données de flux disponibles sur 2010.C’est à dire leurs significations, leurs variations temporelles puis par la suite leurs traitements sur le logiciel R.
Dans un second temps je me suis consacré à la mise en place du modèle d’évapotranspiration réel. En parallèle des campagnes de terrain ont étés effectuées : une campagne piézométrique le 14 avril 2011 afin de retrouver l’ensemble des piézomètres disponibles sur le territoire de la CRAU dans le cadre du projet astuce et tics, une campagne de relevé piézométrique de l’ensemble des piézomètres de l’INRA le 17 mai 2011 avec la mise en place d’une nouvelle sonde piézométrique sur le domaine de De Caussan, une campagne de nivellement des piézomètres suite à la campagne du 14 avril le 8 et 9 juin 2011 et enfin la après une recherche et la prise de contact avec un particulier pour poser une nouvelle sonde pour le compte de l’INRA celle-ci à été mise en place le 6 juillet 2010 près d’Arles.
La fin de mon stage à été consacré à déterminer les sorties et entrées d’eau dans les prairies pour comparer ces données au modèle d’irrigation et à l’étude des données piézométriques (récoltées en partie durant les campagnes précédentes) pour établir la cohérence des résultats obtenus auparavant.
Nous pouvons estimer que mes tâches ont étés réparties comme suit :
Je remercie les Arrosants de la Crau pour leur aide et leur collaboration durant mon stage.
Je tiens à remercier également mon tuteur de stage, Monsieur André Chanzy, Chercheur à l’INRA d’Avignon, qui a su m’accompagner tout au long de mon stage avec beaucoup de patience et de gentillesse, même lors des difficultés. Son expérience et son investissement m’ont permis d’acquérir plus de rigueur et
4
RESUME
La plaine de la Crau en région PACA a été choisie comme zone atelier de démonstration du projet Astuce et tics. La steppe est divisée entre une steppe aride ou coussouls de 9200 ha à 10 126 ha et une Crau des prairies de 12 500ha.
La modélisation déjà proposée dans ce cadre simule sur la zone d’étude les principales productions
végétales et le bilan hydrique de ces cultures (Evapotranspiration, teneur en eau dans le sol, drainage), ainsi que le bilan d’azote et le bilan de carbone des cultures, en fonction des itinéraires techniques agricoles pratiqués dans la zone, des propriétés du sol et du forçage climatique.
Le but sera de diversifier les surfaces considérées en prenant en compte les prairies sècheset de fournir
son bilan hydrique (Evapotranspiration, drainage) via un modèle empirique sur la période 2003/20010 et dans la perspective du changement climatique de simuler ces résultats sur la période 2025/2035.
Déplus, sur la base des données hydriques et hydrogéologiques fournis par les arrosants de la Crau, gérants les canaux d’irrigation des cultures, ainsi que sur les différentes données piézométrique récoltées, je
fournirai une évaluation des sorties et entrées dans les prairies afin de déterminer la fiabilité de la modélisation faite auparavant sur ces parcelles.
Mots-clés :
Astuce et tics/ steppe aride/modèle empirique d’évapotranspiration/prairies/ bilan hydrique/données piézométrique.ABSTRACT
The plain of Crau in region of Provence-Alpes-Côte d'Azur was chosen as a demonstration area in the Astuce et Tics Project. The area is divided into a dry steppe or coussouls of 10 126 ha and Crau of the meadows and irrigated land with 12 500ha of grassland.
The modelling already proposed in this frame represent s on the zone of study the main vegetable productions and the hydrological balance of these crops (Evapotranspiration, the drainage), as well as the coupled nitrogen and carbon balance according to the agricultural pratices, the soil properties and the climatic forcing.
The purpose will be to diversify considered surfaces by taking into account the dry grassland and to supply its water balance sheet (Evapotranspiration, drainage) with an empirical model over the period 2003/2010 and in the prospect of the climate change to feign these results over the period 2025/2035.
On the basis of the hydrological and hydrogeological data supplied by the arrosants of Crau, managers the irrigation channels of the cultures, as well as on the various data collected, I shall supply an evaluation of the exits and the entrances to the meadows to determine the reliability of the modeling made previously on these plots of land.
Key words:
Astuce et tics/ dry steppe/ empirical model of evapotranspiration/cultures/ hydric balance/ hydric and hydrogeological data.5
SOMMAIRE
I)
Introduction………...p5
II)
les coussouls : calcul de l’ETR et du drainage………P6
1- Démarche générale
……….p62- Modèle d’évapotranspiration réelle
……….…….p6a- Présentation du modèle : réduction de l’évaporation caractérisée par la somme des ETP...p6 b- Calcul de l’ETP ……….p7 c- Calcul du LE ………p8 d- Calcul des paramètres……….…..p8
3- Données de calage du modèle : année 2010
………..…..p9a- Traitement des données……….…...….p9 b- Résultats du calage……….p9
4- Résultats du calcul d’ETR et de drainage
………...p11a-
Présentations des résultats………....p11 b- Années 2003/2010……….p12 c- Années 2025/2035……….…p12 d- Analyse……….p125- Conclusion
……….…p13III) Prairies : estimation des apports d’eau de drainage par
irrigation………..p14
1- Données ASCO arrosants de la Crau
……….p14a- Données brutes………p14
b- Données traitées……….p14
2- Présentation du modèle de culture pour l’irrigation
………..p163- Comparaisons
……….…….p16IV) Les données piézométriques………p18
1- Présentation du réseau piézométrique de la Crau
………p18 a- Présentation générale……….p18b- Données ADES et INRA………p18
2-
Matrices des corrélations et ACP
………p19 3-Conclusion
………...p20
V)
Conclusion………..p21
VI)
Bibliographie………..p22
VII)
Annexe………p23
6
I)
Introduction
Mon stage « bilan hydrique de la nappe de la Crau»s’inscrit dans le projet ASTUCE&TIC« Anticipation des
aménagements Sécurisés des Territoires Urbains, des Campagnes et de leur Environnement par les Technologies de l’Information et de la Communication » :
L’objectif du programme ASTUCE&TIC est de développer un outil d’aide à la décision à destination des collectivités locales pour appréhender la gestion des sols et des eaux face à l’étalement urbain en combinant des compétences et savoir-faire dans les domaines de l’agronomie, des géosciences, de l’urbanisme, des télécommunications, du droit et de l’économie.
Cet outil est, par conséquent, basé sur la mise en place de plusieurs modèles (de changement d’occupation du sol, des sols artificialisés, de cultures, géochimiques, économique).
La plaine de la Crau en région PACA a été choisie comme zone atelier de démonstration du projet : La plaine alluviale de la Crau est divisée entre une steppe aride ou coussouls de 9200 ha (Consortium ASTUCE&TIC , Février 2010 :Livrables ASTUCE&TIC n° 1 & 2 ) à 10 126 ha (réserve naturelle des coussouls de Crau, plan de gestion 2010/2014 :section A : diagnostics et enjeux, p19 tableau 10) et une Crau des prairies de 12 500ha qui voit pousser du « foin de Crau ».
La plaine de la Crau possède une nappe phréatique de première importance et ce sont les eaux d’irrigation des prairies de foin de Crau provenant de la Durance qui alimentent la majeure partie de ce réservoir. Ce territoire de 20 000 ha détermine l’alimentation en eau potable d’environ 250 000 habitants, et fournit l’eau aux grandes industries implantées au sud du territoire
Dans le cadre du projet ASTUCE&TIC, l’objectif général est de pouvoir fournir des indicateurs relatifs à la production agricole (rendement des cultures, production de biomasse), aux besoins en eau des cultures, au rôle des surfaces cultivées dans la recharge de la nappe (flux de drainage) et au bilan de carbone dans un contexte de modification d’usage des terres, de disponibilité de la ressource en eau pour l’irrigation et de changement climatique.
Pour cela, l’UMR EMMAH compte s’appuyer sur le modèle de culture STICS appliqué à l’ensemble des prairies de la CRAU. Pour chacune d’elles, il faut prescrire les itinéraires techniques (irrigation, fertilisation, conduite de la culture).
La modélisation déjà proposée simule sur la zone d’étude les principales productions végétales et le bilan hydrique de ces cultures (Evapotranspiration, teneur en eau dans le sol, drainage), ainsi que le bilan d’azote et le bilan de carbone des cultures, en fonction des itinéraires techniques agricoles pratiqués dans la zone, des propriétés du sol et du forçage climatique.
Mon but sera de diversifier les surfaces considérées en prenant en compte les prairies sècheset de fournir
son bilan hydrique (Evapotranspiration, drainage) via un modèle simple sur la période 2003/20010 et dans la perspective du changement climatique de simuler ces résultats sur la période 2025/2035.
De plus, sur la base des données hydriques et hydrogéologiques fournies par les arrosants de la Crau, gérants les canaux d’irrigation des cultures, ainsi que sur les différentes données piézométrique récoltées, je fournirai une évaluation des sorties et entrées d’eau dans les prairies afin de déterminer la fiabilité de la modélisation faite auparavant sur ces parcelles.
L’ensemble des ces objectifs a pour but de déterminer un bilan hydrique de la nappe de la Crau.
Une première partie de mon rapport s’articulera autour de la mise en place du modèle d’évaporation (LE) afin de déterminer les flux de sortie et d’entrée (infiltration) dans la nappe via les coussouls.
Une seconde partie mettra en avant les calculs des volumes d’entrée d’eau d’irrigation dans les prairies via les données observées fournis par les arrosants de la Crau et ces données seront confrontées au modèle de culture réalisé par STICS et plus particulièrement les volumes d’irrigations simulées.
Enfin dans une troisième partie nous utiliserons l’ensemble des données piézométriques disponibles sur la plaine de la Crau afin de voir la cohérence de l’ensemble des résultats sur la variation de la nappe observée.
7
II) Les coussouls : calcul de l’ETR et du drainage
1- Démarche générale
Le but de cette partie est de calculer, à partir des données de flux récoltées sur les années antérieures, l’évapotranspiration réelle (ETR) afin de fournir les pertes par évaporation des apports d’eau de pluie dans les coussouls et ainsi d’en déduire les apports par drainage.
Nous estimerons donc le drainage et l’évapotranspiration (ETR) en utilisant un modèle empirique
d’évapotranspiration. Ce modèle est basé sur la connaissance de l’évapotranspiration potentielle (ETP) et des précipitations. Il s’appuie sur un formalisme simple pour représenter la décroissance de l’ETR avec l’assèchement du sol. De plus, par la nature même de ses variables d’entrée, il peut être mis en œuvre dans le futur. Nous calculerons donc les ETR et le drainage sur la période 2003/2010 et nous fournirons des pronostics pour les années 2025/2035.
Le modèle à été construit sur la base de l’année 2010 et sera validé sur le début d’année 2011.
Lorsque la nappe est profonde (>5 m), le drainage est déterminé en faisant la soustraction P-ETR au pas de temps annuel. On fait ainsi l’hypothèse que l’eau précipitée non remobilisée par l’ETR va à la nappe et que les remontées capillaires sont négligeables, la couche de sol indurée faisant office de barrières au flux d’eau en dehors du réseau de fracture permettant le drainage seulement. Le drainage devient alors max(0, P-ETR). Lorsque la nappe est plus superficielle (<5m), les racines peuvent extraire de l’eau de la nappe. Dans ce cas, le terme P-ETR peut être négatif signifiant une décharge de la nappe.
En résumé nous présenterons dans cette partie d’abord le calage du modèle sur 2010, les données de calage et ensuite les mesures de drainage.
Le logiciel de travail est le logiciel R, les lignes de codes et routines sont disponibles en annexe (1).
2- Modèle d’évapotranspiration réelle
a- Présentation du modèle : réduction de l’évaporation caractérisée par la somme des ETP (Boesten et Stroosnijder, 1986).
Dans ce modèle nous considérons qu’au cours d’une séquence d’évaporation encadrée par deux épisodes pluvieux le desséchement du sol est d’autant plus rapide que la demande évaporatoire est forte.
Nous considérons que le dessèchement du sol limite l’évapotranspiration. Ce desséchement est pris en compte par l’évaporation potentielle cumulée. La réhumectation du sol est prise en compte par un mécanisme de réinitialisation de la somme des ETP qui dépendra du cumul pluviométrique. Cela revient à distinguer les petites pluies, qui réhumectent de manière superficielle le sol, des grosses pluies qui vont avoir un impact beaucoup plus durable sur les sols.
Le modèle a comme données d’entrée la somme des ETPi, la somme des LEi et la pluiej, ETPj ainsi que deux paramètres associé aux modèles : α et β. Les variable i sont les variables correspondantes au jour j-1 et les variables j les variables au jour j considéré.
En sortie le modèle fournira la somme des ETPj, somme des LEj et LEj. Plusieurs cas sont traités par ce modèle :
*Si la pluie=0 :
-si ∑ ETPi + ETPj ≤ β2 -si ∑ ETPj + ETPj ≥ β2
Alors ETRj=ETPj Alors ∑ ETPj= ∑ ETPi + ETPj
∑ ETPj= ∑ ETPi + ETPj ∑ ETRj= β* (∑ ETPj) 1/2
∑ ETRj=∑ ETRi + ∑ ETPj ETRj=∑ ETRj - ∑ ETRi
8
*Si la pluie > 0 : -Si la pluie>α: Alors ∑ ETPj=ETPj ∑ ETRj=ETPj ETRj=ETPj -Si 0<pluie<αAlors ∑ ETPi= (α-pluiej)/α * ∑ ETPi et - si ∑ ETPj>β2 alors ∑ ETRj= β* ∑ ETPj1/2
∑ ETPj=∑ ETPi + ETPj ∑ ETRi= β*∑ ETPi1/2
ETRj= ∑ ETRj-∑ ETRi
- si ∑ ETPj<β2 alors ∑ ETRj= ∑ ETPj ETRj=∑ ETPj
β2 correspond au moment ou la courbe somme des ETR en fonction de la somme des ETP se désolidarise de
la première bissectrice. C'est-à-dire au moment ou l’évaporation réelle se différencie de l’évapotranspiration
potentielle.
donc décrit la vitesse de réduction de l’ETR en fonctionnement de la somme des ETP.α est le nombre de mm de pluie qu’il est nécessaire d’apporter au système afin de le réinitialiser c'est-à-dire pour une complète réhumectation du sol.
b- Calcul de l’ETP
L’ETP, donnée d’entrée dans le modèle, a dû être recalculée car, même s’il était fourni dans les données passées, il doit être calculé pour établir l’ETR dans les années futures.
Pour que l’ensemble des calculs soient effectués sur la même base l’ETP penman à donc été recalculé (voir R code annexe1, futur()):
Avec
-P: coefficient psychrométrique
-dΔ: dérivée de la pression vapeur à saturation pvsa
-Ea :composante aérodynamique
Ea= (0.26*(pvsa-pva)*(1+ (0.54*U)) avec pvsa : pression vapeur à saturation (mb)
Pva :pression de vapeur (mb)
U : vitesse du vent (m.s-1)
-Rn : rayonnement net (mm/j)
Avec Rg : rayonnement globale (mj.m-2)
T : température moyenne (K)
Rg0 : Les codes sources de la routine d’Agroclim étant difficile à remobiliser pour le calcul de RG0 (succession de fonctions) nous avons du proposer une estimation de ce terme en s’appuyant sur les données de rayonnement.il a été obtenu en rassemblant sur les années 2001-2010 le
maximum des Rg par décades, un vecteur de 365 valeurs à alors été construit (voir annexe2) et
l’expression de RG0 à été déduite(voir annexe2).Il s’exprime en cal.cm-2.
Il à été vérifié par la suite que cette ETP calculée correspondait bien à celle déjà obtenue sur les années précédentes, l’année 2010 étant notre année référence nous avons vérifié sur cette année la cohérence des résultats obtenus (figure 3).
9
Figure 1 : comparaison ETP penman recalculé en rouge et donné en noir.
Ces ETP ont étés calculés sur l’ensemble des années 2003 à 2010 et 2025 à 2035 de manière journalière. c- Calcul du LE
Pour caler notre modèle nous avons besoin de comparer nos ETR aux données observée, c’est pourquoi il nous faut calculer le LE avec les données dont nous disposons sur 2010.
L’ensemble des flux étant connus le LE est déduit par un simple bilan : LE=-Rn+G+H
Avec -Rn le rayonnement net qui regroupe toutes les composantes radiatives. (w.m-2)
-G le flux de chaleur dans le sol qui représente les flux d’énergie entre le sol et la surface. . (w.m-2)
-H le flux convectif de chaleur sensible qui représente les échanges de chaleur entre la surface du sol
et l’atmosphère quand elles sont à températures différentes. . (w.m-2)
Ces flux ainsi que les données météorologiques utilisées (pluie, vent) sont récoltées via la station météo du Merle près de Salon de Provence dans la plaine de la CRAU.
d- Calcul des paramètres
Le modèle dépend de deux paramètres explicités ci-dessus. N’étant pas connus, ils ont donc été estimés en tabulant les α et β sur les données d’entrée de 2010 (voir annexe 1 R code, ttabβmodel()). Pour cela nous avons procédé à un calage en minimisant l’évaporation cumulée ou journalière et en parcourant
manuellement les tables obtenues.
Pour chaque combinaison d’α et de béta un critère d’erreur est calculé pour comparer les valeurs observées (données 2010) et les valeurs calculés par le modèle, deux critère on étés choisis :
crit1=І ∑LEj calculé-∑LEj observé І
crit2= √ (∑ (LEj calculé-LEj observé) 2/n) avec n nombre de valeurs du vecteur LEj.
10
Figure 2 : Cartographie du critère 2 dans l’espace des paramètres alpha et béta
Considérant des résultats nous avons choisi le couple α=75 et β=9.5 pour notre modèle. Les résultats sont présentés ci-après :
3- Données de calage du modèle : année 2010
a- traitement des données
Sur l’année 2010 nous avons accès aux mesures, toutes les 15 minutes, de flux (G,Rn,H) et mesures météo (pluie, vent, température…) toutes les demi-heures.
Cependant, concernant les données de flux, les données de début d’année (jusqu’au 19 mars) ne sont pas disponible, déplus sur le mois de décembre les données du flux de chaleur sensible H n’est plus
correctement mesurées ce qui entraine des absences de mesures sur certains pas de temps.
Pour palier ce dernier problème nous avons interpolé les résultats afin de combler au maximum le manque de mesures. Ainsi un programme permettant d’interpoler les valeurs manquantes, lorsqu’au maximum 5
valeurs d’affilées sont absentes, a été créé (annexe1, voir R code,interpolna())puis par bilan(voir calcul du
LE paragraphe précédent) le LE à été calculé (voir annexe 1,Rcode traitcoussoul()).C’est à partir de ce fichier
traitéque la mise en place du modèle est effectuée.
Les mesures s’effectuant toutes 15 min elles ont été rassemblés afin d’obtenir un bilan journalier, mensuel et annuel (annexe 1, R code moy()).Voici les résultats mensuels et annuels obtenus :
mois h rn g le pluie ETP I leetp lec etpc
W.m-2 W.m-2 W.m-2 mm mm mm mm mm mm 1 NA NA NA 26.52 41.00 33.15 14.48 0.80 26.52 33.15 2 NA NA NA 1.31 24.00 45.80 -12.64 0.03 27.83 78.95 3 NA NA NA 64.19 33.00 85.31 -31.19 0.75 92.02 164.26 4 29.06 103.41 5.14 74.14 48.00 122.27 -26.14 0.61 166.16 286.53 5 35.16 133.32 7.04 97.62 78.50 158.91 -19.12 0.61 263.78 445.44 6 56.04 147.98 12.90 81.94 60.50 187.81 -21.44 0.44 345.73 633.25 7 74.28 144.59 15.84 58.36 1.00 239.69 -57.36 0.24 404.08 872.94 8 60.38 112.48 5.04 50.42 19.50 194.65 -30.92 0.26 454.50 1067.60 9 39.78 82.70 -4.54 49.21 54.50 128.26 5.29 0.38 503.71 1195.86 10 12.49 38.42 -11.27 39.86 151.50 74.26 111.64 0.54 543.57 1270.11 11 1.92 14.29 -16.25 29.67 67.50 30.34 37.83 0.98 573.24 1300.45 12 NA -0.37 -12.85 17.12 59.50 26.54 42.38 0.65 590.36 1327.00 moyenne annuelle 38.64 86.31 0.12 590.36 638.50 1327.00 12.81 0.52
11
Tableau 1 : résultats traitements des données, bilan mensuels et annuels 2010
b- Résultat du calage
A partir des données journalières ainsi traitées et par le modèle pour calculer le LE expliqué précédemment nous avons donc fait tourner le modèle sur l’année 2010.
Comme nous pouvons le voir (figure 4) les résultats obtenus reste assez proches de la réalité, nous le voyons plus particulièrement lorsque nous comparons la somme des LE mesurés et la somme des LE modélisés, les deux courbes se superposant relativement bien. Nous remarquerons cependant que le modèle a tendance à surestimer légèrement les valeurs du LE avant les mois d’été (jusqu’au jour julien 250 environ) et au
contraire les sous-estimés par la suite. Sur la courbe des LE on remarquera une « anomalie » au alentour du jour 150 avec 2 valeurs modélisés entre 7 et 8 mm alors que les valeurs réelles se situent environ à 4 mm. Dans l’ensemble nous pouvons dire que ce modèle représente tout de même bien les résultats réels. Il faut cependant, pour l’utiliser sur plusieurs années sans référence, le vérifier sur une autre année ou le LE est connu, la seule année de disponible étant l’année 2011 ce modèle à été à nouveau testé sur le début d’année 2011.
Figure 3 : LE calculé avec α=75 et β=9.5en fonction le mesuré sur l’année 2010 (gauche) et 2011 (droite)
Lorsque l’on compare les données obtenues via notre modèle et via les données de 2010 récoltées (figure 2) il semble qu’ au delà d’une certaine erreur à l’échelle journalière Le modèle restitue bien les cumuls
annuels, rendant ainsi le bilan à l’échelle de temps annuel viable.
En effet lorsque nous calculons le coefficient de corrélation de ces deux droites de régression nous obtenons
pour 2010 un R2=0,57 et pour 2011 R2=0.23.De même pour la racine carré de la moyenne des erreurs carrée
RMSE=0.75 pour 2010 et RMSE=0.68 pour 2011.Le modèle est donc bien validé sur 2011 même si les résultats sont moins concluants.
Au vu des erreurs calculées nous savons que subsiste des erreurs dans le modèle mais il donne une
approximation annuelle globale fiable, avec un le cumulé presque identique en fin de simulation, mais il est plus inexact si l’on regarde de manière plus fine:
12
Figure 4 : calage du modèle sur les LE cumulés et les LE au cours de l’année 2010
Figure 5 : vérification du modèle sur les LE cumulés observés (pointillés) et calculés et les LE cumulés observés (rouge) et calculés au cours du début d’année 2011
4- Résultats des calculs d’ETR et de drainage
a- Présentation des résultats
Une fois le modèle calé sur 2010 et vérifié sur 2011 il est utilisé pour calculer les ETR sur les années 2003-2010 puis pour les estimer sur les années 2025 à 2035.
Les résultats obtenus sont journaliers et annuels (tableau 2).
Le drainage est ensuite mesuré en déduisant l’ETR de la pluie. En estimant que la surface des coussouls est
13
Figure 6 : graphique représentant les lames drainées sur les périodes 2003/2010 et 2025/2035
b- Années 2003-2010 année pluie (mm) ETR (mm) drainage global (mm) volume drainé global (m3) volume drainé (m3) 2003 648.7 554.7 93.9 9515049.0 61740448845 2004 713 661.9 51.0 5173395.6 52928685705 2005 690.4 639.7 50.6 5129077.6 59177146067 2006 459 441.9 17.0 1729529.6 44199314258 2007 300.5 430.1 -129.6 -13127283.3 28143015553 2008 749 604.2 144.7 14659114.8 68958356499 2009 635.5 615.0 20.4 2072634.9 58580457434 2010 638 624.0 13.9 1413106.6 53692066914
Tableau 2 : bilan annuel drainage et ETR sur les années 2003/2010
Sur ces années 2003 à 2010 nous remarquerons une année ou la nappe a subi globalement une décharge (année 2007), c’est donc l’année où il y a eu le moins d’eau atteignant la nappe par drainage (278
mm).L’année 2006 bien que non déficitaire est néanmoins aussi une année qui peut être considérée comme sèche (436 mm de drainage arrivant à la nappe). Les années précédentes et suivantes sont en revanche assez stable autour de 520 à 680mm d’eau atteignant la nappe.
14
c- Années 2025-2035
années pluie (mm) ETR (mm)
drainage global (mm) volume drainé global (m3) volume drainé (m3) 2025 624.3 614.7 9.5 970229.9 46852930211 2026 604.1 567.2 36.8 3731808.6 50801860012 2027 418.9 467.0 -48.1 -4873278.2 33158539459 2028 531.7 630.4 -98.7 -9996202.0 39789441297 2029 418.6 467.8 -49.2 -4988695.5 36167715421 2030 764.9 568.9 195.9 19841881.6 63806098872 2031 565.5 623.4 -57.9 -5869004.7 45446040000 2032 471.3 553.4 -82.1 -8316914.5 35655783190 2033 834.7 691.8 142.8 14463732.5 64739850791 2034 539.3 605.0 -65.7 -6659147.5 44679848120 2035 437.1 504.1 -67.0 -6791581.5 36628086681
Tableau 3 : bilan drainage et ETR sur les années 2025/2035
Sur ces années 2025 à 2035, prévisionnelles, nous pouvons remarquer 7 années sur 11 qui seront a priori déficitaires et où la nappe subirait une décharge (2027à2029, 2031/32 et2034/2035) avec un apport par drainage de 320 à 450 mm d’eau environ, cependant nous pouvons aussi remarquer que l’année 2025 et 2026 semblent particulièrement sèches avec un 462 mm et 501 mm d’eau apporté à la nappe.
Les autres années ont en revanche un fort apport de 630 mm d’eau. d- Comparaison
Si nous comparons la situation actuelle et celle que nous avons estimée en 2025/2035 il semble que les changements soient donc importants.
En effet dans les années actuels si seuls une année est déficitaire sur huit années étudiées, sept sur onze le serait sur les années 2025/2035.
Si nous comparons les quantités de pluie tombées sur les différentes années (figure 7) la différence ne parait pas importante, il semblerait même que les années 2025 à 2035 soient plus pluvieuses que les années actuelles, il y aurait jusqu’à 820 mm de pluie en 2033 et aucune années en dessous de 400 mm au contraire de 2007.
Cependant sur les années actuelles les évapotranspirations réelles sont systématiquement inférieures à la pluie (sauf 2007) mais c’est l’inverse qui se produit sur les années futures. C’est cette différence qui explique la diminution de l’apport par drainage de la nappe.
15
Figure 7 : comparaison des quantités de pluie et d’évapotranspiration sur les années 2003/2010 et 2025/2035.
Pour finir en observant aussi les tableaux 2 et 3 nous pouvons voir que s’il est possible d’estimer une valeur moyenne de drainage pour les années actuelles (520 à 680mm d’eau atteignant la nappe en moyenne) il est
beaucoup plus difficile de définir un comportement di « normal » »sur les années futures, en effet il y une
assez grande variabilité entre les résultats obtenus sur ces différentes années.
5- conclusion
Le but de cette partie était de calculer, à partir des données de flux récoltées sur les années antérieurs, l’évapotranspiration réelle afin de fournir les pertes par évaporation des apports d’eau de pluie dans les coussouls et ainsi d’en déduire les apports par drainage.
Nous avons estimé le drainage et l’évapotranspiration en utilisant un modèle empirique
d’évapotranspiration. Ce modèle est basé sur la connaissance de l’évapotranspiration potentielle et des précipitations .Nous l’avons mis en œuvre sur la période 2003/2010 et avons aussi effectué des pronostics dans le futur (2025/2035). Le modèle à été construit sur la base de l’année 2010 et a été validé sur le début d’année 2011.
Le drainage est déterminé en faisant la soustraction P-ETR au pas de temps annuel. Cependant les racines peuvent extraire de l’eau de la nappe. Dans ce cas, le terme P-ETR peut être négatif signifiant une décharge de la nappe.
Comme bilan nous avons observé que durant les années actuelles une seule année est déficitaire sur huit années étudiées alors que7/11 le seraient sur les années 2025/2035.Si nous comparons les quantités de pluie tombées sur les différentes années il semblerait que les années 2025 à 2035 soient plus pluvieuses que les années actuelles. Cependant sur les années actuelles les évapotranspirations réelles sont
systématiquement inférieures à la pluie (sauf 2007) mais c’est l’inverse qui se produit sur les années futures. C’est cette différence qui explique la diminution de l’apport par drainage de la nappe.
Pour finir nous pouvons constater une importante variabilité des résultats sur les années futures.
Nous avons donc estimé les apports d’eau à la nappe par drainage de part les prairies sèches, nous allons maintenant estimer les apports par irrigation sur les prairies via les données obtenues par les canaux de Provence et les comparer aux résultats obtenues via le modèle d’irrigation déjà construit.
16
III)
Prairies : estimation des apports d’eau de drainage par irrigation.
1- Données ASCO arrosants de la Crau.
a- Données brutes
Le but de cette partie est de déterminer, grâce aux données fournies par les arrosants de la Crau, le volume d’eau irrigué et donc drainé jusqu’à la nappe sur les prairies irriguées et de le comparer au modèle d’irrigation mis en place.
L’ASCO des arrosants de la Crau a pour rôle de répartir et de distribuer l’eau brute sur la Branche d’Arles du canal de Craponne et participe aux travaux d’entretien, de curage et de restauration du canal.
Il représente environ 8000 ha en superficie d’irrigation sur le territoire de la Crausur le total des 18000
ha environ irrigués. Le réseau est constitué de 42 km de linéaire de canaux(Crau sud Alpilles contrat de
canal ,2010 :EDL synthèses des structures CS,). Cela en fait le syndicat de gestion des canaux le plus important sur le territoire de la Crau (en vert foncé sur la figure 8):
Figure 8 : périmètre des ASA sur le territoire de la Crau (cf : http://weezo.net/CCCrauSudAlpil)
Le syndicat des arrosants de la Crau nous a transmis les données les volumes d’entrée dans le canal de Craponne branche d’Arles (voir annexe 3) et les hauteurs d’eau mesurées à l’exutoire. Ce qui nous permettra de calculer par différence le volume d’eau irrigué.
Les volumes d’entrées brutes dans le canal sont fournis de façon journalière sur les périodes de
fonctionnement,généralement de mars/avril jusqu’à octobre/novembre. Les années disponibles sont
2005 et 2007 à 2010.
Les hauteurs d’eau mesurées en sorties (à relier à un débit) sont fournies seulement pour l’année 2010, cette année servira donc de référence de volume de sortie sur l’ensemble des autre années
manquantes.
Ces fichiers de départ ont été traités afin d’obtenir des valeurs annuelles et mensuelles pour les débits d’entrée et pour les données de sorties les hauteurs d’eau ont été reliées à un volume et les volumes obtenus ramenés à des valeurs mensuelles et annuelles afin de pouvoir les comparer aux données calculées par le modèle.
b- Données traitées
- Volumes d’entrée mensuels (annexe 3)
Les volumes d’entrées dans le canal de Craponne sur les années fournis ne sont pas identiques sur les cinq
années(figure 9).Nous pouvons remarquer qu’il y a au cours de ces cinq années une baisse de la prises en
eau passant en 2005 d’un peu moins de 165 000 000m3 à 150 000 000m3 en 2010.Sachant que 2007 fut l’été
avec le moins de pluie (un apport plus important de 190 millions de m3 est constaté pour l’irrigation), 2008 avec le plus et enfin moins de pluie en 2009-2010.Nous nous attendions plutôt à une augmentation des doses d’irrigation en 2007, une baisse en 2008 et une hausse en 2009-2010. (Figure 7)
17
Cette baisse des apports d’eau ne s’expliquant pas par une demande plus ou moins importante suivant la dose de pluie tombée l’explication peut venir d’un réaménagement du canal avec moins de perte d’eau à l’entrée ou une meilleur utilisation globale de l’eau.
Figure 9 : bilan mensuel 2005/2007 à 2010 des arrivées d’eau dans le canal de Craponne branche d’Arles
- Volumes de sorties (annexe 4)
Les volumes de sorties ont étés calculées en mettant en relation les hauteurs d’eau fournis et les débits (fiche évaluation des débits au déversoir voir annexe 5).La courbe de tarage en à été déduite (voir annexe 6) donnant un calcul de débit(m3/s)=0.00001*hauteur d’eau(cm)+hauteur d’eau(cm). Les volumes mensuels et annuels de sorties sont ainsi obtenues.
Figure 10 : bilan annuel 2005/2007 à 2010 des sorties d’eau du canal de Craponne branche d’Arles.
Alors que les volumes d’entrée croissent régulièrement durant les mois d’irrigation cela n’est pas le cas avec les volumes de sorties observées. C’est en effet en période de début et de fin d’utilisation des canaux (mars et octobre) qu’il y a le plus de sorties d’eau à l’exutoire du canal de Craponne branche d’Arles.
- Période d’ouverture du canal
Si nous observons les périodes d’utilisations d’eau pour l’irrigation nous pouvons observer (tableau 4) un décalage, même minime, des périodes d’irrigations :
0 5 000 000 10 000 000 15 000 000 20 000 000 25 000 000 30 000 000 35 000 000 40 000 000 45 000 000 m ar s m ai ju ill et se p tem b re m ar s m ai ju ill et se p tem b re m ar s m ai ju ill et se p tem b re n ov em b re av ril ju in ao û t o cto b re av ril ju in ao û t o cto b re vo lu m e (m 3)
bilan mensuel entrée dans le canal
2005/2007 à 2010
0 2000000 4000000 6000000 8000000 10000000janvier mars mai juillet septembre novembre
vo lu m e (m 3)
Volume sortie (M3)
18
Durant les années 2005,2007 et 2008 le début des apports se fessait début mars (entre le 1 et le mars) pour une fermeture début novembre (31 octobre au 4 novembre), cependant les années suivantes le début
d’irrigation c’est déroulé plutôt début de la 2ième quinzaine de mars et c’est terminé vers le 20 octobre.
Il y aurait donc une tendance à un raccourcissement des périodes d’irrigation qui reste à se confirmer sur les prochaines années.
années début apport fin apport
2005 01-mars 04-nov
2007 06-mars 31-oct
2008 03-mars 01-nov
2009 15-mars 21-oct
2010 16-mars 19-oct
Tableau 4 : périodes d’irrigations 2005 et 2007 à 2010
Ces données ainsi traités nous permettent d’avoir un a priori des volumes d’irrigation fournis qu’il est possible de comparer aux volumes modélisé que nous allons voir maintenant.
2- Présentation du modèle de culture pour l’irrigation
Les modèles de culture simulent la dynamique de la végétation en tenant compte du climat, des propriétés du sol et des itinéraires techniques (implantation des cultures, fertilisation, irrigation, protection des cultures, gestion du couvert végétal, récolte). Ces modèles prennent en compte les cycles du carbone et de l’azote dans le sol, cycles qui sont étroitement liés.
STICS a été utilisé comme modèle de culture. Le modèle est constitué de plusieurs modules permettant de calculer :
- le bilan hydrique du sol (humidité du sol, transpiration, évaporation, drainage, ruissellement) - le bilan azoté et carboné du sol
- le fonctionnement écophysiologique de la plante qui tient compte des bilans hydrique et azoté du sol mais aussi des facteurs climatiques et anthropiques (itinéraires techniques : date de semis, fertilisation, irrigation, récolte …).
Sur la plaine de la Crau a été représenté avec STICS les prairies irriguées, les cultures d’hiver en prenant l’exemple du blé et les cultures de printemps en prenant l’exemple du tournesol. STICS permet de produire un estimateur des productions agricoles importantes de la zone, à l’exception de l’arboriculture pour laquelle on ne dispose pas de modèles équivalents.
Compte-tenu de l’importance de la contribution de l’irrigation des prairies sur la recharge de la nappe, une paramétrisation minutieuse de STICS pour prendre en compte la diversité des sols, de géométrie des parcelles et des calendriers d’irrigation et de fauche, a été effectuée pour estimer cette irrigation. C’est à cela que nous allons comparer les données observées d’irrigation si dessus.
En résumé nous essayons de valider le modèle d’irrigation testé sur la portion de zone d’irrigation connu (zone canal Craponne,branche Arles) en les comparant aux données observées.
19
3- Comparaisons
volume (m3) 2005 2006 2007 2008 2009 2010
volume entrée canal 165518040 198127468 172558884 165024450 150768000
volume sortie canal
(base 2010) 40322381 40322381 40322381 40322381 40322381 40322381
volume irrigué observé 125195658 157805086 132236502 124702068 110445618
volume irrigué modélisé
(donnée météo MERLE) 130024910 136800990 151201659 110461292 130860396 117353188
volume irrigué modélisé
(donnée météo SAFRAN) 134701892 149725237 128821069 127357927
Tableau 5: comparaison données traitées et données modélisés pour l'irrigation
Figure 11 : Graphique de comparaison des volumes d’irrigation modélisées et observés
Le modèle a été lancé suivant deux entrées météorologiques différentes, celle de SAFRAN et celle du Merle. Nous remarquerons qu’il y a peu de différence observées entre les données modélisés et les données observées.
En particulier les simulations donnent des valeurs très proches sur 2006,2007 et 2009 entres elles, ce qui laisserait penser que les deux données météorologique différentes utilisés ne changent pas
fondamentalement les résultats du modèle mais nous pouvons remarquer une brusque baisse en 2008 du modèle via les données météo du Merle. Ce brusque écart demande à être expliqué, soit dans une
particularité météorologique sur cette année sur le site du Merle soit par une erreur sur le fichier d’entrée. Nous noterons toutefois que les données observées sont obtenues en soustrayant les volumes d’entrées dans le canal à ceux de sorties, or ces derniers sont basé sur les données de 2010 où il n’est pas assuré qu’elle représente une année moyenne représentative. Cependant cela ne devrait pas changer les ordres de grandeur du modèle.
En conclusion le modèle est viable tant au niveau quantitatif que dans ses variations interannuelles.
Nous pouvons à présent nous demander si ces données de volumes irriguées dans les prairies et les volumes drainées dans les coussouls modélisées peuvent se retrouver dans les données piézométriques disponibles sur la plaine de la Crau.
20
IV)
Les données piézométriques
1- Présentation du réseau piézométrique de la Crau
a- Présentation générale
Figure 12 : cartographies de différents piézomètres disponibles sur la plaine de la Crau
Le recensement des piézomètres disponibles c’est fait dans le cadre d’une campagne piézométrique du 14 avril 2011.
Ils sont répartis en 6 groupes :
- les piézomètres appartenant et gérés par le port de Fos-sur-Mer (10)
- Les anciens piézomètres appartenant à la DIREN n’étant plus suivis. (9)
- Les forages agricoles dans des propriétés privés. (3)
- Touloubre, puits agricoles. (3)
- Les piézomètres de la base ADES généralement géré par le BRGM et dont le suivis est consultable
sur internet. (7 actuels)
- Les piézomètres de l’INRA géré et suivit par l’INRA. (9)
L’ensemble de ces piézomètres ont étés nivelées lors de la campagne du 8 et 9 juin. Lors des deux campagnes les côtes piézométriques ont été relevées, les résultats de ces campagne sont disponibles en annexe 7(carte +tableau).
Seuls les piézomètres avec des suivis régulier (INRA et ADES) ont étés utilisées dans cette partie. b- Les données ADES et INRA
21
La base ADES regroupe 8 piézomètres dont 7 encore suivit quotidiennement .Cependant des périodes sont manquantes sur certains piézomètres rendant les valeurs non exploitables pour des analyses sur la
systématique temporelle l’ensemble des données par piézomètres sous formes de graphiques présenté en annexe 8 permet de voir cette absence de valeurs. Un bilan annuel pour chaque piézomètre à aussi été effectués (annexe 9) avec les moyennes de hauteur d’eau (côte piézométriques) minimums, maximums et variations (maximum moins le minimums piézométrique) annuels.
A partir de ces paramètres ainsi que des données de drainage dans les prairies sèches calculé lors de la première partie, des données d’irrigation vue en seconde et de la somme des deux (voir annexe 10), des matrice de corrélation ont étés construites afin de voir si ces paramètres étaient reliés entre eux et si les données déterminées précédemment étaient cohérentes par rapport au fonctionnement des piézomètres. Cette démarche a été effectué sur les années 2007 à 2010, les plus complètent sur la base ADES et qui correspond à la période précédemment étudié.
La même chose a été faite pour deux piézomètres de l’INRA situés sur le domaine du merle, le piézomètre coussouls le plus au nord du domaine et le piézomètre 1J aval, le plus au sud dans une parcelle irriguée. Pour une meilleure lisibilité et un complément d’information une analyse en composante principale à été effectués.
2- Matrices des corrélations et ACP
Les matrices de corrélations faites sur l’ensemble des sept paramètres choisis pour chaque piézomètre sont présentées en annexe 10.
Nous remarquerons qu’il est possible dès à présent d’éliminer 2 de ces paramètres car la moyenne, le minimums et le maximum de chaque piézomètres sont très fortement corrélés pour chaque piézomètres (>0.90).En première observation il est possible que ce soit le cas pour les variations (comme on peut le voir sur le marais du coucou) mais cela reste incertain pour d’autres (Istres, Peyre Estere).
Ces pourquoi dans l’ACP seule la moyenne et la variation ont été gardées en variables explicatives
Figure 14: résultat de l'ACP
Les flèches indiquent la contribution de chaque variable aux axes principaux.
L’abscisse correspond à l’axe principal, expliquant la majorité des variations. L’axe des ordonnées
correspondant au second axe de corrélation. L’entrée de l’ACP correspond aux tableaux présentés en annexe 11, chaque piézomètre portant un numéro qui se retrouve dans les résultats (figure 13). Les numéros
correspondent aux lignes des entrées du tableau. Les piézomètres ont pu être classés en 3 groupes :
Pour les piézomètres de saint martin de Crau et du merle (coussouls et 1J) nous pouvons remarquer que l’évolution de la hauteur d’eau (via la moyenne, min, max et variation) est liée à l’irrigation dans les prairies et non à l’infiltration dans les coussouls.
Au vu de la position de ces piézomètres cela semble normal pour 1J, situé en prairie irriguée ainsi que pour Saint martin. Cependant nous pouvons remarquer que le piézomètre « coussouls » (Figure 13) implanté en pleine prairie sèche est influencé par l’irrigation alors qu’il semblerait a priori normal qu’il soit influencé par
22
l’infiltration fournit par les pluies, sa proximité avec les prairies et peut être sa position sur une ligne de courant alimenté par l’irrigation pourrait expliquer ce fonctionnement.
L’évolution des piézomètres de Saint martin le petit carton, Marais du coucou, Peyre esteve et Negreiron sont anti corrélés aux volumes d’eau d’irrigation reçus et assez peu corrélés à l’infiltration. Cela pourrait suggérer que l’irrigation influence ces piézomètres avec un temps de retard. En effet ces piézomètres se situent tous assez loin des zones d’irrigation, le temps que ces zones reçoivent l’eau et qu’elle atteigne ces points, l’irrigation est arrêtée mais ces piézomètres reçoivent à ce moment là un maximum d’eau.
Pour les derniers piézomètres étudiés,les Poullagères et Estressen comme précédemment l’évolution de la hauteur d’eau est anti-corrélée à l’irrigation mais aussi lié à l’infiltration des Coussouls. Ils sont tous les deux situé en prairie sèche.
L’ACP montre que ces piézomètres ont pour premier axe principale (PC1) le totale entre l’irrigation des prairies et le drainage dans les Coussouls, qui permet d’expliquer le maximum de variation de ces
piézomètres. Tous ces piézomètres sont liés dans leurs fonctionnements aux apports d’eau par irrigation et pour ce qui est du deuxième et troisième groupe et dans une moindre mesure à l’infiltration dans les coussouls.
Les années sont bien classées (figure 15) et montre qu’il y a une diminution des apports d’eau au cours des dernières années comme nous avons put le remarquer sur les parties précédentes et ils suivent tous les mêmes évolutions (figure 16):
Figure 15: variation des piézomètres sur l'ACP Figure 16: classement des années sur l'ACP
Le second axe représente les côtes piézométrique, plus la côte est faible plus les piézomètres sont classées en haut (exemple marrais du coucou=3 en haut du graphique).
Nous remarquerons aussi que la flèche représentation le rôle de l’infiltration dans les coussouls est plus petite que la flèche représentant l’irrigation dans les prairies confirmant le fait que l’irrigation est le premier apport d’eau de la nappe de la Crau.
3- Conclusions
Les résultats obtenus confirment les données obtenus dans les parties précédente, ou du moins en prouvent la cohérence. Les piézomètres ont pu être classés en 3 groupes :
Pour les piézomètres de saint martin de Crau et du merle (coussouls et 1J) l’évolution de la hauteur d’eau (via la moyenne, min, max et variation) est liée à l’irrigation dans les prairies et pas du tout à l’infiltration dans les coussouls.
L’évolution des piézomètres de Saint martin le petit carton, Marais du coucou, Peyre esteve et Negreiron sont anti corrélés aux volumes d’eau d’irrigation reçus et assez peu corrélés à l’infiltration. Cela suggère que l’irrigation influence ces piézomètres avec un temps de retard.
Pour les derniers piézomètres étudiés, les Poullagères et Estressen l’évolution de la hauteur d’eau est anti-corrélée à l’irrigation mais aussi lié à l’infiltration des Coussouls.
23
L’acp montre que ces piézomètres ont pour premier axe principale (PC1) le totale entre l’irrigation des prairies et le drainage dans les Coussouls, qui permet d’expliquer le maximum de variation de ces piézomètres.
Tous ces piézomètres sont liés dans leurs fonctionnements aux apports d’eau par irrigation et pour ce qui est du deuxième et troisième groupe et dans une moindre mesure à l’infiltration dans les coussouls.
Des analyses statistiques complémentaires pourraient être apportées afin de confirmer ou infirmer ces observations.
V)
Conclusions
Le but de la première cette partie était de calculer, à partir des données de flux récoltées sur les années antérieures et via un modèle empirique, l’évapotranspiration réelle afin de fournir les pertes par
évaporation des apports d’eau de pluie dans les coussouls et ainsi d’en déduire les apports par drainage. Comme bilan nous avons observé que durant les années actuelles si seule une année est déficitaire sur huit années étudiées, sept sur onze le serait sur les années 2025/2035.Si nous comparons les quantités de pluie tombées sur les différentes années il semblerait que les années 2025 à 2035 soient plus pluvieuses que les années actuelles. Cependant sur les années actuelles les évapotranspirations réelles sont
systématiquement inférieures à la pluie (sauf 2007) mais c’est l’inverse qui se produit sur les années futures. C’est cette différence qui explique la diminution de l’apport par drainage de la nappe.
Pour finir nous pouvons constater une importante variabilité des résultats sur les années futures.
Nous avons estimé ensuite les apports par irrigation sur les prairies via les données obtenues par les canaux de Provence et les comparer aux résultats obtenues via le modèle d’irrigation déjà construit.
Nous avons remarqué qu’il y a eu au cours de ces cinq années une baisse de la prise en eau passant en 2005
d’un peu moins de 25 000 000m3 à 1 000 000m3 en 2010 mais une importante chute à lieu entre 2008 et
2009 et entre 2009 et 2010.
Il y aurait donc une tendance à un raccourcissement des périodes d’irrigation qui reste à se confirmer sur les prochaines années.
Les simulations donnent des valeurs très proches sur 2006,2007 et 2009 entres elles, ce qui laisserait penser que les deux données météorologique différentes utilisées ne changent pas fondamentalement les résultats du modèle mais nous pouvons remarquer une brusque baisse en 2008 du modèle via les données météo du Merle. Ce brusque écart demande à être expliqué, soit dans une particularité météorologique sur cette année sur le site du Merle soit par une erreur sur le fichier d’entrée.
Nous noterons toutefois que les données observées sont obtenues en soustrayant les volumes d’entrées dans le canal à ceux de sorties, or ces derniers sont basés sur les données de 2010 où il n’est pas assuré qu’elle représente une année moyenne représentative. Cependant cela ne devrait pas changer les ordres de grandeur du modèle.
Nous nous sommes ensuite demandé si ces données de volumes irrigués dans les prairies et les volumes drainées dans les coussouls modélisées peuvent se retrouver dans les données piézométriques disponibles sur la plaine de la Crau.
Les résultats obtenus confirment les données obtenus dans les parties précédentes, ou du moins en prouvent la cohérence. Les piézomètres ont pu être classés en 3 groupes :
- influencés directement par l’irrigation
- influencés indirectement, avec sans doute un retard, par l’irrigation et peu par l’infiltration des
coussouls.
- Influencés indirectement par l’irrigation et par l’infiltration dans les coussouls.
Tous ces piézomètres sont liés dans leurs fonctionnements aux apports d’eau par irrigation et pour ce qui est du deuxième et troisième groupe et dans une moindre mesure à l’infiltration dans les coussouls.
Des analyses statistiques complémentaires pourraient être apportées afin de confirmer ou infirmer ces observations, apporter plus de précision quand au lien entre les piézomètres, leurs régimes de
24
BIBLIOGRAPHIE
- Consortium ASTUCE&TIC, Février 2010 : Livrables ASTUCE&TIC n° 1 & 2
-
Réserve naturelle des Coussouls de Crau, plan de gestion 2010/2014 : section A : diagnostics
et enjeux, p19 tableau 10
26
ANNEXE
- Annexe 1: R scripts
- Annexe 2 : détermination du Rg0
- Annexe 3 :
volume d’entrée du canal 2005-2010
-
Annexe 4 :
volume de sortie du canal 2010
- Annexe 5 :
évaluation des débits au déversoir du canal
- Annexe 6 :
Courbe de tarage
-
Annexe 7 :
carte et tableau des campagnes de nivellement et de
relevés piézométrique
- Annexe 8 :
bilan annuel des piézomètres ADES
- Annexe 9 :
bilan piézométrique annuel
- Annexe 10 :
analyse des données piézométriques
27
ANNEXE 1 : R code
interpolna<-function(xflux,yflux,n){
# creation des vecteurs sans na fna<-is.na(yflux)
x<-xflux[!fna] y<-yflux[!fna]
# creation du xrest valeurs des x rassemblant les points ou on fait une interpollation # rechercher les series de 5 et plus de na successifs
ind<-1:length(yflux) indna<-ind[fna] indna5<-c(rep(0,n-1),indna)-indna indna5<-indna5[-c((length(indna5)-n+1):length(indna5))] fna5<-indna5>-n indna<-indna[fna5] indresul<-0 for (i in 1:length(indna)) { val<-indna[i] if (val>n-1) {val1<-(val-n+1):val} else {val1<-1:val} indresul<-c(indresul,val1) } indresul<-indresul[-c(1)] indresul<-unique(indresul)
# approximation pour tous les NA xinter<-xflux[fna] resul<-approx(x,y,xout=xinter) yinter<-resul$y resuly<-c(y,yinter) resulx<-c(x,xinter) resuly<-resuly[order(resulx)] resuly[indresul]<-NA resuly } ######################################################################################## traitcoussoul<-function() {
coussoul<-read.table("D:\\Home\\Mfuret\\Mes documents\\coussoul\\flux coussouls\\pour traitement\\2010_CSS_fluxes_L12.csv", header=T, sep=";",dec=".")
#
# traitement temps #
28
# # traitement de H # yflux<-coussoul[,9] yflux[yflux<(-100)]<-NA yflux[yflux>600]<-NA h<-interpolna(j,yflux,5) print(length(h)) print(length(j)) resulH<<-cbind(j,h) resulH # #traitement de Rn # yflux<-coussoul[,2] yflux[yflux<(-200)]<-NA yflux[yflux>900]<-NA rn<-interpolna(j,yflux,5) resulRn<<-cbind(j,h,rn) resulRn # #traitement de G_5CM # yflux<-coussoul[,3] yflux[yflux<(-200)]<-NA yflux[yflux>300]<-NA G<-interpolna(j,yflux,5) resulG<<-cbind(j,h,rn,G) resulG # #Calcul de LE # LE<--((-resulG[,3]+resulG[,2]+resulG[,4])*30*60/2.5*10^-6) #LE en mm,+ resulLE<<-cbind(j,h,rn,G,LE) resulLE } coussoul<<-traitcoussoul() ######################################################################################## ####calcul des moyennes journalières/décades/mensuellesmoyj<-function(coussoul) {
#
29
# j<-coussoul[,1]%/%1+1 h<-coussoul[,2] rn<-coussoul[,3] g<-coussoul[,4] le<-coussoul[,5]meteo<-read.table("D:\\Home\\Mfuret\\Mes documents\\coussoul\\flux coussouls\\pour traitement\\2010_MRL_meteo_L1.csv", header=T, sep=";",dec=".")
pluie<-meteo[,4] I<-pluie-(-le)
#ETP<-read.table("D:\\Home\\Mfuret\\Mes documents\\coussoul\\flux coussouls\\pour traitement\\etp_merle_INRA_2011.csv", header=T, sep=";",dec=".")
ETP<-read.table("D:\\Home\\Mfuret\\Mes documents\\coussoul\\flux coussouls\\pour
traitement\\etpcal_merle_INRA_2010.csv", header=T, sep=";",dec=".") #etp penman recalculé (voir futur) ETP<-ETP[,4] #flux journaliers hj<-split(h, j) hj<-sapply(hj,mean) jj<-unique(j) moyjh<-cbind(jj,hj) rnj<-split(rn, j) rnj<-sapply(rnj,mean) jj<-unique(j) moyjrn<-cbind(jj,rnj) gj<-split(g, j) gj<-sapply(gj,mean) jj<-unique(j) moyjg<-cbind(jj,gj) lej<-split(le, j) lej<-sapply(lej,sum) jj<-unique(j) moyjle<-cbind(jj,lej)
#fle<-is.na(lej) #suppression des na de le par estimation via le/etp:le=0.8*ETP #lej[fle]<-0.8*ETP[c(1:78,360:365)]
pluiej<-split(pluie, j) pluiej<-sapply(pluiej,sum) jj<-unique(j)
moyjpluie<-cbind(jj,pluiej) #calcul infiltration journalière Ij<-pluiej-(lej)
30
#calcul le/etp journalier leetpj<-lej/ETP moyjleetpj<-cbind(jj,leetpj) #calcul le nuit t<-coussoul[,1] F<-((t%%1)<6/24) | ((t%%1)>20/24) t<-coussoul[F,1] le<-coussoul[F,5] t<-t%/%1+1 lenuitj<-split(le,t) lenuitj<-sapply(lenuitj,sum) #cumul des le fle<-is.na(lej) lej[fle]<-0 lec<-cumsum(lej) lej[fle]<-NA
#cumul des etp etpc<-cumsum(ETP) coussoulj<<-cbind(jj,hj,rnj,gj,lej,pluiej, ETP,Ij,leetpj,lec,etpc) } moyd<-function(coussoulj) { #
#moyennes par décades # d<-coussoulj[,1]%/%10 h<-coussoulj[,2] rn<-coussoulj[,3] g<-coussoulj[,4] le<-coussoulj[,5] pluie<-coussoulj[,6] ETP<-coussoulj[,7] I<-coussoulj[,8] lenuit leetp<- lec etpc hd<-split(h,d) hd<-sapply(hd,mean) dd<-unique(d) moydh<-cbind(dd,hd)
31
rnd<-split(rn,d) rnd<-sapply(rnd,mean) dd<-unique(d) moydrn<-cbind(dd,rnd) gd<-split(g, d) gd<-sapply(gd,mean) dd<-unique(d) moydg<-cbind(dd,gd) led<-split(le, d) led<-sapply(led,sum) dd<-unique(d) moydle<-cbind(dd,led) pluied<-split(pluie, d) pluied<-sapply(pluied,sum) dd<-unique(d) moydpluie<-cbind(dd,pluied) ETPd<-split(ETP, d) ETPd<-sapply(ETPd,sum) dd<-unique(d) moydETP<-cbind(dd,ETPd) Id<-split(I, d) Id<-sapply(Id,sum) dd<-unique(d) moydI<-cbind(dd,Id) coussould<<-cbind(dd,hd,rnd,gd,led,pluied, ETPd,Id) } traitjours<-function(coussoul) { # #moyennes mensuelles ##Assigner jours à un mois j<-coussoul[,1]
j<-j%/%1+1 mois<-coussoul[,1]
32
{
if (j[i]<=32) {mois[i]<-1}
else if (j[i]<=59) {mois[i]<-2}
else if (j[i]<=90) {mois[i]<-3} else if (j[i]<=120) {mois[i]<-4} else if (j[i]<=151) {mois[i]<-5} else if (j[i]<=181) {mois[i]<-6} else if (j[i]<=212) {mois[i]<-7} else if (j[i]<=243) {mois[i]<-8} else if (j[i]<=273) {mois[i]<-9} else if (j[i]<=304) {mois[i]<-10} else if (j[i]<=334) {mois[i]<-11}
else {mois[i]<-12} } mois } moym<<-function(coussoulj) {
#calcul moyennes mensuelles mois<-traitjours(coussoulj) m<-mois h<-coussoulj[,2] rn<-coussoulj[,3] g<-coussoulj[,4] le<-coussoulj[,5] #lenuit<-coussoulj[,6] pluie<-coussoulj[,6] ETP<-coussoulj[,7] I<-coussoulj[,8] leetp<-coussoulj[,9] lec<-coussoulj[,10] etpc<-coussoulj[,11] hm<-split(h, m) hm<-sapply(hm,mean) mm<-unique(m) moymh<-cbind(mm,hm) rnm<-split(rn, m) rnm<-sapply(rnm,mean) mm<-unique(m) moymrn<-cbind(mm,rnm) gm<-split(g, m)
33
gm<-sapply(gm,mean) mm<-unique(m) moymg<-cbind(mm,gm) ETPm<-split(ETP, m) ETPm<-sapply(ETPm,sum) mm<-unique(m) moymETP<-cbind(mm,ETPm) lem<-split(le, m) lem<-sapply(lem,sum) mm<-unique(m) moymle<-cbind(mm,lem)fle<-is.na(lem) #suppression des na par estimation via le/etp lem[fle]<-0.8*ETPm[c(1:3,12)] #lenuitm<-split(lenuit, m) #lenuitm<-sapply(lenuitm,sum) #mm<-unique(m) #moymlenuit<-cbind(mm,lenuitm) pluiem<-split(pluie, m) pluiem<-sapply(pluiem,sum) mm<-unique(m) moympluie<-cbind(mm,pluiem) Im<-pluiem-lem leetpm<-split(leetp, m) leetpm<-sapply(leetpm,mean) mm<-unique(m) moymleetp<-cbind(mm,leetpm) coussoulm<<-cbind(mm,hm,rnm,gm,lem,pluiem,ETPm,Im,leetpm) } ######################################################################################## # #Graphiques # graphique<-function(jdeb,jfin,coussoul) { par(mfrow=c(2,1)) #filtre journalier j<-coussoul[,1] f<-j>=jdeb&j<=jfin j<-coussoul[f,1]
34
#construction graphs rn<-coussoul[f,3]
plot(j,rn,xlab="temps en jours",ylab="Rn moyen en W.M-2",main="Rn coussoul",type="l") g<-coussoul[f,4]
plot(j,g,xlab="temps en jours",ylab="G moyen en W.M-2",main="G coussoul ",type="l") locator(1)
h<-coussoul[f,2]
plot(j,h,xlab="temps en jours",ylab="h moyen en W.M-2",main="H coussoul",type="l") le<-coussoul[f,5]
plot(j,le,xlab="temps en jours",ylab="le en mm",main="LE coussoul",type="l") locator(1)
etp<-coussoul[f,7]
plot(j,etp,xlab="temps en jours",ylab="etp en mm",main="ETP coussoul",type="l") lenuit<-coussoul[f,10]
plot(j,lenuit,xlab="temps en jours",ylab="lenuit en mm",main="LEnuit coussoul",type="l") locator(1)
leetp<-coussoul[f,9]
barplot(leetp,j,xlab="temps en jours",ylab="le/etp en mm",main="le/etp coussoul",type="l") pluie<-coussoul[f,6]
barplot(pluie,j, xlab="temps en jours",ylab="pluie en mm",main="Pluie coussoul",type="l") locator(1) } ######################################################################################## # #cumul le et etp # cumul<-function(coussoul) { #cum le le<-coussoul[,5] fle<-is.na(le) le[fle]<-0 lec<-cumsum(le) #cum etp etp<-coussoul[,8] etpc<-cumsum(etp) cum<<-cbind(lec,etpc) #graphs c1 c<-cum[120:150,1:2] x<-cum[120:150,2]-cum[120,2]
35
y<-cum[120:150,1]-cum[120,1]
plot(x,y,xlab="etp cumulé",ylab="le cumulé",main="cycles de désséchements",type="b",col="red") #graphs c2 c<-cum[165:190,1:2] x1<-cum[165:190,2]-cum[165,2] y1<-cum[165:190,1]-cum[165,1] lines(x1,y1,type="b",lty=2) #graphs c3 c<-cum[210:230,1:2] x2<-cum[210:230,2]-cum[210,2] y2<-cum[210:230,1]-cum[210,1] lines(x2,y2,type="b",lty=3) ###ajustement non linéaire
ajcum<-data.frame(x=cum[,2],y=cum[,1]) rajcum<-nls(y~sqrt(x),ajcum,list(b=1)) bb<-rajcum$par[1] print(bb) tcum<-bb*x^1/2 plot(tcum) } ######################################################################################## # #modèle détermination le # betamodel<-function(setpi,sei,pj,etpj,alpha,beta) { #
# programme permettant de calculer # setpj # sej # ej if(pj<0.6) { if (setpi+etpj<=beta*beta) {ej<-etpj setpj<-setpi+etpj sej<-sei+etpj } else { setpj<-setpi+etpj sej<-beta*sqrt(setpj) ej<-sej-sei } } else {if(pj>alpha) {setpj<-etpj sej<-etpj ej<-etpj }
36
else {setpi<-(alpha-pj)/alpha*setpi setpj<-setpi+etpj if (setpj>beta*beta) {sej<-beta*sqrt(setpj) seii<-beta*sqrt(setpi) ej<-sej-seii} else {sej<-setpj ej<-etpj} } } sortie<-c(setpj,sej,ej) } tabbetamodel<-function(beta,alpha,entree) { ## tabule lej sur la periode couverte par entree # etpi<-entree[1,8] setpi<-etpi ei<-etpi sei<-etpi sortie<-matrix(c(entree[1,1],entree[1,7],setpi,sei,etpi,etpi),ncol=6) for (i in 2:dim(entree)[1]) {pj<-entree[i,7] jj<-entree[i,1] etpj<-entree[i,8] resul<-betamodel(setpi,sei,pj,etpj,alpha,beta) setpi<-resul[1] sei<-resul[2] ej<-resul[3] sortie<-rbind(sortie,c(jj,pj,setpi,sei,etpj,ej)) }
#plot(eobs,ej,xlab="le mesuré",ylab="le calculé",main="comparaison le mesuré/observé",type="p") #lines(0:10,0:10)
sortie }
37
{
#tabule beta et alpha
beta<-seq(betamin,betamax,pasbeta) alpha<-seq(alphamin,alphamax,pasalpha) sortie1<-matrix(nrow=length(alpha),ncol=length(beta)) sortie2<-matrix(nrow=length(alpha),ncol=length(beta)) seobs<-entree[,11] eobs<-entree[,5] i<-0 j<-0
for (beta in seq(betamin,betamax,pasbeta))
{i<-i+1 j<-0
for (alpha in seq(alphamin,alphamax,pasalpha)) {resul<-tabbetamodel(beta,alpha,entree) j<-j+1 ej<-resul[,6] sei<-cumsum(ej) # crit1<-sqrt(sum((sei-seobs)*(sei-seobs))/length(sei)) crit1<-abs(sei[length(sei)]-seobs[length(seobs)]) crit2<-sqrt(sum((ej-eobs)*(ej-eobs))/length(ej)) sortie1[j,i]<-crit1 sortie2[j,i]<-crit2 } }
contour(x = seq(alphamin, alphamax, len = nrow(sortie2)), y = seq(betamin, betamax, len = ncol(sortie2)),sortie2)
title(main="Representation graphique des erreurs le-beta/alpha") locator(1)
contour(x = seq(alphamin, alphamax, len = nrow(sortie1)), y = seq(betamin, betamax, len = ncol(sortie1)),sortie1)
title(main="Representation graphique des erreurs sle-beta/alpha")
sortiecrit2<<-sortie2 sortiecrit1<<-sortie1 sortie1
38
#entree<-read.table("D:\\Home\\Mfuret\\Mes documents\\coussoul\\flux coussouls\\pour traitement\\annee.csv",sep=";",dec=".")
futur<-function(entree)
######################################################################################## #
#calcul ETP penman #
{
#données j<-entree[,5] pluie<-entree[,10]
tmin<-entree[,6] #degrés celsius tmax<-entree[,7]
rg<-entree[,8] #rayonnement global (mj.m-2)
U<-entree[,11] #vitesse du vent (m/s)
pva<-entree[,12] #pression de vapeur (mb)
###a calculer ##Rg
rg<-rg*23.89 #passage en calorie/cm2
##T moyenne
T<-(tmin + tmax)/2 #température moyenne (°C) ##pvsa,pression vapeur à saturation
pvsa<-(exp(23.3265-(3802.7/(T+273.18))- ((472.68/(T+273.18))^2 ) ))*10^-2 #en mbar
##pente #dteta<-D(expression((exp(23.3265-(3802.7/(T+273.18))- ((472.68/(T+273.18))^2 ) ))*10^-2),"T") #expression=pente dteta<-exp(23.3265 - (3802.7/(T + 273.18)) - ((472.68/(T + 273.18))^2)) * (3802.7/(T + 273.18)^2 + 2 * (472.68/(T + 273.18)^2 * (472.68/(T + 273.18)))) * 10^-2 ##composante aérodydamique Ea<-0.26*(pvsa-pva)*(1+(0.54*U)) ##rgo
rg0<-6.24E-07*j^4-4.00E-04*j^3 + 5.85E-02*j^2 + 1.71E+00*j + 1.82E+02 #en cal/cm2 (voir fichier détermination Rg0 pour expression)
#passage en kelvin de T T<-T+ 273.15
