Inversion d’un modèle de culture pour estimer spatialement les propriétés des sols et améliorer la prédiction de variables agro-environnementales, Inversion of a crop model for estimating spatially the soil properties and improving the prediction of agro-environmental variables

Hubert-Vincent Varella

Description

Sous la direction de Martine Guérif
Thèse soutenue le 15 décembre 2009: Avignon
Les modèles de culture constituent des outils indispensables pour comprendre l’influence des conditions agropédoclimatiques sur le système sol-plante à différentes échelles spatiales et temporelles. A l’échelle locale de la parcelle agricole, le modèle peut être utilisé dans le cadre de l’agriculture de précision pour optimiser les pratiques de fertilisation azotée de façon à maximiser le rendement ou le revenu tout en minimisant le lessivage des nitrates vers la nappe. Cependant, la pertinence de l’utilisation du modèle repose sur la qualité des prédictions réalisées, basée entre autres sur une bonne détermination des paramètres d’entrée du modèle. Dans le cadre de l’agriculture de précision, les paramètres concernant les propriétés des sols sont les plus délicates à connaître en tout point de la parcelle et il existe très peu de cartes de sols permettant de les déterminer de manière précise. Néanmoins, dans ce contexte, on peut disposer d’observations acquises automatiquement sur l’état du système sol-plante, telles que des images de télédétection, les cartes de rendement ou les mesures de résistivité électrique du sol. Il existe alors une alternative intéressante pour estimer les propriétés des sols à l’échelle de la parcelle qui consiste à inverser le modèle de culture à partir de ces observations pour retrouver les valeurs des propriétés des sols. L’objectif de cette thèse consiste (i) dans un premier temps à analyser les performances d’estimation des propriétés des sols par inversion du modèle STICS à partir de différents jeux d’observations sur des cultures de blé et de betterave sucrière, en mettant en oeuvre une méthode bayésienne de type Importance Sampling, (ii) dans un second temps à mesurer l’amélioration des prédictions de variables agro-environnementales réalisées par le modèle à partir des valeurs estimées des paramètres. Nous montrons que l’analyse de sensibilité globale permet de quantifier la quantité d’information contenue dans les jeux d’observations et les performances réalisées en matière d’estimation des paramètres. Ce sont les propriétés liées au fonctionnement hydrique du sol (humidité à la capacité au champ, profondeur de sol, conditions initiales) qui bénéficient globalement de la meilleure performance d’estimation par inversion. La performance d’estimation, évaluée par comparaison avec l’estimation fournie par l’information a priori, dépend fortement du jeu d’observation et est significativement améliorée lorsque les observations sont faites sur une culture de betterave, les conditions climatiques sont sèches ou la profondeur de sol est faible. Les prédictions agro-environnementales, notamment la quantité et la qualité du rendement, peuvent être grandement améliorées lorsque les propriétés du sol sont estimées par inversion, car les variables prédites par le modèle sont également sensibles aux propriétés liées à l’état hydrique du sol. Pour finir, nous montrons dans un travail exploratoire que la prise en compte d’une information sur la structure spatiale des propriétés du sol fournie par les mesures de résistivité électrique, peut permettre d’améliorer l’estimation spatialisée des propriétés du sol. Les observations acquises automatiquement sur le couvert végétal et la résistivité électrique du sol se révèlent être pertinentes pour estimer les propriétés du sol par inversion du modèle et améliorer les prédictions des variables agro-environnementales sur lesquelles reposent les règles de choix des pratiques agricoles
-Paramètres sol
-Modèle de culture STICS
-Analyse de sensibilité globale
-Estimation de paramètres bayésienne
-Prédiction de variables agro-environnementales
-Résistivité électrique
Dynamic crop models are very useful to predict the behavior of crops in their environment and are widely used in a lot of agro-environmental work. These models have many parameters and their spatial application require a good knowledge of these parameters,especially of the soil parameters. These parameters can be estimated from soil analysis at different points but this is very costly and requires a lot of experimental work. Nevertheless,observations on crops provided by new techniques like remote sensing or yield monitoring, is a possibility for estimating soil parameters through the inversion of crop models. In my work, the STICS crop model is studied for the wheat and the sugar beet and it includes more than 200 parameters. After a previous work based on a large experimental database for calibrate parameters related to the characteristics of the crop, I started my study with a global sensitivity analysis of the observed variables (leaf area index LAI and absorbed nitrogen QN provided by remote sensing data, and yield at harvest provided by yield monitoring) to the soil parameters, in order to determine which of them have to be estimated. This study was made in different climatic and agronomic conditions and it reveals that 7 soil parameters (4 related to the water and 3 related to the nitrogen) have a clearly influence on the variance of the observed variables and have to be therefore estimated. For estimating these 7 soil parameters, I chose a Bayesian data assimilation method (because I have prior information on these parameters) named Importance Sampling by using observations, on wheat and sugar beet crop, of LAI and QN at various dates and yield at harvest acquired on different climatic and agronomic conditions. The quality of parameter estimation is then determined by comparing the result of parameter estimation with only prio rinformation and the result with the posterior information provided by the Bayesian data assimilation method. The result of the parameter estimation show that the whole set of parameter has a better quality of estimation when observations on sugar beet are assimilated. At the same time, global sensitivity analysis of the observed variables to the 7 soil parameters have been performed, allowing me to build a criterion based on sensitivity indices (provided by the global sensitivity analysis) able to rank the parameters with respect to their quality of estimate. This criterion constitutes an interesting tool for determining which parameters it is possible to estimate to reduce probably the uncertainties on the predictions. The prediction of the crop behaviour when estimating the soil parameters is then studied. Indeed, the quality of prediction of agro-environmental variables of the STICS crop model (yield, protein of the grain and nitrogen balance at harvest) is determined by comparing the result of the prediction using the prior information on the parameters and the result using the posterior information. As for the estimation of soil parameters, the prediction of the variable is made on different climatic and agronomic conditions. According to the result of parameter estimation, assimilating observations on sugar beet lead to a better quality ofprediction of the variables than observations on wheat. It was also shown that the number ofcrop seasons observed and the number of observations improve the quality of the prediction
-Soil parameters
-Crop model STICS
-Global sensitivity analysis
-Bayesian parameter estimation
-Prediction of agro environmental variables
-Electrical resistivity
Source: http://www.theses.fr/2009AVIG0638/document

Informations

• Publié par: Thesee
• Nombre de lectures: 14
• Langue: Français
• Poids de l'ouvrage: 5 Mo

Extrait

ACADEMIE D’AIX-MARSEILLE
UNIVERSITE D’AVIGNON ET DES PAYS DE VAUCLUSE
THESE DE DOCTORAT
Présentée à l’Université d’Avignon et des Pays de Vaucluse
Ecole doctorale Sibaghe
Spécialité Sciences Agronomiques
Par Hubert-Vincent VARELLA
Inversion d’un modèle de culture pour estimer
spatialement les propriétés des sols et améliorer la
prédiction de variables agro-environnementales
Soutenue publiquement le 15 décembre 2009 devant le jury composé de :
Prof. Olivier BANTON Université d’Avignon Président
Dr. Guy RICHARD INRA Orléans Rapporteur
Dr. Daniel WALLACH INRA Toulouse Rapporteur
Dr. Hervé MONOD INRA Jouy-en-Josas Examinateur
Dr. Selma CHERCHALI CNES Toulouse Examinatrice
Directrice de thèse : Dr. Martine Guérif, INRA Avignon
Préparée à l’UMR INRA/UAPV EMMAH
tel-00626100, version 1 - 23 Sep 2011Table des matières
Introduction générale 5
Chapitre 1. Problématique et état de l’art 10
1.1. Position du problème 10
1.1.1. Les modèles de culture sont des modèles dynamiques complexes avec
un grand nombre de paramètres 10
1.1.2. Le problème posé par le grand nombre de paramètres à estimer 12
1.1.3. Les observations dont on dispose sont généralement peu nombreuses
et imprécises 14
1.2. Les méthodes d’estimation et de sélection des paramètres à estimer 15
1.2.1. Les méthodes d’estimation de paramètres 15
1.2.2. Les méthodes de sélection des paramètres à estimer 18
1.2.3. Les méthodes d’analyse de sensibilité 20
1.3. Les questions posées par l’estimation des paramètres sol et la prédiction de
variables agroenvironnementales 23
1.3.1. Lien entre analyse de sensibilité et quantité d’information disponible
dans les observations 23
1.3.2. La prédiction des variables agroenvironnementales dépend de
l’estimation des paramètres du sol 26
1.3.3. La distribution spatiale des paramètres du sol dans la parcelle est
structurée et la prise en compte de cette structure peut améliorer l’estimation
des paramètres 28
1.3.4. Les questions de recherche prises en compte et organisation de la
thèse 30
Chapitre 2. Outils et données 32
2.1. Le modèle de culture STICS 32
2.1.1. Les différents modules de STICS, ses entrées et ses sorties 32
2.1.2. La représentation du sol, ses principaux processus et paramètres
associés 36
2
tel-00626100, version 1 - 23 Sep 20112.2. La méthode d’analyse de sensibilité Extended FAST 38
2.2.1. La décomposition de la variance 38
2.2.2. Les indices de sensibilité 39
2.2.3. Estimation des indices de sensibilité par la méthode Extended FAST 40
2.3. Présentation du théorème de Bayes et de la méthode Importance Sampling 43
2.3.1. Le théorème de Bayes 43
2.3.2. La méthode Importance Sampling 44
2.4. Présentation des données utilisées 46
2.4.1. Le contexte pédologique et les mesures du sol 48
2.4.2. Les mesures du couvert végétal 55
2.4.3. Les mesures climatiques 58
Chapitre 3. Sélection des paramètres du sol à estimer 59
3.1. Objectif 59
3.2. Méthodes 59
3.2.1. Choix d’un modèle simplifié 60
3.2.2. Réduction des problèmes d’identifiabilité 61
3.2.3. Sélection des principaux paramètres par analyse de sensibilité 62
3.3. Résultats 63
3.4. Article 1 : “Global sensitivity analysis for choosing the main soil parameters of
a crop model to be determined for simulating agro-environmental variables” 65
Chapitre 4. L’analyse de sensibilité globale mesure la qualité d’estimation des
paramètres 90
4.1. Objectif 90
4.2. Méthodes 91
4.3. Résultats 92
4.4. Article 2 : “Global sensitivity analysis measures the quality of parameter
estimation: The case of soil parameters and a crop model” 95
Chapitre 5. Amélioration de la qualité de prédiction des variables d’intérêt à
partir de l’estimation des paramètres du sol 106
3
tel-00626100, version 1 - 23 Sep 20115.1. Objectif 106
5.2. Méthodes 107
5.3. Résultats 108
5.4. Article 3 : “The estimation of soil properties using observations on crop
biophysical variables and the crop model STICS improves the predictions of agro-
environmental variables” 111
Chapitre 6. Prise en compte d’une structure spatiale dans l’estimation des
paramètres du sol 147
6.1. Position du problème et objectif 147
6.2. Méthodes et données 150
6.2.1. Estimation et prédiction sans prise en compte d’une structure spatiale
sur les paramètres (observations réelles) 150
6.2.2. Estimation avec prise en compte d’une structure spatiale sur les
paramètres (observations synthétiques) 152
6.3. Résultats et discussion 162
6.3.1. Estimation et prédiction sans prise en compte d’une structure spatiale
sur les paramètres (données réelles) 162
6.3.2. Estimation avec prise en compte d’une structure spatiale sur les
paramètres (données synthétiques) 167
6.4. Conclusion 173
Conclusion générale 176
Annexe 182
Glossaire 194
Références générales 196
4
tel-00626100, version 1 - 23 Sep 2011Introduction générale
Les modèles de cultures représentent le fonctionnement dynamique du
système sol-plante en interaction avec les conditions climatiques, pédologiques et les
pratiques agricole. Depuis les années 1970, plusieurs familles de modèles ont été
créées, selon des concepts souvent proches, mais avec des approches plus ou
moins empiriques ou mécanistes et des spécificités qui varient selon les objectifs
visés : compréhension du fonctionnement écophysiologique pour les modèles
hollandais comme SUCROS (De Wit, 1978) ou anglais comme AFRCWHEAT (Weir
et al., 1984), analyse des implications des pratiques agricoles pour les modèles
américains CERES (Ritchie and Otter, 1984) ou CROPGRO (Boote et al., 1998),
prise en compte d’enjeux environnementaux pour les modèles comme EPIC
(Williams et al., 1984) ou DAISY (Hansen et al., 1990). Dans les années 1990, en
France, le modèle STICS (Brisson et al., 2002; 2008) intègre des objectifs à la fois
agronomiques et environnementaux, et prend en compte grâce à des formalismes
génériques un grand nombre de cultures, ouvrant la possibilité d’analyser les
systèmes de culture. Les modèles de cultures constituent des outils indispensables
pour comprendre l’influence des conditions agropédoclimatiques sur le système sol-
plante. Ils ont été utilisés à différentes échelles spatiaux temporelles pour servir des
objectifs agronomiques, économiques ou environnementaux. A des échelles
globales, les modèles sont utilisés pour réaliser un suivi objectif des productions
agricoles aux échelles européenne (Supit et al., 1994) ou française (Ruget et al.,
2001), ou pour estimer les impacts du changement climatique sur la production
(Ewert et al., 1999; Reidsma et al., 2009) et l’offre agricole (Godard et al., 2008). A
l’échelle régionale des terroirs vit