Inversion d'un modèle de culture pour estimer spatialement les propriétés des sols et améliorer la prédiction de variables agro environnementales

Hubert-Vincent Varella

Description

Niveau: Supérieur, Doctorat, Bac+8
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

• méthode


• prédiction des variables agroenvironnementales


• pratiques agricole


• amélioration de la qualité de prédiction des variables d'intérêt


• agro-environmental variables


• analyse de sensibilité globale


• suivi objectif des productions agricoles aux échelles européenne

Sujets

• Wallach
• Richard
• Banton
• Méthode

Informations

• Publié par: profil-zyak-2012
• Publié le: 01 décembre 2009
• Nombre de lectures: 57
• 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 Table 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
22.2. 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
35.1. 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
4Introduction 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 viticoles français, Garcia De Cortazar Atauri (2006)
propose une adaptation des pratiques viticoles dans un contexte de changement
climatique en étudiant