Infodoc : Sciences, Techniques et Culture

Les graminées (blé, riz, maïs, orge…) sont une source d’énergie indispensable à l’homme. Face à la baisse de productivité des cultures à l’échelle planétaire et à l’accroissement continu de la population mondiale, il s’avère impérieux d'optimiser à la fois les stratégies de gestion et les rendements de ces cultures. Les modèles de cultures s’inscrivent dans ce registre. Ils simulent les différents processus éco-physiologiques des plantes et constituent des outils avec un énorme potentiel pour le suivi des cultures et la prise de décision. D’une manière générale, l’emploi des modèles est sujet au problème de complexité dû au manque et à l’incertitude de certains paramètres d’entrée comme les propriétés physiques du sol. Ces paramètres sont pourtant indispensables à l’estimation de[...]

Les graminées (blé, riz, maïs, orge…) sont une source d’énergie indispensable à l’homme. Face à la baisse de productivité des cultures à l’échelle planétaire et à l’accroissement continu de la population mondiale, il s’avère impérieux d'optimiser à la fois les stratégies de gestion et les rendements de ces cultures. Les modèles de cultures s’inscrivent dans ce registre. Ils simulent les différents processus éco-physiologiques des plantes et constituent des outils avec un énorme potentiel pour le suivi des cultures et la prise de décision. D’une manière générale, l’emploi des modèles est sujet au problème de complexité dû au manque et à l’incertitude de certains paramètres d’entrée comme les propriétés physiques du sol. Ces paramètres sont pourtant indispensables à l’estimation des rendements. Pour faire face à cette situation, nous avons opté pour l’assimilation des données satellites dans le modèle. L’étude a portée sur la culture de l’orge de printemps installée sur le site expérimental d’Estrées Mons situé au nord de la France. Nous avons développé et testé dans le modèle de culture SiriusQuality une méthode d’assimilation de données de télédétection. Le LAI obtenu à partir d’images Sentinel-2 a été assimilé ce qui a permis d’estimer les paramètres du sol tels que la capacité au champ de la première couche du sol (SDUL0), la teneur en argile « Clay » et le coefficient de minéralisation « Ko ». Deux réseaux de neurones spécifiques développés par M. Weiss (EMMAH) ; entrainés à partir de l’algorithme BV-NET ont permis d’effectuer l’inversion du modèle PROSPECT+SAILH et d’estimer le LAI à partir de la réflectance du couvert observé par satellite. La méthode d’assimilation de données a été implémentée grâce au couplage du modèle de culture SiriusQuality avec le package R CroptimizR, qui se base sur une approche bayésienne et fournit une approximation de la distribution a posteriori des paramètres. Une bonne optimisation n’a pu être obtenu que pour la capacité au champ de la première couche du sol (SDUL0) avec un pic observé 29 % à l’issu de 5000 itérations. L’utilisation de la valeur optimisée de la capacité au champ a amélioré la précision de prédiction du rendement. Nous sommes passés d’une RMSE de 1,93 (tDM/ha-1) avant optimisation à une RMSE de 1,48 (tDM/ha-1) après optimisation. Ces premiers résultats sont encourageants. Toutefois, il y a encore le besoin d’affiner la précision de la prédiction.