Pôle Adaptation aux changements globaux, Centre INRA PACA) Simulation du fonctionnement des agro-hydrosystèmes : enjeux, modèles et applications André Chanzy, Samuel Buis, H. Varella, M. Guérif, E. Kpemlie, A. Olioso, D. Courault, A. Bsaibes, M. Mumen (UMR Environnement Méditerranéen et Modélisation des Agro-Hydrosystèmes EMMAH INRA/UAPV Avignon Pôle Adaptation aux changements globaux, Centre INRA PACA)

Objectifs de la présentation Présenter des enjeux scientifiques et finalisés dans le champ des recherches agro-environnementales (interactions production/eau) Présenter les modèles utilisés et leur mise en œuvre Qu’est-ce qui est fait en terme d’analyse de sensibilité/estimation des paramètres.

Agro-hydrosystème

Agro-hydrosystème

Agro-hydrosystèmes? Espace (région, paysage, parcelle) Climat Sol Usages des surfaces  pratique et gestion Apports exogènes d’eau (rivière canaux)

Questions Finalisées Analyse prospective (impact du changement climatique – impact de directives telle que la loi cadre sur l’eau) lle) Quelles seront les potentialités agricoles et forestières futures? Quel sera le devenir des aquifères souterrains? Quelles mesures techniques pour s’adapter (à combiner avec un point de vue SHS  mise en place de ces mesures)?

Questions Finalisées Aide à la décision Date d’intervention (éviter le tassement de sol) Modulation des pratiques sur la parcelle pour minimiser les impacts négatifs sur l’environnement (exemple de la fertilisation azotée) Organisation spatiale des cultures et minimisation de l’impact sur l’environnement (érosion, ruissellement, pesticides, fertilisants) Impact d’un aménagement (hydraulique : canal, bassin de rétention, captage …)

Enjeux scientifiques Le milieu sous-terrain (sol, sous-sol, nappe) variable dans l’espace et le temps et difficile à caractériser. On ne sait pas mesurer la plupart des flux et des variables d’état du système aux échelles spatio-temporelles pertinentes. Expérimentations conceptuellement difficiles à mettre en place (contrôle de la variabilité) et très coûteuses

Variabilité : exemple de la teneur en eau des sols Mumen, 2006

Inadéquation entre possibilités de mesure et besoins : exemple de la teneur en eau. Chanzy et al, 2007

Des mesures très locales Bolvin et al., SSSAJ 2003

Ou très superficielles (télédétection micro-onde) et peu précises Humidité dans les 2 premiers cm Précision 0.04 a 0.06 m3/m3 (RMSE) Chanzy, 2009

Modélisation Seule? issue possible Pour estimer les grandeurs recherchées (flux de masse, flux de chaleur, humidité des sols …) Tirer profit des mesures ne décrivant que très partiellement les systèmes étudiés  assimilation de données Pour analyser des couplages complexes Pour expérimenter des modalités de gestion

Prévision de la teneur en eau du sol pour la planification des travaux agricoles et forestiers et prévenir les tassement. Photo INRA Agronomie Laon-Reims-Mons

Outil d’aide à la décision

Flux de masse, flux de chaleur Le modèle Choisi, Transfert d’Eau et de Chaleur (Modèle TEC) Flux de masse, flux de chaleur Description schématique du modèle mécaniste de transferts couplés d’eau et de chaleur

Sensibilité du modèle

Choix des grandeurs à estimer Le paramètre Facilement accessible Peu d’impact sur la teneur en eau 0-30 cm Fort impact mais difficilement mesurable en routine Les propriétés thermiques () et C()  Le coefficient de diffusion gazeuse D() La masse volumique d L’albédo (a) La rugosité (z0) L’émissivité (s) Les propriétés hydrodynamiques (Ө), k(Ө) Les conditions initiales 0z Les conditions initiales T0z Les conditions aux limites inférieurs 0zm Les conditions aux limites inférieursT0zm

Mise en oeuvre D’un point de vue opérationnel nous proposons, D’utiliser la FPT de Wosten 1997 pour les propriétés hydrodynamiques du sol  Exploiter un proxi (granulométrie du sol) d’initialiser le modèle avec un profil de potentiel hydrique égale à -10 kPa, après 48 h de grosse pluie  Exploiter les connaissances sur le comportement des sols Utilisation du flux gravitaire pour le fond  Choix d’un processus à privilégier Précision de l’ordre de 0.04 m3/m3

Assimilation de données Méthode inverse Kalman Filter using Correlation 0-5 0-30 Without assimilation 0.065 0.060 Assimilation weekly measurements q0-5 0.029 0.020 0.039 0.036 Assimilation weekly measurements q0-30 0.033 0.021 0.040 0.022 Error in soil moisture (RMSE)

Pertinence de la simulation : risque de prendre une mauvaise décision

Gestion de la fertilisation azotée (thèse Hubert Varella) Enjeux apporter l’azote en quantité suffisante pour ne pas avoir un stress azoté au niveau de la plante Eviter d’avoir un lessivage (surplus d’azote en solution emportée par les eaux draînées). Quelle quantité d’azote apporter Carte des sols Surface de feuille

Modélisation des cultures Entrées Climat Caractéristiques permanentes et initiales du système Itinéraire technique Système Sol Microclimat Plante Processus Développement Gestion des interventions techniques Croissance foliaire Interception rayonnement Croissance biomasse Elaboration du rendement Croissance racinaire Transferts eau / azote Variables environne-mentales (NO3 lessivé, eau du sol, … Variables agricoles (rendement,…) Sorties Ce qu’on veut que le modèle calcule, ce sont à la fois des caractéristiques (ou « variables ») agricoles, comme le rendement, ou la masse de la plante à un moment donné du cycle, et des caractéristiques environnementales, comme l’état hydrique et azoté du sol, ou la quantité de nitrates lessivés par exemple. C’est donc non seulement la plante qui est simulée, mais également son environnement proche, le sol, et le microclimat (on verra plus tard pourquoi). 23

>200 paramètres. 70 paramètres sols difficiles à obtenir

Estimer les paramètres sols

Choix des paramètres sols

Choix des paramètres sols

Méthode d’estimation des paramètres Importance Sampling : Principe de la méthode simulations observations … M = 10 000 M = 10 000 tirages de valeurs simulations des variables observées Information a priori sur les paramètres (IAP) Distributions a posteriori Formule de Bayes estime Coût de la méthode M évaluations du modèle Pour une utilisation à l’échelle parcellaire (conditions identiques : seules les observations changent), le nombre de simulations ne dépend pas du nombre de pixels.

Résultats sur un cas réel Estimation des paramètres 29 29

Cartographie de l’évapotranspiration d’un paysage cultivé par assimilation de données de télédétection dans un modèle d’interaction surface-atmosphère Thèse E. Kpemlie Contexte : Estimer l’évapotranspiration pour comprendre et prévoir le développement des cultures, les interactions avec le microclimat et gérer les interventions agricoles (irrigations).

Rn H LE G Cartographie de Ts Ts indice foliaire (LAI) LE = Rn - G - H Cartographie de Ts Ts indice foliaire (LAI) hauteur du couvert état hydrique du sol vitesse du vent (ua) température de l’air (Ta) 31

PBLs : un modèle couplé surface – couche limite atmosphérique : Surface fluxes Fxs FXH h Temperature Altitude (m) hcls Surface layer Mixer layer Free atmosphere Ta albédo, LAI, rugosité du sol (z0), humidité du sol (f2) Télédétection Difficile à estimer directement  Assimilation Ts 32

Méthode d’assimilation Problème de très grande taille à résoudre : les paramètres doivent être estimés sur chaque pixel et les variables d’état interagissent entre les différents pixels. Les zones considérées sont constituées de plusieurs dizaines à centaines de milliers de pixels  utilisation d’une méthode variationnelle : minimisation d’une fonction de type moindres carrés pondérés avec prise en compte d’information a priori et calcul du gradient par adjointisation du modèle IAP JB J0 Opérateur adjoint du modèle PBLs obtenu par différentiation automatique (logiciel TAPENADE)

Résultats Correction de la température de surface Obs. – Ts estimé Première figure : c’est la température de surface estimée avant assimilation en bleu et après assimilation en rouge en fonction des températures de surfaces observées. L’écart reste trop fort mais il est largement réduit. Deuxième figure : c’est le résidu (température de surface observée – température de surface estimée après assimilation) en fonction des valeurs du LAI. On voit que pour les LAI faibles on n’arrive pas à simuler correctement la température de surface. RMSE = 7 °C RMSE = 4 °C

Résultats Correction des Flux blé luzerne blé irrigué 35 RMSE Tableau : Résultats calculés à midi sur les 7 parcelles de mesure pour 3 dates de mesures. PBLs c’est le modèle avant assimilation. Algo c’est les résultats après assimilation. Rési c’est le calcul des flux par méthode résiduelle. Figures : résultats du flux LE sur 3 parcelles de culture différentes pour une date. PBLs c’est le modèle avant assimilation et estimated c’est les résultats après assimilation. 35

Pour aller plus loin : modélisation mécaniste du fonctionnement des paysages : plate-forme de simulation SEVE Environnement permettant De réaliser une segmentation de l’espace à partir de sources d’information variées (MNT, Cartes d’occupation des sols, réseaux, image TD, cartes des sols) et en fonction des processus à représenter De réaliser des modèles couplés en permettant l’interopérabilité de modèles de processus (issus de modèles existants) D’assimiler des informations d’origines diverses De visualiser les sorties Disposer de jeux de données de référence

Superviseur gère les échanges entre modules Modules de description des classes d’Objets SIC et de leur évolution Modules de transfert Objet Basse Atmosphère Transferts dans la basse atmosphère 1D à 3D TBA Flux et variables d’état Objets Surface parcelles hydrologiques Tronçon de rivière Tronçon de haie ... TLC Transferts verticaux en surface 1D Transferts latéraux en surface: Écoulements non concentrés 1D/2D Transferts latéraux en surface: Écoulements concentrés 1D/2D Géom.-topol.-état des objets des classes Géométrie-topologie des UC transfert Connectivité Objets-UC TLS Objets Observables TVS Interpolations Agrégations Objets Sol/Sous-sol: horizon de sol sous sol Substratum Transferts dans le sol saturé ou non-saturé 1D/2D/3D TS Segmenteur - Génère la géométrie et la topologie - Vérifie les connectivités entre Objets-UC et UF-UC - Initialise les propriétés et variables d’état des Objets et UC

Sol Sous-sol Basse atmosphère Irrigation Rayonnements incidents Température, humidité de l'air Resistance aérodynamique Pluie, concentration en CO2 Rayonnement réfléchi (l) Flux sensible Flux latent Flux de quantité de mouvement Température (développement) DBiomasse composantes Flux azote absorbé Surface: Transfert vertical eau, énergie, CO2 La surface comprend la végétation ou les bâtiments, l'air dans la végétation, les racines, la neige. La surface du sol fait partie du sol. Végétation Processus: Bilan d'énergie (calcul de l'albédo, l'émissivité, de la rugosité, de la conductance stomatique (transpiration), bilan radiatif) Production de biomasse Puits/source racinaire Interception de la pluie ou l'irrigation Evolution du manteau neigeux Variables d'état: Température (z, composantes) Température air (z) Humidité air (z) Contenu réservoir interception Potentiel plante? Variables état de la neige Structure (LAI, Hauteur, Racines..) Biomasse compartiments Paramètres de fonctionnement (dépendant du développement) Variables d'intérêt: Albédos végétation, sol, bâti Rayonnements nets total, végétation, sol, bâti (l) Flux latent, sensible végétation, sol, bâti, interception, neige Rayonnement net solaire, IR sol, végétation, etc.. (l) Conductance stomatique Flux d'énergie G Flux de masse E, Pg Extraction racinaire (z) Sol Sous-sol Teneur en eau (z) Potentiel matriciel (z) Température sol (z) Conductivité hydraulique (z) Echelle spatiale des échanges: Unité fonctionnelle "végétation" ou bâti ou réseau avec "végétation", Unités de calcul sol avec sol-sous-sol et atmosphère => agrégation /désagrégation conditionnée par la conservation de la masse Echelles temporelles des échanges: quelques minutes (basse atmosphère, sol/sous-sol) Journée (végétation)

PALM Prépalm: Création du schéma couplage par IHM PALM couple des codes de modules Il gère des communications asynchrones de structure de données génériques (UF, Var, UC)‏ Une branche PALM est un module SEVE Les modèles sont appelés par le module L’intelligence de couplage est dans les modules (durée de validité, synchronisation, stockage des variables …)‏

Les paris de SEVE Les modèles gèrent par eux même leur simulation (pas de temps) – le coupleur gère les synchronisations  stabilité numérique  impasse? Certains couplages « intimes » sont reformulés par un simple échange d’information (exemple –infiltration ruissellement) Topologie (gérée dans les modèles) et les échanges entre modules  Pb dans l’absence d’ordre dans l’exécution des modèles? Gestion des singularités (réseau, haies …) Assimilation de données

Conclusions Le manque d’outils d’observation aux échelles spatio temporelles adéquates, l’extrême variabilité du milieu nous amène à décomposer les processus et segmenter le milieu  Problèmes de grande taille avec un très grands nombre de variables et paramètres Approches plus ou moins rustique en terme d’analyse de sensibilité et d’assimilation de données. Faut-il aller plus loin? Quelle marge respectives offertes par les stats, la compréhension des processus et les moyens d’observation?

Conclusions Gros progrès  assimilation de données Focus sur les aspects sol/eau (un problème de caractérisation du milieu). Les plantes, si elles sont plus facilement observables, ont un fonctionnement plus difficile à modéliser (adaptation aux stress- interactions avec les autres organismes biologiques)