Upload
others
View
2
Download
0
Embed Size (px)
Citation preview
AMELIORATION DE LA PREDICTION DE LA AMELIORATION DE LA PREDICTION DE LA MINERALISATION DE LMINERALISATION DE L ’’AZOTE ORGANIQUE DU SOL AZOTE ORGANIQUE DU SOL IN IN
SITU SITU POUR UNE LARGE GAMME DE SOLS FranPOUR UNE LARGE GAMME DE SOLS Fran ççaisais
Matthieu VALÉ (1, 2) , François LAURENT (1), Luc CHAMPOLIVIER (3), Bruno MARY (4) et Eric JUSTES (2)
1 ARVALIS – Institut du végétal, Boigneville 2 INRA - UMR AGIR (AGrosystèmes et développement terrIt oRial), Toulouse
3 CETIOM – Toulouse4 INRA - Unité d’Agronomie Laon-Reims-Mons
Colloque GEMAS – COMIFER (Blois, 20 – 21 novembre 2007)
Contexte
L’agriculture doit produire de façon durable
Besoin d’une prédiction précise de la minéralisatio n de l’azote organique du sol en grandes cultures en Fra nce
Raisonnement des intrants renforcé
Diversification des systèmes de culture et des itinéraires
techniques
Simulation de scénarios de systèmes de culture variés
� Modèles : STICS (Brisson et
al., 1998), CROPSYS (Stöckle et al., 2003), …
Gestion fine de la fertilisation azotée
� Outils d’aide à la décision basé sur le bilan prévisionnel : AZOFERT ® (Dubrulle et al., 2004)
Objectifs de l’étude
Formalismes actuels :� vitesse potentielle de minéralisation de l’azote spécifique du type de sol (fonction de la teneur en azote organique , en argile et en CaCO3 de l’horizon de surface)� prédiction peu précise de cette vitesse potentielle de minéralisation calculée in situ pour une large gamme de conditions pédoclimatiques(Valé, 2006).
Objectif : proposer un modèle opérationnel de prédiction de la minéralisation de l’azote organique du sol in situ.
Modélisation statistique couplée à une approche fonctionnelle : prédiction du taux de minéralisation K2 (vitesse de minéralisation par unité d’azote organique)
Méthode retenue : réseau de neurones
Variables peu nombreuses et faciles d’accès
68 parcelles en grande culture
CETIOM
ARVALIS
Collaborateurs INRA
INRA Toulouse
Dispositif expérimental
Variables mesurées sur chaque parcelle pour la couche 0-30 cm :
• Caractéristiques physico-chimiques
• Caractéristiques biologiques
• Informations sur le système de culture
���� variable à expliquer : taux de minéralisation de l’azote mesuré in situ
St Hilaire au temple (51)Terre de craie
Montardon(64)Touya
Bouillac (82)boulbène
Sabres (40)Sable des Landes
Ouzouer le Marché (45)Limon de Beauce
Thizay(36)Argilo-calciare
La Jaillière(44)limon
En Crambade (31)terrefort
Dispositif expérimental
Caractérisation des parcelles étudiées
limoneux23%
argileux13%
limono-argilo-
sableux18%
sableux6%
sol de craie19%
limono-sableux
21% Variabilité des sols français bien représentée, mais :� sur représentation des sols de craie� sous représentation des sols sableux
Min : 2 %
Max : 37 %
0%
5%
10%
15%
20%
25%
30%
35%
< 50 < 100 < 150 < 200 < 250 < 300 < 350 > 350
argile (g.kg -1)
effe
ctif
0%
5%
10%
15%
20%
25%
30%
< 6 < 6.5 < 7 < 7.5 < 8 < 8.3 > 8.3
pH
effe
ctif
Caractérisation des parcelles étudiées
0%
5%
10%
15%
20%
25%
30%
35%
40%
< 1 < 10 < 50 < 100 < 200 < 300 < 600 > 600
CaCO3 (g.kg -1)ef
fect
if
Min : 5.7
Max : 8.4
Min : 0 %
Max : 86 %
0%
5%
10%
15%
20%
25%
30%
< 4 < 5 < 6 < 7 < 8 < 12 < 14 > 14
azote organique (t.ha -1)
effe
ctif
Caractérisation des parcelles étudiées
0%
5%
10%
15%
20%
25%
< 1 < 1.25 < 1.5 < 1.75 < 2 < 3 < 4 > 4
azote organique (g.kg -1)ef
fect
if
Min : 3 t.ha-1
Max : 16 t.ha-1
(sur 30 cm)
Min : 0.8 g.kg-1
Max : 4.3 g.kg-1
37.7%
26.2% 23.0%31.1%
26.2%
93.4%
0%
10%
20%
30%
40%
50%60%
70%
80%
90%
100%
céréales légumineuses colza betterave tournesol /sorgho
maïs
composition la rotation culturale
Caractérisation des parcelles étudiées
� Informations disponibles : entre 5 et 10 ans avant les expérimentations en sol nu
� 6 types de culture
0
2
4
6
8
10
12
14
16
18
1 an
née s
ur 5
1 an
née s
ur 4
1 an
née s
ur 3
1 an
née s
ur 2
3 an
nées
sur 5
3 an
nées
sur 4
mon
ocult
ure
céréales
légumineuses
colza
betterave
tournesol / sorgho
maïs
Caractérisation des parcelles étudiées
composition la rotation culturale
� Légumineuses – colza : entre 1/5 et 1/2
� Betterave – tournesol / sorgho : 1/2
� Monocultures : maïs et céréales
apport de matières organiquesoui
24.6%
non75.4%
fréquence d'apport de MO
0%
2%
4%
6%
8%
10%
12%
1 année sur5
1 année sur4
1 année sur3
1 année sur2
3 annéessur 5
3 annéessur 4
tous les ans
Caractérisation des parcelles étudiées
Mesure du taux de minéralisation K2 in situ
Suivi en sol nu de l’évolution mensuelle du stock d’azote et d’eau dans différentes couches du sol pendant environ 1 an
K2 = Vp / t Norg (0-30)
Situations avec résidus de culture exportés
Mesure du taux de minéralisation de la MO humifiée du sol uniquement
Vp : Vitesse potentielle de minéralisation en kg.ha-1.JN-1
K2 exprimé en kg d’azote minéralisé par tonne d’azote organique sur 30 cm par jour normalisé (kg N.t Norg(0-30)-1.JN-1)
N minéralisé calculé (kg.ha -1)
0
50
100
150
200
250
300
24/5 10/12 28/6 14/1
N minéralisé calculé (kg.ha -1)
y = 0.65x
0
50
100
150
200
250
300
0 100 200 300 400 500
Jours normalisés (15°C, HCC) ( t n )
Vp
Calcul du Calcul du Calcul du Calcul du temps temps temps temps
normalisnormalisnormalisnormaliséééé(effet (effet (effet (effet
temptemptemptempéééérature rature rature rature et humiditet humiditet humiditet humiditéééé))))
Large gamme obtenue : Min = 0.04 à Max = 0.27
Moyenne = 0.13 kg N.t Norg -1.jn-1 ���� ≈ 160 kg.ha -1.an-1
Gamme de la variable à expliquer ( K2)
0%2%
4%6%8%
10%
12%14%16%
18%20%
< 0.05 < 0.075 < 0.1 < 0.125 < 0.15 < 0.175 < 0.2 < 0.25 > 0.25
taux de minéralisation K2 (kg N.t Norg(0-30) -1.JN -1)
effe
ctif
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.00 0.05 0.10 0.15 0.20 0.25 0.30
K2 mesuré (kg N.t Norg(0-30cm) -1.JN -1)
K2
préd
it (k
g N
.t N
org(
0-30
cm)
-1.J
N-1
)
1:1
Comparaison entre K2 mesuré et K2 référence français (AZOFERT,STICS)
R² = 0.07MSEP = 66 %
Fort biais pour sols
calcaires et sableux
riches en MO
Sols sableux et riches en MO
Sols calcaires
potKFK ACT 2*2 =
)600)(110(
65
32 CaCOArg
potK++
=
K2pot : constante de vitesse de minéralisation (jour-1)
FACT : proportion d’azote organique actif, fixée à 35%
Arg : teneur en argile du sol (g.kg-1)CaCO3 : teneur en calcaire du sol (g.kg-1)
biais (B1)
poids (w1)
Σ
fonction logsig
Méthode de modélisation : réseau de neurones
Σ Σ
poids (w2)biais (B2)
Σ
neurones d’entrée (x)
neurone de sortie (A2)
Caractéristiques de sol - SdC
K2 prédit
neurones de la couche cachée (A1)
fonction tansig
Paramètres à optimiser : poids (w) et les biais
Modèle obtenu par réseau de neurones
Argile, CaCO3, pH, fréquence de colza dans la rotation
1) Paramétrage
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.00 0.05 0.10 0.15 0.20 0.25 0.30
K2 mesuré (kg N.t Norg(0-30cm) -1.JN-1)
K2
préd
it (k
g N
.t N
org(
0-30
cm)
-1.J
N-1
)
1:1
R² = 0.80MSE = 16 %pas de biais
30 parcelles avec grande précision dans le calcul de K2, représentatives de l’ensemble du réseau expérimental
2) Validation – comparaison avec K2 STICS
Modèle obtenu par réseau de neurones
Argile, CaCO3, pH, fréquence de colza dans la rotation
38 parcelles restantes
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.00 0.05 0.10 0.15 0.20 0.25 0.30
K2 mesuré (kg N.t Norg(0-30cm) -1.JN -1)
K2
préd
it (k
g N
.t N
org(
0-30
cm)
-1.J
N-1
)
1:1
1) formalisme de STICS (argile, CaCO 3)
R² = 0.07MSEP = 66 %
Sols sableux et riches en MO
Sols calcaires
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.00 0.05 0.10 0.15 0.20 0.25 0.30
K2 mesuré (kg N.t Norg(0-30cm) -1.JN -1)K
2 pr
édit
(kg
N.t
Nor
g(0-
30cm
)-1
.JN
-1)
1:1
2) réseau de neurones
R² = 0.52MSEP = 33 %
Sols sableux et riches en MO
Sols calcaires
Modèle obtenu par réseau de neurones
Argile, CaCO3, pH, fréquence de colza dans la rotation
3) Modèle de prédiction proposéUtilisation de toute l’information disponible (68 parcelles) afin d’obtenir le paramétrage le plus robuste
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.00 0.05 0.10 0.15 0.20 0.25 0.30
K2 mesuré (kg N t Norg(0-30) -1 JN -1)
K2
AN
N (
kg N
t N
org(
0-30
)-1
JN
-1)
1:1
R² = 0.70MSE = 20 %
Taux de minéralisation des sols sableux riches en MO et sols calcaires bien prédit
� Bonne robustesse du modèle a priori pour une large gamme de conditions pédoclimatiques
Conclusion - perspectives
Modélisation par réseau de neurones
Amélioration de la prédiction de la minéralisation de l’azote in situpar rapport au formalisme existant (argile et CaCO3)
Modèle simple : 4 variables faciles d’accès
Modèle robuste : valide pour une large gamme de pédoclimats et de systèmes de culture
Approche statistique
Modèle opérationnel qui pourra être utilisé dans des modèles de recherche ou des outils d’aide à la décision
� domaine de validité limité à la gamme de valeur du paramétrage
� pas de signification fonctionnelle stricte et relation complexes entre les variables (pas d’effet unique )
MERCI POUR VOTRE ATTENTION