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