La modélisation dans le domaine de l’agronomie

                  La modélisation permet d’analyser de manière systémique les conséquences d’une modification de la conduite d’une culture - (ph:DR)

La modélisation est couramment utilisée dans le domaine de l’agronomie pour aider les chercheurs et les scientifiques à mieux comprendre les liens complexes entre les actions humaines, le contexte pédoclimatique et les réponses de l’agro écosystème. Mais aussi dans un objectif d’aide à la décision, les modèles permettent d’analyser de manière systémique les conséquences d’une modification de la conduite d’une culture et d’évaluer les risques associés à de telles modifications.

Qu’est ce qu’un modèle ?

 

Les textes de références en agronomie donnent des définitions générales au mot modèle, selon Penning de Vries et al. (1989), un modèle est généralement défini comme une représentation ou une simplification du fonctionnement réel d’un système. Certaines définitions s’appuient sur les formalismes mathématiques, en effet, selon la définition du National Research Council (1990), un modèle est une tentative systématique de traduire la compréhension conceptuelle d’un système réel (phénomène physique, biologique…) en des termes mathématiques.

Par ailleurs, il est composé d’un ensemble d’équations mathématiques, appelées formalismes, constituées de variables d’état, qui caractérisent l’état du système à différents pas de temps mais aussi de paramètres, qui définissent l’intensité des relations entre les variables d’état de ce système.

D’autres auteurs fondent leurs définitions sur les interactions entre le système sol-plante-atmosphère et les pratiques agricoles définissant ainsi les modèles de cultures. Selon Bonhomme et al. (1995), un modèle de culture est un ensemble de relations qui décrivent de façon simplifiée le fonctionnement du système sol-plante en interaction avec le climat et les opérations techniques. C’est ainsi un outil privilégié pour simuler le comportement d’une culture et définir son niveau de production.

Typologie des modèles de culture

 

On distingue généralement deux types de modèles de culture qui sont les suivants:

Les modèles mécanistes: Ils décrivent et quantifient les mécanismes et les processus qui interviennent au niveau de la plante et du sol. Cela se fait en se basant sur la formalisation d’hypothèses concernant le fonctionnement physiologique et physique du système étudié.

Les modèles empiriques: Ils décrivent quant à eux l’évolution du système au travers de relations simplifiées entre les différentes variables sans fournir d’explications sur le fonctionnement biologique ou physique. Les équations décrivant les relations sont le plus souvent obtenues à partir d’ajustements statistiques entre les différentes variables d’état mesurées.

Les modèles de cultures se situent à l’interface des deux catégories présentées (Hammer et al., 2002). Etant constitués d’un ensemble d’équations mathématiques formalisant les hypothèses sur le fonctionnement du système sol-plante et regroupées par processus, ils peuvent être considérés comme mécanistes. Cependant, ils peuvent intégrer des relations de type empirique entre les variables caractérisant les différents processus.

Importance de la modélisation en agronomie

 

Apparue dans le champ de l’agronomie il y a 25 ans avec les travaux de de Wit (1978) sur la photosynthèse et la respiration, la modélisation y occupe aujourd’hui une place conséquente. Profitant ainsi des possibilités ouvertes par le développement de l’informatique, elle est devenue l’outil incontournable qui permet de connaître, et de comprendre les mécanismes impliqués dans la production des cultures et d’en inventer de nouvelles techniques. En effet, la simulation à travers les modèles de cultures offre d’une part l’opportunité d’extrapoler les connaissances acquises par un petit nombre d’expérimentations à une plus large gamme de conditions.

D’autre part, elle permet de quantifier simultanément les effets de différents facteurs sur les performances du système étudié (Boote et al., 1996). Elle offre aussi la possibilité d’explorer une gamme plus vaste de situations dans un intervalle de temps restreint (Semenov et al., 2009). En outre, les modèles sont des outils qui donnent l’accès à une diversité d’indicateurs difficilement accessibles par expérimentation telles que les flux de solutés ou de composés gazeux. Ils permettent aussi d’appréhender des évolutions à très long terme de systèmes de culture.

Les qualités les plus recherchées dans un modèle de culture 

 

Afin de fournir des réponses pertinentes aux questions posées, le développement d’un modèle de culture doit aboutir à l’obtention d’un modèle présentant certaines caractéristiques parmi lesquelles on cite les suivantes:

Des variables d’entrées et de sorties accessibles et adaptées à la question traitée: La première condition nécessaire consiste à l’accessibilité des variables d’entrées à l’utilisateur. Leur accès peut être direct par la mesure ou indirect grâce à des modules spécifiquement construits qui transforment des variables disponibles en entrées du modèle. Mais aussi les variables de sorties qui doivent être pertinentes pour l’utilisation prévue du modèle.

Ainsi la facilité d’appropriation du modèle par un utilisateur n’ayant pas participé à sa conception est essentielle: Un acteur utilise d’autant mieux un modèle qu’il en maitrise son contenu. Par ailleurs un modèle trop complexe qui nécessite un temps d’apprentissage long a moins de chance d’être utilisé. Un autre critère important est la capacité du modèle à prendre en compte tous les effets de la technique que l’on cherche à raisonner y compris les effets indirects. Sans cette condition, les solutions proposées ne résistent pas à la mise en oeuvre pratique.

Sensibilité et robustesse: Pour donner des réponses pertinentes aux questions posées, les modèles utilisés doivent être sensibles aux techniques que l’on veut piloter et aux conditions du milieu qui influent sur l’efficience de ces techniques. En d’autres mots, la sensibilité fait référence à la capacité du modèle à modifier la valeur prédite d’une variable d’état en réponse à la variation d’une ou de plusieurs opérations techniques ou conditions pédoclimatiques. Confalonieri et al.(2010) considèrent qu’un modèle est robuste dans la mesure où ses performances utilisées dans de nouvelles conditions sont similaires à celles utilisées dans les conditions ayant servi à son développement.

Qualité prédictive et qualité décisionnelle: Pour aider à prendre une bonne décision, des méthodes pour évaluer la qualité décisionnelle des modèles se sont développées ces dernières années. Elles devraient aider les utilisateurs futurs à porter un regard critique sur l’intérêt des modèles disponibles. Ces méthodes aident par exemple à juger la pertinence du modèle, à classer correctement une gamme de scénarios techniques testés et à identifier celui qui donne les meilleurs résultats. Quant à la qualité prédictive, elle fait référence à la capacité du modèle à obtenir par simulation des valeurs proches des valeurs obtenues par expérimentation.

Source