Effets des conditions environnementales et des pratiques culturales sur les flux de carbone et d’eau dans les agrosystèmes

Effets des conditions environnementales et des pratiques culturales sur les flux de carbone et d’eau dans les agrosystèmes

Filtrage et vérification de la qualité des flux 

Les données de flux aberrantes et hors gammes, correspondant à des problèmes techniques, des défaillances électroniques et des conditions météorologiques non compatibles avec la méthode d’EC (pluies, trop grande stabilité, pas de turbulences …) ont été identifiées et supprimées à l’aide de différents algorithmes. Une évaluation de la qualité des données restantes en terme de représentativité spatiale, de stationnarité du flux, de caractéristiques des turbulences et de bilan d’énergie sera ensuite effectué. Une importante particularité des agrosystèmes est la discontinuité temporelle du couvert végétal et donc des processus de transferts verticaux associés. Afin d’intégrer au mieux ce facteur, des périodes de fonctionnement des cultures (CFP pour crop functioning periods) ont été définies entre le semis, le PAImax (plant area index, au maximum de développement de la culture), la récolte et le labour. Chacun des algorithmes de sélection et de vérification des données a été appliqué indépendamment pour chaque CFP. 5

 Détection des données aberrantes 

Dans un premier temps, les données semi horaires des différents flux ont été supprimées si leur valeur ou si la moyenne et l’écart type des scalaires correspondants étaient en dehors de gammes réalistes (Tableau 4, Figure 4). Tableau 4 : Gammes de sélection des flux en fonction de leur valeur ainsi que de la moyenne et de l’écart type du scalaire correspondant. Limite basse Limite haute Ftc c [ppm] 340 700 σ(c) [ppm] 0 10 Ftc [µmol m-2 s-1] -60 30 LE q [mmol m-3] 0 1500 σ(q) [mmol m-3] 0 300 LE [W m-2] -50 600 H Ta [°C] -20 60 σ(Ta) [°C] 0 2 H [W m-2] -200 600 Une importante source de bruit dans les mesures d’EC est liée à la présence de gouttes d’eau perturbant le trajet optique du signal infra rouge de l’IRGA. Pour les flux dépendant de l’IRGA, toutes les demi-heures correspondant à un épisode de pluie ou suivant un épisode de pluie ont donc été supprimées du jeu de données (Tableau 6). Ce filtre ne suffit cependant pas à supprimer toutes les Chapitre 1. Présentation des sites et méthodes de traitement des données de flux 38 données correspondant à des périodes ou la fenêtre de l’IRGA est mouillée (périodes de très faibles précipitations ou dépôts de rosée). Par ailleurs, le trajet optique peut aussi être perturbé par le passage d’insectes, la présence d’oiseaux sur l’analyseur… Un algorithme statistique a donc été créé afin d’identifier ces pics restants, en comparant chaque valeur de flux (Fi) avec une moyenne glissante (Fgi) et un écart type glissant (σ(Fgi)) de deux cents données (Figure 4). Si Fi < Fgi − 2.5 σ(Fgi) (5a) Ou Fi > Fgi + 2.5 σ(Fgi) (5b) Alors Fi est supprimé du jeu de données. Cette procédure a été appliquée séparément pour les données de jour et pour les données de nuit. La nuit a été définie par un angle solaire < 0° et un PPFD < 5 µmol m-2 s-1. La pertinence de ce filtrage statistique a été évaluée à travers différentes relations entre le flux net de CO2 et des variables climatiques (rayonnement, température, déficit de pression de vapeur d’eau… voir chapitre 2) ainsi qu’a travers l’évaluation du bilan d’énergie pour les flux H et LE (voir section 5.5 de ce chapitre). Figure 4 : Evolution des données semi horaires de flux turbulent de CO2 (Ftc) de février à juillet 2006 (culture de blé) à Auradé. Ftc brut correspond aux sorties du logiciel EdiRe, Ftc filtré, après application des différents filtres sur les gammes de valeurs, les précipitations et après application de l’algorithme statistique. Les courbes vertes et rouges correspondent aux enveloppes définies par les Equations (5a) et (5b) pour le jour et la nuit, respectivement. Chapitre 1. Présentation des sites et méthodes de traitement des données de flux 

 Problèmes en conditions de faibles turbulences 

En conditions de faibles turbulences, le plus souvent la nuit quand il y a peu ou pas de vent et pas de convection, l’équation (1) ne peut plus se simplifier au seul terme Ft car le transport de matière et d’énergie ne se fait plus essentiellement par la turbulence. Il est alors important de prendre en considération le terme Fs . A partir de mesures d’un profil vertical d’un scalaire ρ, Fs peut être calculé selon la formulation proposée par Aubinet et al. (2001) : Fs = ⌡ ⌠ 0 hm dρ(z) dt dz (6) Avec hm la hauteur de mesure du système d’EC. A chaque pas de temps, une moyenne de ρ est calculée pour chaque couche définie par les mesures du profil vertical. La dérivée de ρ par rapport au temps (t) est calculée comme la différence entre deux mesures successives. L’intégrale est calculée en sommant la variation du stockage au niveau de chaque couche, pondérée par son épaisseur. Les mesures de profils verticaux de concentration en CO2, d’humidité et de température, n’ayant été installées qu’à partir de septembre 2006 à Auradé et Lamasquère, le calcul de Fs se fait alors à partir d’une seule couche dont la valeur moyenne de ρ est celle mesurée à la hauteur du système d’EC. Bien que cette méthode engendre des sous-estimations de Fs , de 20 à 25 % dans le cas du CO2 (Saito et al., 2005), elle est souvent utilisée pour des écosystèmes où la végétation et le système d’EC sont bas et où Fs est supposé faible (Anthoni et al., 2004a; Moureaux et al., 2006; Suyker et al., 2005; Verma et al., 2005; Wohlfahrt et al., 2005; Xu & Baldocchi, 2004). De plus il a été montré que l’impact de cette méthode n’induisait que de très faibles erreurs sur les valeurs annuelles cumulées de flux net de CO2 sur cultures, du fait de la succession de phase de stockage et de déstockage à l’échelle journalière (Chapitre 2 (Béziat et al., 2009)). La Figure 5 (a) montre l’importance de la variation du stockage de CO2 (Fsc) lorsque les valeurs de la vitesse de frottement avec la surface (u*), représentant le niveau de turbulence dans la couche limite de surface, deviennent faibles. Les valeurs positives de Fsc correspondent à un stockage de CO2 sous la hauteur de mesure du système d’EC, causé par la quasi absence de mouvement d’air. Les valeurs négatives de Fsc correspondent à un déstockage de CO2 qui peut être induit par le démarrage de la convection en début de journée avant que les turbulences soient importantes ou à des phénomènes de turbulences intermittentes, déchargeant rapidement la couche d’air du CO2 accumulé sous le système d’EC (Aubinet, 2008). Les valeurs de Fsc plus faibles à Auradé qu’à Lamasquère s’expliquent par la topographie de la parcelle d’Auradé, qui est légèrement en pente, dans une zone de coteaux où les conditions venteuses ainsi que les phénomènes d’écoulement (advection) le long de la pente sont fréquents. A Lamasquère la parcelle est parfaitement plane et entourée de forêts qui Chapitre 1. Présentation des sites et méthodes de traitement des données de flux 40 favorisent donc le stockage pour les faibles u*. Le cycle journalier de Fsc a été représenté par une journée de valeurs médianes afin de pouvoir observer les phénomènes sans perturbations des valeurs extrêmes. Le stockage commence en début de soirée jusqu’au matin, où un important déstockage est observé. Il est dû au réchauffement de la surface par le soleil et à la mise en place de la turbulence. Le décalage de phase observé en période de végétation avec un stockage plus précoce le soir et un déstockage durant plus tard le matin s’explique par l’atténuation du vent dans le couvert végétal et un réchauffement du sol moindre. Figure 5 : Représentation de la variation du stockage de CO2 (Fsc) sous la hauteur de mesure du système d’EC : (a), en fonction de la vitesse de frottement du vent avec la surface (u*) à Auradé et Lamasquère et (b), pour une journée médiane en période de sol nu (PAI = 0) et en période de végétation (PAI > 1) à Lamasquère. Les données ont été sélectionnées quand le profil de mesures verticales de concentration en CO2, d’humidité et de température était opérationnel. Le flux net de CO2 (NEE pour Net Ecosystem Exchange) correspond donc à la somme de Ftc et Fsc. Cependant, malgré l’ajout du terme de stockage, une sous-estimation systématique de NEE est observée pour les faibles valeurs de u* (Figure 6). Cette sous-estimation est très probablement provoquée par des phénomènes d’advection (Equation (1)) qui ne sont pas pris en compte dans le calcul de NEE et par une probable sous-estimation de Fsc due à un profil de mesures dont la résolution est limitée verticalement et temporellement. Les phénomènes d’advection sont probablement le résultat de la topographie (particulièrement à Auradé) et de différences d’occupation du sol sur les parcelles voisines, engendrant d’importantes variabilités spatiales dans les sources des flux (Aubinet, 2008); l’hypothèse de l’homogénéité spatiale n’est donc plus respectée dans ces conditions. Les fortes valeurs de NEE observées pour les fortes valeurs de u* (> 0.4 m s-1) pourraient être le résultats de phénomènes de pompage du CO2 accumulé dans le sol (Gu et al., 2005) ou bien correspondre à des périodes de turbulence intermittentes provoquant d’importants déstockages de CO2 (Aubinet, 2008; Wohlfahrt et al., 2005). Toutefois ces épisodes correspondent à des périodes ou les conditions de stationnarité ne sont pas remplies (Aubinet, 2008) et ont donc été écartées du jeu de données (voir section 5.4). Chapitre 1. Présentation des sites et méthodes de traitement des données de flux 41 Figure 6 : Flux net de CO2 (NEE pour Net Ecosystem Exchange) nocturne en fonction de la vitesse de frottement du vent avec la surface (u*) au maximum de développement de la végétation (PAImax − 0.5 < PAI < PAImax) pour (a) le tournesol à Auradé et (b) le blé d’hiver à Lamasquère. Les données de NEE ont été moyennées dans 20 classes de u* avec le même nombre de données dans chaque classe et normalisées par la moyenne des NEE sur la période considérée. Les barres verticales correspondent à l’écart type de chaque classe normalisé par la moyenne des NEE sur la période considérée. Face à ce problème de sous-estimation de NEE en conditions stables, la technique la plus couramment utilisée consiste à déterminer un seuil de u* en dessous duquel les données sont rejetées puis remplacées (voir section 6). La méthodologie proposée par Reichstein et al. (2005) a été utilisée pour déterminer ce seuil de façon objective et systématique. Pour cette détermination, les données nocturnes de NEE (représentant la respiration totale de l’écosystème) ont été découpées en six classes de température de l’air (Ta) pour s’affranchir de l’effet de la température sur la respiration (voir section 7.1 de ce chapitre). Chacune de ces classes a ensuite été découpée en vingt classes de u*. Pour chaque classe de Ta , le seuil de u* est atteint si la moyenne de NEE de la classe de u* actuelle dépasse 95 % de la moyenne de NEE de la classe de u* supérieure. Si la corrélation entre Ta et u* dépasse 0.45 au sein de chaque classe de Ta , le seuil de la classe de Ta correspondante n’est pas conservé pour éviter de confondre les effets physiques (faibles turbulences) et écophysiologiques (augmentation de la respiration avec l’augmentation de Ta) sur la variation de NEE nocturne. Le seuil de u* final correspond à la médiane des seuils calculés pour chaque classe de Ta . Par cette méthode une valeur de seuil de u* a été calculée pour chaque CFP. La valeur la plus élevée du seuil de u* a été sélectionnée pour filtrer tout le jeu de donnée pour garder la même approche conservative définie par Reichstein et al. (2005). Pour les autres flux (H et LE) le seuil de u* défini pour NEE a été utilisé pour filtrer les données correspondant aux problèmes de mesure liés au stockage et à l’advection. Chapitre 1. Présentation des sites et méthodes de traitement des données de flux 

Représentativité spatiale des flux

 L’empreinte de la mesure du système d’EC (footprint) varie au cours du temps en fonction de divers paramètres tels que la vitesse et la direction du vent, la stabilité de l’atmosphère, la hauteur de mesure, la rugosité de la surface… Il convient donc de s’assurer que les mesures effectuées sont représentatives de la parcelle expérimentale. La paramétrisation proposée par Kljun et al. (2004) a été utilisée pour déterminer à chaque pas de temps la distance à partir du mât de mesure intégrant 90 % des sources contribuant aux flux (D90). Cette distance a ensuite été comparée à la distance entre le mât et le bord de la parcelle dans la direction moyenne du vent pour la demi-heure correspondante (Dm). Si Dm était inférieur à D90, alors les flux étaient considérés comme non représentatifs de la parcelle et écartés du jeu de données. L’avantage de cette paramétrisation est qu’elle est facile à mettre en œuvre et ne nécessite pas de long temps de calcul. De plus les variables atmosphériques d’entrées nécessaires au calcul peuvent facilement être obtenues à partir du système d’EC (voir Kljun et al. (2004) pour le détail des variables d’entrées et de sorties ainsi que pour les équations de la paramétrisation.). Cette paramétrisation permet donc de tester la représentativité spatiale des flux de façon systématique et automatique pour chaque demi-heure. Cependant, elle n’est applicable que pour des valeurs de u* > 0.2 m s-1, donc pour des conditions où la turbulence est bien établie. Or en dessous de cette valeur de u*, à cause des phénomènes d’advection, les sources contribuant aux flux peuvent être très éloignées du mât et leur détermination avec cette paramétrisation devient alors trop imprécise. Cela ne représente cependant pas un gros problème étant donnée que les flux sont filtrés pour ces conditions par le filtre sur u*. 5

Tests de qualité des flux 

Une série de tests (Foken et al., 2004; Foken & Wichura, 1996; Göckede et al., 2004) a été appliquée pour évaluer la qualité des flux calculés à partir des données du système d’EC. Ces tests correspondent actuellement au standard de contrôle de la qualité des flux du projet CarboEurope-IP. Une description et l’adaptation de certain de ces tests sont présentées dans cette section. Le but de ces tests est d’attribuer un indice de qualité à chaque mesure, allant de 0 à 2, 0 correspondant aux données de bonne qualité utilisées pour l’analyse des processus (réponse de NEE au rayonnement et à la température), 1 de qualité intermédiaire, utilisable pour le calcul des bilans, et 2 de mauvaise qualité, devant être écartées du jeu de données. Le premier test est de vérifier si w avant l’application des rotations (section 4.3) est inférieur à une valeur seuil de 0.35 m s-1. Au delà de ce seuil, la correction de w liée à la double rotation est jugée trop importante pour donner des résultats utilisables. Un indice de qualité de 2 a donc été attribué aux données dépassant ce seuil. Chapitre 1. Présentation des sites et méthodes de traitement des données de flux 43 Le deuxième test permet de vérifier si les turbulences sont suffisamment développées dans la couche limite de surface (ITC pour integral turbulence characteristic) pour permettre de calcul des flux par la théorie d’EC. Ce test consiste à comparer le rapport entre l’écart type de w et u* avec une paramétrisation du type : σ(w) u* = c1    hm L c2 (7) Avec L, la longueur d’Obukhov. Le terme hm L est appelé la stabilité de Monin-Obukhov. Cette équation utilise la théorie des similarités des turbulences atmosphériques définie dans les années 60 par Obukhov. c1 et c2 sont des constantes définies pour différentes gammes de stabilité (Tableau 5). Les conditions turbulentes sont considérées comme bien développées quand l’écart entre les deux cotés de l’équation (7) varie de moins de 30 % (indice de qualité = 0). Si l’écart est compris entre 30 et 100 % l’indice de qualité est fixé à 1 et au delà de 100 % il est fixé à 2. Tableau 5 : Valeurs des constantes c1 et c2 relatives à la stabilité, utilisées pour paramétrer l’équation (7) dans le cadre du test ITC (integral turbulence characteristic). Paramètre hm L c1 c2 0 > hm L σ > -0.032 1.3 0 (w) u* -0.032 > hm L > -1 2 1 8 Le dernier test, permet d’évaluer la stationnarité des données de flux (test de stationnarité). Cette condition est requise pour pouvoir effectuer les calculs de flux (voir section 4.1 de ce chapitre). Pour cela, la moyenne des covariances calculées sur six périodes de cinq minutes ( Ft5 ) est comparée à la covariance calculée sur la période de trente minutes correspondante (Ft30) : DIFFcov = Ft5 − Ft30 Ft30 (8) Avec DIFFcov, l’écart relatif entre Ft5 et Ft30. Comme pour le test ITC, les flux sont considérés comme stationnaires si DIFFcov ≤ 0.3 avec un indice de qualité égal à 0 ; l’indice de qualité est égal à 1 pour 0.3 < DIFFcov ≤ 1 et égal à 2 quand DIFFcov > 1. Le problème de l’équation (8) est que lorsque Ft30 tend vers 0, DIFFcov tend vers l’infini. Ainsi les données peuvent être indexées à 2 pour une raison mathématique, alors que l’écart absolu est très faible entre Ft5 et Ft30. Nous avons donc apporté une modification pour s’affranchir de ce problème en comparant dans un premier temps le terme Chapitre 1. Présentation des sites et méthodes de traitement des données de flux 44 Ft5 − Ft30 de l’équation (8) à une valeur seuil définie comme la précision des flux issus du système d’EC. Les valeurs de précision ont été fixées d’après notre expertise à 1.25 µmol m-2 s-1 pour NEE et 10 W m-2 pour les flux d’énergie H et LE. Dans le cas de NEE, il a été montré que l’application du test de stationnarité sans cette adaptation pouvait provoquer une légère surestimation systématique du bilan annuel de CO2 (Chapitre 2, (Béziat et al., 2009)). En période de végétation, l’impact est certainement très faible car les valeurs de NEE proches de 0 se situent le plus souvent au lever et au coucher du soleil et correspondent en général à des périodes non stationnaires. Par contre, en période de sol nu, les valeurs de NEE proches de 0 ne correspondent pas forcement à des périodes non stationnaires. Ainsi éliminer ces données qui vont ensuite être remplacées avec les procédures de remplacement des données manquantes (section 6 de ce chapitre) par des valeurs de NEE en général plus fortes, induit une erreur systématique dans l’estimation du bilan annuel de CO2.

 Le bilan d’énergie 

Un des critères souvent utilisé pour vérifier la qualité des mesures de flux est la fermeture du bilan d’énergie qui s’écrit de la façon suivante : H + LE = Rn − G − S − Q (9) Avec d’une part, les flux turbulents H et LE et d’autre part le rayonnement net (Rn) qui correspond au bilan radiatif de la surface, le flux de chaleur conductif dans le sol (G), le stockage de chaleur (S) et la somme des autres sources et puits d’énergie (Q). Dans la plupart des études, Q est négligé car considéré comme très faible (Wilson et al., 2002). G, mesuré avec les plaquettes de flux à 0.05 m de profondeur, a été corrigé pour le stockage de chaleur dans les cinq premiers centimètres de sol (Sg) en utilisant l’équation suivante tirée de Campbell et Norman (1998) : Sg = ρscs dT dt (10) Avec ρs , la densité du sol, cs , la chaleur spécifique du sol, T, la température moyenne de la couche de sol (calculé à partir des mesures de température du sol à 0.05 m et 0.01 m de profondeur) et t le temps. La capacité calorimétrique volumique du sol (ρscs) a été calculée à partir de la fraction volumique d’eau de la couche (θ estimé par la mesure d’humidité relative du sol à 0.05 m de profondeur) et des fractions volumiques de matières minérales (φm estimé à 95 %) et organiques (φo estimé à 5 %) : Chapitre 1. Présentation des sites et méthodes de traitement des données de flux 45 ρscs = φmρmcm + θρwcw + φoρoco (11) Avec ρ et c, les densités et chaleurs spécifiques de la matière minérale (2650 Kg m-3 et 870 j Kg-1 K-1), de l’eau (1000 Kg m-3 et 4180 j Kg-1 K-1) et de la matière organique (1300 Kg m-3 et 1920 j Kg-1 K-1). Il est très important de bien prendre en compte Sg qui est souvent du même ordre de grandeur que G. Le terme S peut être décomposé en différents termes (Lamaud et al., 2001) : S = Sh + Sq + Sv + Sp (12) Avec Sh et Sq, les stockages de chaleur sensible et latente, respectivement, dans la colonne d’air sous le système d’EC, Sv, le stockage de chaleur sensible dans les plantes et Sp, l’énergie fixée par la photosynthèse. Sh et Sq ont été calculés avec l’équation (6), à partir des mesures de profils verticaux de température et d’humidité relative. Sv a été calculé de manière similaire à Sg (Equation (10)) en estimant que le stockage se fait principalement dans l’eau contenue dans les plantes (donc ρc = ρwcw), calculé à partir des mesures de biomasse fraîche et sèche, et avec un T correspondant aux mesures de la température de surface, mesurée par des capteurs infra rouge thermique au dessus du couvert. Sp a été calculé à partir des estimations de production primaire brute (GEP pour gross ecosystem production, (voir section 7) selon la méthode proposée par Meyers et Hollinger (2004) : Sp = Lp GEP (13) Avec Lp, l’équivalent énergétique spécifique à la fixation de CO2, qui est une constante égale à 422 Kj par moles de CO2 fixées par la photosynthèse. Globalement, Sh et Sq sont faibles avec des valeurs médianes ne dépassant pas 2 W m-2 (Figure 7). Comme pour Fsc, un décalage de phase est observé pour Sh entre les périodes de sol nu et les périodes de végétation, avec un stockage de chaleur plus précoce le matin et plus tardif le soir en période de végétation, causé par l’atténuation du vent dans le couvert. Sq ne présente pas de cycle de stockage journalier évident. En périodes de végétation, Sv et Sp présentent des cycles journaliers bien marqués avec des valeurs médianes dépassant les 5 W m-2 pour Sv et au voisinage de 10 W m-2 pour Sp. Sur culture, une bonne évaluation de S nécessite donc une bonne estimation de Sp et Sv qui sont les termes les plus importants en période de végétation.

Table des matières

Remerciements
Résumé
Abstract
Introduction générale
1. Contexte général
2. Contexte scientifique
3. Objectifs de la thèse
Chapitre 1. Présentation des sites et méthodes de traitement des données de flux
1. Introduction
2. Les parcelles expérimentales
3. Mesures effectuées
4. La méthode des fluctuations turbulentes
4.1. Théorie du calcul des flux
4.2. Dispositif expérimental
4.3. Le logiciel EdiRe
5. Filtrage et vérification de la qualité des flux
5.1. Détection des données aberrantes
5.2. Problèmes en conditions de faibles turbulences
5.3. Représentativité spatiale des flux
5.4. Tests de qualité des flux
5.5. Le bilan d’énergie
6. Remplacement des données manquantes
6. Décomposition des flux de CO2 et d’eau
.1. Décomposition de NEE en GEP et RE
.2. Décomposition de ETR en E et TR
. Estimation de l’incertitude des bilans d’eau et de CO2
.1. Incertitude liée aux erreurs aléatoires de mesure des flux semi horaires
.2. Incertitudes sur la détection automatique du seuil de u*
.3. Incertitude liée à la répartition et au nombre de trous dans le jeu de données
.4. Combinaison des incertitudes
Chapitre 2. Analyse des flux et bilans de CO2 à l’échelle de la parcelle agricole
Article 1 : « Carbon balance of a three crop succession over two cropland sites in South West France »
1. Résumé en Français
2. Abstract.
3. Introduction
4. Materials and methods
4.1. Site descriptions
4.2. Field measurements
4.3. Flux data treatments
5. Results and discussion
5.1. Site meteorology
5.2. Crop growth and production
5.3. Seasonal changes in carbon fluxes
5.4. NEE response to light
5.5. Crop carbon balance
6. Summary and conclusions
7. Acknowledgements
Article 2 : « Management effects on net ecosystem carbon and GHG budgets at European crop sites »
1. Résumé en Français
2. Abstract.
3. Introduction.
4. Material and Methods
4.1. Sites and biospheric fluxes
4.2. Net Ecosystem Carbon budget calculations
4.3. Emissions from farm operations
4.4. Total GHG Balance
5. Results
5.1. Net Ecosystem Production
5.2. Carbon exports
5.3. Carbon inputs
5.4. Net Ecosystem Carbon budget.
5.5. Emissions from farm operations
5.6. Total GHG budget
5.. Assessment of crop performance
6. Discussion
6.1. Net ecosystem production
6.2. NECB and NBP
6.3. Emissions from farm operations
6.4. GHG budgets
6.5. Crop performance
. Conclusion
. Acknowledgements
Chapitre 3. Analyse des flux, bilans et efficiences de l’utilisation de l’eau à l’échelle de la parcelle agricole
Crops evapotranspiration partitioning and comparison of different water use
efficiency approaches
1. Résumé en Français
2. Abstract
3. Introduction
4. Material and methods
4.1. Site and measurement descriptions
4.2. Evapotranspiration (ETR) partitioning between soil evaporation (E) and vegetation
transpiration (TR)
4.3. SVAT model description and calibration
4.4. Application and evaluation of partitioning methods .
4.5. WUE calculations
5. Results and discussions
5.1. Seasonal ETR dynamics
5.2. Evaluation of the ICARE-SVAT model performance
5.3. Comparison of partitioning methods
5.4. Water budget
5.5. Daily water use efficiencies dynamics.
5.6. Seasonal and annual water use efficiencies
6. Conclusion
7. Acknowledgements
Chapitre 4. Modélisation des flux de la parcelle au paysage
1. Introduction
2. Modélisation mécaniste à l’échelle de la parcelle
2.1. Description du modèle couplé ICASTICS
2.2. Présentation des simulations du modèle couplé ICASTICS
2.3. Discussion et conclusions
3. Modélisation spatialisée des flux de CO2
3.1. Description du modèle SAFYE
3.2. Description du module de flux de CO2
3.3. Evaluation du module de flux de CO2
3.4. Spatialisation de SAFYE et du module de flux de CO2
3.5. Discussion et conclusions
Conclusion générale
1. Aspects méthodologiques
2. Bilans et efficiences des cultures
3. Perspectives
Références bibliographiques

projet fin d'etudeTélécharger le document complet

Télécharger aussi :

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *