Améliorer les prévisions à court et moyen termes des modèles agronomiques

Améliorer les prévisions à court et moyen termes des modèles agronomiques

 Les cas d’études des OAD utilisés L’Acta, le réseau des instituts techniques agricoles, développe et diffuse des OAD pour accompagner les agriculteurs et leurs conseillers dans leur raisonnement de la protection des cultures. Différents cas d’étude ont été identifiés parmi des OAD utilisés en routine sur le terrain par les agriculteurs et conseillers, en viticulture et en grandes cultures. Ces OAD, qui reposent sur des formalismes de modélisation variés, s’appuient sur différentes entrées météorologiques pour produire une prédiction. Pour l’étude, nous avons finalement retenu deux OAD : EVA et Septolis. EVA modélise la dynamique du ver de la grappe en vigne et utilise la température horaire comme seule entrée météorologique (Chavent, 1983). Ce premier cas d’usage nous a permis de proposer une démarche complète et des méthodes pour valoriser au mieux les prévisions d’ensemble. Septolis modélise la dynamique de la septoriose du blé et nécessite une série temporelle multivariée au pas de temps quotidien avec à la fois la température et les précipitations (Gouache et al., 2013). La pluie étant une variable majeure pour la plupart des maladies, mais également pour d’autres thématiques agricoles comme la gestion de l’irrigation, il était important d’étudier l’intérêt potentiel d’information sur les incertitudes concernant ce paramètre, qui reste par ailleurs plus difficile à prédire par les PNT.

 Le ver de la grappe 

Les vers de la grappe sont des insectes ravageurs de la vigne. Deux espèces de lépidoptères co-existent dans les vignobles français : la Cochylis (Eupoecilia ambiguella) et l’Eudémis (Lobesia botrana). Toutes les deux pondent leurs œufs sur les inflorescences et les baies de raisin, dont les chenilles se nourrissent pour assurer leur développement, générant ainsi des dégâts quantitatifs et qualitatifs (Thiéry, 2008 ; Thiéry et al., 2013). Ces deux espèces présentent des cycles de développement très similaires, mais nous nous concentrons pour la suite sur la modélisation de Cochylis et de son paramétrage spécifique. Cet insecte se développe en quatre stades successifs au cours de son cycle : imago (l’adulte ailé), œuf, larve (avec 5 stades différents) et chrysalide (nymphe ou nymphe en diapause) (Figure 2.1). Au cours d’une année, il peut avoir plusieurs cycles de reproduction, généralement entre 3 et 5 par an en fonction des conditions météorologiques, mais les 2ème et 3ème cycles sont les plus critiques en terme de dégâts et sont ainsi au cœur de l’attention pour la lutte contre ce ravageur. Le nombre et le moment précis des cycles dépendent beaucoup des  conditions météorologiques et demeurent difficiles à prévoir. Pour lutter contre les vers de la vigne, les viticulteurs disposent de trois types de traitement : des produits chimiques, des outils de lutte biologique (trichogrammes et toxines de Bacillus thuringiensis (Thiéry et al., 2018)) et la confusion sexuelle. Ces produits s’utilisent à des moment précis, en accord avec le stade optimal de sensibilité du ravageur. Afin d’optimiser la synchronisation des traitements phytosanitaires avec ces stades, des modèles mathématiques sont utilisés pour estimer la dynamique de la population du ver de la grappe. Il existe différents modèles qui décrivent la simulation du développement des ravageurs. Par exemple, les modèles dits modèles biologiques, qui prennent en compte l’environnement, les ressources alimentaires disponibles ainsi que la synchronisation entre la ponte des femelles et la maturité de la vigne (déterminante pour la survie des chenilles) ont été proposés (voir (Picart, 2009) pour une synthèse). Cependant, pour ce cas d’usage, nous souhaitons nous appuyer sur des modèles prenant en compte les besoins thermiques uniquement pour simuler le cycle de développement du ravageur. Ainsi, nous avons choisi comme cas d’usage le modèle EVA décrit par Chavent (1983) et utilisé de manière opérationnel par l’Institut Français de la Vigne et du Vin (IFV). EVA est un modèle phénologique qui tente de décrire de façon réaliste le cycle annuel de développement Cochylis/Eudémis. Le principe général du modèle EVA est le suivant. La population totale du ravageur est répartie en autant de compartiments que de stades de développement distincts : œuf, larve (de 1er stade au 5ème stade), chrysalide (nymphe et nymphe diapausante) ou imago. À partir du cumul de la température horaire, le modèle détermine pour chacun des stades une vitesse de développement. Ceci permet de calculer le développement accompli par les individus dans un stade (la proportion et le cumul de chaque stade au cours de temps). Lorsque celui-ci atteint une certaine valeur, une fraction de la population passe au stade suivant. Cette fraction, correspondant à une cohorte d’individus, évolue dans 15 le stade suivant avec la vitesse de développement correspondante. Un facteur biotique, la date de nouaison, intervient dans le développement des larves et permet de moduler la vitesse de développement. Les cas particuliers sont les stades L5 et imago. Pour le stade L5, la vitesse de développement est modulée par un coefficient de diapause. Selon la valeur de ce coefficient, les larves de 5ème stade évoluent soit vers le stade nymphe, soit vers le stade imago, il ne s’agit pas d’un changement de stade vers le stade œuf mais des pontes sont prises en compte. A partir d’un certain seuil de développement accompli, une décision peut être prise pour lancer un traitement ou non. Sur la base de discussions avec des experts (INRAE et IFV), deux seuils sont pertinents : 2% d’accumulation d’œufs pour un traitement chimique et 15% pour un traitement de biocontrôle (en raison de la faible persistance du produit). Le modèle EVA développé à l’IFV sur la base du modèle de Chavent (1983) et intégré à la plateforme EPICURE (pour plus de détails, le lecteur est invité à se référer à l’annexe A.1). Le code du modèle EVA a été retranscrit pendant les travaux de la thèse depuis le langage PHP en langage R, en programmation orientée objet, afin de faciliter son utilisation pour de multiples simulations et faciliter le couplage avec les entrées météorologiques et les outils statistiques d’analyse et de combinaison des scénarios. Notez que la température horaire utilisée dans EVA est une sortie directe d’AROME-EPS, tandis que les sorties d’ARPEGEEPS et d’IFS-EPS sont interpolées linéairement à une fréquence d’une heure. 

La septoriose du blé

 La septoriose tritiforme (STB) du blé d’hiver (Triticum aestivum L.) est une maladie majeure en Europe (Miedaner et al., 2013 ; Kollers et al., 2013 ; Suffert et al., 2011 ; Ghaffary, 2011) et en France (Ghaffary et al., 2011). La maladie a été décrite pour la première fois en France (Sprague, 1938 ; Desmazieres, 1842). Cette maladie foliaire du blé est causée par le champignon Mycosphaerella graminicola (Fuckel) Schröter (anamorphe Septoria tritici). Cette maladie est l’une des plus importantes au monde (Eyal, 1999), et la plus importante en France avec des pertes de rendement moyennes d’environ 1,5 tonne/ha sans traitement fongicide (Jørgensen et al., 2008). ARVALIS – Institut du végétal, a développé un modèle épidémiologique (Gouache et al., 2013) pour le développement de la septoriose sur blé intégré dans un outil, Septo-LIS R , pour optimiser le positionnement du premier traitement contre cette maladie (Gouache et Couleaud, 2009 ; Gouache, Couleaud et al., 2009). Ce modèle combine un module qui prédit le stade d’apparition des feuilles et leur croissance et d’un module qui simule l’évolution de la maladie (Figure A.2), notamment les processus de contamination des feuilles basses vers les feuilles au dessus, la latence et l’extension des lésions. L’objectif de contrôle est de protéger la surface verte des deux dernières feuilles qui contribuent pour une grande part au rendement final. Ce premier traitement constitue donc un compromis entre l’attente de l’émergence de ces deux feuilles et un contrôle suffisamment précoce de la maladie. Ainsi, Septo-LIS R décrit de manière couplée la dynamique de la maladie et celle de la plante. La modélisation des processus de contamination entre les différents stades foliaires prend en compte notamment les précipitations quotidiennes, alors que les processus de latence et d’extension sont 16 Figure 2.2 – Présentation du modèle SeptoLIS, schéma fonctionnel adapté Source : (Hervé, 2011) plus modélisés en fonction des températures. En conséquence, le modèle simule pour chaque étage foliaire le pourcentage de surface contaminé et le pourcentage de surface exprimant les symptômes. Enfin, une règle de décision basée sur les contaminations des trois feuilles supérieures permet alors de calculer la date pour laquelle le premier traitement est considéré comme optimal. Septo-LIS R nécessite plusieurs entrées météorologiques au pas quotidien : les précipitations cumulées en 24 heures, les températures à 2 mètres minimale et maximale. Le modèle Septo-LIS R est également en opérationnel disponible pour les agriculteurs dans l’application Taméo. Pour plus de détails, le lecteur peut se référer dans Annexe A.2. 

 Simulations agronomiques d’ensemble 

Les modèles agronomiques, comme les modèles météorologiques, sont des modèles dynamiques qui doivent être alimentés avec une condition initiale le jour de la prévision (le niveau de développement du ravageur ou de la maladie ce jour-là). Cependant, ces conditions initiales ne peuvent pas être mesurées et fournies au modèle comme dans le cas de la météorologie, mais sont plutôt calculées. De ce point de vue, le principe de la simulation agronomique est basé sur deux étapes : l’étape d’analyse et l’étape de la prévision. L’étape d’analyse commence à une date fixe, appelée date d’initialisation du modèle. Au cours de cette étape, les modèles agronomiques sont exécutés à l’aide de séries chronologiques avec des données provenant d’observations jusqu’à la veille de la date de début de la prévision. Cette étape fournit les conditions initiales pour l’étape de prévision. L’étape de prévision prend en compte l’état initial de l’évolution du ravageur ou de la maladie et à partir de la date de 17 Date d’initialisation du modèle Début de la prévision Données d’observation Données de prévision Fin de validité de la prévision Données météorologiques Date d’initialisation du modèle Début de la prévision Étape d’analyse Étape de prévision Fin de validité de la prévision Sorties agronomiques Seuil de décision Date de traitement prévue Figure 2.3 – Représentation schématique des deux étapes : analyse et prévision début de la prévision elle considère des données de prévisions météorologiques. Dans le but de familiariser le lecteur avec ces deux étapes, nous présentons un exemple schématique de simulation agronomique sur la Figure 2.3. Les sorties agronomiques sont obtenues grâce à la série chronologique des conditions météorologiques composée de la partie observation et de la partie prévision. En effet, il sera nécessaire de positionner l’étape de prévision au moment où le développement du ravageur ou de la maladie correspond à la période optimale de traitement. Nous dénommons cette période comme la « période d’intérêt » d’utilisation des prévisions d’ensemble. La prise en compte de l’incertitude météorologique dans les simulations agronomiques se fait en propageant l’incertitude représentée par la prévision d’ensemble météorologique dans le modèle agronomique. Ainsi, pour la même date, nous obtenons les différentes dates de traitement issus des différents membres de l’ensemble météorologiques : ces différentes dates constituent un ensemble agronomique qui représente l’incertitude des dates prédites (Figure 2.4). Chaque membre de la prévision d’ensemble agronomique fournit alors une estimation de la date de traitement recommandée. Notons que l’ensemble de prévisions obtenu représente uniquement l’incertitude des prévisions météorologiques. D’autres sources d’incertitude, en particulier liées au modèle agronomique (valeur des paramètres, des variables d’entrée,…), pourraient être prises en compte, mais ne seront pas considérées dans la suite de ce travail. 18 Figure 2.4 – Propagation des incertitudes des prévisions météorologiques. Un ensemble de simulations agronomiques est généré par propagation des prévisions météorologiques d’ensemble dans un modèle agronomique : en sortie, chaque membre agronomique utilise une prévision météorologique différente. 19 Chapitre 3 Objectifs et plan de la thèse Objectifs de la thèse Nous avons vu dans les chapitres précédents que les ingénieurs et conseillers agricoles ont à leur disposition des outils d’aide à la décision pour la gestion de maladies par des produits phytosanitaires basés sur des modèles de dynamique de maladies ayant comme variables d’entrée des entrées météorologiques. Par ailleurs, nous avons vu que les centres de recherche météorologique dont Météo-France développent des modèles de prévision qui fournissent une information riche sur les incertitudes associées aux prévisions météorologiques. L’objectif de la thèse est d’apporter des éléments de réponse à la question générale suivante :  » Comment le monde agricole peut-il bénéficier des prévisions d’ensemble ?  » L’utilisation des prévisions d’ensemble dans les modèles de prévision agronomique implique en particulier de porter son attention sur la propagation des incertitudes météorologiques et son impact sur les dates de traitement prévues. L’usage actuel basé sur les données du passé permet de prendre en compte l’incertitude climatique inter-annuelle, mais cela ne reflète pas la situation de l’incertitude « du jour » qui peut être une cause d’erreur sur la précision de l’incertitude associée aux dates de traitement préconisées. Cela implique de se poser la question suivante Q1 : Quels seront l’apport et le potentiel de la prévision d’ensemble sur la quantification de l’incertitude associée à la prévision de la date d’un traitement phytosanitaire par rapport aux approche existantes ? L’horizon d’une prévision agronomique dépend de l’usage que l’on souhaite en faire. En protection des cultures, la moyenne échéance (jusqu’à environ 2 semaines) est intéressante pour permettre une utilisation pratique dans l’anticipation de l’application des produits phytosanitaires sur les cultures. Cependant, la communauté agronomique a un réel intérêt pour les modèles météorologiques à haute résolution spatiale avec une précision à l’échelle de la parcelle qui pourront répondre au besoin d’ajustement des prévisions des dates de traitement. Sachant que les OAD ont besoin de séries temporelles météorologiques continues, de l’heure qui suit jusqu’à plusieurs jours d’échéance et que ces OAD sont souvent dédiés à la gestion d’une parcelle agricole, la question qui en découle est Q2 : Comment profiter de la richesse des différents modèles de prévision d’ensemble et comment améliorer leur exploitation au sein des OAD ? Compte tenu du fait que les systèmes de prévision d’ensemble contiennent des erreurs 21 de biais systématiques notamment en raison d’une prévision des modèles météorologiques à l’échelle d’un pixel (liée à la résolution spatiale des modèles de PNT) alors que le besoin est à l’échelle d’une parcelle agricole, la première façon d’améliorer leur exploitation est d’appliquer des approches de correction statistique aux prévisions fournies par les différents modèles de prévision du temps. La deuxième voie d’amélioration consiste à tirer le meilleur parti de chacun des modèles de PNT et de faire la jointure entre les membres des modèles à haute résolution spatiale disponibles à court terme tout en assurant une continuité temporelle vers des informations à plus faible résolution spatiale à moyen terme en préservant leur cohérence et les caractéristiques météorologiques (le caractère dynamique et l’unicité de chaque membre). Cette jointure sera basée sur un critère de cohérence ; l’ensemble des prévisions obtenu sera nommé dans la suite prévision d’ensemble cohérente (« sans couture » en français, seamless en l’anglais). Cet aspect constitue la question de recherche méthodologique de cette thèse, qui jusque là a été peu abordée dans la littérature : « Comment faire la jointure entre des membres des modèles de PNT de plus haute résolution spatiale à courte échéance et les membres des modèles de PNT de plus faible résolution spatiale mais à plus longue échéance pour générer une prévision d’ensemble cohérente au-delà des échéances du modèle de la plus haute résolution spatiale ? Enfin, pour évaluer le bénéfice de l’utilisation des données d’ensemble dans les OAD, nous nous posons la question Q3 « Quels seront la qualité et l’impact de notre prévision d’ensemble cohérente d’un point de vue météorologique et de son impact sur les prévisions des OAD ?  » Afin d’atteindre notre objectif général, les réponses aux questions Q1, Q2 et Q3 s’articulent en 3 étapes suivantes : 1. Illustrer et examiner le potentiel de la propagation de prévisions d’ensemble météorologiques dans les modèles agronomiques, dans le cas de la protection des cultures. 2. Appliquer une correction statistique aux prévisions météorologiques d’ensemble et proposer des stratégies de construction d’une prévision d’ensemble cohérente. 3. Évaluer des prévisions d’ensemble cohérentes d’un point de vue météorologique et agronomique. Plan du manuscrit Dans la partie II nous présentons les méthodes qui nous ont servi dans nos démarches. Les méthodes de post-traitement par calibration statistique permettant de corriger les biais et la dispersion des prévisions d’ensemble seront présentées dans chapitre 4. Le chapitre 5 sera dédié à apporter une réponse méthodologique à la construction des ensembles de membres cohérents. Nous discuterons le principe de la jointure, qui se traduit par un raccordement entre les membres. Nous introduirons également les mesures de distance et les critères de proximité utilisés pour déterminer les meilleures associations entre les membres. Les prévisions d’ensemble cohérentes, ainsi que les simulations agronomiques associées, 22 seront soumises à des critères d’évaluation afin d’évaluer leurs performances. Les critères de vérification probabiliste seront présentés dans le chapitre 6. Dans la partie III nous présentons tout d’abord dans le chapitre 7 le plan de simulation numérique mis en place. Les résultats numériques associés aux étapes 1) à 3) seront présentés dans les chapitres 8, 9 et 10 respectivement. Après avoir proposé quelques conclusions à nos travaux, nous les discuterons et apporterons des perspectives dans le chapitre 11. Les articles soumis seront placés dans les annexes qui compléteront le manuscrit.