La dynamique de minéralisation de MOEx

Transformation des MOEx au sol

La dynamique de minéralisation de MOEx

Actuellement, les MOEx sont caractérisées au laboratoire par deux méthodes normalisées : (i) le fractionnement biochimique de la matière organique (norme XP U44-162) (AFNOR, 2009) qui permet d’estimer la capacité à induire du stockage de matière organique dans les sols à long terme et (ii) l’étude des cinétiques de minéralisation du carbone et de l’azote des MOEx au cours d’incubations en conditions contrôlées dans les sol (norme XP U44-163)(AFNOR, 2009) qui caractérisent l’effet à court et moyen termes des MOEx sur les sols. Dans notre étude, nous nous limiterons à la dynamique du carbone et de l’azote des MOEx. En effet, le contact entre le sol et les MOEx, est lié à la fois aux caractéristiques de ces matières organiques (ex : taille des résidus, surface spécifique) (Angerset al. , 1997; Fruitet al. , 1999), et à celles du sol (ex : porosité, taille des agrégats), ainsi qu’aux pratiques agricoles (ex : enfouissement, broyage, travail du sol), influence également la décomposition (Balesdentet al. , 2000). Cet effet peut s’exercer directement, en modifiant notamment l’accès des microorganismes au substrat (Angerset al. , 1997; Vanlauweet al. , 1997), ou indirectement, en modifiant par exemple la disponibilité en azote (Corbeels et al. , 2003) ou la protection physique par les constituants du sol (Balesdentet al. , 2000).
En ce qui concerne le carbone, les principaux composés biochimiques déterminant la décomposition sont les composés solubles, les hémicelluloses, la cellulose, les lignines et cutines, dont les biodégradabilités sont différentes (Darwis, 1993; Derenneet al. , 2001). Les composés solubles et facilement accessibles sont principalement décomposés par les bactéries, alors que la cellulose et les lignines sont plutôt dégradées par des champignons (Swiftet al. , 1979). Cependant les processus de décomposition sont complexes et impliquent pour un même substrat des populations qui se succèdent et interagissent en fonction de leur équipement enzymatique (Swiftet al. , 1979; Schlegel, 1993).

En ce qui concerne la minéralisation nette de l’azote, le facteur principal est le rapport C/N des MOEx (Frankenbergeret al. , 1985; Constantinideset al. , 1994). Dans le cas de certains types de MOEx pourtant, le rapport C/N global est un critère explicatif insuffisant. C’est le cas par exemple d’une boue et d’un compost étudiés par Ambus et al. (2002) ayant des rapports C/N comparables mais induisant des cinétiques de minéralisation différentes. C’est dans cette optique que l’on a cherché à expliquer ces dynamiques de MOEx à partir de l’ensemble du profil biochimique des MOEx (Houotet al. , 2002).

Modélisation de la transformation des MOEx

La transformation des MOEx au sol est un processus microbien complexe qui est affecté par les conditions environnementales du milieu. Malgré tout, plusieurs modèles mathématiques ont été développés comme étant des outils puissantsà la simulation de cette complexité (ex. (Nicolardot et al. , 1994; Rodrigo et al. , 1997; Molina et al. , 1998; Pansu et al. , 1998; Schaffers, 2002; Pansu et al. , 2007). Nicolardot et al. (2001) and Beraud et al. (2005) ont simulé la minéralisation du C et de N de résidus decultures et de composts en utilisant un modèle basé sur le rapport C/N, un critère de qualité souvent considéré comme performant pour la minéralisation des MOEx (Bruunet al. , 2006; Zhu, 2007) mais qui souvent est jugé comme insuffisant et inadéquat par d’autres auteurs(Linèreset al. , 1993; Houotet al. , 2004).

Certains auteurs (ex. (Henriksenet al. , 1999; Thurièset al. , 2002) modélisent les dynamiques de transformations des MOEx en utilisant les résultats des analyses séquentielles de MOEx (Van Soest et al. , 1991). Dans notre étude, le modèle TAO (Transformation des Apports Organiques) est proposé pour la prédiction des transformations des MOEx (C et N minéralisé, N immobilisé, N réorganisé). Pour la modélisation du carbone, la structure de ce modèle (TAO-C) est définie sur la base des compartiments labile et stable des MOEx qui sont ensuite mis en relation avec les propriétés biochimiques des MOEx (Thuriès et al. , 2002). Pour la modélisation de la minéralisation de l’azote, TAO-N utilise 2 autres paramètres liés à la reminéralisation de N et à leur immobilisation avant d’être mis en relation avec les propriétés des EOM (Pansuet al. , 2003).

La typologie des MOEx

Par rapport à la dynamique du carbone, aucune classe de MOEx n’a été définie. Seul le calcul de l’indicateur normalisé Indice de Stabilité de laMatière Organique (ISMO) (AFNOR, 2009;
Lashermeset al. , 2009) informe sur la proportion de matière organique persistant dans les sols sur le long terme dans le cadre de la gestion des stocks de matière organique des sols. Cet indice ISMO permet de prédire le carbone non minéralisé avec une très bonne fiabilité (r 2 =0,66 sur 518 échantillons). La Figure 1.1 présenteles plages de valeurs d’ISMO pour les différents types de matières organiques présentes dans la base de données ayant servi à sonélaboration.

Les impacts environnementaux de l’usage agronomiquedes MOEx

Si les effets bénéfiques de l’application aux sols des MOEx sont bien connus, une impasse sur les impacts négatifs de cette pratique ne peut êtrefaite. Aussi, on se propose de décrire deux aspects pouvant déprécier l’usage agronomique des MOEx : les émissions de protoxyde d’azote ou N 2O et la phytotoxicité des ETM.

Les émissions de N2O

Le N2O est essentiellement produit lors de processus biologiques qui sont la dénitrification (Smith et al. , 1990), la nitrification (Blackmer et al. , 1978) et la nitrification dénitrifiante (Poth et al. , 1985; Wrage et al. , 2001). La dénitrification et la nitrification sont jusque là considérées comme les principaux processus biologiques impliqués. La nitrification est un processus requérant des conditions aérobies et dépend primairement de la disponibilité en ammonium (NH 4 + ). La dénitrification quant à elle se passe en conditions anaérobies et dépend des concentrations en Carbone organique et en nitrate (NO 3 -) (ou autres oxydes d’azote) (Beauchamp, 1997). La nitrification dénitrifiante désigne la réaction d’oxydation de l’ammoniac (NH 3) en nitrite (NO 2 -) qui est ensuite réduit en oxyde nitrique (NO) puis en oxyde nitreux (N 2O) et en diazote (N2 ) (Wrageet al. , 2001). L’importance de cette voie dans la production de N 2O n’est pas encore bien quantifiée.
La Denitrifying Enzyme Activity (DEA) est la méthode couramment utilisée pour mesurer la dénitrification potentielle (Mc Gillet al. , 2010). Elle consiste à mettre les échantillons dans les conditions optimales de dénitrification, notamment :

– La dénitrification se produit obligatoirement en absence d’oxygène. L’O 2 est un régulateur de la synthèse et de l’activité des enzymes réductrices dans la réaction de dénitrification (Cavigelliet al. , 2001).
– Les microorganismes impliqués ont aussi besoin d’unsubstrat carboné pour y puiser leur énergie. La disponibilité en carbone est probablement un des facteurs les plus importants influençant la dénitrification (Dinçeret al. , 2000). Le Carbone influence la dénitrification directement en fournissant un substrat pour la croissance microbienne et indirectement par la consommation d’O 2 par les microbes, favorisant l’anaérobiose.
D’après Zumft (1997), l’addition de carbone organique réduit la provision d’oxygène du sol en promouvant la croissance microbienne, favorisant le processus dedénitrification. – Le nitrate comme accepteur d’électrons. Dans des conditions anaérobies où le carbone n’est pas limitant, la quantité d’enzyme produite est proportionnelle à la concentration de nitrate disponible et le taux de production de N 2 O est proportionnel à la quantitéd’enzyme (Tiedjeet al. , 1989; Cavigelliet al. , 2001)

La phytotoxicité des ETM

Des risques de pollution des sols liés à l’épandagede MOEx peuvent exister notamment la présence de micropolluants métalliques (éléments trace métallique, ETM) dans ces MOEx constitue un facteur limitant leur utilisation en agriculture. Bien qu’ils ne soient présents qu’en faible quantité, les ETM peuvent être potentiellement toxiques. La concentration totale en ETM dans les MOEx et dans les sols suite à l’apport de MOEx n’indique que très partiellement leur toxicité. Seule l’étude de la fraction biodisponible des ETM, quantité assimilable par les organismes variant selon la spéciation des ETM, dans les différents mélanges sol-MOEx permet d’évaluer la toxicité potentielle de ces ETM.

L’interaction entre la matière organique et les ETM met en jeu le phénomène de complexation. La matière organique possède de nombreux groupements fonctionnels tels que des groupements carboxyles (R-COOH), phénols et/ou alcools (R-OH), carbonyles (R-C=O), thiols (R-SH), phosphates (R-PO 4H3), ainsi que des groupements amines (R-NH2 ) (Sarretet al. , 1998; Campbellet al. , 2006). En fonction du pH du milieu, certains groupes fonctionnels peuvent s’ioniser. La liaison métallique à la matière organique peut être vue comme un processus d’échange ionique entre H + et les ions métalliques sur les groupes fonctionnels acides (Blanchard, 2000).

Les ETM ont des affinités différentes pour la matière organique. A titre d’exemple, le cuivre (Cu) est connu pour avoir une grande affinité pour la matière organique (Kabata-Pendias, 2001). Karlsson et al. (2006) mettent en évidence des complexes de sphèreinterne entre le cuivre et la matière organique dissoute. Ils suggèrent que Cu est complexé par une combinaison de groupes amines, carboxyles et carbonyles. L’affinité de Cu pour la matière organique est plus grande lorsque le pH augmente (Nierop et al. , 2002). Les substances humiques ont donc la propriété de complexer les métaux, toutefois, ce comportement peut conduire à la formation de complexes solubles alorsque dans d’autre cas, ces complexes sont insolubles et contribuent au maintien des métaux dans la phase solide (Varraultet al. , 2001).
L’effet de la MO sur la mobilité des métaux est difficile à prévoir, il dépend évidemment des conditions physico-chimiques du milieu, de l’élément complexé, mais également de la nature et de la quantité de la MO présente dans le milieu

Caractérisation des MOEx en vue de valorisation énergétique

La valorisation énergétique des MOEx est envisageable suivant différentes voies : production de chaleur, production d’électricité, cogénération (chaleur et électricité), carburant automobile et injection dans le réseau de gaz naturel. Le choix entre ces diverses solutions dépend de critères à la fois économiques et techniques dans lesquels la nature et la localisation du site de production interviennent beaucoup (ATEE, 1998). Leschoix de valorisations énergétiques qui sont privilégiés à La Réunion et qui pourraient être également adoptés à Madagascar concernent (i) la production de chaleur par combustion et (ii) la méthanisation. Nous nous limiterons donc à la description des potentiels liés à ces deux modes d’usage des MOEx.

Le pouvoir calorifique

L’utilisation des MOEx en tant que biomasse pour des productions d’énergie thermique ou électrique nécessite la détermination de son pouvoir calorifique (Corderoet al. , 2001; Sheng et al. , 2005; Erolet al. , 2010; Callejòn-Ferreet al. , 2011; Yin, 2011). Le pouvoir calorifique reflète d’une façon normalisée l’énergie contenue dans un combustible (Demirbas et al. , 2004; Sheng et al. , 2005; Erol et al. , 2010). Il peut être exprimé en pouvoir calorifique supérieur (PCS) ou en pouvoir calorifique inférieur (PCI) (Yin, 2011). La détermination expérimentale du pouvoir calorifique est effectuée dans une bombe calorimétrique adiabatique. C’est la différence d’enthalpie entre les réactifs et les produits qui est mesurée.
La mise en oeuvre de ce protocole peut être lourd dans la majorité des cas (Corderoet al. , 2001; Shenget al. , 2005; Erolet al. , 2010; Callejòn-Ferreet al. , 2011; Yin, 2011).

Le potentiel méthanogène

Le test Biochemical Methane Potential (BMP) (Angelidaki et al. , 2009) est le test actuellement le plus utilisé pour déterminer le potentiel méthane des déchets. La valeur de potentiel méthane, ou valeur BMP, est la valeur maximale de méthane produit en condition anaérobie, exprimée en Nml CH4.g-1 Matière Organique (MO) ou Matière Volatile (MV). La cinétique de production est également étudiée afin de déterminer la vitesse de biodégradabilité des déchets. Ces valeurs sont utilisées pour évaluer la biodégradabilité anaérobie des déchets, et permettent de dimensionner les réacteurs industriels (Buffièreet al. , 2006), mais aussi de contrôler et d’optimiser la production. Ce test a l’avantage de pouvoir déceler les inhibitions du métabolisme microbien, dues à la présence dans le déchet de composés inhibiteurs, tels que des antibiotiques, des métaux lourds, etc. (Hansenet al. , 2004; Chenet al. , 2008). Il met également en évidence une surcharge ou une adaptation à un type de substrat (Hansenet al. , 2004).

Le test BMP consiste à placer une certaine quantité de déchets en présence de microorganismes en condition anaérobie dans un milieu tamponné et thermostaté (pH entre 6,5 et 7,2, température à 35°C ou 55°C). Plusieurs paramètres sont susceptibles de faire varier la valeur BMP mesurée sur un déchet : les plus importants sont la température (Angelidakiet al. , 2004), le pH (Chen et al. , 1996; Angelidaki et al. , 2004; Chen et al. , 2008), la taille des particules (Palmowskiet al. , 2000; Angelidakiet al. , 2004) et le ratio inoculum/substrat qui a un effet sur la cinétique et le temps de latence dela réaction et non sur le BMP (NallathambiGunaseelan, 1995; Chenet al. , 1996; Raposoet al. , 2006).

Principes de la spectrométrie proche infra-rouge

Les analyses en laboratoire étant généralement longues, onéreuses, l’utilisation de la spectrométrie proche infrarouge (SPIR) et des capacités prédictives est recommandée. Tous les paramètres liés à la matière organique pour lesquels on peut disposer d’analyses conventionnelles peuvent être déterminées rapidement et à moindre coût par la SPIR.
La SPIR caractérise l’absorption par les molécules organiques et l’eau d’une énergie lumineuse de longueur d’onde 800-2500 nm. Ce domaine est le siège des harmoniques et des bandes de combinaison des modes de vibrations des molécules (Pasquini, 2003). Cette absorption dépend de la nature et de la concentration des molécules ; la technique (rapide et non destructive) est donc non seulement qualitativemais aussi quantitative.
Pour débuter, une sélection d’échantillons représentatifs de la population à analyser (50 et plus) doit être caractérisée selon la méthode standard de laboratoire. Les échantillons doivent couvrir toute la zone des valeurs à prédire. Il estdonc important d’avoir des échantillons aux valeurs extrêmes (Leesonet al. , 2000). Par la suite, la collection est soumise à la SPIR pour obtenir une collection de spectres associés aux valeurs analytiques.

Afin d’obtenir une relation entre les valeurs obtenues par la méthode chimique et les valeurs spectrales, plusieurs analyses multivariées peuvent être utilisées la méthode des moindres carrés partiels (PLS, Partial Least Square ) ou la méthode des régressions linéaires multiples (MLR, Multiple Linear Regression).
La précision de l’étalonnage est habituellement vérifiée par le test de validation croisée (cross-validation ) (Terhoeven-Urselmanset al. , 2006). Ce modèle implique la séparation des données en deux parties. La première partie contient n c données employées pour construire le modèle tandis que la deuxième partie contient n v = n – n c données pour évaluer la précision de prédiction du modèle. Il y a différentes possibilités pour séparer les échantillons (Shao, 1993).
Ainsi, un modèle linéaire est établi. Les résultats sont exprimés graphiquement dans une figure où les valeurs prédites y pour l’échantillon sont comparées à leurs valeurs références (variables prédictives) x . Le coefficient de détermination (r² ) permet de déterminer la proportion de la variance dans les données préditesà la SPIR qui est attribuable à la variance des  données de référence. Pour qu’un étalonnage puisse être utile à l’avenir, le coefficient r² doit se situer près de 1 et la droite doit croiser l’axe Y près de 0. Le Tableau 1.2 fournit de l’information pour l’interprétation du coefficient de détermination.

Material and methods

EOM dataset

The dataset included 2,199 EOM samples collected and analyzed in the context of differentresearch programs and covering a broad range of fresh and transformed organic materials. In term of origin of EOM, these included 1100 poultry effluents (50% of dataset), 417 bovine effluents (19% of dataset), 374 porcine effluents (17% of dataset), 198 urban effluents (9% of dataset), 66 agro-industrial effluents (3% of dataset), 22 ovine effluents (1% of dataset) and 22 other EOM (1% of dataset). 1199 EOM have been collected in Réunion and 1000 EOM came from Madagascar.

NIRS analysis

Spectrum acquisition and detection of spectral outliers

For Réunion EOM, the NIR spectra were recorded on aFOSS XDS (Foss NIRSystems, Silver Spring, MD, USA) with an initial spectral range of 400 to 2498 nm with 2 nm intervals. For Malagasy EOM, the NIR spectra were recorded on an ASD (Analytical Spectral Devices) (LabSpec, ASD Inc., Boulder, CO, USA). Only the range 1100 to 2498 nm (NIR) was used subsequently because preliminary tests showed that this produced more accurate predictions than the full range (visible and NIR), possibly because the visual range is highly sensitive to moisture and variable grinding conditions (Bruunet al. , 2005). This was probably the case regarding our sample set as it originated from different research programs. The samples were oven-dried at 40 °C or air-dried and ground to pass a 1 mm or 2 mm screen, but without additional drying to remove residual moisture priorto NIRS analysis as this has been shown to have little effect on NIRS calibration results (Lovettet al. , 2005). The EOM samples were packed in 5-cm ring cups and scanned in reflectance mode. Two different spectra (each averaged from 32 scans) were recorded for each EOM on independent cup fillings, anddetermined in terms of absorbance (logarithm of theinverse of reflectance). Both absorbance spectra were then averaged when repeatability was considered to be good, according to the root mean square (RMS); i.e. when the RMS between two sample spectra was smaller than 2.5 times the average of all RMS calculated for each sample of the dataset. Otherwise, spectrum acquisition was repeated. The spectra were processed using Win ISI IV software (FOSS). The spectra were transformed:(1) using the standard normal variate and detrend transformation (SNVD) second derivative and smoothing calculated over five data points on both sides, which reduces baseline variation and enhances spectral features (Reeves et al. , 2002).

Principal component analysis (PCA) was then performed to check the spectral homogeneity of the dataset. The Mahalanobis distance (H) statistic was used to identify spectral outliers. This statistic determines the distance of a spectrum from the average spectrum and compares this distance with a critical limit according to anF-test in order to identify outliers.

Caractérisation des Matières Organiques Exogènes (MOEx)

Pour toutes les MOEx étudiées, le BMP a été déterminé à partir d’échantillons séchés à 40°C et broyés à 1mm. Un dispositif de mesure du potentiel méthanogène (Automatic Methane Potentiel Test System II – AMPTS II) est utilisé pour nos déterminations. Pour réaliser un test, il est nécessaire de disposer d’un inoculum (idéalement des souches bactériennes issues d’une installation de méthanisation) et d’un substrat à tester. Les essais ont été effectués 3 répliquats pour chaque substrat. Avec les 15 flacons digesteurs on peut ainsi donc inoculer 3 x 4 échantillons dans une série, les 3 autres flacons sont réservés au témoin (inoculum seul). Pour lancer les tests, le ratio MO inoculum/MO substrat est fixé à 3,5/1. En effet, cette valeur du ratio a été adopté pour avoir un compromis entre letemps de latence, la respiration endogène et le pouvoir tampon du substrat (Angelidaki et al. , 2004). Ce choix n’a aucun effet sur la valeur de potentiel méthane (Chenet al. , 1996; Raposoet al. , 2006).

Avant chaque essai, il est donc nécessaire d’effectuer un prélèvement de l’inoculum pour déterminer la matière sèche (MS) à 105°C et la teneur en matière organique (MO), il s’agit de la matière volatilisée par séchage de la matière sèche à 550°C pendant au minimum 4 heures.
Les mêmes mesures sont réalisées sur le substrat. La quantité de matière organique présente dans cette quantité d’inoculum étant connue, on peut ainsi calculer les quantités de substrat nécessaires pour chaque échantillon afin de respecter le ratio. Ainsi, 400g d’inoculum sont pesés pour les témoins, et 400g d’inoculum + X g desubstrat pour les essais. La température d’incubation est de 35°C. Un logiciel fourni avec l’appareil permet de contrôler le test pendant les 30 à 50 jours d’expérimentation. Le test prend fin quand le maximum de production de gaz est atteint : la production journalière est différente de moins de 3% de celle de la veille.

A la fin du test, les données sont traitées dans une feuille de calcul Excel™ (Microsoft Excel, 2010) spécifique suivant le principe suivant : la production de méthane de chaque voie « substrat » est ramenée à la productivité en ml degaz produit par g de MO du substrat (on soustrait l’inoculum), on moyenne les 3 répétitions si elles sont à ± 20% et à l’aide d’un outil statistique de type XLStat™ (Addinsoft, Paris, France) on modélise la courbe selon la loi exponentielle.

Table des matières

introduction générale
Chapitre 1. Synthèse bibliographique 
1.1 Caractérisation des MOEx en vue de valorisation agronomique
1.2 Caractérisation des MOEx en vue de valorisation énergétique
1.3 Principes de la spectrométrie proche infra-rouge
Chapitre 2. Characterization of Exogenous Organic Matter (EOM) in tropical environment: Near Infrared Spectroscopy (NIRS) to assess their chemical and biochemical composition
2.1 Introduction
2.2 Material and methods
2.3 Results
2.4 Discussion
2.5 Conclusion
Chapitre 3. Matières Organiques Exogènes en milieu tropical : Quel potentiel agronomique ? Apport de la spectroscopie proche infrarouge dans la modélisation de leur transformation dans les sols
3.1 Introduction
3.2 Material and methods
3.3 Results
3.4 Discussion
3.5 Conclusion
3.6 Acknowledgments
Chapitre 4. New heating value prediction models for organic waste based on chemical composition or near infrared spectroscopy 
4.1 Introduction
4.2 Material and methods
4.3 Results
4.4 Discussion
4.5 Conclusion
4.6 Acknowledgements
Chapitre 5. Prédiction par la Spectroscopie Proche Infrarouge du potentiel méthanogène des Matières Organiques Exogènes en milieu tropical 
5.1 Introduction
5.2 Matériel et méthodes
5.3 Résultats
5.4 Discussion
5.5 Conclusion
Chapitre 6. Potential for nitrous oxide (N2
O) emissions from denitrification after soil
amendment with exogenous organic matter (EOM) from agricultural and urban activities in tropical areas
6.1 Introduction
6.2 Material and methods
6.3 Results
6.4 Discussion
6.5 Conclusion
Chapitre 7. Putative role of trace elements and soil chemical properties in the induction or mitigation of rhizotoxicity in tropical soils amended with organic wastes 
7.1 Introduction
7.2 Material and methods
7.3 Results
7.4 Discussion
7.5 Conclusion
Chapitre 8. Tentative de classification des MOEx en milieu tropical par la méthode multicritère SIRIS en vue d’orienter leur usage agronomique et/ou énergétique
8.1 Introduction
8.2 Matériel et méthodes
8.3 Résultats
8.4 Discussion
8.5 Conclusion
Conclusion générale
Références bibliographiques