L’incertitude des prévisions météorologiques
Calibration des prévisions d’ensemble
Les prévisions d’ensemble peuvent comporter des erreurs et des biais systématiques, qui peuvent avoir un impact sur la qualité de la prévision. Afin de réduire ces erreurs plusieurs méthodes dites de calibration, visant à recaler la distribution prévue sur la distribution observée, ont été proposées dans la littérature (Raftery et al., 2005 ; Gneiting, 2014 ; Gneiting et Raftery, 2005 ; Taillardat et al., 2019). Elles seront présentées plus en détail dans le chapitre 4.
Les modèles de PNT mobilisés
Deux types de modèle sont classiquement utilisés : les modèles globaux, qui couvrent tout le globe, et les modèles régionaux, qui couvrent un domaine géographique restreint (typiquement un pays). Les modèles régionaux sont également connus sous le nom de modèles à aire limité (LAM-Limited Area Models). Outre leur couverture géographique ces modèles diffèrent également par leurs résolutions spatiales et leurs échéances. Les modèles régionaux utilisent généralement des maillages plus fins et des échéances plus courtes que les modèles globaux et permettent ainsi de simuler plus précisément les phénomènes de petite échelle. On détaille dans cette partie les modèles utilisés dans la suite du travail.
Modèles de prévision déterministes
Météo-France développe et utilise le modèle global ARPÈGE 1 (Courtier et al., 1991) et le modèle régional AROME 2 (Seity et al., 2011) pour ses prévisions opérationnelles. Par ailleurs, le modèle global IFS 3 du CEPMMT 4 est également utilisé par les services de production de Météo-France. Les caractéristiques de ces modèles (sur la période d’étude considérée dans la thèse), sont données dans le tableau 1.1.
Systèmes de prévision d’ensemble
En complément de leurs versions déterministes, les modèles ARPEGE, AROME et IFS disposent aussi de leurs versions ensemblistes, suffixées dans la suite EPS (Ensemble Prediction System). Nous utiliserons dans ce travail les systèmes ARPEGE-EPS (Descamps et al., 2015), AROME-EPS (Bouttier et al., 2012, 2016) et IFS-EPS (Molteni et al., 1996 ; Buizza et al., 2000 ; Palmer, 2019), dont les caractéristiques sont données dans le tableau 1.2. Pour des raisons de coût de calcul ces systèmes de prévision d’ensemble utilisent des résolutions horizontales moins fines que les modèles déterministes.
Principe des OAD
Les OAD sont des outils apportant une information à l’utilisateur pour répondre à une problématique précise. Dans le domaine agricole et notamment ceux utilisés pour le raisonnement de la protection des cultures, ils sont notamment dépendant des conditions environnementales dont les conditions météorologiques. Ils s’appuient sur la modélisation de l’agro-écosystème afin de simuler l’évolution d’un ravageur ou d’une maladie particulière en s’appuyant sur une modélisation « mécaniste », prenant en compte les processus du système, ou statistique, mettant en relation directement les entrées et les sorties du système (Norton et Mumford, 1993). En s’appuyant sur cette modélisation, ils permettent de proposer des prévisions pour anticiper les situations à risque de quelques jours à une vingtaine de jours à l’avance. Ils s’appuient également sur des règles de décision qui permettent de transformer l’information sur la dynamique épidémique en préconisation de décision, considérée optimale pour la lutte contre le bioagresseur considéré avec des moyens bien définis. Dans le contexte de la protection des cultures, ces décisions sont souvent traduites en dates de traitement proposées pour appliquer des traitements phytosanitaires. Les OAD sont complémentaires des observations de terrain dans la mesure où ils permettent non seulement d’anticiper la situation mais également d’accéder à des variables difficiles à observer sur le terrain. Ainsi, dans le cadre d’une 13 réduction des usages des produits phytosanitaires, une partie de ces OAD sont utilisés dans le but d’aider les agriculteurs dans leur prise à décision pour positionner au meilleur moment les traitements nécessaires et ainsi permettre d’éviter des traitements superflus (Rossi et al., 2012). Par ailleurs, les nouvelles solutions de lutte de type biocontrôle présentent des niveaux d’efficacité moindres, qui nécessitent en contrepartie plus de technicité et de précision dans leur positionnement (Shipp et Clarke, 1999) en rapport avec la dynamique épidémique.
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.
Introduction |