simulation du fonctionnement des agro-hydrosystèmes : enjeux, modèles et applications andré...
TRANSCRIPT
Simulation du fonctionnement des
agro-hydrosystèmes : enjeux, modèles et
applications
André Chanzy, Samuel Buis, H. Varella, M. Guérif, E. Kpemlie, A. Olioso, D. Courault, A. Bsaibes, M. Mumen
(UMR Environnement Méditerranéen et Modélisation des Agro-Hydrosystèmes EMMAH INRA/UAPV Avignon
Pôle Adaptation aux changements globaux, Centre INRA PACA)
Objectifs de la présentation Présenter des enjeux scientifiques et
finalisés dans le champ des recherches agro-environnementales (interactions production/eau)
Présenter les modèles utilisés et leur mise en œuvre
Qu’est-ce qui est fait en terme d’analyse de sensibilité/estimation des paramètres.
Agro-hydrosystème
Agro-hydrosystème
Agro-hydrosystèmes? Espace (région, paysage, parcelle)
Climat Sol Usages des surfaces pratique et gestion Apports exogènes d’eau (rivière canaux)
Questions Finalisées Analyse prospective (impact du
changement climatique – impact de directives telle que la loi cadre sur l’eau) lle) Quelles seront les potentialités agricoles et
forestières futures? Quel sera le devenir des aquifères souterrains? Quelles mesures techniques pour s’adapter (à
combiner avec un point de vue SHS mise en place de ces mesures)?
Questions Finalisées Aide à la décision
Date d’intervention (éviter le tassement de sol) Modulation des pratiques sur la parcelle pour
minimiser les impacts négatifs sur l’environnement (exemple de la fertilisation azotée)
Organisation spatiale des cultures et minimisation de l’impact sur l’environnement (érosion, ruissellement, pesticides, fertilisants)
Impact d’un aménagement (hydraulique : canal, bassin de rétention, captage …)
Enjeux scientifiques Le milieu sous-terrain (sol, sous-sol, nappe)
variable dans l’espace et le temps et difficile à caractériser.
On ne sait pas mesurer la plupart des flux et des variables d’état du système aux échelles spatio-temporelles pertinentes.
Expérimentations conceptuellement difficiles à mettre en place (contrôle de la variabilité) et très coûteuses
Variabilité : exemple de la teneur en eau des sols
0.00
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
50 55 60 65 70 75 80 85 90 95 100 105
Day of Year ( 20 Feb 2004 - 13 Apr 2004 )
Soi
l Moi
stur
e C
onte
tnt (
0-5
cm)
m3 m
-3
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0.55
0.60
0.65
0.70
0.75
0.80
Soi
l Moi
stur
e C
onte
tnt (
0-30
cm
) m
3 m-3
TILL REF NOTILL REF COMP REF
TILL OBS NOTILL OBS COMP OBS
0-5 0-5 cm
0-30 cm
Mumen, 2006
Inadéquation entre possibilités de mesure et besoins : exemple de la teneur en eau.
Chanzy et al, 2007
Des mesures très locales
Bolvin et al., SSSAJ 2003
Ou très superficielles (télédétection micro-onde) et peu précises
-14
-12
-10
-8
-6
-4
-2
0
0 0.1 0.2 0.3 0.4
soil moisture [m3/m3]
hh 3
0° [d
B]
.
1
2
3
4
Humidité dans les 2 premiers cm Précision 0.04 a 0.06 m3/m3 (RMSE)
Chanzy, 2009
Modélisation Seule? issue possible
Pour estimer les grandeurs recherchées (flux de masse, flux de chaleur, humidité des sols …)
Tirer profit des mesures ne décrivant que très partiellement les systèmes étudiés assimilation de données
Pour analyser des couplages complexes Pour expérimenter des modalités de gestion
Prévision de la teneur en eau du sol pour la planification des travaux agricoles et forestiers et prévenir les tassement.
Photo INRA Agronomie Laon-Reims-Mons
Outil d’aide à la décision
Climat (vent, rayonnement, Température et Humidité de l’air, Précipitations) Sol (granulométrie, Carbone Organique) Historique cultural Appréciation visuelle de la surface
Propriétés mécaniques (PTF) Modèle de tassement des sols
Caractéristiques Engins
Détermination paramètres (charte photos, PTF) Modèle transferts hydriques
Humidité(t,z)
Seuil Humidité
Comparaison
Recommandations pour l’intervention
Mesures Humidité
Mesures Ornières& Humidité
Donnée d’entrée
Modèle, stratégies de mise en oeuvre
Variables produite pour l’aide à la décision
Recommandation
Algorithme de correction et d’apprentissage
16
Le modèle Choisi, Transfert d’Eau et de Chaleur (Modèle TEC)
Description schématique du modèle mécaniste de transferts couplés d’eau et de chaleur
Flux de masse, flux de chaleurFlux de masse, flux de chaleur
Sensibilité du modèle
0.000
0.010
0.020
0.030
0.040
0.050
0.060
0.070
0.080
0.090
gaz -
Hga
z -L
den -
H
den -
L
lam- H
lam -L
ems-
Hem
s-Lalb
-Halb
-L
rug+
Hru
g-L
TemCI-H
TemCI-H
TemCL-H
TemCL-L
PsiCI
PsiCL
SHP
Paramètre
RM
SE m
3 m-3
0-5 cm 0-30 cm
CO-SL (10 % Ar)
Choix des grandeurs à estimer
Le paramètreFacilement accessible
Peu d’impact sur la teneur en eau 0-30 cm
Fort impact mais difficilement mesurable en
routine
Les propriétés thermiques() et C()
Le coefficient de diffusion gazeuse D()
La masse volumique d
L’albédo (a) La rugosité (z0) L’émissivité (s)
Les propriétés hydrodynamiques (Ө), k(Ө)
Les conditions initiales 0z Les conditions initiales T0z
Les conditions aux limites inférieurs 0zm
Les conditions aux limites inférieursT0zm
Mise en oeuvre D’un point de vue opérationnel nous proposons,
D’utiliser la FPT de Wosten 1997 pour les propriétés hydrodynamiques du sol
Exploiter un proxi (granulométrie du sol) d’initialiser le modèle avec un profil de potentiel hydrique
égale à -10 kPa, après 48 h de grosse pluie Exploiter les connaissances sur le comportement des sols
Utilisation du flux gravitaire pour le fond Choix d’un processus à privilégier
Précision de l’ordre de 0.04 m3/m3
Assimilation de données
Méthode inverse
Kalman Filter using Correlation
0-5 0-30 0-5 0-30
Without assimilation 0.065 0.060 0.065 0.060
Assimilation weekly measurements 0-5 0.029 0.020 0.039 0.036
Assimilation weekly measurements 0-30 0.033 0.021 0.040 0.022
Error in soil moisture (RMSE)
Pertinence de la simulation : risque de prendre une mauvaise décision
Gestion de la fertilisation azotée (thèse Hubert Varella) Enjeux apporter l’azote en quantité suffisante pour ne pas
avoir un stress azoté au niveau de la plante Eviter d’avoir un lessivage (surplus d’azote en solution
emportée par les eaux draînées).
Surface de feuilleQuelle quantité d’azote apporter
Carte des sols
Processus
Développement
Gestion des interventions
techniques
Croissance foliaire
Interception rayonnement
Croissance biomasse
Elaboration du rendement
Croissance racinaire
Transferts eau / azote
Système
Sol
Microclimat
Plante
Variables environne-mentales
(NO3 lessivé, eau du sol, …
Variables agricoles
(rendement,…)
SortiesEntrées
Climat
Caractéristiques permanentes et initiales du système
Itinérairetechnique
Modélisation des cultures
>200 paramètres.
70 paramètres sols difficiles à obtenir
Estimer les paramètres sols
Choix des paramètres sols
Choix des paramètres sols
Méthode d’estimation des paramètres
1θ 7θ…
Information a priori sur les paramètres (IAP)
M = 10 000 M = 10 000
simulations des variables observées
tirages de valeurs
Importance Sampling : Principe de la méthode
T
t
Q
q tqtq1 1 ,,
2ntq,tq,2 x,θfy
21
exp2π
1
dntq, x,θf tq,y
posterioriθ
iθ
Distributions a posteriori
estime
posterioriθ iθ
Formule de Bayes
observationsprior
1θ simulations
Coût de la méthode M évaluations du modèle
Pour une utilisation à l’échelle parcellaire (conditions identiques : seules les observations changent), le nombre de simulations ne dépend pas du nombre de pixels.
29
Estimation des paramètres
Résultats sur un cas réel
Cartographie de l’évapotranspiration d’un paysage cultivé par assimilation de données de télédétection dans un modèle d’interaction surface-atmosphère
Thèse E. Kpemlie
Contexte : Estimer l’évapotranspiration pour comprendre et prévoir le développement des cultures, les interactions avec le
microclimat et gérer les interventions agricoles (irrigations).
-indice foliaire (LAI)
-hauteur du couvert
-état hydrique du sol
-vitesse du vent (ua)
-température de l’air (Ta)
TsCartographie de Ts
Rn H LE
G
LE = Rn - G - H
PBLs : un modèle couplé surface – couche limite atmosphérique :
Surface fluxes
Fxs
FXH
h
Temperature
Altitude (m)
hclsSurface layer
Mixer layer
Free atmosphere
Ta
albédo, LAI, rugosité du sol (z0), humidité du sol (f2)
Télédétection Difficile à estimer directement Assimilation Ts
Méthode d’assimilation Problème de très grande taille à résoudre :
les paramètres doivent être estimés sur chaque pixel et les variables d’état interagissent entre les différents pixels.
Les zones considérées sont constituées de plusieurs dizaines à centaines de milliers de pixels
utilisation d’une méthode variationnelle : minimisation d’une fonction de type moindres carrés pondérés avec prise en compte d’information a priori et calcul du gradient par adjointisation du modèle
JB J0IAP
Opérateur adjoint du modèle PBLs obtenu par différentiation automatique (logiciel TAPENADE)
Résultats
Correction de la température de surface
RMSE = 7 °C
RMSE = 4 °C
Obs.
– Ts
est
imé
35
Résultats
Correction des Flux
RMSE
35
blé
luzerneblé irrigué
Pour aller plus loin : modélisation mécaniste du fonctionnement des paysages : plate-forme de simulation SEVE
Environnement permettant De réaliser une segmentation de l’espace à partir de
sources d’information variées (MNT, Cartes d’occupation des sols, réseaux, image TD, cartes des sols) et en fonction des processus à représenter
De réaliser des modèles couplés en permettant l’interopérabilité de modèles de processus (issus de modèles existants)
D’assimiler des informations d’origines diverses De visualiser les sorties Disposer de jeux de données de référence
Con
necti
vit
é
O
bje
ts-U
C
Transferts dans la basse atmosphère1D à 3D
Transferts dans le sol saturé ou non-saturé1D/2D/3D
Transferts verticauxen surface
1D
Modules de transfert
Transferts latéraux
en surface:Écoulementsconcentrés
1D/2D
Objets Sol/Sous-sol:
horizon de solsous sol Substratum
Objet Basse Atmosphère
Modules de description des classes d’Objets SIC et de leur
évolution
Objets Surface parcelles
hydrologiquesTronçon de rivièreTronçon de haie
...
Transferts latéraux en
surface:Écoulements
nonconcentrés
1D/2D
Superviseur gère les échanges entre modules
Segmenteur - Génère la géométrie et la topologie - Vérifie les connectivités entre Objets-UC et UF-UC
- Initialise les propriétés et variables d’état des Objets et UC
Géom
étr
ie-t
op
olo
gie
des U
C t
ran
sfe
rt
Géom
.-to
pol.
-éta
t d
es o
bje
ts d
es c
lasses
TS
TV
STLC
TLS
TB
A
InterpolationsAgrégations
Flux et variables d’état
Ob
jets
Ob
serv
ab
les
Surface: Transfert vertical eau, énergie, CO2La surface comprend la végétation ou les bâtiments, l'air dans la végétation, les racines, la neige. La surface du sol fait partie du sol.
Processus:
Bilan d'énergie (calcul de l'albédo, l'émissivité, de la rugosité, de la conductance stomatique (transpiration), bilan radiatif)
Production de biomasse
Puits/source racinaire
Interception de la pluie ou l'irrigation
Evolution du manteau neigeux
Variables d'état:Température (z, composantes)Température air (z)Humidité air (z)Contenu réservoir interceptionPotentiel plante?Variables état de la neige
Variables d'intérêt:Albédos végétation, sol, bâtiRayonnements nets total, végétation, sol, bâti ()Flux latent, sensible végétation, sol, bâti, interception, neigeRayonnement net solaire, IR sol, végétation, etc.. ()Conductance stomatique
Basse atmosphère
Rayonnement réfléchi ()Flux sensibleFlux latentFlux de quantité de mouvement
Rayonnements incidentsTempérature, humidité de l'airResistance aérodynamiquePluie, concentration en CO2
Structure (LAI, Hauteur, Racines..)Biomasse compartimentsParamètres de fonctionnement(dépendant du développement)
Végétation
Flux d'énergie GFlux de masse E, PgExtraction racinaire (z)
SolSous-sol Teneur en eau (z)
Potentiel matriciel (z)Température sol (z)Conductivité hydraulique (z)
SolSous-sol
Irrigation
Température (développement)iomasse composantesFlux azote absorbé
Echelle spatiale des échanges: Unité fonctionnelle "végétation" ou bâti ou réseau avec "végétation", Unités de calcul sol avec sol-sous-sol et atmosphère => agrégation/désagrégation conditionnée par la conservation de la masseEchelles temporelles des échanges: quelques minutes (basse atmosphère, sol/sous-sol)Journée (végétation)
PALM
Prépalm: Création du schéma couplage par IHM
PALM couple des codes de modules
Il gère des communications asynchrones de structure de données génériques (UF, Var, UC)
Une branche PALM est un module SEVE
Les modèles sont appelés par le module
L’intelligence de couplage est dans les modules (durée de validité, synchronisation, stockage des variables …)
Les paris de SEVE Les modèles gèrent par eux même leur simulation (pas de
temps) – le coupleur gère les synchronisations stabilité numérique impasse?
Certains couplages « intimes » sont reformulés par un simple échange d’information (exemple –infiltration ruissellement) stabilité numérique
Topologie (gérée dans les modèles) et les échanges entre modules Pb dans l’absence d’ordre dans l’exécution des
modèles? Gestion des singularités (réseau, haies …) Assimilation de données
Conclusions Le manque d’outils d’observation aux échelles
spatio temporelles adéquates, l’extrême variabilité du milieu nous amène à décomposer les processus et segmenter le milieu Problèmes de grande taille avec un très grands nombre de variables et paramètres
Approches plus ou moins rustique en terme d’analyse de sensibilité et d’assimilation de données. Faut-il aller plus loin? Quelle marge respectives offertes par les stats, la compréhension des processus et les moyens d’observation?
Conclusions Gros progrès assimilation de données
Focus sur les aspects sol/eau (un problème de caractérisation du milieu). Les plantes, si elles sont plus facilement observables, ont un fonctionnement plus difficile à modéliser (adaptation aux stress- interactions avec les autres organismes biologiques)