t h È s ethesesups.ups-tlse.fr/779/1/ferrant_sylvain.pdf · teur de qualité, georges forn de la...

TTHHÈÈSSEE

En vue de l'obtention du

DDOOCCTTOORRAATT DDEE LL’’UUNNIIVVEERRSSIITTÉÉ DDEE TTOOUULLOOUUSSEE

Délivré par l'Université Toulouse III - Paul Sabatier

Discipline ou spécialité : Sciences de l'Environnement

JURY

F. MOATAR, Professeure de l'université de Tours (Présidente du Jury, Rapporteur) G. BILLEN, Directeur de Recherche CNRS, SISYPHE,UPMC Paris 6 (Rapporteur)

R. NEVES, Professeur de l'université de Lisbonne (Rapporteur) T. LAMAZE, Professeur de l'université de Toulouse (Examinateur)

E. JUSTES, Ingénieur de recherche INRA, AGIR-Toulouse (Examinateur) J.L. Probst, Directeur de recherche CNRS, EcoLab, Toulouse (Directeur de thèse)

J.M. SANCHEZ-PEREZ, Directeur de recherche CNRS, EcoLab, Toulouse (Directeur de thèse) P. DURAND, Directeur de recherche INRA, SAS-Rennes (Directeur de thèse)

T.DELTHEIL, Responsable Développement, AKKA Technologies Sud (Membre invité)

Ecole doctorale : SDUEE

Unité de recherche : EcoLab, UMR 5245, CNRS-UPS-INPT Directeur(s) de Thèse : J.L. Probst; J.M. Sanchez-Perez; P. Durand

Rapporteurs : G. BILLEN, R. NEVES, F. MOATAR

Présentée et soutenue par Sylvain Ferrant Le 15 Décembre 2009

Titre : Modélisation agro-hydrologique des transferts de nitrates à l'échelle des bassins

versants agricoles gascons.

Remerciements

Pendant toute la durée de ma thèse, je n’ai considéré ce travail que comme une

expérience professionnelle, un bagage de plus sur un CV. C’est avec le recul qu’on

se rend compte que c’est une tranche de vie qui se termine, un bout de chemin

fait avec une multitude de gens, qui ont contribué, à un moment ou à un autre,

d’une manière directe ou indirecte, à une table de réunion, au détour d’un couloir,

en prenant un café ou autour d’une bonne bière, à l’accomplissement de 3 ans (ou

plus) de projet.

Comme tout morceau de vie, c’est une histoire qu’il faut raconter, et comme

toute histoire, c’est au début qu’il faut la commencer. Le premier à remercier est

Jean-Luc Probst, que j’ai connu au travers de ses enseignements de bio-géochimie

à l’ENSAT. Il a ensuite été désigné comme tuteur de mon stage de fin d’étude d’ingé-

nieur, stage effectué à l’Agence de l’Eau à Nanterre pour améliorer l’utilisation d’un

modèle de rivière sur la Seine. Il m’a alors proposé ce sujet de thèse alors même que

je n’avais plus envisagé la recherche comme possibilité depuis que j’avais compris,

en prépa, que l’ENS n’était pas à ma portée. Je lui suis donc très reconnaissant de

m’avoir offert l’opportunité de rentrer dans le monde de la recherche par une voie

parallèle.

Restait donc un financement à trouver. Le projet européen Life environnement

Concert’Eau qui se lançait à ce moment là nous a permis de trouver un interlocu-

teur de qualité, Georges Forn de la société SILOGIC (maintenant AKKA Technolo-

gies) avec lequel nous avons signé un contrat de financement CIFRE. Merci donc à

lui de m’avoir fait confiance ainsi qu’à Thierry Deltheil qui m’a accueilli au sein de

Silogic, pour le début du contrat et suivi tout au long de la thèse. Je tiens à saluer

au passage toutes les personnes ressources et amis que j’ai pu rencontrer à Silogic :

merci à Eddy, Christophe, Eric pour leur sympatie et disponibilité, Jean-Philippe

et Benoit pour la bonne ambiance et toute la team Concert’Eau.

La première équipe de recherche à m’avoir accueilli en son sein a été celle du

LEH, basé rue Jeanne Marvig sur ce campus verdoyant abritant le dôme du pre-

mier télescope électronique de France. Je remercie ici José-Miguel Sanchez-Perez et

Sabine Sauvage pour m’avoir d’abord accueilli mais aussi hébergé toute la durée de

la thèse dans la team modélisation d’EcoLab. Merci à José pour tous les moments

cabrita inoubliables. Un grand merci à Hugues Alexandre avec qui j’ai appris énor-

mément sur les outils informatiques indispensables au travail de modélisation du

XXI siècle. J’ai eu beaucoup de plaisir à travailler et tester avec lui les solutions

envisagées, et je lui dois une partie de la réussite du travail. Enfin, je tiens à saluer

tous les habitants de ce laboratoire ainsi que les anciens étudiants avec lesquels les

iii

échanges ont été sympathiques et enrichissants. Je pense notamment à Sébastien,

Stéphanie, Amaya, Dimitri, Guillaume, Dove, les stagiaires (si nombreux) et tout le

personnel administratif, Catherine Monier, Daniel Boutaud, Christiane Tertre, que

ceux que j’oublie me pardonnent.

Commençant par la phase expérimentale, la prise en main des instruments de

terrain, je dois nécessairement remercier Frédéric Julien pour son aide, ses conseils

et les nombreux échanges qu’on a eu. Je pense notamment au goût pour la plongée

sous-marine qu’il m’a transmis en me racontant ses ’exploits’. Je remercie ici aussi

Gaël Durbe pour ces longues journées de terrain passées ensemble, les coups de

stress et les incidents, les réparations à l’arrache et les prises de tête, mais sur-

tout les bons moments passés sous le soleil gersois, les pique-niques saucissons

fromages à Clermont-Pouyguilles et Simorre, et les quelques autres souvenirs qui

n’ont rien à faire ici ...

A cette époque de début de thèse, je suis parti travailler quelques mois dans

l’équipe de recherche SAS de l’INRA de Rennes pour prendre en main le modèle qui

y est développé. J’y ai fait la connaissance de Patrick Durand, que je remercie ici

du fond du coeur pour la confiance qu’il m’a accordé dès le début et le soutien, les

conseils qu’il a pu me donner pour mener ce travail à son terme. Il m’a appris la

rigueur du travail de modélisateur, et l’organisation dont il faut faire preuve pour

avancer. Merci également à Jordy Salmon-Monviola, Hervé Squividant et Pierre Mo-

reau pour leur patience et contribution à ce travail, ainsi qu’un remerciement spé-

cial à Laurent Ruiz pour les quelques riches discussions que nous avons pu avoir

et son intérêt pour le travail que je faisais.

Puis vint le grand déménagement avec la naissance du laboratoire EcoLab dans

lequel j’ai soutenu la thèse. Notre arrivée à l’ENSAT, mon ancienne école d’ingé-

nieur, que j’ai redécouverte par l’aile recherche, a marqué le milieu de ma thèse.

Croiser mes anciens profs en tant que collègue m’a permis de mieux faire connais-

sance, mais aussi d’échanger sur des sujets scientifiques variés. Je remercie no-

tamment Eric Pinelli, George Merlina, Anne Probst, Maritxu Guiresse, Jean-Claude

Revel, Francis Dauba, Lilian Pacaux, Séverine Jean-Dupuy, Camille Dumat, Gaël

Le roux, Jérôme Sylvestre, Puy Lim pour les discussions et bons moments passés,

Christophe Laplanche, Thomas Bur, Sophie Leguedois, Laure Gandois, Gaëlle Uzu,

Aurore Canut, Jean-Emmanuel Vernon, Laurie Boithias, Alain Alric pour les ému-

lations scientifiques (et autres) qui se sont crées et l’amitié qu’elles ont suscitées,

et bien sûr les autres doctorants, j’ai nommé Bertrand, Geoff, Marie, Tim, Thierry,

Chantha. Merci aux filles du bureau 204, Sophie Durandeau, Marion Cattaneo,

Anais Abraham pour m’avoir supporté au quotidien. Un grand merci à la maman

iv

de tous les doctorants, j’ai nommé Jeannick Corrèges (prononcez le s !), qui nous a

élevé dans le souci des traditions EcoLabiennes : le sérieux, la rigueur, l’abstinence

et une certaine idée du doctorat.

Je voudrais remercier les personnes avec qui ce travail m’a amené à collabo-

rer : Pierrette Gouaux, Eric Ceschia et Jean-François Dejoux pour les échanges

de données avec le CESBIO, Eric Justes de l’INRA d’Auzeville pour la validation

des modèles agronomiques, Paul Bordenave et Francis Macary du CEMAGREF de

bordeaux pour les collaborations multiples.

Dans les personnes et amis qui m’ont accompagné durant cette thèse et m’ont

donné l’envie de la recherche, je tiens à remercier tout spécialement Thomas, le pro

de R et de l’écoute, des soirées traquenards et du barbecue de ventrêche campa-

gnard, Brice, mon mentor CNRS, spécialiste de modélisation atmosphérique (pour

ne pas le citer), adepte des randos de montagne arrosées et de la raquette face à la

pente, Erwan le modèle du thésard accompli et adepte de toute expérience nouvelle,

préférant l’ancienne Belgique à la nouvelle, Christophe ... qui a une réputation à

tenir, et Sébastien, pour les conseils de tous débuts de thèse alors qu’il finissait

la sienne. Merci également à François Oehler dont l’arrivée au laboratoire en tant

que post-doc a donné un coup d’accélérateur à la thèse en mettant à disposition de

nouvelles compétences et outils de modélisation. Il a directement orienté, par ses

conseils et son expérience, le travail de comparaison des modèles, et je le remercie

pour cela.

A ce stade, il faut rendre un hommage discret à feu le babyfoot de l’ENSAT qui

a été notre salle de réunion préférée, avant de rendre l’âme sous les exclamations

passionnelles de Bertrand P. Merci à mes amis proches qui m’ont accompagnés

durant toute la thèse et j’espère encore longtemps, j’ai nommé Gregory Jonathan

François Duhamel, François V., Momo A., Benoit L. (médecin de renom ne voulant

pas figurer ici), Julien Fabrou. Une petite pensée aux potes de la plongée, Julien,

Willy, Momo, Christelle, Max, Gaétan (je ne citerai pas tout le club) pour les bons

week-end plongée, que l’on plonge ou non. Merci à Bodo, Gunther, Pierre Billon,

Damien Jean, Jean-Pierre François, Sylvain Caruso, le Yat-kha, Iron Horse pour la

musique.

Merci à mes parents pour avoir contribué, par l’amour et la confiance qu’ils

m’ont toujours donné, à être ce que je suis devenu. Enfin, mon dernier remer-

ciement s’adresse à ma compagne, Angela, qui m’a toujours soutenu et avec qui

l’aventure continue !

v

Table des matières

0.1 Introduction générale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

0.1.1 Agriculture et environnement . . . . . . . . . . . . . . . . . . . . 1

0.1.2 Problématiques agricoles en Gascogne . . . . . . . . . . . . . . . 3

0.1.3 Enjeux locaux de la gestion de l’eau . . . . . . . . . . . . . . . . . 3

0.1.4 Contexte scientifique . . . . . . . . . . . . . . . . . . . . . . . . . 5

a - L’excédent de nitrates . . . . . . . . . . . . . . . . . . . . 5

b - Objectifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1 Mesure des teneurs en nitrate dans la rivière 11

1.1 Site d’étude : le Montoussé à Auradé (Gers) . . . . . . . . . . . . . . . . 12

1.1.1 Présentation générale et localisation . . . . . . . . . . . . . . . . 12

1.1.2 Hydrologie et climat . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.1.3 Pédologie et géomorphologie . . . . . . . . . . . . . . . . . . . . . 12

1.1.4 Historique du suivi expérimental . . . . . . . . . . . . . . . . . . 13

1.2 Protocole de suivi des concentrations . . . . . . . . . . . . . . . . . . . . 14

1.2.1 Problématique scientifique . . . . . . . . . . . . . . . . . . . . . . 14

1.2.2 Stratégie d’échantillonnage . . . . . . . . . . . . . . . . . . . . . . 17

a - Utilisation de sondes nitrates Ion Spécifique . . . . . . . 17

b - Protocole d’échantillonnage d’accompagnement . . . . . 17

1.3 Enregistrements bruts et prétraitements . . . . . . . . . . . . . . . . . . 19

1.3.1 Les débits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

1.3.2 Les concentrations en nitrates . . . . . . . . . . . . . . . . . . . . 19

1.4 Nitrate concentration signal processing to study stream load estima-

tion error in a small agricultural catchment . . . . . . . . . . . . . . . . 22

1.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

1.4.2 Material and methods . . . . . . . . . . . . . . . . . . . . . . . . . 26

a - Study site . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

b - Sampling strategy and data collection . . . . . . . . . . 27

c - Data preprocessing . . . . . . . . . . . . . . . . . . . . . 28

vii

TABLE DES MATIÈRES

d - Load calculation method . . . . . . . . . . . . . . . . . . 29

e - Evaluation criteria . . . . . . . . . . . . . . . . . . . . . . 30

1.4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

a - Validation of the sampling strategy . . . . . . . . . . . . 31

b - Preliminary analysis of discharge-concentration rela-

tionships and total N-NO−3 loads . . . . . . . . . . . . . . 31

c - Load error computation . . . . . . . . . . . . . . . . . . . 32

1.4.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

a - Evaluation of Load calculation methods . . . . . . . . . 38

b - Flood event influence on total load evaluation . . . . . . 42

c - Evaluation of in situ sampling protocol . . . . . . . . . . 43

d - Adapting sampling protocol to monitoring programme . 45

1.4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47

1.4.6 Acknowledgments . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

1.5 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

2 Modélisation spatialisée des transferts d’azote sur le bassin versant

d’Auradé 51

2.1 Bases de données disponibles . . . . . . . . . . . . . . . . . . . . . . . . 52

2.1.1 Bases de données hydrologiques . . . . . . . . . . . . . . . . . . . 52

2.1.2 Calcul des flux d’azote journaliers et incertitude . . . . . . . . . 55

a - Méthode de calcul des flux . . . . . . . . . . . . . . . . . 55

b - Incertitude de la méthode d’interpolation . . . . . . . . . 55

c - Discussion sur l’incertitude . . . . . . . . . . . . . . . . 57

2.1.3 La base de données pédologique . . . . . . . . . . . . . . . . . . . 57

2.1.4 La base de données agricoles . . . . . . . . . . . . . . . . . . . . . 59

2.2 Modèles retenus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

2.2.1 Choix de modélisation . . . . . . . . . . . . . . . . . . . . . . . . . 61

2.2.2 Modèles choisis : TNT2 et SWAT . . . . . . . . . . . . . . . . . . . 64

2.3 Concepts de fonctionnement de TNT2 et SWAT . . . . . . . . . . . . . . 65

2.3.1 Spatialisation des processus . . . . . . . . . . . . . . . . . . . . . 65

2.3.2 Processus et paramètres dans TNT2 . . . . . . . . . . . . . . . . 68

a - Transferts hydriques . . . . . . . . . . . . . . . . . . . . . 68

b - Transfert et transformation de l’azote . . . . . . . . . . . 71

2.3.3 Processus et paramètres dans SWAT . . . . . . . . . . . . . . . . 73

a - Paramètres contrôlant les transferts hydriques . . . . . 73

b - Paramètres contrôlant les transferts et transformations

de l’azote . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

viii

TABLE DES MATIÈRES

2.4 Understanding nitrogen transfer dynamics in a small agricultural

catchment : comparison of a distributed (TNT2) and a semi distributed

(SWAT) modelling approaches . . . . . . . . . . . . . . . . . . . . . . . . 76

2.4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

2.4.2 Material and methods . . . . . . . . . . . . . . . . . . . . . . . . . 80

a - Study site and study period . . . . . . . . . . . . . . . . 80

b - Agricultural practice survey . . . . . . . . . . . . . . . . 81

c - Nitrate concentration and water discharge survey . . . . 81

d - soil description . . . . . . . . . . . . . . . . . . . . . . . . 82

e - Models description and applicability . . . . . . . . . . . 82

f - Model comparison . . . . . . . . . . . . . . . . . . . . . . 84

g - Input data and calibration . . . . . . . . . . . . . . . . . 85

2.4.3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

a - Hydrology of the catchment . . . . . . . . . . . . . . . . . 86

b - Apportionment of N fluxes . . . . . . . . . . . . . . . . . 89

c - spatial dynamics of mineralisation and denitrification . 92

d - N loads in stream . . . . . . . . . . . . . . . . . . . . . . 95

e - N concentration in the stream . . . . . . . . . . . . . . . 98

2.4.4 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

a - Water discharge and N loads to the stream . . . . . . . . 102

b - Nitogen budgets at the catchment scale . . . . . . . . . 104

2.4.5 About trends . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

2.4.6 conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

2.4.7 Acknowledgments . . . . . . . . . . . . . . . . . . . . . . . . . . . 106

2.5 Conclusion du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107

3 Modélisation de scénarios agricoles sur le bassin versant d’Auradé avec

TNT2 111

3.1 Modélisation de scénarios agricoles . . . . . . . . . . . . . . . . . . . . . 113

3.1.1 Contexte scientifique . . . . . . . . . . . . . . . . . . . . . . . . . 113

3.1.2 Scénarios agricoles dans le bassin d’Auradé . . . . . . . . . . . . 116

a - Les mesures existantes dès 1992 . . . . . . . . . . . . . 116

b - Scénario agricole envisagé : Les CIPANs . . . . . . . . . 116

3.2 Expérimentation virtuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

3.2.1 Indicateurs d’évaluation . . . . . . . . . . . . . . . . . . . . . . . . 119

3.2.2 Impact des mesures existantes . . . . . . . . . . . . . . . . . . . . 120

a - Bilan hydrique . . . . . . . . . . . . . . . . . . . . . . . . 120

b - Le retard à l’enfouissement des pailles . . . . . . . . . . 120

ix

TABLE DES MATIÈRES

c - Aménagement du paysage . . . . . . . . . . . . . . . . . 121

d - Impact de l’ensemble des mesures . . . . . . . . . . . . . 121

3.2.3 Impact des scénarii agricoles choisis . . . . . . . . . . . . . . . . 123

a - Bilan hydrique . . . . . . . . . . . . . . . . . . . . . . . . 123

b - Modification du bilan d’azote . . . . . . . . . . . . . . . . 123

3.2.4 Impact de la CIPAN sur la lixiviation . . . . . . . . . . . . . . . . 127

3.2.5 Efficacité sur la diminution des flux d’azote nitrique à la rivière 127

3.2.6 Evolution temporelle de l’efficacité des scénarii . . . . . . . . . . 129

3.3 Discussion : Certitudes et incertitudes des résultats de scénarios . . . 132

3.3.1 Efficacité des Scénarios agricoles . . . . . . . . . . . . . . . . . . 132

3.3.2 Estimation de la lixiviation par TNT2 . . . . . . . . . . . . . . . . 135

3.3.3 Importance de la minéralisation et dénitrification . . . . . . . . . 135

3.3.4 L’efficacité inter-annuelle des mesures . . . . . . . . . . . . . . . 136

3.3.5 Les problématiques autres que l’azote . . . . . . . . . . . . . . . 136

3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 137

4 Changement d’échelle : de l’échelle locale (Bassin versant d’Auradé) à

l’échelle régionale (bassin versant de la Save) 141

4.1 Le bassin de la Save à Larra . . . . . . . . . . . . . . . . . . . . . . . . . 142

4.1.1 Pédologie et géomorphologie . . . . . . . . . . . . . . . . . . . . . 142

4.1.2 Occupation des sols . . . . . . . . . . . . . . . . . . . . . . . . . . 144

4.1.3 La zone d’étude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144

4.2 Les objectifs de simulation de la qualité du cours d’eau . . . . . . . . . 147

4.2.1 Chroniques hydrologiques, météorologiques et suivis de nitrate 147

4.2.2 Bases de données d’itinéraires techniques agricoles . . . . . . . 148

4.3 Paramétrage de SWAT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148

4.3.1 Option SWAT : Dominant Landuse . . . . . . . . . . . . . . . . . 150

4.3.2 Calage des débits . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150

4.3.3 Débits simulés sur le sous-bassin d’Auradé . . . . . . . . . . . . 153

4.3.4 Utilisation des paramètres hydrologiques de SWAT sur le sous-

bassin contenant Auradé . . . . . . . . . . . . . . . . . . . . . . . 155

4.3.5 Dynamique des débits de la Save à Larra . . . . . . . . . . . . . . 155

4.3.6 Vérification du bilan d’azote . . . . . . . . . . . . . . . . . . . . . 157

4.4 Intérêt du changement d’échelle . . . . . . . . . . . . . . . . . . . . . . . 159

4.4.1 La contribution des sous-bassins . . . . . . . . . . . . . . . . . . 159

4.4.2 Vers une meilleure simulation . . . . . . . . . . . . . . . . . . . . 159

4.5 conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

x

TABLE DES MATIÈRES

5 Conclusions générales et perspectives 163

Références 171

xi

TABLE DES MATIÈRES

xii

Table des figures

1.1 Moyennes mensuelles des lames d’eau de pluie, lames d’eau drainée,

températures observées sur 17 années (1985-2001) à Auradé. . . . . . 13

1.2 Localisation du bassin versant d’Auradé dans le bassin versant de la

Save. L’occupation du sol sur la Save est dérivée de Corine Land Cover

2000. Le linéaire du Montoussé est ajouté sur une photo aérienne re-

présentant le parcellaire d’Auradé (cartoexplorer ; IGN). Les parcelles

blanches correspondent à du sol nu (blé récolté), les autres sont re-

couvertes de tournesol. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

1.3 Dispositif mis en place à l’exutoire d’Auradé pour l’acquisition d’une

base de donnée en continu des concentrations en nitrates dans la

rivière. Dispositif actif depuis mai 2006. . . . . . . . . . . . . . . . . . . 18

1.4 Chroniques de concentrations de N-NO−3 à l’exutoire d’Auradé. (a)

données brutes recalées par rapport aux analyses en laboratoires.

Les trous correspondent à des périodes de non fonctionnement de la

sonde. (b) données recalées par rapport aux analyses en laboratoire

et convoluées pour les périodes d’étiages. Les périodes sans données

sondes sont enlevées du signal. . . . . . . . . . . . . . . . . . . . . . . . 21

1.5 N-NO−3 concentration (middle) and discharge (bottom) in 10-minute

time steps at the outlet of the Auradé Montoussé catchment. The four

main flood events are ranked by magnitude of load (1 to 4). Sub-figures

(top) show nitrogen concentration trend during 3 of these flood events. 33

1.6 Relationship between 10-minute loads and discharge. Sub-figure in

the top corner shows cumulative discharge and nitrogen loads during

the study period. Loads are shown as solid lines, discharge as dotted

lines. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

xiii

TABLE DES FIGURES

1.7 Relationship between 10-minute concentration and discharge measu-

rement during the four major loads events of the study period. Flood

event 1 on 30 Apr 2007, 5 days. Flood event 2 on 25 May 2007, 1 day.

Flood event 3 on 17 Jan 2008, 4 days. Flood event 4 on 24 Feb 2007,

4 days. Scale is not the same between graphs. Arrows show the direc-

tion of change over time, and each cross corresponds to a 10-minute

measurement. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

1.8 Quantiles (e10, e50, e90) and extreme error (emin, emax) as a function

of sampling period (p) with the M1 protocol and linear interpolation.

(a) total signal, (b) flood events signal, (c) base flow signal. . . . . . . . 40

1.9 Quantiles (e10, e50, e90) and extreme error (emin, emax) as a function

of sampling period (p) with the M2 protocol and linear interpolation.

(a) total signal, (b) flood events signal, (c) base flow signal. . . . . . . . 41

1.10Minimum sampling period for each flood event depending on flood

event length and season. The minimum number of samples is cal-

culated based on a threshold of 10% precision errors in sub-sampling

concentration signal with the M2 protocol and linear interpolation. The

4 major flood events are numbered from 1 to 4. . . . . . . . . . . . . . . 44

1.11Comparison between N −NO−3 concentration signal measured by sen-

sor (grey line), linearly interpolated concentration sampled in situ (so-

lid line) and linearly interpolated biweekly sampled concentration (dot-

ted line). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

2.1 Daily discharge (L.s−1), rainfall (mm), nitrogen concentration (mgN-

NO−3 .L−1 measured in Montoussé river, at the outlet of auradé basin

(source GPN-Total) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

2.2 Répartition de l’erreur d’estimation des flux trimestriels par sous-

échantillonnage de la concentration des deux années de suivi (2006-

2008) sur Auradé. Le sous échantillonnage est fixé à 2 jours, l’erreur

d’estimation est calculée par trimestre, sur l’ensemble du signal. La

méthode d’interpolation des concentrations est linéaire, le calcul des

flux est fait à partir de l’équation 1.4 (page 30). L’espérance µ et l’écart-

type σ sont respectivement de -11.3kgN et 36.3kgN par trimestre. . . . 56

2.3 Cumul des flux journaliers interpolés (ligne pleine) et domaine d’in-

certitude (entre les lignes pointillées) de l’interpolation linéaire des

concentrations journalières mesurées. L’espérance µT et l’écart-type

σT sont respectivement de -632.8kgN et 534 kgN au bout de 14 ans. . 58

xiv

TABLE DES FIGURES

2.4 Cartes des données spatialisées rasterisées sur Auradé : (a) le Modèle

Numérique de Terrain (source : cette thèse), (b) la carte simplifiée des

sols (source : Sol Conseil-EcoLab, 2006 décrite dans les travaux de

Bur [2008]). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

2.5 Carte raster des parcelles agricoles sur Auradé (découpage minimale

pour la période 1985-2001) : les aménagements paysagers n’ont été

faits qu’à partir de 1992 (source : Association des agriculteurs d’Au-

radé). La rotation majoritaire à plus de 90% est blé-tournesol. . . . . . 62

2.6 Schéma illustrant la spatialisation des calculs et transferts d’eau et

d’azote nitrique pour SWAT et TNT2 à l’échelle du versant. SWAT sub-

divise l’espace en sous-bassins versants, la contribution à la rivière de

chaque HRU est sommée. TNT2 subdivise l’espace en mailles carrées

connectées entre elles par un gradient topographique. les mailles en

aval contribuent en totalité à la lame d’eau journalière. . . . . . . . . . 66

2.7 Spatial data used in TNT2 and SWAT : soil map with 14 soil types (12

agricultural soil types, 1 for urban area and 1 for forest), DEM (5x5m),

agricultural plot map (92 agricultural plots). Integration of these data

are detailed for fully distributed model TNT2 and semi-distributed mo-

del SWAT. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

2.8 TNT2 : un couplage du modèle hydrologique distribué TOPMODEL [Be-

ven, 1997] et du modèle agronomique STICS [Brisson et al., 1998]

(d’après Beaujouan [2001]). Principaux processus modélisés. . . . . . . 70

2.9 SWAT : un couplage du modèle hydrologique semi-distribué et du mo-

dèle agronomique EPIC. Principaux processus modélisés. . . . . . . . . 74

2.10Daily discharge (m3.s−1) observed (grey line) and simulated (black line)

with semi-distributed model SWAT and fully distributed model TNT2

at the outlet of Auradé. Nash-Sutcliffe coefficient is 0.5 and 0.6 for

respectively TNT2 and SWAT simulations. . . . . . . . . . . . . . . . . . 88

2.11Daily discharge (m3.s−1) observed (grey line) and simulated (black line)

with semi-distributed model SWAT and fully distributed model TNT2

at the outlet of Auradé from oct 1995 to oct 1997. . . . . . . . . . . . . 90

2.12Yearly discharge and Nitrogen loads (mm and kgN) observed and simu-

lated with semi-distributed model SWAT and fully distributed model

TNT2 at the outlet of Auradé from year 1987-1988 to year 2000-2001.

RMSE of annual discharge are 0.018 and 0.022 mm for respectively

TNT2 and SWAT. RMSE for annual load are 78.6 and 65kgN for res-

pectively TNT2 and SWAT. . . . . . . . . . . . . . . . . . . . . . . . . . . 91

xv

TABLE DES FIGURES

2.13Annual average agricultural yield for the 3 major plant sowed simu-

lated with TNT2 and SWAT from 1988 to 2000 in Auradé catchment.

Measured yield are reported since 1994. . . . . . . . . . . . . . . . . . . 92

2.14Daily amount of mineralisation (figure on the top) and denitrification

(figure below) simulated with SWAT (grey line) and TNT2 (black line)

during the study period (from 01/10/1987 to 01/09/2001). Values

are given as the daily mean for the Auradé catchment in kgN.ha−1.day−1. 94

2.15Annual amount of mineralisation (black line) and denitrification (white

line) simulated with SWAT (full line) and TNT2 (dotted line) during

the study period (from 1987 to 2001). Values are given as the annual

amount for the Auradé catchment in kgN.ha−1. . . . . . . . . . . . . . . 96

2.16Yearly denitrification (a), mineralisation (b) and Denitrification Rate

Factor (c) with SWAT (left) and TNT2 (right) during the study period

(from 01/10/1987 to 01/09/2001). Values are given for each model-

ling units (HRU and cell for respectively SWAT and TNT2) as the mean

of the yearly denitrification and mineralisation (a) and (b) modelled for

the Auradé catchment in kgN.ha−1.day−1. . . . . . . . . . . . . . . . . . 97

2.17Daily nitrogen loads in river (kg.day−1) observed (grey line) and simu-

lated (black line) with semi-distributed model SWAT and fully distribu-

ted model TNT2 at the outlet of Auradé. NRMSE coefficient is 3.8%and

4.3% for respectively TNT2 and SWAT simulations. . . . . . . . . . . . . 99

2.18Cumulative daily water discharge and nitrogen loads observed and

simulated at the outlet of the Auradé catchment, simulated by SWAT

(full line) and TNT2 (dotted line) from 01/10/1987 to 01/09/2001.

Discharge are given in m and nitrogen loads in kgN.ha−1. . . . . . . . . 100

2.19Simulated and mean of daily concentration calculated from observed

data during the study period (from october 1987 to september 2001).

Mean daily concentration has been calculated from measured concen-

tration for 2834 days of the 5814 days studied. . . . . . . . . . . . . . . 101

2.20Daily water and nitrogen storage in aquifer simulated by SWAT (full

line) and TNT2 (dotted line) from 01/10/1987 to 01/09/2001. Values

are given in mm and kgN.ha−1 for respectively water and nitrogen sto-

rage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

3.1 Pourcentage de la Surface Agricole Utile annuelle où l’implantation de

Culture Intermédiaire Piège à Nitrate est possible dans la succession

culturale blé-tournesol renseignée dans la base de données agricoles

historique reconstituée dans le présent travail. . . . . . . . . . . . . . . 118

xvi

TABLE DES FIGURES

3.2 Cumul des flux journaliers d’azote dans la rivière simulés par TNT2 en

fonction de scénarios agricoles. scénario0-référence ; scénario5-sans

mesures agro-environnementales ; scénario6-implantation de CIPANs ;

scénario7-diminution des intrants mineraux azotés de 10 %. . . . . . . 125

3.3 Minéralisation nette journalière simulée par TNT2 en fonction de scé-

narios agricoles. Les valeures négatives correspondent à des phases

d’organisation. scénario0-référence ; scénario6-implantation de CIPANs.126

3.4 Pertes d’azote à l’exutoire d’Auradé simulés avec TNT2 pour le scé-

nario 0 de référence et le scénario 6 d’implantation des CIPANs. La

régression logarithmique présentée en dessous représente la réduc-

tion des pertes annuelles par l’implantation des CIPANs en fonction

du niveau de perte annuelle d’azote nitrique simulé dans le scénario

de référence, d’équation : y = 1.6 lnx− 1.7, R2 = 0.65 . . . . . . . . . . . 128

3.5 Pourcentage annuel de réduction des flux à l’exutoire d’Auradé en

fonction de l’aménagement testé. . . . . . . . . . . . . . . . . . . . . . . 129


fonction des mesures agricoles. . . . . . . . . . . . . . . . . . . . . . . . 130


fonction des mesures agricoles. . . . . . . . . . . . . . . . . . . . . . . . 131

4.1 Géomorphologie et Pédologie des formations rencontrées sur le bassin

de la Save. Sources Cemagref de Bordeaux, UR ADBX. Les classes pé-

dologiques dominantes dans les zones géomorphologiques sont seules

représentées par soucis de clarté. R131 : alluvions calcaires ré-

centes ; R212 : Terreforts profonds (>40cm) ; R322,R332 : Boulbènes

anciennes superficielles ; R328 : Sols brun ; R520 : Marno-calcaire

pentes fortes ; R9 : profil morpho-pédologique de molasse acide ar-

gileuse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143

4.2 Occupation du sol du bassin versant de la Save : des grandes zones

agricoles au parcellaire. Sources CEMAGREF de Bordeaux-UR ADBX. 145

4.3 Occupation parcellaire de la zone Blé-Tournesol du bassin versant de

la Save. Le parcellaire du bassin versant d’Auradé est calqué sur la

base de données. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146

4.4 Itinéraire technique entré dans SWAT pour la monoculture de maïs.

Les quantités d’intrants sont en kg/ha de produits commerciaux. . . . 148

4.5 Itinéraire technique entré dans SWAT pour les deux zones blé-

tournesol. Les quantités d’intrants sont en kg/ha de produits com-

merciaux. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

xvii

TABLE DES FIGURES

4.6 Sous-bassins versants utilisés pour appliquer le calage SWATaur des

sols et nappe. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151

4.7 Impact de la spatialisation des occupations du sol de l’option Domi-

nant landuse dans SWAT. . . . . . . . . . . . . . . . . . . . . . . . . . . 151

4.8 Débits journaliers simulés et observés à l’exutoire du bassin versant

de la Save à Larra. Les simulations de SWAT sont faites avec l’option

’Dominant Landuse’. Le calage SWATsav et SWATsav modif sont com-

parés aux données observées. . . . . . . . . . . . . . . . . . . . . . . . . 152

4.9 Débits journaliers simulés par SWATsav et SWATaur à l’exutoire du

sous-bassin versant contenant Auradé. Les simulations de SWAT sont

faites avec l’option ’Dominant Landuse’. Une modification des para-

mètres hydrologiques des sols et de la nappe est faite en fonction du

calage SWATaur pour vérifier l’amélioration des simulations SWATsav-

modif. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154

4.10Réserve utile journalière simulée par SWATsav et SWATaur à l’exu-

toire du sous-bassin versant contenant Auradé. Les simulations de

SWAT sont faites avec l’option ’Dominant Landuse’. Une modification

des paramètres hydrologiques des sols est faite en fonction du calage

SWATaur pour vérifier l’amélioration des simulations SWATsavmodif. . 156

4.11Concentrations simulées à l’exutoire de la Save par le calage SWAT-

savmodif pour les 24 sous-bassins avals représentatifs des conditions

agro-pédologiques d’Auradé. Les simulations sont faites d pour la pé-

riode 1994-2008, les données observées sont disponibles à partir de

fin 2006. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158

xviii

Liste des tableaux

1.1 annual water balance of the study period . . . . . . . . . . . . . . . . . 14

1.2 Characteristics of the Auradé catchment. Information on topography

is derived from the DEM, land use distribution is computed from aerial

photo (Cartoexplorer IGN) and climate data are an in situ measurement. 16

1.3 Sampling method evaluation with dispersion and precision . . . . . . . 37

1.4 Error of in situ sampling protocol . . . . . . . . . . . . . . . . . . . . . . 37

2.1 Parameter for water storage capacity and main processes of water and

nitrogen transfert and transformation. . . . . . . . . . . . . . . . . . . . 72

2.2 Conceptual differencies between SWAT and TNT2 used in this study . 85

2.3 Yearly water and nitrogen balance simulated in models, from 1987 to

2001. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89

3.1 Mesures appliquées pour chaque scénario construit. . . . . . . . . . . . 117

3.2 Bilan annuels moyen de chaque scénario, calculé sur la période d’oc-

tobre 1993 à septembre 2001. . . . . . . . . . . . . . . . . . . . . . . . . 122

3.3 Bilan annuels moyen de chaque scénario, calculé sur la période d’oc-

tobre 1987 à septembre 2001. . . . . . . . . . . . . . . . . . . . . . . . . 123

4.1 Bilans annuels d’azote sur le bassin versant de la Save et d’Auradé

simulé par SWATsav. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157

xix

0.1 Introduction générale


0.1.1 Agriculture et environnement

L’agriculture européenne et plus généralement des pays développés a subi

l’effet d’une optimisation de la production au travers d’une intensification de la

production, de la mécanisation des exploitations agricoles, de la spécialisation

régionale et d’un remembrement des terres agricoles. Le recours aux intrants

chimiques, et notamment azoté ont permis d’augmenter considérablement les

rendements agricoles. L’apport en azote que constituent les fertilisants, ainsi

que la réorganisation du paysage et l’intensification des pratiques ont modifié de

manière significative le cycle de l’azote, en enrichissant les écosystèmes agricoles

en nitrates, notamment les eaux de surface et souterraines [Probst, 1985; Webb et

Walling, 1985; Reynolds et Edwards, 1995; De Wit et al., 2002; Molenat et al., 2002;

Ruiz et al., 2002; Whitehead et al., 2002b; Galloway et al., 2003; Smith, 2003;

Martin et al., 2004; Seitzinger et al., 2006; Birgand et al., 2007]. C’est à partir des

années 1990 que la notion d’environnement devient une composante importante

de l’activité agricole. A l’échelle européenne, les mesures agri-environnementales

élaborées à Bruxelles dans le cadre de la réforme de la PAC de juin 1992 ap-

portent un cadre réglementaire aux actions de terrain des organismes régionaux

et communautaires, associatifs et professionnels. Le message sur la protection de

l’environnement, de la ressource en eau et de la santé publique a été relayé par

les mouvements écologistes, l’opinion publique et les organismes professionnels

comme les responsables publics de la qualité de l’eau.

C’est dans ce contexte que la Directive Cadre Européenne (DCE) [European-

Commission, 2000] sur l’eau a été adoptée par le parlement et le conseil européens

le 23 octobre 2000. Ce texte établit un cadre juridique et réglementaire afin

d’atteindre le ’bon état’ écologique et chimique pour tous les milieux aquatiques

naturels et de préserver ceux qui restent en bon état. L’agriculture est une des

activités visées par les responsables de la mise en oeuvre de la DCE en France, DI-

RENs, Agences de l’eau, DRASS, DDASS, collectivités territoriales...). Ces derniers

se sont servis d’outils tels que les Contrats Territoriaux d’Exploitation (CTE) suivis

par les Mesures Agri-Environnementales (MAE), afin d’orienter l’utilisation des

terres agricoles en utilisant deux leviers d’action pour atteindre les objectifs de la

DCE. Ces programmes de mesures peuvent porter sur la réduction des pressions

tenues pour responsables du mauvais état (nitrates, pesticides ...) ou encore la

1

diminution de l’incidence de ces pressions (zones tampon, contrôle de l’excédent

de nitrate agricole...).

Ces deux modes d’action sont différents. L’un vise à faire un effort sur la pro-

duction : diminuer les intrants agricoles ou changer la production, quitte à changer

d’objectifs économiques : conversion agriculture en biologique, optimisation du

ratio intrants/rendements, diversification des activités (agro-tourisme). L’autre vise

à diminuer l’impact de ces pressions : l’implantation de Cultures Intermédiaires

Pièges à Nitrates (CIPAN), de bandes enherbées (pesticides), de bassins de rétention

(pesticides), la gestion des résidus de récolte (nitrates), les rotations culturales

(pesticides et nitrates).

L’efficacité et la pertinence de la mise en place d’actions de ce type relèvent de

l’ingéniérie environnementale. Cette expertise vise à mettre en relation le fonction-

nement des paysages, l’utilisation des sols et l’impact des pressions anthropiques

sur les cycles naturels. Elle nécessite de regrouper de larges connaissances scien-

tifiques en terme de fonctionnement d’écosystèmes,de masses d’eau ou de bassins

versants, de dynamiques agricoles ou climatiques, de transferts de matière et de

polluants. A chaque zone d’application, il faut déterminer les processus dominants

responsables de la mauvaise qualité de l’eau.

Le milieu de la recherche internationnale a développé ces 20 dernières années des

outils de simulation de la qualité des eaux de surfaces et souterraines intégrant

les connaissances acquises par les études agronomiques, hydrologiques ou écolo-

giques. Des modèles de qualité de l’eau ont été testés pour apporter un important

et précieux apport à l’analyse et la compréhension de l’origine des pollutions dif-

fuses agricoles mesurées dans les rivières, les aquifères et les réservoirs [Styczen et

Storm, 1993; Cooper et al., 1994; Reiche, 1994; Lunn et al., 1996; Bicknell et al.,

1997; Christiaens et Feyen, 1997; Arheimer et Brandt, 1998; Arnold et al., 1998;

Krysanova et al., 1998; Whitehead et al., 1998; Refsgaard et al., 1999; Billen et al.,

2001; Beaujouan et al., 2002; Liu et al., 2005]. Ces outils sont susceptibles de si-

muler les évolutions possibles de la quantité et la qualité des eaux de surface et

des eaux souterraines en fonction des pressions anthropiques et des dynamiques

naturelles.

2


0.1.2 Problématiques agricoles en Gascogne

La vocation agricole affirmée des zones de coteaux de Gascogne marque forte-

ment les paysages régionaux et a un impact évident et reconnu depuis plusieurs

décennies sur la qualité des eaux, des sols et des sédiments de ces territoires.

Sur les 20 à 30 dernières années, la production agricole a augmenté de 25%.

Les principales évolutions constatées ont été une forte mécanisation des activités,

l’amélioration génétique des variétés cultivées, le développement de l’irrigation,

l’emploi croissant de fertilisants mais aussi une forte gamme de pesticides de

synthèse (fongicides, herbicides et insecticides). Cette intensification des pratiques

est assez souvent associée à la mise en place d’aménagements provoquant une

modification des chemins et des vitesses de l’eau dans le sol (drainages enterrés,

irrigation).

Les données acquises par les réseaux institutionnels de surveillance des eaux

superficielles (Agences de l’eau, DRASS, DDASS, DIRENs) et des aquifères exploités

pour la potabilisation de l’eau (DRASS, DDASS, DIRENs, réseaux complémentaires

des collectivités territoriales) montrent une augmentation des concentrations des

produits utilisés en agriculture (intrants) et de leurs détections dans les milieux

aquatiques. La problématique environnementale est simple : limiter voire stopper la

dégradation générale de la qualité des milieux par les pollutions agricoles diffuses,

en vue de préserver la qualité des cours d’eau et la potabilité des captages d’eau

réservés à la consommation humaine.

0.1.3 Enjeux locaux de la gestion de l’eau

Dans ce contexte agricole de grande culture (mais irrigué, sorgo, blé, tourne-

sol, colza) où les problématiques liées à la qualité de l’eau sont étroitement liées

aux activités agricoles, de nombreuses mesures environnementales ont été mises

en place, dans le cadre de Programme d’Action Territoriale (PAT) par exemple, pour

éliminer les pratiques à risques et favoriser certains aménagements paysagers sup-

posés améliorer la qualité des eaux. Des zones d’action prioritaire ont également été

définies pour préserver la qualité des eaux, comme les zones de bassins de captage

d’eau potable.

D’autres actions locales ont été mises en place dans cette région. L’Association

des Agriculteurs d’Auradé est une association de loi 1901 crée en 1992 pour

3

améliorer les pratiques agricoles et réduire l’impact des activités agricoles sur

l’environnement (http : //www.agriculteurs − aurade.fr/), sur le bassin versant

d’Auradé (Gers, France). Cette structure a permis, depuis sa création, de réaliser

sur le site expérimental d’Auradé des aménagements paysagers (mise en place

de bandes enherbées le long des cours d’eau, bandes de peuplier en milieu de

parcelle) et d’améliorer les pratiques agricoles (retard de l’enfouissement des

pailles à l’automne) pour diminuer les concentrations en nitrate dans le ruisseau.

L’objectif de ce genre d’initiative est de conserver le mode et type de production

agricole, tout en minimisant son impact sur la qualité de l’eau par une batterie de

mesures expérimentales.

L’évaluation de l’efficacité de ces mesures est, comme partout ailleurs, délicate à

faire, et les gestionnaires institutionnels comme les chambres d’agriculture locales

et l’agence de l’eau Adour-Garonne, sont demandeurs d’une évaluation des pro-

grammes de prévention et de restauration qu’ils ont financés. Les investissements

conséquents qui y ont été engagés doivent prouver leur efficacité face à des mesures

dites curratives, qui ne suppriment pas le problème, mais ont le mérite d’être plus

simples à évaluer économiquement (usines de décontamination des eaux potables,

filtres biologiques dans les rivières...).

Ce travail de thèse a été effectué en articulation avec un projet LIFE-environnement

européen, nommé CONCERT’eau (http : //concerteau.ecobag.org) visant à déterminer

des mesures de remédiation pour réduire la pollution en nitrates et en pesticides

dans l’eau, en tenant compte de la viabilité économique et de l’acceptabilité sociale

de ces mesures. Pour ce faire, le projet a rassemblé les acteurs du monde rural

afin de définir collégialement des mesures appropriées allant dans le sens de l’ob-

jectif du projet : la diminution des pressions agricoles pour améliorer la qualité

des eaux. Afin d’évaluer la faisabilité et l’efficacité de chaque orientation agricole

(ou scénario), des modèles économiques, sociologiques et environnementaux issus

de la recherche scientifique sont utilisés pour l’élaboration d’indicateurs. C’est en

associant ces trois types d’indicateurs à une discussion entre acteurs que les scé-

narios sont comparés. Cette plateforme collaborative est un exemple de l’applica-

tion directe des modèles scientifiques environnementaux interdisciplinaires mis au

point pour comprendre le fonctionnement des agro-hydrosystèmes.

4


0.1.4 Contexte scientifique

a - L’excédent de nitrates

Le contrôle de la pollution en nitrate a été l’une des premières problématiques

abordée pour tendre vers un meilleur contrôle des pressions agricoles sur la

qualité de l’eau, initialement mis en évidence par le rapport Hénin de 1980 sur

les nitrates dans les eaux des rivières françaises. Le cycle de l’azote est en effet

bien connu à l’échelle de la parcelle agricole [Recous et al., 1997] ainsi que les

dynamiques de transfert vers les cours d’eau et les aquifères [Whelan et Kirkby,

1995], mais l’interaction directe entre l’utilisation des sols, les pratiques agricoles

et la pollution en nitrate de l’eau n’est pas évidente, dans le temps et l’espace.

Les dynamiques de l’azote dans un paysage sont fortement variables suivant les

contextes hydro-climatiques et pédologiques [Vagstad et al., 2004]. De plus, les

processus internes naturels du cycle de l’azote peuvent être dominants comparé

aux modifications externes comme les intrants azotés agricoles [Webb et Walling,

1985].

L’étude de l’azote se fait généralement à l’echelle d’un bassin versant. Pour

rappel, un bassin versant est une entité hydrologique dont la surface est drainée

par un exutoire. Autrement dit, c’est l’ensemble des versants orientés de telle

sorte que l’eau de pluie qui percole dans les sols et arrive à la rivière passe au

point exutoire. Ainsi, on définit un bassin versant en choisissant un point exutoire

au niveau de la rivière. Les transferts d’azote étant liés fortement aux transferts

d’eau (l’ion nitrate étant hydrophile), cette échelle hydrologique permet de calculer

des bilans entrées-sorties des flux d’azote. C’est également à cette échelle que les

modèles de qualité de l’eau simulent le cycle de l’azote.

Pour estimer l’impact des pratiques agricoles sur la pollution azotée des eaux,

des campagnes de mesures sur le terrain sont nécessaires pour quantifier à la

fois les flux d’eau et les flux d’azote dans les bassins versants. Des chroniques

d’observation à long terme sont nécessaires pour comprendre les tendances et les

évolutions des mesures de terrain [Park et al., 1994]. Mais elles ne suffisent pas

toujours à conclure sur l’évolution de la qualité et face aux coûts importants que

représentent ces suivis, la modelisation de la qualité de l’eau à l’échelle des bassins

versants s’est imposée comme un outil utile pour comprendre et prévoir l’évolution

5

de la qualité de l’eau.

La première estimation faite par ces modèles est l’excédent d’azote dans le sol,

à l’échelle d’une colonne de sols ou de la parcelle, dépendant principalement de la

dynamique de :

– la consommation de l’azote par les plantes

– la minéralisation nette

– la dénitrification

D’autres processus peuvent être pris en compte pour affiner la description du cycle

de l’azote : la volatilisation de l’engrais minéral, la prise en compte des différentes

autres formes d’ions azote (ammonium NH+4 , ammoniac NH3, nitrite NO−

2 ) ou la

fixation symbiotique de l’azote atmosphérique (N2). Ces processus peuvent se

révéler être plus ou moins importants suivant les contextes d’étude.

L’excédent d’azote à la parcelle est lessivé avec l’eau percolée à travers le sol.

Ces flux dépendent donc fortement des conditions hydriques des sols au moment

où le nitrate est en excès. Il existe de nombreux moyens d’action afin de contrôler

les fuites de nitrate sous les parcelles agricoles. En effet, nombreux travaux réalisés

à l’échelle de la parcelle ont montré que l’influence des systèmes de cultures (type

et rotation des cultures, fertilisation et irrigation, gestion des résidus de récolte) et

du contexte pédoclimatique sur la lixiviation des ions nitrates étaient importants

[Gaury, 1992; Simmelsgaard, 1998]. L’intégration de ces flux parcellaires à l’échelle

des bassins versants n’est pas directe : les processus hydrologiques impliqués dans

les transferts de nitrate à cette échelle sont complexes et très différents suivant les

régions. Ils dépendent généralement :

– des propriétés hydriques des sols

– de la topographie

– du climat (pluie, évaporation, températures)

– des propriétés et capacités des aquifères

On a alors recours à des couplages entre des modèles à la parcelle (exemple :

SOILN, LEACHN, CREAMS, GLEAMS) ou même des modèles de développement

des cultures (modèles agronomiques) comme EPIC [Williams et al., 1984] ou STICS

[Brisson et al., 1998] et des modèles hydrologiques de bassins versants (exemple :

TOPMODEL, SHE...). Certains modèles couplés agrègent simplement les résultats à

la parcelle, puis prennent en charge le nitrate percolé dans les différents réservoirs

simulés (exemple : SWAT, ANSWERS...) jusqu’à la rivière. D’autres qualifiés de

6


modèles physiques spatialisés ou mécanistes distribués (exemple : SHETRAN,

MIKE SHE, TNT2) prennent en compte les processus de manière distribué dans

le bassin en calculant les transferts et transformations d’azote à l’échelle d’unité

spatiale. La distribution des processus pose des problèmes généraux comme

la représentativité des processus souvent étudiés à l’échelle du profil de sol et

appliqués à l’échelle du champ par exemple ou encore la mesure locale de certains

paramètres utilisés à des échelles plus larges [Ball et Trudgill, 1995]. L’utilisation

de tels modèles est tout de même considérée comme intéressante, si on accepte de

restreindre l’interprétation aux tendances plutôt qu’à une simulation parfaite des

phénomènes dans l’espace et le temps [Beaujouan, 2001].

Cette voie de modélisation est utilisée pour tous types de contexte et de pollu-

tion agricole. Cette approche a pour but de simuler les pertes d’azote nitrique du

système cultural, le transfert de la lixiviation dans l’hydrosystème ainsi que les dy-

namiques de concentration de l’eau des rivières et les flux de nutriments associés.

Beaudoin et al. [2008] montrent que le modèle agronomique STICS a la capacité de

tenir compte de l’effet des pratiques agricoles et du climat sur plusieurs décennies

pour simuler les flux d’azotes dans l’agro-système. Les modèles couplés ont donc

été développés et utilisés depuis les années 80 (exemple : SOILN, WAVE, LEACHN,

CREAMS, SLIM...) pour simuler le cycle de l’azote à l’échelle de la parcelle et les

transferts de nitrates à l’échelle du bassin versant, comme ANSWERS [Beasley

et al., 1980]. Un petit nombre de modèles ont la capacité de simuler les dynamiques

et les intéractions spatiales des transferts d’azote nitrique dans les versants comme

CATCHN [Cooper et al., 1994], CWSS [Reiche, 1994], DAISY/MIKE-SHE [Styczen et

Storm, 1993; Christiaens et Feyen, 1997; Refsgaard et al., 1999], NMS [Lunn et al.,

1996] et INCA [Whitehead et al., 1998; Durand, 2004; Granlund et al., 2004].

D’autres approches, entièrement distribuées, c’est à dire que l’espace est entiè-

rement discrétisé, sont développées : le modèle Topography Nitrogen Transfer and

Transformation (TNT2) [Beaujouan et al., 2002] a été développé pour simuler l’émis-

sion d’azote nitrique des zones rurales et le modèle Diffuse Nitrate Modelling Tool

(DNMT) [Liu et al., 2005] simule l’azote lixivié des eaux d’égout des zones urbaines.

Ces deux modèles sont dérivés de l’approche hydrologique de TOPMODEL [Beven,

1997] pour simuler les flux d’eau à l’échelle du bassin versant. Un modèle 3D, le

modèle SHETRAN [Birkinshaw et Ewen, 2000], simule le transfert et la transforma-

tion de l’azote nitrique basé sur les équations d’advection dispersion, permettant

de modéliser des bassins versants inférieurs à 10km2. Ces approches distribuées

7

sont souvent associées à des temps de calcul long et ne sont pas applicables à des

échelles plus grande.

Un autre type d’approche, semi-distribuée, est reconnue pour simuler de ma-

nière correcte les transferts d’azote nitrique dans les rivières, utilisant le couplage

de modèles agronomiques avec des modèles hydrologiques semi-distribués [Borah

et Bera, 2004; Li et al., 2004]. Soil Water Assessment Tool (SWAT) [Arnold et al.,

1998] est un modèle qui a été utilisé dans de nombreuses études à travers le monde

pour simuler les transferts de nitrates dans de larges bassins versants [Grizzetti

et al., 2003; Santhi et al., 2006; Abbaspour et al., 2007; Pohlert et al., 2007b; Bou-

raoui et Grizzetti, 2008] comme dans de plus petits [Green et Van Griensven, 2008].

Cette approche est alors interessante pour modéliser des bassins versants de taille

régionnale, tout en intégrant les informations spatiales (occupation du sol, pédolo-

gie, climat...) et temporelles (pratiques agricoles, climat, évolution de l’occupation

du sol) dans des sous-bassins versants dont la taille est fixée par le modélisateur.

b - Objectifs

La principale question scientifique de ce travail est de connaître la contribution

des sources anthropiques d’azote nitrique dans les variations des concentrations

de nitrate mesurées depuis 1985 sur un petit bassin versant agricole gascon sur

lequel ont été mis en place dès 1992 des mesures agri-environnementales pour

diminuer les concentrations en nitrate. Les chroniques de mesures de débit et de

concentration en nitrates obtenues depuis 1985, bien que complètes, ne sont pas

suffisantes pour estimer l’impact agricole sur la qualité de l’eau. On a donc choisi

d’estimer tout au long de la période suivie le cycle et les principaux transferts

d’azote minéral au sein du bassin versant par modélisation semi-distribuée (SWAT

Arnold et al. [1998]) et distribuée (TNT2 Beaujouan et al. [2002]). Cette méthode

permet de prendre en compte année par année l’évolution de l’occupation des sols

et des itinéraires techniques agricoles, jour par jour l’évolution du climat et la

croissance des plantes, et la spatialisation des propriétés du sol.

L’objectif principal est ici d’utiliser ces modèles pour simuler la variation des

transferts de nitrate dans le bassin versant en fonction des modifications agricoles

réalisées ou de différents scénarii. Le manuscrit se décompose en quatre parties

logiquement reliées les unes aux autres.

8


L’approche du bilan du cycle de l’azote nécessite de quantifier les flux de

nitrates à la sortie du bassin versant à partir des mesures de débits en continu

et des mesures ponctuelles de concentrations en nitrate. La première partie de

ce manuscrit présente le site d’étude, la problématique nitrate d’origine agricole

et le suivi historique qui y a été fait sur le bassin de 1985 à nos jours. Il y est

aussi présenté un protocole de mesure en continu de la concentration en nitrate

à l’exutoire du bassin versant expérimental d’Auradé (Gers, SW France). La base

de données acquise dans cette thèse a permis de calculer les erreurs possibles des

méthodes classiques d’estimation des flux de nitrate à l’exutoire sur une période de

mesure. Ce travail est présenté sous la forme d’une publication soumise à Water

Ressources Research et intégrée à ce chapitre.

Le deuxième chapitre présente l’application de deux modèles agro-

environnementaux, l’un semi-distribué (SWAT), l’autre distribué (TNT2) ayant

un même objectif mais utilisant des approches différentes. Le calage des modèles

et les résulats et conclusions de leur application sont présentés dans ce chapitre

sous la forme d’une publication soumise à Journal of Hydrology. Le calage des

modèles y est discuté par rapport aux résultats du premier chapitre.

Le troisième chapitre utilise les conclusions du deuxième chapitre pour justifier

l’utilisation de TNT2 pour tester des scénarios agricoles à l’échelle du petit bassin

versant d’Auradé. L’aménagement du paysage et les changements d’itinéraires

techniques produits à partir de 1992 sur le bassin versant (décrits dans le 2ème

chapitre) sont évalués ici par modélisation. Un autre scénario agricole teste l’intérêt

des CIPAN sur la qualité de l’eau de rivière.

Le quatrième chapitre illustre l’importance relative des conclusions de l’expé-

rimentation virtuelle effectuée à l’échelle locale, en utilisant le modèle SWAT pour

estimer l’importance des processus étudiés à cette échelle sur la qualité de l’eau à

l’exutoire du bassin versant de la Save.

Une conclusion générale récapitule les enjeux, intérêts et limites de l’utilisation

de la modélisation spatialisée agro-environnementale dans la gestion de la qualité

des ressources en eau, ainsi que les principales perspectives de ce travail.

9

Chapitre 1

Mesure des teneurs en nitratedans la rivière

Ce chapitre présente le bassin versant qui sert de support à cette étude et les

bases de données acquises (débits et concentrations en continu) durant la durée de

ce travail. Il illustre la variabilité du signal de concentration en nitrates à l’exutoire.

Les écoulements contributifs au ruisseau sont extrèmements variables suivant les

saisons et les événements hydrologiques ; les concentrations varient également plus

ou moins rapidement en fonction de ces différents types d’écoulements. Nous pré-

sentons ici une méthode afin d’évaluer l’erreur faite sur le calcul des flux par sous

échantillonnage classique des concentrations de nitrate sur une période de mesure

de deux ans (2006-2008).

11

Mesure des teneurs en nitrate dans la rivière

1.1 Site d’étude : le Montoussé à Auradé (Gers)

1.1.1 Présentation générale et localisation

Le bassin versant du Montoussé situé à Auradé (Gers), appelé par la suite bas-

sin versant d’Auradé) a une superficie de 335 ha dont 90% sont utilisés pour des

besoins agricoles. Il s’inscrit dans un ovale de 3 Km de long et 1,6 km de large,

orienté d’Est en Ouest. L’altitude varie de 276 à 172m soit un dénivelé de 104m. La

pente moyenne avoisine les 9% mais peut atteindre localement 28% (tableau 1.2).

Le Montoussé est un ruisseau affluent de la Boulouze qui se jette dans la Save,

elle-même affluent rive gauche de la Garonne. Il est localisé en Gascogne, une

région dominée par l’agriculture (figure 1.2).

1.1.2 Hydrologie et climat

Le département du Gers subit les influences climatiques de l’océan Atlantique,

et de manière plus atténuée, de la Méditerranée. Les précipitations et les lames

d’eau écoulées sont extrèmement variables d’une année sur l’autre (tableau 1.1).

Les lames d’eau de pluie, les lames d’eau écoulées et les températures mensuelles

moyennes calculées pour la période 1985 à 2001 sont présentées sur la figure 1.1.

Le maximum des débits intervient au début de l’hiver, mais le printemps reste une

période où les débits sont importants, parfois même jusqu’en Juin. L’été reste très

sec avec, certaines années, un assèchement total.

1.1.3 Pédologie et géomorphologie

L’ensemble du bassin est situé sur une roche mère hétérogène, portant le

nom de ’molasse’. Celle-ci est de nature détritique et constituée de matériaux

hétéroclites, provenant de l’érosion de la chaine des Pyrénées et déposés sur un

large cône de déjection en aval de Lannemezan (environ 8000 km2), durant le

Miocène. Sa composition varie fortement, même à l’échelle du bassin versant,

en termes de granulométrie (molasse limoneuse à sableuse), de chimie (très

fortement calcaire à acide) et de faciès (ocre à bariolée). Les sols sont souvent

superficiels en haut de versant et beaucoup plus profonds aux abords du réseau

hydrographique. Les Rendosols, Calcosol et Calcisols sont fréquemment rencontrés

mais sont juxtaposés à des Brunisols plus acides et souvent riches en éléments

12

1.1 Site d’étude : le Montoussé à Auradé (Gers)Graph3

Page 1

0

10

20

30

40

50

60

70

80

Oct. Nov. Dec. Janv. Fev. Mars Avr. Mai Juin Juil. Août Sept.

Lam

e d'

eau

en m

m, T

empé

ratu

res

en °C

PluieLame écouléeTempérature

FIGURE 1.1 – Moyennes mensuelles des lames d’eau de pluie, lames d’eau drainée, tempé-ratures observées sur 17 années (1985-2001) à Auradé.

grossiers (Quartzites) et à quelques Luvisols [Bur, 2008]. L’important taux d’argile

couramment présent dans les sols du bassin est à l’origine d’une terre lourde

communément appelée ’Terreforts’. Cet ensemble forme un substrat relativement

imperméable et peu profond. Aucune nappe importante n’a été trouvée, exceptées

quelques lentilles sableuses ou inclusions intramolassiques, caractérisées par

une texture grossière qui permettent de soutenir certaines sources et créent des

mouillères en milieu de versant [Ribeyreix-Claret, 2001].

1.1.4 Historique du suivi expérimental

Ce site a été étudié par AZF (maintenant GPN-TOTAL) depuis 1985 afin de suivre

l’impact des fertilisants azotés sur la qualité de l’eau de rivière. Un suivi des débits

journaliers et des concentrations en nitrates a été assuré par AZF jusqu’en 2004.

L’Association des Agriculteurs d’Auradé a depuis 1992 pris en charge la collecte des

données agricoles (assollement, fertilisants et itinéraires techniques, traitements

pesticides depuis 2004). Depuis 2005, ECOLAB est en charge du site avec un suivi

des précipitations, des débits et des concentrations en nitrates en partenariat avec

GPN-TOTAL (convention amiable renouvellée chaque année). Le protocle de me-

13


TABLE 1.1 – annual water balance of the study periodYear annual rainfall (mm) discharge/rainfall(%)1986 497 201987 595 131988 700 181989 399 171990 490 61991 773 111992 729 141993 844 271994 778 331995 623 221996 689 171997 643 151998 570 71999 679 72000 730 122001 759 15

sures est décrit dans ce chapitre. Les bases de données hydrologiques, occupation

des sols, itinéraires techniques, pedologiques existantes sur ce site, et utilisées

pour la modélisation sont présentées dans le chapitre 2.

1.2 Protocole de suivi des concentrations

1.2.1 Problématique scientifique

La mesure d’un flux dans une rivière se fait généralement en mesurant le

débit comme une variable continue, et les concentrations d’un élément comme

une variable ponctuelle. L’incertitude dans le calcul du flux réside alors dans

l’intégration de la concentration comme une variable continue. Pour les nitrates,

il est reconnu que la valeur est assez stable lorsque les débits le sont. Pionke

et al. [1999] fait état d’études témoignant de bassins versants pour lesquels une

augmentation systématique des concentrations en hiver est observée, quelle que

soit la taille du bassin [Whelan et Kirkby, 1995; Burt et Arkell, 1987; Schnabel

et al., 1993] ou l’occupation du sol [DeWalle et Davies, 1997; Murdoch et Stoddard,

1992]. Sur le bassin versant d’Auradé, cette augmentation durant les débits d’hiver

est observée depuis longtemps sur le suivi historique, c’est ce qu’appelle Martin

[2003] un ’cycle classique’, c’est à dire un cycle saisonnier marqué par une forte

14


±

0 460 920 1 380 1 840230Meters

Save catchment Landuse

Forest area

Agricultural area

Urban area

Aurade catchment

River

Subasin

Kilometers0 10 205

Landuse of Aurade catchment

FIGURE 1.2 – Localisation du bassin versant d’Auradé dans le bassin versant de la Save.L’occupation du sol sur la Save est dérivée de Corine Land Cover 2000. Le linéaire duMontoussé est ajouté sur une photo aérienne représentant le parcellaire d’Auradé (cartoex-plorer ; IGN). Les parcelles blanches correspondent à du sol nu (blé récolté), les autres sontrecouvertes de tournesol.

15


TABLE 1.2 – Characteristics of the Auradé catchment. Information on topographyis derived from the DEM, land use distribution is computed from aerial photo (Car-toexplorer IGN) and climate data are an in situ measurement.Parameter Value Parameter ValueTopography Land useArea 3.35km2 Cultivated crop 86%Max elevation 276m a.s.l. Pasture 2.1%Mini elevation 172m a.s.l. Grass/Poplar band 2.5%Mean slope 9.3 Forest 5.2%Max slope 28.8 Residential area 4.2%Climate River loadAnnual rainfall 656.5mm Mean [No−3 ] 11mgN.l−1

Annual discharge 106.9mm Max [No−3 ] 32.2mgN.l−1

Annual temperature 14.5◦ Celsius No−3 river load 13.3 kgN.ha−1.y−1

teneur en azote durant les périodes de fort drainage. Hormis cette variation sai-

sonnière, il a été observé à l’échelle horaire de fortes variations des concentrations

lors des événements pluvieux de cette période hivernale fortement drainée. Les

concentrations journalières de la période 1985-2001 sont présentées sur la figure

2.1 du chapitre 2, page 54. Cette figure illustre la variabilité des concentrations en

fonction des saisons et des évènements hydrologiques au pas de temps journalier.

Ce phénomène rend difficile un bon échantillonnage de la concentration en ni-

trate au cours de ces événements. Les quelques crues majeures déjà observées

présentent une variation de concentration comme suit :

– une partie rapide des écoulements par ruissellement explique une diminution

de la concentration plus ou moins longue et intense

– une partie plus lente des écoulements par réessuyage de sols ou écoulement

latéral qui explique une augmentation des concentrations

– un retour à la concentration d’avant l’événement pluvieux, concentration de

la nappe.

Chaque étape de variation est plus ou moins intense, parfois peu marquée ou in-

existante (pas de pic de concentration par exemple). Des exemples de ces variations

sont montrées sous forme d’hystérésis dans la figure 1.7. Quelle est donc l’incerti-

tude dans le calcul des flux de nitrate à l’exutoire de ce bassin versant par rapport

à la méthode employée ? C’est pour répondre à cette question que le protocole de

mesure en continu a été adopté.

16


1.2.2 Stratégie d’échantillonnage

a - Utilisation de sondes nitrates Ion Spécifique

Le laboratoire ECOLAB assure en partenariat avec GPN-TOTAL les mesures de

débits et les concentrations en nitrates dans le ruisseau afin d’assurer la continuité

dans les relevés engagés dès 1985. La stratégie abordée est de mettre en place un

protocole de mesure de nitrate avec une sonde YSI 6920 EDS équipée d’une élec-

trode ion spécifique (ISE). La sonde elle-même mesure également le pH, la conduc-

tivité, la turbidité, la teneur en O2 dissous et la température, ainsi qu’une pression.

La sonde étant fixée au niveau du seuil, le différentiel de pression est converti en

différence de hauteur d’eau. Les électrodes ISE nitrates ont déjà été utilisées pour

le suivi long terme des paramètres physico-chimiques dans des estuaires [Chapin

et al., 2004] ou encore pour des bilans biologiques à court terme dans un tronçon

de rivière [Pellerin et al., 2009]. Le problème majeur est que ce genre d’électrode est

très sensible à une dérive dans l’interprétation du potentiel électrique mesuré. Il

faut donc les recalibrer souvent, les changer (6 mois) et surtout évaluer la qualité

de la mesure.

b - Protocole d’échantillonnage d’accompagnement

Pour ce faire, et dans le but d’explorer l’utilité et la fiabilité des valeurs fournies

par ce type de sondes in situ, un protocole d’accompagnement est mis en place. Un

préleveur Ecotech sampler AWS2002 (Bohn, Germany) est connecté à la sonde. Il lit

les paramètres mesurés par celle-ci en continu, et enregistre une valeur avec un pas

de temps donné (ici toutes les 10 minutes), paramétré par l’utilisateur. Ce préleveur

déclenche un prélèvement si un δH de hauteur d’eau est franchi, c’est à dire que si

l’eau monte (début de crue), un prélèvement se fera tous les δH de hauteur d’eau

(paramétré par l’utilisateur), que ce soit à la montée ou à la descente de crue.

Ainsi, en parallèle de l’information de concentration en nitrate haute fréquence

(10 minutes) fournie par la sonde, des prélèvements d’eau correspondant à des

moments stratégiques de la crue pourront être choisis pour l’analyse en laboratoire,

à la lecture des valeurs de la sonde. Ainsi, la dérive potentielle de la sonde est

vérifiée, et les crues sont systématiquement échantillonnées.

Pour avoir un échantillon se rapprochant au maximum de l’état initial du cours

d’eau avant la crue, un préleveur ISCO 3600 est programmé pour prendre un

échantillon par jour, à heure fixe. La figure 1.3 montre un échantillonnage de crue

17


FIGURE 1.3 – Dispositif mis en place à l’exutoire d’Auradé pour l’acquisition d’une basede donnée en continu des concentrations en nitrates dans la rivière. Dispositif actif depuismai 2006.

théorique pour lequel ce protocole est prévu. Une visite par semaine est ensuite

faite afin d’assurer la maintenance du site, vider et remplacer les flacons inutiles

prélevés et choisir ceux à garder, au regard des événement hydrologiques enre-

gistrés par la sonde : les échantillons ECOTECH sont sélectionnés en fonction de

l’allure des données nitrates de la sonde pendant la crue, puis deux échantillons

ISCO correspondant l’un à l’état avant la crue, l’autre à l’état après la crue sont

choisis. Un échantillon par semaine est systématiquement prélevé à la main lors

de la visite. Si il n’y a pas eu d’événements hydrologiques et si la sonde ne montre

pas de signe de dérive, alors c’est cet intervalle hébdomadaire qui est assuré pour

ce suivi. Les échantillons sont conservés au froid avant analyse. Les échantillons

sont susceptibles de demeurer quelques jours dans le préleveur, entre deux vi-

sites hebdomadaires. Un effort a tout de même été fait pour les crues majeures,

lors d’épisodes pluvieux où le nombre d’échantillons prélevés par le préleveur ECO-

TECH était conséquent afin de récupérer dès la fin de l’événement les échantillons.

18

1.3 Enregistrements bruts et prétraitements


1.3.1 Les débits

L’exutoire d’Auradé est équipé depuis le début des suivis (1985) d’un seuil en

béton et d’un limnigraphe à flotteur. Il a servi à mesurer les débits sur papier

millimétré, la mesure étant reportée à la journée dans une base de données de

hauteur d’eau. Cette hauteur d’eau est ensuite convertie grâce à la courbe de tarage

suivante :

V = a× (H/1000)b × δT (H)× 3600 (1.1)

avec V le volume d’eau en m3 pour le pas de temps de mesure, H la hauteur d’eau

dans le seuil en mm, δT(H) le pas de temps durant lequel H est constant, a = 2.286307

et b = 2.275. Cette courbe de tarage a été ensuite corrigée par des tarages faits par

la DIREN permettant d’affiner l’estimation des débits en basses eaux à partir de

la mesure des hauteurs d’eau. Au delà de 40 cm de hauteur d’eau (285 l.s−1), le

tarage n’est plus valable et il est difficile de connaitre la lame d’eau équivalente à

la hauteur mesurée. Les hauteurs d’eau mesurées ont dépassée ce seuil 6 fois sur

la période d’étude de 2 ans, au cours de pics de crue limités dans le temps (voir la

figure 1.5). C’est avec cette équation que l’on a converti les hauteurs mesurées par

la sonde en volume d’eau.

1.3.2 Les concentrations en nitrates

Le protocole de mesure a permis d’obtenir une base de données de 105896

concentrations et hauteur d’eau associée, correspondant à une période de 120766×10minutes = 2, 3ans. Le nombre d’échantillons prélevés selon le protocole d’accom-

pagnement (nommé par la suite ’mesure-HPLC’), prélèvements hebdomadaires (à

la main) ou exceptionnels (ISCO ou ECOTECH), s’élèvent à 279. Cette série tem-

porelle de mesures HPLC, obtenues par analyse chimique de l’eau (HPLC, chroma-

tographie liquide) est relativement conséquente et constitue à elle seule un effort

d’échantillonnage important. Cela s’est justifié pour valider les enregistrements de

la sonde, même si un effort pour diminuer le nombre d’échantillons prélevés est

envisagé pour la suite de cette expérimentation.

19


La figure 1.4(a) présente le signal obtenu avec la sonde après recalage

des valeurs enregistrées par rapport aux mesures HPLC. Un rapport mesure-

sonde/mesure-HPLC est calculé pour chaque point de mesure-HPLC. Nous faisons

varier linéairement ce rapport entre deux mesures-HPLC, afin d’avoir un rapport

pour chaque pas de temps de 10 minutes. Ce rapport est alors utilisé pour calculer

la valeur sonde théorique pour chaque intervalle de temps.

Le signal ainsi obtenu est perturbé, certaines périodes de faibles amplitudes de

variation présentent des oscillations dans le signal attribuées à la précision de 10%

de la mesure de la sonde. Il a été choisi d’appliquer une convolution dans le signal

pour les périodes de basses amplitudes (étiages notamment) tout en conservant le

même signal pour les amplitudes les plus fortes (crues notamment). ces dernières

périodes n’ont pas ce problème de signal ’bruité’. De plus, les périodes sans mesure-

sonde sont enlevées du signal, afin de réaliser l’analyse de sous échantillonnage du

signal sans le biais de la longueur de ces périodes. La figure 1.4(b) présente le signal

ainsi obtenu. Ce pré-traitement du signal brut permet une plus grande clarté dans

les figures, mais nous avons pris la peine de vérifier que les conclusions de l’analyse

qui est faite dans la prochaine section ne sont pas influencées par ce traitement.

20


FIGURE 1.4 – Chroniques de concentrations de N-NO−3 à l’exutoire d’Auradé. (a) donnéesbrutes recalées par rapport aux analyses en laboratoires. Les trous correspondent à despériodes de non fonctionnement de la sonde. (b) données recalées par rapport aux analysesen laboratoire et convoluées pour les périodes d’étiages. Les périodes sans données sondessont enlevées du signal.

21


1.4 Nitrate concentration signal processing to study

stream load estimation error in a small agricultural

catchment

Sylvain FERRANT 1 2, Christophe LAPLANCHE 1 2, Gaël DURBE 1 2, Anne

PROBST 1 2, Philippe DUGAST 3, Patrick DURAND 4, Jose Miguel SANCHEZ-PEREZ 1 2

and Jean-Luc PROBST 1 2

Les résultats présentés ci-après ont fait l’objet d’une publication qui a été

soumise à Hydrological Processes.

1. Université de Toulouse ; UPS, INPT ; Laboratoire d’Ecologie Fonctionnelle EcoLab ; ENSAT, Ave-nue de l’Agrobiopole - BP 32607 Auzeville-Tolosane - F 31326 Castanet-Tolosan Cedex - France

2. CNRS ; Ecolab,ENSAT, Avenue de l’Agrobiopole - BP 32607 Auzeville-Tolosane - F 31326Castanet-Tolosan Cedex - France

3. GPN ; 16-32 rue Henri Régnault, 92902 Paris La Défense Cedex - France4. INRA-Agrocampus Rennes 65 Route de Saint Brieuc CS 84215 35042 Rennes Cedex, France

22

1.4 Nitrate concentration signal processing to study stream load estimation error in asmall agricultural catchment

Résumé

L’estimation des flux de nutriments dans les rivières est d’un intérêt crucial pour

comprendre l’impact des fertilisants agricoles sur la qualité des eaux de rivière. Les

concentrations en nitrates d’une rivière d’un petit bassin versant expérimental ont

été mesurées avec une haute fréquence de résolution sur une période de plus de

2 ans (2006-2008). L’occupation du sol de ce bassin versant de 3.5 km2 est do-

minée par des grandes cultures fertilisées, les débits de la rivières sont très sen-

sibles aux événements pluvieux. L’objectif de cette étude est de quantifier les flux

de N-NO−3 à l’exutoire avec un échantillonnage haute fréquence pour calculer les er-

reurs d’estimations faites avec les échantillonnages classiquement utilisés dans ce

genre de bassins et proposer des stratégies optimales d’échantillonnage. Le signal

hauteur d’eau et le signal nitrate mesuré en continu ont été sous-échantillonnés

par intervalles réguliers, une méthode sous-echantillonnant les débits ainsi que

les concentrations (protocole M1), une méthode ne sous-échantillonnant que les

concentrations (protocole M2). Les deux méthodes d’échantillonnage ont été éva-

luées par rapport à l’intervalle d’échantillonnage, à la méthode d’interpolation, et

aux conditions hydrologiques sur la base de la dispersion de l’erreur (différence

entre le flux mesuré et le flux estimé par la méthode) et le biais de l’erreur.

M1 est moins précis que M2 (respectivement 75% et 12% de dispersion maxi-

male) mais peut être utilisé pour des programmes de mesures à court terme si des

échantillonnages à haute fréquence sont envisageables. La dispersion de l’erreur

est plus importante pendant les crues avec la méthode M2 (23 %) et une fréquence

d’échantillonnage trop importante (infra jour) donne une surrestimation systéma-

tique (biais autour de 3 %). L’interpolation linéaire est plus précise. Pour limiter la

dispersion de l’erreur et le biais en dessous de 10%, un intervalle d’échantillonnage

de maximum 40 heures est préconisé avec la méthode M2 et de 4.3 heures avec la

méthode M1. Le protocole in situ utilisé pour échantillonner les concentrations en

nitrate permet de minimiser l’erreur sur les flux (erreur inférieure à 1%).

23


Abstract

Estimation of nutrient loads is of crucial interest in assessing the impact of agri-

cultural fertilizers on stream water quality. Nitrate concentrations were measured

with high frequency sampling over 2 years (2006-2008) in a small experimental

catchment. The land use of the 3.5 km2 drainage basin is dominated by fertilized

crops and the stream hydrograph is event-responsive. The objectives of this study

were to quantify N-NO−3 losses at the outlet with high frequency sampling, estimate

errors made with different sampling methods and propose optimal sampling stra-

tegies. The continuous nitrate concentration signal recorded was subsampled with

regular sampling strategies, one of which subsampled discharge and concentration

(protocol M1), the other only concentration (protocol M2). Both sampling strategies

were evaluated in terms of sampling interval, interpolation method and hydrologi-

cal conditions on the basis of error (difference between true and estimated load)

dispersion and bias.

M1 was less accurate than M2 (75% and 12% of maximum dispersion, respec-

tively) but could be used for short-term monitoring with high frequency sampling.

Error dispersion was more important during flood events with M2 (23 %) and high

frequency sampling (within-day) gave systematic overestimation (bias around 3%).

Linear interpolation was generally more accurate. To limit error dispersion and bias

to under 10%, a fixed sampling interval of about 40 hours is required for M2 and of

about 4.3 hours for M1. The in situ protocol used to sample nitrate concentration

as function of water level minimized sample numbers. An error less than 1% was

assumed.

1.4.1 Introduction

Excess nutrient loads applied to agricultural fields are considered to be the lar-

gest source of nitrogen emissions in European fresh water. Nitrate concentrations

in groundwater and stream water are a matter of concern for Western countries

and environmental management policies aim to decrease or maintain concentra-

tions below the 50 mg.L−1 threshold for drinking water. National monitoring pro-

grammes have been put in place to measure nitrate concentrations in water bodies

over a long time period. In contrast, scientific programmes tend to study the direct

impact of fertilizers used in agriculture on nitrogen concentrations in stream water.

To this end, small agricultural catchments with shallow aquifers have been consi-

24


dered to study the fate of agricultural nitrogen [Vagstad et al., 2004], although the

time of transfer is variable. Nutrient concentrations and discharge are measured

at catchment outlet to evaluate nutrient losses in stream water. For most streams,

water samples are collected at variable frequencies within monitoring periods of

different duration to estimate the total nutrient losses in the stream. Most investi-

gations relating concentration of chemicals in surface water to the corresponding

loads applied to land are based on data from routine periodic sampling at 1 or 2

week intervals during low flow periods and more frequently during storm events

[Edwards, 1973; Johnson et al., 1976; Arheimer et al., 1996]. Other studies point

out that a better estimate of nutrient losses is obtained when the variation in di-

scharge between two collected samples is taken into account in loss estimation

[Littlewood, 1995]. Thus, extreme discharge variations such as flood events have to

be surveyed in order to increase the precision of stream load evaluation. However,

the relative importance of each storm event for total nitrogen losses is dependent on

the study site and hydrological year. Some studies evaluate sampling strategies of-

ten used in monitoring programmes to calculate loads of various nutrients passing

through a gauging station in large or small rivers [Stevens et Smith, 1978; Fergu-

son, 1986; Kronvang et Bruhn, 1996; Moatar et Meybeck, 2005; Quilbè et al., 2006].

The difficulty in calculating loads based on discrete sampling lies in transforming

measured discrete concentration into a continuous variable. Guo et al. [2002] re-

view several load calculation methods found in the literature, generally divided into

the four broad categories averaging, ratio, regression and planning level load esti-

mators [Quilbè et al., 2006]. Averaging estimators use averages as representative

measures of discharge, concentration or load for a given time interval, and add up

these variables over the year. Ratio estimators statistically relate discharge data

as the auxiliary variable and load as the dependent variable [Cochran, 1977]. This

method is used where few concentration data are available [Richards et Holloway,

1987], and has been mandated for use in the Great Lakes region (Canada-US) by

the International Joint Commission. Regression methods, and their resulting rating

curves [Walling et Webb, 1988], define an empirical relationship between discharge

and concentration. Such methods have been applied for large-scale rivers, where

concentration and flow are assumed to follow a bivariate log-normal distribution.

The same relationship could be established between discharge and loads [Kattan

et al., 1987]. The reliability of any estimation method is usually assessed in terms

of both the bias and variance of a particular sampling strategy. Bias measures drift

of the estimated flux distribution centre from the reference value, while variance re-

flects how tightly the distribution of the estimate is clustered about its centre [Wal-

25


ling et Webb, 1981]. In the case of an intensive sampling protocol, sub-sampling

uses dense observation time series and recreates sample series that would have

been obtained with less frequent sampling. It has been used for studying optimal

sampling frequency and accuracy calculation methods for suspended matter during

storm runoff events [Walling et Webb, 1981; De Vries et Klavers, 1994; Robertson

et Roerish, 1999; Horowitz, 2003] and for estimation of nutrient, heavy metal and

pesticide loads for sampling intervals ranging from one to three months [Preston

et al., 1989]. The effectiveness of most sampling strategies depends on the duration

of the study [Robertson et Roerish, 1999] and catchment size [Coynel et al., 2004].

Few studies report a strategy for evaluation of nitrogen load sampling for small agri-

cultural catchments with a very short sampling period. Salles et al. [2008] focus on

estimating the loads of total suspended sediment and dissolved nutrients during

flood events with a high sampling frequency from 1- to 6-hour time steps during a

short time period in a small Mediterranean catchment of 67 km2.

The main aim of the present study was to determine the most effective sam-

pling strategy for computing nitrogen loads at the outlet of a 3.5 km2 catchment.

Nitrogen concentration sensors were used to monitor a 10-minute signal of nitro-

gen concentrations during a period of 2 years. The novel approach used was based

on a systematic sub-sampling strategy for water concentration at 10-minute inter-

vals, and loads were computed by integration of interpolated sub-samples. Specific

objectives were to evaluate the accuracy (bias and precision) of the different load

computation approaches and to test their sensitivity to the sampling frequency. The

data set obtained was used to compute the load estimate accuracy for each sam-

pling frequency, depending on interpolation method and hydrological conditions.

Load estimates, the influence of sampling frequency and sampling protocol were

then assessed.

1.4.2 Material and methods

a - Study site

The Montoussé catchment at Auradé (Gers, France) is an experimental research

site studied since 2004 by EcoLab in collaboration with GPN-TOTAL. Nitrate mea-

surements were started in 1985 by AZF Toulouse (now GPN) to measure the impact

of best agricultural practices and landscape management on decreasing nitrate

concentrations in streams. The Le Montoussé stream was selected for intensive

monitoring because of the ’flashy’ nature of its hydrograph, the dominant late-

26


ral flow and the intensive agricultural context. It is a tributary of the Save River,

which is a left tributary of the Garonne River, located in the Gascogne, an intensi-

vely cultivated region in south-west France. At the gauging station, the catchment

drainage area is 3.5 km2 and the stream is 1 m wide at the outlet and highly

event-responsive. The substratum of the catchment consists of impervious Mio-

cene molassic deposits. No significant aquifer has been found except some sand

lens contributing to sustain local sources at mid-slope. Soil depth depends on ele-

vation, with a maximum of 2 m downslope and less than 50-70 cm at the top of the

relief, the bedrock being frequently apparent. Average annual rainfall calculated

for the last 20 years is 656 mm, with a maximum in spring. An average of 86% of

rainfall is evaporated during high temperature periods in summer and during some

autumns. In this intensive farming area, about 87% of the total catchment area is

used for crop production, consisting of a sunflower and winter wheat rotation with

annual application of mineral fertilizer. During the last decade, best management

practices have been examined with the aim of decreasing nitrogen leaching from

soil and river nitrate loads at the outlet.

b - Sampling strategy and data collection

The sampling strategy to evaluate the water quality and nitrogen loads was

required to measure nitrate concentrations depending on flood events. However,

owing to the variability of nitrate concentrations during these periods, a new sam-

pling strategy was devised. An in situ ion specific electrode (ISE) instrumentation

package was deployed at the gauging station during a 2-year period from May 2006

to July 2008. These years were dry, with a negative exportation coefficient calcu-

lated on the basis of historical data on discharge from 1985 to 2004, with -51% in

2007 and -45% in 2008. In comparison to its tributary, the Save River had a deficit

of about -32% in 2007 and -17% in 2008 compared with the average for the period

1985-2004. The deficit was less marked for the Save River because discharge is

supported during dry periods by water injection upstream through the Neste canal.

In 2007, the Garonne River had a deficit of about -41%. It must be borne in mind

that the dry conditions in the study period could have affected the results obtained.

Measurements of dissolved nitrogen concentration were made every 10 minutes in

the mid-depth of the water column using a YSI 6920 EDS sensor for N-NO−3 . pH,

pressure (water level), conductivity and temperature were measured using probes.

Data were recorded by an Ecotech sampler AWS2002 (Bohn, Germany) logged to

the sensor. To correct N-NO−3 probe value drift, the automatic sampler was pro-

27


grammed to take a sample depending on water level. A second sampler ISCO 3700

(Lincoln, USA) was programmed for basic sampling with daily sampling intervals.

The first instrument was connected to the sensor programmed for flood event sam-

pling and coupled to a stage switch that sampled at each predetermined step of

water level rise or decrease (3 cm threshold). In the case of no hydrological events,

weekly visits were carried out to check experimental material, download sensor

data with a laptop, empty the ISCO automatic sampler and take a manual sample

of water. In the case of flood events, a Sim card phone connection allowed the wa-

ter level or Ecotech number of samples taken to be monitored, in order to alert

operatives to go and retrieve storm samples. ISCO samples were selected on the

basis of nitrate sensor value variation, to get a sample corresponding to base flow

just before and after the storm event. At the laboratory, water samples were filtered

through a 0.45 micrometre millipore filter, then kept in the dark and refrigerated

at 4°C, before being analysed for N-NO−3 with High Performance Liquid Chromato-

graphy (HPLC). This protocol, referred to in this paper as the in situ protocol allows

a sample to be obtained for each nitrogen variation during flood events, in order to

check sensor values. A total of 286 water samples were analyzed during the study

period, corresponding to a mean of 1 sample per 3 days, but chosen depending

on nitrate concentration and water level variation. We also recorded a 10-minute

signal of nitrogen concentration in the stream. The collected data set consisted of

a total of n = 99, 703 water level and average nitrogen concentration measurements

at 10-minute time steps (144 samplings per day) corrected for each period by in

situ protocol samples. We also used this data set to estimate bias and variance in

N-NO−3 load calculations depending on sampling frequency, hydrological conditions

and interpolation method.

c - Data preprocessing

The first step was to correct N-NO−3 probe drift and other anion interfe-

rences. Under the assumption that drift is linear between two HPLC measure-

ments, a drift coefficient was calculated for each 10-minute time step. We ensu-

red that we sampled concentration with a higher frequency during flood events to

check for high variations in probe concentration values. During base flow condi-

tions, the nitrogen sensor values were checked against the weekly sampling va-

lues. Between two manual or automatic samples, true nitrogen concentration va-

lue was calculated for each 10-minute time step with sensor value corrected by

the linear drift coefficient. In order to estimate signal variability in term of fre-

28


quencies, time-series analysis was performed using the OCTAVE software (GPL

http : //www.gnu.org/software/octave/about.html). A fast Fourier transform (FFT) al-

gorithm was used to compute the N-NO−3 concentration spectrum. The power spec-

trum of the nitrogen signal collected from 4 May 2006 to 31 July 2008 at the outlet

was calculated. In calculation of this spectrum, gaps in the data created when the

YSI sensor was disconnected for maintenance were not taken into account. We used

the Nyquist-Shannon sampling theorem to validate the 10-minute time step mea-

surement by the sensor. In essence, the theorem states that a continuous signal

that has been sampled can be perfectly reconstructed from discrete samples if the

sampling rate exceeds twice the highest frequency in the continuous signal. This

gave us a first estimation of the minimum sampling frequency where errors were

made by sub-sampling the N-NO−3 concentration signal. This was complemented

by a second approach based on load error evaluation as described below. In order

to test the concentration signal variability, we considered the signal during flood

events and the signal during base flow separately, by hydrograph checking. Signal

analysis was thus carried out for all except joint flood events in one way, and for

base flow periods in the other way.

d - Load calculation method

True load estimation The evaluation and assessment reported here used the fol-

lowing techniques of load estimation for this type of context and catchment scale.

After having verified that the sub-sampling of concentration signal with a 10-minute

sampling interval gave an accurate estimation of all frequencies of concentration si-

gnal (see section a -), we assumed that computation of loads with the 10-minute

N-NO−3 signal multiplied by the corresponding 10-minute water discharge volume

represented the true flux. Consequently, the whole data set was used to calculate

the reference N-NO−3 flux (Fref ) (equation 1.2), for the whole study period as follows.

Let C(i), Q(i), and F (i) = C(i)Q(i) be respectively the reference N-NO−3 concentra-

tion (mg.L−1), discharge (L.s−1), and N-NO−3 flux (mg.s−1) at time i ∈ {1, . . . , n}. The

reference total flux for the whole study period is then :

Fref =n∑

i=1

F (i) (1.2)

This flux was taken as the true nitrogen load for the entire study period.

29


Sampling strategy and load estimation The first sampling strategy as descri-

bed in equation 1.3 (sampling protocol 1) is the sub-sampling of continuous load

measurements (concentration multiplied by water volume discharged during each

10-minute time step). It is equivalent to periodic visits to measure water discharge

and nitrogen concentration. Concentration, discharge and flux are downsampled at

the sampling period p with the offset j ∈ {0, . . . , p− 1} before being interpolated and

resampled. Such downsampled-interpolated concentration, discharge and flux are

labelled Cj,p(i), Qj,p(i), and Fj,p(i) = Cj,p(i)Qj,p(i) respectively. The total flux for the

whole study period using downsampled-interpolated concentration and discharge

at the downsampling period p with the offset j is (M1) :

Fj,p =n∑

i=1

Fj,p(i) =n∑

i=1

Cj,p(i)Qj,p(i) (1.3)

The second strategy as described in equation 1.4 (sampling protocol 2) is the sub-

sampling of continuous concentration signal. It involves the study site being equip-

ped with a gauging station to obtain continuous discharge data and periodic visits

being made to measure nitrogen concentration. The total flux for the whole study

period using downsampled-interpolated concentration at the downsampling period

p with the offset j and reference discharge is (M2) :

Fj,p =n∑

i=1

Cj,p(i)Q(i) (1.4)

Two interpolation techniques, nearest neighbour (a) and linear (b), were considered.

Four methods were therefore tested, M1(a), M1(b), M2(a) and M2(b). The downsam-

pling period used in the following was every sampling period p from 20 minutes to

25 days with a time step of one hour thirty minutes.

e - Evaluation criteria

We calculated the error estimation Ej,p at the downsampling period p with the

offset j as follows :

Ej,p = (Fj,p − Fref )/Fref ∗ 100 (1.5)

We computed the median (e50p) and an index of dispersion (difference between the

upper and lower deciles, e90p and e10p) of all load error estimations for each sam-

pling period p tested. Error distribution and bias as a function of p are presented

in section c -. The analysis was performed for whole signal, base flow signal and

30


flood event signal. We summarized the maximum sampling period in hours we had

to choose for each sampling period p and estimation method as a function of an

error threshold ε. Two estimators were tested : |e90 − e10| < ε and |e50| < ε, which are

respectively the variance or index of dispersion and the bias or systematic error.

Two threshold ε are presented, 5% and 10%.

1.4.3 Results

a - Validation of the sampling strategy

The power spectra analysis performed by Fast Fourrier Transform, as propo-

sed by Kirchner et al. [2001] and Feng et al. [2004] gives the minimum threshold

of sampling frequency to explain 99% of the energy of the centred signal. This

frequency was 6 hours for the data set and in accordance with Nyquist-Shannon

sampling theorem, nitrogen concentration could be considered to be well sampled

with a sampling interval of less than 3 hours. Therefore the 10-minute recorded

signal could be considered a continuous signal. The error in sub-sampling signal

arose with sampling intervals longer than 3 hours.

b - Preliminary analysis of discharge-concentration relationships and total

N-NO−3 loads

Figure 1.5 shows the whole nitrogen concentration signal recorded with our

protocol for the catchment. The four major flood events are sorted by order of nitro-

gen load magnitude (no. 1 to no. 4). The mean discharge during base flow periods

was 4.8 L.s−1. During flood event periods, the maximum discharge recorded was

1891 L.s−1 as a short peak of flood, and the mean discharge was 20.7 L.s−1 for

all flood events taken together during the study period. The Montoussé river di-

scharge, in contrast, was highly event-responsive, with flows changing markedly

during rainstorms. A mean of 9.15 mg N-NO−3 .L−l was observed during low flow,

with a maximum of 15.4 mg N-NO−3 .L−l. Sub-figures on the top show variations in

N-NO−3 concentration during major events 1, 3 and 4. Weak dilution during runoff

discharge (2 to 6 hours) was followed by a large concentration peak. Different types

of concentration peak were observed, e.g. intense and large (3 days for flood event

1), large only (1.5 days for flood event 3) or few intense (flood event 4). The maxi-

mum of instantaneous concentration was observed during the major load event (1),

when nitrogen concentration increased from 5 to 35 and decreased again to 20 mg

31


N-NO−3 .L−l in 11 hours in the most intensive part of flood event 1. Loads at 10-

minute time steps are plotted as a function of discharge in Figure 1.6. The majority

of points were aligned except for some extreme discharges. The correlation between

daily discharge (log-transformed) and daily nitrogen loads (log-transformed) was

highly significant (R2 = 0.96, nday = 690) :

F (i) = 10−2.004.Q(i)0.9 (1.6)

where Q(i) and F (i) are daily discharge (m3.day−1), and flux (kg.day−1), respecti-

vely, at time i ∈ {1, . . . , nday}. Figure 1.6 also shows cumulative daily discharge

and nitrogen loads. As shown by the shape of the load curve slope, the base flow

contribution to total nitrogen loads was not negligible. The sum of all recorded

events during the 2-year study period represented 23% of total discharge during

the study period and 33.6% of total N-NO−3 flux. Half the total nitrogen flux during

flood events (18.8% of 3.5 tonnes of N-NO3- loads) was explained by the four winter

or spring major flood events (numbered 1 to 4 in Figure 1.5). Flux during low flow

explained 66% (i.e. 2.3 tonnes) of total N-NO3- loads over the study period. Nitro-

gen concentration behaviour during the four major flood events is shown in Figure

1.7, where N-NO−3 concentration is plotted as a function of discharge intensity and

each point represents a 10-minute sample. Arrows show the direction of time and

exhibit anticlockwise hysteresis between rising and falling limbs of the hydrograph,

except for flood event 2. As shown by Probst [1985], higher N-NO−3 concentration

during the falling period can be attributed to higher contribution of subsurface ru-

noff during this period. The high sampling frequency in the present study revealed

that concentration and discharge can change markedly and rapidly.

c - Load error computation

Figure 1.8 and 1.9 show the dispersion of all nitrogen load estimation errors

as a function of the sampling period p between 20 minutes and 25 days. Results

with the linear interpolation method for the M1 sampling protocol are presented in

Figure 1.8 and those for M2 in Figure 1.9. The dispersion of errors computed is

represented by maximum and minimum errors, the first decile (e10) and the ninth

decile (e90). Median or e50 represents the bias. M2 provided a better computation

than M1. Indeed, dispersion of error was high and increased rapidly with M1 to

75% of the difference between e90 and e10, whereas M2 was more accurate in esti-

mating loads, with a maximum dispersion of about 12%. The concentration signal

32


228 230 232 234 2360510152025303540

294 296 298 3000510152025303540

568 570 5720510152025303540

0

10

20

30

40

Nitr

ogen

con

cent

ratio

n (m

gN.L

-1)

Nitrogen concentration

100 200 300 400 500 600Days after May 4, 2006

0

100

200

300

400

500

Dis

char

ge (

L.s

-1)

Discharge

1

2 34

4

1

2

3

1891 L.s-1568 L.s-11665 L.s-1

4 1 3

FIGURE 1.5 – N-NO−3 concentration (middle) and discharge (bottom) in 10-minute time stepsat the outlet of the Auradé Montoussé catchment. The four main flood events are rankedby magnitude of load (1 to 4). Sub-figures (top) show nitrogen concentration trend during 3of these flood events.

33


100 200 300 400 500 6000

1000

2000

3000

4000

Cum

ulat

ive

daily

nitr

ogen

flu

x (K

g)

200 400 600Days after May 4, 2006

0

1e+05

2e+05

3e+05

4e+05

Cum

ulat

ive

daily

Dis

char

ge (

m3)

500 1000 1500 2000 2500Discharge (L.s-1)

0

2

4

6

8

Nitr

ogen

load

s (g

.s-1

)

FIGURE 1.6 – Relationship between 10-minute loads and discharge. Sub-figure in the topcorner shows cumulative discharge and nitrogen loads during the study period. Loads areshown as solid lines, discharge as dotted lines.

34


0 50 100 150 2000

10

20

30

40

0 200 400 6000

10

20

30

40

0 50 100 150 2000

5

10

15

20

Nitr

ate-

N c

once

ntra

tion

(mgN

.L-1

)

0 20 40 60 80

Discharge (L.s-1)

0

5

10

15

20

Flood event 1 Flood event 2

Flood event 4Flood event 3

FIGURE 1.7 – Relationship between 10-minute concentration and discharge measurementduring the four major loads events of the study period. Flood event 1 on 30 Apr 2007, 5days. Flood event 2 on 25 May 2007, 1 day. Flood event 3 on 17 Jan 2008, 4 days. Floodevent 4 on 24 Feb 2007, 4 days. Scale is not the same between graphs. Arrows show thedirection of change over time, and each cross corresponds to a 10-minute measurement.

35


was noisy and, as a result, the dispersion of error in nitrogen load calculations was

also noisy. Furthermore, hydrological conditions influenced the error distribution.

Sampling protocol M1 had a tendency to overestimate base flow and underestimate

flood events. The error dispersion for M2 (Figure 1.9) indicated that subsampling

base flow gave a maximum dispersion (e90 − e10) of around 8%, with 23% for flood

events. It was noted that overestimation occurred with low frequency sampling (less

than daily) and underestimation occurred with the highest frequency of subsam-

pling flood events. Table 1 presents the minimum sampling period needed to mini-

mize error estimation. Two estimators are presented, index of dispersion (e90− e10)

and bias (e50). The minimum sampling period with M1 was always less than 6

hours, while the M2 sampling protocol gave better results. We had to sample the

concentration every 5.3 hours to have less than 5% dispersion and every 7 hours

to have a bias of less than 5%. The sampling period increased to 46 hours and

39.3 hours, respectively, for the dispersion and bias when the acceptable threshold

was 10%. The linear interpolation method with M2 gave the best load estimation,

with a sampling period always greater than that of the nearest neighbour interpo-

lation method. For both estimators, dispersion and systematic error, the sampling

frequency for accurate estimation was always smaller for flood events than for base

flow.

In a similar way, we calculated the error made by load computation with the

water level-dependent automatic samplers (the in situ protocol). Errors in terms of

total load are summarized in Table 1.4. Error was calculated with equation 1.5 and

was lower than 1% for base flow, with 3% error during flood events. Linear inter-

polation proved to be more accurate than nearest neighbour interpolation, as the

error was smaller with linear interpolation. Subsampling at really low frequency

flood events gave a small overestimation (+3%). Linear interpolation of concentra-

tions for each 10-minute time step from samples taken with the in situ sampling

protocol and with a bi-weekly sampling frequency are presented in Figure 1.11,

where the 10-minute time step signal is shown in grey type to distinguish it from

interpolated concentrations obtained using a storm chasing protocol such as our

in situ protocol and a basic protocol generally used in this type of study. Extreme

peaks were underestimated with the in situ protocol (solid line) and not sampled

with the biweekly sampling frequency (dotted line). Both sampling protocols gave

an error in base-flow concentration because the frequencies of variations during

these periods were smaller than the sampling period.

36


TABLE 1.3 – Sampling method evaluation with dispersion and precision(1)index of dispersion less than 5%Minimum sampling period (hour) M2(b) M2(a) M1(b) M1(a)Total N −NO−3 flux signal 5.3 4.8 3.1 3.1N −NO−3 flux signal during flood events 1.1 1.1 1.3 1.3N −NO−3 flux signal during low flow 63 63 5.3 5.5

(2)index of dispersion less than 10%Minimum sampling period (hour) M2(b) M2(a) M1(b) M1(a)Total N −NO−3 flux signal 46 21.5 4.1 5.3N −NO−3 flux signal during flood events 4.6 4.6 2.1 2.1N −NO−3 flux signal during low flow 100 100 8.8 9.8

(3)bias (systematic error) less than 5%Minimum sampling period (hour) M2(b) M2(a) M1(b) M1(a)Total N −NO−3 flux signal 7 4.6 2.3 2.3N −NO−3 flux signal during flood events 1.1 1.3 1.6 1.6N −NO−3 flux signal during low flow 64.5 64.5 3.1 3.1

(4)bias (systematic error) less than 10%Minimum sampling period (hour) M2(b) M2(a) M1(b) M1(a)Total N −NO−3 flux signal 39.3 14.1 4.3 4.3N −NO−3 flux signal during flood events 3.6 2.1 2.3 2.3N −NO−3 flux signal during low flow 125.8 125.8 4.8 5.6

TABLE 1.4 – Error of in situ sampling protocolcalculation error E for in situ protocol (%) M2(b) M2(a)Total N −NO−3 flux signal 0.8 1N −NO−3 flux signal during flood events 3 4.1N −NO−3 flux signal during low flow 0.03 -0.2

37


1.4.4 Discussion

a - Evaluation of Load calculation methods

The use of nitrogen sensors in aquatic bodies has been reported in some pre-

vious studies. For example, sensors used for long periods of time in estuaries [Cha-

pin et al., 2004] and for short periods in the San Joaquin River [Pellerin et al., 2009]

have provided a view into the fine temporal structure of physico-chemical parame-

ters such as nitrate, conductivity, pH, temperature, dissolved oxygen, turbidity and

salinity, and may allow for greater accuracy in pollution assessment. Rusjan et al.

[2008] used sensors to investigate the flushing of nitrate in a forested watershed

and their high frequency measurements of stream water nitrate concentration re-

vealed that such hydrological events are important in explaining the variability of

nitrate losses from year to year due to climatic variations. In that non-fertilized

context, the behaviour of nitrate concentration variability showed signs of soil ni-

trate pool depletion only during early spring hydrographs and in the case of an

extensive rainfall period in August. In our case, fertilizers are applied in spring and

flood events in this period have to be monitored carefully because of the possible

leaching of excess nitrogen. Concentrations in our study were high compared with

those in forested catchment studies to evaluate the impact of atmospheric deposi-

tion on stream water quality [Probst et al., 1990; Linkens et Bormann, 1995; Arhei-

mer et al., 1996; Hood et al., 2003; Sickman et al., 2003]. In fact, the variations

in nitrate concentration in water presented in the present study were more stron-

gly affected by agricultural activity than by atmospheric deposition. Other studies

dealing with non-point source agricultural pollution describe hydrological control

of nitrate transfer. Molenat et al. [2002] highlights the influence of groundwater on

nitrate dynamics in stream water, while Durand et Torres [1995] and Wagner et al.

[2008] report that hydrological factors control water quality during flood events. Ni-

trogen dynamics in stream water are very variable among study sites. Martin et al.

[2004] conclude that hydrology and nitrate chemistry are dominated by different

flow paths. Therefore, the sampling strategy for long-term monitoring has to be

adapted to the catchment response type. Salles et al. [2008] studied flood loads

in a small catchment and concluded that prior information obtained from detailed

sampling studies is essential to define a sampling strategy.

A major contribution of the present study was to illustrate the variation in ni-

trogen concentration at within-hour time steps and indicate the most appropriate

sampling strategy for the study site. Most of the sampling techniques used ge-

38


nerally in monitoring programmes have weekly or bi-weekly frequency. As Figure

1.11 illustrates, the ability to evaluate nitrogen concentration over time depends

on the method used for linear interpolation between samples. Nitrate concentra-

tion was always underestimated during flood events, even though an adapted sam-

pling period depending on water level was able to minimize this error. In fact, more

recent studies consider hydrological variations in sampling nitrate concentration

in stream water [Vink et al., 2007]. The present study site showed a high average

nitrate concentration in stream water and high nitrogen concentration variations

during major flood events. In terms of load, base flow periods contributed 66%

of total nitrogen load (see cumulative load in Figure 1.6) and flood events had a

consistent impact on water quality, while their contribution to total load was relati-

vely less important than that in other studies. However, our study period was drier

than average and the lack of drainage water limited nitrogen exportation and the

impact of flood events. As the 10-minute sampling period allowed nitrogen concen-

tration signal to be sub-sampled without losing any information, the error disper-

sion calculated in Figures 1.8 and 1.9 represents all the load computation errors.

The method used does not require Monte Carlo simulation to demonstrate the va-

riability and uncertainty involved in nitrate-N load estimation, as has been done

in many studies [Kronvang et Bruhn, 1996; Guo et al., 2002; Moatar et Meybeck,

2005; Salles et al., 2008]. Protocol M1 (equation 1.3) is the interpolation of nitro-

gen concentration and discharge sub-sampled. Error dispersion when p sampling

period increases was very high compared with protocol M2, even for small p (see

Figure 1.8). Discharge is the main component of load, as seen in Figure 1.6, and

is more important than concentration in the evaluation of loads (M1 very impre-

cise compared with M2), as already shown by Stevens et Smith [1978]. However

the M1 sampling protocol could be interesting for catchments not equipped with a

gauging station, but where a small sampling period p can be assumed and where

the need for load evaluation precision is not so high, for example with p = 1 day,

e90− e10 = 20% and bias= −4%. This type of sampling monitoring could be adapted

for short study periods in difficult study conditions.

39


-100

-50

0

50

100

M1 sampling method with linear interpolation

-100

-50

0

50

100

erro

rs o

f N

-NO

3 fl

ux e

stim

ates

(%)

0 5 10 15 20 25Sampling interval (days)

-100

-50

0

50

100

emax 400%

e90

e50

e50

emin

emax 300%

e90

e10

emin e10

emax 400% e90

e10emin

e50

(a)

(b)

(c)

FIGURE 1.8 – Quantiles (e10, e50, e90) and extreme error (emin, emax) as a function ofsampling period (p) with the M1 protocol and linear interpolation. (a) total signal, (b) floodevents signal, (c) base flow signal.

40


-40

-2002040

M2

sam

plin

g m

etho

d w

ith li

near

inte

rpol

atio

n

-40

-2002040

errors of N-NO3 flux estimates(%)

05

1015

2025

Sam

plin

g in

terv

al (

days

)

-40

-2002040

emax

e90

e50

e10

emin

emax

e90

e50

emin

e10

emax

e90

e50

emin

e10

(a)

(b)

(c)

FIG

UR

E1.9

–Q

uan

tile

s(e

10,

e50,

e90)

and

extr

eme

erro

r(e

min

,em

ax)

asa

fun

ctio

nof

sam

plin

gper

iod

(p)

wit

hth

eM

2pro

toco

lan

dlin

ear

inte

rpol

atio

n.

(a)to

talsi

gnal

,(b

)floo

dev

ents

sign

al,

(c)bas

eflow

sign

al.

41


Water level is generally recorded as a continuous signal and only concentrations

are sub-sampled (method M2, equation 1.4). The fact that base flow concentration

is high in this agricultural watershed explains why the error made by sub-sampling

the whole concentration signal never exceeded + 20% as shown in Figure 1.9a. For

concentration signal during flood events (Figure 1.9b), error dispersion was more

important (less than 30%) than with total signal or base flow signal (Figure 1.9c),

due to greater variability of concentration signal during these periods. However for

total signal or flood event signal, total loads calculated could be overestimated or

underestimated (a respective maximum dispersion of 40 and 60%). Protocol M2

had a tendency to underestimate loads during flood events since the bias (e50)

was negative for sampling periods of more than 1 day, although we noted that

sub-sampling at short intervals (within-day or daily intervals) could lead to overes-

timation (2 to 8%). Increasing the number of samples during flood events increases

the possibility to sample the peak of concentration. These high values have a short

duration (Figure 1.5) but are integrated for all the sampling period. Total load is

thus overestimated. For larger sampling intervals (more than daily), the tendency

is to underestimate (bias negative) nitrogen loads. As Table 1.3 shows, the linear

interpolation method is more efficient in minimizing error estimation, as Moatar et

Meybeck [2005] also concluded for larger river basins.

b - Flood event influence on total load evaluation

This study shows the relative importance of flood events for total nitrogen loads

(33.6% of total nitrogen loads) during the study period in this cultivated catch-

ment. The proportion of nitrogen exportation during flood events depends on the

frequency of storm events and, more generally, meteorological and hydrological

conditions being met throughout the study period. The relatively dry conditions

experienced during this study may have limited nitrogen losses and the relative

contribution of flood events to total nitrogen losses. Using the M2 protocol and li-

near interpolation, we computed nitrogen load estimation error Ej,p with equation

1.5 for each of 27 flood event periods to examine the impact of nitrogen variation

on minimum sampling period. Figure 1.10 shows the minimum sampling period

computed in terms of sampling frequency as a function of the length of each flood

event. The minimum sampling frequency was estimated as in Table 1.3 to mini-

mise error dispersion (e90 − e10) under a threshold of ε = 10%. The results give an

overview of the variety of flood event type. The errors due to sampling frequency in-

crease when the variations of nitrate with flow are the most important and irregular,

42


which can be related to variations of nitrate in soil and of hydrological conditions.

Seasonal variations are generally be attributed to the availability of soil nitrate for

leaching [Neill, 1989; Reynolds et Edwards, 1995] if the mean residence time of

nitrogen in the system is much less than one year [Burt et Arkell, 1987], or to varia-

tions in the relative contribution of reservoirs with contrasted concentrations if the

residence time is longer [Ruiz et al., 2002]. Present study does not highlight a di-

rect relationship between soil nitrate content and nitrate concentrations in stream

at the seasonal scale. However, peaks of nitrate concentration occur mainly bet-

ween January to May when crops are fertilized and flood events are important, and

during autumn, when bare ground is dominant after winter-wheat and sunflower

harvest. Differences between flood events during these periods could be explained

by varying contributions of nitrate-rich hillslope shallow groundwater [Altman et

Parizek, 1995; Hill, 1996] during these events, when there are nitrate excess in

soil. Some major flood events occurring in these "sensitive periods" did not produce

concentration peaks, either because the soils were already depleted or because of

dilution by nitrate-poor water, such as overland flow. Therefore, the risk of com-

putation error due to subsampling is the highest in autumn, winter and spring

flood events. Sensor recording provides a preliminary picture of nitrogen variations

during a hydrological event that can be use to select the samples to analyse.

c - Evaluation of in situ sampling protocol

For the total concentration signal and each flood event, we computed the nitro-

gen load estimation error (equation 1.5) made by sub-sampling concentration si-

gnal with protocol M2 and the nearest neighbour and linear interpolation methods

with a variable sampling period p. The samples used were those analysed in the

laboratory to verify sensor drift. The error made with the in situ protocol was less

than 1% (Table 1.3). For comparison, we computed the error in load estimation by

subsampling concentration signal with a biweekly sampling period, p = 14 days (in-

terpolated concentration is presented as a dotted line in Figure 1.11), and by using

the regression method between daily discharge and daily load (equation 1.6). The

estimated error was -7.8% and -6.2% for the bi-weekly sampling protocol and re-

gression method, respectively. The in situ protocol aims to measure base flows with

a weekly frequency, more than the 63 hours required to obtain an error lower than

5% (see Table 1.3). The small error (0.03%) made by subsampling water concentra-

tion during low flow could be explained by the small dispersion of possible errors in

low flow periods with the M2 protocol as presented in Figure 1.9c, and a symmetri-

43


0

10

20

30

40

50

60

70

80

90

100

0 20 40 60 80 100 120 140

Flood event length (hour)

Min

imal

sam

plin

g pe

riod

(hou

r)

summer flood events

autumn and begin of winter flood events

end of winter and spring flood events

>1 sample

>2 samples

>3 samples

>4 samples

>5 samples

>10 samples

12

3

4

FIGURE 1.10 – Minimum sampling period for each flood event depending on flood eventlength and season. The minimum number of samples is calculated based on a threshold of10% precision errors in sub-sampling concentration signal with the M2 protocol and linearinterpolation. The 4 major flood events are numbered from 1 to 4.

44


cal dispersion around zero (e50 < −0.5% with p < 7 days). Interpolated concentration

of the in situ sampling protocol (solid line in Figure 1.11) reproduced this tendency

in low flow periods but led to imprecisions that offset themselves in load calcula-

tion. During flood event periods, we monitored sample concentration variations by

subsampling with high frequency and selecting samples in response to variations

in nitrate sensor values. An overestimation of 3% (4.1% with nearest neighbour in-

terpolation) was made during these periods (linear interpolation in Table 1.4). This

overestimation is understandable regarding Figure 1.9b during flood event periods

with sampling period p < 1 day, even though peak maximum concentrations occur-

ring in small time steps were underestimated (see Figure 1.11). The in situ sampling

protocol allows nitrogen load to be computed accurately, but the number of samples

is hydrological event-dependent and cannot be known in advance, compared with

the fixed sampling interval generally employed in monitoring programmes.

d - Adapting sampling protocol to monitoring programme

The best way to sample nitrogen concentration in a stream will depend on the

main objectives of the study. For instance, for obtaining concentration data to ca-

librate a stream chemistry model at daily time steps, it is acceptable to have a

bi-weekly sampling interval, using the M2 protocol with linear interpolation. Error

load estimation should be between −7 and 0.5% (e10 and e90 in Figure 1.9), which

is acceptable as regards modelling uncertainty. Furthermore, nitrate concentration

signal in such a model represents the general trend as seasonal or inter-annual ten-

dencies, as given by a bi-weekly sampling protocol (dotted line in Figure 1.11). The

regression calculated in equation 1.6 is a good way to evaluate nitrate load using

discharge measurements, but this method is not able to evaluate inter-annual va-

riability and long-term trends such as the impact of land use change on water

quality.

For more detailed studies such as storm monitoring or hydrological control at

small time scales, a high frequency of sampling is needed. Variations in nitrate

concentration during storm events are complex and difficult to predict owing to

runoff and subsurface water mixing in the stream at a small time scale. These

within-day processes have to be monitored with a sampling interval of p < 1 hour

to minimize error dispersion and keep bias under 5% (Table 1.3). Uncertainties

remain with subsampling with a low p during flood events, as described above.

Equipping the study site with a nitrate sensor provides a preliminary picture of

45


100 200 300 400 500 600Days after May 4, 2006

10

20

30

40

N-N

O3

conc

entr

atio

n (m

g.L

-1)

123

FIGURE 1.11 – Comparison between N − NO−3 concentration signal measured by sensor(grey line), linearly interpolated concentration sampled in situ (solid line) and linearly in-terpolated biweekly sampled concentration (dotted line).

46


nitrate variations that can be used to adapt further sampling protocol hydrological

and seasonal responses.

1.4.5 Conclusion

Continuous monitoring of nutrient concentrations in streams is expensive, and

faced with limited funding and analytical capacity, discrete sampling programmes

are the only alternative. However subsampling the true variations for load error

estimation was useful for evaluating different sampling strategies and load compu-

tation methods. This study demonstrates that it is possible to use an appropriate

sampling frequency to achieve an acceptable error in view of the difficulty in sam-

pling nitrate concentration. Discharge must be a priority because it is the main

source of uncertainty, but when discharge is recorded continuously, the load error

estimation should not be more than 20% when subsampling nitrogen concentra-

tion with a 25-day sampling interval. It could be more important if there are more

flood events than observed in the present study period.

The study shows that error calculation dispersion is high relative to systematic

error, which means that error can be negative or positive for the same sampling

period. Furthermore, load error estimation can be acceptable because all errors

offset themselves, but the variations in stream concentration variability may still

not be well described. There is a need for a monitoring system to describe the quality

status of the water body, While European policies take stream concentrations as

an indicator of pollution, a good estimation of nitrate load does not mean that the

status of stream water chemistry has been accurately determined.

As this study shows, extreme concentration behaviour during within-day flood

events complicates the sampling of water quality during these periods. The in situ

sampling protocol combined with in situ sensor measurement has to be carefully

monitored because of sensor drift or sample collection, but sensor information is

useful in limiting the number of water samples to analyse. It is important to empha-

size that this study illustrates the true nitrate variation in the stream water of an

intensively agricultural catchment and that error load estimation by subsampling

this signal represents all possible error. A bi-weekly sampling strategy is propo-

sed to monitor inter-annual and seasonal nitrate variations in streams, whereas

a hourly sampling strategy is advocated to minimize load error estimation during

flood events.

47


1.4.6 Acknowledgments

We would like to thank the "Association des Agriculteurs d’Auradé" and Pier-

rette Gouaux from the CESBIO (CNRS-CNES-IRD-Université de Toulouse) for their

cooperation. Nitrate concentration and stream discharge were recorded within the

framework of a GPN-ECOLAB convention on the experimental catchment of Auradé

and the IMAQUE Project of ECOBAG Research network installed the equipment at

the outlet of catchment. Sylvain Ferrant is the recipient of an AKKA Technology fel-

lowship within the CIFRE convention. The authors appreciate the skilled assistance

of Mary M. for English corrections.

48

1.5 Conclusion du chapitre


L’utilisation d’une sonde nitrate pour mesurer la concentration dans le cours

d’eau du bassin versant d’Auradé montre une grande variabilité des concentrations

en nitrate, notamment lors des événements hydrologiques de printemps et d’hiver.

La grande nouveauté de ce protocole de mesures in situ des concentrations en ni-

trates est qu’il permet d’obtenir un signal considéré continu car sous-échantillonné

à intervalles suffisamment rapprochés au sens de la transformée de Fourrier, qui

donne le seuil minimal de la fréquence d’échantillonnage pour caractériser 99% de

l’énergie du signal centré. Ainsi, le calcul des flux de nitrates basé sur la mesure

du signal de concentration en nitrates n’est pas une estimation mais une quantité

réelle qui a été mesurée à l’exutoire pendant ces deux ans d’études. Il faut néan-

moins rappeler que les incertitudes dans la mesure sont toujours là :

– calcul des débits à partir d’une courbe de tarage

– précisions des capteurs et de l’analyse HPLC

– représentativité de la mesure ponctuelle de la masse d’eau échantillonnée

Par contre, le calcul à partir des mesures obtenues n’est plus une estimation

puisqu’il n’y a plus d’interpolation, la mesure à 10 minutes étant suffisante pour

décrire complètement le signal.

Le nombre d’échantillons d’eau prélevé est important puisqu’il a fallu valider le

fonctionnement de la sonde et vérifier pour chaque état du cours d’eau la qualité

des valeurs données par la sonde. Il est envisagé grâce au retour d’expérience de

ces deux années de suivi, de diminuer ce nombre pour arriver à un niveau plus

raisonnable. De plus, ce travail montre les erreurs que l’on peut faire en fonction de

l’intervalle d’échantillonnage en utilisant la méthode classique (M2) : on interpole

linéairement les concentrations entre deux points de mesures, puis on pondère

par les débits mesurés en continu. L’interpolation linéaire des concentrations

est à privilégier, et un protocole de suivi des crues est important pour évaluer

les épisodes majeurs de perte de nitrate dans la rivière, tandis que les étiages

peuvent être sous -échantillonnés avec 5 jours d’intervalle ce qui minimise (10

%) la dispersion des erreurs possibles d’estimation de flux. L’estimation des flux

avec l’interpolation linéaire selon la méthode M2 des mesure-HPLC seule fait une

erreur très proche de 0 (0.8% de surestimation), mais surestime de 3% les périodes

de crue. Il faut donc s’attendre à une erreur minimale plus ou moins importante

suivant le nombre de crues, la sonde permet de s’affranchir de ce genre d’erreur.

Il faut noter l’influence de la période d’étude dans les résultats présentés, période

49


qui a été particulièrement sèche. Le nombre de crue a été faible, l’importance

des transferts pendant ces périodes a donc certainement moins d’impact sur

l’estimation finale, ici le cumul des flux sur la période d’échantillonnage.

Ce protocole d’échantillonnage a montré son utilité pour observer et quantifier

les transferts ’éclair’ de polluants agricoles (nitrates) dans les rivières, et pose la

question de l’efficacité des indicateurs choisis pour qualifier la qualité d’un cours

d’eau. Nous nous sommes ici intéressé aux flux totaux de nitrates, mais même une

bonne estimation des flux grâce à un protocole adapté ne permet pas d’estimer

l’autre paramètre tout aussi important en gestion de la qualité de l’eau : la concen-

tration. Cette question est importante pour les dépassements du seuil de potabilité

pour les nitrates, mais elle l’est aussi pour d’autres molécules agricoles comme les

pesticide si les pics de concentration de courte durée ont une toxicité importante

sur l’écosystème aquatique.

50

Chapitre 2

Modélisation spatialisée destransferts d’azote sur le bassinversant d’Auradé

Ce chapitre décrit les bases de données historiques disponibles sur le bassin ver-

sant expérimental d’Auradé, et présente la modélisation des transferts d’azote ni-

trique sur le bassin versant. Ces bases de données nous ont permis de calibrer 2

modèles de bassins versants, SWAT et TNT2. Ces deux modèles couplés ont pour

même objectif de simuler les bilans d’azotes journaliers à l’échelle du bassin afin de

simuler le qualité de l’eau de rivière à l’exutoire. L’incertitude sur les estimations de

flux d’azote journalier par rapport au protocole d’échantillonnage utilisé depuis 1985

est discutée à la lumière des conclusions du chapitre précédent. Ces modèles ont été

calés sur les flux d’eau et de nitrate estimés sur la base des mesures historiques de

qualité de l’eau à l’exutoire, ainsi que des données agricoles de rendement. Les choix

de modélisation y sont justifiés et décrits, puis la comparaison des résultats de la si-

mulation de chaque modèle est présentée et discutée sous le format d’un publication

soumise à Journal of Hydrology.

51

Modélisation spatialisée des transferts d’azote sur le bassin versant d’Auradé

2.1 Bases de données disponibles

2.1.1 Bases de données hydrologiques

Le site a été historiquement choisi pour établir une relation entre pratiques

de fertilisation et concentration en nitrates car il représente une entité hydrolo-

gique facilement échantillonnable : en effet, toute l’eau percollée dans le bassin

passe à l’exutoire avec un temps de résidence relativement court. Les pertes d’azote

du bassin sont donc évaluables en faisant un échantillonnage des concentrations

en N-NO3 en ce point. Les débits et concentrations ont été mesurés depuis 1985

jusqu’à nos jours, avec une volonté d’échantillonner les concentrations en fonc-

tion des changements de régimes hydrologiques. La base de données brutes est

constituée de 8436 mesures instantanés de concentration en nitrate et de hauteur

d’eau correspondante (du 02/10/1985 au 01/09/2001). Un effort tout particulier

d’échantillonnage a été réalisé les 5 premières années, puisque plus de la moitié des

mesures ont été réalisées durant cette période. Certaines crues majeures ont per-

mis de mettre en évidence les hystérésis de concentrations en fonction de l’intensité

des débits (voir chapitre 1).

La figure 2.1 (page 54) présente les débits mesurés continuellement et ramenés

à une moyenne par jour, la pluie journalière et la concentration moyenne par jour

lorsqu’au moins un échantillon a été prélevé ce jour là. Ainsi, 2834 jours ont été

échantillonnés sur les 5814 de la période modélisée. Cette chronique a servi ensuite

à calculer des flux journaliers afin de caler les modèles. Au delà du 01/09/2001,

la pluie n’a plus été mesurée sur le bassin jusqu’en 2005.

La figure 2.1 montre que les débits sont marqués par des événements de crue

sur de courtes périodes correspondant à de l’écoulement superficiel (ruissellement

superficiel de versants), l’écoulement hypodermique (ressuyage oblique à travers

les pores non capillaires des sols, semelles de labours, horizons d’accumulation

argileux) et l’écoulement de base ou écoulement de nappes superficielles (nappes

intramolassiques des lentilles sableuses) et plus profondes (nappes colluviales de

fonds de versants)[Ribeyreix-Claret, 2001]. Ce dernier écoulement marque l’écou-

lement de base du ruisseau qui suit un cycle saisonnier marqué mais dont l’in-

tensité dépend très fortement de l’année hydrologique. Les années hydrologiques

sont contrastées avec des années sèches (1988-1992) et des années plus humides

(1992-1995) (voir tableau 1.1 (page 14). L’échantillonnage des concentrations s’est

fait en fonction de l’évolution de la hauteur d’eau, avec un effort de suivi des crues.

52


En effet, les concentrations varient extrêmement rapidement et intensément avec

la hauteur d’eau (voir chapitre 1).

La topographie a été numérisée puis rasterisée pour les besoins de ce travail

(avec un outil SIG, voir carte 2.4(b)). Ce raster est une grille de mailles carrées de

5 × 5 mètres). Chaque maille contient une information d’altitude, représentée ici

par une couleur. C’est à partir du MNT que l’on peut calculer des caractéristiques

hydrologiques, pentes locales, sens des écoulements, positionnement des chemins

préférentiels de l’eau. Deux méthodes ont été utilisées dans cette thèse pour les

deux modèles : TNT2 utilise MNTSurf (développé à l’INRA de Rennes, UMR SAS)

pour les calculs de trajets multidirectionnels spatialisés de l’eau, SWAT utilise la

ToolBox Hydrology développé par ESRI, dans le logiciel payant ARCGIS, pour cal-

culer les sous-bassins versants, les pentes et l’emplacement des ruisseaux.

53


0

0,1

0,2

0,3

0,4

Daily discharge (m3.s-1)0 20 40 60 80 10

0

Daily rainfall (mm)

10/198510/198610/198710/198810/198910/199010/199110/199210/199310/199410/199510/199610/199710/199810/199910/2000

0102030

Daily Nitrate concentration (mgN.L-1)

0.62

80.

548

FIG

UR

E2.1

–D

aily

dis

char

ge(L

.s−

1),

rain

fall

(mm

),n

itro

gen

con

cen

trat

ion

(mgN

-NO− 3

.L−

1m

easu

red

inM

onto

uss

éri

ver,

atth

eou

tlet

ofau

radé

bas

in(s

ourc

eG

PN

-Tot

al)

54


2.1.2 Calcul des flux d’azote journaliers et incertitude

a - Méthode de calcul des flux

Pour valider les modèles sur les flux d’azote à l’exutoire, nous avons utilisé la

base de données de concentration journalière (présentée dans la figure 2.1) pour

calculer un flux de référence en interpolant les concentrations journalières linéai-

rement suivant la méthode M2 décrite dans le chapitre 1, equation 1.4. Le pas de

temps considéré est donc la journée.

b - Incertitude de la méthode d’interpolation

L’évaluation des erreurs potentielles de l’estimation d’un flux sur la période de

deux ans étudiée dans le chapitre 1 donne une idée de l’erreur d’estimation du

flux pour la période de 14 ans (1987-2001) utilisée pour valider les modèles. En

supposant que la fréquence d’échantillonnage est de deux jours, on peut supposer

que l’erreur d’estimation des flux pour deux ans est comprise entre +1.5% et -4%.

Pour rapporter cette erreur d’estimation sur les 14 ans, nous avons utilisé le

théorème de la limite centrale qui suppose que toute somme de variables aléatoires

indépendantes et identiquement distribuées tend vers une variable aléatoire gaus-

sienne. Nous avons calculé la distribution des erreurs dans l’estimation des flux

trimestriels par sous-échantillonnages de deux jours sur le signal de concentration

des deux années présenté dans le chapitre 1. L’hypothèse qui est faite est que ces

variables sont indépendantes. La figure 2.2 montre la répartition de ces erreurs

autour de la moyenne µ = −11.3 et de l’écart-type σ = 36.3. Supposons donc que

l’erreur d’estimation des flux d’azote sur les 14 années de suivi est une suite de

variables aléatoires indépendantes qu’est l’erreur d’estimation des flux trimestriels.

L’erreur d’estimation cumulée sur n trimestres aura une répartition d’écart-type

σT :

σT =√nσ (2.1)

avec σT l’écart type sur les flux totaux et σ l’écart type de la distribution des erreurs

sur les flux trimestriels, n est le nombre de trimestres pour lesquels σT est calculé.

On a donc une distribution à 95 % des erreurs de flux sur l’intervalle [−√nσ ×

1.966; +√nσ × 1.966].

55


FIGURE 2.2 – Répartition de l’erreur d’estimation des flux trimestriels par sous-échantillonnage de la concentration des deux années de suivi (2006-2008) sur Auradé.Le sous échantillonnage est fixé à 2 jours, l’erreur d’estimation est calculée par trimestre,sur l’ensemble du signal. La méthode d’interpolation des concentrations est linéaire, le cal-cul des flux est fait à partir de l’équation 1.4 (page 30). L’espérance µ et l’écart-type σ sontrespectivement de -11.3kgN et 36.3kgN par trimestre.

56


c - Discussion sur l’incertitude

La figure 2.3 montre le cumul des flux d’azote interpolés et l’intervalle à 95%

des erreurs possibles pour n = jouri/365 × 4. Cette incertitude grandit au cours

du temps, mais peu rapidement car les erreurs d’estimation s’annulent. L’écart

type final, σnT avec n = 14× 4 trimestres, correspond à moins de 0.9%, contre 2.2%

pour la période de deux ans suivie. L’erreur d’estimation des flux totaux est faible

car la concentration journalière est échantillonnée souvent dans cette étude. Ce

résultat a déjà été mis en évidence dans les travaux de Robertson et Roerish [1999],

qui ont suivi de manière extensive la qualité de l’eau (phosphore) de 8 bassins

versants agricoles de petite taille (14 à 110 km2) pour ensuite sous-échantillonner

à intervalle fixe les concentrations et calculer des flux sur une ou plusieurs années.

Les intervalles d’échantillonnages optimum trouvés ne sont pas les mêmes suivant

la période pour laquelle le flux est calculé. Dans cette étude, les auteurs montrent

qu’il faut échantillonner les concentrations tous les mois, avec en parrallèle

un protocole de suivi de crue pour évaluer les flux annuels avec une bonne

certitude, tandis qu’une période de 15 jours d’échantillonnage suffit pour esti-

mer sans biais significatif et avec une bonne précision les flux sur 2 années ou plus.

Il faut pourtant rappeler que l’incertitude de l’estimation de la concentration

journalière (parfois plusieurs mesures de suivi de crue, souvent une seule don-

née) n’est pas estimée dans cette méthode, seule l’erreur d’interpolation basée sur

l’échantillonnage d’un jour sur deux est prise en compte. L’intervalle d’échantillon-

nage réel n’est pas fixe, mais en moyenne un jour sur deux est échantillonné. De

plus un effort de suivi de crue a été fait tout au long des 14 années de suivi. Ainsi,

les concentrations journalières de ce type d’évènements sont pour la plupart re-

présentatives des variations de concentrations pondérées par les hauteurs d’eau

instantannées. Nous pouvons donc dire que le cumul des flux est une variable qui

peut être utilisée pour caler les modèles. Le chapitre 1 montre en effet la variabilité

des concentrations à des échelles de temps infra-journalières, mais l’erreur sur les

cumuls est considérée comme faible.

2.1.3 La base de données pédologique

Une cartographie des sols d’Auradé a été réalisée en 2005 par EcoLab en par-

tenariat avec SolConseil (Strasbourg). Le repérage des types de sols a mis en évi-

dence 12 unités cartographiques correspondant à un type de sol prédominant, et

57


FIGURE 2.3 – Cumul des flux journaliers interpolés (ligne pleine) et domaine d’incertitude(entre les lignes pointillées) de l’interpolation linéaire des concentrations journalières me-surées. L’espérance µT et l’écart-type σT sont respectivement de -632.8kgN et 534 kgN aubout de 14 ans.

58


dans lequel une dizaine de profils ont permis de caractériser chaque type de sol. Le

contexte général pédologique est le ’Terrefort’. Les différents sols rencontrés sont

distribués graduellement en suivant principalement le relief, le matériel parental

et la proximité du réseau hydrographique. Les sols décrits sont principalement

calcaires et agricoles, un profil sous forêt nous a permis de paramétrer un type

de sol sous forêt en entrée des modèles. La carte 2.4(b) présente une simplifica-

tion des 12 unités cartographiques en 5 zones pédologiques de caractéristiques

hydriques semblables afin de rendre plus lisible la carte. Les 12 unités cartogra-

phiques ont été prises en compte dans les modèles, notamment pour les paramètres

chimiques comme la teneur des horizons en calcaire ou matière organique. Les sols

sont peu profonds, avec une profondeur maximale de 2 mètres en fond de vallon,

une moyenne de 1m pour les sols de mi-pente et des épaisseurs plus faibles pour

certains sols de haut de pente. Les sols de fond de versant colluvio-alluviaux, les

plus profonds, représentent 17% des sols du bassin, et sont répartis le long du

réseau hydrographique. Les horizons les plus profonds de ces sols présentent des

traces d’hydromorphie active, mettant en évidence une zone de battement de nappe

[Bur, 2008].

2.1.4 La base de données agricoles

L’assolement a été suivi et enregistré à la parcelle dans de multiples bases de

données gérées par l’Association des Agriculteurs d’Auradé. La base a été ensuite

standardisée via les SIG par le CESBIO (Centre d’Etudes Spatiales de la BIOsphère,

UMR UPS-CNRS-CNES-IRD). Le découpage parcellaire minimal a été obtenu en su-

perposant les cartes pour chaque année de suivi. Le résultat rasterisé est présenté

dans la figure 2.5. Ainsi, 92 parcelles agricoles ont été identifiées ainsi que 8 par-

celles en jachère. Cette carte montre les surfaces concernées par les aménagements

paysagers intervenus pendant la période d’étude (vers 1992). Les bandes enherbées

le long des ruisseaux et fossés (Appelé Rye-grass strips sur la carte) ainsi que des

linéaires de peupliers à l’intérieur de parcelles en fond de vallon (appelé Poplar band

sur la carte) ont été plantés dans le but de limiter les transferts de nitrate dans le

cours d’eau, en n’appliquant plus les fertilisants dans ces zones d’accumulation de

flux d’eau.

Le travail de thèse de Ribeyreix-Claret [2001] nous a permis de compléter la base

d’occupation du sol par parcelle de 1985 à 2001 pour pouvoir utiliser cette base de

données en entrée des modèles. La rotation principale observée sur ce bassin (plus

59


River cells

Subbasin limitation

Road and farm

minor soils

sand lenses

Shallow middle- top hillside soilsintermediate bottomhillside soilsdeep colluvialsoils

Digital Elevation Modelaltitude max : 276

altitude min : 172

Modèle numérique de terrain: délimitation des sous bassins versant,Calcul des mailles rivières

Cartes des sols: 12 unités cartographiques distinctes simplifiées à 5

(a)

(b)

500 0 500250 Meters

¯

FIGURE 2.4 – Cartes des données spatialisées rasterisées sur Auradé : (a) le Modèle Numé-rique de Terrain (source : cette thèse), (b) la carte simplifiée des sols (source : Sol Conseil-EcoLab, 2006 décrite dans les travaux de Bur [2008]).

60

2.2 Modèles retenus

de 70% de la Surface Agricole Utile chaque année) est composée de blé d’hiver,

semé en octobre, récolté en juillet, et de tournesol planté l’année d’après en avril,

récolté en octobre. D’autres cultures sont présentes dans les assolements comme

l’orge de printemps, le colza, le maïs grain (non irrigué), l’avoine ou le sorgho. La

base de données produite dans ce travail de thèse est issue du recoupement des

données existantes en format papier (annexe de la thèse de Ribeyreix-Claret [2001])

et des données déjà collectées et numérisées par le CESBIO. La relative simplicité

de l’assolement ainsi que la petite échelle de renseignement de l’assolement moyen

annuel de cette thèse (renseignement par 5 sous bassins versants) permet de pen-

ser que l’incertitude sur la donnée d’assolement à la parcelle est faible, mais que

plus on remonte dans le temps et plus l’incertitude grandit. Cette base de données

continue d’être alimentée par l’Association des Agriculteurs d’Auradé.


Cette section est en partie tirée d’une note technique sur les choix de modélisa-

tion faits dans le projet ’CONCERT’EAU’, (F. Oehler, communication personnelle).

2.2.1 Choix de modélisation

L’approche de modélisation retenue pour simuler les transferts d’azote dans ce

bassin versant relativement bien renseigné sur une longue période est la modélisa-

tion agro-hydrologique. Différents choix de modélisation sont alors possibles :

– la modélisation à base physique, qui a le mérite de tenir compte de la struc-

ture spatiale du bassin mais qui nécessite une phase de paramétrisation im-

portante et des données structurales difficile à acquérir.

– l’utilisation de modèles à réservoirs conceptuels utilisés pour certains modèles

de transfert de soluté [Kauark-Leite, 1990] mais apparaissent limités pour

simuler l’impact spatial de l’agriculture sur la qualité de l’eau [Beaujouan,

2001]

– l’utilisation de modèles conceptuels à bases physiques, distribués ou semi-

distribués, qui conceptualisent des processus et facteurs réels. La simplifica-

tion de cette approche permet un paramétrage moins lourd tout en pouvant

découper le bassin en unités homogènes sur une base physique.

C’est cette dernière approche qui semble être la plus utile sur le bassin versant.

D’une part, peu de données physiques sont disponibles pour un modèle à base

61


FIGURE 2.5 – Carte raster des parcelles agricoles sur Auradé (découpage minimale pourla période 1985-2001) : les aménagements paysagers n’ont été faits qu’à partir de 1992(source : Association des agriculteurs d’Auradé). La rotation majoritaire à plus de 90% estblé-tournesol.

62


physique. D’autre part, les données disponibles permettent de réaliser un décou-

page en zones homogènes du bassin versant sur une base physique : les sols (pro-

priétés hydriques globales), les pentes (vitesse et direction de l’eau) et les parcelles

agricoles (couvert végétal et évapotranspiration). Ils sont le plus souvent construits

conceptuellement sur un couplage modèle agronomique - modèle hydrologique.

L’objectif du travail étant de relier l’utilisation agricole du sol et les itinéraires

techniques, l’utilisation de modèles intégrant des modules agronomiques détaillés

est indispensable. Il en existe plusieurs de ce type, spécifiquement développés pour

modéliser les pollutions diffuses. Ils se distinguent par la façon dont est représenté

l’espace, son niveau de discrétisation. Certains modèles vont fonctionner à l’échelle

d’une maille, souvent carrée, dont la taille peut varier de 1 m2 à 1 km2. Ceux-ci

sont adaptés à la modélisation sur de petits bassins versant. Les modèles retenus

et entrant dans cette classification sont TNT2 [Beaujouan et al., 2002] et ANSWERS

[Beasley et al., 1980].

D’autres modèles vont discrétiser l’espace en très grandes unités homogènes

fonctionnelles (une unité de sol, un sous-bassin...). L’organisation spatiale des dif-

férents objets (une parcelle par exemple) au sein d’une unité n’est pas représentée.

Ils ont néanmoins l’avantage d’être plus simple d’utilisation, et peuvent permettre

de modéliser de plus grands espaces (l’ensemble d’une région par exemple). Les

modèles de ce type sont INCA [Whitehead et al., 1998], SWAT [Arnold et al., 1998],

SWIM [Krysanova et al., 1998] et WAMView [Bottcher et al., 2002].

L’ensemble de ces deux types de modèles sont le plus souvent construits concep-

tuellement sur un couplage modèle agronomique - modèle hydrologique. Les mo-

dèles parcellaires agronomiques sont par exemple de type STICS [Brisson et al.,

1998], développé à l’INRA ou GLEAMS (Groundwater Loading Effects of Agricultu-

ral Management Systems) [Leonard et al., 1987], modèle descendant de CREAMS

(Chemicals, Runoff, and Erosion from Agricultural Management Systems) [Kinsel,

1980] et développé à l’université de Georgie (Etats-Unis) en coopération avec l’USDA

(United States Department of Agriculture). Ces modèles décrivent les flux d’eau,

d’azote, de phosphore et de pesticides à l’échelle de la parcelle culturale, au pas de

temps journalier, en posant l’hypothèse que la nature du sol et les conditions cli-

matiques y sont homogènes (il est donc important de définir des unités homogènes

préalablement). Ces types de modèle permettent notamment d’estimer l’impact des

pratiques sur la lixiviation potentiel des nutriments (azote et phosphore) et des

pesticides à travers les horizons de la zone racinaire (la partie dite ’agronomique’

du sol). Ils estiment en général également le ruissellement de surface et le trans-

63


port de sédiments. Ils peuvent donc fournir des estimations de l’impact des dates

de plantation/récolte, du travail du sol, de l’irrigation et des apports selon leur

quantité ou fréquence sur ces flux. Ce sont des modèles fonctionnels, mais certains

compartiments sont construits autour de lois physiques, et d’autres autour de lois

statistiques. Seuls, non spatialisés, ces modèles ne permettent pas l’étude des flux

à l’échelle du bassin versant.

2.2.2 Modèles choisis : TNT2 et SWAT

Une fois l’identification des modèles à priori adaptés à la problématique, le choix

final est dirigé par plusieurs critères, dont certains sont plus ou moins subjectifs,

ou du moins soumis à des contraintes techniques, c’est à dire d’ordre informatique

(interface utilisateur, qualité des codes sources, puissance de calcul nécessaire...),

de politique d’établissement, et surtout d’antériorité/expérience de l’utilisateur sur

un modèle. Le facteur expérience conditionne largement la performance du mo-

dèle : on ne peut dissocier le modélisateur du modèle pour évaluer la performance

de la modélisation, où un regard critique sur la qualité des données d’entrée et

la calibration des paramètres est indispensable. Cet effet utilisateur a été montré

notamment sur la modélisation des pesticides [Vanclooster et al., 2000].

Nous avons retenu, à priori, 2 échelles de modèle, pour pouvoir évaluer les chan-

gements de pratiques agricoles / usages du sol. Un modèle nous permettant une

évaluation sur de grands espaces, et de grands cours d’eau (sur la Save, chapitre 4),

et un modèle plus fin, fonctionnant sur de petits bassins, pour évaluer des change-

ments d’organisation spatiale (par exemple l’effet de changement d’occupation du

sol dans des zones sensibles du bassin).

Le modèle SWAT a été choisi pour modéliser les flux d’azote en intégrant les

variables spatialisée par sous bassin-versant. cette approche semi-distribué permet

de modéliser quelque soit l’échelle considérée (Auradé ou Save). Il possède une

interface utilisateur intégrée à un Système d’Information Géographique (ARCGIS),

sa documentation est fournie, son code source libre, et il y a un suivi important et

de nombreuses publications, dont des comparaisons avec d’autres modèles.

Le modèle TNT2 a été choisi pour modéliser de manière distribuée les proces-

sus agro-hydrologiques de transferts d’azote dans le paysage, à l’échelle du bassin

versant d’Auradé. Il n’est pas adapté à l’échelle de la Save pour deux raisons :

l’hypothèse de gradient topographique pour la simulation de la nappe n’est plus

vérifiée en plaine alluviale, et les transferts d’eau dans la rivière se font en moins

64

2.3 Concepts de fonctionnement de TNT2 et SWAT

d’un jour, pas de temps de calcul. Le code source est libre, il est utilisé au CNRS,

en collaboration avec le laboratoire où il continue d’être développé (INRA Rennes,

UMR SAS).


2.3.1 Spatialisation des processus

Le choix d’un modèle distribué et semi-distribué permet de comparer l’approche

aggrégative de SWAT et la simulation de l’intéraction sol nappe spatialisée dans

TNT2. La comparaison n’a d’intérêt que parce que les modèles simulent les proces-

sus locaux de manière proche, mais aggrègent les résultats différemment. La figure

2.6 montre l’organisation spatiales entre unité de simulation pour SWAT et TNT2.

L’unité de calcul de TNT2 est la maille du MNT. La grille de mailles régulières (pour

cette étude 5 × 5mètres) représente le bassin versant. Ainsi, les mailles sont posi-

tionnées les unes par rapport aux autres en fonction de l’analyse des altitudes de

chaque maille, les chemins préférentiels de l’eau et les mailles correspondant à la

rivière sont identifiés. Tous les processus sont simulés à cette échelle et sont dépen-

dants des calculs effectués sur les mailles voisines. L’unité de calcul dans SWAT est

la HRU (Hydrological Response Units). Elle permet de spatialiser les processus du

cycle de l’eau et de l’azote à l’échelle de la colonne de sol, mais les transferts d’eau

et d’azote des versants jusqu’à la rivière ou à la nappe sont aggrégés par sous-

bassins. La figure 2.7 illustre les différences d’intégration des données spatiales

pour les deux modèles. Le nombre de mailles dans TNT2 est bien plus important

que le nombre de HRU dans SWAT (respectivement 134 013 et 1756), c’est notre

choix d’intégrer l’information spatiale disponible avec la plus grande précision. Mais

le nombre de HRUs est assez important pour prendre en compte toutes les données

spatiales : entrée agricole (à la parcelle), types de sol, classe de pente. Les données

spatiales d’entrée sont ainsi les mêmes entre les deux modèles. Aucune simplifica-

tion n’a été faite dans SWAT, chaque HRU correspond à un type de sol, croisé à une

parcelle et une classe de pente. La principale différence réside dans le fait que la

maille dans TNT2 reçoit l’eau ruisselée des mailles situées en amont par exemple.

L’eau ruisselée des HRUs va directement au tronçon de rivière du sous bassin.

65


Représentation spatiale distribuée des versants pour TNT2

Représentation spatiale semi-distribuée des versants pour SWAT

Contribution des HRUs à la rivièreTransferts dans le réseau hydrographique jusqu’à l’exutoire du sous bassin versant

Trajet de l’eau dans les mailles rivières (les plus en aval)Trajet de l’eau d’une maille à une autre suivant le gradient topographique

Unité spatiale homogène

Nœud hydrologique

FIGURE 2.6 – Schéma illustrant la spatialisation des calculs et transferts d’eau et d’azotenitrique pour SWAT et TNT2 à l’échelle du versant. SWAT subdivise l’espace en sous-bassinsversants, la contribution à la rivière de chaque HRU est sommée. TNT2 subdivise l’espaceen mailles carrées connectées entre elles par un gradient topographique. les mailles en avalcontribuent en totalité à la lame d’eau journalière.

66


FIG

UR

E2.7

–S

pat

ial

dat

au

sed

inTN

T2

and

SW

AT

:so

ilm

apw

ith

14

soil

types

(12

agri

cult

ura

lso

ilty

pes

,1

for

urb

anar

eaan

d1

for

fore

st),

DE

M(5

x5m

),ag

ricu

ltu

ral

plo

tm

ap(9

2ag

ricu

ltu

ral

plo

ts).

Inte

grat

ion

ofth

ese

dat

aar

edet

aile

dfo

rfu

lly

dis

trib

ute

dm

odel

TN

T2

and

sem

i-dis

trib

ute

dm

odel

SW

AT.

67


2.3.2 Processus et paramètres dans TNT2

a - Transferts hydriques

Les principes généraux de fonctionnement sont décrits dans la figure 2.8. Les

transferts d’eau dans le bassin versant sont basés sur deux hypothèses majeures

de TOPMODEL [Beven et Kirkby, 1979; Beven, 1997] :

– le gradient hydraulique de chaque maille est constant et dépend de la topo-

graphie

– la conductivité hydraulique To diminue de manière exponentielle avec la pro-

fondeur, m étant le facteur de décroissance exponentielle controllant le profil

de conductivité.

Le model simule un bilan hydrique journalier pour chaque maille, et calcule des

transferts d’eau entre mailles, suivant leur positionnement respectif dans la pente.

Chaque maille est divisée en trois zones, représentant l’horizon de sol labouré, un

horizon intermédiaire et une épaisseur de roche altérée (appelé altérite) noté res-

pectivement TS, IS et RS. La porosité η de chaque couche est divisée en porosité de

rétention ηr et porosité de drainage ηd. Les valeurs de porosité pour chaque couches

peuvent être déduites de mesures de terrain, ou évaluées comme des paramètres

du modèle. Les porosités sont notées ηrs et ηd

s pour les porosités de rétention et de

drainage des couches de surface du sol, ηri et ηd

i pour la porosité de rétention et de

drainage de l’horizon intermédiaire du sol et ηrR et ηd

R pour la porosité de rétention

et de drainage des altérites. La profondeur des couches Zi détermine la capacité

hydrique de chaque réservoir. La quantité d’eau dans la porosité de drainage déter-

mine deux domaines, nommés zone saturée et zone non saturée. L’extention de la

zone saturée est simulée journalièrement dans le bassin versant. Le ruissellement

est simulé lorsque la quantité d’eau dans les couches du sol a dépassé la capacité

hydrique des couches, ou si l’intensité de la pluie journalière dépasse un seuil d’in-

filtration Horto − runoff , paramètre fixé par l’utilisateur pour chaque type de sol.

L’eau percolle à travers les couches du sol vers l’aquifère. Une remontée de l’eau

de nappe dans les horizons superficiels du sol assimilée aux remontées capillaires

est simulée. Cette eau de nappe se retrouve alors dans les couches racinaires du

sol, l’eau et les nitrates qui sont remontés sont alors à nouveau utilisable par les

plantes. Deux paramètres contrôlent la quantité d’eau et d’azote remontant par ca-

pillarité : krc et exp− n. Ils influencent indirectement les quantités d’eau et d’azote

utilisées par les plantes, et donc l’évapotranspiration et le rendement. Les trans-

ferts d’eau dans l’aquifère sont calculés de manière multidirectionnelle (choix de

68


modélisation justifié par Beaujouan [2001], chapitre 2), par rapport au gradient hy-

draulique. L’interaction entre les sols et l’aquifère est simulée pour chaque colonne,

dependant de la porosité de l’altérite.

69


8

Grou

nd-

water

Perco

lation

Deep

flow

Surfa

ce ru

noff

NON S

ATUR

ATED

ZONE

SATU

RATE

D ZON

E

Reten

tion

poros

ityDr

ainag

epo

rosity

Rainf

all +

upslo

pe ru

noff

Upslo

pede

ep flo

w

ETR

Soil

Rego

lith

Nitro

gentra

nsform

ation

Tem

péra

ture

Rayo

nnem

ent

ETP

Plui

e

(1)D

évelo

ppem

ent (

IF)

(2)In

terce

ptio

n(3

)Con

versi

on (M

S)

(4)R

épar

titio

n

ETR

(6)B

ilan h

ydriq

ue(7

)Bila

n azo

téGr

ains

(nom

bre+

PMG)

Eau d

u sol

Azot

e du s

ol

(5) e

nrac

inem

ent

(8)S

tress

Biom

asse

(tige

s+fe

uille

s)de

man

de

offr

e

STIC

S

FIG

UR

E2.8

–TN

T2

:u

nco

upla

gedu

mod

èle

hyd

rolo

giqu

edis

trib

ué

TO

PM

OD

EL

[Bev

en,

1997]

etdu

mod

èle

agro

nom

iqu

eS

TIC

S[B

riss

onet

al.,

1998](d

’aprè

sB

eau

jou

an

[2001]).

Pri

nci

pau

xpro

cess

us

mod

élis

és.

70


b - Transfert et transformation de l’azote

Les transformations de l’azote et la croissance des plantes sont simulés par

des modules dérivés du modèle de culture générique STICS [Brisson et al., 1998].

Les calculs se font pour chaque maille, et dépendent de la position de la maille

dans le bassin, de l’extention de la zone saturée et de la profondeur du toit de la

nappe. Sept modules simulent : le développement et la croissance des plantes, le

rendement de chaque organe de la plante, la croissance racinaire, le bilan hydrique,

la température environnante et le bilan d’azote à la maille [Beaujouan et al., 2002].

Pour chaque maille, le modèle simule l’évapotranspiration réelle en fonction :

– du couvert de végétation

– de la profondeur d’enracinement

– de l’humidité du sol

– du prélèvement d’eau et d’azote par les plantes

– d’un stress associé à un manque d’eau ou d’azote.

Il simule également les transformations de l’azote dans le sol et la percolation de

l’eau et de l’azote à travers le sol vers la nappe. Les transformations d’azote dans

les sols sont décrits par la minéralisation de deux fractions de matière organique

(fraction humique et résidus de culture), et dépendent de la teneur en eau du sol,

de la température et l’organisation. Les paramètres qui controllent le taux potentiel

de minéralisation Fmin1, Fmin2, Fmin3 sont dérivés de STICS et calibrés pour des

cultures sous climat tempéré. La dénitrification est simulée par correction d’une

vitesse potentielle de dénitrification (V pot− denit) pour chaque sol par des facteurs

de la teneur en eau du sol, la température du sol et la quantité d’azote de chaque

maille pour une profondeur donnée. Le module de dénitrification est une adaptation

du modèle NEMIS [Hénault, 1995]. Ce modèle nécessite une calibration des para-

mètres sur des mesures spatiales et temporelles de dénitrification [Oehler et al.,

2009]. Aucun processus de transformation dans la rivière n’est simulé, chaque

cellule du réseau de drainage calculé à partir du MNT est utilisée pour simuler

les débits et les teneurs en nitrates à l’exutoire. Les paramètres et les gammes de

valeur utilisées pour l’étude sont présentés dans la table 2.1.

71


TABLE 2.1 – Parameter for water storage capacity and main processes of water andnitrogen transfert and transformation.

TNT2 SWATSoil 10<ηd

s<12% 7<SOL−AWC<24%properties 10<ηr

s<20% 32<SOL−K<33 mm/hr4<ηd

i <20% SOL− Zi

8<ηri <25% ESCO=0.3

Zi

Groundwater 4 < ηdR<7% GWQMN=60mm

capacity 8 < ηrR<14%

Transfert To=1m2.j−1 GW −DELAY =31m=0.1 m ALPHA−BF=0.01 daylocal hydrological gradient NPERCO=0.01

Runoff Saturated zone extention CN2forest=55 CN2crop=76Horto−Runoff=90mm CN2urban=90

SOL− CRK=10%Capillarity krc=0.0005 GW −REV AP=0.02

exp− n=4 REV APMN=60mmMineralization Fmin1=0.5 106.day−1 CMN=0.002Denitrification V pot− denit=0.2 gN.m−2.day−1 CDN=0.25

saturated zone extention SDNCO=1Plant generic plant parameters generic crop data basegrowth (STICS) parameters of SWAT

72


2.3.3 Processus et paramètres dans SWAT

a - Paramètres contrôlant les transferts hydriques

Les principes généraux de fonctionnement sont illustrés sur la figure 2.9. Les

processus d’évapotranspiration, d’infiltration, de ruissellement, d’écoulement su-

perficiel et de percolation sont pris en compte pour simuler les transferts d’eau.

Chaque sol est verticalement divisé en couches de profondeur variable (SOL − Zi)

dont le nombre est défini par l’utilisateur. Les propriétés de chaque couche sont

paramétrées par une capacité au champ ou volume d’eau potentiel utilisable par

les plantes (SOL − AWCi), une conductivité hydraulique à saturation (SOL − Ki),

un volume porale en condition sèche (SOL − CRKi) et une proportion d’argile, de

limons et de sable. Les intéractions entre les transferts de surface et les trans-

ferts sous-terrain sont simulés à l’aide d’un modèle développé et décrit par Arnold

et al. [1993]. Le ruissellement de surface des pluies journalières est calculé avec

la méthode des ’Curve Number’ décrite dans USDA-SCS [1972]. Cette méthode es-

time un ruissellement de surface et une infiltration à partir des pluies journalières

en fonction de l’humidité du sol ou état de saturation du sol. Nous avons donc

utilisé le paramètre CN2 donné pour chaque type de HRU. Pour assumer une va-

riation dans le volume des pores en période sèche causée par la dessication des

argiles, l’utilisation du paramètre SOL − CRKi a permis de générer plus d’infiltra-

tion pour ces périodes. L’eau qui percole des couches les plus profondes du sol vers

l’aquifère correspond à un excès d’eau par rapport à la capacité au champ para-

métrée. L’eau entre donc dans l’aquifère qui est défini par différentes propriétés.

Les paramètres controllant le comportement des transferts dans la nappe sont :

GW −DELAY determinant un décalage entre le temps où l’eau sort du sol et entre

dans l’aquifère peu profond, ALPHA − BF est la constante de récession qui est

la réponse à la recharge de la nappe [Smedema et Rycroft, 1983]. GWQMN est la

quantité d’eau qui reste dans l’aquifère sans jamais se vider. Ce paramètre permet

de diminuer l’influence des fortes concentrations de l’eau lixiviée lorsque la nappe

est vide. Les teneurs en nitrates simulées dans la rivière au moment des reprises

d’écoulement sont alors ponctuellement moins fortes. L’évapotranspiration est éva-

luée pour chaque jour par l’évaporation des plantes en fonction de la période de

croissance, et de l’évaporation des sols. Ce dernier processus est controllé par un

facteur de compensation de l’évaporation des sols ESCO, unique pour tout le bas-

sin versant modélisé. GW − REV AP et REV APMN déterminent la quantité d’eau

correspondant à une remontée capillaire d’eau de l’aquifère peu profond jusqu’aux

73


FIGURE 2.9 – SWAT : un couplage du modèle hydrologique semi-distribué et du modèleagronomique EPIC. Principaux processus modélisés.

couches de la zone non saturée. GW − REV AP est un paramètre restrictif de ce

flux, REV APMN est le volume seuil d’eau dans l’aquifère peu profond en dessous

duquel les mouvements d’eau par capillarité sont inexistants. Nous n’avons pas

modélisé d’aquifère profond, non observé sur le terrain, seul donc l’aquifère peu

profond est modélisé.

b - Paramètres contrôlant les transferts et transformations de l’azote

Le cycle de l’azote est simulé à l’échelle de la HRU. Les processus simulés

sont basés sur l’approche du modèle agronomique EPIC [Williams et al., 1984].

L’approche conceptuelle de SWAT distingue un pool actif de matière organique et

un pool inactif. La quantité d’humus minéralisé du pool actif de matière organique

est controllé par un taux CMN considéré comme un paramètre du modèle.

Les équations du modèle de minéralisation sont adaptées du modèle PAPRAN

[Seligmand et Van Keulen, 1981]. SWAT est un modèle de minéralisation nette,

l’azote organique du pool actif est directement converti en nitrate. La dénitrification

74


n’est pas modélisée explicitement : les flux d’azote gazeux dépendent du taux de

minéralisation. Un coefficient de dénitrification CDN appliqué à l’ensemble du

bassin permet tout de même de contrôler la quantité de dénitrification simulée,

tandis que SDNCO est le seuil de quantité d’eau dans le sol au delà duquel la

dénitrification est activée. NPERCO contrôle la quantité de nitrate mobilisé par le

ruissellement des horizons de surface des sols, calculé en fonction de l’eau perco-

lée. La consommation des nitrates par les plantes est estimée par une approche

d’offre et de demande, où la demande journalière en azote est calculée comme

la différence de concentration de l’élément dans la plante et la concentration

optimale. L’azote lessivé est calculé pour chaque HRU et est évacué vers le réseau

hydrographique. A cette étape, SWAT est capable de simuler la transformation

des nutriments dans la rivière, basé sur un modèle de qualité de l’eau QUAL2E

[Brown et Barnwell, 1987]. Les flux d’eau, de nutriments, de sédiments de chaque

HRU sont accumulés dans le sous bassin correspondant et sont attribués au

principal tronçon de rivière du sous bassin. Les debits et les flux de matière sont

ensuite exportés vers le réseau hydrographique, d’un sous bassin à l’autre, jusqu’à

l’exutoire en utilisant la méthode variable storage routing method [Arnold et Allen,

1996].

Une comparaison des résultats de simulation des modèles est ensuite présen-

tées sous la forme d’une publication soumise à Journal of Hydrology.

75


2.4 Understanding nitrogen transfer dynamics in a small

agricultural catchment : comparison of a distributed

(TNT2) and a semi distributed (SWAT) modelling ap-

proaches

Sylvain FERRANT 1 2, François OEHLER 1 2 3, Patrick DURAND 4, Laurent RUIZ 4,

Jordy SALMON-MONVIOLA 4, Eric JUSTES 5, Philippe DUGAST 6, Anne PROBST 1 2,

Jean-Luc PROBST 1 2, José-Miguel SANCHEZ-PEREZ 1 2

Soumis à Journal of Hydrology

1. Université de Toulouse ; UPS, INPT ; Laboratoire d’Ecologie Fonctionnelle Ecolab ; ENSAT, Ave-nue de l’Agrobiopole - BP 32607 Auzeville-Tolosane - F 31326 Castanet-Tolosan Cedex - France

2. CNRS ; Ecolab,ENSAT, Avenue de l’Agrobiopole - BP 32607 Auzeville-Tolosane - F 31326 casta-net

3. present adress : National Institute of Water and Atmospheric Research PO Box 11115, Hamilton,New Zealand

4. INRA-Agrocampus Rennes 65 Route de Saint Brieuc CS 84215 35042 Rennes Cedex, France5. INRA-ENSAT Auzeville - BP 52627 31326 CASTANET-TOLOSAN Cedex, France6. GPN ; 16-32 rue Henri Régnault, 92902 Paris La Défense Cedex - France

76

2.4 Understanding nitrogen transfer dynamics in a small agricultural catchment :comparison of a distributed (TNT2) and a semi distributed (SWAT) modelling approaches

Résumé

L’approche de modélisation couplée agro-hydrologique est largement utilisée pour

étudier les interactions entre les pratiques agricoles et les caractéristiques phy-

siques des bassins versants et leurs impacts sur la qualité de l’eau de rivière. Nous

avons analysé les résultats de l’utilisation de deux approches de modélisation des

processus contrôlant la dynamique de l’azote (N) dans un bassin versant suivi pen-

dant 15 ans. Deux modèles agro-hydrologiques ont été appliqués : le modèle TNT2,

entièrement distribué et le modèle SWAT, semi-distribué. Les modèles ont été ca-

librés avec le même jeu de données d’entrée, essayant de reproduire les mêmes

lames d’eau drainée et bilans d’N annuels, pour comparer la variabilité spatiale et

temporelle des processus majeurs simulés. Les deux modèles simulent différents

cycles saisonniers de l’N du sol. Les processus majeurs mis en jeux sont la minérali-

sation et la dénitrification. TNT2 simule des variations saisonnières marquées avec

une nette augmentation de la minéralisation en automne, après une phase d’im-

mobilisation transitoire due à l’enfouissement de résidus de culture de faible ratio

C :N. SWAT simule une minéralisation de l’humus régulière avec une augmentation

quand les pailles sont enfouies suivie d’une lente diminution. La dénitrification est

majoritairement simulée en automne avec TNT2 en fonction de la dynamique de l’N

disponible dans le sol et des conditions hydro-climatiques. SWAT simule de la déni-

trification en hiver, quand l’N est disponible dans les couches de sol. La distribution

spatiale de ces deux processus est également différente : moins de dénitrification

est simulée dans les fonds de vallons et proche des fossés avec TNT2 dû à un trans-

fert rapide de l’azote dans ces zones. Les deux modèles reproduisent correctement

les tendances générales et la variabilité interannuelle des pertes d’N de ce petit

bassin versant agricole grâce à un jeu de données de calibration suffisant. Cepen-

dant, les processus de transformation et de transfert de l’N et leurs interactions

spatiales sont simulés différemment, en particulier la minéralisation et la dénitrifi-

cation dans les sols. L’utilisation de tels outils de prédiction de la qualité de l’eau

doit être alors considéré avec précaution si une calibration et une validation des

différents processus n’est pas effectuée.

77


abstract

The coupling of an hydrological and a crop model is an efficient approach to study

the impact of the interactions between agricultural practices and catchment phy-

sical characteristics on stream water quality. We analysed the consequences of

using different modelling approaches of the processes controlling the nitrogen (N)

dynamics in a small agricultural catchment monitored for 15 years. Two agro-

hydrological models were applied : the fully distributed model TNT2 and the semi-

distributed SWAT model. Using the same input dataset, the calibration process

aimed at reproducing the same annual water and N balance in both models, to

compare the spatial and temporal variability of the main N processes. The models

simulated different seasonal cycles for soil N. The main processes involved were N

mineralisation and denitrification. TNT2 simulated marked seasonal variations with

a net increase of mineralisation in autumn, after a transient immobilisation phase

due to the burying of the straw with low C :N ratio. SWAT predicted a steady humus

mineralisation with an increase when straws are buried and a decrease afterwards.

Denitrification was mainly occuring in autumn in TNT2 because of the dynamics of

N availability in soil and of the climatic and hydrological conditions. SWAT predicts

denitrification in winter, when mineral N is available in soil layers. The spatial dis-

tribution of these two processes was different as well : less denitrification in bottom

land and close to ditches in TNT2, as a result of N transfer dynamics. Both models

simulate correctly global trend and inter-annual variability of N losses in small

agricultural catchment when a sufficient amount data is available for calibration.

However, N processes and their spatial interactions are simulated very differently,

in particular soil mineralisation and denitrification. The use of such tools for pre-

diction must be considered with care, unless a proper calibration and validation of

the different N processes is carried out.

2.4.1 Introduction

Human activities have significantly altered the global nutrient cycle in temperate

areas such as Northeastern United States [Howarth et al., 1996; Berka et al., 2001;

Boyer et al., 2002], New Zealand [Gillingham et Thorrold, 2000; Monaghan et al.,

2005], Ireland [Neill, 1989; Watson et Foy, 2001] and United Kingdom [Webb et

Walling, 1985; Reynolds et Edwards, 1995; Whitehead et al., 2002b], Norway [Ble-

cken et Bakken, 1997], and France [Ruiz et al., 2002; Molenat et al., 2002; Martin

et al., 2004]. Global approaches have been used to get an overview of anthropogenic

impacts on water quality. Alvarez-Cobelas et al. [2008] studied nitrogen (N) export

78


rates from 946 rivers around the world as a function of quantitative and qualitative

environmental factors such as land-use, population density, dominant hydrologi-

cal processes. They concluded that regional modelling approaches are more useful

than global large-scale analyses. The N cycle at the field scale [Recous et al., 1997]

and transport dynamics at the catchment scale are relatively well known [Whelan

et Kirkby, 1995], but there is a need to understand direct interactions between

land cover and water pollution by nutrient in space and time. Internal processes

of N cycle could be dominant over external modification [Webb et Walling, 1985].

Many results highlight the poor correlation between N losses by agricultural soils

and nitrate concentrations in stream water [Böhlke et Denver, 1995; Modica et al.,

1998; Puckett et Cowdery, 2002; Molenat et al., 2002; Ruiz et al., 2002; Martin et al.,

2004]. Petry et al. [2002] have demonstrated that the nitrate concentration is mainly

controlled by hydrological conditions. Probst [1985] and Kattan et al. [1986] have

shown respectively in Garonne and Mosel basins that the annual N-exportation

rates (ratio between N river exportation and N fertiliser inputs) are proportionnal

to river discharge. Ohte et al. [2003] and Martin et al. [2004] showed that ground-

water nitrate concentration distribution is controlling seasonal nitrate variation in

the stream, Lapworth et al. [2008] showed that the shallow groundwater is both a

source and a sink for dissolved N, and that reducing conditions of riparian areas

are important in controlling N transformations.

Breuer et al. [2008] have made a non exhaustive review of widely used hydro-

biogeochemical mesoscale catchment models. In that scope, the coupling of an hy-

drology and a crop model seems to be an efficient approach in intensive agricultural

context to study the impact of the interactions between agricultural practices and

catchment physical characteristics on the dynamics of N attenuation in streams

[Mangold et Tsang, 1991; Vachaud et al., 1993; Styczen et Storm, 1995; Lunn et al.,

1996; Beaujouan et al., 2002; Whitehead et al., 2002a; Wade et al., 2004; Liu et al.,

2005; Flipo et al., 2007].

Coupled models have thus been developed and used since the 1980s to simu-

late N transformation at the field scale (SOILN [Johnsson et al., 1987], WAVE [Van-

clooster et al., 1995], LEACHN [Jabro et al., 1995], CREAMS [Kinsel, 1980]) or ni-

trate transfer at the catchment scale, (e.g. ANSWERS [Beasley et al., 1980]). Many

models have then been designed to study N dynamics and spatial interactions at

the catchment scale, using different level of details and different space and time

discretisation scheme (e.g. CATCHN [Cooper et al., 1994], CWSS [Reiche, 1994],

DAISY/MIKE-SHE [Styczen et Storm, 1993; Christiaens et Feyen, 1997; Refsgaard

79


et al., 1999], NMS [Lunn et al., 1996], SWAT [Arnold et al., 1998], INCA [Whitehead

et al., 1998; Durand, 2004; Granlund et al., 2004], SHETRAN [Birkinshaw et Ewen,

2000], TNT2 [Beaujouan et al., 2002], DNMT [Liu et al., 2005]).

Recent studies show that the accuracy for the simulation of non-point source

pollution of streams can be improved through the coupling of more detailed N

transformation models within semi-distributed hydrological models [Borah et Bera,

2004; Li et al., 2004].

Our aim was to analyse the consequences of using different modelling ap-

proaches on the simulation of N dynamics in small agricultural catchments. In that

scope we used two models which were designed with a focus on N processes (rather

than on the hydrology) and with similar level of spatial and temporal resolution for

the simulation of field scale processes : TNT2 and SWAT. We tested both models on

a small agricultural catchment monitored for 15 years in South of France.

2.4.2 Material and methods

a - Study site and study period

The Montoussé catchment at Auradé (Gers, France) is an experimental research

site studied in collaboration with the fertilizer manufacturer GPN-TOTAL. Nitrate

measurements were started in 1985 by AZF Toulouse (now GPN) to assess the im-

pact of agricultural practices and landscape management on nitrate concentrations

in streams. The Montoussé stream was selected for intensive survey because of its

fast hydrological response and the intensive agricultural context. It is a tributary

channel of the Save River, itself a left tributary of the Garonne River, located in

Gascogne, an intensively cultivated region in south-west France (figure 1.2, page

15). The general characteristics are summarized in table 1.2 (page 16) : the catch-

ment is small, hilly and 88.5% of the surface is used for agriculture. The substra-

tum consists of impervious Miocene molassic deposits. Only a shallow aquifer is

present, since the substratum is rather impervious (clays) except some sand lenses

that supply springs. Agriculture is mainly a sunflower and winter wheat succession

with mineral fertilization.

During the study period (October 1985 - September 2001), dry years (1986-

1990) were followed by more humid years (1992-1996) (table 1.1). The ’Gers’ dis-

trict is under the influence of a oceanic climate, which is characteristic of western

France, and sometimes influenced by the Mediterranean climate. The mean annual

80


rainfall during the study was 656 mm , with a maximum daily rainfall of 90 mm.

Few daily rainfalls exceed 40 mm. Intensive rainfall is often observed during spring

or autumn and generate large runoff events. Mean year temperature is 14.5 ◦ Cel-

sius, with minimums around 0-1 ◦ Celsius in winter and maximums about 29-30 ◦

Celsius in summer.

During the last decade, good management practices have been carried out to de-

crease N leaching from soil and nitrate transfers to the stream. The more significant

actions were raising farmers awareness about the best use of mineral fertilizers, the

implementation of rye-grass and poplar stripes along the stream and ditches, and

a delay in the burying of straws after harvest. The efficiency of each action has not

yet been evaluated.

b - Agricultural practice survey

The agricultural practices have been surveyed by the ‘Association des Agricul-

teurs d’Auradé’ for the whole study period by yearly inquiries of farmers and field

observations. Dates of plant sowing, tillage operations, fertilizer application and

crop harvest, amount of fertilizer applied, crop yields are given for each agricultu-

ral plot, each year since 1992. The average yields for durum wheat, bread wheat,

sunflower were, respectively, 5.2, 6.3 and 2.4 ton.ha−1. The average quantity of fer-

tilizer applied were 182, 154 and 30 kg N.ha−1.y−1 respectively for durum wheat,

bread wheat and sunflower. Sunflower is generally sown in April and harvested in

October, winter wheat is sown in November and harvested in July. Fertilizer are

applied between January and April, sometimes in May for winter wheat. Winter

wheat - sunflower succession implies a long period of bare soil between the harvest

of wheat in July and the sowing of sunflower in March or April. Even if the the

farming system is simple and homogeneous, this data base is not complete. Some

uncertainties remain, especially regarding the dates of fertilizer applications and

possible variations between plots.

c - Nitrate concentration and water discharge survey

Nitrate concentration and water flow were surveyed from 1985 to 2004 at the

catchment outlet. The discharge was measured continuously by DIREN (Direction

Régionnale de l’Environnement) and rainfall was monitored with a tipping bucket

rainfall station within the catchment. The frequency of sampling for nitrate concen-

81


tration measurement was controlled by the volume of water discharged, using an

ISCO 3700 Portable Sampler. 2834 days among the 5814 days of the study period

have been sampled with a minimum of one sample per day for nitrate concentra-

tion.

Figure 2.1 show the daily concentration for days when there is measurement.

The water yield varied during the study period (table 1.1). The hydrograph shows

extreme flood events (figure 2.1). The maximum daily water flow measured was 628

L.s−1, and the peak flows of the major seven events was over 200 L.s−1. Base flows

are contrasted between humid and dry years, with a maximum of 50 L.s−1 in winter

1993 and a maximum of 5.5 L.s−1 in winter 1990. The nitrate concentrations are

high with an overall mean concentration of 11 mg N-NO−3 (max and min of 32.2

mg N.l−1 and 1.2 mg N.l−1). Highest concentrations are observed during spring

and summer after an increase during the end of winter. These concentrations are

associated with high discharge in spring and low flow period in summer. Nitrate

concentrations then decrease to an annual minimum of 5 to 7 mg N.l−1) between

the end of summer and the begin of winter.

d - soil description

A soil mapping of the catchment was carried out in 2006 by Sol-Conseil and

EcoLab. Twelve soil types were defined for the catchment. Two of them are in lower

part of the catchment and are deeper (2 meters) than soils in the middle slope (1

meters depth). The deepest soils have 2.1% of organic matter in the first layer (0-20

cm), and 1.2 % up to 45 cm. The other soils generally contain around 2 % of organic

matter in the first layers, decreasing with depth to 0.5 % at 30 cm. Most of soils

contain 30 to 42 % of clay in the first layers, increasing generally with depth. The

soil characteristics have been used to set most of the soil and aquifer parameters

in both models.

e - Models description and applicability

Rational behind the choice of two models TNT2 has been chosen because

the crop and hydrological modules are entirely distributed. It had been designed,

calibrated and validated for north-western European catchment conditions [Beau-

jouan et al., 2002; Viaud et al., 2005; Oehler et al., 2009] where hydrology is driven

by shallow aquifers (presence of a shallow impermeable bedrock) and agriculture

82


is mainly livestock / dairy farming with maize, temporary grasslands and winter

cereals. SWAT has been chosen as one of the most commonly used and well sup-

ported water quality modelling systems available. It can be applied on medium to

very large catchments, and the generation of input files is eased by GIS-based tools.

It also has been calibrated and considered adequate on small catchments [Green et

Van Griensven, 2008].

TNT2 The TNT2 model was specifically designed to simulate soil-groundwater

interactions (e.g. the distribution of denitrification and overland flow according to

the extension dynamics of the saturated areas) to take into account spatial inter-

actions within the catchment in a shallow aquifer context. It is process-based and

spatially distributed (for detailed description see Beaujouan et al. [2002] and Oehler

et al. [2009]). The hydrological model is based on some of TOPMODEL hypotheses

[Beven, 1997]. The crop growth and N biotransformation are simulated using STICS

generic crop model [Brisson et al., 1998, 2002]. The catchment is discretized in a

set of columns, each column corresponding to one cell of a regular digital elevation

model grid. The soil parameters, the agriculture management data and the climate

data are distributed using the same grid (raster maps). The agriculture manage-

ment information required is : sowing (date and crop type),fertilisation (date and

amount) and harvesting (date and residue management).

SWAT The model SWAT ([Santhi et al., 2001; Van Griensven et Bauwens, 2003;

Borah et Bera, 2004; Ramanaravanan et al., 2005; Arnold et Allen, 1996]) is a

process based model and was designed to assess the long term impact of land

management on water balance, sediment transport and non-point source pollution

in large river basins. It has been used and assessed in many studies in the world for

N transfer, mainly in large catchments (e.g. as in Grizzetti et al. [2003]; Santhi et al.

[2006]; Abbaspour et al. [2007]; Pohlert et al. [2007b,a]; Bouraoui et Grizzetti [2008])

but also in small ones (e.g. as in Green et Van Griensven [2008]). The spatial unit

is the sub-catchment that is further divided into hydrologic response units (HRUs)

[Neitsch et al., 2002], a sub-unit defined by overlaying soils, land use and slope

maps. Most soil and aquifer computing is done at the HRU scale and results are

integrated at the sub-basin scale. The soil and crop model is mainly based on EPIC

[Williams et al., 1984]. Sowing, fertilisation, tillage and harvesting informations can

be input at the agricultural field scale.

83


f - Model comparison

Both models are based on comparable soil and crop models. The main simila-

rity is the plant growth model. A potential yield is calculated with global radiation

input and a water stress factor is computed to limit this potential growth. The wa-

ter evaporation is based on Penman-Monteith potential evapotranspiration limited

by the evaluation of the Leaf Area Index. The differences between both models are

summarized in table 2.2 and will be confronted regarding simulation results. SWAT

uses the Curve Number method [USDA-SCS, 1972] to simulate runoff, TNT2 simu-

lates runoff on saturated zones. Soil water and N transfer is based on the capacitive

conceptual model of Burns [Burns, 1974] in TNT2 and on a capacitive linear model

in SWAT. Aquifer flows computation is based on a topographic gradient in TNT2

calculated for each cell and on a hydrological gradient in SWAT, depending on wa-

ter table and a base-flow recession constant defined for each sub-basin. In TNT2,

the humus mineralisation rate depends on soil active organic matter, texture, hu-

midity and soil temperature. When new organic material is added (crop residues,

manure, etc.), the decomposition depends on the C :N ratio of the material and

of parameters controlling the growth and decay of the microbial decomposers (ni-

colardot2002). SWAT mineralisation is derived from PAPRAN model [Seligmand et

Van Keulen, 1981], mineralisation and decomposition are dependent on water avai-

lability and temperature of the soil layer. Denitrification is simulated by a modified

NEMIS approach [Hénault, 1995; Oehler et al., 2009] in TNT2 : a potential denitrifi-

cation rate is modulated by temperature, humidity, nitrate concentration and water

residence time. SWAT simulate denitrification as a function of amount of nitrate and

carbon in soil layer and temperature of soil layer. The user defines a threshold of

water content for denitrification to occur and a rate coefficient to control amount

(or intensity) of denitrification.

The main difference between SWAT and TNT2 is in the spatial discretisation.

TNT2 uses a regular cell grid scheme (distributed model) : the cell-to-cell drainage

routing is derived from the DTM analysis using a multidirectional scheme down to

the stream network ; the in-stream routing and processes are not simulated. SWAT

uses the subcatchment as the spatial unit, subdivided into Hydrological Response

Units (HRU) for soil and aquifer processes, but which are not spatially referenced

(semi-distributed model). SWAT simulates nutrient transformation in the stream,

controlled by the in-stream water quality component of the model, adapted from

QUAL2E [Brown et Barnwell, 1987]. The resulting water, nutrient and sediment

fluxes from each HRU are accumulated within their corresponding sub-basin and

84


TABLE 2.2 – Conceptual differencies between SWAT and TNT2 used in this studyTNT2 SWAT

Runoff evaluation Saturated zone Curve Number and crackingSoil transfer Burns model exponential reservoir drainagegroundwater Topographical gradient Hydrological gradientmineralisation STICS PAPRANdenitrification NEMIS Water content threshold

user defined intensity ratespatialisation fully-distributed semi-distributed

No river simulated Variable storage routing method

allocated to the main reach of the sub-basin. Discharge and matter fluxes are rou-

ted within the stream network from one sub-basin to another and finally to the

outlet of the catchment using either the variable storage routing method [Arnold et

Allen, 1996] or the Muskingum river routing method.

g - Input data and calibration

To make the comparison valid, it was necessary to have the same input in both

models. Figure 2.7 illustrates the differences in taking spatial variables into ac-

count. Spatial input data are : agricultural plot map, soil map and a digital eleva-

tion model (DEM) with 5 meter resolution. The DEM is used in SWAT to delineate

a number of sub-basins chosen by the user (21 sub-basins) and the location of the

reach. Each sub-basin comprises HRUs defined by a soil/agricultural-plot/slope-

class combination. 4 slope classes are defined, 0 to 5%, 5 to 10%, 10 to 20% and

more than 20%. For TNT2, the drainage graph is created using the same DEM.

Stream cells are determined by a drainage area threshold : for the cells over this

threshold the outflow is routed directly to the outlet. Each cell derived from the

DEM cells is characterized by a soil type, a land use identifier and a hydrological

gradient.

For each agricultural plot, the following information is given : plant sown,

amount of fertilizer, and date of each cultural operation. For instance, 17 years

of crop rotation are given in SWAT for each agricultural plot. No simplification has

been made to keep all historical information, and 17 years of crop rotation are gi-

ven for each agricultural plot. The same weather data are used, and the same soil

and aquifer parameters are set when possible (for example reservoir volume, initial

organic matter content).

85


In a first step, the calibration of the hydrology is made by tuning the main para-

meters controlling the annual water balance : CurveNumber and GroundWaterDelay

(SWAT) and To and M (TNT2).

In a second step, water balance and N cycle are controlled at the agricultural

plot scale (aggregation of modelling units to the agricultural plot scale). Minerali-

sation, plant growth (Leaf Area Index), N uptake and N exported by crop harvest

are compared between models and to observed data or expert knowledge. After che-

cking the N cycle in agricultural plot and at the catchment scale, the capillarity

rise has been activated in SWAT and TNT2 to sustain evapotranspiration and to

simulate aquifer N transfer to soil, specially to sustain plant consumption in TNT2

(SWAT already enabling plants to take N directly in groundwater). We have calibra-

ted the parameters controlling this water transfer from the shallow aquifer to the

overlaying unsaturated zone to have the same amount of water mobilized by this

process (GW − REV AP and REV AP −MN for SWAT, kRC and expn for TNT2). In

the same way, mineralisation and denitrification are calibrated to have equivalent

annual fluxes in both models, the order of magnitude of these processes being va-

lidated by agronomic expertise. Simulations were performed at a daily time step

for 16 years, from 1985 to 2001, the first 2 years (1985 to 1987) being used to

initialize the models. Nash-Sutcliffe’s efficiency coefficient [Nash et Sutcliffe, 1970]

and RMSE (equation 2.2) are used as optimization criteria for daily discharge and

N fluxes.

RMSE =

√∑Tt=1(Qt

o −Qtm)2

T(2.2)

where Qto is observed discharge at the time t, Qt

m is modelled discharge at the

time t. It is expressed as a percentage, where lower values indicate less residual

variance. Computing time for each model is quite different : a 17 year run takes 10

minutes for the 1756 modelling units (HRU) in SWAT and 12 hours for the 134 013

modelling units (grid cells) in TNT2.

2.4.3 Results

a - Hydrology of the catchment

Measured and simulated daily water discharge are presented in figure 2.10. The

period from 1/10/1987 to 1/09/2001 has been used to calculate the Nash-Sutcliffe

coefficients for both models. Acceptable performances were obtained, with E=0.6

86


and E=0.5, for SWAT and TNT2 respectively. Table 2.3 summarizes water and N

balance simulated with both models. The calibration was focussed on reproducing

yearly stream discharge (113 mm.year−1). Both models predicted a similar actual

evapotranspiration from a same potential evaporation (1023 mm.year−1). TNT2 and

SWAT simulate differently the main processes of water transfer in the catchment :

TNT2 predicts more base-flow during winter and the beginning of spring whereas

SWAT predicts more overland flow and rapid transfer, which is, most of time, more

realistic. Figure 2.11 shows the ability of TNT2 to simulate small variations in low

flow period, with small peaks of runoff due to contribution of the saturated areas.

The winter 1996-1997 discharge is overestimated by both models (see also figure

2.12).

87


01 o

ct 1

987 01

oct

198

8 01 o

ct 1

989 01

oct

199

0 01 o

ct 1

991 01

oct

199

2 01 o

ct 1

993 01

oct

199

4 01 o

ct 1

995 01

oct

199

6 01 o

ct 1

997 01

oct

199

8 01 o

ct 1

999 01

oct

200

00

0,1

0,2

0,3

0,4

0,5

0,6

Daily discharge (m3/s)

0

0,1

0,2

0,3

0,4

0,5

0,6

SWA

T

TN

T2

FIG

UR

E2.1

0–

Dai

lydis

char

ge(m

3.s−

1)

obse

rved

(gre

ylin

e)an

dsi

mu

late

d(b

lack

lin

e)w

ith

sem

i-dis

trib

ute

dm

odel

SW

AT

and

fully

dis

trib

ute

dm

odel

TN

T2

atth

eou

tlet

ofA

ura

dé.

Nas

h-S

utc

liff

eco

effici

ent

is0.5

and

0.6

for

resp

ecti

vely

TN

T2

and

SW

AT

sim

ula

tion

s.

88


TABLE 2.3 – Yearly water and nitrogen balance simulated in models, from 1987 to2001.In/Out water budget mm.y−1 TNT2 SWATInput Rainfall 676 676

Potential evapotranspiration 1020 1020Output Actual evapotranspiration 566 559Output Discharge 110 114

δ stock 0 3Nitrogen budget kgN.ha−1.y−1

Input Nitrogen in Rainfall 7 7Input Mineral fertilizer 96 98Input mineralisation 67 65Output fertilizer volatilization 2 0Output Plant Uptake 127 128Output Denitrification 26 25Output Stream losses 13.15 12.88

δ stock 1.5 4

b - Apportionment of N fluxes

Table 2.3 gives the magnitude of each main processes of production and

consumption of mineral N in the catchment. Plant uptake and crop yield are com-

parable to observed range of possible values. The amount of mineral fertilizer ap-

plied is not exactly the same (94 and 98 kg N.ha−1.year−1 for TNT2 and SWAT

respectively) because TNT2 simulates some volatilization of NH3 for each applica-

tion (equivalent to 2 kg N.ha−1.y−1). Furthermore, fertilizer are input as amount of

fertilizer types in SWAT while it is given in mineral N in the agricultural database

which could explain the remaining difference between amount of mineral fertilizer

applied in models. Mineralisation and denitrification processes have been calibra-

ted to be close in both models, with 67 and 65 kg N.ha−1.y−1 of mineralisation, 26

and 25 kg N.ha−1.y−1 of denitrification for TNT2 and SWAT respectively. Differences

between simulated and observed stream loads are within the range of measurement

errors.

The annual observed mean N losses in river is estimated to be of 13.31

kg N.ha−1.y−1. The figure 2.13 presents the annual agricultural yield for each major

crop of the study period. TNT2 tends to make a systematic overestimation of yields

for durum and bread winter wheat, whereas it under-estimates sunflower yields.

Swat simulates accurately Durum wheat yields and the inter-annual variations for

the period from 1994 to 2000. Bread wheat yields are underestimated by SWAT

although the same crop parameters as for the Durum wheat are used. The only

89


FIGURE 2.11 – Daily discharge (m3.s−1) observed (grey line) and simulated (black line) withsemi-distributed model SWAT and fully distributed model TNT2 at the outlet of Auradé fromoct 1995 to oct 1997.

90


FIGURE 2.12 – Yearly discharge and Nitrogen loads (mm and kgN) observed and simulatedwith semi-distributed model SWAT and fully distributed model TNT2 at the outlet of Au-radé from year 1987-1988 to year 2000-2001. RMSE of annual discharge are 0.018 and0.022 mm for respectively TNT2 and SWAT. RMSE for annual load are 78.6 and 65kgN forrespectively TNT2 and SWAT.

91


FIGURE 2.13 – Annual average agricultural yield for the 3 major plant sowed simulatedwith TNT2 and SWAT from 1988 to 2000 in Auradé catchment. Measured yield are reportedsince 1994.

difference between bread wheat and durum wheat is the average amount of ferti-

liser inputs, which is higher for durum wheat. SWAT overestimates systematically

sunflower yields. All these results give an overview of crop growth and biomass pro-

duction simulated by the two models. The inter-annual variability is well simulated

and coherent between models. The simulated N uptake by plant is close in the two

models. Yields are maybe overestimated in TNT2 because of a bad estimation of the

part of seed production in total biomass and also because the possible impact of

pests are not simulated.

c - spatial dynamics of mineralisation and denitrification

Results of temporal variability are shown in figure 2.14. A negative minerali-

sation indicates immobilization. The mineralisation dynamics are simulated diffe-

rently : SWAT simulates a continuous humus mineralisation with an increase when

straws are buried and a decrease afterwards. TNT2 simulates more marked seaso-

nal variations with a net increase of mineralisation after summer. Each burying

of straws induces immobilization, due to the building up of the soil microbial bio-

92


mass and because of the low C :N ratio of the straw. This exhausts temporarily the

mineral N content of the soil and slow down the mineralisation, that begin again

to increase with the soil wetting in autumn. There is an inter-annual variability of

mineralisation. The figure 2.15 shows that TNT2 predicts more mineralisation than

SWAT during the first period of simulation (from 1987 to 1991) and less in the last

years (from 1997 to 2001), for a comparable mean annual mineralisation on the

whole study period. In both models, mineralisation and denitrification are linked

in time since denitrification is dependant on available NO−3 in soil which is often

limiting due to plant uptake and leaching.

93


-5-4-3-2-1012

Daily mineralisation in kgN.ha-110/1987

10/1988

10/1989

10/1990

10/1991

10/1992

10/1993

10/1994

10/1995

10/1996

10/1997

10/1998

10/1999

10/2000

0

0,51

1,52

Daily denitrification in kgN.ha-1

TN

T2

SWA

T

FIG

UR

E2.1

4–

Dai

lyam

oun

tof

min

eral

isat

ion

(figu

reon

the

top)an

dden

itri

fica

tion

(figu

rebel

ow)si

mu

late

dw

ith

SW

AT

(gre

ylin

e)an

dTN

T2

(bla

cklin

e)du

rin

gth

est

udy

per

iod

(fro

m01/10/1987

to01/09/2001).

Val

ues

are

give

nas

the

dai

lym

ean

for

the

Au

radé

catc

hm

ent

inkgN

.ha−

1.d

ay−

1.

94


Denitrification dynamics are simulated differently as well. According to TNT2,

denitrification occurs mainly in autumn with TNT2, when mineralisation is maxi-

mal and plant uptake minimal. In SWAT, denitrification occurs mainly during the

months after the burying of straws, and high denitrification rates are occuring in

winter. In both models, the most limiting factors are N and soil water saturation.

The spatial distribution of mean annual net mineralisation and denitrification

is presented in figure 2.16. The amount of net denitrification (panel a) and mi-

neralisation (panel b) has been calculated for each modelling units (HRU and cell

for SWAT and TNT2 respectively). As expected, the two models simulate different

spatial patterns of mineralisation and denitrification. The impact of soil and land

use on the amount of yearly net mineralisation are clear. The soil characteristics

and the agricultural practices explain the major variability of both processes. The

roads and the forests show the lowest rates in both models, differences lying in the

distribution of the highest rates of mineralisation and denitrification area.

In SWAT, the mineralisation and denitrification rates result directly from the

combination of soil type and land use. The highest mineralisation rates are found

in soils with high amount of crop residue, resulting from a cultural succession of

canola and winter wheat. High denitrifying areas are corresponding to deeper soils

with higher total organic matter content and total water storage.

In TNT2, mineralisation and denitrification processes are mainly controlled by

soil water content. However, the mineralisation and denitrification rates are lower

in the bottom of slopes in general, even is these are the most saturated areas. Low

denitrification rates could be explained by :

– low nitrate levels : the land cover is in a majority tree strips and small forests,

with no fertilization and low mineralisation rates predicted because of the high

C :N ratio of soil organic matter

– saturated area dynamics : they are confined to ditches and they are saturated

mainly in winter (low temperatures), and flows may be too fast (residence time

<< 5 days).

d - N loads in stream

Simulated N loads are presented in figure 2.17. Both models performed poorly in

simulating daily loads, with a Nash-Sutcliffe coefficient of 0.15 for SWAT and 0.25

for TNT2. The RMSE were, for SWAT and TNT2, 32.2 and 28.3 kg.day−1. The daily

simulated nitrogen loads are poorly correlated to observed datas (around 0.4 for

95


FIGURE 2.15 – Annual amount of mineralisation (black line) and denitrification (white line)simulated with SWAT (full line) and TNT2 (dotted line) during the study period (from 1987to 2001). Values are given as the annual amount for the Auradé catchment in kgN.ha−1.

96


SWAT TNT2

Amount of mineralization (kgN/ha/year)

Amount of denitrification (kgN/ha/year)

(a)

(b)

0 - 10

10 - 25

25 - 35

35 - 50

50 - 65

65 - 108

14 - 65

65 - 80

80 - 100

100 - 115

115 - 134

0 - 14

FIGURE 2.16 – Yearly denitrification (a), mineralisation (b) and Denitrification Rate Fac-tor (c) with SWAT (left) and TNT2 (right) during the study period (from 01/10/1987 to01/09/2001). Values are given for each modelling units (HRU and cell for respectivelySWAT and TNT2) as the mean of the yearly denitrification and mineralisation (a) and (b)modelled for the Auradé catchment in kgN.ha−1.day−1.

97


both models). The correlation coefficient between simulated and observed monthly

loads is about 0.65 for SWAT and 0.74 for TNT2 simulation. The increase of cor-

relation taking monthly loads is more important with TNT2 than SWAT, this model

simulates better monthly loads (r means and standard errors evaluated by a jackk-

nife method, student test, p«0.05). Intensive daily nitrogen loads corresponding to

rainfall events are not simulated with TNT2, and not enough intense with SWAT.

The study period presents a wide range of climatic events : either very dry spells

or very intense flood events, representative of regional climatic conditions. Figure

2.12 shows the measured and simulated water and N yearly yields. TNT2 and SWAT

simulate well general trends and inter-annual variations except for the 1996-1997

year, where both models overestimate the loads. The discharge during dry years

is well simulated in TNT2 (1989-1990 and 1996-1997) while SWAT underestimates

water yield. In 1997-1998, both models underestimate the low water yield observed.

During humid years, both models simulate the right water yields e.g. from 1991-

1992 to 1993-1994. N loads are better simulated for the three most humid years

with TNT2, SWAT systematically underestimating N loads. During dry years, SWAT

underestimate nitrate outputs because it underestimates water discharge.

Dynamics of daily N fluxes are simulated differently (figure 2.17) : SWAT simu-

lates intense peaks of N load (maximum of 267 kg N.day−1) during small periods

of 20 days ; TNT2 simulates similar daily loads along the year. The dynamics of N

loads in low flow periods are well reproduced by both model, when mainly driven

by aquifer supply.

Cumulative flows and N loads are presented in figure 2.18. Cumulative flows

are really close between both models and to the measures. Measured cumulative N

loads have a sigmoid-like shape. Three periods can be outlined : the first period with

a small cumulative slope, which is well simulated by TNT2 and with overestimations

by SWAT (1987 to 1991) ; the second (the inflection) period where slope increases

(from 1992 to 1996) and when cumulative TNT2 loads are going over the SWAT

cumulative curve ; a third period from 1997 to 2000 with a slope equivalent to the

first period and where TNT2 overestimate N loads. Inter annual variability of N

losses in river seems to be better simulated with TNT2.

e - N concentration in the stream

Figure 2.19 presents the daily concentration simulated by the two models and

compared to calculated concentrations based on measurements. The measure-

98


0

100

200

300

400

Daily nitrogen loads in river (kg)O

bserved daily loadsSim

ulated daily loads

01 oct 1987

01 oct 1988

01 oct 1989

01 oct 1990

01 oct 1991

01 oct 1992

01 oct 1993

01 oct 1994

01 oct 1995

01 oct 1996

01 oct 1997

01 oct 1998

01 oct 1999

01 oct 2000

0

200

400456kg

740kg580kg

456kg740kg

580kg

TN

T2

SWA

T

FIGURE 2.17 – Daily nitrogen loads in river (kg.day−1) observed (grey line) and simulated(black line) with semi-distributed model SWAT and fully distributed model TNT2 at theoutlet of Auradé. NRMSE coefficient is 3.8%and 4.3% for respectively TNT2 and SWATsimulations.

99


1987

/88

1988

/89

1989

/90

1990

/91

1991

/92

1992

/93

1993

/94

1994

/95

1995

/96

1996

/97

1997

/98

1998

/99

1999

/00

2000

/01

0

1

2

3

4

Cum

ulat

ive

daily

wat

er y

ield

(m

)0

50

100

150

200

Cum

ulat

ive

daily

nitr

ogen

load

s in

str

eam

(kg

N/h

a) Observed amountSWAT simulated amountTNT2 simulated amount

Calculation method incertitude

CumulativeWater yield

Cumulativenitrogenloads

FIGURE 2.18 – Cumulative daily water discharge and nitrogen loads observed and simula-ted at the outlet of the Auradé catchment, simulated by SWAT (full line) and TNT2 (dottedline) from 01/10/1987 to 01/09/2001. Discharge are given in m and nitrogen loads inkgN.ha−1.

100


oct 1

987

oct 1

988

oct 1

989

oct 1

990

oct 1

991

oct 1

992

oct 1

993

oct 1

994

oct 1

995

oct 1

996

oct 1

997

oct 1

998

oct 1

999

oct 2

000

20

40

Dai

ly N

-NO

3 co

ncen

trat

ion

in m

gN/l

TNT2SWATMean of daily concentration calculated

74 56 72

FIGURE 2.19 – Simulated and mean of daily concentration calculated from observed dataduring the study period (from october 1987 to september 2001). Mean daily concentrationhas been calculated from measured concentration for 2834 days of the 5814 days studied.

ments are reflecting a high variability, at different time scale : infra-daily during

flood events, a marked seasonality and yearly variability. Both models have diffi-

culties to simulate accurately daily concentrations. TNT2 systematically simulates

a decrease during flood events and an increase during dry period, the opposite of

what is observed (e.g. during summer 1990). TNT2 globally overestimates concen-

trations during the last years, maybe as an effect of underestimating water yield

(see figure 2.12). Overall, N loads are well simulated because concentrations are

counterbalanced by water yields.

SWAT is predicting a wider range of concentrations with especially extreme daily

concentrations during major flood events (e.g. beginning of year 1988 and 1989).

Concentrations are highly variable for the last years of simulation when aquifers

water storage is low. Indeed, the water yields for years 1996 to 1998 are underesti-

mated (see figure 2.12). From 1991 to 1994, concentrations as well as the annual N

loads are underestimated by SWAT whereas the range of concentration simulated

by TNT2 corresponds to observed values.

101


2.4.4 Discussion

a - Water discharge and N loads to the stream

The water balance and daily flow are considered acceptable in both cases, bea-

ring in mind that the hydrological response time is short and would have required

a finer time step to be modelled more accurately. Looking at figure 2.10 in parti-

cular, we can see that the weaknesses of the models are different : TNT2 simulate

accurately humid years (e.g. 1992-1993) and overland flow on saturated soil area

generated by low rainfalls. It fails to simulate overland flow in every case of intense

rainfall events, due to the simplistic hortonian flow module. The curve number

modelling approach of SWAT performs better at simulating the quick flows during

these events, although the result is far from perfect. On top of the time step issue

mentioned above, soil surface condition is another incertitude. SWAT simulates

cracking in summer that avoid overland flow to be wrongly simulated during dry

period. The results of cracking process activation in SWAT are coherent with obser-

vations, but the surface condition is only partially taken into account with Curve

Number approach in SWAT. TNT2 has no procedure for changing what triggers

surface infiltration.

The differences of simulated water flow dynamics partly explain the differences

in the dynamics of N loads. The amount of overland flow simulated in TNT2 is less

than in SWAT and is generated on saturated soil area only. This results in a hi-

gher infiltration on arable soils in TNT2, and more leaching if nitrate is available.

The figure 2.20 shows simulated N storage and water volume in the aquifer. More

water and N are transferred to the aquifer in TNT2 than in SWAT. Stream concen-

tration is therefore simulated differently : SWAT simulates more rapid N transfer

in lateral flow and TNT2 simulates more leaching and groundwater contribution to

stream. Figure 2.19 shows that peaks of concentration simulated with SWAT are

generally overestimated compared to observed data, while flow peaks are generally

underestimated (see figure 2.10).

TNT2 simulates more accurately recurring humid years (e.g. 1992 to 1994) in

terms of discharge, concentration and therefore N loads, because the water infiltra-

tion and the aquifer contribution to stream are dominant during those years. This

suggests that one major reason why both models perform poorly in this context is

because the hydrodynamic properties of the clay-ish material are highly variable,

depending on the frequency and timing of drying and wetting periods.

102


0

5

10

15

20

25

30

Dai

ly n

itrog

en s

tora

ge in

aqu

ifer

(kg

N.h

a-1)

SWATTNT2

10/87 10/88 10/89 10/90 10/91 10/92 10/93 10/94 10/95 10/96 10/97 10/98 10/99 10/000

50

100

150

200

Dai

ly w

ater

sto

rage

in a

quif

er (

mm

)

FIGURE 2.20 – Daily water and nitrogen storage in aquifer simulated by SWAT (full line) andTNT2 (dotted line) from 01/10/1987 to 01/09/2001. Values are given in mm and kgN.ha−1

for respectively water and nitrogen storage.

103


The use of the two models may have shed some light on the input data uncer-

tainties, especially because of a relative long period modelling. For example, the

water flow of the year 1996-1997 is strongly overestimated in both models. This

leads to suspect a bias in the rainfall data measurements or potential evapotrans-

piration during this year, and this could also apply to other shorter periods of

the study. Further more, the in situ sampling protocol of concentration was not

consistent over time : the first part of the period (1987 to 1989) has been sampled

with a high frequency (more than 1000 measurements in a year), the second part

has been sampled with a lower frequency (more than 400 sample in a year from

1990 to 1994) and the third part has been somehow insufficiently sampled to re-

present well the daily concentration dynamic (less than 200 samples per year from

1995 to 2001). It could partly explain the high variability of computed daily concen-

tration for the first and second period (that are dry and humid), and less variable

concentrations in the third period.

b - Nitogen budgets at the catchment scale

The spatial dynamics of mineralisation and denitrification rates have an impact

on N leaching from soil. In TNT2, the maximum of mineralisation and denitrifica-

tion rates occur during the end of summer and the beginning of autumn (figure

2.14). The nitrate available for leaching is only what is left after denitrification. On

the contrary, SWAT simulates a less variable mineralisation, with a maximum at

the harvest date, decreasing then from this maximum to a minimum a year later.

This mainly corresponds to the mineralisation of straws. There is an excess of soil

nitrate in winter, which is partly denitrified, and partly leached. The plant uptake is

not in competition with the denitrification process during the plant growth period,

because denitrification occurs at the beginning of summer in TNT2, when tempe-

rature is high, and in winter in SWAT, with wet conditions and a nitrate supply

from mineralization. The figure 2.16 shows that denitrification hot spots are not

localized in the same areas. The highest denitrification rates in SWAT correspond

to the deeper soils in the valley bottom and in some agricultural plots where the

amount of mineralisation is equivalent to amount of denitrification. The highest

denitrification rates in TNT2 correspond to pothole areas inside agricultural plots,

where water level and residence time is high. Although the models simulate the

same annual loads, they differ strongly in time and space distribution of the pro-

cesses. Unfortunately, the dynamics of these processes are not well known on this

site, so it is difficult to tell which model is more realistic.

104


2.4.5 About trends

Both models simulate well inter-annual trends that are contrasted for this relati-

vely long period. TNT2 predicts accurately annual N loads. SWAT is able to simulate

more rapid transfer of nitrogen to the stream, due to a better account overland and

lateral shallow flow. The peaks of nitrogen during flood events simulated with SWAT

correspond to observed phenomena, even if they are often underestimated.

This study site does not function as most temperate agricultural catchments.

Stream loads account for 1 to 12% of total output per year. N losses are relatively

low for a small intense agricultural catchment, with 13 kg N.ha−1.y−1 only. Probst

[1985] has estimated the same value (13.8 kg N.ha−1.y−1) for the Girou river basin

(520 km2) which is a tributary of the Garonne river flowing on the same molassic

substrate. Kattan et al. [1986] estimated 10.7 kg N.ha−1.y−1 for the Mosel river

basin (6847 km2) in North Eastern France of which 60% are cultivated. Gascuel-

Odoux et al. [2009] report 25 to 100 kg N.ha−1.year−1 for catchments in Brittany

(France), and a recent review of N fluxes from European catchments indicates that

sites with more than 80% of their land-use being farmland lose between 20 and 120

kg/ha in average (Billen et al., in preparation). The smaller this load is, the higher

uncertainties in modelling are. The hydrological control is high for infra annual

dynamics of N loads. The figure 2.18 shows that, even with a close estimation of

cumulative water discharge between the two models, TNT2 and SWAT simulate

differently seasonnal and interannual variation of N loads in the stream. As seen

before, monthly loads are better simulated with TNT2. Since agricultural yields have

the same interannual variations in both models, we suppose that the interannual

variability of mineralisation explains the better performance of TNT2 (see figure

2.15). This suggests that the processes controlling the N available for leaching are

better simulated in TNT2.

2.4.6 conclusion

This work can be seen as an illustration of the uncertainities of using agro-

hydrological models to simulate catchment water chemistry, even if the models are

widely used and tested, and if the catchment is well monitored. It also illustrates

the problem what can be called ’equifinality’ [Beven, 1993; Beven et Freer, 2001],

i.e. different model structures can reproduce outlet flows and loads with different

internal dynamics, although we have strived to constraint the calibration (i.e, fixing

105


similar mean loads of mineralisation and denitrification). Free and independent ca-

librations of the two models would surely have led to more contrasted conclusions.

Results show that with a large enough measurement dataset, in particular with

a detailed agricultural practice information and with long enough time series of

hydrological and hydrochemical data for calibrating the models, simulations give

reasonable estimations of the water and N fluxes at the outlet. For both models,

water yield is accurately reproduced. The simulations highlight the poor prediction

of flood events with daily timestep models. The studied catchment is highly respon-

sive to rain events and the curve number approach used in SWAT is more efficient

than the variable source area approach used in TNT2. TNT2 performs better than

SWAT in simulating base flow. SWAT simulates more infiltration, TNT2 simulates

more leaching, more N transfers through the aquifer and less overland flow. This

partly explained the differences in the simulated stream nitrate concentration. Be-

cause even if simulated annual water and N yields are very close, major differences

were found regarding mineralisation and denitrification dynamics.

Climatic control on N processes seems simulated better in TNT2 thanks to the

more detailed STICS approach. These results confirm that the use of such tools for

prediction must be considered with care, unless a proper calibration and valida-

tion of the major N processes is carried out. There may be a need to either refine

mineralisation and denitrification modelling (e.g. using an event based approach

like in DNDC [Li et al., 1992]) or use more generalized simplified approaches (e.g.

as in Oehler et al. [Submitted] for the denitrification model). Spatially distributed

measurements of mineralisation dynamics in soil as well as denitrification would

help to evaluate the realism of the different modelling approaches.

2.4.7 Acknowledgments

We would like to thank the ’Association des Agriculteurs d’Auradé, Pierrette

Gouaux from the CESBIO (CNRS-CNES-IRD-Université de Toulouse), Hervé Squi-

vidant and Pierre Moreau from SAS (INRA Rennes) for their cooperation. Nitrate

concentration and stream discharge were recorded within the framework of a GPN-

ECOLAB convention on the experimental catchment of Auradé and the IMAQUE

Project of ECOBAG Research network installed the equipment at the outlet of catch-

ment. Sylvain Ferrant is the recipient of an AKKA Technology fellowship within the

CIFRE convention.

106



A l’échelle d’un bassin versant, il est rare, voire impossible, d’avoir des données

suffisantes pour quantifier tous les processus de transfert et de transformation de

l’azote, qu’ils soient d’ordre agronomique, hydrologique ou biogéochimique, et ce

dans l’espace, le temps, et l’échelle considérée (parcelle, bassin versant, variation

journalière, saisonnière, inter-annuelle). C’est en partie pour cela que les modèles

utilisés à l’échelle du bassin versant pour simuler le cycle de l’azote se basent sur

des concepts de transferts hydrologiques à base physique, et des modèles agrono-

miques génériques, alimentés par des données spatiales plus ou moins détaillées.

Cette expérience de modélisation montre que l’utilisation des deux modèles pré-

sentés dans ce chapitre permet d’expliquer l’essentiel des variations de flux d’azote

à l’échelle annuelle ou inter annuelle en ne considérant que les tendances géné-

rales. TNT2 semble même être plus sensible aux variations hydroclimatiques qui

ont été très importantes durant la période d’étude. Les mêmes tendances sont si-

mulées pour la période d’étude, mais pour des raisons différentes.

Les différences dans l’approche de modélisation hydrologique expliquent une ré-

ponse trés différente à l’échelle journalière pour les deux modèles. TNT2 ne simule

pas de ruissellement dû à une intensité de pluie forte ou à un état de surface, c’est

à dire l’évolution dans le temps de la capacité d’infiltration des premières couches

de sol. Ainsi, le transfert de l’eau et de l’azote par la nappe est dominant alors

qu’il est plus faible dans SWAT. La contribution des différents réservoirs (nappe,

écoulement hypodermique, ruissellement de surface) au débit à l’exutoire est donc

simulée différemment à l’échelle journalière. TNT2 marque les jours de pluie par

une dilution des concentrations expliquée par le ruissellement sur la zone saturée.

Cette dilution est en effet observée à l’échelle infra-journalière, pour des périodes

de quelques heures (cf chapitre 1). Les autres jours, le débit est constitué essen-

tiellement de l’eau de nappe qui est fortement concentrée par rapport aux données

et aux simulations de SWAT car l’infiltration plus importante entraîne un trans-

fert d’azote majoritaire vers la nappe. A l’inverse, SWAT simule une augmentation

des concentrations les jours de pluie, provenant d’un transfert latéral d’eau du sol

riche en azote. Ce phénomène est lui aussi observé à l’échelle infra-journalière,

pour certaines périodes de l’année, sur une durée généralement plus longue que la

dilution des concentrations due à la contribution du ruissellement (cf chapitre 1).

La nappe est alors moins concentrée et les debits de base sont marqués par des

concentrations plus faibles que ceux simulés par TNT2. La dynamique des concen-

107


trations journalières est ainsi mal modélisée dans les deux cas, pour des raisons

différentes.

Les bilans annuels ne souffrent pas de ces phénomènes hydrologiques journa-

liers mal simulés, le temps de transfert de l’eau étant rapide. Le bilan agronomique

est proche pour chaque modèle (paramétré et calibré par l’utilisateur), mais les

processus expliquant ce bilan sont opposés. En effet, la minéralisation et la déni-

trification, processus majeurs dans l’approche production/consommation des deux

modèles, ont des dynamiques inverses. La minéralisation est maximale en automne

pour TNT2, l’enfouissemment des pailles entraîne une organisation nette pendant

quelques jours, la minéralisation nette est proche de 0 en hiver, et la dénitrification

n’est simulée qu’à la fin de l’été et au début de l’automne. SWAT simule une minéra-

lisation moins variable tout au long de l’année, avec un maximum de minéralisation

à l’enfouissement des pailles. La dénitrification n’intervient qu’en hiver, alors que

la minéralisation n’est pas nulle. Il est difficile de critiquer l’importance respective

de chaque processus sans données suplémentaires. A ce stade, l’intensité des deux

processus a été fixée comme des paramètres, afin de caler les flux en fonction des

exportations des cultures connues. Le caractère générique de STICS, utilisé dans

TNT2 pour simuler la minéralisation, validé pour de nombreux systèmes de culture

en France nous permet de penser que les simulations de minéralisation obtenues

avec TNT2 représentent mieux la variabilité réelle.

La dénitrification est spatialement distribuée dans les deux modèles pour des

raisons différentes. SWAT simule une dénitrification qui dépend majoritairement

du type de sol et du couvert, alors que TNT2 simule également des variations de ce

processus en fonction de la position de la maille dans le versant. TNT2 simule moins

de dénitrification dans les fonds de versants, alors que les conditions hydriques y

sont plus favorables (zone saturée). Ceci s’explique en partie parce que la zone

saturée est de faible étendue sur le bassin ce qui implique qu’elle n’est simulée

qu’en hiver, alors qu’il n’y a pas de dénitrification simulée. De plus les transferts de

nitrate issus des versants sont trop rapides pour que le processus puisse dégrader

les nitrates. C’est ce processus qui constitue la plus grande incertitude dans la

bilan de l’azote du bassin versant, car il n’a jamais été mesuré et aucun modèle de

dénitrification dit ’générique’ n’a été mis au point.

L’utilisation des deux modèles nous montre que le choix du modèle est primor-

dial dans le cadre d’expérimentations virtuelles. En effet, si nous voulons en utili-

ser un pour tester des scénarios agricoles, c’est à dire une modification des entrées

agricoles pour estimer la perturbation du cycle de l’azote, nous devons choisir celui

108


qui simule le mieux les processus concernés par la modification. Par exemple, un

scénario de diminution du ruissellement par changement d’occupation du sol peut

être envisagé avec TNT2, mais celui-ci ne peut tester que l’impact du changement

d’évapotranspiration de la couverture végétale. Son formalisme ne permet pas de

prendre en compte le changement de l’état de surface par rapport au changement

de couverture végétale. Il est alors plus intéressant d’utiliser SWAT, qui prend en

compte le changement d’évapotranspiration ainsi que le ruissellement en fonction

de la couverture végétale.

Notre objectif est de modéliser le cycle de l’azote à l’échelle de ce bassin ver-

sant agricole pour tester des scénarii qui peuvent être efficaces pour diminuer le

lessivage des nitrates. La caractéristique de ce système cultural simplifié est qu’il

y a une période d’interculture en sol nu de 9 mois entre le blé et le tournesol.

Cette période hivernale est considérée comme sensible car aucun prélèvement par

les plantes de la minéralisation n’est assuré sur ces surfaces. Des changements

de pratiques agricoles sont alors imaginées pour éviter le lessivage des nitrates

pendant ces périodes : Culture Intermédiaire Piège à Nitrate, retard de l’enfouisse-

ment des pailles. Ce chapitre montre qu’il est préférable d’utiliser TNT2 pour deux

raisons : la dynamique de minéralisation est plus proche de la réalité et la compa-

raison avec SWAT permet de savoir où sont les incertitudes dans la simulation des

tendances à long terme des transferts d’azote. Nous irons plus loin en estimant que

l’approche simplifiée de SWAT pour la modélisation de la minéralisation ne convient

pas pour l’évaluation de l’efficacité de scénarii agricoles. L’efficacité dépend de la

dynamique saisonnière simulée, dynamique trop éloigné de la réalité pour aboutir

à des résultats convainquants. Ceci étant dit, l’utilisation de SWAT n’est pas exclue

pour d’autres applications, puisqu’il estime les mêmes tendances que TNT2, inté-

grant les données spatialement, et ce à des échelles spatiales plus étendues que

TNT2.

109


110

Chapitre 3

Modélisation de scénariosagricoles sur le bassin versantd’Auradé avec TNT2

Au vu des conclusions du chapitre précédent, l’utilisation de TNT2 semble être

adaptée pour tester l’efficacité des mesures agronomiques pour réduire les pertes

d’azote nitriques sur le bassin d’Auradé. Le modèle prend en compte l’évolution inter-

annuelle des vitesses de minéralisation des sols, et la spatialisation des processus

permet en théorie de simuler les changements dans le paysage, en terme de surface

ou d’interaction spatiale entre zones. Ce chapitre décrit plus précisemment les pra-

tiques agricoles de la période d’étude (1985-2001) enregistrées par l’association des

agriculteurs d’Auradé. La rotation majoritaire blé-tournesol induit une période de sol

nu de 9 mois après la récolte du blé en juillet et le semis du tournesol en avril d’après.

Sans consommation par les plantes, les nitrates produits par la minéralisation des

résidus de récolte du blé en été et automne sont susceptibles de percoler avec l’eau

de pluie infiltrée pour alimenter la nappe et la rivière. Cette perte peut être limitée par

des pratiques agricoles comme le retard de l’enfouissement des pailles de blé qui se

font généralement à la récolte. Une fois enterrées, elles alimentent la minéralisation

estivale et automnale. Le retard de cet enfouissement en mi octobre permet de limi-

ter la minéralisation de cette période de sol nu. Les cultures Intermédiaires Pièges à

Nitrates (CIPAN) sont également une alternative pour consommer le produit de la mi-

néralisation pendant cette période. Implantées en Août, récoltées fin novembre, elles

limitent la période de sol nu et consomment les nitrates stockés dans le sol, donc po-

tentiellement diminuent leur lixiviation. Les changements d’occupation des sols sont

111

Modélisation de scénarios agricoles sur le bassin versant d’Auradé avec TNT2

également des voies qui sont envisagées pour diminuer la perte de nitrate dans la ri-

vière, en plaçant le long du réseau de drainage des plantations non fixatrices d’azote

(pas de légumineuse) et non fertilisées. L’efficacité de ces modifications sur la dimi-

nution de la teneur en nitrate du ruisseau et de l’azote nitrique qui sort du bassin

est évaluée par modélisation spatialisée distribuée de TNT2 qui intègre toutes les

données agro-hydrologiques répertoriées sur le site d’étude.

112

3.1 Modélisation de scénarios agricoles


3.1.1 Contexte scientifique

Le chapitre précédent démontre l’utilité des modèles dans l’interprétation des

mesures de flux d’azote nitrique mesurés généralement à l’échelle du bassin

versant pour évaluer l’origine des pertes d’azote retrouvées dans les eaux du

ruisseau. L’impact des pratiques agricoles sur le cycle de l’azote est une autre voie

d’étude qui permet d’évaluer l’excédent d’azote potentiellement lixiviable à l’échelle

de la parcelle ou du bassin versant agricole en fonction de l’utilisation agricole.

L’évaluation de cet impact peut être évalué à la parcelle : on analyse alors l’impact

sur la quantité de nitrate lixiviée, ou à l’échelle du bassin versant : on évalue

l’impact sur les flux d’azote dans la rivière ou la concentration dans les réservoirs.

L’étude de Lacroix et al. [2005] par exemple utilise les résultats de modèles agro-

nomiques à la parcelle (STICS), intégrant les pratiques de chaque scénario agricole

pour évaluer les rendements, qualité du grain et le reliquat de nitrate dans le sol à

la récolte, afin d’évaluer l’efficacité des coûts de mise en place de chaque scénario,

coûts estimés à l’échelle du bassin en fonction des sorties du modèle.

Lewis et al. [2003] utilisent un modèle à l’échelle parcellaire pour simuler la

lixiviation sous différentes pratiques d’épandage de lisier. Une des conclusions de

l’étude montre clairement que la percolation du nitrate est favorisée si l’épandage

se fait en automne.

Souchere et al. [2005] estiment l’impact de changement d’utilisation du sol en

terme de ruissellement grâce à un modèle expert non dynamique classifiant et com-

binant les paramètres dominant sur la base de données acquises en laboratoire et

de données expérimentales. Il génère des cartes de ruissellement de surface en

fonction de ces paramètres et des scénarios d’utilisation de sol.

Plus récemment, Jego et al. [2008] ont évalué la qualité prédictive de STICS

[Brisson et al., 2002] sous des parcelles de pomme de terre et de betterave sucrière

sur un site expérimental en Espagne, en vérifiant les concentrations en azote

nitrique dans le sol et les rendements des cultures. Les processus dominant

favorisant la lixiviation de l’azote nitrique sont alors mis en évidence comme la

pluie et l’infiltration ou encore les pratiques d’irrigation, la capacité d’absorption

d’azote de la culture. Puis le modèle est utilisé pour tester l’efficacité de certaines

113


pratiques conservatrices : éviter les applications de fertilisant en automne avant

une culture d’hiver, après des cultures à faible potentiel d’absorption d’azote ou

implanter des CIPANs.

La question, dans notre cas d’étude, est de savoir si ces processus, dominants à

l’échelle de la parcelle agricole, auraient un effet significatif sur la qualité des eaux

de surface à l’échelle des bassins versants.

L’approche agro-hydrologique choisie dans ce travail est largement utilisée pour

ce type d’évaluation car les processus spatialement distribués représentent de ma-

nière acceptable les processus hydrologiques, biogéochimiques et de croissance des

plantes, processus majeurs à l’échelle du bassin versant [Arnold et Allen, 1996;

Chaplot et al., 2004; Krysanova et al., 2005; Kyllmar et al., 2005; Bouraoui et Griz-

zetti, 2008].

Volk et al. [2009] ont testé différents scénarios de changement d’utilisation des

sols avec SWAT pour montrer que les plus drastiques et les moins économique-

ment viables, à savoir une réduction majeure des surfaces agricoles, permettent

d’atteindre les objectifs de qualité de l’eau fixés. Une autre conclusion de l’étude

est qu’il faut prendre en compte l’organisation du paysage et les différents types

d’utilisation du sol lorsqu’on veut améliorer la qualité des eaux de rivière.

Zammit et al. [2005] ont utilisé un modèle à large échelle (LASCAM) pour tester

des scénarios de reforestation et de diminution des intrants agricoles. Chaplot et al.

[2004] ont utilisé SWAT pour modéliser l’impact de réduction de fertilisation et de

changement de pratiques agricoles sur un bassin versant de 51 km2. Ils estiment

que la réduction de 20, 40, 60% des apports de fertilisants pour une rotation de

maïs-soja diminuent les flux annuels de nitrate dans la rivière respectivement de

22, 50 et 95%. Ils montrent aussi que les exportations moyennes mensuelles d’azote

nitrique sont affectées largement par le type d’occupation du sol.

Hesse et al. [2008] ont utilisé un modèle de bassin versant éco-hydrologique

SWIM sur la base de SWAT pour mettre en évidence l’importance de mesures agri-

coles pour la diminution des teneurs en nitrate, et l’importance d’un contrôle des

pollutions ponctuelles pour la réduction des pollutions par le phosphore à large

échelle (bassin du Rhin, 1716 km2).

114


Santhi et al. [2006] ont utilisé SWAT à l’échelle d’un bassin versant de 4554

km2 aux Etats-Unis pour évaluer l’impact de grands types de rotations culturales

et pratiques associées spatialisées dans le bassin versant d’étude.

Laurent et al. [2007] ont testé l’impact de CIPAN avec SWAT sur le bassin

versant de la Moine (Ouest de la France). Cette étude montre entre autre que

l’efficacité d’une telle mesure va dépendre du type de sol.

Toutes ces études montrent que l’approche de modélisation distribuée ou

semi distribuée permet à large échelle et sur de longues périodes de simulation

d’évaluer des changements d’occupation agricole des sols et de politiques agricoles

générales, en terme de réponse environnementale et notamment de qualité des

eaux de surface. Ceci correspond au besoin des pouvoirs publics et des admi-

nistrations en charge de promouvoir sur les territoires, des mesures visant à

améliorer la qualité des eaux de surface. En effet, c’est un bon moyen d’évaluer

l’efficacité des investissements que représente la mise en place de chaque mesure,

pour permettre aux gestionnaires de lancer d’autres investissements du même

type ou de recadrer la politique adoptée à la lumière de l’analyse des résultats

issus de cette modélisation. L’incertitude sur la réponse des modèles aux scénarri

agricoles envisagés reste une préoccupation importante des modélisateurs, et les

conclusions qu’ils tirent des études tiennent compte de cette incertitude en ne

s’intéressant qu’aux tendances simulées.

Il est pour autant indispensable d’avoir des éléments d’analyse de l’incertitude

des simulations sur l’évaluation du bilan d’azote à l’échelle des bassins versants. De

plus, il faut avoir une idée de la sensibilité des algorithmes impliqués dans l’éva-

luation d’une mesure agri-environnementale en terme d’excès d’azote. L’exemple

d’application de SWAT et TNT2 dans le chapitre 2 montre que pour un même bilan

d’azote estimé, le fonctionnement simulé du bassin n’est pas équivalent. Les per-

turbations engendrées par un scénario agricole n’auront pas forcément le même

effet. Les scénarios agissant sur la minéralisation pendant les périodes de lixivia-

tion d’automne par exemple (dû au retard à l’enfouissement des pailles, CIPAN) ne

vont pas avoir le même impact dans TNT2 que dans SWAT, car un pic de miné-

ralisation est simulé à l’enfouissement des pailles dans SWAT, alors que c’est un

pic d’organisation nette (utilisation de l’azote minéral par la biomasse microbienne)

qui intervient dans TNT2. De la même façon, les forts taux de minéralisation si-

mulés par TNT2 à la fin de l’été et au début de l’automne sont susceptibles de

115


servir au développement d’une CIPAN, là où l’intensité est faible dans SWAT. C’est

avec l’éclairage de l’inter-comparaison des modèles TNT2 et SWAT que nous allons

évaluer les scénarios décrits ci-après à l’aide de TNT2.

3.1.2 Scénarios agricoles dans le bassin d’Auradé

a - Les mesures existantes dès 1992

Les pratiques agricoles initiales ont été modifiées en 1992 dans les données d’en-

trée de TNT2 pour simuler les changements de pratiques agricoles et les aménage-

ments paysagers effectués à partir de cette période là. Dès la récolte des céréales

de 1993, l’enfouissement des pailles a été retardé de juillet à octobre, c’est à dire

que l’incorporation des résidus de récolte s’est faite nettement plus tardivement.

De plus, nous avons simulé une bande enherbée de 5 mètres de large jouxtant

les cours d’eau, correspondant aux tronçons toujours en eau, mais aussi quelques

fossés souvent à sec en été, ainsi que 4 bandes de peupliers implantées en tête de

bassin, à l’emplacement de chemins préférentiels de l’eau, en milieu de parcelle (voir

la figure 2.5, page 62 du chapitre 2). Avant 1992, ces surfaces sont identifiées à la

parcelle bordant le ruisseau à cet endroit, elles suivent donc le même assolement et

les mêmes itinéraires techniques que la parcelle voisine. Après 1992, cette surface

est semée en ray-gras.

Cette image de l’agriculture correspond au scénario de référence, appelé par la

suite scenario0. La mise en place ou non des bandes enherbées, l’enfouissement

retardé ou non des pailles, l’implantation de bandes de peupliers sont évaluées en

terme d’impact sur les teneurs et les flux de nitrates afin de répondre à la demande

des gestionnaires. En effet, ces mesures ont été financées en partie par les pouvoirs

publics et en partie par les agriculteurs, pour diminuer la pollution azotée (voir le

site http : //www.agriculteurs− aurade.fr/association.php), mais aussi pour réduire la

pollution par les pesticides, l’érosion, les transferts de matières en suspension et

pour aménager le paysage.

b - Scénario agricole envisagé : Les CIPANs

Les scénarios agricoles envisagés sont assez classiques, car ils correspondent

d’une part à une attente locale d’évaluation par les gestionnaires et les acteurs

116


TABLE 3.1 – Mesures appliquées pour chaque scénario construit.Scenarii Bandes Enfouissement bandes CIPAN 10%

enherbées des pailles peuplier fertiretardé en moins

scenario0 X X X - -Aménagementshistoriquesscenario1 X - X - -scenario2 X - - - -scenario3 - X X - -scenario4 - - X - -scenario5 - - - - -Scénariiscenario6 X X X X -scenario7 X X X - X

locaux, et d’autre part au domaine de sensibilité (ou de compétence) du modèle. La

table 3.1 synthétise les mesures appliquées pour chaque scénario.

Le scénario6 teste l’implantation de CIPANs. Il correspond à un scénario produit

par les agronomes [Justes et al., 1999] pour réduire la percolation des ions nitrate

durant les périodes d’inter-cultures. Ici, nous testons l’implantation d’une culture

de moutarde semée au 25/08 après la récolte d’une céréale et détruite au 31/11

avant le semis d’une culture de printemps. En théorie, cette culture utilise une

partie des reliquats d’azote minéral et améliore la structure des sols, ce qui limite le

ruissellement de surface. Comme la rotation majoritaire sur le bassin est le blé suivi

du tournesol, une partie non négligeable de la SAU du bassin est concernée chaque

année par l’implantation de la CIPAN (voir la figure 3.1). Nous voyons qu’il aurait

été possible d’implanter des CIPANs sur 35% de SAU par an en moyenne, mais que

cette implantation est variable suivant les années et les rotations. Ainsi, en 1996,

moins de 20% des rotations auraient permis son implantation, dans l’hypothèse

d’une interculture blé-tournesol.

Pour comparer l’efficacité d’une telle mesure, qui peut parfois être difficile à

mettre en oeuvre pour les contraintes techniques et agronomiques (sécheresse de

fin d’été), un scénario, plus simple, de diminution de 10% des intrants (fertilisants

azotés) est simulé. Les rendements sont ainsi comparés pour évaluer la perte de

revenu d’un tel scénario par rapport au gain environnemental.

117


FIGURE 3.1 – Pourcentage de la Surface Agricole Utile annuelle où l’implantation de CultureIntermédiaire Piège à Nitrate est possible dans la succession culturale blé-tournesol ren-seignée dans la base de données agricoles historique reconstituée dans le présent travail.

118

3.2 Expérimentation virtuelle


3.2.1 Indicateurs d’évaluation

Nous présentons les résultats de l’expérimentation virtuelle consistant à éva-

luer les modifications des entrées du modèle TNT2 calibré sur le jeux de données

d’Auradé comme décrit dans le chapitre précédent. Nous évaluons les effets des

changements sur les indicateurs qui vont nous intéresser en fonction du scenario0.

Nous proposons ici d’évaluer à la fois l’efficacité agronomique (rendements) et les

pertes d’azote nitrique dans l’environnement (flux à la rivières et dénitrification).

Le scenario0 est l’image de la réalité. Les mesures agricoles sont implantées

en 1992. Leur effet est donc évalué à partir de 1992. Nous nous interesserons

alors aux résultats de simulations des scénarios 1 à 5 pour la période 1992-2001

pour évaluer l’efficacité de ces aménagements. Les scénarios agricoles (scenario6 et

scenario7) sont évalués sur toute la période de simulation (1987-2001) afin de dis-

cuter d’un éventuel effet à long terme de l’implantation de tels scénarios. Les CIPAN

ou les mesures de réduction de 10% d’azote sont donc aplliquées dès 1987 jusqu’à

2001.

Nous présentons dans les tableaux 3.2 et 3.3 les intensités annuelles de chaque

processus, ainsi que des indicateurs d’efficacité moyens. Ainsi, nous calculons pour

chaque scénario la concentration moyenne, qui est le rapport entre le flux annuel

moyen (en kgN.ha−1.an−1) et la lame d’eau annuelle (en mètre), un rapport de dif-

férence de flux annuel dans la rivière (en kgN.ha−1.an−1) :

Frivscenariox − Frivscenario0

Frivscenario0× 100 (3.1)

avec Frivscenariox et Frivscenario0 les flux annuels du scénario x et 0.

De la même façon nous calculons un rapport de différence entre les flux annuels

moyens de dénitrification (en kgN.ha−1.an−1) :

FDENITscenariox − FDENITscenario0

FDENITscenario0× 100 (3.2)

avec FDENITscenariox et FDENITscenario0 les flux annuels du scénario x et 0.

119


3.2.2 Impact des mesures existantes

a - Bilan hydrique

La table 3.2 montre les résultats sur le bilan global de l’eau et de l’azote

des changements de pratiques simulées. L’impact des aménagements paysagers

(bandes enherbées, bandes de peupliers) ne concernant que de petites surfaces

(2.5% du bassin), le bilan hydrique n’est pas significativement modifié. L’ETR est li-

mitée par rapport à l’ETP sur le bassin pour le scenario0, le rapport ETR/ETP simulé

est de. En effet, ce faible rapport est expliqué par la présence dans les rotations ma-

joritaires d’une période longue de sol nu, ainsi qu’un stress hydrique des cultures

de printemps (tournesol) dont les rendements sont sous estimés (voir chapitre 2).

L’effet des scénarios de ’non mise en place’ des bandes enherbées et bandes de

peupliers serait une diminution de l’ETR (de 3mm pour l’ensemble des mesures),

les aires concernées n’étant plus couvertes de végétation. Le retard à l’enfouisse-

ment de pailles aurait un impact non significatif sur l’ETR de 1 mm d’augmentation

(scénario0 et 1), il semble que le prélèvement des plantes soit légèrement défavorisé

lorsqu’on retarde l’enfouissement des pailles et le début de la minéralisation des

résidus.

b - Le retard à l’enfouissement des pailles

L’enfouissement retardé des pailles aurait le plus d’impact sur le cycle global de

l’azote par rapport aux aménagements paysagers, car il conditionne la quantité de

mineralisation nette annuelle : environ 51 kgN.ha−1.y−1 pour les scénario avec en-

fouissement des pailles retardé (scénarios 0 et 3) et 60 kgN.ha−1.y−1 pour les scéna-

rios sans enfouissement retardé des pailles. Ce niveau plus élevé de minéralisation

nette annuelle entraînerait un prélèvement par les plantes plus important, marqué

notamment par des rendements plus important (scénario 1, 2, 4, 5), et la dénitrifi-

cation serait limitée par rapport au scénarios 0 et 3 (17 au lieu de 23 kgN.ha−1.y−1).

Par contre, les exportations d’azote par la rivière seraient plus importantes de 6%

(comparaison entre le scénario 0 et 1) lorsque la mesure enfouissement retardé des

pailles n’est pas appliquée. Cela correspondrait à une augmentation de la moyenne

de la concentration pondérée par la lame d’eau de 0.75 mgN.l−1 (3.3 mgNO−3 .l−1).

120


c - Aménagement du paysage

L’aménagement de ces zones de bas fond (voir figure 2.5, page 62) aurait per-

mis de limiter de 2.5 kgN.ha−1.y−1 l’apport moyen de fertilisants (scenario0 et 5),

dont 1.1 kgN.ha−1.y−1 sont attribués aux bandes de peupliers (scénario 4 et 5).

L’impact des bandes enherbées seules (scénario 3) serait de 3.6% de diminution de

flux à la rivière à laquelle on peut ajouter une diminution de la dénitrification de

0.8%. L’impact des bandes de peupliers peut être évalué indirectement par com-

paraison entre le scénario 4 et 5 à environ 6.5 % de diminution des flux d’azote,

sans dimution de la dénitrification. L’efficacité de ces mesures est dépendante de la

surface concernée, mais aussi de l’emplacement ou type de couvert : les bandes en-

herbées correspondraient à 1.4 kgN.ha−1.y−1 de diminution d’intrants, contre 1.1

kgN.ha−1.y−1 pour l’implantation des bandes de peuplier, et la diminution des flux

à la rivière serait respectivement de 3.6% et 6.5% pour les bandes enherbées et les

bandes de peupliers.

d - Impact de l’ensemble des mesures

L’efficacité cumulée de l’ensemble des mesures est évaluée avec le scénario 5.

Ainsi l’aménagement du paysage et le changement de pratiques agricoles aurait

permis de diminuer globalement les flux annuels à l’exutoire d’Auradé de 16.9%,

tout en augmentant de 24.1% les flux de dénitrification. Les rendements auraient

été limités de 2 q.ha−1 pour les blés d’hiver et de 4 q.ha−1pour les cultures de

printemps. En considérant la perte totale d’azote minéral du système, c’est à dire les

flux à la rivière plus la dénitrification, le scénario0 perd 36.65 kgN.ha−1.y−1 contre

33.16 pour le scénario5 où aucune mesure n’est implantée. Suivant l’indicateur

choisi, les mesures agronomiques peuvent être bénéfiques, diminution des flux à

la rivière, ou néfaste, augmentation des pertes dans l’environnement. La pratique

agricole qui a le plus d’impact sur le bilan d’azote est le retard à l’enfouissement des

pailles. Il agirait sur le niveau de minéralisation moyen du bassin en le diminuant.

La consommation des cultures est alors également diminuée, mais il reste un excès

d’azote nitrique dans les sols qui explique une augmentation de la dénitrification.

Donc, le flux d’azote nitrique à la rivière serait diminué de 2 kgN.ha−1.y−1 mais la

dénitrification des sols agricoles serait augmentée de 5kgN.ha−1.y−1.

121


TABLE 3.2 – Bilan annuels moyen de chaque scénario, calculé sur la période d’oc-tobre 1993 à septembre 2001.scenario 0 1 2 3 4 5water budget mm.y−1

Actual ET 598 599 597 596 597 595Discharge 114 113 115 116 115 117Nitrogen budget kgN.ha−1.y−1

Mineral fertilizer 86.9 86.9 88.0 88.3 88.3 89.4fertilizer volatilization 1.74 1.74 1.76 1.76 1.76 1.78mineralization 51.3 60 60 51.3 60 60Plant Uptake 106.8 120 120 107.5 121 121Denitrification 23.6 17.6 17.7 23.8 17.8 17.9Stream losses 13.05 13.85 14.7 13.52 14.4 15.26N losses 36.65 31.45 32.4 37.32 32.2 33.16quality indicatorMean concentration 11.45 12.2 12.7 11.7 12.5 13.01Year Loads variation % X +6.13 +12.6 +3.6 +10.3 +16.9denitrification X -25.4 -25 +0.8 -24.5 -24.1variation %Average yield Quintal.ha−1

Durum winter wheat 75 77.4 77.4 75 77.4 77.4Bread winter wheat 77.6 79.3 79.2 77.6 79.3 79.2Sunflower 16.7 21.2 21.2 16.7 21.2 21.2

122


TABLE 3.3 – Bilan annuels moyen de chaque scénario, calculé sur la période d’oc-tobre 1987 à septembre 2001.scenario 0 6 7water budget mm.y−1

Actual ET 566 574 566Discharge 110 102 110Nitrogen budget kgN.ha−1.y−1

Mineral fertilizer 96 96 86.8fertilizer volatilization 2 2 2mineralization 67 69 66Plant Uptake 127 130 119Denitrification 26 27 26Stream losses 13.15 10.77 11.33Nlosses 39.15 37.77 37.33quality indicatorMean concentration mgN.l−1 11.95 10.54 11.33Year Loads variation % X -18 -13.8denitrification X +3.8 0variation %Average yield Quintal.ha−1

Durum winter wheat 67.4 67.7 64.8Bread winter wheat 78.5 79.4 75Sunflower 20.1 17.1 19.3Cover Crop biomass X 23.6 X

3.2.3 Impact des scénarii agricoles choisis

a - Bilan hydrique

La table 3.3 montre les résultats sur le bilan global de l’eau et de l’azote de

le simulation des modifications de pratiques agricoles. L’impact des CIPANs sur le

bilan hydrique du bassin est significatif, avec 8mm d’evapotranspiration simulée de

plus que dans le scénario0. En effet, le couvert végétal qu’est la CIPAN induirait une

évapotranspiration plus forte que si le sol était resté nu. Par contre, la diminution

de 10 % des intrants n’aurait pas de réel impact sur le bilan hydrique.

b - Modification du bilan d’azote

Le bilan présenté dans la table 3.3 est différent de celui présenté dans la table

3.2 car il est calculé sur toute la période de simulation (de 1987 à 2001). Le scé-

nario 6 interviendrait sur le poste ’consommation des plantes’ du bilan d’azote.

123


Ainsi, le scénario 6 augmenterait de 3 kgN.ha−1.y−1 la consommation des plantes

sur le bassin. La minéralisation ne serait pas très variable entre les scénarios, la

différence de 2 kgN.ha−1.y−1 de plus pour le scénario6 provient du fait que plus

de résidus de culture sont enfouis et sont susceptibles d’être minéralisés par la

suite. Cette augmentation d’azote minéralisé est compensé par l’augmentation d’1

kgN.ha−1.y−1 de dénitrification de plus pour le scénario6.

Par comparaison, le scénario7 limiterait la consommation par les plantes de

8 kgN.ha−1.an−1, et serait accompagné d’une diminution de 1 kgN.ha−1.y−1 de la

minéralisation : moins de biomasse de résidus de culture serait enfouis. L’impact en

terme de flux à la rivière de ces scénarios est présenté dans la figure 3.2. L’efficacité

simulée des scénarii 7 et 6 sont comparés au scénarii 0 et 5. Le scénario6 est le

plus efficace en terme de diminution des flux dans la rivière, diminution évaluée

à 18% par rapport au scénario0. C’est explicable en partie par la plus faible lame

d’eau drainée de ce scénario, mais surtout par une diminution de la quantité d’azote

perdue par lixiviation de nitrate. En effet, les indicateurs présentés dans la table 3.3

montrent que la concentration moyenne annuelle diminuerait de 1.4 mgN.l−1 (6.2

mgNO−3 .l−1) sans pour autant avoir d’effet significatif sur la dénitrification (+3.8%,

faible variation comparé aux scénarii 1,2,4,5).

Le scénario7 serait moins efficace que le scénario6, avec une diminution de

13.8% des flux dans la rivière sans modification de la dénitrification. La plus

grosse différence entre ces deux types de scénario réside dans leur efficacité agrono-

mique. En effet les résultats présentés dans la table 3.3 montrent qu’en moyenne

une CIPAN permettrait d’augmenter légèrement les rendements des blés d’hiver,

mais diminuerait nettement les rendements de la culture de printemps qui suit (-3

q.ha−1.an−1 pour le tournesol). Cette diminution de rendements simulés serait dû

essentiellement à un stress azoté simulé plus fort pendant la période de croissance

du tournesol. On ne peut exclure que cela pourrait être la conséquence d’une trop

forte organisation nette simulée par le modèle.

La diminution de 10% des intrants azotés entrainerait une chute logique des

rendements, de l’ordre de 3 q.ha−1.an−1 pour les cultures d’hiver et de seulement 1

quintal.ha−1.an−1 pour les cultures de printemps, le tournesol étant moins fertilisé

que les céréales d’hiver.

124


0

50

100

150

200

250

01/1

0/19

87

30/0

9/19

88

30/0

9/19

89

30/0

9/19

90

30/0

9/19

91

30/0

9/19

92

30/0

9/19

93

30/0

9/19

94

30/0

9/19

95

29/0

9/19

96

30/0

9/19

97

30/0

9/19

98

30/0

9/19

99

29/0

9/20

00

cum

ul d

es fl

ux d

'azo

te à

l'ex

utoi

re (k

g/ha

)

scenario0scenario5scenario6scenario7

scenario5:201 kgN/ha

scenario0:183 kgN/hascenario7:175 kgN/ha

scenario6:150 kgN/ha

FIGURE 3.2 – Cumul des flux journaliers d’azote dans la rivière simulés par TNT2en fonction de scénarios agricoles. scénario0-référence ; scénario5-sans mesures agro-environnementales ; scénario6-implantation de CIPANs ; scénario7-diminution des intrantsmineraux azotés de 10 %.

125


-12

-10-8-6-4-2024

01/10

/1987

30/09

/1988

30/09

/1989

30/09

/1990

30/09

/1991

30/09

/1992

30/09

/1993

30/09

/1994

30/09

/1995

29/09

/1996

30/09

/1997

30/09

/1998

30/09

/1999

29/09

/2000

Minéralisation nette journalière (kgN/ha)

Sce

nario

6

Sce

nario

0

Pér

iode

cul

tivée

Blé

tend

reO

rgeC

IPA

NC

IPA

NC

IPA

NC

IPA

NC

IPA

NC

IPA

N

Blé

tend

reB

lé te

ndre

Blé

tend

reB

lé te

ndre

Blé

tend

reB

lé te

ndre

Tour

neso

lTo

urne

sol

Tour

neso

lTo

urne

sol

Tour

neso

lTo

urne

sol

FIG

UR

E3.3

–M

inér

alis

atio

nn

ette

jou

rnal

ière

sim

ulé

epar

TN

T2

enfo

nct

ion

de

scén

ario

sag

rico

les.

Les

vale

ure

sn

égat

ives

corr

es-

pon

den

tà

des

ph

ases

d’o

rgan

isat

ion

.sc

énar

io0-r

éfér

ence

;sc

énar

io6-i

mpla

nta

tion

de

CIP

AN

s.

126


3.2.4 Impact de la CIPAN sur la lixiviation

La figure 3.3 montre les différences dans la minéralisation nette journalière si-

mulée pour une parcelle pour le scénario0 et le scénario6. Le module minéralisation

de TNT2 simule une organisation nette à l’enfouissement de la CIPAN fin novembre,

ainsi qu’une minéralisation hivernale plus faible. Au semis du tournesol, les inten-

sités sont plus faibles pour le scénario CIPAN que pour le scénario 0, et ce durant

la première phase de croissance. A partir du mois de mai ou juin, la minéralisation

sous la culture du tournesol est plus forte pour le scénario6 que pour le scénario0.

Globalement, l’implantation d’une CIPAN dans les rotations culturales modifie la

dynamique de la minéralisation en augmentant la quantité de biomasse incorporée

dans le sol : l’impact direct est une augmentation des phases d’organisation, ainsi

qu’une diminution de la minéralisation hivernale. La croissance de la culture de

printemps suivante se trouve donc limitée par la plus faible disponibilité en azote

dans la sol pour le début de croissance. Cet effet simulé mériterait d’être vérifié par

des observations de terrain ou expérimentations agronomiques.

La figure 3.4 montre les pertes annuelles au ruisseau pour le scenario0 et le

scenario6, avec l’implantation des CIPANs. La réduction des flux à l’exutoire est

fonction du niveau des pertes annuelles : plus l’année hydrologique est marquée

par des flux importants et plus l’efficacité des CIPANs serait importante. Ainsi, le

potentiel d’absorption des CIPANs suivrait une tendance croissante avec l’excès

d’azote agricole dans les sols. On peut noter que, la courbe de régression s’inflé-

chissant, il existe un maximum d’excès d’azote au delà duquel l’effet de la CIPAN

n’augmente plus. Par contre, aucune relation n’a pu être trouvé entre la surface

annuelle de SAU concernée par l’implantation des CIPANs et la diminution des flux

d’azote à l’exutoire.

3.2.5 Efficacité sur la diminution des flux d’azote nitrique à la rivière

Pour illustrer l’efficacité de chaque aménagement ou changement de pratiques

agricoles, les scénarios sont comparés entre eux. La figure 3.5 récapitule l’efficacité

en % de diminution des flux d’azote moyens annuels à l’exutoire d’Auradé pour les

différentes mesures :

– l’enfouissement retardé des pailles : différence entre le scenario0 et le scena-

rio1

– les bandes de peupliers : différence entre le scenario1 et le scenario2

– les bandes enherbées : différence entre le scenario0 et le scenario3

127


FIGURE 3.4 – Pertes d’azote à l’exutoire d’Auradé simulés avec TNT2 pour le scénario 0 deréférence et le scénario 6 d’implantation des CIPANs. La régression logarithmique présentéeen dessous représente la réduction des pertes annuelles par l’implantation des CIPANs enfonction du niveau de perte annuelle d’azote nitrique simulé dans le scénario de référence,d’équation : y = 1.6 lnx− 1.7, R2 = 0.65

128


0

2

4

6

8

10

12

14

16

18

20

Dim

inut

ion

des

flux

d'az

ote

nitr

ique

ann

uels

en

%

Retard à l'enfouissement des pailles

Bandes de peupliers

Bandes enherbées

Cumul des aménagements

CIPANs

Diminution de 10% de la fertilisation

FIGURE 3.5 – Pourcentage annuel de réduction des flux à l’exutoire d’Auradé en fonctionde l’aménagement testé.

– le cumul des trois aménagements précédents : différence entre le scenario0 et

le scenario5

– l’implantation de CIPANs : différence entre le scenario0 et le scenario6

– la réduction de 10% des fertilisants : différence entre le scenario0 et le scena-

rio7.

3.2.6 Evolution temporelle de l’efficacité des scénarii

De la même façon, nous calculons une diminution des flux d’azote nitrique à

l’exutoire pour chaque année hydrologique correspondant à chaque mesure. La fi-

gure 3.6 montre l’évolution d’une année sur l’autre des efficacités d’action des me-

sures de changements de pratiques implantées sur Auradé. L’efficacité est variable

dans le temps et est maximale pour les années hydrologiques où les flux annuels

simulés sont les plus faibles.

L’efficacité annuelle des CIPANs et de la diminution de la fertilisation sont pré-

sentées dans la figure 3.7 en fonction des flux d’azote simulés par le scenario0.

129


0

2

4

6

8

10

12

1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002

Dim

inut

ion

des

flux

d'az

ote

nitr

ique

ann

uels

en

%

0

5

10

15

20

25

30

35

Flux

ann

uels

d'a

zote

nitr

ique

à l'

exut

oire

en

kgN

/ha

Bandes de peupliers

Retard à l'enfouissement des pailles

Bandes enherbées

Flux annuels sans aménagements

FIGURE 3.6 – Pourcentage annuel de réduction des flux à l’exutoire d’Auradé en fonctiondes mesures agricoles.

130


0

5

10

15

20

25

30

1985

/86

1986

/87

1987

/88

1988

/89

1989

/90

1990

/91

1991

/92

1992

/93

1993

/94

1994

/95

1995

/96

1996

/97

1997

/98

1998

/99

1999

/00

2000

/01

Dim

inut

ion

des

flux

d'az

ote

nitiq

ue a

nnue

ls e

n %

0

5

10

15

20

25

30

Flux

ann

uels

d'a

zote

nitr

ique

à l'

exut

oire

en

kgN

/ha

CIPAN

Réduction de 10% les fertilisants

Flux annuels avec

FIGURE 3.7 – Pourcentage annuel de réduction des flux à l’exutoire d’Auradé en fonctiondes mesures agricoles.

131


L’efficacité des CIPANs est variable suivant les années, tandis que l’efficacité de la

réduction des fertilisants est plutôt constante.

Deux comportements se distinguent :

– les pratiques dont l’efficacité est très variable dans le temps : les CIPANs, les

bandes de peupliers et les bandes enherbées

– les pratiques dont l’efficacité est plus ou moins constante dans le temps : le

retard à l’enfouissement des pailles, la réduction de 10% de la fertilisation.

Il semble que les variations fortes d’efficacité des pratiques et aménagements

suivent les mêmes tendances, un facteur identique semble contrôler l’efficacité des

mesures. Cette variabilité semble être contraire à l’intensité des pertes d’azote ni-

trique annuelles. Plus les pertes sont faibles et plus l’efficacité est élevée.

On peut noter que, pour tous les aménagements testés, l’efficacité augmente les

premières années d’implantation : 3 années pour les CIPANs, la réduction de 10%

de fertilisation et les bandes enherbées, 2 années pour l’implantation du retard

à l’enfouissement des pailles. L’efficacité de l’implantation des bandes de peupliers

semble suivre une croissance continue, perturbée par les variations inter-annuelles

observées pour les autres mesures.

3.3 Discussion : Certitudes et incertitudes des résultats

de scénarios

3.3.1 Efficacité des Scénarios agricoles

Les études de ce type publiées indiquent généralement que les réductions de

fertilisants sont peu efficaces pour réduire les pertes azotées dans les cours d’eau,

si les doses apportées sont proches de l’optimum agronomique. Weaver et al. [1996]

ont montré qu’une réduction de 10 % des intrants pour une zone agricole de Penn-

sylvanie n’a pas d’effet significatif sur le niveau de pollution. Une autre étude pu-

bliée par Pan et Hodge [1994] évalue à 81% la diminution des intrants agricoles

pour atteindre l’objectif de qualité de l’eau visé. Mais la perte de rendement asso-

ciée à ces diminutions rend ces mesures irréalistes sur le plan économique. Une

autre étude sur le bassin du Mississippi [Ribaudo et al., 2001] indique qu’une di-

minution de 50 % des intrants azotés coûterait plus cher que la restauration de

zones humides favorisant la dénitrification de l’azote nitrique venant des surfaces

agricoles, mesures considérées déjà comme trop coûteuses. Les résultats de simu-

132

3.3 Discussion : Certitudes et incertitudes des résultats de scénarios

lation de la présente étude, sur une petite surface, est cohérente avec ces études

à plus grande échelle. Le peu d’efficacité de ce genre de scénario indique que les

apports d’engrais azotés sont déjà proches du niveau optimal de fertilisation.

L’efficacité des CIPANs présentée dans cette modélisation à l’échelle du bassin

versant est cohérente avec les études de ce type éffectuées à l’échelle de la parcelle.

Justes et al. [1999] ainsi que Jego [2008] ont montré que l’implantation d’une

CIPAN sur une parcelle diminue de moitié les concentrations de l’eau percolée

sous la parcelle malgré une augmentation de l’évapotranspiration. L’impact de

cette forte diminution de la percolation d’azote à l’échelle du bassin versant

dépend des caractéristiques hydrologiques et de l’occupation du sol. En effet, l’eau

provenant de la percolation de la pluie sous les parcelles agricoles peut être diluée

par les eaux moins concentrées provenant de forêts ou de prairies. Cela montre

l’importance de l’intégration spatiale des processus pour prédire la qualité de l’eau

à l’exutoire d’un bassin versant.

Nous avons évalué à cette petite échelle que l’implantation systématique des

CIPANs dans les rotations culturales permettrait de diminuer les flux à l’exutoire de

3 kgN.ha−1.an−1, ce qui correspond à 18% de réduction des flux d’azote à l’exutoire

et à une réduction de 6.2 mgNO−3 .l−1. Cette valeur est difficilement comparable à

d’autres études car elle dépend de la SAU concernée et du type de bassin versant.

Laurent et al. [2007] utilisent SWAT pour tester sur un bassin de taille moyenne

(385 km2) des scénarios agricoles sur les transferts de nitrate et phosphore. Un scé-

nario d’implantation de CIPAN et un scénario de semis direct ont été évaluées. Le

scénario CIPAN se révèle être efficace à l’échelle du bassin pour diminuer les trans-

ferts de phosphore, problématique majeure rencontrée sur le site d’étude. L’effet

simulé sur les flux totaux d’azote à l’exutoire est en revanche négligeable à l’échelle

du bassin versant. En revanche, l’étude indique l’effet d’une CIPAN sur la contri-

bution à la rivière d’une succession mais-mais sur un brunisol pour une année.

Les flux d’azote simulés par SWAT pour cette unité de simulation sont diminués de

18.9 à 15.1 kgN.ha−1.an−1 ce qui correspond à une réduction de 20% des pertes

d’azote. L’implantation de la CIPAN sur ce type de rotation de cultures de printemps

est annuelle, mais il est possible que le formalisme de SWAT pour la minéralisation

entraîne une sous-estimation de cette diminution (cf chapitre 2).

D’autre part, l’implantation des CIPANs a un coût qui est évalué dans certaines

études en fonction de l’efficacité sur la réduction des pertes azotés dans les rivières.

133


Lacroix et al. [2005] ont évalué l’efficacité économique des CIPANs. Leur étude s’est

basé sur une estimation des flux d’azote simulés par STICS à l’échelle de la parcelle

dans un bassin agricole intensif du Nord-Est de la France. Le calcul du rendement

efficacité/coût qui y est présenté indique que la mesure CIPAN représente le

meilleur rapport entre l’efficacité environnementale et le coût d’implantation.

Le changement d’utilisation des sols que représentent les implantations de

bandes enherbées et de bandes de peupliers auraient une efficacité qui corres-

pond à ce qui a été évalué dans d’autres études. Hesse et al. [2008] ont utilisé

SWAT à l’échelle du grand bassin versant du Rhin pour évaluer des scénarios agri-

coles et climatiques. Un des scénarii testé à cette échelle est une conversion de

zones agricoles proche des cours d’eau ou de lacs en zone de prairies extensives

non fertilisées. On obtient une diminution de -3.1 % des flux d’azote dans les ri-

vières, diminution du même ordre de grandeur que celle obtenue sur Auradé avec

l’implantation des bandes enherbées (3.6% de réduction).

Volk et al. [2009] ont également utilisé SWAT pour tester des scénarios de chan-

gement drastiques d’occupation des sols. Ainsi ils testent l’impact de la réduction

de 77% à 46% de l’occupation agricole du sol, ou encore l’augmentation de 10 à

21% des surfaces forestières. Ces scénarios ont une efficacité, d’après les auteurs,

sur les concentrations simulées faibles et insuffisantes pour améliorer la qualité

des cours d’eau. L’augmentation de la surface forestière de 10% au détriment de la

surface agricole entrainerait une réduction de 2.7% de la concentration moyenne

en nitrate. Nous estimons à notre échelle que la concentration moyenne annuelle

a été diminuée de 4% (comparaison des concentrations moyenne du scénario 4 et

5 ou du scénario 1 et 2) pour une augmentation de la surface en arbre de 1%.

L’hypothèse de l’efficacité de la bande de peuplier est résumée ainsi : placés sur

le chemin des écoulements et en milieu de parcelle, ils évitent l’application directe

de fertilisants agricoles sur ces zones de transferts d’eau latéraux importants, et

leur croissance n’est pas perturbée par de stress azoté ou hydrique, ils prélèvent

ainsi une quantité non négligeable d’azote. Les processus de transferts de l’eau et

de l’azote des versants ne sont spatialement distribués que par des modèles spatia-

lement distribués.

134

3.3 Discussion : Certitudes et incertitudes des résultats de scénarios

3.3.2 Estimation de la lixiviation par TNT2

Nous avons estimé les limites de fonctionnement de TNT2 sur le jeu de don-

nées d’Auradé. Il faut rappeler notamment que l’infiltration, et donc l’eau percolée

à travers le sol est surestimée par TNT2. Ceci peut entrainer une surestimation de

lixiviation de l’azote. Si l’importance de ce transfert est plus faible, une surestima-

tion de l’efficacité des scénarios visant à diminuer ce processus est possible. Malgré

ceci, les bilan annuels du cycle de l’azote sont équivalent entre SWAT et TNT2 bien

que SWAT simule plus de ruissellement de surface (cf chapitre 2). Le scenario0 si-

mulé par TNT2 surestime la lixiviation, donc un autre scénario simulerait aussi

une surrestimation de la lixiviation. Mais on peut penser que la différence entre

scénariii permet de l’erreur systématique.

3.3.3 Importance de la minéralisation et dénitrification

Le scenario6 montre l’importance d’une simulation correcte de la variabilité

temporelle du processus de minéralisation. En effet, le scénario6 a un impact

temporel sur ce processus et modifie les bilans du cycle de l’azote en fonction de

cette variabilité. Même si le bilan annuel est ajusté par rapport à des données glo-

bales ( minéralisation annuelle, flux journaliers à l’exutoire, rendements annuels),

le scénario6 ne peut avoir le même impact en terme de lixiviation de nitrate si

la minéralisation n’est pas modélisée correctement en fonction des saisons. Les

résultats présentés dans le chapitre 2 permettent de conclure que la variabilité

temporelle de la minéralisation est correctement simulée, à l’échelle annuelle et

inter-annuelle, sur la base d’une expertise agronomique.

L’enfouissement des pailles est une mesure qui permettrait de diminuer les flux

d’azote nitrique à l’exutoire de 2kgN.ha−1.y−1, mais augmenterait de 5kgN.ha−1.y−1.

Ceci pose la question de l’incertitude de la simulation de la dénitrification. Il semble,

dans le calage utilisé, que le niveau de minéralisation limite la consommation

d’azote par les plantes. L’excès d’azote dans les sols est alors dénitrifié à hau-

teur de 23kgN.ha−1.y−1. Lorsque le niveau de minéralisation est plus important,

la consommation des plantes est plus importante et limite l’intensité de la dénitri-

fication. c’est cette compétition simulée qui explique en grande partie la différence

entre les bilans du scenario5 et scenario0.

135


La dénitrification est un phénomène moins cractérisé dans le temps et l’espace,

et dont aucune mesure n’a été réalisée sur notre site d’étude. Par ailleurs, aucun

modèle générique n’a été à ce jour mis au point pour ce processus à l’échelle des

bassins versants. Ce processus est pourtant quantitativement important dans le

cycle de l’azote (évalué à 17 et 27 kgN.ha−1.an−1 suivant les scénariis) et est variable

dans le temps et l’espace à l’échelle du bassin versant agricole [Oehler et al., 2009].

3.3.4 L’efficacité inter-annuelle des mesures

La variabilité inter-annuelle de la réduction des flux d’azote à l’exutoire est forte

pour les mesures de changement d’occupation du sol : la couverture végétale de la

CIPAN, de la bande enherbée ou des bandes de peuplier semble avoir un impact

dépendant de l’année hydrologique. La réductions des pertes d’azote nitrique par

l’implantation des CIPANs augmente avec l’importance des pertes à l’exutoire. Mais

le pourcentage d’abattement de ces flux est lui plus faible lorsque les flux sont

élevés. Ceci montre que la consommation de l’excès d’azote par les CIPANs est

limitée par le potentiel d’absorption de ces cultures.

Plus généralement, les aménagements paysagers (bandes enherbées et peu-

pliers) sont confrontés à cette limite. Ils sont capables d’intercepter une partie de

l’excédent agricole, mais en cas d’excédent très important, la quantité prélevée reste

la même, et le pourcentage de réduction est plus faible qu’en cas de faible excédent.

3.3.5 Les problématiques autres que l’azote

Le travail d’évaluation de l’efficacité environnementale des scénarii agricoles

s’est focalisé sur l’amélioration de la qualité de l’eau pour la teneur en nitrate.

Il ne faut pas oublier que d’autres objectifs sont possibles dans la comparaison de

ces scénarios. Ainsi d’autres problématiques liées à la qualité de l’environnement

sont à évaluer :

– les transferts de matière en suspension, pesticides, phosphore ou métaux

lourds

– l’érosion des sols peut être diminuée par l’enfouissement retardé des pailles

qui restent en couverture sur le sol plusieurs mois avant d’être enfouies, la

CIPAN peut être une couverture efficace, la bande enherbée peut limiter les

pertes de matières dans la rivière en freinant les particules de sol en bas de

versant

136

3.4 Conclusion

– la protection des fossés et petits cours d’eau par les bandes enherbées qui

délimitent ces chemins préférentiels de l’eau afin d’éviter le labour de ces zones

ou l’application directe d’intrants dans les fossés.

– la réimplantation d’arbres dans le paysage pour le rôle écologique (réserve de

biodiversité, de prédateurs de maladie des cultures...) et esthétique...

Une approche intégrant l’évaluation de tous ces paramètres qualitatifs ou quanti-

tatifs permettrait une évaluation de tous les effets bénéfiques d’un scénario.

D’autre part, l’étude montre que l’efficacité de la CIPAN et son coût d’implan-

tation représentent une des meilleures alternatives pour maintenir le type et le

niveau de production agricole actuel tout en diminuant l’impact de la pollution dif-

fuse azotée sur l’environnement. Mais il faut rappeler que la généralisation de cette

pratique comporte certaines difficultés. Le problème majeur est la destruction de

cette culture à l’automne qui peut être difficile ou impossible si le sol est trop hu-

mide. L’utilisation d’herbicide pour cette opération peut entrainer une aggravation

de la problématique phytosanitaire déjà préoccupante. Il faut donc éviter ce mode

de destruction autant que possible. Les effets bénéfiques autres que l’azote devrait

être valorisés pour que cette solution soit retenue par les agriculteurs (amélioration

de la structure du sol, augmentation de la matière organique...).

3.4 Conclusion

Les résultats de simulation des transferts d’azote par TNT2 sur le bassin ver-

sant d’Auradé montre que le modèle est sensible aux changements des données

agricoles d’entrées. Il est donc possible de tester l’efficacité environnementale de

scénarii agricoles par le biais de ce type de modélisation spatialisée. Ces scénarios

consistent à modifier l’utilisation des sols ou les pratiques agricoles en fonction

d’un scénario de référence. Ce scénario de référence, ou scénario0 correspond au

calage du modèle avec une image de l’agriculture passée.

Cette étude utilise des données agricoles parcellaires et simule le cycle de l’azote

avec le formalisme de STICS pour calculer une lixiviation journalière en fonction

des pratiques agricoles et de la position de la parcelle dans le bassin. Le modèle

agro-hydrologique permet d’intégrer dans l’espace et dans le temps les pertes de

nitrate pour simuler la qualité de l’eau dans la rivière.

L’influence à long terme des changements agricoles est évaluée par une simu-

lation sur une période de 17 années. Les principaux résultats montrent que les

137


scénarios d’aménagement du paysage (bandes enherbées et bandes de peupliers)

correspondant à 2.1% du bassin versant ont une efficacité limitée pour réduire les

flux de nitrates, mais pas inexistante. Il semblerait que le couvert végétal offert

par ces aménagements permette de fixer une partie de l’excédent annuel d’azote

dépendant de la surface concernée par ces aménagements. Il semblerait aussi que

les bandes enherbées atteignent rapidement un maximum d’efficacité, alors que les

bandes de peupliers auraient une efficacité, fortement variable dans le temps, mais

avec une tendance croissante. Cette hypothèse reste à valider.

L’effet le plus important sur le bilan d’azote global du bassin versant d’Auradé

est le retard de l’enfouissement des pailles après la récolte du blé. Cette mesure

permettrait de diminuer le niveau de la minéralisation nette simulée, ce qui va

limiter les rendements et les pertes à la rivière (6% de flux en moins), tout en

augmentant les flux de dénitrification de 25% et en diminuant les rendements de 2

q.ha−1 pour les blés d’hiver et de 4 q.ha−1 pour les cultures de printemps.

Une diminution de l’ordre de 17% des flux annuels d’azote à l’exutoire serait

associée à l’ensemble des mesures qui ont été implantées. Cette perte correspond

au cumul des améliorations de chaque aménagement, mais c’est l’enfouissement

retardé des pailles qui joue le rôle clef : il diminue la quantité de minéralisation

et diminue la consommation des plantes. ainsi, l’azote nitrique du sol est en

excés et est dénitrifié. Le niveau de minéralisation plus bas limite les pertes par

lixiviation, mais le stress azoté des plantes limite l’absorption. Il ya donc un excès

d’azote simulé qui est pris en charge par la dénitrification. Les pertes d’azote dans

l’environnement (pertes dans la rivière et par dénitrification) sont donc estimées à

33 kgN.ha−1.y−1 si aucune mesure n’avait été implantée contre 36 kgN.ha−1.y−1

après l’implantation de ces mesures. Le fait que la mesure ’retard à l’enfouissement

des pailles’ aurait augmenté la dénitrification serait à valider, et il est difficile

de conclure sur la valeur prédictive de ce type de résultat, l’incertitude dans la

modélisation de la dénitrification ayant été démontrée auparavant.

Des deux scénarios agricoles testés, le scénario d’implantation d’une CIPAN se-

rait le plus efficace avec une diminution des flux d’azote à l’exutoire de 18%, c’est

à dire une diminution moyenne de 6.2 mgNO−3 .l−1 de la concentration moyenne

annuelle. L’influence de cette implantation sur la minéralisation nette dans le sol

diminue la quantité d’azote lixivié en hiver, et n’aurait pas d’influence significative

sur les rendements des cultures d’hiver. L’impact le plus important est une dimi-

nution significative des rendements de la culture suivante estimée à 3 q.ha−1.an−1

138

3.4 Conclusion

pour un tournesol, dû à un stress azoté plus important lors de la croissance de la

culture.

La diminution des intrants de 10% des fertilisants azotés entrainerait une dimi-

nution de 13.8% des flux à l’exutoire, tandis que les rendements sont diminués de

3 q.ha−1.an−1 pour les blés d’hiver, et 1 quintal.ha−1.an−1 pour le tournesol.

La dénitrification et la minéralisation sont deux termes du bilan, estimés mais

non mesurés, et donc impossibles à valider directement. Les approches de modé-

lisations de TNT2 pour le cycle de l’azote dans le sol sont largement validées au

contexte agro-pédologique français. L’incertitude sur la simulation de la variabi-

lité temporelle de la minéralisation est plus faible que celle de la simulation de la

dénitrification. En effet, Les apporches de modélisation de la dénitrification neces-

sitent une phase de calibration sur des données de terrain. Ce processus n’a pas

été mesuré sur le site d’étude. Il serait donc intéressant de quantifier ce processus

à l’échelle du bassin versant et en suivant les saisons pour calibrer le module de

dénitrification de TNT2, basé sur NEMIS.

139

Chapitre 4

Changement d’échelle : del’échelle locale (Bassin versantd’Auradé) à l’échelle régionale(bassin versant de la Save)

L’utilisation de SWAT à l’échelle du bassin versant expérimental (3.3km2) a montré

certes les limites (voir le chapitre 2) et les incertitudes d’un tel modèle, mais son atout

principal est d’intègrer un module de rivière et de processus dans les cours d’eau

et une spatialisation simplifiée des données d’entrées spatiales lui permettant de

simuler les transferts de polluants à des échelles plus grandes que ce que nous avons

fait jusqu’à présent. De plus l’intérêt de son utilisation est qu’il a été testé sur une

petite surface représentative d’une grande région. L’appréciation de l’incertitude à

l’échelle fine des simulations des différents processus nous donnera un avis critique

sur son fonctionnement à plus large échelle. Nous voulons dans ce chapitre utiliser

le paramétrage de SWAT fait à l’échelle d’un bassin élémentaire pour les bassins

élémentaires de même caractéristiques (type pédologique et occupation du sol) qui

représentent près de 25 % du territoire de la Save, bassin de 1110 km2 dans lequel

le bassin d’Auradé est inscrit.

141

Changement d’échelle : de l’échelle locale (Bassin versant d’Auradé) à l’échelle régionale(bassin versant de la Save)

4.1 Le bassin de la Save à Larra

Le bassin de la save à Larra (Haute-Garronne) est un bassin versant qui s’étend

sur 1110 km2 dans les coteaux de Gascogne. La rivière Save qui le draine prend sa

source au pied du plateau de Lannemezan (dans le Sud-Ouest de la France) à une

altitude de 600m, et se jetant dans la Garonne, rive gauche, après 140 km de trajet

linéaire avec une pente moyenne de 3.6% .

4.1.1 Pédologie et géomorphologie

Le bassin versant est composé d’une formation géologique issue de l’érosion des

Pyrénées, et constituant une épaisse formation détritique du Miocène. Des vallées

étroites se sont creusées dans ces dépôts de molasse avec la chenalisation des

rivières tout en formant des terrasses d’alluvions caillouteuses.

La carte 4.1 est tirée d’un travail de compilation entre les données d’une carte

pédologique de la Compagnie d’Aménagement des Coteaux de Gascogne (CACG)

faite dans les années 1960 (faite au 1/80 000 à partir de relevés de terrain au

1/50 000) avec la carte régionnale Midi-Pyrénées (CRAMP-CACG au 1/500 000).

Ces cartes montrent l’hétérogéneité spatiale de la morphologie du bassin, composé

pour une grande partie de coteaux accidentés, de terrasses anciennes découpées en

amont et de basses plaines d’alluvions correspondant à l’emplacement de la rivière

actuelle. La pédologie qui y est présentée est simplifiée par soucis de clarté : toutes

les classes de sol n’apparaissent pas, une seule classe majoritaire par type géomor-

phologique a été choisie. Des coteaux peu à moyennement accidentés dans lequel

se situe le bassin versant d’Auradé sont représentés très largement par un type

de sol classifié R212, correspondant à un sol brun calcaire, dit Terrefort, dont les

caractéristiques hydrodynamiques et agronomiques sont décrites dans nos bases

de données de paramétrage de SWAT. De même les coteaux accidentés du sud sont

représentés largement par le type de sol R520, calcaires sur pentes fortes. La plaine

alluviale de la Save est composée d’une dominante des sols R131, composés d’al-

luvions calcaires récentes et profondes où on peut s’attendre à avoir une nappe

alluviale. Les autres zones sont beaucoup plus hétérogènes, notamment les ter-

rasses anciennes en amont du bassin où aucune classe pédologique dominante ne

se démarque. Ces observations sont interessantes pour hiérarchiser l’importance

des données spatiales nécessaires à SWAT pour sa mise en oeuvre.

142


Rivières

R131

R212

R322

R328

R332

R520

BASSES PLAINES D'ALLUVIONS RECENTES

COTEAUX ACCIDENTES

COTEAUX ACCIDENTES SUR MOLASSE ACIDE ARGILEUSE OU ARGILE-CAILLOUTEUSE

COTEAUX PEU A MOYENNEMENT ACCIDENTES

COTEAUX PEU ACCIDENTES ET GLACIS SUR MOLASSE ARGILEUSE

HAUTES TERRASSES ANCIENNES DECOUPEES

TERRASSES D'ALLUVIONS ANCIENNES

TERRASSES PLANES D'ALLUVIONS ANCIENNES

Sous bassin versant

Toutes les autres valeurs16 classes de sols

Carte de géomorphologiesources

CEMAGREF Bordeaux

Carte de pédologiesource:

CEMAGREF Bordeaux

R9

FIGURE 4.1 – Géomorphologie et Pédologie des formations rencontrées sur le bassin dela Save. Sources Cemagref de Bordeaux, UR ADBX. Les classes pédologiques dominantesdans les zones géomorphologiques sont seules représentées par soucis de clarté. R131 :alluvions calcaires récentes ; R212 : Terreforts profonds (>40cm) ; R322,R332 : Boulbènesanciennes superficielles ; R328 : Sols brun ; R520 : Marno-calcaire pentes fortes ; R9 : profilmorpho-pédologique de molasse acide argileuse.

143


4.1.2 Occupation des sols

Le bassin versant de la Save est un bassin à dominante agricole (cf figure 1.2,

page 15), la forêt n’y représente que 15% des surfaces, avec une présence plus im-

portante dans les coteaux accidentés amont, sur les pentes les plus fortes. Deux

types de données sont disponibles pour caractériser l’agriculture qui y est prati-

quée. La figure 4.2 est tirée des travaux de Macary et al. [2006]; Lescot et al. [2009]

et montre 2 niveaux de lecture de l’utilisation agricole des sols du bassin versant :

deux grandes zones agricoles sont identifiées, la zone aval où il est cultivé majo-

ritairement du blé-tournesol, et la zone amont, plus fourragère, où l’élevage est

présent.

Ces zones sont très hétérogènes, comme le montre l’occupation du sol tirée

de l’analyse d’une image LANDSAT de 2005. Nous voyons clairement la rotation

blé/tournesol dominer la zone du même nom, avec l’alternance spatiale des deux

cultures correspondant à la rotation temporelle sur deux ans de ces cultures.

Nous voyons également l’hétérogéneité du paysage qui est constitué pour une part

de la SAU par de la prairie-fourrage, jachère, surface toujours en herbe etc. De

petites zones boisées dispersées sont remarquables sur cette carte de plus fine

résolution que Corine Land-Cover. Plus important, les zones de culture du maïs,

concentrées dans la plaine alluviale, proches de la rivière et qui correspondent à

la monoculture intensive de maïs irriguée, peu étendue mais caractéristique de

la région. La zone amont est, elle, encore plus hétérogène, à dominante prairie,

mais avec une polyculture élevage largement implantée qui explique les quelques

champs éparses de culture de blé, tournesol ou maïs, pour l’alimentation du bétail

ou encore pour la vente. Par soucis de clarté, la carte présentée est largement

simplifiée, la classe ’prairie’ regroupe 5 classes comportant des rotations culturales

intégrant de la prairie sur plusieurs années.

4.1.3 La zone d’étude

La zone d’étude de ce chapitre, où se situe le bassin versant d’Auradé, est la

zone aval, correspondant à la grande zone géomorphologique des coteaux peu à

moyennement accidentés, le type pédologique dominant étant le type R212, sol

brun calcaire. Elle correspond également à la zone agronomique homogène dans sa

dénomination, une dominance de la rotation blé-tournesol, mais hétérogène dans la

fragmentation de l’espace. La figure 4.3 présente un zoom de cette zone, montrant

144


BATI

BOIS

EAU

FOURRAGES

MAIS_BLE

TOURNESOL_BLE

Surface Toujours en Herbe

RivièreSous-bassin versant

Maïs

Forêt

Prairie

Tournesol

BATI

EAU

Blé d'hiver

±

0 10 205Kilometers

Occupation du sol, image landsat 2005source: Cemagref de Bordeaux

Grandes zones agricolessource: Cemagref de Bordeaux

FIGURE 4.2 – Occupation du sol du bassin versant de la Save : des grandes zones agricolesau parcellaire. Sources CEMAGREF de Bordeaux-UR ADBX.

145


Maïs

Forêt

Prairie

Tournesol

BATI

EAU

Blé d'hiver

±

0 6 123Kilometers

Occupation du sol, image landsat 2005source: Cemagref de Bordeaux

Bassin versant d'Auradé

FIGURE 4.3 – Occupation parcellaire de la zone Blé-Tournesol du bassin versant de la Save.Le parcellaire du bassin versant d’Auradé est calqué sur la base de données.

146

4.2 Les objectifs de simulation de la qualité du cours d’eau

la haute définition de la base de données agricole disponible. Les rotations sont

ici simples à identifier, parce qu’elles sont simples agronomiquement. L’alternance

spatiale blé/tournesol indique que si on inverse les couleurs, on obtient à peu de

choses près la carte d’occupation des cultures de l’année suivante. De la même

façon, la monoculture de maïs irrigué des plaines alluviale est facilement délimitée

par les techniques de télédétection. Le zoom montre l’emplacement du sous bassin

versant calculé par SWAT dans lequel s’inscrit le bassin versant d’Auradé. La base

de données agricole présentée ici est à quelque chose près à la même échelle que

la base de données parcellaire d’Auradé. Seuls les linéaires les plus étroits d’arbres

le long du cours d’eau (et les bandes de peupliers) n’apparaissent pas. Il est donc

interessant d’utiliser cette base de données très découpée en entrée de SWAT, au

moins pour cette zone.

4.2 Les objectifs de simulation de la qualité du cours d’eau

4.2.1 Chroniques hydrologiques, météorologiques et suivis de nitrate

Les données climatiques proviennent de stations de Météo France les plus re-

présentatives possibles du bassin versant de la Save. Cinq stations de pluie, dont

une à l’Isle Jourdain, à quelques km d’Auradé, et deux stations en amont du bassin

calculant l’ETP (Penman) en fonction des 4 paramètres journaliers : humidité re-

lative, température, rayonnement solaire global, vitesse du vent. Les données pour

calculer l’ETP sont disponibles à partir de 1994, date à partir de laquelle nous si-

mulons les flux d’azote dans la Save. L’évapotranspiration potentielle calculée par

le modèle est de 930mm par année simulée, la pluie de 711mm, pour la période

1994-2008.

Les données hydrologiques de débits journaliers sont disponibles pour l’exu-

toire de la Save à Larra (31, Haute-Garonne, sur la banque de données Hydro

http : //www.hydro.eaufrance.fr/). Des données de concentration en nitrates sont

disponibles à cet exutoire, données récoltées durant la thèse grâce à un protocole

similaire à celui mis en place à Auradé, avec préleveurs automatiques, sondes et

prélèvements hebdomadaires. Les données résultent des analyses de concentration

en nitrates des échantillons d’eau prélevés.

147


FIGURE 4.4 – Itinéraire technique entré dans SWAT pour la monoculture de maïs. Lesquantités d’intrants sont en kg/ha de produits commerciaux.

4.2.2 Bases de données d’itinéraires techniques agricoles

Des rotations culturales et des itinéraires techniques moyens associés à chaque

occupation du sol ont été fourni par le Cemagref de Bordeaux (UR ADBX) dans le

cadre du projet LIFE européen ’Concert’eau’ pour les types de rotation culturale

définies par une image LANDSAT (2005). Dans ce chapitre, nous nous intéressons

à la seule zone Tournesol-Blé. Les figures 4.4 et figures 4.5 indiquent les doses

moyennes de fertlisants azotés pour les rotations majoritaires de la zone tournesol

blé. La figure 4.5 montre également que les deux zones ’tournesol’ et ’blé d’hiver’

sont prises en compte dans les entrées du modèle en opposition : l’année de semis

du tournesol pour une zone correspond à l’année d’implantation du blé d’hiver pour

la deuxième zone.

4.3 Paramétrage de SWAT

Cette partie compare les réponses hydrologiques, en terme de débit, des diffé-

rents calages des principaux paramètres hydrologiques. Les comparaisons se font

sur le sous-bassin versant d’Auradé et le bassin de la Save à Larra.

148


FIGURE 4.5 – Itinéraire technique entré dans SWAT pour les deux zones blé-tournesol. Lesquantités d’intrants sont en kg/ha de produits commerciaux.

149


Nous allons dans cette partie adopter la terminologie suivante : SWATaur pour

parler du calage de SWAT sur Auradé présenté dans le chapitre 2, SWATsav pour

le calage global de SWAT sur la Save présenté dans ce chapitre. Un autre calage

est testé pour montrer l’intérêt de la modélisation des transferts d’eau et d’azote à

l’échelle d’Auradé : SWATsavmodif pour lequel nous fixons les paramètres de sols

et de nappe avec la valeur moyenne calibrée sur Auradé. 25 sous-bassins versants

correspondant au contexte agro-pédologique d’Auradé sont concernés, correspon-

dant à 25% de la surface du bassin de la Save. La figure 4.6 montre l’emplacement

de ces bassins. Ils sont sélectionnés car faisant partis de la même zone géomorpho-

logique dont le type pédologique est homogène et l’occupation du sol principalement

composé de la succession culturale blé-tournesol.

4.3.1 Option SWAT : Dominant Landuse

L’utilisation des données pédologiques et d’occupation du sol les plus détaillées

présentées dans la partie précédente impose un découpage spatiale trop important

dans SWAT : plus de 5000 HRUs sont calculées, ce qui n’est plus soutenable par

les serveurs actuels de calcul du laboratoire. L’option ’Dominant Landuse’ de SWAT

permet, dans ce genre de situation, de sélectionner la HRU dont la surface est la

plus grande dans chaque sous-bassins. Des 5000 HRUs, nous obtenons 91 HRUs,

correspondant au nombre de sous bassins. Le résultat en terme de variabilité spa-

tiale de l’occupation du sol est présenté dans la figure 4.7. Cette technique est loin

d’être satisfaisante pour la problématique nitrate, mais cette simplification de l’oc-

cupation du sol permet de manipuler plus facilement les résultats de simulation.

Nous avons été obligé de procéder à cette simplification pour obtenir les résultats

de simulation de ce chapitre, mais nous pensons qu’il ne faut pas se contenter de

cette simplification de l’occupation du sol pour les simulations futures.

4.3.2 Calage des débits

Le calage global des débits journaliers s’est fait par rapport à la base de données

hydrologique 1994-2008 à l’exutoire de la Save. La figure 4.8 montre que le calage

SWATsav n’est pas optimisé, de nombreux pics de crues ne sont pas simulés, et

généralement les intensités sont sous-estimées. Il est pourtant difficile de régler

ce problème sans prendre mieux en compte l’hétérogénéité minimale des sols et

occupation de sol des bassin versants. Nous reviendrons sur la courbe des débits

SWATsavmodif dans la partie 4.3.5.

150


0 10 205Kilometers

Sous-bassin d'Auradé

Sous-bassins modifiés

Sous-bassins non modifiés

¯

FIGURE 4.6 – Sous-bassins versants utilisés pour appliquer le calage SWATaur des sols etnappe.

FIGURE 4.7 – Impact de la spatialisation des occupations du sol de l’option Dominantlanduse dans SWAT.

151


050100

150

200

250

01/07/1994

01/01/1995

01/07/1995

01/01/1996

01/07/1996

01/01/1997

01/07/1997

01/01/1998

01/07/1998

01/01/1999

01/07/1999

01/01/2000

01/07/2000

01/01/2001

01/07/2001

01/01/2002

01/07/2002

01/01/2003

01/07/2003

01/01/2004

01/07/2004

01/01/2005

01/07/2005

01/01/2006

01/07/2006

01/01/2007

01/07/2007

01/01/2008

01/07/2008

Débits journaliers en m3/s

Déb

its o

bser

vés

Déb

its s

imul

és S

WA

Tsav

mod

ifD

ébits

sim

ulés

SW

ATs

av

FIG

UR

E4.8

–D

ébit

sjo

urn

alie

rssi

mu

lés

etob

serv

ésà

l’exu

toir

edu

bas

sin

vers

ant

de

laS

ave

àLar

ra.

Les

sim

ula

tion

sde

SW

AT

son

tfa

ites

avec

l’opti

on’D

omin

ant

Lan

du

se’.

Le

cala

geS

WA

Tsa

vet

SW

ATsa

vm

odif

son

tco

mpar

ésau

xdon

née

sob

serv

ées.

152


Le cumul des débits présentés est supérieur de 4% aux cumuls des débits ob-

servés sur la permière période (1994-2001) et inférieur de 12% sur la période 2001-

2008.

4.3.3 Débits simulés sur le sous-bassin d’Auradé

La figure 4.9 montre les débits simulés par SWATsav dans le sous-bassin conte-

nant Auradé comparé aux débits simulés par SWATaur. Deux différences ma-

jeures apparaissent. D’abord, chaque reprise d’écoulement s’accompagne d’un re-

tard dans l’augmentation des débits avec SWATsav par rapport à SWATaur. Cela

indique que la réserve utile sur ce sous-bassin est plus importante que la réserve

utile moyenne de la totalité des HRUs de SWATaur. Cette hypothèse est confirmée

par la figure 4.10 qui montre que le maximum de réserve utile est aux alentours de

255mm pour SWATsav et de seulement 160mm pour SWATaur.

Ensuite, toutes les périodes de fort écoulement sont sous estimées par rapport

à SWATaur. La forme des récessions n’est pas la même également car les coefficient

GW−delay et ALPHA−BF ne sont pas les mêmes que ceux obtenus avec le calage se

SWAT sur les données d’Auradé. Au total, la contribution du sous-bassin versant

à la Save est sous-estimée largement par rapport à ce que nous connaissons de

l’hydrologie du bassin versant d’Auradé.

153


0

0.2

0.4

0.6

0.81

1.2

1.4

1.6

1.8

01/0

1/19

9501

/01/

1996

31/1

2/19

9631

/12/

1997

31/1

2/19

9831

/12/

1999

30/1

2/20

00

Débits journaliers en m3/s

Déb

it S

WA

Taur

Déb

it S

WA

Tsav

mod

ifD

ébit

SW

ATs

av

FIG

UR

E4.9

–D

ébit

sjo

urn

alie

rssi

mu

lés

par

SW

ATsa

vet

SW

ATau

rà

l’exu

toir

edu

sou

s-bas

sin

vers

ant

con

ten

ant

Au

radé.

Les

sim

ula

tion

sde

SW

AT

son

tfa

ites

avec

l’opti

on’D

omin

ant

Lan

du

se’.

Un

em

odifi

cati

ondes

par

amèt

res

hyd

rolo

giqu

esdes

sols

etde

lan

appe

est

fait

een

fon

ctio

ndu

cala

geS

WA

Tau

rpou

rvé

rifier

l’am

élio

rati

ondes

sim

ula

tion

sS

WA

Tsa

vmod

if.

154


4.3.4 Utilisation des paramètres hydrologiques de SWAT sur le sous-bassin contenant Auradé

Nous avons donc effectué un test en appliquant les valeurs des paramètres sol

et nappe les plus sensibles trouvées pour SWATaur. Le résultat sur les débits est

montré par la courbe bleue de la figure 4.9. Nous améliorons les récessions, plus

longues, le débit reste supérieur à 0. Les reprises d’écoulement sont un peu plus

fortes, mais restent limitées, les ruissellements sont un peu moins sous estimés.

La courbe bleue de la figure 4.10 montre que le nouveau calage testé permet de

ramener le niveau de réserve utile au niveau SWATaur. Les différences qu’il reste

entre la courbe SWATsavmodif et SWATaur pour les débits sont certainement dû à

l’hétérogénité spatiale décrite dans SWATaur, notamment pour les bilans hydriques

associés à la couverture du sol. Bien entendu, ce changement de paramètre pour

le seul sous-bassin versant contenant Auradé, de 500ha, n’a pas changé les débits

à l’exutoire du bassin versant de la Save.

En appliquant ce jeu de paramètres à tous les bassins versants de la zone blé-

tournesol des coteaux accidentés, de taille comparable à celui d’Auradé, situé en

partie amont des coteaux (figure 4.6), les débits à l’exutoire de Larra ne sont que

très peu perturbés. La variation de la lame d’eau cumulée sur la période 1994-2001

est de moins de 4.5%, pour une augmentation de la lame d’eau cumulées de près

de 19% sur le bassin d’Auradé par exemple.

Ce test reste insuffisant puisque la lame d’eau annuelle simulée à la sortie du

sous-bassin d’Auradé est encore sous-estimée de 27% après la rectification SWAT-

savmodif.

4.3.5 Dynamique des débits de la Save à Larra

Bien que les bilans d’eau ne changent pas de manière significative, les dyna-

miques de débits à l’exutoire de la Save sont perturbées par ce changement de

paramétrage des bassins versants types Auradé. En effet, la figure 4.9 montre qu’il

y a une contribution significative des bassins versants modifiés lors de nombreux

événements pluvieux, générant des pics de crue correspondant aux observations

et qui ne sont pas simulées par le calage global SWATsav. Cette part contributive

d’écoulements rapides venant de ces coteaux n’est pas négligeable à l’exutoire de la

Save pour ces jours là.

155


0

50

100

150

200

250

300

15/06/1994 28/10/1995 11/03/1997 24/07/1998 06/12/1999 19/04/2001 01/09/2002

Lam

e d'

eau

en m

m

Reserve Utile SWATsavReserve Utile SWATaurSWATsavmodif

FIGURE 4.10 – Réserve utile journalière simulée par SWATsav et SWATaur à l’exutoire dusous-bassin versant contenant Auradé. Les simulations de SWAT sont faites avec l’option’Dominant Landuse’. Une modification des paramètres hydrologiques des sols est faite enfonction du calage SWATaur pour vérifier l’amélioration des simulations SWATsavmodif.

156


TABLE 4.1 – Bilans annuels d’azote sur le bassin versant de la Save et d’Auradésimulé par SWATsav.Nitrogen budget kgN.ha−1.an−1 Save AuradéAzote de la pluie 7 7Mineral fertilizer 63 75minéralisation 47 62Consommation des plantes 76 104Dénitrification 32 25pertes au ruisseau 8.7 13.5δ stock 0 1.5

4.3.6 Vérification du bilan d’azote

La contribution à l’écoulement de la zone Tournesol-Blé d’après le calage global

SWATsav et rectifié SWATsavmodif est sous-estimée par le calage hydrologique,

puisqu’on sous-estime globalement les écoulements à Auradé. Qu’en est il du cycle

de l’azote agricole, avec l’expertise que l’on peut tirer de la modélisation sur Auradé ?

Pour faire varier le niveau de pertes azotées, le paramètre CMN est utile, car il

joue sur l’intensité de la minéralisation. Par contre il est défini pour tous les sous

bassins versants. Un jeu de paramètre est choisi pour avoir les bilans résumés dans

la table 4.1. Nous arrivons à caler un bilan correspondant au bilan agronomique

estimé du chapitre 2. Les principales différences sur Auradé sont un niveau de

fertilisation plus faible et un niveau d’utilisation de l’azote minéral par les plantes

plus faible aussi. La lixiviation à Auradé correspond à ce que nous connaissons de

ce contexte agro-pédologique. Le bilan sur la Save est largement marqué par la pré-

sence forte de prairies dans l’occupation globale des sols associée à une lixiviation

moins importante que dans les zones de culture. La simplification de l’occupation

du sol pour utiliser le modèle donne beaucoup d’importance à ce type de rotation

fourragère (voir la figure 4.7).

La figure 4.11 présente les résultats en terme de concentration à l’exutoire de

la Save à Larra, simulée. Nous pouvons noter qu’à part les deux premières années

généralement utilisées pour initialiser le modèle, la gamme de variation des concen-

trations simulées correspond à la gamme mesurée. La dynamique de variation est

elle aussi réaliste. On ne peut pourtant pas conclure par rapport à la courte période

de données disponibles.

157


0

5

10

15

20

25

30

35

40

45

50

01/0

7/94

01/0

7/95

01/0

7/96

01/0

7/97

01/0

7/98

01/0

7/99

01/0

7/00

01/0

7/01

01/0

7/02

01/0

7/03

01/0

7/04

01/0

7/05

01/0

7/06

01/0

7/07

01/0

7/08

Con

cent

ratio

ns e

n m

gN/l

données observéesdonnées simulées SWATsavmodif

FIGURE 4.11 – Concentrations simulées à l’exutoire de la Save par le calage SWATsavmodifpour les 24 sous-bassins avals représentatifs des conditions agro-pédologiques d’Auradé.Les simulations sont faites d pour la période 1994-2008, les données observées sont dis-ponibles à partir de fin 2006.

158

4.4 Intérêt du changement d’échelle

4.4 Intérêt du changement d’échelle

4.4.1 La contribution des sous-bassins

Nous avons vu que les débits du sous-bassin versant d’Auradé sont sous-

estimés. L’utilisation de paramètres hydrologiques semblent améliorer la dyna-

mique des débits, ainsi que la hauteur de lame d’eau écoulée, même si cela reste

insuffisant. De plus, le bilan agronomique semble expliquer une bonne partie des

transferts de nitrates dans la rivière. La concentration simulée est donc forte à

l’exutoire de ce sous-bassin. Après recalibration des paramètres des 25 sous-

bassins versants, les débits à l’extoire de la Save à Larra sont marqués par de fortes

contribution de ces parties du bassin lors des évènements de crue. Ces évènements

ont alors une importance sur la qualité du cours d’eau ces jours là. Les contribu-

tions à l’écoulement à l’exutoire provenant des zones amont fourragères où est si-

mulé peu de lixiviation et les contributions des ces zones de coteaux blé/tournesol

se mélangent pour former la masse d’eau qui s’écoule à l’exutoire à Larra. Une

bonne calibration de cette contribution des coteaux semble donc essentielle pour

simuler correctement la variation de concentration en nitrate et de débits à l’exu-

toire de la Save.

4.4.2 Vers une meilleure simulation

Il semble que pour l’utilisation des paramètres hydrologiques de SWATaur sur

les 25 sous-bassins a permis de simuler des évènements pluvieux qu’un calage

global n’a pas réussi à modéliser, mettant en évidence la contribution de ces zones

aux débits à l’exutoire de la Save à Larra. De plus, cette contribution est encore

sous-estimée : la lame d’eau écoulée est trop faible, et certains évènements sont

sous-estimés voire non simulés à l’échelle du sous-bassin (cf figure 4.9). On peut

imaginer alors que les nombreux pics de crue non simulés ou sous-estimés dans

les débits à l’exutoire de la Save à Larra (cf figure 4.8) peuvent être améliorés si on

améliore la modélisation à cette échelle.

Les concentrations peuvent avoir une gamme de valeur à l’exutoire du bassin

général cohérente avec les mesures : les faibles drainages des zones blé tournesol

sont concentrés en azote puisque les flux d’azote à la rivière correspondent aux

mesures. Mais, mis à part les jours de forte contribution des coteaux étudiés, les

fortes concentrations simulées avec cette faible lame d’eau sont diluées dans les

159


volumes d’eau bien supérieurs de la Save. Ces jours de forte contribution vont par

contre expliquer une concentration très forte simulée à l’exutoire.

4.5 conclusion

Cette expérimentation virtuelle montre l’intérêt d’utiliser : l’expertise du fonc-

tionnement d’un petit bassin versant appartenant à une région homogène d’un

point de vue hydrologique, géomorphologique, pédologique et agronomique et un

modèle type SWAT à une échelle locale. Ceci nous a permis d’identifier les proces-

sus dominants à l’échelle du petit bassin versant et de calculer un bilan hydrique

et agronomique moyen représentatif des bassins versants. Cela nous apporte aussi

une identification des paramètres du modèle importants et l’utilisation des valeurs

calibrées à l’échelle locale pour spatialiser ces paramètres suivant les régions ho-

mogènes.

L’hypothèse que les sous-bassins sélectionnés ont la même réponse semble fon-

dée, car les caractéristiques du substrat et de la pression agricole semblent les

mêmes. De plus, comme les informations spatiales en entrée du modèle sont simpli-

fiées, le même type d’informations pédologiques et agronomiques sont renseignées.

Seul le climat varie entre ces bassins. Ils sont donc simulés de la même façon. Mais

la question reste : peut-on comparer le bilan estimé par le travail du chapitre 2 sur

le bassin versant d’Auradé, site expérimental suivi depuis 20 ans par l’association

des agriculteurs d’Auradé pour réduire la fertilisation et les pratiques à risque, et

celui de ses voisins ?

Même si le calage SWATsavmodif a apporté une amélioration dans la simulation

des bilans hydriques de la zone tournesol/blé, les lames d’eau restent sous-

estimées dans ces sous-bassins. Seuls, les paramètres hydrologiques n’améliorent

qu’en partie l’hydrologie du bassin. L’évapotranspiration de ces zones là sont

surestimées. Il faut peut-être aller chercher la cause dans l’occupation simplifiée

du sol qui est décrite en entrée des modèles.

Il est intéressant de mieux paramétrer et simuler les flux d’eau à l’exutoire de ces

sous-bassins, afin d’augmenter la performance des simulations de la quantité de

l’eau à l’exutoire du bassin de la Save. Cette zone agricole est en effet une zone qui

contribue le plus à la perte d’azote dans la rivière, avec 13.5kgN.ha−1.an−1 contre

8.7kgN.ha−1.an−1 pour la moyenne de la Save. Et nous savons que les transferts en

160

4.5 conclusion

période de crue ne sont pas négligeables dans ce contexte, avec de fortes concen-

trations et de forts débits pendant ces évènements. Donc, les jours de contribution

de ces eaux aux débits à l’exutoire de la Save risquent d’être marqués par de fortes

concentrations, de l’ordre de 10mgN.l−1, alors que les débits d’étiage présentent des

concentrations aux alentours de 2mgN.l−1.

Pour tenter d’améliorer encore les simulations de transfert d’eau et d’azote

dans la Save, un autre découpage devrait être envisagé, utilisant sur la zone

blé/tournesol un seul type de sol, paramétré selon le calage fait à Auradé, utilisant

l’occupation du sol précise présentée dans la figure 4.2. Le niveau de précision de

l’occupation du sol devrait permettre de mieux prendre en compte le couvert végétal

pour simuler l’évapotranspiration réelle, et donc simuler les bons débits. Le para-

mètre ESCO, paramètre d’ajustement de l’évaporation du sol, est souvent cité dans

la littérature pour compenser une faible evapotranspiration simulée, mais il a le

défaut d’être appliqué à la totalité du bassin, permettant de caler le bilan hydrique

globalement.

Les transferts d’azote peuvent être améliorés également si on estime mieux les

surfaces fertilisées dans les sous-bassins.

161

Chapitre 5

Conclusions générales etperspectives

Les chapitres précédents présentent la variabilité des transferts de nitrate à

différentes échelles pour étudier l’impact de l’agriculture sur les pollutions azotées

des rivières de bassins versants agricoles :

– l’échelle infra journalière (la variable [NO−3 ] dans le ruisseau)

– l’échelle saisonnière (cycle de l’azote agricole, variation des flux d’azote jour-

naliers)

– l’échelle inter-annuelle (variation des bilans hydriques et azotés sur 15 ans)

L’échelle spatiale choisie est le petit bassin versant pour la raison évidente que la

maîtrise des paramètres controllant les transferts d’azote est grande, et l’incerti-

tude sur les données d’entrées limitée. De plus, l’échelle du petit bassin versant

permet d’échantillonner les pertes de nitrates du système agricole car le vecteur

majoritaire est la rivière.

L’utilisation d’une sonde nitrate pour mesurer la concentration en continue

montre la grande variabilité des concentrations en nitrate dans ce contexte agricole

dominant, avec des transferts rapides et une nappe souterraine réduite. Les

événements hydrologiques de printemps et d’automne expliquent une partie non

négligeable des pertes d’azote : 18% pour les quatre crues majeures, et 33% du

total des flux de la période suivie pour l’ensemble des événements hydrologiques.

Ces chiffres sont certainement inférieurs par rapport à une année hydrologique

moyenne, puisque la période d’étude (2006-2008) a été très sèche (-32% en 2007

et -17% de déficit hydrologique en 2008). L’intérêt de ce suivi en continue des

163

Conclusions générales et perspectives

concentrations est de connaître la fréquence d’échantillonnage optimale en fonction

de la variabilité du signal.

Pour modéliser les flux d’azote à cette échelle temporelle fine et l’échelle spatiale

du petit bassin versant, il faut pouvoir décrire à une échelle temporelle adaptée

les transferts d’eau. En d’autre termes, simuler en fonction de l’intensité de la

pluie, de l’état de surface des sols, des chemins préférentiels de l’eau et de la

microtopographie le ruissellement et la vitesse de transfert des eaux de surface.

Lors d’un événement pluivieux, ces transferts arrivent peu concentrés en nitrate

dans la rivière, expliquant les pics de dilution observés, plus ou moins importants

en intensité ou dans la durée. Des modèles comme MHYDAS [Moussa et al., 2002]

développé au sein de l’UMR Lisah de l’INRA de Montpellier ont un formalisme

permettant de décrire les objets spatiaux tels que les fossés ou drains pour simuler

les chemins préférentiels de l’eau.

Ces données suplémentaires de description du terrain sont essentielles pour

simuler les régimes d’écoulements dans la rivière. Les données acquises durant

cette thèse peuvent être utilisées pour modéliser ces variations temporelle infra

journalière puisqu’une station météo a été installée en 2007 sur le bassin versant

d’Auradé calculant des données ETP et pluviométriques semi-horaires. Un travail

de recensement des talwegs, drains et fossés, avec l’apport des cartes d’humidité

calculée par TNT2 pourraient alimenter ce genre de modèle.

L’intérêt d’une telle modélisation n’est pas d’améliorer la prédiction des ten-

dances étudiées dans le cadre du sujet de thèse. Les tendances à long terme ne

sont pas influencées de manière significative par ces processus hydrologiques.

Mais c’est de se doter d’un outil qui est capable de simuler les transferts rapides

en crues de molécules agricoles mobiles comme le nitrate. Cet outil peut être une

référence pour d’autres molécules mobiles agricoles tels que certaines molécules

pesticides. En effet les transferts de ce type de molécules se font généralement pen-

dant les périodes de crue et ne peuvent être modélisés qu’à une échelle temporelle

fine. De plus, les données de turbidité de la sonde pour la même période d’étude

n’ont pas été exploitées mais peuvent permettre de caler un modèle d’érosion, pour

la même problématique de transferts de molécules agricoles fixées.

164


La deuxième partie du travail a consisté à utiliser des modèles existants de

transfert et transformation de l’azote dans les agro-hydrosystèmes sur le bassin

versant d’auradé en utilisant les bases de données hydrologiques et climatiques

historiques (1985 à 2001). Ces types de modèles sont en effet largement utilisés

dans les projets scientifiques d’étude des pollutions diffuses agricoles sur la qualité

de l’eau de rivière. Deux modèles ont été choisis, TNT2 et SWAT. Ils ont pour même

objectif de simuler la croissance des plantes en fonction des itinéraires techniques

agricoles en fonction des propriétés hydrologiques des sols et du climat, ainsi que

les transferts d’eau et de nitrates à l’échelle du bassin versant.

Les approches de modélisation sont différentes, SWAT est semi-distribué, il si-

mule les processus agronomiques et hydriques à l’échelle d’unités spatiales ho-

mogènes, nommées HRUs (Hydrological Response Units). Les HRUs ne sont pas

spatialisées à l’échelle du sous-bassins versants. Les flux d’eau et d’azote sont in-

tégrés par sous-bassins et pris en charge dans un réseau de tronçons de rivière

où les processus hydrologiques et biologiques sont intégrés. TNT2 est entièrement

spatialisé, et les calculs de transfert et transformation de l’azote se font à l’échelle

d’une maille, calculs dépendant des flux provenant des mailles amont connectées.

Les flux d’eau et d’azote résultant du transfert dans le versant sont pris en charge

par les mailles réseau (mailles principales les plus en aval et drainant le bassin

versant) pour calculer le débit et le flux journaliers à l’exutoire.

Les formalismes de modélisation des processus sont différents. Les processus

de ruissellement sont basés sur le calcul d’un rapport infiltration/ruissellement

dépendant du couvert végatale dans SWAT (approche des SCS curve number), alors

qu’un coefficient d’infiltration fixé pour chaque sol est disponible dans TNT2. Ainsi,

les événements hydrologiques correspondants aux ruissellements observés sur le

terrain sont mieux simulé par SWAT, même si les données journalières disponibles

ne permettent pas de prédire tous les évènements. Cette différence de simulation

de l’hydrologie journalière influence les concentrations simulées, mais ne modifie

pas les bilans agronomiques globaux à l’échelle du bassin versant.

La croissance des plantes est basée sur l’efficacité du rayonnement global jour-

nalier dans les deux modèles ainsi qu’un équilibre entre l’offre et la demande d’azote

minéral dans le sol. Les approches sont donc très similaires pour des résultats de

croissance et de prélèvement de nitrate comparables. Les deux processus majeurs

de transformation de l’azote dans le sol sont identifiés comme étant la minéralisa-

tion et la dénitrification. L’approche de modélisation pour ces processus est très

différente entre les deux modèles, TNT2 se base sur le formalisme de STICS qui

165


simule la croissance de la biomasse microbienne dégradant les résidus de récolte

enfouis, tandis que SWAT simule une transformation de l’azote des résidus de ré-

colte à 80% vers la fraction minérale du sol et à 20% vers l’humus. Pour pouvoir

comparer l’effet de ces différentes approches dans la modélisation des transferts de

nitrate, nous avons utilisé les mêmes données d’entrées. Ainsi, les données spa-

tiales sont les mêmes dans les deux modèles.

La minéralisation simulée est maximale en automne pour TNT2 et presque nulle

en hiver, tandis que SWAT simule une contribution de la minéralisation tout au

long de l’année. L’enfouissement des résidus de récolte a un impact inverse dans

les deux modèles : TNT2 simule une organisation nette durant les jours qui suivent

l’enfouissement, tandis que SWAT simule une augmentation de la minéralisation

journalière qui diminue ensuite sur la moitié de l’année qui suit. La dénitrification

est la résultante de ce fonctionnement : elle intervient lorsque les conditions simu-

lées dans le sol sont suffisamment humides et qu’il y a un excès d’azote minéral.

Elle est donc maximale en automne avec TNT2 et en hiver avec SWAT. Le processus

est décalé dans les deux modèles.

Le bassin versant est donc modélisé de manière différente, les dynamiques si-

mulées sont opposées, mais on obtient, par des techniques classiques de calage des

modèles utilisés, les mêmes bilans d’azote annuels à l’échelle du bassin versant.

L’inter-calibration des deux modèles permettent d’avoir une meilleure appréciation

de l’incertitude de chacuns, ainsi qu’une possible critique des données d’entrée sur

cette longue période d’étude. Une conclusion de cette inter-comparaison est que le

modèle TNT2 permet de mieux simuler la variabilité saisonnière et interannuelle

des bilans agronomiques, car la minéralisation simulée prend mieux en compte les

variations saisonnières et climatiques. Il est donc adapté pour tester l’impact de

scénarios agricoles imaginés ou déjà mis en place sur le bassin, scénario qui vise

à contrôler l’excès de nitrates dans le sol après la récolte des cultures. Le mauvais

fonctionnement hydrologique du modèle TNT2 en terme de transferts rapides a

été démontré, donc nous travaillerons sur les bilans d’azote annuels à l’échelle du

bassin versant.

La troisième partie présente l’utilisation de TNT2 à l’échelle du bassin versant

d’Auradé pour simuler l’impact des scénarios agricoles imaginés dans ce contexte

agronomique. Le problème de la quantité de nitrate agricole drainée par la rivière est

un sujet abordé depuis longtemps. Le fabriquant d’engrais azoté, AZF (aujourd’hui

166


GPN-TOTAL) a équipé le bassin en 1985 pour établir le lien entre les fertilisants

agricoles et l’évolution de la concentration dans la rivière.

Les mesures de concentration infra-journalière montrent la contribution, à cer-

taines périodes, d’écoulements rapides de l’azote disponible dans le sol par écoule-

ment latéral ou réessuyage des sols agricoles. Plus généralement, l’excès de nitrate

du système sol est drainé en partie par la rivière, qu’il passe par des écoulements

lateraux rapides ou par lessivage dans la nappe. Les périodes sensibles pour le

départ de l’azote par écoulement latéral sont observées durant les évènements hy-

drologiques majeurs de printemps, lorsque les fertilisations sont appliquées, et en

automne, lorsque la récolte a supprimé tout couvert végétal, que les cultures de

printemps non récoltées sont matures et ne prélèvent plus d’azote pour leur crois-

sance. De plus, le niveau de concentration des écoulements de base est important

(entre 8 et 9 mgN.l−1), indiquant que la contribution de la nappe est majeure.

L’utilisation de TNT2 ne permettra pas de tester des scénarios agricoles sur

ces transferts rapides d’azote, puisqu’il ne simule pas les transferts lateraux de

nitrates observés. Il peut par contre tester l’impact d’occupation du sol ou de

pratiques limitant les périodes d’excès d’azote sur le lessivage dans la nappe et sur

les flux annuels d’azote à l’exutoire.

Les scénarios majeurs envisagés sont de deux types :

– les mesures agro-environnementales implantées historiquement à partir de

1992 sur le bassin

– deux scénarios agricoles imaginés par les agronomes pour diminuer la quan-

tité d’azote minéral dans le système

Une demande d’évaluation environnementale des actions financées et mises en

place sur le terrain a guidé notre choix de modéliser les types d’aménagements

suivant :

– retard de l’enfouissement des pailles de juillet à octobre

– mise en place de bandes enherbées protectrices de 5 mètre le long des cours

d’eau et fossés

– mise en place de linéaires de peupliers en fond de valon et partageant de

grandes parcelles

L’efficacité des mesures agro-environnementales est évaluée sur la seule base des

transferts d’azote sur le bassin, les autres avantages, qu’ils soient dans la structure

du paysage ou pour la lutte contre la pollution d’autres molécules agricoles ne sont

pas pris en compte dans cette évaluation.

167


L’enfouissement retardé des pailles est la mesure qui a permis le plus de di-

minuer les flux puisqu’il limite le niveau global de minéralisation. Mais si on rai-

sonne sur la base des pertes azoté dans l’environnement, l’enfouissement retardé

des pailles entraine certe une diminution des flux de 6% à la rivière, mais aug-

mente la dénitrification de 25%. Les pertes totales à l’environnement sont estimées

à 33 kgN.ha−1.y−1 si aucune mesure agro-environnementale n’avait été implan-

tée contre 36.65 kgN.ha−1.y−1 lors de l’implantation de ces mesures. Ces résultats

sont à nuancer face au peu d’expertise que l’on a du processus de dénitrification à

l’échelle du bassin versant.

Le changement d’occupation du sol n’a que peu d’impact sur le bilan de l’azote,

les surfaces concernées étant faibles. Le cumul des mesures permet d’atteindre un

abattement annuel d’environ 17%. Le scénario de Culture Intermédiaire Piège à Ni-

trate simule un abattement du même ordre de grandeur qui s’ajoute à l’abattement

déjà en place de ces mesures. Pour comparaison, la diminution générale de 10%

de la fertilisation azoté entraine une diminution de 13.8% des flux annuels à l’exu-

toire. Mais cela s’accompagne d’une perte de rendement pour toutes les cultures

(hiver comme printemps), alors qu’on simule une diminution du rendement pour le

seul tournesol avec l’implantation de CIPAN.

Les incertitudes de cette modélisation spatialisée sont limitées à l’importance

relative des processus de minéralisation et de dénitrification. Le degré de confiance

accordé à la variabilité temporelle de la minéralisation simulée est grand puisque

nous utilisons un modèle générique largement validé pour les contextes agro-

nomiques français. Cette variabilité joue un rôle essentiel dans l’évaluation de

l’efficacité du scénario CIPAN. Par contre, la dénitrification n’a jamais été mesurée

sur le terrain. Pour calibrer le module de dénitrification de TNT2, basé sur NEMIS,

il faudrait pouvoir effectuer une campagne de mesures de la dénitrification dans le

temps et l’espace. Ceci permettrait d’améliorer le présent travail pour conclure sur

le calage fait du bilan d’azote du modèle, et donc de la sensibilité des scénarios.

L’utilisation des paramétrages de SWAT appliqué à Auradé pour caractériser des

sous-bassins versant découpés dans le bassin de la Save a montré l’intérêt de la

connaissance de la petite échelle pour évaluer la qualité des simulations à large

échelle. Les coteaux, dont fait parti Auradé, sont une zone de contribution aux

écoulements à l’exutoire de la Save pour certains évènements pluvieux.

168


Ce travail a donc précisé l’effet de plusieurs facteurs clefs qui contrôlent les

flux de nitrates à la rivière dans les bassins versants agricoles. Les approches de

modélisations doivent être choisies en fonction des objectifs :

– une simulation fine des concentrations dans la rivière nécessitent des modèles

et données à l’échelle infra-journalières

– une simulation de scénarios agricoles nécessite des modèles dont le fonction-

nement des processus perturbés par les scénarios sont correctement simulés

– une simulation à grande échelle de l’impact de l’agriculture sur la qualité de

l’eau de rivière nécessite des modèles bassin versant intégrant les grandes

échelles et des modules de calcul dans la rivière. Le paramétrage agro-

hydrologique ne peut se passer d’une discrétisation des données d’entrées

importante pour simuler correctement les processus de transferts suivant les

agro-hydrosystèmes modélisés.

L’utilisation de ces modèles nous a permis de vérifier certaines hypothèses et de

répondre à des attentes des acteurs locaux. Les outils sont loin d’être parfaits mais

apportent un éclairage qui se veut objectif, pour des enjeux environnementaux

locaux cruciaux.

169

Bibliographie

Abbaspour, K., J. Yang, I. Maximov, R. Siber, K. Bogner, J. Mieleitner, J. Zobrist,

et R. Srinivasan, Modelling hydrology and water quality in the pre-alpine/alpine

thur watershed using swat., Journal of hydrology, 333(2-4), 2007.

Altman, S., et R. Parizek, Dilution of non-point source nitrate in groundwater.,

Journal of Environmental Quality, 24, 707–718, 1995.

Alvarez-Cobelas, M., D. Angeler, et S. Sanchez-Carrillo, Export of nitrogen from

catchments : A worldwide analysis., Environmental Pollution, 156, 261–269, 2008.

Arheimer, B., et M. Brandt, Modelling nitrogen transport and retention in the catch-

ments of southern Sweden., Ambio, 27, 471–480, 1998.

Arheimer, B., L. Andersson, et A. Lespitö, Variation of nitrogen concentration in

forest streams - influences of flow, seasonality and catchment characteristics.,

Journal of hydrology, 179(1-4), 281–304, 1996.

Arnold, J., et P. Allen, Estimating hydrologic budgets for free illinois watersheds.,

Journal of hydrology, 176, 57–77, 1996.

Arnold, J., P. Allen, et G. Bernhardt, A comprehensive surface-groundwater flow

model., Journal of hydrology, 142, 47–69, 1993.

Arnold, J., R. Srinivasan, R. Muttiah, et J. Williams, Large-area hydrologic mo-

deling and assessment : Part i. model development., Journal of American Water

Ressource Association, 34, 73–89, 1998.

Ball, J., et S. Trudgill, Overview of solute modelling., pp. 3–56, Solute Modelling in

Catchment Systems., john wiley ed., Trudgill S.T., 1995.

Beasley, D., L. Huggins, et M. E.J., Answers : a model for watershed planning.,

Transactions of ASAE, 23, 938–944, 1980.

171

BIBLIOGRAPHIE

Beaudoin, N., M. Launay, E. Sauboua, G. Ponsardin, et B. Mary, Evaluation of the

soil crop model stics over 8 years against the “on farm” database of bruyères

catchment., European Journal of Agronomy, 29, 46–57, 2008.

Beaujouan, V., Modélisation des transferts d’eau et d’azote dans les sols et les

nappes. développement d’un modèle conceptuel distribué. applications à de petits

bassins versants agricoles., Ph.D. thesis, ENSA Rennes, Rennes, 2001.

Beaujouan, V., P. Durand, L. Ruiz, P. Aurousseau, et G. Cotteret, A hydrological

model dedicated to topography-based simulation of nitrogen transfer and trans-

formation : rationale and application to the geomorphology-denitrification rela-

tionship., Hydrological Processes, 16, 493–507, 2002.

Berka, C., H. Schreier, et K. Hall, Linking water quality with agricultural intensifi-

cation in a rural watershed., Water, Air and Soil Pollution, 127, 389–401, 2001.

Beven, K., Prophecy, reality and uncertainty in distributed hydrological modelling,

Advances in Water Resources, 16(1), 41 – 51, doi :DOI:10.1016/0309-1708(93)

90028-E, research Perspectives in Hydrology, 1993.

Beven, K., Distributed modelling in hydrology : applications of topmodel concept.,

in Advances in Hydrological Processes, p. p. 350, Wiley, 1997.

Beven, K., et J. Freer, Equifinality, data assimilation, and uncertainty estima-

tion in mechanistic modelling of complex environmental systems using the

glue methodology, Journal of Hydrology, 249(1-4), 11 – 29, doi :DOI:10.1016/

S0022-1694(01)00421-8, 2001.

Beven, K., et M. Kirkby, Physically based , variable contributing area model of basin

hydrology., Hydrological Science Bulletin, 241, 43–69, 1979.

Bicknell, B., J. Imhoff, A. Donigian, et R. Johanson, Hydrological Simulation

Program-FORTRAM (HSPF : User’s manual for release 11. EPA-600/r-97/0/80,

Tech. rep., U.S. Environmental Protection Agency, Athens, GA, 1997.

Billen, G., J. Garnier, A. Ficht, et C. Cun, Modeling the response of water quality in

the seine river estuary to human activity in its watershed over the last 50 years.,

Estuaries and Coasts, 24(6), 977–993, 2001.

Birgand, F., R. Skaggs, G. Chescheir, et J. Gilliam, Nitrogen removal in streams of

agricultural catchments - A literature review., Critical Reviews in Environmental

Science and Technology, 37(5), 381–487, 2007.

172

BIBLIOGRAPHIE

Birkinshaw, S., et J. Ewen, Nitrogen transformation component for shetran catch-

ment nitrate transport modelling., Journal of hydrology, 230, 1–17, 2000.

Blecken, M., et L. Bakken, The anthropogenic nitrogen cycle in Norway, CAB INTER-

NATIONAL, 1997.

Böhlke, J., et J. Denver, Combined use of groundwater dating, chemical and iso-

topic analyses to resolve the history and fate of nitrate contamination in two

agricultural watersheds, Atlantic coastal plain, maryland., Water Resources Re-

search, 31(9), 2319–2339, 1995.

Borah, D., et M. Bera, Watershed-scale hydrologic and nonpoint-source pollution

models : review of applications., American Society of Agricultural Engineers, 47,

789–803, 2004.

Bottcher, A., J. Hiscock, et B. Jacobson, WAM-View, a GIS Approach to Watershed

Assessment Modeling., Tech. rep., Water Environment Federation, Ft Lauderdale,

2002.

Bouraoui, F., et B. Grizzetti, An integrated modelling framework to estimates the

fate of nutrients : Application to the Loire (France), Ecological Modelling, 212,

450–459, 2008.

Boyer, E., C. Goodale, N. Jaworski, et R. Howarth, Anthropogenic nitrogen sources

and relation-ships to riverine nitrogen export in the northeastern u.s.a., Biogeo-

chemistry, 57/58, 137–169, 2002.

Breuer, L., K. Vaché, S. Julich, et F. H.-G., Current concepts in nitrogen dynamics

for mesoscale catchments, Hydrological Sciences Journal des Sciences Hydrolo-

giques, 53(5), 2008.

Brisson, N., et al., Stics : A generic model for the simulation of crops and their water

and nitrogen balances. i. theory and parameterization applied to wheat and corn.,

Agronomie (Paris), 18(5-6), 311–346, 1998.

Brisson, N., et al., Stics : A generic model for the simulation of crops and their water

and nitrogen balances. ii. model validation for wheat and maize., Agronomie, 22,

69–92, 2002.

Brown, L., et J. Barnwell, The enhanced water quality models QUAL2E and QUAL2E-

UNCAS documentation and user manual., USEPA, Athens, GA, epa document

epa/600/3-87/007 ed., 1987.

173

BIBLIOGRAPHIE

Bur, T., Impact anthropique sur les éléments traces metalliques dans les sols agri-

coles de midi-pyrénées ? implications en termes de limites et de cahrges cri-

tiques., Ph.D. thesis, ENSA Toulouse, Toulouse, 2008.

Burns, I., A model for predicting the redistribution of salts applied to fallow soils

after excess of rainfall or evaporation., Journal of Soil Science, 25, 165–178, 1974.

Burt, T., et B. Arkell, Temporal and spatial patterns of nitrate losses from an agri-

cultural catchment., Soil Use and Management, 3(4), 138–142, 1987.

Chapin, T., J. Caffrey, H. Jannasch, L. Coletti, J. Haskins, et K. Johnson, Nitrate

sources and sinks in Elkhorn Slough, California : Results from long-term conti-

nuous in situ Nitrate Analyzers., Estuaries, 27(5), 882–894, 2004.

Chaplot, V., A. Saleh, D. Jaynes, et J. Arnold, Predicting water, sediment, and NO3N

loads under scenarios of land-use and management practices in a flat watershed.,

Water Air Soil Pollution, 154(1-4), 271–293, 2004.

Christiaens, K., et J. Feyen, The integrated wave-mike she model as an instrument

for nitrogen load modelling on a catchment scale., in 2nd DHI Software User

Conference, Helsingor, 1997.

Cochran, W., Sampling techniques, John Wiley, New York, 1977.

Cooper, D., R. Ragab, D. Lewis, et P. Whitehead, Modelling nitrate leaching to sur-

face waters., Tech. rep., Institute of hydrology, Wallingford, UK., 1994.

Coynel, A., J. Schäfer, J. Hurtrez, J. Dumas, H. Etcheber, et G. Blanc, Sampling

frequency and accuracy of spm flux estimates in two contrasted drainage basins.,

Science of The Total Environment, 330, 233–247, 2004.

De Vries, A., et H. Klavers, Riverine fluxes of pollutants : Monitoring strategy first,

calculation methods second., European Water Pollution Control, 4(2), 12–17, 1994.

De Wit, M., H. Behrendt, G. Bendoricchio, W. Bleuten, et P. Van Gaans, The contri-

bution of agriculture to nutrient pollution in three European rivers with reference

to the European Nitrates Directive., European Water Management, online, official

publication of the European Water Association (EWA)., 2002.

DeWalle, D., et T. Davies, Seasonnal variation in acid-neutralizing capacity in 13

northeast united states headwater streams., Water Resources Research, 33(4),

801–807, 1997.

174

BIBLIOGRAPHIE

Durand, P., Simulating nitrogen budgets in complex farming systems using inca :

calibration and scenario analyses for the kervidy catchment (w. france)., Hydro-

logy & Earth System Sciences, 8(4), 793–802, 2004.

Durand, P., et J. Torres, Solute transfer in agricultural catchments : the interest

and limites of mixing models., Journal of hydrology, 181, 1–22, 1995.

Edwards, A., The variation of disolved constituents with discharge in some Norfolk

rivers., Journal of hydrology, 18, 219–242, 1973.

European-Commission, Directive 2000/60/ec of the European parliament and of

the Concil establishing a framework for the community action in the field of water

policy. (EU Water Framework Directive, WFD), Tech. rep., Off. J. Eur. Commun.,

Brussels, 2000.

Feng, X., J. Kirchner, et C. Neal, Measuring catchment-scale chemical retardation

using spectral analysis of reactive and passive chemical tracer time series., Jour-

nal of hydrology, 292, 296–307, 2004.

Ferguson, R., River loads underestimated by rating curves., Water Resources Re-

search, 22, 74–76, 1986.

Flipo, N., S. Even, M. Poulin, S. Thery, et E. Ledoux, Modeling nitrate fluxes at the

catchment scale using integrated tool cawaqs, Science of The Total Environment,

375(1-3), 69–79, 2007.

Galloway, J., J. Aber, J. Erisman, S. Seitzinger, R. Howarth, E. Cowling, et B. Cosby,

The Nitrogen Cascade., Bioscience, 53, 341–356, 2003.

Gascuel-Odoux, C., P. Aurousseau, P. Durand, L. Ruiz, et J. Molenat, The role of

climate on inter-annual variation in stream nitrate fluxes and concentrations.,

Science of The Total Environment, doi :10.1016/j.scitotenv.2009.05.003, 2009.

Gaury, F., Systèmes de cultures et teneurs en nitrates des eaux souterraines., Ph.D.

thesis, ENSA Rennes, 1992.

Gillingham, A., et B. Thorrold, A review of new zealand research measuring phos-

phorus in runoff from pasture., Journal of Environmental Quality, 29, 88–96,

2000.

Granlund, K., K. Rankinen, et A. Lepistö, Testing the inca model in a small agricul-

tural catchment in southern finland., Hydrology & Earth System Sciences, 8(4),

717–728, 2004.

175

BIBLIOGRAPHIE

Green, C., et A. Van Griensven, Aurocalibration in hydrologic modeling : Using

swat2005 in small-scale watersheds., Environmental Modelling & Software, 23(4),

422–434, 2008.

Grizzetti, B., F. Bouraoui, K. Granlund, S. Rekolainen, et G. Bidoglio, Modelling

diffuse emission and retention of nutrients in the vantaanjoki watershed (Finland)

using swat model., Ecological Modelling, 169, 25–38, 2003.

Guo, Y., M. Markus, et M. Demissie, Uncertainty of nitrate-N load computations for

agricultural watersheds., Water Resources Research, 38(10), 1185, 2002.

Hénault, C., Quantification de la denitrification dans les sols à l’echelle de la par-

celle cultivée, à l’aide d’un modèle prévisionnel., Ph.D. thesis, ENSAM, Montpel-

lier, 1995.

Hesse, C., V. Krysanova, J. Päzolt, et F. Hattermann, Eco-hydrological modelling

in a highly regulated lowland catchment to find measures for improving water

quality., Ecological Modelling, 218, 135–148, 2008.

Hill, A., Nitrate removal in stream riparian zones., Journal of Environmental Quality,

25, 743–755, 1996.

Hood, E., M. Williams, et M. Caine, Landscape controls on organic and inorganic

nitrogen leaching across an alpine/subalpine ecotone, Green Lakes Valley, Colo-

rado Front Range., Ecosystems, 6, 31–45, 2003.

Horowitz, A., An evaluation of sediment rating curves for estimating suspended se-

diment concentrations for subsequent flux calculations., Hydrological Processes,

17, 3387–3409, 2003.

Howarth, R., et al., Regional nitrogen budgets and riverine N & P fluxes for the

drainages to the North Atlantic Ocean ; Natural and human influences., Biogeo-

chemistry, 35, 75–139, 1996.

Jabro, J., J. Toth, Z. Dou, R. Fox, et D. Fritton, Evaluation of nitrogen version of

leachm for predicting nitrate leaching., Soil Science, 160, 209–217, 1995.

Jego, G., Influence des activités agricoles sur la pollution nitrique des eaux sou-

terraines. analyse par modélisation des impacts des systèmes de grande culture

sur les fuites de nitrate dans les plaines alluviales, Ph.D. thesis, Université de

Toulouse, 2008.

176

BIBLIOGRAPHIE

Jego, G., M. Martinez, I. Antigüedad, M. Launay, et J. Sanchez-Perez, Evaluation

of the impact of various agricultural practices on nitrate leaching under the root

zone of potato and sugar beet using the STICS soil-crop model., Science of The

Total Environment, 394(2-3), 207–221, 2008.

Johnson, A., D. Bouldin, E. Goyette, et A. Hedges, Nitrate dynamics in Fall Creek,

New York., Journal of Environmental Quality, 5, 386–391, 1976.

Johnsson, H., L. Bergstrvm, P. Jansson, et K. Paustian, Simulation of nitrogen

dynamics and losses in a layered agricultural soil., Agricultural, Ecosystems &

Environment, 18, 333–356, 1987.

Justes, E., B. Mary, et B. Nicolardot, Comparing the effectiveness of radish cover

crop, oilseed rape volunteers and oilseed rape residues incorporation for reducing

nitrate leaching., Nutrient cycling in Agroecosystems, 55, 207–220, 1999.

Kattan, Z., J. Salleron, et J. Probst, Bilans et dynamiques de transfert de l’azote et

du phosphore sur le bassin de la moselle (n-e de la france)., Revue des Sciences

de l’Eau, 5(4), 435–459, 1986.

Kattan, Z., J. Gac, et J. Probst, Suspended Sediment Load and Mechanical Erosion

in the Senegal Basin- Estimation of the Surface Runoff Concentration and Rela-

tive Contributions of Channel and Slope Erosion., Journal of Hydrology, 92(1/2),

59–76, 1987.

Kauark-Leite, L., Réflexions sur l’utilité des modèles mathématiques dans la ges-

tion de la pollution diffuse agricole., Ph.D. thesis, Ecole Nationale des Ponts et

chaussées, 1990.

Kinsel, W., Creams : A field scale model for chemicals, runoff, and erosion from

agricultural managementsystems., Tech. Rep. Conservation Report 26, U.S. De-

partment of Agriculture, 1980.

Kirchner, J., X. Feng, et C. Neal, Catchment-scale advection and dispersion as a

mechanism for fractal scaling in stream tracer concentrations., Journal of hydro-

logy, 254, 82–101, 2001.

Kronvang, B., et A. Bruhn, Choice of sampling strategy and estimation method

for calculating nitrogen and phosphorus transport in small lowland streams.,

Hydrological Processes, 10, 1483–1501, 1996.

177

BIBLIOGRAPHIE

Krysanova, V., D. Müller-Wohlfeil, et A. Becker, Development and test of a spatially

distributed hydrological water quality model for mesoscale watersheds., Ecologi-

cal Modelling, 106, 261–289, 1998.

Krysanova, V., F. Wechsung, et F. Hattermann, Development of the ecohydrological

model swim for regional impact studies and vulnerability assessment., Hydrolo-

gical Processes, 19, 763–783, 2005.

Kyllmar, K., M. Larsson, et H. Johnsson, Simulation of n leaching from a small agri-

cultural catchment with the field scale model SOILNDB., Agriculture, Ecosystems

and Environment, 107, 37–49, 2005.

Lacroix, A., N. Beaudoin, et D. Makowski, Agricultural water nonpoint pollution

control under uncertainty and climate variability., Ecological Economics, 53, 115–

127, 2005.

Lapworth, D., P. Shand, C. Abesser, W. Darling, A. Haria, C. Evans, et B. Reynolds,

Groundwater nitrogen composition and transformation within a moorland catch-

ment, mid-Wales., Science of The Total Environment, 390(1), 241–254, 2008.

Laurent, F., D. Ruelland, et M. Chapdelaine, The effectiveness of changes in agri-

cultural practices on water quality as simulated by the swat model., Journal of

water science, revue des sciences de l’eau, 20(4), 395–408, 2007.

Leonard, R., W. Knisel, et D. Still, GLEAMS : Groundwater Loading Effects of Agri-

cultural Management Systems., Transactions of ASAE, 30(5), 1403–1418, 1987.

Lescot, J., P. Bordenave, K. Petit, et O. Leccia, Water framework directive and mea-

sures to control water pollution. a spatially distributed costs/effectiveness ana-

lysis framework, Environmental Modelling & Software, submitted, 2009.

Lewis, D., M. McGechan, et I. McTaggart, Simulating field-scale nitrogen manage-

ment scenarios involving fertliser and slurry applications., Agricultural Systems,

76, 159–180, 2003.

Li, C., S. Frolking, et T. Frolking, A model of nitrous oxide evolution from soil driven

by rainfall events : 1. model structure and sensitivity, Journal of Geophysical

Research, 97, 9759–9776, 1992.

Li, X., R. Ambrose, et R. Araujo, Modeling mineral nitrogen export from a forest

terrestrial ecosystem to streams., American Society of Agricultural Engineers, 47,

727–739, 2004.

178

BIBLIOGRAPHIE

Linkens, G., et F. Bormann, Biogeochemistry of a forested Ecosystem., second edi-

tion, Springer-verlag, New-York, 1995.

Littlewood, I., Hydrological regimes, sampling strategies, and assessment of errors

in mass load estimates for United Kingdom rivers., Environment International,

21(2), 211–220, 1995.

Liu, S., P. Tucker, M. Mansell, et A. Hursthouse, Development and application of

a catchment scale diffuse nitrate modelling tool, Hydrological Processes, 19(13),

2625–2639, 2005.

Lunn, R., R. Adams, R. Mackay, et S. Dunn, Development and application of a

nitrogen modelling system for large catchments, Journal of hydrology, 174(3-4),

285–304, 1996.

Macary, F., E. Lavie, G. Lucas, et O. Riglos, Méthode de changement d’échelle pour

l’estimation du potentiel de contamination des eaux de surface par l’azote., Ingé-

nieries - EAT, 46, 35–49, 2006.

Mangold, D., et C. Tsang, A summary of subsurface hydrological and hydrochemi-

cal models, Reviews of geophysics, 29, 51–79, 1991.

Martin, C., Mécanismes hydrologiques et hydrochimiques impliqués dans les varia-

tions saisonnières des teneurs en nitrate dans les bassins versants agricoles.

approche expérimentale et modélisation., Ph.D. thesis, Université de Rennes,

Rennes, 2003.

Martin, C., L. Aquilina, C. Gascuel-Odoux, J. Molenat, M. Faucheux, et L. Ruiz,

Seasonnal and interannual variations of nitrate and chloride in stream waters

related to spatial and temporal patterns of groundwater concentrations in agri-

cultural catchments., Hydrological Processes, 18, 1237–1254, 2004.

Moatar, F., et M. Meybeck, Compared performances of different algorithms for es-

timating annual nutrient loads discharged by the eutrophic river Loire., Hydrolo-

gical Processes, 19, 429–444, 2005.

Modica, E., H. Buxton, et L. Plummer, Evaluating the source and residence times

of groundwater seepage to streams, New Jersey coastal Plain., Water Resources

Research, 34(11), 2797–2810, 1998.

Molenat, J., P. Durand, C. Gascuel-Odoux, P. Davy, et G. Gruau, Mechanisms of ni-

trate transfer from soil to stream in an agricultural watershed of french brittany.,

Water, Air, and Soil Pollution, 133, 161–183, 2002.

179

BIBLIOGRAPHIE

Monaghan, R., R. Paton, L. Smith, J. Drewry, et R. Littlejohn, The impacts of nitro-

gen fertilisation and increased stocking rate on pasture yield, soil physical condi-

tion and nutrient losses in drainage from a cattle-grazed pasture., New Zealand

Journal of Agricultural Research, 48, 227–240, 2005.

Moussa, R., M. Voltz, et P. Andrieux, Effects of the spatial organization of agricul-

tural management on the hydrological behaviour of a farmed catchment during

flood events., Hydrological Processes, 16, 393–412, 2002.

Murdoch, P., et J. Stoddard, The role of nitrate in the acidification of streams in the

Catskill mountains of New York., Water Resources Research, 28(10), 2707–2720,

1992.

Nash, J., et J. Sutcliffe, River flow forecasting through conceptual models ; part i -

a discussion of principles., Journal of hydrology, 10, 282–290, 1970.

Neill, M., Nitrate concentrations in river waters in the south-east of Ireland and

their relationship with agricultural practice., Water Resources Research, 23(11),

1339–1355, 1989.

Neitsch, S., J. Arnold, J. Kinry, et J. Williams, Soil and Water Assessment Tool.

Version 2000. Theoretical Documentation., USDA-ARS, Temple, Texas, 2002.

Oehler, F., P. Durand, P. Bordenave, Z. Saadi, et J. Salmon-Monviola, Modelling

denitrification at the catchment scale., Science of The Total Environment, 407(5),

1726–1737, 2009.

Oehler, F., J. Rutherford, et G. Coco, The use of machine learning algorithms to

design a generalized simplified denitrification model, Biogeosciences, Submitted.

Ohte, N., N. Tokuchi, M. Katsuyama, S. Hobara, Y. Asano, et K. Koba, Episodic

increases in nitrate concentrations in streamwater due to the partial dieback of

a pine forest in Japan : Runoff generation processes control seasonality., Hydro-

logical Processes, 17, 237–249, 2003.

Pan, J., et I. Hodge, Land use permits as an alternative to fertiliser and leaching

taxes for the control of nitrate pollution., Journal of Agricutural Economics, 45,

102–112, 1994.

Park, S., S. Mostaghimi, R. Cooke, et P. McClellan, Bmp impact on watershed ru-

noff, sediment and nutrient yields., Water Ressources Bulletin, 30(6), 1011–1023,

1994.

180

BIBLIOGRAPHIE

Pellerin, B., B. Downing, C. Kendall, R. Dahlgren, T. Kraus, J. Saraceno, R. Spencer,

et A. Bergamaschi, B., Assessing the sources and magnitude of diurnal nitrate

variability in the San Joaquin River (California) with an in situ optical nitrate

sensor and dual nitrate isotopes., Freshwater Biology, 54, 376–387, 2009.

Petry, J., C. Soulsby, I. Malcolm, et A. Youngson, Hydrological controls on nutrient

concentrations and fluxes in agricultural catchments., The Science of the Total

Environment, 294, 95–110, 2002.

Pionke, H., W. Gburek, R. Schnabel, A. Sharpley, et G. Elwinger, Seasonal flow, nu-

trient concentrations and loading patterns in stream flow draining an agricultural

hill-land watershed., Journal of hydrology, 220, 62–73, 1999.

Pohlert, T., L. Breuer, J. Huisman, et F. H.-G., Assessing the model performance

of an integrated hydrological and biogeochemical model for discharge and nitrate

load predictions, Hydrological Earth System Sciences, 11, 997–1011, 2007a.

Pohlert, T., J. Huisman, L. Breuer, et F. H.-G., Integration of detailed biogeochemi-

cal model into swat for improved nitogen predictions-model development, sensi-

tivity, and glue analysis., Ecological Modelling, 203, 215–228, 2007b.

Preston, S., V. Bierman, et S. Silliman, An evaluation of methods for the estimation

of tributary mass loads., Water Resources Research, 25, 1379–1389, 1989.

Probst, A., E. Dambrine, D. Viville, et B. Fritz, Influence of acid atmospheric inputs

on surface water chemistry and mineral fluxes in a declining spruce stand within

a small granitic catchment (vosges massif, france), Journal of hydrology, 116,

101–124, 1990.

Probst, J., Nitrogen and phosphorus exportation in the Garonne basin (France).,

Journal of Hydrology, 76, 281–305, 1985.

Puckett, L., et T. Cowdery, Transport and fate of nitrate in a glacial outwash aquifer

in relation to groundwater age, land use practices, and redox processes., Journal

of Environmental Quality, 31, 782–796, 2002.

Quilbè, R., A. Rousseau, M. Duchemin, A. Poulin, G. Gangbazo, et J.-P. Ville-

neuve, Selecting a calculation method to estimate sediment and nutrients loads

in streams : application to the Beaurivage River (Quebec, Canada)., Journal of

hydrology, 326(1-4), 295–310, 2006.

181

BIBLIOGRAPHIE

Ramanaravanan, T., B. Narasimhan, et R. Srinivasan, Characterization of fate and

transport of isoxaflutole, a soil-applied corn herbicide, in surface water using a

watershed model., Journal of agricultural and food chemistry, 53, 2005.

Recous, S., B. Nicolardot, et J.-C. Simon, Le cycle de l’azote dans les sols et la

qualité des eaux souterraines., in L’eau Dans L’espace Rural : Production Végétale

et Qualité de L’eau, edited by e. In INRA, pp. 193–215, Universités Francophones,

1997.

Refsgaard, J., M. Thorsen, J. Jensen, S. Kleeschulte, et S. Hansen, Large scale

modelling of groundwater contamination from nitrate leaching., Journal of hydro-

logy, 211, 117–140, 1999.

Reiche, E., Modelling water and nitrogen dynamics on a catchment scale., Ecological

Modelling, 76, 371–384, 1994.

Reynolds, B., et A. Edwards, Factors influencing dissolved nitrogen concentrations

and loadings in upland streams of the uk., Agricultural Water Management, 27,

181–202, 1995.

Ribaudo, M., R. Heimlich, R. Claassen, et M. Peters, Least-cost management of

nonpoint source pollution : source reduction versus interception strategies for

controlling nitrogen loss in the Mississippi Basin., Ecological Economics, 37, 183–

197, 2001.

Ribeyreix-Claret, C., Agriculture et Environnement en Gascogne Gersoise. Erosion

du sol et pollution diffuse par le phosphore. le cas du bassin versant d’Auradé

(Gers)., Ph.D. thesis, Université de Toulouse, Mirail, Toulouse, 2001.

Richards, R., et J. Holloway, Monte carlo studies of sampling strategies for estima-

ting tributary loads., Water Resources Research, 23(10), 1939–1948, 1987.

Robertson, D., et E. Roerish, Influence of different sampling strategies on load esti-

mations for small streams., Water Resources Research, 35(12), 3747–3759, 1999.

Ruiz, L., S. Abiven, C. Martin, P. Durand, V. Beaujouan, et J. Molenat, Effect on

nitrate concentration in stream water of agricultural practices in six small catch-

ments in brittany :II. temporal variations and mixing processes., Hydrology &

Earth System Sciences, 6(3), 507–513, 2002.

Rusjan, S., M. Brilly, et M. Mikos, Flushing of nitrate from a forested watershed :

An insight into hydrological nitrate mobilization mechanisms through seasonal

182

BIBLIOGRAPHIE

high-frequency stream nitrate dynamics., Journal of hydrology, 354, 187–2002,

2008.

Salles, C., M.-G. Tournoud, et Y. Chu, Estimating nutrient and sediment flood loads

in a small mediterranean river., Hydrological Processes, 22, 242–253, 2008.

Santhi, C., J. Arnold, J. Williams, L. Hauck, et W. Dugas, Application of a watershed

model to evaluate management effects on point and non point source pollution.,

American Society of Agricultural Engineers, 44, 1559–1570, 2001.

Santhi, C., R. Srinivasan, J. Arnold, et J. Williams, A modelling approach to eva-

luate the impacts of water quality management plans implemented in a watershed

in texas., Environmental Modelling & Software, 21, 1141–1157, 2006.

Schnabel, R., J. Urban, et W. Gburek, Hydrolic controls in nitrate, sulfate, and

chloride concentrations., Journal of Environmental Quality, 22, 589–596, 1993.

Seitzinger, S., J. Harrison, J. Böhlke, A. Boutwan, R. Lowrance, B. Peterson, C. To-

bias, et G. Drecht, Denitrification across lanscapes and waterscapes : a synthe-

sis., Ecological Applications, 16, 2064–2090, 2006.

Seligmand, N., et H. Van Keulen, Papran : A simulation model of annual pasture

production limited by rainfall and nitrogen., in Simulation of nitrogen behaviour

of soil-plant systems., edited by M. Frissel et J. Van Veeds, pp. 192–221, Proc.

Workshop., 1981.

Sickman, J., A. Leydecker, C. Chang, C. Kendall, J. Melack, D. Lucero, et J. Schi-

mel, Mechanisms underlying export of N from high-elevation catchments during

seasonal transitions., Biogeochemistry, 64, 1–24, 2003.

Simmelsgaard, S., The effect of crop, n level, soil type and drainage on nitrate

leaching from Danish soils., Soil Use and Management, 14, 30–36, 1998.

Smedema, L., et D. Rycroft, Land drainage-planning and design of agricultural drai-

nage systems., Cornell University Press, Ithica, N.Y., 1983.

Smith, V., Eutrophisation of freshwater and marine ecosystems : a global problem.,

Environmental Science and Pollution Research, 10, 126–139, 2003.

Souchere, V., O. Cerdan, N. Dubreuil, Y. Le Bissonnais, et C. King, Modelling the

impact of agri-environmental scenarios on runoff in a cultivated catchment (Nor-

mandie, France)., Catena, 61, 229–240, 2005.

183

BIBLIOGRAPHIE

Stevens, R., et R. Smith, A comparison of discrete and intensive sampling for mea-

suring the loads of nitrogen and phosphorus in the river Main, County Antrim.,

Water Research, 12(10), 823–830, 1978.

Styczen, M., et B. Storm, Modelling of nitrogen movements on a catchment scale. a

tool for analysis and decision making. (1) model description., Fertilizer Research,

36, 1–6, 1993.

Styczen, M., et B. Storm, Modeling the effects of management practices on nitrogen

in soils and groundwater, in Nitrogen Fertilization in the environment, vol. 14,

edited by Bacon, pp. 537–564, CRC Press, 1995.

USDA-SCS, National Engineering Handbook., USDA-Soil Conservation Service,

1972.

Vachaud, G., M. Vauclin, et T. Addiscott, Solute transport in the vadose zone : a

review of models., in Technologies for Environmental Cleanup : Soil and Ground-

water, edited by A. Avogadro et R. Ragaini, pp. 157–185, ECSC-EEC-EAEC,

Bruxelles-luxembourg, 1993.

Vagstad, N., P. Stälnacke, H.-E. Andersen, J. Deelstra, V. Jansons, K. Kyllmar,

E. Loigu, S. Rekolainen, et R. Tumas, Regional variations in diffuse nitrogen

losses from agriculture in the nordic and baltic regions., Hydrology & Earth Sys-

tem Sciences, 8, 651–662, 2004.

Van Griensven, A., et W. Bauwens, Concepts for river water quality processes for

an integrated river basin modeling, water science and technology, 48, 1–8, 2003.

Vanclooster, M., P. Viaene, J. Diels, et J. Feyen, A deterministic validation proce-

dure applied to the integrated soil crop model wave., Ecological Modelling, 81,

183–195, 1995.

Vanclooster, M., J. Boesten, M. Trevisan, C. Brown, E. Capri, O. Eklo, B. Gottesbu-

ren, V. Gouy, et A. Van der Linden, A European test of pesticide-leaching models :

methodology and major recommendations., Agricultural Water Management, 44(1-

3), 1–19, 2000.

Viaud, V., P. Durand, P. Merot, E. Sauboua, et Z. Saadi, Modeling the impact of the

spatial structure of a hedge network on the hydrology of a small catchment in a

temperate climat., Agricultural Water Management, 74(2), 135–163, 2005.

184

BIBLIOGRAPHIE

Vink, S., P. Ford, M. Bormans, C. Kelly, et C. Turley, Contrasting nutrient exports

from a forested and agricultural catchment in south-eastern australia., Biogeo-

chemistry, 84, 247–264, 2007.

Volk, M., S. Liersch, et G. Schmidt, Towards the implementation of the European

Water Framework directive ? Lessons learned from water quality simulations in

an agricultural watershed., Land Use Policy, 26, 580–588, 2009.

Wade, A., P. Durand, V. Beaujouan, W. Wessel, K. Raat, P. Whitehead, D. Butter-

field, K. Rankinen, et A. Lepisto, A nitrogen model for european catchments :

Inca. new model structure and equations., Hydrology & Earth System Sciences,

8(4), 858–859, 2004.

Wagner, L., P. Vidon, L. Tedesco, et M. Gray, Stream nitrate and doc dynamics du-

ring three spring storms across land uses in glaciated landscapes of the Midwest.,

Journal of hydrology, 362, 177–190, 2008.

Walling, D., et B. Webb, The reliability of suspended sediment load data., in Erosion

and Sediment Transport Measurement., pp. 177–194, IAHS, 1981.

Walling, D., et B. Webb, The reliability of rating curve estimates of suspended se-

diment yield : Some further comments, Sediment Budgets, vol. 174, pp. 337–350,

IAHS Publication, 1988.

Watson, C., et R. Foy, Environmental impacts of nitrogen and phosphorus cycling

in grassland systems., Outlook on Agriculture, 30, 117–127, 2001.

Weaver, R., J. Harper, et W. Gillmeister, Efficacy of standards vs. incentives for

managing the environmental impacts of agriculture., Journal of Environmental

Management, 46, 173–188, 1996.

Webb, B., et D. Walling, Nitrate behaviour in streamflow from a grassland catch-

ment in Devon, U.K., Water Research, 19(8), 1005–1016, 1985.

Whelan, M., et M. Kirkby, Predicting nitrate concentrations in small catchment

streams, Solute Modelling in Catchment Systems., In Trudgill S.T., 1995.

Whitehead, P., E. Wilson, et D. Butterfield, A semi-distributed integrated nitrogen

model for multiple source assessment in catchment. part 1. model structure and

process equations., Science of The Total Environment, 210/211, 547–558, 1998.

Whitehead, P., P. Johnes, et D. Butterfield, Steady state and dynamic modelling

of nitrogen in the River Kennet : impacts of land use change since the 1930s.,

Science of The Total Environment, 282/283, 417–435, 2002a.

185

BIBLIOGRAPHIE

Whitehead, P., D. Lapworth, R. Skeffington, et A. Wade, Excess nitrogen leaching

and C/N decline in the tillingbourne catchment, southern England., Hydrology

& Earth System Sciences, 6, 455–466, 2002b.

Williams, J., C. Jones, et P. Dyke, A modelling approach to determining the rela-

tionship between erosion and soil productivity., American Society of Agricultural

Engineers, 27, 129–144, 1984.

Zammit, C., M. Sivapalan, P. Kelsey, et N. Viney, Modelling the effects of land-use

modifications to control nutrient loads from an agricultural catchment in western

australia., Ecological Modelling, 187, 60–70, 2005.

186

Abstract

The present work aimed to assess nitrogen trasfer and transformation in stream ofagricultural catchment of Gascogne region, in order to evaluate agricultural prac-tices change to decrease nitrate river contamination. A continuous in situ samplingprotocol was used at the outlet of the small agricultural catchment in Auradé (3.3km2 in Gers district, South-West of France) to measure the fine temporal variationof nitrate concentration. Infra-daily high variations of concentrations have been ob-served during flood events, the high concentrations explain a significative part ofannual nitrogen loads during these hydrological events. The spatially, physicallybased modelling approach of the Auradé catchment has then been used to eva-luate water and nitrogen balance at the small catchment scale. Two catchment mo-dels have been chosen : TNT2, whitch is fully distributed and developped for smallcatchment with shallow groundwater, and SWAT, semi-distributed and developpedfor larger catchment. The use of both models permits to :

– show that both of them failed to simulate accurately the daily nitrogen lossesintensity in river observed during flood events, even if modelling approach ofSWAT is more adapted to simulate processes involved

– simulate a same global water and nitrogen balance with opposing simulatedprocesses

– show the main influence of mineralisation and denitrification dynamic simu-lated to conclued on ability of models to represent reality.

TNT2 has been evaluated to be more adapted to simulate agricultural changesdesigned or already implemented in Auradé catchment. Results of this virtualexperimentation show that agricultural changes already implemented would havedecresed for 16% the annual nitrogen losses, and that if catch crop had been imple-mented, nitrogen losses would have decrease of 18% more. SWAT has after been ca-librated at the larger scale of the Save catchment of 1110km2 whitch include Auradécatchment. The global parametrisation has been modified for the agro-pedologicalcontext of Auradé catchment, context area whitch represent 25% of the total Savecatchment area. Major hydrological parameters calibrated on Auradé catchmenthas been used for calibrating this area. The increase of discharge prediction qualityis significative and show the contribution of these areas to daily discharge at theSave catchment outletduring some rainy events. Predictions of water and nitrogenconcentration may be improved in taking land cover spatialisation into account.

Keywords : agriculture ; nitrogen losses ; agricultural scenario ; small catchmentmodelling ; mesoscale catchment modelling

Modélisation agro-hydrologique des transferts de nitrates à l’échelle desbassins versants agricoles gascons.

Auteur : Sylvain FerrantDirecteurs de thèse : Jean-Luc Probst, José-Miguel Sanchez-Perez et PatrickDurandDiscipline : Sciences de l’environnementLaboratoire : Ecolab, UMR 5245, CNRS-UPS-INPT, OMP

Ce travail a eu comme objectif de comprendre et quantifier les transferts d’azoteagricoles dans les rivières des bassins versants Gascons, afin d’évaluer l’efficacitéde scénarii agricoles sur la teneur en azote nitrique des rivières. Un protocole demesure en continue dans le petit bassin versant agricole d’Auradé (Gers, Sud-Ouestde la France) de 3.3km2 a été mis en place pour mesurer la variabilité de la teneuren nitrate. Les variations infra-journalières des concentrations lors d’évènementsde crue sont fortes, les flux correspondant sont importants à l’échelle annuelle.L’approche de modélisation à base physique du bassin versant d’auradé a ensuiteété envisagée pour calculer les bilans hydriques et agronomiques de ce type de bas-sin. Deux modèles de bassin versant ont été choisis : TNT2, entièrement distribué,adapté aux petits bassins versants à nappe superficielle, SWAT, semi distribué,développé pour de plus larges bassins versants. Leur utilisation a permis de :

– montrer qu’aucun n’est capable de prédire l’intensité journalière des fluxd’azote nitrique observée dans la rivière en période de crue, même si l’ap-proche de SWAT est mieux adaptée pour simuler les transferts rapides

– simuler un bilan d’eau et d’azote proche pour les deux modèles mais avec desprocessus simulés opposés

– montrer l’importance de la simulation de la dénitrification et de la minéralisa-tion pour conclure sur la capacité des modèles à reproduire la réalité.

TNT2 a été jugé plus adapté pour simuler des scénarios agricoles imaginés ou déjàimplantés sur le bassin versant d’Auradé. Les résultats de simulation montrentque les mesures agro-environnementales implantées auraient eu une efficacitéde 16% de diminution des flux d’azote nitrique annuels à l’exutoire, à laquelles’ajouterait encore 18% de diminution en cas d’implantation de Culture Inter-médiaire de Piège à Nitrate. Le paramétrage global de SWAT sur la Save, bassinversant de 1110km2 contenant le bassin d’Auradé, a ensuite été modifié pour lecontexte agro-pédologique d’Auradé, représentant 25% de la surface du bassin dela Save. Les paramètres hydrologiques majeurs calibrés sur le bassin d’Auradésont transposés sur cette surface. L’amélioration des prédictions à l’exutoire de laSave est significative, et montre la contribution importante de ces zones aux débitsà l’exutoire de la Save lors de certains évènements pluvieux. Une meilleure priseen compte de l’occupation du sol est à envisager pour améliorer ces prédictions.

Keywords : agriculture ; scenario agricole ; Pertes d’azote nitrique ; modélisation depetit bassin versant ; modélisation meso-échelle de bassin versant

t h È s ethesesups.ups-tlse.fr/779/1/ferrant_sylvain.pdf · teur de qualité, georges forn de la...

Documents