Introduction

De nombreuses données APL (azote potentiellement lessivable) sont mises en bases à l’échelle de territoires ; elles portent sur les stocks d’eau et d’azote minéral^[1] en début d’hiver. Elles servent à l’application de la réglementation de la Directive Nitrates et/ou son évaluation. Outre la prédiction d’un reliquat d’azote virtuel utile au conseil de fertilisation, elles pourraient servir à d’autres finalités telles la formation des agriculteurs et gestionnaires de l’eau sur les déterminants de la lixiviation (Beaudoin, 2006), ou l’étude de la faisabilité du paiement de services environnementaux (Escobar et al., 2013). Ces paiements seraient plus pertinents et motivants pour les agriculteurs que de suivre la réglementation, car « objectif-centrés » (Dupas et al., 2015). Un préalable, qui est le but de cet article, est de savoir comment valoriser les données d’APL pour quantifier le drainage d’eau et la perte d’azote nitrique des parcelles.

La lixiviation est un phénomène complexe et « site spécifique » car dépendant des bilans locaux d’eau, de carbone et d’azote (Beaudoin et al., 2012). Les méthodes de quantification se distinguent suivant quatre critères :

1. leur caractère direct (mesure) ou indirect (bilan statique, modèle dynamique, traçage isotopique) ;
2. l’intensité du couplage entre la quantification du flux d’eau et du flux d’azote (intégral, journalier, saisonnier) ;
3. leur opérationnalité en conditions agricoles standards, voire leur capacité à être généralisées dans le temps et l’espace ;
4. les échelles spatiale et temporelle considérées.

Ces méthodes impliquent plusieurs types de mesure et de modèles, dont l’utilité dépend du contexte.

En conditions expérimentales, des méthodes de quantification dédiées (lysimètres, marquage avec l’azote 15) permettent une compréhension du phénomène et sa modélisation en dynamique (Martinez & Guiraud, 1990 ; Yin et al., 2020). En situation agricole, des études pilotes sont possibles à l’aide de lysimètres ouverts, de bougies poreuses, ou périmètre drainé artificiellement ; cependant, elles ne sont pas généralisables dans le temps et/ou l’espace (Weihermüller et al., 2007). Sur des sols à bon drainage naturel, seul le couplage carottage-modélisation permet de dresser un diagnostic agroenvironnemental, quantifiant à la fois les bilans d’eau et d’azote et les flux de percolation sous les racines, a contrario des mesures de soluté en bougies poreuses. Cependant appliquer un modèle en situation agricole demande des précautions en termes de qualité de son paramétrage et de respect de son domaine de validité.

La modélisation en situation agricole conventionnelle soulève la question de la pertinence des facteurs du milieu qu’elle prend en compte (Hansen et al., 2001 ; Meynard et al., 2002). Certains facteurs limitants de la production, telle la pression parasitaire, ne sont pas intégrés dans les modèles classiques, ce qui conduit à une surestimation du potentiel de production de la culture. La modélisation peut être aussi couplée avec une approche probabiliste, pour prendre en compte l’incertitude due à l’estimation des paramètres (Acutis et al., 2000 ; Lacroix et al., 2005). Avant de les utiliser, les modèles doivent être évalués pour connaître la qualité de prédiction et le niveau d’erreur associé, ceci selon des critères statistiques partagés dans la communauté scientifique.

Le principal avantage des données APL est leur origine « on farm », qui augmente leur crédit auprès des décideurs, sans taire l’incertitude qui les affecte (Vandenberghe, 2016). Elles sont acquises à une date connue, avec une bonne caractérisation du contexte technique. Elles sont généralement acquises en réseau, ce qui peut favoriser une démarche didactique sur les déterminants de la lixiviation ou une recherche participative de références. Cependant, leur utilisation, en vue d’une quantification des flux d’eau et d’azote, peut se heurter à trois limites, de nature temporelle ou spatiale :

1. une seule date de mesure est parfois disponible ;
2. la profondeur du prélèvement est souvent limitée à 90 cm et
3. l’interprétation des données peut être équivoque quand l’échantillon réunit plusieurs types de sol.

Ces limites peuvent être différemment contournées dans les types de modélisation décrites ci-après.

Cet article montre comment valoriser les données d’APL selon un gradient croissant de virtualisation et donc décroissant de dépendance aux données, appliqué à deux cas d’étude en Hauts-de France.

Matériel et méthodes

Les méthodes

L’association des résultats d’analyse de carottage de sol et d’un modèle simple de calcul permet de convertir les données de stock en flux d’eau et d’azote (Beaudoin et al., 2012). Le carottage permet d’établir des bilans de masse, de localiser les mesures en tout lieu et d’intégrer toute l’épaisseur du sol, là où la charge en cailloux rend possible le carottage. Les modèles permettent de prédire le drainage d’eau, la lixiviation ou l’ensemble des pertes d’eau et d’azote d’un agrosystème en fonction de données d’entrée accessibles portant sur le sol, les techniques, le climat et la plante. La difficulté de répéter le carottage dans l’espace et dans le temps peut être levée par la possibilité d’en associer les données à un modèle couplé à un système d’information géographique (Whisler et al., 1986 ; Corwin & Wagenet, 1996). Trois types de couplage données-modèles sont définis (figure 1) :

a) Modélisation statique appliquée à partir d’une seule date de mesure et d’un seul horizon. Elle peut mobiliser le modèle piston (Rousselle, 1913), le modèle de Burns (1976) ou encore un méta-modèle calibré d’après des sorties d’un modèle dynamique (Beaudoin & Machet, 2001). Seuls les processus de transfert d’eau et de solutés y sont pris en compte. Les variables d’entrées sont les stocks initiaux d’eau et de nitrate, les pluies efficaces cumulées et l’humidité volumique à la capacité au champ. Ces modèles n’intègrent ni l’hétérogénéité de la répartition du nitrate dans le profil, ni les fonctions puits et source d’azote du sol (minéralisation, absorption).

b) Modélisation dynamique et empirique à l’aide de l’outil LIXIM, appliqué à une ou plusieurs périodes, en méthode inverse entre deux dates de mesures et/ou en simulation pure à partir d’une seule date de mesure (Mary et al., 1999). LIXIM a été conçu d’abord en un sol nu ; sa dernière version (v9) intègre l’absorption des couverts au printemps et automne (Autret et al., 2019). Il intègre la variabilité verticale des teneurs en eau et en azote, des propriétés du sol, de la densité racinaire (v9) et leur dynamique journalière. LIXIM calcule entre deux dates : i) les cumuls de drainage, lixiviation et d’absorption d’azote ; ii) les moyennes du rapport ETR/ETP et de la vitesse de minéralisation nette d’azote, qui sont soit optimisées soit forcées. Les données d’entrée, sont les stocks d’eau, d’ammonium et de nitrate par horizon, les données météorologiques quotidiennes (T, P, ETP), et éventuellement, la date de levée et la quantité d’azote absorbée entre deux dates.

c) Modélisation dynamique déterministe à l’aide de simulateurs déjà paramétrés et évalués (STICS, SYST’N, Agriflux…). Le modèle STICS s’applique à l’échelle d’un cycle cultural ou de plusieurs cycles successifs. Il simule le développement de la culture et les bilans d’énergie, d’eau, de carbone et d’azote du système au pas de temps journalier. Il est préférable de l’initialiser en période de sol nu, car seules les données des profils d’eau et d’azote sont requises comme initiales. Il peut être aussi initialisé en période de culture en renseignant son stade, sa densité racinaire, son indice foliaire, ses masses racinaires et aériennes et leur mobilisation d’azote. Aux entrées déjà nécessaires pour LIXIM s’ajoutent l’itinéraire technique, des caractéristiques du sol et du climat et les paramètres décrivant le fonctionnement général du système de culture-sol-atmosphère.

Le concept de transfert de solutés dans les modèles LIXIM et STICS discrétise et généralise, dans le temps et l’espace, celui de « cellules de mélange » (Burns, 1976) ; il l’associe à un modèle de bilan hydrique capacitif (Mary et al., 1999), de la façon suivante :

1. le transfert s’opère en régime permanent de drainage, i.e. dans un sol à la capacité au champ soumis à des pluies efficaces ;
2. un mélange complet s’opère entre l’eau déjà présente dans chaque couche élémentaire (n) du profil de sol et l’eau y arrivant par convection ;
3. le même phénomène se produit ensuite dans la couche élémentaire (n + 1), sous-jacente ;
4. ce transfert s’opère dans la seule microporosité du sol, qui est supposé avoir une conductivité hydraulique infinie ;
5. l’épaisseur (e = 1 à 15 cm) d’une couche élémentaire et ses paramètres capacitifs sont définis à l’échelle de l’horizon pédologique.

La prédiction du modèle cellules de mélange converge avec celle du type mécaniste convectif-dispersif, si l’épaisseur des couches est égale à la moitié de la longueur de dispersion du modèle mécaniste, tout en exigeant beaucoup moins de paramètres et de temps de calcul (Van der Ploeg et al., 1995). Cependant, le schéma cellules de mélange peut difficilement être appliqué à des sols très hétérogènes ou hydromorphes (Lafolie & Neel, 1997).

Trois critères statistiques ont été utilisés pour évaluer les modèles selon la méthode de Loague & Green (1991) : l’écart moyen (MD), l’erreur quadratique moyenne (RMSE) qui sont attendues pour être minimales, et l’efficience du modèle (EF), dont la valeur cible est l’unité.

où [latex]Si[/latex] = simulé, [latex]Oi[/latex] = observé,

 = moyenne des observations.

Sites et bases de données d’APL

Les démarches sont appliquées à deux cas d’étude « on farm » du Nord de la France : le bassin hydrologique de Bruyères et Montbérault (F-02), avec 36 sites d’observation de 1991 à 2012 (Beaudoin et al., 2005 ; 2021) et le réseau Agri-Bio en Hauts-de-France, avec 35 parcelles observées de 2014 à 2017 (Rakotovololona et al., 2019).

Le bassin d’alimentation de captage (BAC) de Bruyères est un territoire incluant 145 ha de grandes cultures conduites en rotations triennales conventionnelles (blé^[2]-escourgeon^[3]– betterave^[4] ou colza^[5] ou pois^[6]), où les bonnes pratiques agricoles (BPA) ont été systématiquement appliquées (fertilisation raisonnée ; culture intermédiaire ; enfouissement des résidus de culture pauvres en azote). Le protocole d’évaluation de l’impact des BPA a couplé observation et modélisation. Des prélèvements du sol et des végétaux trois fois par an ont porté sur 36 stations d’observation représentatives des cultures et des sols ; une station représente un cercle de 20 m de diamètre ou six échantillons sont prélevés aléatoirement et regroupés pour des mesures sans répétition au laboratoire (figure 2a). Les parcelles y sont hétérogènes. Les sols sont hérités du substrat géologique comme le montre la carte des textures à 40 cm de profondeur. Les principaux substrats sont le limon (clayey sandy loam) les marnes et caillasses (clayey limestone, clay et heavy clay), le limon sableux développés sur calcaire grossier (sandy limestone) et le sable épais (sand et clayey sand).

Le réseau Agri-Biologique (AB) est constitué de 35 parcelles représentant 11 systèmes de culture, caractérisés par une même rotation culturale, un même type de sol et une même exploitation. Ils appartiennent à neuf exploitations en AB (figure 2b). Les rotations longues (9 à 12 ans) sont de trois types : Luzerne – céréales ; Luzerne – céréales – légumes ; Céréales – légumes. Substituer la variabilité temporelle par la variabilité spatiale a consisté à représenter chaque système par un trio de trois parcelles suivies pendant trois ans. Les mesures sur le sol et les cultures ont été réalisées quatre fois par an avec deux répétitions dans la même parcelle. Les sols sont développés sur substrat limoneux profond, avec ou sans silex, pour dix systèmes, et développé sur substrat crayeux pour un seul système.

Les principales données utilisées dans cet article sont les stocks d’eau (SWC) ou d’azote minéral (SMN), encore appelé APL pour la mesure de fin d’automne. Les résultats des suivis, de 1991 à 1999, au BAC de Bruyères, et de 2014 à 2017, sur le réseau AB, ont permis l’analyse statistique de leur variabilité en fonction des facteurs année-type de sol et séquence culturale, définie par la culture récoltée et l’occupation du sol en automne (Beaudoin et al., 2005 ; Rakotovololona et al., 2019). Les données de SMN sont présentées aux tableaux 1a et 1b, en fonction du facteur séquence culturale, dont l’effet est significatif.

Tableau 1a.  APL (kg N_min.ha^-1) mesuré à la fin de l’automne et à la mi-février, selon les successions culturales à Bruyères pendant 8 ans, jusqu’à 120 cm en sols profonds et 90 cm en sols superficiels (extrait de Beaudoin et al., 2005). .

Tableau 1b.  APL (kg N_min.ha^-1) mesuré à la fin de l’automne et à la mi-février, selon les successions culturales sur le réseau AB pendant trois ans, jusqu’à 150 cm dans les sols profonds et 90 cm en rendzine (extrait de Rakotovololona et al., 2019).

Résultats et discussion

Utilisation de LIXIM

Deux versions différentes de LIXIM, 6 et 9, ont été utilisées et testées respectivement sur les dispositifs de Bruyères et AB (figure 3), avec le recours au forçage pendant les phases printanières. Les prédictions des stocks d’eau et d’azote sont jugées satisfaisantes. Sur Bruyères, une étude de sensibilité sur l’effet des couverts a permis de vérifier que l’incertitude due à leur non intégration était négligeable par rapport aux aléas associés aux mesures à l’échelle de la parcelle (Beaudoin et al., 2005). Ces limites ont été dépassées sur le réseau AB, par prise en compte des couverts dans la version V9 et la réduction des aléas par deux répétitions.

Figure 3. Test de prédiction des modèles LIXIM en période hivernale par comparaison des valeurs observées et simulées de la teneur en eau du sol (mm) et du stock d’azote minéral à la mi-février (kg N_min.ha^-1). A) Sur le BAC de Bruyères pendant huit ans, en fonction des types de sol, (n = 256 sans répétition). B) Sur le réseau en agriculture biologique (AB) pendant trois ans, en fonction de l’année, (n=109 avec deux répétitions par parcelle-année).

Les calculs sont sensibles à la profondeur considérée. Sur la BAC de Bruyères, passer de 90 à 120 cm en sols superficiels et de 120 à 150 cm en sols profonds baisse légèrement le drainage mais plus fortement la concentration de l’eau de percolation, de 17 et 25 % respectivement (Beaudoin et al., 2005). De même, la période d’apport d’engrais importe car le drainage se produit certaines années en dehors de la période hivernale, ce qui représente un supplément de 72 % par rapport aux flux hivernaux (figure 4). Par contre, pour 13 situations, le flux hivernal dépasse l’annuel, du fait que l’humidité initiale de l’échantillon APL a excédé la valeur du paramètre Hcc, fixé comme la médiane des valeurs observées en hiver.

En conclusion, la quantification des flux à partir de mesures de stock est possible mais sa qualité est sensible à la période et à la profondeur d’application et au nombre de répétitions des mesures. Les tests présentés sont indirects car portant sur des variables d’état du profil ; ils ont été complétés par des études s’intéressant directement aux flux d’eau et de solutés (Mary et al., 1999).

Les flux élémentaires, définis à l’échelle de chaque station et de l’année, montrent une forte variabilité. Sur le BAC de Bruyères, le drainage a varié de 0 à 592 mm.an^-1 et la lixiviation de 0 à 154 kg N_min.ha^-1 (Beaudoin et al., 2005). Sur le réseau AB, leurs fourchettes sont de 0 à 468 mm.an^-1 et 0 à 117 kg N_min.ha^-1 respectivement (Rakotovololona et al., 2019). A l’échelle du site-année le drainage varie surtout avec l’année (non présenté) et avec la succession (Tableau 2). A Bruyères, la lixiviation varie très fortement selon le type de sol, la nature de la séquence culturale et le climat, d’un facteur 3, 4 et 5 respectivement. En systèmes AB, l’influence de la séquence culturale est encore plus importante, avec un ratio de 20 entre les extrêmes. Les espèces légumineuses y jouent un rôle notoire, avec le minimum pour la luzerne en place et le maximum pour une séquence légumineuse à grain-blé (LM1). Cependant, cette typologie n’intègre pas tous les facteurs de variation, en particulier l’arrière effet de deuxième année du retournement des luzernières n’a pas été isolé, faute d’effectifs suffisants.

Tableau 2a : Drainage moyen, lixiviation de l’azote nitrique et concentration en nitrate dans l’eau drainée calculés avec LIXIM, en fonction de la succession des cultures et du type de sol sur le BAC de Bruyères (extrait de Beaudoin et al., 2005).

Tableau 2b : Drainage moyen, lixiviation de l’azote nitrique et concentration en nitrate dans l’eau drainée calculés avec LIXIM, en fonction de la succession des cultures sur le réseau AB (extrait de Rakotovololona et al., 2019).

En conclusion, la typologie des flux par séquences culturales permet de cibler celles nécessitant une amélioration, par exemple en optimisant la date de destruction des luzernières. Cependant, il faut dépasser l’approche « culture centrée » car la rotation culturale est l’échelle temporelle pertinente pour évaluer les systèmes de culture (Beaudoin et al., 2005 ; De Notaris et al., 2018 ; Yin et al., 2020). Sur le plan pratique, il est possible d’initier des simulations à partir d’une seule mesure d’APL en utilisant un référentiel de vitesse potentielle de minéralisation (Vp) tel qu’il a été établi pour le réseau AB (annexe). Les valeurs de Vp, issues de la V9, égalent le solde « minéralisation nette-pertes par voies gazeuses » alors que celles de la version V6 sont de facto diminuées de l’éventuelle absorption d’un couvert.

Interprétation de sortie et méta-modélisation

Un méta-modèle sert un but pédagogique et/ou prédictif. Comme un indicateur, il rend compte des principaux déterminants de ce phénomène complexe qu’est la lixiviation. En contexte pédoclimatique de faible dilution de l’eau de drainage, un indicateur de la sensibilité des sols à la lixiviation est le taux de renouvellement du stock d’eau du sol (Mary et al., 1997 ; Beaudoin & Machet, 2001) :

où WS_FC (mm) est le stock total d’eau à la capacité au champ et D est la quantité drainée. La quantité d’azote lixivié, calculée avec LIXIM, peut alors être expliquée par l’APL et par Rw. Pour le BAC de Bruyères, de 1991 à 1999, on obtient une relation linéaire significative entre quantité d’azote lixivié et stock d’azote minéral de fin d’automne, pour cinq classes de taux de renouvellement (Figure 5).

L’indicateur proposé s’inspire du modèle piston appliqué à l’ensemble du profil. Cependant, LIXIM simule différemment la lixiviation que la formule de Burns pour deux raisons :

– il discrétise différemment l’espace et le temps (Mary et al., 1999) ;

– il prend en compte la minéralisation d’azote, dont une fraction peut être lixiviée, ce qui fait que la pente de la régression peut excéder la valeur 1.0.

Un indicateur quantitatif du lessivage peut être établi par :

La lixiviation s’explique a posteriori par le croisement de deux variables accessibles : l’APL, principalement déterminée par le système de culture et Rw, principalement déterminée par le pédo-climat ; le coefficient b doit être calé empiriquement. Outre sa vertu didactique, cette simplification peut aider à anticiper l’éventuel effet dépressif en azote, lié à l’introduction d’une CIPAN (Beaudoin, 2006). Cependant, il présente une moindre pertinence pour les valeurs extrêmes de Rw, à cause du rôle de la position du nitrate quand Rw est très faible, ou de celui de la minéralisation en phase de drainage quand Rw est très fort ; ces limites ont été rencontrées à l’échelle du bassin de la Seine (Beaudoin et al., 2018).

Ce schéma théorique a été appliqué sur les données du réseau AB, où les sorties de LIXIM bénéficient de la répétition des mesures. Plusieurs modèles (M0 à M2) d’une complexité croissante ont été testés (Tableau 3). La démarche a compris une phase de calage utilisant les données élémentaires d’APL et une phase de test, utilisant en entrée la valeur de SMNseq, fournie par la typologie du tableau 2b. La performance de prédiction s’améliore encore avec la complexification ; cependant, le gain permis est faible, vu le coût de l’ajout de l’entrée décrivant la position de l’azote dans le profil.

Sur le plan pratique, il est aussi possible d’utiliser les sorties de LIXIM pour établir un modèle multilinéaire qui puisse prendre comme entrée les seules données d’APL, ou de reliquat de sortie hiver, associées à un bilan hydrique (Autret et al., 2019).

Tableau 3. Équations, paramètres et performance des métamodèles de lixiviation (M0, M1 et M2).  Les erreurs standards des coefficients a, b et c sont données entre parenthèses.

Utilisation de STICS à l’échelle annuelle

L’utilisation du modèle STICS a visé d’abord à prendre en compte d’une façon plus mécaniste les périodes de drainage printanier ou automnal et ensuite à généraliser la quantification de la lixiviation à l’échelle du BAC de Bruyères (Beaudoin, 2006). Des résultats du test de l’application de STICS aux données 1991/1999 sont présentés avec deux méthodes :

1. utilisant les données élémentaires, sans répétition (tableau 4a) ;
2. regroupant les données individuelles observées et simulées entre quatre situations similaires, telles de « fausses-répétitions », ayant la même culture et la même classe de sol (tableau 4b).

Dans la première méthode, le stock d’eau du sol (SWC) est toujours bien simulé. Le SMN l’est de moins en moins au fur et à mesure que la durée de simulation croit : la prédiction est bonne en fin d’automne et acceptable en février. STICS a pu restituer sans biais les pertes d’eau et d’azote calculées avec LIXIM, mais avec des RMSE élevées. La seconde méthode s’appuie sur l’hypothèse qu’une grande partie de l’erreur de prédiction vient de l’inexactitude des données. De fait, la plupart des efficiences ont été améliorées et les RMSE ont toutes été réduites, sans changer la valeur de la moyenne prédite.

Les prédictions de lixiviation sont sensibles à la profondeur de simulation, d’une façon comparable à celles de LIXIM, en jouant sur des paramètres plus précis. Une étude de sensibilité simulée par STICS (données 1991/1999) montre qu’une réduction de 20 % de la profondeur d’enracinement accroît la lixiviation de 14 %, tandis que son augmentation de 20 % réduit la lixiviation de 6 % (Beaudoin et al., 2008). Cela s’explique peu par la modification simulée du drainage (respectivement 3 % et -2 %) ou de l’absorption d’azote (respectivement -3 % et 0 %), mais plutôt par celle du transfert de solutés (équation 1). Dans la pratique, si la profondeur de mesure du profil d’APL s’avère insuffisante, il est préférable d’initier le modèle sur un profil virtuel antérieur, par exemple d’un an, ayant la profondeur idoine. Ladite mesure d’APL peut ensuite servir à tester la prédiction, voire de valeur cible pour optimiser le profil initial virtuel par essai-erreur. Cela demande de disposer de l’itinéraire technique et des données climatiques de l’année antérieure.

En conclusion, calculer des flux à partir d’une mesure ponctuelle d’APL est possible ; cependant il ne permet pas le test du modèle en absence de répétitions. Le test a porté sur la prédiction de variables d’état (SWC et SMN) et de flux calculés par LIXIM. Un test vraiment indépendant de la prédiction des flux a pu être positivement effectué à long terme, sur les données lysimétriques de Fagnières, avec prédiction en continu du modèle STICS (Yin et al., 2020). L’application de STICS a été aussi possible sur des situations AB où les adventices sont suffisamment contrôlées (Autret et al., 2020).

Tableau 4a. Évaluation statistique du modèle STICS en comparaison des données de sortie de LIXIM prises comme valeurs observées pendant huit années (extrait de Beaudoin, 2006).

Tableau 4b. Évaluation statistique du modèle STICS en comparaison des données de sortie de LIXIM prises comme valeurs observées pendant huit années (extrait de Beaudoin, 2006).

Finalement, le modèle STICS a été appliqué sur les données de 1991 à 2012. Les prédictions du drainage et de lixiviation ont été comparées aux données d’APL mesurées (Figure 6).

Les valeurs moyennes d’APL sont maximales en 2003 et 2004, après l’année sèche la plus sévère. Leur moyenne (56 kg N.ha^-1) est faible grâce à l’application des BPA. Si l’on additionne l’absorption des cultures intermédiaires et l’immobilisation d’azote permise par la décomposition de la paille, un total de 50 kg N.ha^-1.an^-1 a été soustrait à la lixiviation. Cependant, cette dernière dépend des conditions pédo-climatiques.

La quantité d’eau drainée simulée par STICS montre une variabilité forte à l’échelle annuelle dans les 36 stations ; elle baisse à long terme avec l’accroissement significatif de l’ETP. Elle est proche du bilan hydrique cumulé (P-ETP) d’octobre à mars (pente = 0,92 ; r = 0,85). Comme prévu, elle est significativement plus faible dans les sols profonds (158 mm par an) que dans les sols superficiels (206 mm par an), ce qui entraine une variabilité spatiale notoire du drainage, une année donnée.

La quantité moyenne d’azote lixivié annuellement est corrélée à celle de l’eau drainée. De très petites quantités d’azote ont été lixiviées pendant les années sèches, même lorsque les sols contenaient de grandes quantités de SMN en automne, par exemple dans les années 2003-2006. La quantité moyenne d’azote lixivié varie significativement avec le type de sol, de 11 kg N.ha^-1.an^-1 en sols profonds à 28 kg N.ha^-1.an^-1 en sols superficiels. Un impact similaire du type de sol a été observé (16 et 40 N.ha^-1.an^-1) dans des lysimètres non perturbés en Allemagne (Kersebaum & Beblik, 2001).

Le paramètre WS_FC permet de comparer la réponse à long terme de variables d’intérêt à l’effet sol, en parcellaire hétérogène. Les valeurs mesurées du rendement du blé, de l’absorption d’azote et du surplus d’azote à long terme (bilan CORPEN) sont confrontées à la lixiviation d’azote moyenne simulée à l’échelle de la station (figure 7). La réponse significative du rendement moyen provient de la corrélation entre WS_FC et la réserve utile. L’absorption d’azote a une réponse similaire, car corrélée au rendement. La lixiviation est corrélée négativement avec le WFC, réduite de 50 % lorsque WFC passe de 200 à 500 mm. Cette relation est une propriété émergente à long terme car elle n’est pas vérifiée à l’échelle annuelle. Ces relations statistiques peuvent être comparées en utilisant la pente normalisée (bn), c’est à dire le ratio entre la pente et la valeur moyenne de la variable. Les valeurs (bn) du rendement et de l’azote lixivié sont respectivement de 9.10^-4, -4,3.10^-3. La lixiviation est donc cinq fois plus sensible que le rendement aux variations de WS_FC. Or, les agriculteurs ne peuvent voir cette différence de sensibilité des sols à la lixiviation. Nous partageons le point de vue d’Evans et al. (2019) affirmant que « les connaissances et leur communication sont parmi les facteurs les plus limitants pour les agriculteurs pour adopter des pratiques de gestion alternatives ».

L’azote lixivié est ici linéairement corrélé avec le surplus d’azote. Ce lien n’existe pas toujours dans les études comparant des systèmes (De Notaris et al., 2018 ; Autret et al., 2019). Le surplus d’azote est un indicateur de la pression en azote pertinent à long terme et a fortiori, en complément de la quantification des pertes et du stockage d’azote du système de culture. Dans cette étude, les stocks d’humus sont stables et les pertes par voie gazeuse sont équivalentes entre sols; le surcroit de surplus d’azote des sols à faible WS_FC s’est traduit d’une façon univoque par un surcroit de lixiviation.

Outre le fait de prédire d’autres variables d’intérêt, les modèles permettent aussi la simulation de l’impact de scénarios alternatifs (Yin et al., 2020 ; Autret et al., 2020).

Conclusion

Compte tenu du fort aléa affectant le drainage, le calcul de la lixiviation apporte une plus value cognitive à la mesure d’APL. Ce calcul est possible par couplage des données et d’un modèle; ce couplage nécessite d’être adapté au dispositif. La méthode d’extrapolation aux périodes sans mesure doit être aussi précisée. Cette extrapolation s’appuie toujours sur un bilan hydrique, et donc, sur les données d’occupation du sol et de climat. A l’avenir, une étude méthodologique serait utile, pour comparer des calculs utilisant les seules données APL à ceux présentés dans cet article, qui ont mobilisé toutes les données. Quantifier le stock d’eau à la capacité au champ, est nécessaire à la modélisation et utile à l’interprétation des données de lixiviation.

La modélisation déterministe peut aussi prédire le stockage d’azote sous forme d’humus, objet d’intérêt comme service environnemental. Cette ambition représente un défi métrologique en termes de robustesse et de crédibilité des prédictions. Il peut être relevé de trois manières complémentaires au sein d’un partenariat multidisciplinaire :

1. harmoniser et mutualiser les bases de données de calibration/test des modèles ;
2. s’adjoindre une dimension probabiliste à la prédiction, prenant en compte l’incertitude affectant les données d’APL et les paramètres des modèles ;
3. utiliser la médiane de la prédiction d’un ensemble de modèles, de la même façon que dans la démarche AGMIP (Agricultural Model Intercomparison and Improvement Project).

Bibliographie

Acutis M., Ducco G., Grignani C., 2000. Stochastic use of LEACHN model to forecast nitrate leaching in different maize cropping systems. European Journal of Agronomy 13, 191-206.

Autret B., Mary B., Gréhan E., Ferchaud F., Grandeau G., Rakotovololona L., Bertrand M., Beaudoin N., 2019. Can alternative cropping systems mitigate nitrogen losses and improve GHG balance? Results from a 19-yr experiment in Northern France. Geoderma 342, 20-33.

Autret B., Mary B., Strullu L., Chlebowski F., Mäder P., Olesen J.O., Beaudoin N. (2020). Long-term trends in crop yield, nitrogen losses and GHG balance of organic cropping systems. Science of the Total Environment, 710, 134597.

Beaudoin N., Machet J.-M., 2001. Réponse d’experts de l’INRA en sciences des sols et agronomie vis à vis de la gestion de l’azote sur les périmètres de protection du Plessis-Pas-Brunet (Loire Atlantique). Laon, France : INRAE.

Beaudoin N., Saad J., Van Laethem C., Maucorps J., Machet J.-M., Mary B., 2005. Nitrate leaching in intensive arable agriculture in Northern France: effect of farming practices, soils and crop rotations. Agr. Ecosyst. Envir. 111, 292-310.

Beaudoin N., 2006. Caractérisation expérimentale et modélisation des effets des pratiques culturales sur la pollution nitrique d’un aquifère en zone de grande culture. Ph.D. thesis. Paris : INA-PG.

Beaudoin N., Launay M., Sauboua E., Ponsardin G., Mary B., 2008. Evaluation of the soil crop model STICS over 8 years against the “on farm” database of Bruyères catchment. Eur. J. Agr. 29, 46-57.

Beaudoin N., Tournebize J., Ruiz L., Constantin J., Justes E., (2012). Chapitre 4 : Nitrate et eau en période d’interculture. In : Justes et Rechauchère eds. Rapport d’étude-expertise Réduire les fuites de nitrate au moyen de cultures intermédiaires.  France : INRA.

Beaudoin N., Gallois N., Viennot P., Le Bas C., Puech T., Schott C., Buis S., Mary B., 2018. Evaluation of a spatialized agronomic model in predicting yield and N leaching at the scale of the Seine-Normandie Basin. Environ. Sci. Pollut. R. 25, 23529–23558. doi: 10.1007/s11356-016-7478-3.

Beaudoin N., Venet E., Maucorps J., Vandenberghe C., Pugeaux N., Viennot P., Gourcy L., Brayer C., Machet J.-M., Couturier A., Billly C., Vigour N., Hulin G., Dorel G., Mary B. (2021). Long term response of water and nitrogen fluxes to Good Agricultural Practices at field and catchment scales. STOTEN, 776, 145954. https://doi.org/10.1016/j.scitotenv.2021.145954

Burns I.G., 1976. Equations to predict the leaching of nitrate uniformly incorporated to a known depth or uniformly distributed throughout a soil profile. Journal of Agricultural Science, 86, 305-313.

Dupas R., Parnaudeau V., Reau R., Jeuffroy M.-H., Durand P., Gascuel-Odoux C., 2015. Integrating local knowledge and biophysical modeling to assess nitrate losses from cropping systems in drinking water protection areas. Environ. Modell. Softw, 69, 101-110. DOI: 10.1016/j.envsoft.2015.03.009

Corwin D.L., Wagenet R.J., 1996. Applications of GIS to the modelling of non point source pollutants in the vadose zone: a conference overview. J. Environ. Qual, 25, 403-411.

De Notaris C., Rasmussen J., Sørensen P., Olesen J.E., 2018. Nitrogen leaching: a crop rotation perspective on the effect of N surplus, field management and use of catch crops. Agr. Ecosyst. Envir, 255, 1-11.

Escobar M. M., Hollaender R., Weffer C. P., 2013. Institutional durability of payments for watershed ecosystem services: Lessons from two case studies from Colombia and Germany. Ecosystem Services, 6, 46–53.

Evans A.E.V., Mateo-Sagasta J., Qadir M., Boelee E., Ippolito A., 2019. Agricultural water pollution: key knowledge gaps and research needs. Current Opinion in Environmental Sustainability, 36, 20-27.

Hansen S., Thirup C., Refsgaard J.C., Jensen L.S., 2001. Modeling nitrate leaching at different scales. Application of Daisy model. Shaffer-Liwang-Hansen Eds, Lewis Publishers. §16, 511-548.

Kersebaum K.C., Beblik A.J., 2001. Performance of a nitrogen dynamics model applied to evaluate agricultural management. In: Shaffer et al (eds.), Modeling carbon and nitrogen dynamics for soil management. Lewis Publishers, 549-569.

Lacroix A., Beaudoin N., Makowski D., 2005. Agricultural water nonpoint pollution control under uncertainty and climate variability. Ecological Economics, 53, 115-127.

Lafolie F. et Neel C., 1997. Migration du nitrate dans la zone non saturée et impacts sur la qualité des eaux souterraines. In : Lemaire G. & Nicolardot B., eds. Maîtrise de l’azote dans les agrosystèmes. Les Colloques de l’INRA 83, 55-67.

Loague K., Green R.E., 1991. Statistical and graphical method for evaluating solute transport models: overview and application. Journal of Contaminant Hydrology, 7, 51-73.

Martinez J., Guiraud G., 1990. A lysimeter study of the effects of a ryegrass catch crop, during a winter wheat/maize rotation, on nitrate leaching and on the following crop. J. Soil Sci., 41, 5-16.

Mary B., Beaudoin N., Benoit M., 1997. Prévention de la pollution nitrique à l’échelle du bassin d’alimentation en eau. In: Lemaire, G. & Nicolardot, B., eds. Maîtrise de l’azote dans les agrosystèmes. Paris : INRA Editions, 289-312.

Mary B., Beaudoin N., Justes E., Machet J.-M., 1999. Calculation of nitrogen mineralization and leaching in fallow soil using a simple dynamic model. European Journal of Soil Science, 50, 549-566.

Meynard J.-M., Cerf M., Guichard L., Jeuffroy M.-H., Makowski D., 2002. Which decision support tools for the environmental management of nitrogen ? Agronomie, 22, 817-829.

Rakotovololona L., Beaudoin N., Ronceux A., Venet E., Mary B., 2018. Driving factors of nitrate leaching in arable organic cropping systems in Northern France. Agriculture, Ecosystems & Environment, 272, 38-51.

Rousselle V., 1913. Le mouvement des nitrates dans le sol. Annales sciences agron., 4eme série, I, 97-115.

Vandenberghe C., 2016. Performance de l’indicateur ‘Azote Potentiellement Lessivable’ pour l’évaluation de la gestion du nitrate et du risque pour la qualité de l’eau. Thèse de doctorat. Gembloux, Belgique : Gembloux Agro-Bio Tech (Uliège).  https://hdl.handle.net/2268/201372

Van der Ploeg R.R., Ringe H., Machulla G., 1995. Late fall site-specific soil nitrate upper limits for groundwater protection purposes. Journal of Environmental Quality, 24, 725-733.

Weihermüller L., Siemens J., Deurer M., Knoblauch S., Rupp H., Göttlein A., Pütz T., 2007. In situ soil water extraction : a review. J. Environ. Qual. 36, 1735-1748.

Whisler F.D., Acock B., Baker D.N., Fye R.E., Hodges H.F., Lambert J.R., Lemmon H.E., McKinion J.M., Reddy V.R., 1986. Crop simulation models in agronomic systems. Advances in agronomy, 40, 141-208.

Yin X., Beaudoin N., Ferchaud F., Mary B., Strullu L., Chlébowski F., Clivot H., Herre C., Duval J., Louarn G., 2020. Long term modelling of soil N mineralization and N fate using STICS in a 34–year crop rotation experiment. Geoderma, 357, 113956. DOI: 10.1016/j.geoderma.2019.113956.

Annexe

*Code du sol : Sc = calcaire peu profond ; dL = limon profond ; dLp = limon profond avec cailloux ; dSL = limon sableux profond.

La profondeur mesurée était de 150 cm pour dL, dLp et dSL ; et de 90 cm pour Sc.

** Symbole de culture : C = céréale ; I = culture dérobée ; M = culture principale ; A = luzerne, L = légumineuse à grain ; V = légume ; X = légume ou céréale.

Code de la date de semis : 0 = avant la récolte de la culture précédente ou déjà établie ; 1 = en automne ; 2 = au printemps.