Introduction

Contexte des Hauts de France et réglementation

La région des Hauts-de-France est fortement marquée par l’activité agricole. La surface agricole utilisée représente deux tiers du territoire et les terres arables en occupent 58  % avec 1,8 millions d’hectares. En 2018, 88 % des terres arables étaient occupées par des ‘grandes’ cultures dont 64 % affectées aux céréales, 12 % aux oléo-protéagineux, 17 % aux cultures industrielles et 7 % aux pommes de terre (Agreste Hauts-de-France, 2020). Or, l’agriculture est de loin la première cause d’anthropisation du cycle biogéochimique de l’azote continental (Liu et al., 2010) et de nombreuses études montrent que l’agriculture joue un rôle important dans l’apparition de pollutions diffuses au nitrate (Beaudoin et al., 2021).

En Hauts-de-France, de nombreuses masses d’eau ont un état chimique insatisfaisant à cause de pollution par le nitrate. Ainsi, parmi les 35 masses d’eau souterraine en Hauts-de-France, 25 sont en mauvais état chimique dont 14 ont été déclassées à cause de la teneur en nitrate (DREAL, 2018), soit 40 % des masses d’eau souterraine en mauvais état chimique à cause du nitrate (Boidron, 2020). La concentration en nitrate dans les eaux souterraines reste assez alarmante sur le territoire, avec une grande partie des mesures dépassant 40 mg.L^-1 (Compernolle et al., 2020).

En zone vulnérable, soit la quasi-totalité du territoire des Hauts-de-France, les exploitants de plus de 3 ha sont obligés d’utiliser le reliquat de sortie d’hiver (RSH) pour raisonner leur fertilisation. En 2016-2017, ce reliquat a été utilisé sur 82 % des surfaces pour les exploitants réalisant eux-mêmes leur bilan de fumure (Agreste Hauts-de-France, 2019).

Dans le cadre de la directive Nitrates, six programmes d’actions ont été mis en place. Les quatre premiers programmes ont été instaurés à une échelle départementale (1996-2000, 2001-2003, 2004-2007 et 2009-2013). Les résultats n’étant guère satisfaisants, un programme d’action national (PAN) a été mis en place, renforcé par des programmes d’actions régionaux (PAR). Ainsi, deux programmes d’actions nationaux et régionaux ont été mis en application en 2014-2018 et en 2018-2022 (Compernolle et al., 2020).

Le 6^ème PAR impose un renforcement des mesures règlementaires dans des zones dites d’actions renforcées (ZAR), zones définies dans les annexes 2 et 3 de l’arrêté. Il s’agit notamment de la mesure, après une formation spécifique, de trois reliquats supplémentaires en début de drainage sur les parcelles où seront prévus les trois RSH règlementaires. Cette réglementation est également mise en œuvre dans certains bassins d’alimentation de captages (BAC) prioritaires. Ces reliquats azotés sont réalisés par ou à la demande des agriculteurs eux-mêmes sur les parcelles de leur choix.

Au vu des problématiques de pollutions azotées qui perdurent sur le territoire des Hauts-de-France malgré l’application de la directive Nitrates, il apparait pertinent de remettre en question la démarche de gestion des pertes d’azote par obligations de moyens. Coconstruire des objectifs de résultats pourrait être intéressant pour laisser plus de liberté aux exploitants dans leurs pratiques tout en respectant les obligations fixées par la directive Nitrates. Ce type de démarche est testé depuis 2002 en Belgique, à travers le projet Nitrawal (aujourd’hui PROTECT’eau^[1]). Les performances environnementales des exploitants sont contrôlées grâce à l’indicateur de reliquat entrée hiver (REH), également appelé Azote Potentiellement Lessivable (APL), qui mesure l’azote nitrique dans le sol après la culture principale de la campagne et donc l’azote susceptible d’être lixivié par les pluies hivernales (Wouez., 2022). A travers les effets du projet Nitrawal et d’autres projets à l’échelle des Aires d’Alimentation de Captage en France, il est possible de constater l’efficacité d’une gestion de l’azote par des mesures de résultats (Morel, 2020). Cette démarche est aujourd’hui expérimentée en région Hauts-de-France dans le cadre du projet GAZELLE^[2] pour répondre aux enjeux cités ci-dessus.

La simulation du cycle de l’azote pour estimer l’azote lixivié

La quantité de nitrate du sol lixiviée dépend de la concentration en nitrate présente dans la solution du sol et de l’épaisseur de la lame d’eau drainante au cours d’une période définie. Cette quantité de nitrate présente dans la solution du sol dépend notamment des apports azotés et des taux de nitrification et de dénitrification (Cameron et al., 2013), deux processus en aval de la minéralisation de l’azote.

L’amélioration de la prédiction de la minéralisation de l’azote dans les sols agricoles est nécessaire pour améliorer le conseil azoté et réduire le risque de lixiviation de nitrate (Mary et al., 1999). Syst’N® est un outil informatique de type client-serveur (figure 1) qui intègre un modèle dynamique de flux d’eau et d’azote à pas de temps journalier dans un système plante – sol – atmosphère et dont l’unité de simulation est le croisement entre un système de culture (SdC), un type de sol et un climat (Parnaudeau et al., 2012).

Ce modèle dynamique associe les formalismes d’autres modèles spécifiques à des processus biogéochimiques, notamment produits par l’INRAe. Le modèle intègre des modules existants issus de :

• AZOFERT (Machet et al., 2007, 2017) pour la minéralisation des résidus de récolte,
• AZODYN (Jeuffroy & Recous, 1999) pour l’absorption d’azote par les cultures,
• STICS (Brisson et al., 1998) pour le bilan hydrique et la lixiviation du nitrate, la minéralisation de la matière organique du sol et la fixation symbiotique.

Il reprend également le modèle NOE (Hénault et al., 2005) pour simuler les pertes de protoxydes d’azote (N₂O) par dénitrification, ainsi que des concepts du modèle Volt’air (Genermont & Cellier, 1997) adaptés à Syst’N® (Parnaudeau et al., 2012).

Problématique

Un reliquat azoté représente une quantité d’azote minéral restant dans ce sol à un instant donné. L’entrée d’hiver comme la sortie d’hiver sont généralement définis par des périodes temporelles qui représentent les périodes habituelles où interviennent respectivement le début du drainage et la fin du drainage. Or, il a été observé en région Hauts-de-France que certaines années pluvieuses, ce drainage débute plus tôt sous climat océanique et inversement certains automnes secs sous climat océanique dégradé. De ce fait, un REH peut être réalisé à une date différente et donner une information différente d’un reliquat réalisé au plus près du début du drainage hivernal (RDD). En effet, entre ces deux dates d’entrée de l’hiver et du début du drainage peuvent intervenir des processus du cycle de l’azote comme la minéralisation lente de la matière organique, la minéralisation rapide des résidus de culture, la lixiviation ou encore la dénitrification.

De ce fait, une date idéale pour faire ces RDD dépend des conditions climatiques et notamment du régime des précipitations. Une date trop précoce sous-estimerait la minéralisation de l’azote avant la période de drainage et donc l’azote potentiellement lessivable (APL). Une date trop tardive sous-estimerait cet APL à cause des quantités déjà lixiviées.

A la demande des acteurs régionaux, la question de l’anticipation et de l’organisation des prélèvements et d’un bon positionnement de ce RDD, et donc l’estimation d’une date de début drainage pour l’année en cours, est nécessaire pour mieux appréhender les variations interannuelles et pédoclimatiques, ce que peut permettre un outil de modélisation.

Matériel et méthodes

Localisation géographique des ZAR

Les ZAR des Hauts de France représentent un total de 32 aires d’alimentation de captages (AAC) en eaux potables (figure 2). Une grande majorité se situe dans l’ex-région Nord Pas-de-Calais.

Données météorologiques

Les données climatiques nécessaires aux simulations de situations avec Syst’N® sont

• la température moyenne journalière (°C),
• le cumul de pluie journalier (mm),
• l’évapotranspiration potentielle ETP (mm) et
• le rayonnement global (MJ.m^-2).

Chaque ZAR est rattachée à une zone climatique (tableau 1).

Tableau 1. Liste des stations climatiques retenues pour les ZAR des Hauts-de-France

Plusieurs sources de données sont disponibles dont des données publiques européennes comme celles du JRC (Joint Research Centre) Agri4Cast (AG4C)^[3], disponibles de 1979 à l’année précédant l’année en cours.

Les stations les plus proches du réseau DEMETER^[4] peuvent donner des informations sur l’année en cours, jusqu’au jour de simulation.

Néanmoins, certaines stations manquent d’une sonde pyranométrique indispensable pour mesurer le rayonnement global ou de capteurs d’humidité, de vent et de pressions atmosphériques nécessaires au calcul d’ETP. Afin de compléter les données météorologiques nécessaires pour le fonctionnement de SYST’N® pour l’année en cours, et au-delà à court terme sur l’année suivante, un générateur stochastique de climat ou SWG (Pfaff, 2008, Caillez, 2016 ; Cordano & Eccel, 2016 ; Cordano & Eccel, 2017 ; Cordano, 2017a ; Cordano, 2017b) est utilisé. Ce dernier permet de produire des projections climatiques de nature statistique, point par point, à partir de données quotidiennes observées, tout en conservant les propriétés statistiques des données entre les sites. Ces projections poursuivent sans accélération le changement climatique tel qu’il est engagé depuis 15 ans. La fonction de génération des précipitations de ce SWG, sous forme de package R (R Core Team, 2016) « RMAWGEN », fonctionne également pour prédire correctement un rayonnement global et une évapotranspiration potentielle.

À partir d’une première projection de l’année en cours générée avec les quinze dernières années complètes (figure 3), le climat est corrigé avec des données journalières de températures et précipitations disponibles, avant de relancer une projection climatique pour l’année en cours et les années suivantes prenant alors en compte les spécificités de l’année en cours. Cette deuxième projection climatique est répétée à chaque mise à jour hebdomadaire des données météorologiques réelles, sur le courant de l’automne.

La projection de l’automne en cours avec un générateur stochastique de climat (SWG) produit un scénario “normal” par rapport aux années antérieures. Afin d’anticiper un automne et un hiver exceptionnels, deux variantes de la projection climatique sont testées : une variante dite humide avec plus de précipitations, et une variante dite sèche avec moins de précipitations.

Les occurrences de précipitations ayant déjà été calculées par le SWG, seule la quantité de précipitation est modifiée pour chaque scénario humide ou sec. La distribution des précipitations passées est évaluée pour chaque jour de l’année projeté, puis, par expertise, les quantiles 85 et 65 ont été retenus pour respectivement les scénarios humides et secs.

Paramétrage des sols

La liste des sols à paramétrer pour chaque ZAR dépend du choix des conseillers des Chambres d’Agriculture. Selon le département, les agents ont opté pour l’exhaustivité des situations pédoclimatiques via des cartes pédologiques ou des Référentiels Régionaux Pédologiques (RRP), ou ont favorisé, par expertise, une ou deux des situations pédoclimatiques problématiques par ZAR (tableau 2).

Chaque horizon de sol a été caractérisé à l’aide de la carte des sols de l’Aisne, de la typologie des sols de l’Oise et de la base de données des sols de Syst’N®, jusqu’à 90 cm. Chaque sol est caractérisé par deux horizons pour les sols superficiels et jusqu’à quatre horizons pour les sols les plus profonds.

Définition des systèmes de culture à simuler

Les systèmes de culture dans les Hauts-de-France sont assez variés mais les choix se sont limités aux systèmes de culture dont les cultures sont paramétrées dans Syst’N®. Néanmoins, le système de culture choisi doit pouvoir permettre de simuler sur l’automne en cours au minimum une interculture dite longue et une interculture courte. La région a été découpée en trois grands types d’exploitations :

• polyculteur-éleveur avec un système alternant maïs ensilage (Zea mays) et blé tendre (Triticum aestivum) pour les ZAR de Thiérache (02) ;
• céréalier « spécialisé », avec un système colza d’hiver (Brassica napus), blé tendre et orge de printemps (Hordeum vulgare) pour les ZAR du Soissonnais, du Tardenois et du Valois (02), et sur les petites terres de l’Oise (60) ;
• betteravier « spécialisé », avec un système colza d’hiver, blé tendre, orge d’hiver, betterave (Beta vulgaris) et blé tendre pour les ZAR du Laonnois et du Saint Quentinois-Vermandois (02), les limons de l’Oise (60), et dans la Somme (80), le Nord (59) et le Pas-de-Calais (62).

Les itinéraires techniques associés correspondent à des itinéraires techniques moyens rencontrés dans le cadre du projet AdOu-SY^[5].

Le type de précédent et de suivant, ainsi que la gestion de l’interculture, sont connus pour influencer les pertes par lixiviation. Par exemple, une succession colza-blé peut conduire à des pertes sous argilo-calcaires de type groie moyenne, allant de 35 à 61 kg N.ha^-1.an^-1 selon la fertilisation du colza, tandis que l’usage de repousses (blé et colza) peut diminuer ces pertes entre 25 et 30 kg N.ha^-1.an^-1 (Reau et al., 2007). De ce fait, le travail en fréquentiel a permis de se focaliser sur deux intercultures différentes d’une même rotation une même année :

• une interculture courte entre le colza et le blé tendre avec repousses de colza et
• une interculture longue entre le blé tendre et la betterave avec couvert de moutarde.

Afin de considérer les possibles variations de durées de couverture pendant l’interculture, deux durées extrêmes ont été testées : une durée minimale dite réglementaire et une durée maximisée considérée plus vertueuse.

Gestion et traitement des données

Toutes les données ont été collectées et traitées sous R (R Core Team, 2016) avec les packages data.table (Dowle & Srinivasan 2020), tidyverse (Wickham et al., 2019) et patchwork (Lin Pedersen, 2020). Le rapprochement d’une ZAR à une station ou maille climatique a été réalisée sur base des points GPS via le package sp (Pebesma & Bivand, 2005 ; Bivand et al., 2013). Les données brutes journalières de Syst’N® ont été importées via le package XML (Temple Lang, 2020).

Les analyses se sont focalisées sur les données journalières :

• d’azote minéral du sol,
• d’azote des plantes (pour vérifier le déroulement des simulations),
• d’humidité des horizons de sol paramétrés,
• de précipitations,
• de lame drainante et
• de quantités d’azote lixiviées.

Le créneau de prélèvement des RDD proposé, évoluant chaque semaine au fil des précipitations réelles de la semaine précédente, correspond à la date de début de remplissage du dernier horizon paramétré et à la date de fin de remplissage de cet horizon.

Résultats

Dans Syst’N®, une situation (unité de simulation) correspond au croisement d’un système de culture, avec un itinéraire technique, sur un type de sol et sous un climat. Pour chaque ZAR, une station climatique est associée. Chaque climat est subdivisé en trois projections climatiques à court terme. Un système de culture par ZAR est simulé sur un à plusieurs types de sols, mais avec le travail en fréquentiel, deux intercultures selon deux itinéraires techniques à chaque fois sont simulées.

Pour une ZAR avec trois types de sol à simuler, 36 simulations sont donc réalisées par semaine. En couplant le nombre de ZAR et le nombre de types de sols, 831 situations sont simulées hebdomadairement.

Estimation des dates de début drainage et périodes de prélèvement 2019, 2020 et 2021

La diversité des situations pédoclimatiques simulées donne une grande diversité d’évolution du remplissage des horizons de sol paramétrés au cours de ces trois premières années de simulation.

La cranette est un sol superficiel sur sous-sol calcaire, généralement caillouteux (Carte des sols de l’Aisne). Les cranettes sur craie blanche sont plus limoneuses qu’argileuses et la craie fracturée ou cryoturbée offre une meilleure réserve utile qu’un calcaire classique plus dense. De ce fait, seulement deux horizons sont paramétrés pour cette cranette sur craie blanche.

Sur l’exemple (figure 4) de la ZAR de Harly (Aisne, 02), l’évolution de l’humidité du premier et du deuxième horizon de sol fluctue selon la fréquence des précipitations (figure 4A), comme lors des automnes 2019 et 2020, ou l’intensité de ces précipitations, comme en juillet 2021. Cette humidité évolue pour ces deux horizons de cranette limoneuse (figure 4B) entre 23,5 % (l’humidité à la capacité au champ de ces horizons) et 11,9 % (l’humidité au point de flétrissement de ces horizons). Ces deux humidités caractéristiques sont ici très proches du fait d’un paramétrage de la granulométrie très proche (Al Majou et al., 2007).

La phase de remplissage du deuxième horizon débute dès lors que le premier horizon a atteint sa capacité au champ. Ce moment marque le début de la préconisation des prélèvements. Ce dernier est atteint à la deuxième décade d’octobre 2019, à la première décade d’octobre 2020 et à la première décade de novembre 2021. Le remplissage de ce deuxième horizon est assez rapide. Il atteint sa capacité au champ généralement sous une quinzaine de jours, dès la première décade de novembre 2019, la deuxième décade d’octobre 2020 et la fin de la troisième décade de novembre 2021. Ce remplissage marque le début du drainage simulé.

Néanmoins, ces résultats sont assez contrastés pour la ZAR de Harly. Si l’évolution de l’humidité du deuxième et dernier horizon paramétré suit une évolution classique allant du point de flétrissement (au milieu de l’été) à la capacité au champ (à la fin de l’automne) en 2019 et 2020, cet horizon atteint deux fois la capacité au champ en 2021, compte-tenu des fortes précipitations de l’été 2021. Lors de cet épisode de précipitation, le premier horizon dépasse même brièvement la capacité au champ fin juin, entrainant un pic vers le point de saturation, conditionnant du ruissellement et un remplissage brusque du deuxième horizon, entrainant une lixiviation estivale, en lien avec ce fort épisode pluvieux. Le dernier horizon paramétré n’a donc pas atteint le point de flétrissement cette année-là.

De manière globale, dans l’Aisne, le remplissage simulé de l’avant dernier horizon commence dès octobre 2020 et dès septembre 2021 selon les sites et sols, mais en moyenne ce remplissage n’a lieu qu’à la deuxième décade de novembre 2020 et troisième décade d’octobre 2021. Le drainage simulé intervient entre la troisième décade d’octobre 2020 et la première décade de janvier 2021, et entre la troisième décade d’octobre et la troisième décade de décembre 2021.

Variabilité des résultats obtenus

Dans l’Aisne, ces dates varient de 50 à 80 jours entre les dates minimales et maximales simulées de remplissage du dernier horizon et donc du début du drainage, selon l’année considérée, la station climatique choisie et le type de sol analysé. Dans l’Oise (60), cet écart varie de 20 à 60 jours tandis que dans la Somme (80) cet écart varie de 60 jusqu’à 100 jours vers le Ponthieu. Dans le Nord-Pas-de-Calais, cet écart varie de 100 à 160 jours.

En 2020, compte-tenu des précipitations importantes d’octobre et décembre, la date de début de drainage simulée était située entre la fin septembre dans les zones à climat océanique (Somme, Pas de Calais) et la mi-janvier dans les zones de climat océanique dégradé (Oise, Aisne et Nord) les plus à l’est. La majorité des situations ayant commencé à drainer avant la deuxième décade de décembre.

En 2021, compte-tenu des précipitations hétérogènes et importantes du début de l’été, la date de début de drainage simulée était située entre la fin septembre dans le Nord et le Pas de Calais et la mi-décembre dans l’Oise. Dans la Somme le début simulé du drainage est atteint à la deuxième décade d’octobre tandis que dans l’Aisne, il est atteint à la troisième décade de novembre.

Le dernier horizon d’une cranette sur craie blanche à Harly se remplit entre le début de la première décade et la moitié de la deuxième décade d’octobre 2020, et entre la fin de la troisième décade d’octobre 2021 et la fin de la troisième décade de novembre 2021. Ceci marque la variabilité interannuelle pour une même ZAR et un même sol. Une cranette équivalente dans l’Oise débute son remplissage entre la mi-octobre et la mi-novembre 2020 pour l’achever entre la deuxième décade d’octobre et la deuxième décade de décembre, marquant l’hétérogénéité des pluviométries à l’échelle d’un département comme l’Oise et de l’ex-région Picardie pour une même année considérée.

Pour une même ZAR comme celle de Lorgies (Nord, 59), l’évolution de l’humidité du sol (figure 5B) selon la pluviométrie (figure 5A) va dépendre du type de sol. Les teneurs en limon fin et grossier d’un limon battant (LBAT) et d’un limon argileux (LARG) restent assez proches pour les conserver dans la même classe de texture moyenne (Al Majou et al., 2007) ; ce qui permet de leur associer des comportements très proches en termes de flux d’eau. Au contraire, la teneur en argile d’une argile limoneuse profonde hydromorphe (ALPH) conduit à une texture très fine et, par conséquent, un comportement différent de celui des limons en termes de flux d’eau.

En 2019 et en 2020, le remplissage de l’avant-dernier horizon paramétré pour l’argile limoneuse profonde hydromorphe (ALPH) commence avant ceux des deux limons, battant (LBAT) et argileux (LARG). Néanmoins, le remplissage du dernier horizon marquant le début drainage n’intervient que début décembre 2019 et fin décembre 2020 pour les trois types de sols.

Les fortes précipitations de juillet et août 2021 (figure 5A) ont rapidement saturé les horizons profonds des deux limons profonds et l’avant-dernier horizon de l’argile limoneuse profonde (figure 5B). De ce fait, du drainage et de la lixiviation ont pu se produire dans les deux limons bien avant l’automne 2021. Cependant, les très faibles précipitations de septembre n’ont pas permis de remplir le dernier horizon paramétré de l’argile limoneuse profonde hydromorphe. Le drainage n’y intervient qu’à la troisième décade d’octobre 2021.

Outre la texture du sol conditionnant la réserve hydrique dans Syst’N®, la couverture du sol contribue également au régime hydrique de la parcelle, de par son besoin en eau. Pour un même limon argileux profond (LAP) beauvaisien (Oise, 60), l’évolution de l’humidité des deux derniers horizons paramétrés (figure 6B) varie selon l’occupation du sol, comme en automne 2019 :

• sous betterave un peu avant sa récolte et sous colza d’hiver, l’humidité du dernier horizon est proche du point de flétrissement
• sous moutarde ou sous blé tendre, cette humidité est plus importante.

Néanmoins, dans les quatre cas de couverture du sol, le drainage débute autour de la mi-novembre 2019, avec moins de 15 jours de décalage entre le début du drainage sous blé tendre et celui sous colza d’hiver. Le même type de résultats peut être observé à l’automne 2020 et 2021.

Valorisation des créneaux de prélèvement estimés

La communication des créneaux ainsi obtenus a été réalisée par les Chambres d’Agriculture des Hauts-de-France de manière globale^[6] ou ciblée.

Cette publication en ligne a été complétée par trois articles d’information sur les ZAR en 2019, 2020 et 2021, dans la presse agricole locale. Les informations ont également été transmises de manière plus ciblée dans l’ex-région Nord-Pas-de-Calais par mail pour informer les agriculteurs des ZAR déjà formés selon les exigences du dernier PAR.

D’abord présentés au jour simulé près en 2019 et 2020, ces créneaux ont été ensuite diffusés à la décade près en 2021 et pour les années à venir, afin de faciliter l’organisation des préleveurs et laboratoires, notamment dans le cadre de la phase d’accompagnement de groupes pilotes d’agriculteurs dans le cadre du projet GAZELLE.

Discussion

L’estimation de la date de début de drainage et des périodes de prélèvement en 2019, 2020 et 2021 sont assez variables et s’éloignent souvent des dates classiques de prélèvement en entrée d’hiver, recommandées sur la deuxième quinzaine de novembre. Tout écart entre ces deux dates implique donc potentiellement des phénomènes de minéralisation de la matière organique du sol ou des résidus de culture, ou de lixiviation; ce qui complique l’interprétation des reliquats mesurés. La variabilité dans les estimations des dates de début de drainage dépend essentiellement de la pluviométrie passée, qui elle-même dépend de l’année et de la zone climatique considérée.

Si la prise en compte des différents couples « précédent-suivant » est importante pour l’évolution et la gestion de l’azote, elle l’est moins pour prendre en compte l’évolution de l’eau du sol à l’automne. Ce n’est pas le facteur le plus déterminant pour estimer une date de début drainage mais l’état de couverture du sol peut tout de même permettre de mieux préciser cette date.

Les humidités caractéristiques à capacité au champ et au point de flétrissement sont estimées dans Syst’N® par des classes de pédo-transfert régies par un triangle des textures (Al Majou et al., 2007), centimètre par centimètre. Les résultats changent notamment lorsque la texture est plus fine pour le dernier horizon de sol paramétré, avec une granulométrie plus argileuse. L’épaisseur de cet horizon compte dans le temps de remplissage de celui-ci : plus fine est l’épaisseur, plus vite l’horizon se remplit.

Une des plus grandes sources de variabilité observée semble être celle liée au climat. Du fait de deux grandes tendances climatiques dites océaniques (à proximité de la Manche et de la Mer du Nord ainsi qu’en Thiérache à l’est des Hauts-de-France) et océaniques dégradées (vers l’intérieur des terres), la gamme de dates de début du drainage simulée peut fortement varier certaines années et s’éloigner des dates classiquement pratiquées (entre la dernière décade de novembre et la première de décembre).

Une seconde grande source de variabilité observée est liée au climat de l’année. En termes de pluviométrie, l’année 2021 se démarque notamment par des pluies estivales exceptionnelles mais hétérogènes, entrainant notamment un drainage estival.

Faute de données et de ressources humaines associées, les préconisations de dates de début de drainage n’ont pas encore pu être comparées à d’autres données comme des cases lysimétriques, des bougies poreuses ou des piézomètres, voire d’autre méthodes d’estimation comme des mesures d’humidité.

Conclusion et perspectives

La multi-simulation avec un modèle complexe comme Syst’N® peut permettre d’estimer, sur une grande variété de situations, l’évolution des réserves utiles en fonction des précipitations passées et de projections sur des précipitations futures. Celle-ci montre une grande variabilité de dates selon la pluviométrie de l’année, la zone climatique considérée, le type de sol simulé et, dans une moindre mesure, la culture en place.

Cette approche originale, plus précise que les approches simplifiées existantes et qu’une simple date d’entrée hiver, semble donc une bonne option pour répondre au besoin d’estimer une date de début du drainage hivernal et un créneau de prélèvement favorable à un reliquat début drainage permettant d’évaluer l’azote potentiellement lixiviable pendant l’hiver. Néanmoins, la grande variabilité des créneaux ainsi obtenus ne facilite pas l’organisation des préleveurs et des laboratoires d’analyse.

De plus, la quantité de situations à reproduire hebdomadairement implique, sauf ressources informatiques adéquates, un temps d’exécution non négligeable. Mais cette approche complexe permet d’aller plus loin (en estimant à la fois les dynamiques d’eau et d’azote) jusqu’à un RSH simulé et une estimation de la lixiviation hivernale. Le fonctionnement sous projet R permet d’être évolutif et reproductible et à terme de se passer d’interface lorsque l’outil Syst’N® sera accessible par API (Application Programming Interface).

Une piste d’amélioration serait de mieux cibler les situations aux comportements contrastés, tant au niveau pédoclimatique qu’au niveau du système de culture, comme l’intégration de successions culturales incluant des pommes de terre et des légumes dans les systèmes de culture du Nord et du Pas-de-Calais. Cette première piste d’amélioration permettrait par la suite une simplification du plan de simulations réalisé afin de cibler les situations à risque propres aux ZAR, pour un traitement des données plus efficace, ce qui favoriserait la transmission et la pérennité du dispositif.

Un groupe de travail avec les animateurs des territoires concernés, faisant suite aux retours du séminaire, a permis de rendre le dispositif plus opérationnel, plus facilement réalisable et mieux diffusable, pour les années à venir :

• zonage plus restreint des Hauts-de-France en quatorze grandes zones climatiques ;
• focalisation des simulations sur quelques cas-types et un ou deux types de sol par zone ;
• prévisions météos à sept jours prises en compte ;
• indication d’une décade maximale pour le prélèvement afin de faciliter l’organisation des laboratoires et préleveurs ;
• indication du niveau de précipitations nécessaires pour atteindre le début du drainage, données plus explicites pour les agriculteurs et qui permettra une meilleure lisibilité des résultats.

La communication graphique par cartographies via un système d’information géographique est également en réflexion pour faciliter la diffusion et la lecture des résultats obtenus.

Bibliographie

Agreste Hauts-de-France, 2019. Étude et analyse. 36. https://draaf.hauts-de-france.agriculture.gouv.fr/IMG/pdf/Etudes_et_analyses_No36_-_fertilisation_cle87ac22.pdf

Agreste Hauts-de-France. 2020. Hauts-de-France : Panorama du monde agricole, forestier et agroalimentaire ». 58. http://draaf.hauts-de-france.agriculture.gouv.fr/Hauts-de-France-Panorama-du-monde

Al Majou H., Bruand A., Duval O., Cousin I., 2007. Comparaison de fonctions de pédotransfert nationales et européennes pour prédire les propriétés de rétention en eau des sols. Étude et Gestion des Sols, 14(2), 103-116.

Beaudoin N., Venet E., Maucorps J., Vandenberghe C., Pugeaux N., Viennot P., Gourcy L., Brayer C., Machet J.-M., Couturier A., Billy 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. Science of the Total Environment, 776, 145954.

Bivand R.S., Pebesma E., Gomez-Rubio V., 2013. Applied spatial data analysis with R, Second edition. Springer, NY. https://asdar-book.org/

Brisson et al., 1998. 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, 18 (5-6), 311-346. https://doi.org/10.1051/agro:19980501

Boidron A., 2020. Évolution des systèmes de culture et des reliquats azotés en Hauts-de-France depuis le début de la directive nitrates. Rapport de stage « Recherche et innovation ». France, Angers : École Supérieure d’Agricultures.

Caillez, 2016. Gen-CFox – a stochastic weather generator for daily temperature and precipitations : usability for climate change adaptation in agriculture. Vannes – Centre Henri Lebesgue: Chambre d’agriculture de la Creuse. https://perso.univ-rennes1.fr/valerie.monbet/SWGEN2016/Cailliez.pdf

Cameron, K. C., Di H. J., et Moir J. L. 2013. « Nitrogen Losses from the Soil/Plant System: A Review ». Annals of Applied Biology 162 (2): 145‑73. https://doi.org/10.1111/aab.12014

Compernolle L., Gandon F., Garcia Melo P. L., Pinault M., Vanheeghe A., Delesalle M., Vandoorme B., Taisne E., 2020. Gestion de l’azote en Hauts de France. Étude. France, Lillle : ISA Lille.

Cordano, 2017a. RGENERATE: Tools To Generate Vector Time Series. R package. https://CRAN.R-project.org/package=RGENERATE

Cordano, 2017b. RGENERATEPREC: Tools to Generate Daily-Precipitation Time Series. R package. https://CRAN.R-project.org/package=RGENERATEPREC

Cordano E., Eccel E., 2016. Tools for stochastic weather series generation in R environment. Italian Journal of Agrometeorology, 3, 31-42. https://doi.org/10.19199/2016.3.2038-5625.031

Cordano E., Eccel E., 2017. RMAWGEN: Multi-Site Auto-Regressive Weather GENerator. R Package. https://CRAN.R-project.org/package=RMAWGEN

Dowle M., Srinivasan A., 2020. Data.table: Extension of data.frame. R package version 1.13.6. https://CRAN.R-project.org/package=data.table

Génermont S., Cellier P., 1997. A mechanistic model for estimating ammonia volatilization from slurry applied to bare soil. Agricultural and Forest Meteorology, 88(1-4), 145-167. https://doi.org/10.1016/S0168-1923(97)00044-0

Hénault C. et al., 2005. Predicting in situ soil N2O emission using NOE algorithm and soil database. Global Change Biology, 11(1), 115-127. https://doi.org/10.1111/j.1365-2486.2004.00879.x

Jeuffroy M.-H., Recous S., 1999. Azodyn: a simple model simulating the date of nitrogen deficiency for decision support in wheat fertilization. European journal of Agronomy, 10(2), 129-144. https://doi.org/10.1016/S1161-0301(98)00059-8

Machet J.-M. et al., 2007. Présentation et mise en oeuvre d’AZOFERT®: nouvel outil d’aide à la décision pour le raisonnement de la fertilisation N des cultures. France, Blois : Colloque GEMAS-COMIFER.

Machet J.-M. et al., 2017. A Dynamic Decision-Making Tool for Calculating the Optimal Rates of N Application for 40 Annual crops while minimising the residual level of mineral N at harvest. Agronomy, 7(4), 73. https://doi.org/10.3390/agronomy7040073

Morel A., 2020. Évaluation des démarches de protection de l’eau fondées sur des objectifs de résultats en matière de fuites d’azote. Mémoire de fin d’étude. France, Montpellier : SurAgro, Montpellier.

Lin Pedersen T. 2020. Patchwork : The Composer of Plots. R package version 1.1.1. https://CRAN.R-project.org/package=patchwork

Liu J., You L., Amini M., Obersteiner M., Herrero M., Zehnder A. J. B. & Yang H., 2010. A high-resolution assessment on global nitrogen flows in cropland. Proceedings of the National Academy of Sciences, 107 (17), 8035–8040.

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(4), 549-566.

Parnaudeau V., Reau R., & Dubrulle P., 2012. Un outil d’évaluation des fuites d’azote vers l’environnement à l’échelle du système de culture : le logiciel Syst’N. Innovations agronomiques, 21, 59-70.

Pebesma E.J., Bivand R.S., 2005. Classes and methods for spatial data in R. R News 5 (2). https://cran.r-project.org/doc/Rnews/

Pfaff, 2008. VAR, SVAR and SVEC Models: Implementation Within R Package vars. Journal of Statistical Software, 24(4).

R Core Team, 2016. R: A language and environment for statistical computing. R Foundation for statistical Computing. Vienna, Austria. https://www.R-project.org/

Reau R., Bouthier A., Champolivier L., 2007. Les pertes d’azote par lixiviation dans les rotations céréalières avec colza.  8^èmes Journées de la fertilisation raisonnée et de l’analyse de terre GEMAS-COMIFER, Blois 20-21 novembre 2007, 11p

Temple Lang D., 2020. XML: Tools for Parsing and Generating XML Within R and S-Plus. R package version 3.99-0.3. https://CRAN.R-project.org/package=XML

Wickham et al., 2019. Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686

Wouez D., 2022. L’APL Wallon, outil de contrôle et d’encadrement. In : Vandenberghe C. & Delesalle M., eds.  Retours d’expérience autour du REH / RDD / APL. Gembloux, Belgique : Presses agronomiques de Gembloux.