{"id":113,"date":"2022-03-01T11:21:58","date_gmt":"2022-03-01T10:21:58","guid":{"rendered":"https:\/\/e-publish.uliege.be\/peyresq22\/?post_type=chapter&p=113"},"modified":"2022-12-21T10:09:18","modified_gmt":"2022-12-21T09:09:18","slug":"apl-pour-quantifier-pertes","status":"publish","type":"chapter","link":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/chapter\/apl-pour-quantifier-pertes\/","title":{"raw":"Vers l'utilisation de l'APL pour quantifier les pertes d'azote au champ","rendered":"Vers l’utilisation de l’APL pour quantifier les pertes d’azote au champ"},"content":{"raw":"
\r\n\r\nR\u00e9sum\u00e9<\/strong>\r\n\r\nLes donn\u00e9es du stock d\u2019azote du sol potentiellement lessivable (APL) sont acquises en situation r\u00e9elle et g\u00e9n\u00e9ralement au sein d\u2019un r\u00e9seau de parcelles\u00a0; elles peuvent servir plusieurs finalit\u00e9s, telles mener une d\u00e9marche didactique sur les d\u00e9terminants de la lixiviation. Le but de cet article est de montrer comment valoriser ces donn\u00e9es pour quantifier le drainage d\u2019eau et la perte d\u2019azote nitrique des parcelles. Des jeux de donn\u00e9es de deux r\u00e9seaux de parcelles en conduite conventionnelle ou biologique, sont mobilis\u00e9s. Diff\u00e9rents types de couplage entre donn\u00e9es et mod\u00e8le sont illustr\u00e9s, variant selon le degr\u00e9 de for\u00e7age du mod\u00e8le. Un couplage avec le mod\u00e8le de calcul LIXIM est plus robuste si celui-ci est utilis\u00e9 en mode inverse, mais n\u00e9cessite plusieurs dates d\u2019observations. Un couplage avec le mod\u00e8le d\u00e9terministe sol-plante-atmosph\u00e8re STICS est plus flexible et polyvalent (autres formes de perte d\u2019azote), mais l\u2019estimation de ses param\u00e8tres en augmente l\u2019incertitude. Les sorties des deux mod\u00e8les peuvent servir \u00e0 g\u00e9n\u00e9rer un m\u00e9ta-mod\u00e8le, appel\u00e9 indicateur de Lixiviation (IL), plus empirique mais plus p\u00e9dagogique. Sur le plan pratique, le couplage doit \u00eatre adapt\u00e9 aux donn\u00e9es disponibles en fonction de l\u2019objectif. La mod\u00e9lisation d\u00e9terministe est prometteuse pour pouvoir quantifier les paiements pour services environnementaux, en recourant dans l\u2019id\u00e9al \u00e0 \u00ab un ensemble de mod\u00e8les \u00bb, afin d\u2019augmenter la robustesse de la pr\u00e9diction.\r\n\r\n<\/div>\r\n

Introduction<\/h1>\r\nDe nombreuses donn\u00e9es APL (azote potentiellement lessivable) sont mises en bases \u00e0 l\u2019\u00e9chelle de territoires\u00a0; elles portent sur les stocks d\u2019eau et d\u2019azote min\u00e9ral[footnote]somme de l'azote nitrique et de l'azote ammoniacal, symbolis\u00e9 Nmin<\/sub>[\/footnote] en d\u00e9but d\u2019hiver. Elles servent \u00e0 l\u2019application de la r\u00e9glementation de la Directive Nitrates et\/ou son \u00e9valuation. Outre la pr\u00e9diction d\u2019un reliquat d\u2019azote virtuel utile au conseil de fertilisation, elles pourraient servir \u00e0 d\u2019autres finalit\u00e9s telles la formation des agriculteurs et gestionnaires de l\u2019eau sur les d\u00e9terminants de la lixiviation (Beaudoin, 2006), ou l\u2019\u00e9tude de la faisabilit\u00e9 du paiement de services environnementaux (Escobar et al., 2013). Ces paiements seraient plus pertinents et motivants pour les agriculteurs que de suivre la r\u00e9glementation, car \u00ab objectif-centr\u00e9s \u00bb (Dupas et al., 2015). Un pr\u00e9alable, qui est le but de cet article, est de savoir comment valoriser les donn\u00e9es d\u2019APL pour quantifier le drainage d\u2019eau et la perte d\u2019azote nitrique des parcelles.\r\n\r\nLa lixiviation est un ph\u00e9nom\u00e8ne complexe et \u00ab\u00a0site sp\u00e9cifique\u00a0\u00bb car d\u00e9pendant des bilans locaux d\u2019eau, de carbone et d\u2019azote (Beaudoin et al., 2012). Les m\u00e9thodes de quantification se distinguent suivant quatre crit\u00e8res\u00a0:\r\n
    \r\n \t
  1. leur caract\u00e8re direct (mesure) ou indirect (bilan statique, mod\u00e8le dynamique, tra\u00e7age isotopique)\u00a0;<\/li>\r\n \t
  2. l\u2019intensit\u00e9 du couplage entre la quantification du flux d\u2019eau et du flux d\u2019azote (int\u00e9gral, journalier, saisonnier)\u00a0;<\/li>\r\n \t
  3. leur op\u00e9rationnalit\u00e9 en conditions agricoles standards, voire leur capacit\u00e9 \u00e0 \u00eatre g\u00e9n\u00e9ralis\u00e9es dans le temps et l\u2019espace\u00a0;<\/li>\r\n \t
  4. les \u00e9chelles spatiale et temporelle consid\u00e9r\u00e9es.<\/li>\r\n<\/ol>\r\nCes m\u00e9thodes impliquent plusieurs types de mesure et de mod\u00e8les, dont l\u2019utilit\u00e9 d\u00e9pend du contexte.\r\n\r\nEn conditions exp\u00e9rimentales, des m\u00e9thodes de quantification d\u00e9di\u00e9es (lysim\u00e8tres, marquage avec l\u2019azote 15) permettent une compr\u00e9hension du ph\u00e9nom\u00e8ne et sa mod\u00e9lisation en dynamique (Martinez & Guiraud, 1990\u00a0; Yin et al., 2020). En situation agricole, des \u00e9tudes pilotes sont possibles \u00e0 l\u2019aide de lysim\u00e8tres ouverts, de bougies poreuses, ou p\u00e9rim\u00e8tre drain\u00e9 artificiellement\u00a0; cependant, elles ne sont pas g\u00e9n\u00e9ralisables dans le temps et\/ou l\u2019espace (Weiherm\u00fcller et al., 2007). Sur des sols \u00e0 bon drainage naturel, seul le couplage carottage-mod\u00e9lisation permet de dresser un diagnostic agroenvironnemental, quantifiant \u00e0 la fois les bilans d\u2019eau et d\u2019azote et les flux de percolation sous les racines, a contrario<\/em> des mesures de solut\u00e9 en bougies poreuses. Cependant appliquer un mod\u00e8le en situation agricole demande des pr\u00e9cautions en termes de qualit\u00e9 de son param\u00e9trage et de respect de son domaine de validit\u00e9.\r\n\r\nLa mod\u00e9lisation en situation agricole conventionnelle soul\u00e8ve la question de la pertinence des facteurs du milieu qu\u2019elle prend en compte (Hansen et al., 2001\u00a0; Meynard et\u00a0al., 2002). Certains facteurs limitants de la production, telle la pression parasitaire, ne sont pas int\u00e9gr\u00e9s dans les mod\u00e8les classiques, ce qui conduit \u00e0 une surestimation du potentiel de production de la culture. La mod\u00e9lisation peut \u00eatre aussi coupl\u00e9e avec une approche probabiliste, pour prendre en compte l\u2019incertitude due \u00e0 l\u2019estimation des param\u00e8tres (Acutis et al., 2000\u00a0; Lacroix et al., 2005). Avant de les utiliser, les mod\u00e8les doivent \u00eatre \u00e9valu\u00e9s pour conna\u00eetre la qualit\u00e9 de pr\u00e9diction et le niveau d\u2019erreur associ\u00e9, ceci selon des crit\u00e8res statistiques partag\u00e9s dans la communaut\u00e9 scientifique.\r\n\r\nLe principal avantage des donn\u00e9es APL est leur origine \u00ab\u00a0on farm<\/em>\u00a0\u00bb, qui augmente leur cr\u00e9dit aupr\u00e8s des d\u00e9cideurs, sans taire l\u2019incertitude qui les affecte (Vandenberghe, 2016). Elles sont acquises \u00e0 une date connue, avec une bonne caract\u00e9risation du contexte technique. Elles sont g\u00e9n\u00e9ralement acquises en r\u00e9seau, ce qui peut favoriser une d\u00e9marche didactique sur les d\u00e9terminants de la lixiviation ou une recherche participative de r\u00e9f\u00e9rences. Cependant, leur utilisation, en vue d\u2019une quantification des flux d\u2019eau et d\u2019azote, peut se heurter \u00e0 trois limites, de nature temporelle ou spatiale\u00a0:\r\n
      \r\n \t
    1. une seule date de mesure est parfois disponible\u00a0;<\/li>\r\n \t
    2. la profondeur du pr\u00e9l\u00e8vement est souvent limit\u00e9e \u00e0 90 cm et<\/li>\r\n \t
    3. l\u2019interpr\u00e9tation des donn\u00e9es peut \u00eatre \u00e9quivoque quand l\u2019\u00e9chantillon r\u00e9unit plusieurs types de sol.<\/li>\r\n<\/ol>\r\nCes limites peuvent \u00eatre diff\u00e9remment contourn\u00e9es dans les types de mod\u00e9lisation d\u00e9crites ci-apr\u00e8s.\r\n\r\nCet article montre comment valoriser les donn\u00e9es d\u2019APL selon un gradient croissant de virtualisation et donc d\u00e9croissant de d\u00e9pendance aux donn\u00e9es, appliqu\u00e9 \u00e0 deux cas d\u2019\u00e9tude en Hauts-de France.\r\n

      Mat\u00e9riel et m\u00e9thodes<\/h1>\r\n

      Les m\u00e9thodes<\/h2>\r\nL\u2019association des r\u00e9sultats d'analyse de carottage de sol et d\u2019un mod\u00e8le simple de calcul permet de convertir les donn\u00e9es de stock en flux d\u2019eau et d\u2019azote (Beaudoin et al., 2012). Le carottage permet d\u2019\u00e9tablir des bilans de masse, de localiser les mesures en tout lieu et d\u2019int\u00e9grer toute l\u2019\u00e9paisseur du sol, l\u00e0 o\u00f9 la charge en cailloux rend possible le carottage. Les mod\u00e8les permettent de pr\u00e9dire le drainage d\u2019eau, la lixiviation ou l\u2019ensemble des pertes d\u2019eau et d\u2019azote d\u2019un agrosyst\u00e8me en fonction de donn\u00e9es d\u2019entr\u00e9e accessibles portant sur le sol, les techniques, le climat et la plante. La difficult\u00e9 de r\u00e9p\u00e9ter le carottage dans l\u2019espace et dans le temps peut \u00eatre lev\u00e9e par la possibilit\u00e9 d\u2019en associer les donn\u00e9es \u00e0 un mod\u00e8le coupl\u00e9 \u00e0 un syst\u00e8me d\u2019information g\u00e9ographique (Whisler et al., 1986\u00a0; Corwin & Wagenet, 1996). Trois types de couplage donn\u00e9es-mod\u00e8les sont d\u00e9finis (figure 1)\u00a0:\r\n

      a) Mod\u00e9lisation statique appliqu\u00e9e \u00e0 partir d\u2019une seule date de mesure et d\u2019un seul horizon. Elle peut mobiliser le mod\u00e8le piston (Rousselle, 1913), le mod\u00e8le de Burns (1976) ou encore un m\u00e9ta-mod\u00e8le calibr\u00e9 d\u2019apr\u00e8s des sorties d\u2019un mod\u00e8le dynamique (Beaudoin & Machet, 2001). Seuls les processus de transfert d\u2019eau et de solut\u00e9s y sont pris en compte. Les variables d\u2019entr\u00e9es sont les stocks initiaux d\u2019eau et de nitrate, les pluies efficaces cumul\u00e9es et l\u2019humidit\u00e9 volumique \u00e0 la capacit\u00e9 au champ. Ces mod\u00e8les n\u2019int\u00e8grent ni l\u2019h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 de la r\u00e9partition du nitrate dans le profil, ni les fonctions puits et source d\u2019azote du sol (min\u00e9ralisation, absorption).<\/p>\r\n

      b) Mod\u00e9lisation dynamique et empirique \u00e0 l\u2019aide de l\u2019outil LIXIM, appliqu\u00e9 \u00e0 une ou plusieurs p\u00e9riodes, en m\u00e9thode inverse entre deux dates de mesures et\/ou en simulation pure \u00e0 partir d\u2019une seule date de mesure (Mary et al., 1999). LIXIM a \u00e9t\u00e9 con\u00e7u d\u2019abord en un sol nu\u00a0; sa derni\u00e8re version (v9) int\u00e8gre l\u2019absorption des couverts au printemps et automne (Autret et al., 2019). Il int\u00e8gre la variabilit\u00e9 verticale des teneurs en eau et en azote, des propri\u00e9t\u00e9s du sol, de la densit\u00e9 racinaire (v9) et leur dynamique journali\u00e8re. LIXIM calcule entre deux dates\u00a0: i) les cumuls de drainage, lixiviation et d\u2019absorption d\u2019azote\u00a0; ii) les moyennes du rapport ETR\/ETP et de la vitesse de min\u00e9ralisation nette d\u2019azote, qui sont soit optimis\u00e9es soit forc\u00e9es. Les donn\u00e9es d\u2019entr\u00e9e, sont les stocks d\u2019eau, d'ammonium et de nitrate par horizon, les donn\u00e9es m\u00e9t\u00e9orologiques quotidiennes (T, P, ETP), et \u00e9ventuellement, la date de lev\u00e9e et la quantit\u00e9 d\u2019azote absorb\u00e9e entre deux dates.<\/p>\r\n

      c) Mod\u00e9lisation dynamique d\u00e9terministe \u00e0 l\u2019aide de simulateurs d\u00e9j\u00e0 param\u00e9tr\u00e9s et \u00e9valu\u00e9s (STICS, SYST\u2019N, Agriflux\u2026). Le mod\u00e8le STICS s\u2019applique \u00e0 l\u2019\u00e9chelle d\u2019un cycle cultural ou de plusieurs cycles successifs. Il simule le d\u00e9veloppement de la culture et les bilans d\u2019\u00e9nergie, d\u2019eau, de carbone et d\u2019azote du syst\u00e8me au pas de temps journalier. Il est pr\u00e9f\u00e9rable de l\u2019initialiser en p\u00e9riode de sol nu, car seules les donn\u00e9es des profils d\u2019eau et d\u2019azote sont requises comme initiales. Il peut \u00eatre aussi initialis\u00e9 en p\u00e9riode de culture en renseignant son stade, sa densit\u00e9 racinaire, son indice foliaire, ses masses racinaires et a\u00e9riennes et leur mobilisation d\u2019azote. Aux entr\u00e9es d\u00e9j\u00e0 n\u00e9cessaires pour LIXIM s\u2019ajoutent l\u2019itin\u00e9raire technique, des caract\u00e9ristiques du sol et du climat et les param\u00e8tres d\u00e9crivant le fonctionnement g\u00e9n\u00e9ral du syst\u00e8me de culture-sol-atmosph\u00e8re.<\/p>\r\nLe concept de transfert de solut\u00e9s dans les mod\u00e8les LIXIM et STICS discr\u00e9tise et g\u00e9n\u00e9ralise, dans le temps et l\u2019espace, celui de \u00ab\u00a0cellules de m\u00e9lange\u00a0\u00bb (Burns, 1976)\u00a0; il l\u2019associe \u00e0 un mod\u00e8le de bilan hydrique capacitif (Mary et al., 1999), de la fa\u00e7on suivante\u00a0:\r\n

        \r\n \t
      1. le transfert s\u2019op\u00e8re en r\u00e9gime permanent de drainage, i.e. dans un sol \u00e0 la capacit\u00e9 au champ soumis \u00e0 des pluies efficaces\u00a0;<\/li>\r\n \t
      2. un m\u00e9lange complet s\u2019op\u00e8re entre l\u2019eau d\u00e9j\u00e0 pr\u00e9sente dans chaque couche \u00e9l\u00e9mentaire (n) du profil de sol et l\u2019eau y arrivant par convection\u00a0;<\/li>\r\n \t
      3. le m\u00eame ph\u00e9nom\u00e8ne se produit ensuite dans la couche \u00e9l\u00e9mentaire (n + 1), sous-jacente\u00a0;<\/li>\r\n \t
      4. ce transfert s\u2019op\u00e8re dans la seule microporosit\u00e9 du sol, qui est suppos\u00e9 avoir une conductivit\u00e9 hydraulique infinie\u00a0;<\/li>\r\n \t
      5. l\u2019\u00e9paisseur (e = 1 \u00e0 15 cm) d\u2019une couche \u00e9l\u00e9mentaire et ses param\u00e8tres capacitifs sont d\u00e9finis \u00e0 l\u2019\u00e9chelle de l\u2019horizon p\u00e9dologique.<\/li>\r\n<\/ol>\r\nLa pr\u00e9diction du mod\u00e8le cellules de m\u00e9lange converge avec celle du type m\u00e9caniste convectif-dispersif, si l\u2019\u00e9paisseur des couches est \u00e9gale \u00e0 la moiti\u00e9 de la longueur de dispersion du mod\u00e8le m\u00e9caniste, tout en exigeant beaucoup moins de param\u00e8tres et de temps de calcul (Van der Ploeg et al., 1995). Cependant, le sch\u00e9ma cellules de m\u00e9lange peut difficilement \u00eatre appliqu\u00e9 \u00e0 des sols tr\u00e8s h\u00e9t\u00e9rog\u00e8nes ou hydromorphes (Lafolie & Neel, 1997).\r\n\r\n[caption id=\"attachment_2106\" align=\"aligncenter\" width=\"1721\"]\"\" Figure 1. Sch\u00e9ma des entr\u00e9es et sortie des diff\u00e9rents mod\u00e8les utilis\u00e9s.
        Sigles\u00a0: P= pr\u00e9cipitations, T = temp\u00e9rature de l\u2019air, ETP = \u00c9vapotranspiration potentielle, RG = rayonnement global, LAI = Indice foliaire, APL = azote potentiellement lessivable.[\/caption]\r\n\r\nTrois crit\u00e8res statistiques ont \u00e9t\u00e9 utilis\u00e9s pour \u00e9valuer les mod\u00e8les selon la m\u00e9thode de Loague & Green (1991)\u00a0: l'\u00e9cart moyen (MD), l'erreur quadratique moyenne (RMSE) qui sont attendues pour \u00eatre minimales, et l'efficience du mod\u00e8le (EF), dont la valeur cible est l\u2019unit\u00e9.\r\n\r\n\"\"<\/a>\r\n\r\no\u00f9 [latex]Si[\/latex] = simul\u00e9, [latex]Oi[\/latex] = observ\u00e9,\r\n\r\n\"\"\u00a0= moyenne des observations.\r\n

        Sites et bases de donn\u00e9es d\u2019APL<\/h2>\r\nLes d\u00e9marches sont appliqu\u00e9es \u00e0 deux cas d\u2019\u00e9tude \u00ab\u00a0on farm<\/em>\u00a0\u00bb du Nord de la France\u00a0: le bassin hydrologique de Bruy\u00e8res et Montb\u00e9rault (F-02), avec 36 sites d\u2019observation de 1991 \u00e0 2012 (Beaudoin et al., 2005\u00a0; 2021) et le r\u00e9seau Agri-Bio en Hauts-de-France, avec 35 parcelles observ\u00e9es de 2014 \u00e0 2017 (Rakotovololona et al., 2019).\r\n\r\nLe bassin d\u2019alimentation de captage (BAC) de Bruy\u00e8res est un territoire incluant 145 ha de grandes cultures conduites en rotations triennales conventionnelles (bl\u00e9[footnote]Triticum aestivum<\/em>[\/footnote]-escourgeon[footnote]Hordeum vulgare<\/em>[\/footnote]- betterave[footnote]Beta vulgaris<\/em>[\/footnote] ou colza[footnote]Brassica napus<\/em> L.[\/footnote] ou pois[footnote]Pisum sativum<\/em> L.[\/footnote]), o\u00f9 les bonnes pratiques agricoles (BPA) ont \u00e9t\u00e9 syst\u00e9matiquement appliqu\u00e9es (fertilisation raisonn\u00e9e\u00a0; culture interm\u00e9diaire\u00a0; enfouissement des r\u00e9sidus de culture pauvres en azote). Le protocole d\u2019\u00e9valuation de l\u2019impact des BPA a coupl\u00e9 observation et mod\u00e9lisation. Des pr\u00e9l\u00e8vements du sol et des v\u00e9g\u00e9taux trois fois par an ont port\u00e9 sur 36 stations d\u2019observation repr\u00e9sentatives des cultures et des sols\u00a0; une station repr\u00e9sente un cercle de 20 m de diam\u00e8tre ou six \u00e9chantillons sont pr\u00e9lev\u00e9s al\u00e9atoirement et regroup\u00e9s pour des mesures sans r\u00e9p\u00e9tition au laboratoire (figure 2a). Les parcelles y sont h\u00e9t\u00e9rog\u00e8nes. Les sols sont h\u00e9rit\u00e9s du substrat g\u00e9ologique comme le montre la carte des textures \u00e0 40 cm de profondeur. Les principaux substrats sont le limon (clayey sandy loam<\/em>) les marnes et caillasses (clayey limestone, clay<\/em> et heavy clay<\/em>), le limon sableux d\u00e9velopp\u00e9s sur calcaire grossier (sandy limestone<\/em>) et le sable \u00e9pais (sand<\/em> et clayey sand<\/em>).\r\n\r\n \r\n\r\n[caption id=\"attachment_1186\" align=\"aligncenter\" width=\"1638\"]\"\" Figure 2a. Photo a\u00e9rienne et emplacement des champs et des sources du BAC de Bruy\u00e8res, au sud de Laon (Beaudoin et al., 2021). Carte des textures des sols \u00e0 60 cm de profondeur, avec cinq substrats majoritaires et position des 36 stations de pr\u00e9l\u00e8vement sur les sols et les v\u00e9g\u00e9taux (extrait de Beaudoin et al., 2005).[\/caption]\r\n\r\nLe r\u00e9seau Agri-Biologique (AB) est constitu\u00e9 de 35 parcelles repr\u00e9sentant 11 syst\u00e8mes de culture, caract\u00e9ris\u00e9s par une m\u00eame rotation culturale, un m\u00eame type de sol et une m\u00eame exploitation. Ils appartiennent \u00e0 neuf exploitations en AB (figure 2b). Les rotations longues (9 \u00e0 12 ans) sont de trois types\u00a0: Luzerne \u2013 c\u00e9r\u00e9ales\u00a0; Luzerne \u2013 c\u00e9r\u00e9ales \u2013 l\u00e9gumes\u00a0; C\u00e9r\u00e9ales \u2013 l\u00e9gumes. Substituer la variabilit\u00e9 temporelle par la variabilit\u00e9 spatiale a consist\u00e9 \u00e0 repr\u00e9senter chaque syst\u00e8me par un trio de trois parcelles suivies pendant trois ans. Les mesures sur le sol et les cultures ont \u00e9t\u00e9 r\u00e9alis\u00e9es quatre fois par an avec deux r\u00e9p\u00e9titions dans la m\u00eame parcelle. Les sols sont d\u00e9velopp\u00e9s sur substrat limoneux profond, avec ou sans silex, pour dix syst\u00e8mes, et d\u00e9velopp\u00e9 sur substrat crayeux pour un seul syst\u00e8me.\r\n\r\n \r\n\r\n[caption id=\"attachment_1438\" align=\"aligncenter\" width=\"1612\"]\"\" Figure 2b. Localisation des neuf exploitations du r\u00e9seau de parcelles d\u2019observation du projet Agri-Bio d\u2019Agro-Transfert-Ressources & Territoires (extrait de Rakotovolona et al., 2019).[\/caption]\r\n\r\nLes principales donn\u00e9es utilis\u00e9es dans cet article sont les stocks d\u2019eau (SWC) ou d\u2019azote min\u00e9ral (SMN), encore appel\u00e9 APL pour la mesure de fin d\u2019automne. Les r\u00e9sultats des suivis, de 1991 \u00e0 1999, au BAC de Bruy\u00e8res, et de 2014 \u00e0 2017, sur le r\u00e9seau AB, ont permis l\u2019analyse statistique de leur variabilit\u00e9 en fonction des facteurs ann\u00e9e-type de sol et s\u00e9quence culturale, d\u00e9finie par la culture r\u00e9colt\u00e9e et l\u2019occupation du sol en automne (Beaudoin et al., 2005\u00a0; Rakotovololona et al., 2019). Les donn\u00e9es de SMN sont pr\u00e9sent\u00e9es aux tableaux 1a et 1b, en fonction du facteur s\u00e9quence culturale, dont l\u2019effet est significatif.\r\n
        Tableau 1a.\u00a0 APL (kg Nmin<\/sub>.ha-1<\/sup>) mesur\u00e9 \u00e0 la fin de l'automne et \u00e0 la mi-f\u00e9vrier, selon les successions culturales \u00e0 Bruy\u00e8res pendant 8 ans, jusqu'\u00e0 120 cm en sols profonds et 90 cm en sols superficiels (extrait de Beaudoin et al., 2005). .<\/h6>\r\n\r\n\r\n\r\n\r\n
        Les lettres indiquent les groupes qui diff\u00e8rent statistiquement (test de Kruskal et Wallis, p<\/strong><\/em> < 0,10)<\/caption>\r\n
        Succession culturale<\/strong><\/td>\r\nFin d'automne<\/strong><\/td>\r\nMi-f\u00e9vrier<\/strong><\/td>\r\n<\/tr>\r\n
        Colza d'hiver - Bl\u00e9 d'hiver\r\n\r\nBl\u00e9 d'hiver - Colza d'hiver\r\n\r\nBl\u00e9 d'hiver\u00a0 Orge d'hiver\r\n\r\nPois de printemps - Bl\u00e9 d'hiver\r\n\r\nBetterave sucri\u00e8re - Bl\u00e9 d'hiver\r\n\r\nOrge d'hiver - CIPAN<\/td>\r\n61ab<\/sup>\r\n\r\n45b<\/sup>\r\n\r\n54ab<\/sup>\r\n\r\n95a<\/sup>\r\n\r\n48b<\/sup>\r\n\r\n40b<\/sup><\/td>\r\n50a<\/sup>\r\n\r\n66a<\/sup>\r\n\r\n-\r\n\r\n55a<\/sup>\r\n\r\n47ab<\/sup>\r\n\r\n48ab<\/sup><\/td>\r\n<\/tr>\r\n
        Moyenne<\/td>\r\n55<\/td>\r\n58<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n
        Tableau 1b.\u00a0 APL (kg Nmin<\/sub>.ha-1<\/sup>) mesur\u00e9 \u00e0 la fin de l'automne et \u00e0 la mi-f\u00e9vrier, selon les successions culturales sur le r\u00e9seau AB pendant trois ans, jusqu'\u00e0 150 cm dans les sols profonds et 90 cm en rendzine (extrait de Rakotovololona et al., 2019).<\/h6>\r\n\r\n\r\n\r\n\r\n
        Code culture\u00a0: C = c\u00e9r\u00e9ale\u00a0; I = culture d\u00e9rob\u00e9e\u00a0; M = culture principale\u00a0; A = luzerne, L = l\u00e9gumineuse \u00e0 grain\u00a0; V = l\u00e9gume\u00a0; X = l\u00e9gume ou c\u00e9r\u00e9ale. Code de la date de semis\u00a0: 0 = avant la r\u00e9colte de la culture pr\u00e9c\u00e9dente ou d\u00e9j\u00e0 \u00e9tablie\u00a0; 1 = en automne\u00a0; 2 = au printemps.\u00a0 Les lettres indiquent les groupes qui diff\u00e8rent statistiquement (test de Kruskal et Wallis, p < 0,10).<\/caption>\r\n
        Situation<\/strong><\/td>\r\nNovembre<\/strong><\/td>\r\nF\u00e9vrier<\/strong><\/td>\r\n<\/tr>\r\n
        CI0\r\n\r\nCI1\r\n\r\nCM1\r\n\r\nA0\r\n\r\nAM1\r\n\r\nAM2\r\n\r\nLM1\r\n\r\nVM1\r\n\r\nXM1<\/td>\r\n70d<\/sup>\r\n\r\n83bcd<\/sup>\r\n\r\n114bcd<\/sup>\r\n\r\n75cd<\/sup>\r\n\r\n152ab<\/sup>\r\n\r\n59d<\/sup>\r\n\r\n154a<\/sup>\r\n\r\n99bcd<\/sup>\r\n\r\n94bcd<\/sup><\/td>\r\n75a<\/sup>\r\n\r\n82a<\/sup>\r\n\r\n94a<\/sup>\r\n\r\n87a<\/sup>\r\n\r\n117a<\/sup>\r\n\r\n74a<\/sup>\r\n\r\n102a<\/sup>\r\n\r\n80a<\/sup>\r\n\r\n98a<\/sup><\/td>\r\n<\/tr>\r\n
        Moyenne<\/td>\r\n97<\/td>\r\n88<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n

        R\u00e9sultats et discussion<\/h1>\r\n

        Utilisation de LIXIM<\/h2>\r\nDeux versions diff\u00e9rentes de LIXIM, 6 et 9, ont \u00e9t\u00e9 utilis\u00e9es et test\u00e9es respectivement sur les dispositifs de Bruy\u00e8res et AB (figure 3), avec le recours au for\u00e7age pendant les phases printani\u00e8res. Les pr\u00e9dictions des stocks d\u2019eau et d\u2019azote sont jug\u00e9es satisfaisantes. Sur Bruy\u00e8res, une \u00e9tude de sensibilit\u00e9 sur l\u2019effet des couverts a permis de v\u00e9rifier que l\u2019incertitude due \u00e0 leur non int\u00e9gration \u00e9tait n\u00e9gligeable par rapport aux al\u00e9as associ\u00e9s aux mesures \u00e0 l\u2019\u00e9chelle de la parcelle (Beaudoin et al., 2005). Ces limites ont \u00e9t\u00e9 d\u00e9pass\u00e9es sur le r\u00e9seau AB, par prise en compte des couverts dans la version V9 et la r\u00e9duction des al\u00e9as par deux r\u00e9p\u00e9titions.\r\n\r\n \r\n\r\n\"\"\"\"\r\n\r\nFigure 3. Test de pr\u00e9diction des mod\u00e8les LIXIM en p\u00e9riode hivernale par comparaison des valeurs observ\u00e9es et simul\u00e9es de la teneur en eau du sol (mm) et du stock d\u2019azote min\u00e9ral \u00e0 la mi-f\u00e9vrier (kg Nmin<\/sub>.ha-1<\/sup>). A) Sur le BAC de Bruy\u00e8res pendant huit ans, en fonction des types de sol, (n = 256 sans r\u00e9p\u00e9tition). B) Sur le r\u00e9seau en agriculture biologique (AB) pendant trois ans, en fonction de l\u2019ann\u00e9e, (n=109 avec deux r\u00e9p\u00e9titions par parcelle-ann\u00e9e). <\/em>\r\n\r\nLes calculs sont sensibles \u00e0 la profondeur consid\u00e9r\u00e9e. Sur la BAC de Bruy\u00e8res, passer de 90 \u00e0 120 cm en sols superficiels et de 120 \u00e0 150 cm en sols profonds baisse l\u00e9g\u00e8rement le drainage mais plus fortement la concentration de l\u2019eau de percolation, de 17 et 25\u00a0% respectivement (Beaudoin et al., 2005). De m\u00eame, la p\u00e9riode d\u2019apport d'engrais importe car le drainage se produit certaines ann\u00e9es en dehors de la p\u00e9riode hivernale, ce qui repr\u00e9sente un suppl\u00e9ment de 72\u00a0% par rapport aux flux hivernaux (figure 4). Par contre, pour 13 situations, le flux hivernal d\u00e9passe l\u2019annuel, du fait que l\u2019humidit\u00e9 initiale de l\u2019\u00e9chantillon APL a exc\u00e9d\u00e9 la valeur du param\u00e8tre Hcc, fix\u00e9 comme la m\u00e9diane des valeurs observ\u00e9es en hiver.\r\n\r\nEn conclusion, la quantification des flux \u00e0 partir de mesures de stock est possible mais sa qualit\u00e9 est sensible \u00e0 la p\u00e9riode et \u00e0 la profondeur d\u2019application et au nombre de r\u00e9p\u00e9titions des mesures. Les tests pr\u00e9sent\u00e9s sont indirects car portant sur des variables d\u2019\u00e9tat du profil\u00a0; ils ont \u00e9t\u00e9 compl\u00e9t\u00e9s par des \u00e9tudes s\u2019int\u00e9ressant directement aux flux d\u2019eau et de solut\u00e9s (Mary et al., 1999).\r\n\r\n \r\n\r\n[caption id=\"attachment_1190\" align=\"aligncenter\" width=\"1600\"]\"\" Figure 4. Comparaison des flux calcul\u00e9s par LIXIM, sur le BAC de Bruy\u00e8res, hivernaux avec optimisation, et totaux, incluant des p\u00e9riodes avec simulation pure.[\/caption]\r\n\r\nLes flux \u00e9l\u00e9mentaires, d\u00e9finis \u00e0 l\u2019\u00e9chelle de chaque station et de l\u2019ann\u00e9e, montrent une forte variabilit\u00e9. Sur le BAC de Bruy\u00e8res, le drainage a vari\u00e9 de 0 \u00e0 592 mm.an-1<\/sup> et la lixiviation de 0 \u00e0 154 kg Nmin<\/sub>.ha-1<\/sup> (Beaudoin et al., 2005). Sur le r\u00e9seau AB, leurs fourchettes sont de 0 \u00e0 468 mm.an-1<\/sup> et 0 \u00e0 117 kg Nmin<\/sub>.ha-1<\/sup> respectivement (Rakotovololona et al., 2019). A l\u2019\u00e9chelle du site-ann\u00e9e le drainage varie surtout avec l\u2019ann\u00e9e (non pr\u00e9sent\u00e9) et avec la succession (Tableau 2). A Bruy\u00e8res, la lixiviation varie tr\u00e8s fortement selon le type de sol, la nature de la s\u00e9quence culturale et le climat, d'un facteur 3, 4 et 5 respectivement. En syst\u00e8mes AB, l\u2019influence de la s\u00e9quence culturale est encore plus importante, avec un ratio de 20 entre les extr\u00eames. Les esp\u00e8ces l\u00e9gumineuses y jouent un r\u00f4le notoire, avec le minimum pour la luzerne en place et le maximum pour une s\u00e9quence l\u00e9gumineuse \u00e0 grain-bl\u00e9 (LM1). Cependant, cette typologie n\u2019int\u00e8gre pas tous les facteurs de variation, en particulier l\u2019arri\u00e8re effet de deuxi\u00e8me ann\u00e9e du retournement des luzerni\u00e8res n\u2019a pas \u00e9t\u00e9 isol\u00e9, faute d\u2019effectifs suffisants.\r\n
        Tableau 2a\u00a0: Drainage moyen, lixiviation de l'azote nitrique et concentration en nitrate dans l'eau drain\u00e9e calcul\u00e9s avec LIXIM, en fonction de la succession des cultures et du type de sol sur le BAC de Bruy\u00e8res (extrait de Beaudoin et al., 2005).<\/h6>\r\n\r\n\r\n\r\n\r\n\r\n\r\n\r\n
        Les lettres indiquent les groupes qui diff\u00e8rent statistiquement (test de Kruskal et Wallis, p\u00a0<\/em> < 0,10)<\/caption>\r\n
        <\/td>\r\nDrainage<\/strong>\r\n\r\nmm<\/strong><\/td>\r\nLixiviation<\/strong>\r\n\r\nkg N.ha-1<\/sup><\/strong><\/td>\r\nConcentration<\/strong>\r\n\r\nmg NO3<\/sub>\u00af.L-1<\/sup><\/strong><\/td>\r\n<\/tr>\r\n
        Par succession culturale<\/td>\r\n<\/td>\r\n<\/td>\r\n<\/td>\r\n<\/tr>\r\n
        Colza d'hiver - Bl\u00e9 d'hiver\r\n\r\nBl\u00e9 d'hiver - Colza d'hiver\r\n\r\nBl\u00e9 d'hiver\u00a0 Orge d'hiver\r\n\r\nPois de printemps - Bl\u00e9 d'hiver\r\n\r\nBetterave sucri\u00e8re - Bl\u00e9 d'hiver\r\n\r\nOrge d'hiver - CIPAN<\/td>\r\n244ab<\/sup>\r\n\r\n182ab<\/sup>\r\n\r\n264ab<\/sup>\r\n\r\n216ab<\/sup>\r\n\r\n153b<\/sup>\r\n\r\n278a<\/sup><\/td>\r\n32a<\/sup>\r\n\r\n17ab<\/sup>\r\n\r\n31a<\/sup>\r\n\r\n42a<\/sup>\r\n\r\n11b<\/sup>\r\n\r\n27a<\/sup><\/td>\r\n56ab<\/sup>\r\n\r\n35b<\/sup>\r\n\r\n51ab<\/sup>\r\n\r\n80a<\/sup>\r\n\r\n32b<\/sup>\r\n\r\n41b<\/sup><\/td>\r\n<\/tr>\r\n
        Par type de sol<\/td>\r\n<\/td>\r\n<\/td>\r\n<\/td>\r\n<\/tr>\r\n
        DL\r\n\r\nSLC\r\n\r\nSSL\r\n\r\nSLS<\/td>\r\n219a<\/sup>\r\n\r\n234a<\/sup>\r\n\r\n245a<\/sup>\r\n\r\n263a<\/sup><\/td>\r\n16c<\/sup>\r\n\r\n20b<\/sup>\r\n\r\n45a<\/sup>\r\n\r\n50a<\/sup><\/td>\r\n31c<\/sup>\r\n\r\n51b<\/sup>\r\n\r\n81a<\/sup>\r\n\r\n92a<\/sup><\/td>\r\n<\/tr>\r\n
        Moyenne<\/td>\r\n231<\/td>\r\n27<\/td>\r\n49<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n
        Tableau 2b\u00a0: Drainage moyen, lixiviation de l'azote nitrique et concentration en nitrate dans l'eau drain\u00e9e calcul\u00e9s avec LIXIM, en fonction de la succession des cultures sur le r\u00e9seau AB (extrait de Rakotovololona et al., 2019).<\/h6>\r\n\r\n\r\n\r\n\r\n
        Les lettres indiquent les groupes qui diff\u00e8rent statistiquement (test de Kruskal et Wallis, p<\/em> < 0,10)<\/caption>\r\n
        Moyenne par s\u00e9quence de culture<\/strong><\/td>\r\nEffectif<\/strong><\/td>\r\nDrainage<\/strong>\r\n\r\nmm<\/strong><\/td>\r\nLixiviation<\/strong>\r\n\r\nkg N.ha-1<\/sup><\/strong><\/td>\r\nConcentration<\/strong>\r\n\r\nmg NO3<\/sub>\u00af.L-1<\/sup><\/strong><\/td>\r\n<\/tr>\r\n
        CI0\r\n\r\nCI1\r\n\r\nCM1\r\n\r\nA0\r\n\r\nAM1\r\n\r\nAM2\r\n\r\nLM1\r\n\r\nVM1\r\n\r\nXM1<\/td>\r\n18\r\n\r\n11\r\n\r\n20\r\n\r\n4\r\n\r\n4\r\n\r\n7\r\n\r\n9\r\n\r\n13\r\n\r\n18<\/td>\r\n148a<\/sup>\r\n\r\n184a<\/sup>\r\n\r\n175a<\/sup>\r\n\r\n218a<\/sup>\r\n\r\n217a<\/sup>\r\n\r\n120a<\/sup>\r\n\r\n229a<\/sup>\r\n\r\n141a<\/sup>\r\n\r\n174a<\/sup><\/td>\r\n8b<\/sup>\r\n\r\n19ab<\/sup>\r\n\r\n18ab<\/sup>\r\n\r\n9ab<\/sup>\r\n\r\n33ab<\/sup>\r\n\r\n2b<\/sup>\r\n\r\n37a<\/sup>\r\n\r\n14ab<\/sup>\r\n\r\n12b<\/sup><\/td>\r\n16b<\/sup>\r\n\r\n38ab<\/sup>\r\n\r\n37ab<\/sup>\r\n\r\n16ab<\/sup>\r\n\r\n70a<\/sup>\r\n\r\n7b<\/sup>\r\n\r\n69a<\/sup>\r\n\r\n43ab<\/sup>\r\n\r\n35ab<\/sup><\/td>\r\n<\/tr>\r\n
        Moyenne<\/td>\r\n<\/td>\r\n172<\/td>\r\n16<\/td>\r\n34<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\nEn conclusion, la typologie des flux par s\u00e9quences culturales permet de cibler celles n\u00e9cessitant une am\u00e9lioration, par exemple en optimisant la date de destruction des luzerni\u00e8res. Cependant, il faut d\u00e9passer l\u2019approche \u00ab\u00a0culture centr\u00e9e\u00a0\u00bb car la rotation culturale est l\u2019\u00e9chelle temporelle pertinente pour \u00e9valuer les syst\u00e8mes de culture (Beaudoin et al., 2005\u00a0; De Notaris et al., 2018\u00a0; Yin et al., 2020). Sur le plan pratique, il est possible d\u2019initier des simulations \u00e0 partir d\u2019une seule mesure d\u2019APL en utilisant un r\u00e9f\u00e9rentiel de vitesse potentielle de min\u00e9ralisation (Vp) tel qu\u2019il a \u00e9t\u00e9 \u00e9tabli pour le r\u00e9seau AB (annexe). Les valeurs de Vp, issues de la V9, \u00e9galent le solde \u00ab\u00a0min\u00e9ralisation nette-pertes par voies gazeuses\u00a0\u00bb alors que celles de la version V6 sont de facto diminu\u00e9es de l\u2019\u00e9ventuelle absorption d\u2019un couvert.\r\n

        Interpr\u00e9tation de sortie et m\u00e9ta-mod\u00e9lisation<\/h2>\r\nUn m\u00e9ta-mod\u00e8le sert un but p\u00e9dagogique et\/ou pr\u00e9dictif. Comme un indicateur, il rend compte des principaux d\u00e9terminants de ce ph\u00e9nom\u00e8ne complexe qu\u2019est la lixiviation. En contexte p\u00e9doclimatique de faible dilution de l\u2019eau de drainage, un indicateur de la sensibilit\u00e9 des sols \u00e0 la lixiviation est le taux de renouvellement du stock d'eau du sol (Mary et al., 1997\u00a0; Beaudoin & Machet, 2001)\u00a0:\r\n\r\n\"\"<\/a>\r\n\r\no\u00f9 WSFC<\/sub><\/em> (mm) est le stock total d'eau \u00e0 la capacit\u00e9 au champ et D<\/em> est la quantit\u00e9 drain\u00e9e. La quantit\u00e9 d'azote lixivi\u00e9, calcul\u00e9e avec LIXIM, peut alors \u00eatre expliqu\u00e9e par l\u2019APL et par Rw. Pour le BAC de Bruy\u00e8res, de 1991 \u00e0 1999, on obtient une relation lin\u00e9aire significative entre quantit\u00e9 d'azote lixivi\u00e9 et stock d'azote min\u00e9ral de fin d'automne, pour cinq classes de taux de renouvellement (Figure 5).\r\n\r\nL\u2019indicateur propos\u00e9 s\u2019inspire du mod\u00e8le piston appliqu\u00e9 \u00e0 l\u2019ensemble du profil. Cependant, LIXIM simule diff\u00e9remment la lixiviation que la formule de Burns pour deux raisons\u00a0:\r\n\r\n\u2013 il discr\u00e9tise diff\u00e9remment l'espace et le temps (Mary et al., 1999)\u00a0;\r\n\r\n\u2013 il prend en compte la min\u00e9ralisation d'azote, dont une fraction peut \u00eatre lixivi\u00e9e, ce qui fait que la pente de la r\u00e9gression peut exc\u00e9der la valeur 1.0.\r\n\r\nUn indicateur quantitatif du lessivage peut \u00eatre \u00e9tabli par\u00a0:\r\n\r\n\"\"<\/a>\r\n\r\nLa lixiviation s\u2019explique a posteriori<\/em> par le croisement de deux variables accessibles\u00a0: l\u2019APL, principalement d\u00e9termin\u00e9e par le syst\u00e8me de culture et Rw, principalement d\u00e9termin\u00e9e par le p\u00e9do-climat\u00a0; le coefficient b doit \u00eatre cal\u00e9 empiriquement. Outre sa vertu didactique, cette simplification peut aider \u00e0 anticiper l\u2019\u00e9ventuel effet d\u00e9pressif en azote, li\u00e9 \u00e0 l'introduction d'une CIPAN (Beaudoin, 2006). Cependant, il pr\u00e9sente une moindre pertinence pour les valeurs extr\u00eames de Rw, \u00e0 cause du r\u00f4le de la position du nitrate quand Rw est tr\u00e8s faible, ou de celui de la min\u00e9ralisation en phase de drainage quand Rw est tr\u00e8s fort\u00a0; ces limites ont \u00e9t\u00e9 rencontr\u00e9es \u00e0 l\u2019\u00e9chelle du bassin de la Seine (Beaudoin et al., 2018).\r\n\r\n \r\n\r\n[caption id=\"attachment_1191\" align=\"aligncenter\" width=\"1542\"]\"\" Figure 5. R\u00f4le du taux de renouvellement (R) du stock total de l\u2019eau du sol dans la relation lixiviation annuelle = f(APL), appliqu\u00e9 aux donn\u00e9es de huit ann\u00e9es du BAC de Bruy\u00e8res.[\/caption]\r\n\r\nCe sch\u00e9ma th\u00e9orique a \u00e9t\u00e9 appliqu\u00e9 sur les donn\u00e9es du r\u00e9seau AB, o\u00f9 les sorties de LIXIM b\u00e9n\u00e9ficient de la r\u00e9p\u00e9tition des mesures. Plusieurs mod\u00e8les (M0 \u00e0 M2) d\u2019une complexit\u00e9 croissante ont \u00e9t\u00e9 test\u00e9s (Tableau 3). La d\u00e9marche a compris une phase de calage utilisant les donn\u00e9es \u00e9l\u00e9mentaires d\u2019APL et une phase de test, utilisant en entr\u00e9e la valeur de SMNseq, fournie par la typologie du tableau 2b. La performance de pr\u00e9diction s\u2019am\u00e9liore encore avec la complexification\u00a0; cependant, le gain permis est faible, vu le co\u00fbt de l\u2019ajout de l\u2019entr\u00e9e d\u00e9crivant la position de l\u2019azote dans le profil.\r\n\r\nSur le plan pratique, il est aussi possible d\u2019utiliser les sorties de LIXIM pour \u00e9tablir un mod\u00e8le multilin\u00e9aire qui puisse prendre comme entr\u00e9e les seules donn\u00e9es d\u2019APL, ou de reliquat de sortie hiver, associ\u00e9es \u00e0 un bilan hydrique (Autret et al., 2019).\r\n
        Tableau 3. \u00c9quations, param\u00e8tres et performance des m\u00e9tamod\u00e8les de lixiviation (M0, M1 et M2).\u00a0 Les erreurs standards des coefficients a, b et c sont donn\u00e9es entre parenth\u00e8ses.\"\"<\/h6>\r\n

        Utilisation de STICS \u00e0 l\u2019\u00e9chelle annuelle<\/h2>\r\nL\u2019utilisation du mod\u00e8le STICS a vis\u00e9 d\u2019abord \u00e0 prendre en compte d\u2019une fa\u00e7on plus m\u00e9caniste les p\u00e9riodes de drainage printanier ou automnal et ensuite \u00e0 g\u00e9n\u00e9raliser la quantification de la lixiviation \u00e0 l\u2019\u00e9chelle du BAC de Bruy\u00e8res (Beaudoin, 2006). Des r\u00e9sultats du test de l\u2019application de STICS aux donn\u00e9es 1991\/1999 sont pr\u00e9sent\u00e9s avec deux m\u00e9thodes\u00a0:\r\n
          \r\n \t
        1. utilisant les donn\u00e9es \u00e9l\u00e9mentaires, sans r\u00e9p\u00e9tition (tableau 4a)\u00a0;<\/li>\r\n \t
        2. regroupant les donn\u00e9es individuelles observ\u00e9es et simul\u00e9es entre quatre situations similaires, telles de \u00ab fausses-r\u00e9p\u00e9titions \u00bb, ayant la m\u00eame culture et la m\u00eame classe de sol (tableau 4b).<\/li>\r\n<\/ol>\r\nDans la premi\u00e8re m\u00e9thode, le stock d\u2019eau du sol (SWC) est toujours bien simul\u00e9. Le SMN l\u2019est de moins en moins au fur et \u00e0 mesure que la dur\u00e9e de simulation croit\u00a0: la pr\u00e9diction est bonne en fin d\u2019automne et acceptable en f\u00e9vrier. STICS a pu restituer sans biais les pertes d'eau et d'azote calcul\u00e9es avec LIXIM, mais avec des RMSE \u00e9lev\u00e9es. La seconde m\u00e9thode s\u2019appuie sur l'hypoth\u00e8se qu'une grande partie de l'erreur de pr\u00e9diction vient de l'inexactitude des donn\u00e9es. De fait, la plupart des efficiences ont \u00e9t\u00e9 am\u00e9lior\u00e9es et les RMSE ont toutes \u00e9t\u00e9 r\u00e9duites, sans changer la valeur de la moyenne pr\u00e9dite.\r\n\r\nLes pr\u00e9dictions de lixiviation sont sensibles \u00e0 la profondeur de simulation, d\u2019une fa\u00e7on comparable \u00e0 celles de LIXIM, en jouant sur des param\u00e8tres plus pr\u00e9cis. Une \u00e9tude de sensibilit\u00e9 simul\u00e9e par STICS (donn\u00e9es 1991\/1999) montre qu\u2019une r\u00e9duction de 20\u00a0% de la profondeur d\u2019enracinement accro\u00eet la lixiviation de 14\u00a0%, tandis que son augmentation de 20\u00a0% r\u00e9duit la lixiviation de 6\u00a0% (Beaudoin et al., 2008). Cela s\u2019explique peu par la modification simul\u00e9e du drainage (respectivement 3\u00a0% et -2\u00a0%) ou de l\u2019absorption d'azote (respectivement -3\u00a0% et 0\u00a0%), mais plut\u00f4t par celle du transfert de solut\u00e9s (\u00e9quation 1). Dans la pratique, si la profondeur de mesure du profil d\u2019APL s\u2019av\u00e8re insuffisante, il est pr\u00e9f\u00e9rable d\u2019initier le mod\u00e8le sur un profil virtuel ant\u00e9rieur, par exemple d\u2019un an, ayant la profondeur idoine. Ladite mesure d\u2019APL peut ensuite servir \u00e0 tester la pr\u00e9diction, voire de valeur cible pour optimiser le profil initial virtuel par essai-erreur. Cela demande de disposer de l\u2019itin\u00e9raire technique et des donn\u00e9es climatiques de l\u2019ann\u00e9e ant\u00e9rieure.\r\n\r\nEn conclusion, calculer des flux \u00e0 partir d\u2019une mesure ponctuelle d\u2019APL est possible\u00a0; cependant il ne permet pas le test du mod\u00e8le en absence de r\u00e9p\u00e9titions. Le test a port\u00e9 sur la pr\u00e9diction de variables d\u2019\u00e9tat (SWC et SMN) et de flux calcul\u00e9s par LIXIM. Un test vraiment ind\u00e9pendant de la pr\u00e9diction des flux a pu \u00eatre positivement effectu\u00e9 \u00e0 long terme, sur les donn\u00e9es lysim\u00e9triques de Fagni\u00e8res, avec pr\u00e9diction en continu du mod\u00e8le STICS (Yin et al., 2020). L\u2019application de STICS a \u00e9t\u00e9 aussi possible sur des situations AB o\u00f9 les adventices sont suffisamment contr\u00f4l\u00e9es (Autret et al., 2020).\r\n
          Tableau 4a. \u00c9valuation statistique du mod\u00e8le STICS en comparaison des donn\u00e9es de sortie de LIXIM prises comme valeurs observ\u00e9es pendant huit ann\u00e9es (extrait de Beaudoin, 2006).<\/h6>\r\n\r\n\r\n\r\n\r\n\r\n
          Variables\u00a0: teneur en eau du sol (SWC), azote min\u00e9ral du sol (SMN), drainage (D), lixiviation (L) et concentration de nitrate dans l'eau drain\u00e9e (C). Les r\u00e9sultats des simulations sont donn\u00e9s pour toutes les donn\u00e9es individuellement. Le mod\u00e8le est r\u00e9initialis\u00e9 apr\u00e8s chaque cycle de culture n = nombre de situations\u00a0; mean = moyenne des valeurs observ\u00e9es.<\/caption>\r\n
          <\/td>\r\n<\/td>\r\n<\/td>\r\nObserved (D, L, C\/LIXIM)<\/th>\r\n<\/th>\r\nSTICS (annual)<\/th>\r\n<\/tr>\r\n
          <\/td>\r\n<\/td>\r\n<\/td>\r\nn<\/td>\r\nmean<\/td>\r\nRMSE<\/td>\r\nMD<\/td>\r\nEF<\/td>\r\n<\/tr>\r\n
          SWC\r\n\r\nSWC\r\n\r\nSMN\r\n\r\nSMN<\/td>\r\nlate autumn\r\n\r\nmid winter\r\n\r\nlate autumn\r\n\r\nmid winter<\/td>\r\nmm\r\n\r\nmm\r\n\r\nkg Nmin<\/sub>.ha-1<\/sup>\r\n\r\nkg Nmin<\/sub>.ha-1<\/sup><\/td>\r\n211\r\n\r\n225\r\n\r\n210\r\n\r\n226<\/td>\r\n340\r\n\r\n368\r\n\r\n45\r\n\r\n43<\/td>\r\n39\r\n\r\n25\r\n\r\n21\r\n\r\n23<\/td>\r\n-13\r\n\r\n-4\r\n\r\n-1\r\n\r\n2<\/td>\r\n0,92\r\n\r\n0,97\r\n\r\n0,49\r\n\r\n0,3<\/td>\r\n<\/tr>\r\n
          D\r\n\r\nL\r\n\r\nC<\/td>\r\nwhole year\r\n\r\nwhole year\r\n\r\nwhole year<\/td>\r\nmm\r\n\r\nkg Nmin<\/sub>.ha-1<\/sup>\r\n\r\nmg NO3<\/sub>.l-1<\/sup><\/td>\r\n165\r\n\r\n165\r\n\r\n161<\/td>\r\n189\r\n\r\n19\r\n\r\n39<\/td>\r\n59\r\n\r\n20\r\n\r\n20<\/td>\r\n-6\r\n\r\n0\r\n\r\n0<\/td>\r\n0,75\r\n\r\n0,78\r\n\r\n0,72<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n
          Tableau 4b. \u00c9valuation statistique du mod\u00e8le STICS en comparaison des donn\u00e9es de sortie de LIXIM prises comme valeurs observ\u00e9es pendant huit ann\u00e9es (extrait de Beaudoin, 2006).<\/h6>\r\n\r\n\r\n\r\n\r\n\r\n
          Variables\u00a0: teneur en eau du sol (SWC), azote min\u00e9ral du sol (SMN), drainage (D), lixiviation (L) et concentration de nitrate dans l'eau drain\u00e9e (C). Les r\u00e9sultats des simulations sont donn\u00e9s en faisant la moyenne des donn\u00e9es de quatre station-ann\u00e9es aux types de sol et de culture similaires. Le mod\u00e8le est r\u00e9initialis\u00e9 apr\u00e8s chaque cycle de culture n = nombre de situations\u00a0; mean = moyenne des valeurs observ\u00e9es.<\/caption>\r\n
          <\/td>\r\n<\/td>\r\n<\/td>\r\nObserved (D, L, C\/LIXIM)<\/th>\r\n<\/th>\r\nSTICS (annual)<\/th>\r\n<\/tr>\r\n
          <\/td>\r\n<\/td>\r\n<\/td>\r\nn<\/td>\r\nmean<\/td>\r\nRMSE<\/td>\r\nMD<\/td>\r\nEF<\/td>\r\n<\/tr>\r\n
          SWC\r\n\r\nSWC\r\n\r\nSMN\r\n\r\nSMN<\/td>\r\nlate autumn\r\n\r\nmid winter\r\n\r\nlate autumn\r\n\r\nmid winter<\/td>\r\nmm\r\n\r\nmm\r\n\r\nkg Nmin<\/sub>.ha-1<\/sup>\r\n\r\nkg Nmin<\/sub>.ha-1<\/sup><\/td>\r\n53\r\n\r\n54\r\n\r\n53\r\n\r\n54<\/td>\r\n339\r\n\r\n366\r\n\r\n45\r\n\r\n44<\/td>\r\n31\r\n\r\n25\r\n\r\n13\r\n\r\n15<\/td>\r\n-14\r\n\r\n-6\r\n\r\n0\r\n\r\n2<\/td>\r\n0,93\r\n\r\n0,96\r\n\r\n0,61\r\n\r\n0,39<\/td>\r\n<\/tr>\r\n
          D\r\n\r\nL\r\n\r\nC<\/td>\r\nwhole year\r\n\r\nwhole year\r\n\r\nwhole year<\/td>\r\nmm\r\n\r\nkg Nmin<\/sub>.ha-1<\/sup>\r\n\r\nmg NO3<\/sub>\u00af.L-1<\/sup><\/td>\r\n40\r\n\r\n42\r\n\r\n37<\/td>\r\n193\r\n\r\n21\r\n\r\n38<\/td>\r\n37\r\n\r\n8\r\n\r\n14<\/td>\r\n-9\r\n\r\n0\r\n\r\n2<\/td>\r\n0,83\r\n\r\n0,86\r\n\r\n0,75<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\nFinalement, le mod\u00e8le STICS a \u00e9t\u00e9 appliqu\u00e9 sur les donn\u00e9es de 1991 \u00e0 2012. Les pr\u00e9dictions du drainage et de lixiviation ont \u00e9t\u00e9 compar\u00e9es aux donn\u00e9es d\u2019APL mesur\u00e9es (Figure\u00a06).\r\n\r\nLes valeurs moyennes d\u2019APL sont maximales en 2003 et 2004, apr\u00e8s l'ann\u00e9e s\u00e8che la plus s\u00e9v\u00e8re. Leur moyenne (56 kg N.ha-1<\/sup>) est faible gr\u00e2ce \u00e0 l'application des BPA. Si l'on additionne l\u2019absorption des cultures interm\u00e9diaires et l'immobilisation d\u2019azote permise par la d\u00e9composition de la paille, un total de 50 kg N.ha-1<\/sup>.an-1<\/sup> a \u00e9t\u00e9 soustrait \u00e0 la lixiviation. Cependant, cette derni\u00e8re d\u00e9pend des conditions p\u00e9do-climatiques.\r\n\r\nLa quantit\u00e9 d'eau drain\u00e9e simul\u00e9e par STICS montre une variabilit\u00e9 forte \u00e0 l\u2019\u00e9chelle annuelle dans les 36 stations\u00a0; elle baisse \u00e0 long terme avec l\u2019accroissement significatif de l\u2019ETP. Elle est proche du bilan hydrique cumul\u00e9 (P-ETP) d'octobre \u00e0 mars (pente = 0,92\u00a0; r = 0,85). Comme pr\u00e9vu, 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 variabilit\u00e9 spatiale notoire du drainage, une ann\u00e9e donn\u00e9e.\r\n\r\nLa quantit\u00e9 moyenne d'azote lixivi\u00e9 annuellement est corr\u00e9l\u00e9e \u00e0 celle de l'eau drain\u00e9e. De tr\u00e8s petites quantit\u00e9s d\u2019azote ont \u00e9t\u00e9 lixivi\u00e9es pendant les ann\u00e9es s\u00e8ches, m\u00eame lorsque les sols contenaient de grandes quantit\u00e9s de SMN en automne, par exemple dans les ann\u00e9es 2003-2006. La quantit\u00e9 moyenne d'azote lixivi\u00e9 varie significativement avec le type de sol, de 11 kg N.ha-1<\/sup>.an-1<\/sup> en sols profonds \u00e0 28 kg N.ha-1<\/sup>.an-1<\/sup> en sols superficiels. Un impact similaire du type de sol a \u00e9t\u00e9 observ\u00e9 (16 et 40 N.ha-1<\/sup>.an-1<\/sup>) dans des lysim\u00e8tres non perturb\u00e9s en Allemagne (Kersebaum & Beblik, 2001).\r\n\r\n \r\n\r\n[caption id=\"attachment_1192\" align=\"aligncenter\" width=\"1580\"]\"\" Figure 6. \u00c9volution du stock d\u2019azote min\u00e9ral dans le sol (SMN) mesur\u00e9 \u00e0 la mi-novembre (kg Nmin<\/sub>.ha-1<\/sup>) sur l\u2019ann\u00e9e n-1, de l\u2019azote lixivi\u00e9 (kg Nmin<\/sub>.ha-1<\/sup>.an-1<\/sup>) et de l\u2019eau drain\u00e9e (mm.an-1<\/sup>) tous deux simul\u00e9s par STICS pendant l\u2019automne et l\u2019hiver (n-1, n), avec initialisation \u00e0 la r\u00e9colte du pr\u00e9c\u00e9dent. Les valeurs sont la moyenne arithm\u00e9tique des 36 sites d\u2019\u00e9chantillonnage (extrait de Beaudoin et al., 2021).[\/caption]\r\n\r\nLe param\u00e8tre WSFC<\/sub> permet de comparer la r\u00e9ponse \u00e0 long terme de variables d\u2019int\u00e9r\u00eat \u00e0 l\u2019effet sol, en parcellaire h\u00e9t\u00e9rog\u00e8ne. Les valeurs mesur\u00e9es du rendement du bl\u00e9, de l'absorption d'azote et du surplus d\u2019azote \u00e0 long terme (bilan CORPEN) sont confront\u00e9es \u00e0 la lixiviation d\u2019azote moyenne simul\u00e9e \u00e0 l\u2019\u00e9chelle de la station (figure 7). La r\u00e9ponse significative du rendement moyen provient de la corr\u00e9lation entre WSFC<\/sub> et la r\u00e9serve utile. L'absorption d'azote a une r\u00e9ponse similaire, car corr\u00e9l\u00e9e au rendement. La lixiviation est corr\u00e9l\u00e9e n\u00e9gativement avec le WFC, r\u00e9duite de 50\u00a0% lorsque WFC passe de 200 \u00e0 500 mm. Cette relation est une propri\u00e9t\u00e9 \u00e9mergente \u00e0 long terme car elle n\u2019est pas v\u00e9rifi\u00e9e \u00e0 l'\u00e9chelle annuelle. Ces relations statistiques peuvent \u00eatre compar\u00e9es en utilisant la pente normalis\u00e9e (bn), c\u2019est \u00e0 dire le ratio entre la pente et la valeur moyenne de la variable. Les valeurs (bn) du rendement et de l'azote lixivi\u00e9 sont respectivement de 9.10-4<\/sup>, -4,3.10-3<\/sup>. La lixiviation est donc cinq fois plus sensible que le rendement aux variations de WSFC<\/sub>. Or, les agriculteurs ne peuvent voir cette diff\u00e9rence de sensibilit\u00e9 des sols \u00e0 la lixiviation. Nous partageons le point de vue d'Evans et al.\u00a0(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\".\r\n\r\nL'azote lixivi\u00e9 est ici lin\u00e9airement corr\u00e9l\u00e9 avec le surplus d\u2019azote. Ce lien n\u2019existe pas toujours dans les \u00e9tudes comparant des syst\u00e8mes (De Notaris et al., 2018\u00a0; Autret et al., 2019). Le surplus d\u2019azote est un indicateur de la pression en azote pertinent \u00e0 long terme et a fortiori<\/em>, en compl\u00e9ment de la quantification des pertes et du stockage d\u2019azote du syst\u00e8me de culture. Dans cette \u00e9tude, les stocks d\u2019humus sont stables et les pertes par voie gazeuse sont \u00e9quivalentes entre sols; le surcroit de surplus d\u2019azote des sols \u00e0 faible WSFC<\/sub> s\u2019est traduit d\u2019une fa\u00e7on univoque par un surcroit de lixiviation.\r\n\r\nOutre le fait de pr\u00e9dire d\u2019autres variables d\u2019int\u00e9r\u00eat, les mod\u00e8les permettent aussi la simulation de l\u2019impact de sc\u00e9narios alternatifs (Yin et al., 2020\u00a0; Autret et al., 2020).\r\n\r\n \r\n\r\n[caption id=\"attachment_1439\" align=\"aligncenter\" width=\"1619\"]\"\" Figure 7. Relation entre quatre variables et la capacit\u00e9 de r\u00e9tention en eau \u00e0 la capacit\u00e9 au champ (WFC, mm), (extrait de Beaudoin et al., 2021)\u00a0: a) rendement mesur\u00e9 du bl\u00e9 d\u2019hiver et absorption d\u2019azote mesur\u00e9e toutes cultures confondues\u00a0; b) Azote lixivi\u00e9 simul\u00e9 et surplus azot\u00e9 mesur\u00e9 toutes ann\u00e9es confondues. Le rendement du bl\u00e9, l\u2019absorption d\u2019azote et l\u2019exc\u00e9dent d\u2019azote sont obtenus par \u00e9chantillonnage manuel et analyse des cultures. L\u2019azote lixivi\u00e9 est simul\u00e9 par STICS avec une initialisation \u00e0 la r\u00e9colte annuelle.[\/caption]\r\n

          Conclusion<\/h1>\r\nCompte tenu du fort al\u00e9a affectant le drainage, le calcul de la lixiviation apporte une plus value cognitive \u00e0 la mesure d\u2019APL. Ce calcul est possible par couplage des donn\u00e9es et d\u2019un mod\u00e8le; ce couplage n\u00e9cessite d\u2019\u00eatre adapt\u00e9 au dispositif. La m\u00e9thode d\u2019extrapolation aux p\u00e9riodes sans mesure doit \u00eatre aussi pr\u00e9cis\u00e9e. Cette extrapolation s\u2019appuie toujours sur un bilan hydrique, et donc, sur les donn\u00e9es d\u2019occupation du sol et de climat. A l\u2019avenir, une \u00e9tude m\u00e9thodologique serait utile, pour comparer des calculs utilisant les seules donn\u00e9es APL \u00e0 ceux pr\u00e9sent\u00e9s dans cet article, qui ont mobilis\u00e9 toutes les donn\u00e9es. Quantifier le stock d\u2019eau \u00e0 la capacit\u00e9 au champ, est n\u00e9cessaire \u00e0 la mod\u00e9lisation et utile \u00e0 l\u2019interpr\u00e9tation des donn\u00e9es de lixiviation.\r\n\r\nLa mod\u00e9lisation d\u00e9terministe peut aussi pr\u00e9dire le stockage d\u2019azote sous forme d\u2019humus, objet d\u2019int\u00e9r\u00eat comme service environnemental. Cette ambition repr\u00e9sente un d\u00e9fi m\u00e9trologique en termes de robustesse et de cr\u00e9dibilit\u00e9 des pr\u00e9dictions. Il peut \u00eatre relev\u00e9 de trois mani\u00e8res compl\u00e9mentaires au sein d\u2019un partenariat multidisciplinaire\u00a0:\r\n
            \r\n \t
          1. harmoniser et mutualiser les bases de donn\u00e9es de calibration\/test des mod\u00e8les\u00a0;<\/li>\r\n \t
          2. s\u2019adjoindre une dimension probabiliste \u00e0 la pr\u00e9diction, prenant en compte l\u2019incertitude affectant les donn\u00e9es d\u2019APL et les param\u00e8tres des mod\u00e8les\u00a0;<\/li>\r\n \t
          3. utiliser la m\u00e9diane de la pr\u00e9diction d\u2019un ensemble de mod\u00e8les, de la m\u00eame fa\u00e7on que dans la d\u00e9marche AGMIP (Agricultural Model Intercomparison and Improvement Project).<\/li>\r\n<\/ol>\r\n

            Bibliographie<\/h1>\r\nAcutis M., Ducco G., Grignani C., 2000. Stochastic use of LEACHN model to forecast nitrate leaching in different maize cropping systems. European Journal of Agronomy<\/em> 13, 191-206.\r\n\r\nAutret B., Mary B., Gr\u00e9han 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<\/em> 342, 20-33.\r\n\r\nAutret B., Mary B., Strullu L., Chlebowski F., M\u00e4der 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,<\/em> 710, 134597.\r\n\r\nBeaudoin N., Machet J.-M., 2001. R\u00e9ponse d'experts de l'INRA en sciences des sols et agronomie vis \u00e0 vis de la gestion de l'azote sur les p\u00e9rim\u00e8tres de protection du Plessis-Pas-Brunet (Loire Atlantique).<\/em> Laon, France\u00a0: INRAE.\r\n\r\nBeaudoin 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<\/em>. 111, 292-310.\r\n\r\nBeaudoin N., 2006. Caract\u00e9risation exp\u00e9rimentale et mod\u00e9lisation des effets des pratiques culturales sur la pollution nitrique d'un aquif\u00e8re en zone de grande culture. Ph.D.\u00a0thesis<\/em>. Paris\u00a0: INA-PG.\r\n\r\nBeaudoin N., Launay M., Sauboua E., Ponsardin G., Mary B., 2008. Evaluation of the soil crop model STICS over 8 years against the \u201con farm\u201d database of Bruy\u00e8res catchment. Eur. J. Agr<\/em>. 29, 46-57.\r\n\r\nBeaudoin N., Tournebize J., Ruiz L., Constantin J., Justes E., (2012). Chapitre 4\u00a0: Nitrate et eau en p\u00e9riode d\u2019interculture. In\u00a0:<\/em> Justes et Rechauch\u00e8re eds. Rapport d\u2019\u00e9tude-expertise R\u00e9duire les fuites de nitrate au moyen de cultures interm\u00e9diaires.<\/em>\u00a0 France\u00a0: INRA.\r\n\r\nBeaudoin 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<\/em>. 25, 23529\u201323558. doi: 10.1007\/s11356-016-7478-3.\r\n\r\nBeaudoin 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,<\/em> 776, 145954. https:\/\/doi.org\/10.1016\/j.scitotenv.2021.145954<\/a>\r\n\r\nBurns 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,<\/em> 86, 305-313.\r\n\r\nDupas 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,<\/em> 69, 101-110. DOI: 10.1016\/j.envsoft.2015.03.009\r\n\r\nCorwin 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,<\/em> 25, 403-411.\r\n\r\nDe Notaris C., Rasmussen J., S\u00f8rensen 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<\/em>, 255, 1-11.\r\n\r\nEscobar 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,<\/em> 6, 46\u201353.\r\n\r\nEvans 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<\/em>, 36, 20-27.\r\n\r\nHansen 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. \u00a716, 511-548.\r\n\r\nKersebaum K.C., Beblik A.J., 2001. Performance of a nitrogen dynamics model applied to evaluate agricultural management. In:<\/em> Shaffer et al (eds.), Modeling carbon and nitrogen dynamics for soil management.<\/em> Lewis Publishers, 549-569.\r\n\r\nLacroix A., Beaudoin N., Makowski D., 2005. Agricultural water nonpoint pollution control under uncertainty and climate variability. Ecological Economics,<\/em> 53, 115-127.\r\n\r\nLafolie F. et Neel C., 1997. Migration du nitrate dans la zone non satur\u00e9e et impacts sur la qualit\u00e9 des eaux souterraines. In\u00a0:<\/em> Lemaire G. & Nicolardot B., eds. Ma\u00eetrise de l'azote dans les agrosyst\u00e8mes<\/em>. Les Colloques de l'INRA 83, 55-67.\r\n\r\nLoague K., Green R.E., 1991. Statistical and graphical method for evaluating solute transport models: overview and application. Journal of Contaminant Hydrology,<\/em> 7, 51-73.\r\n\r\nMartinez 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.<\/em> Soil Sci.,<\/em> 41, 5-16.\r\n\r\nMary B., Beaudoin N., Benoit M., 1997. Pr\u00e9vention de la pollution nitrique \u00e0 l\u2019\u00e9chelle du bassin d\u2019alimentation en eau. In:<\/em> Lemaire, G. & Nicolardot, B., eds. Ma\u00eetrise de l\u2019azote dans les agrosyst\u00e8mes.<\/em> Paris\u00a0: INRA Editions, 289-312.\r\n\r\nMary 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,<\/em> 50, 549-566.\r\n\r\nMeynard J.-M., Cerf M., Guichard L., Jeuffroy M.-H., Makowski D., 2002. Which decision support tools for the environmental management of nitrogen ? Agronomie,<\/em> 22, 817-829.\r\n\r\nRakotovololona 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<\/em>, 272, 38-51.\r\n\r\nRousselle V., 1913. Le mouvement des nitrates dans le sol. Annales sciences agron.<\/em>, 4eme s\u00e9rie, I, 97-115.\r\n\r\nVandenberghe C., 2016. Performance de l\u2019indicateur \u2018Azote Potentiellement Lessivable\u2019 pour l\u2019\u00e9valuation de la gestion du nitrate et du risque pour la qualit\u00e9 de l\u2019eau. Th\u00e8se de doctorat.<\/em> Gembloux, Belgique\u00a0: Gembloux Agro-Bio Tech (Uli\u00e8ge).\u00a0 https:\/\/hdl.handle.net\/2268\/201372<\/a>\r\n\r\nVan 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<\/em>, 24, 725-733.\r\n\r\nWeiherm\u00fcller L., Siemens J., Deurer M., Knoblauch S., Rupp H., G\u00f6ttlein A., P\u00fctz T., 2007. In situ soil water extraction\u00a0: a review. J. Environ. Qual.<\/em> 36, 1735-1748.\r\n\r\nWhisler 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<\/em>, 40, 141-208.\r\n\r\nYin X., Beaudoin N., Ferchaud F., Mary B., Strullu L., Chl\u00e9bowski 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\u2013year crop rotation experiment. Geoderma<\/em>, 357, 113956. DOI: 10.1016\/j.geoderma.2019.113956.\r\n

            Annexe<\/h1>\r\n\r\n\r\n\r\n\r\n\r\n
            Taux de min\u00e9ralisation potentielle de l'azote (Vp, kg N.ha-1<\/sup>.nd-1<\/sup>) calcul\u00e9 par LIXIM de la r\u00e9colte \u00e0 mars sur les parcelles du r\u00e9seau AB. nd = jours normalis\u00e9s en fonction de la teneur en eau \u00e0 la capacit\u00e9 du champ et de la temp\u00e9rature de l'air de 15 \u00b0C\u00a0; sd= \u00e9cart-type.<\/caption>\r\n
            <\/td>\r\nn<\/strong><\/td>\r\nmean<\/strong><\/td>\r\nsd<\/strong><\/td>\r\n<\/tr>\r\n
            Average per year\r\n

            2014-2015<\/p>\r\n

            2015-2016<\/p>\r\n

            2016-2017<\/p>\r\n<\/td>\r\n

            		 \r\n\r\n35\r\n\r\n35\r\n\r\n35<\/td>\r\n \r\n\r\n0,86\r\n\r\n0,65\r\n\r\n0,58<\/td>\r\n \r\n\r\n0,50\r\n\r\n0,44\r\n\r\n0,44<\/td>\r\n<\/tr>\r\n
            Average per sol type*\r\n

            Sc<\/p>\r\n

            dL<\/p>\r\n

            dLp<\/p>\r\n

            dSL<\/p>\r\n<\/td>\r\n

            		 \r\n\r\n9\r\n\r\n48\r\n\r\n39\r\n\r\n9<\/td>\r\n \r\n\r\n1,19\r\n\r\n0,65\r\n\r\n0,63\r\n\r\n0,84<\/td>\r\n \r\n\r\n0,46\r\n\r\n0,46\r\n\r\n0,40\r\n\r\n0,60<\/td>\r\n<\/tr>\r\n
            Average per crop sequence\r\n

            CI0<\/p>\r\n

            CI1<\/p>\r\n

            CM1<\/p>\r\n

            A0<\/p>\r\n

            AM1<\/p>\r\n

            AM2<\/p>\r\n

            LM1<\/p>\r\n

            VM1<\/p>\r\n

            XM2<\/p>\r\n<\/td>\r\n

            		 \r\n\r\n18\r\n\r\n11\r\n\r\n20\r\n\r\n5\r\n\r\n4\r\n\r\n7\r\n\r\n9\r\n\r\n13\r\n\r\n18<\/td>\r\n \r\n\r\n0,91\r\n\r\n0,93\r\n\r\n0,51\r\n\r\n0,80\r\n\r\n1,34\r\n\r\n1,03\r\n\r\n0,61\r\n\r\n0,40\r\n\r\n0,39<\/td>\r\n \r\n\r\n0,36\r\n\r\n0,34\r\n\r\n0,34\r\n\r\n0,42\r\n\r\n0,76\r\n\r\n0,38\r\n\r\n0,27\r\n\r\n0,72\r\n\r\n0,26<\/td>\r\n<\/tr>\r\n<\/tbody>\r\n<\/table>\r\n*Code du sol\u00a0: Sc = calcaire peu profond\u00a0; dL = limon profond\u00a0; dLp = limon profond avec cailloux\u00a0; dSL = limon sableux profond.\r\n\r\nLa profondeur mesur\u00e9e \u00e9tait de 150 cm pour dL, dLp et dSL\u00a0; et de 90 cm pour Sc.\r\n\r\n** Symbole de culture\u00a0: C = c\u00e9r\u00e9ale\u00a0; I = culture d\u00e9rob\u00e9e\u00a0; M = culture principale\u00a0; A = luzerne, L = l\u00e9gumineuse \u00e0 grain\u00a0; V = l\u00e9gume\u00a0; X = l\u00e9gume ou c\u00e9r\u00e9ale.\r\n\r\nCode de la date de semis\u00a0: 0 = avant la r\u00e9colte de la culture pr\u00e9c\u00e9dente ou d\u00e9j\u00e0 \u00e9tablie\u00a0; 1\u00a0= en automne\u00a0; 2 = au printemps.","rendered":"
            \n

            R\u00e9sum\u00e9<\/strong><\/p>\n

            Les donn\u00e9es du stock d\u2019azote du sol potentiellement lessivable (APL) sont acquises en situation r\u00e9elle et g\u00e9n\u00e9ralement au sein d\u2019un r\u00e9seau de parcelles\u00a0; elles peuvent servir plusieurs finalit\u00e9s, telles mener une d\u00e9marche didactique sur les d\u00e9terminants de la lixiviation. Le but de cet article est de montrer comment valoriser ces donn\u00e9es pour quantifier le drainage d\u2019eau et la perte d\u2019azote nitrique des parcelles. Des jeux de donn\u00e9es de deux r\u00e9seaux de parcelles en conduite conventionnelle ou biologique, sont mobilis\u00e9s. Diff\u00e9rents types de couplage entre donn\u00e9es et mod\u00e8le sont illustr\u00e9s, variant selon le degr\u00e9 de for\u00e7age du mod\u00e8le. Un couplage avec le mod\u00e8le de calcul LIXIM est plus robuste si celui-ci est utilis\u00e9 en mode inverse, mais n\u00e9cessite plusieurs dates d\u2019observations. Un couplage avec le mod\u00e8le d\u00e9terministe sol-plante-atmosph\u00e8re STICS est plus flexible et polyvalent (autres formes de perte d\u2019azote), mais l\u2019estimation de ses param\u00e8tres en augmente l\u2019incertitude. Les sorties des deux mod\u00e8les peuvent servir \u00e0 g\u00e9n\u00e9rer un m\u00e9ta-mod\u00e8le, appel\u00e9 indicateur de Lixiviation (IL), plus empirique mais plus p\u00e9dagogique. Sur le plan pratique, le couplage doit \u00eatre adapt\u00e9 aux donn\u00e9es disponibles en fonction de l\u2019objectif. La mod\u00e9lisation d\u00e9terministe est prometteuse pour pouvoir quantifier les paiements pour services environnementaux, en recourant dans l\u2019id\u00e9al \u00e0 \u00ab un ensemble de mod\u00e8les \u00bb, afin d\u2019augmenter la robustesse de la pr\u00e9diction.<\/p>\n<\/div>\n

            Introduction<\/h1>\n

            De nombreuses donn\u00e9es APL (azote potentiellement lessivable) sont mises en bases \u00e0 l\u2019\u00e9chelle de territoires\u00a0; elles portent sur les stocks d\u2019eau et d\u2019azote min\u00e9ral[1]<\/sup><\/a> en d\u00e9but d\u2019hiver. Elles servent \u00e0 l\u2019application de la r\u00e9glementation de la Directive Nitrates et\/ou son \u00e9valuation. Outre la pr\u00e9diction d\u2019un reliquat d\u2019azote virtuel utile au conseil de fertilisation, elles pourraient servir \u00e0 d\u2019autres finalit\u00e9s telles la formation des agriculteurs et gestionnaires de l\u2019eau sur les d\u00e9terminants de la lixiviation (Beaudoin, 2006), ou l\u2019\u00e9tude de la faisabilit\u00e9 du paiement de services environnementaux (Escobar et al., 2013). Ces paiements seraient plus pertinents et motivants pour les agriculteurs que de suivre la r\u00e9glementation, car \u00ab objectif-centr\u00e9s \u00bb (Dupas et al., 2015). Un pr\u00e9alable, qui est le but de cet article, est de savoir comment valoriser les donn\u00e9es d\u2019APL pour quantifier le drainage d\u2019eau et la perte d\u2019azote nitrique des parcelles.<\/p>\n

            La lixiviation est un ph\u00e9nom\u00e8ne complexe et \u00ab\u00a0site sp\u00e9cifique\u00a0\u00bb car d\u00e9pendant des bilans locaux d\u2019eau, de carbone et d\u2019azote (Beaudoin et al., 2012). Les m\u00e9thodes de quantification se distinguent suivant quatre crit\u00e8res\u00a0:<\/p>\n

              \n
            1. leur caract\u00e8re direct (mesure) ou indirect (bilan statique, mod\u00e8le dynamique, tra\u00e7age isotopique)\u00a0;<\/li>\n
            2. l\u2019intensit\u00e9 du couplage entre la quantification du flux d\u2019eau et du flux d\u2019azote (int\u00e9gral, journalier, saisonnier)\u00a0;<\/li>\n
            3. leur op\u00e9rationnalit\u00e9 en conditions agricoles standards, voire leur capacit\u00e9 \u00e0 \u00eatre g\u00e9n\u00e9ralis\u00e9es dans le temps et l\u2019espace\u00a0;<\/li>\n
            4. les \u00e9chelles spatiale et temporelle consid\u00e9r\u00e9es.<\/li>\n<\/ol>\n

              Ces m\u00e9thodes impliquent plusieurs types de mesure et de mod\u00e8les, dont l\u2019utilit\u00e9 d\u00e9pend du contexte.<\/p>\n

              En conditions exp\u00e9rimentales, des m\u00e9thodes de quantification d\u00e9di\u00e9es (lysim\u00e8tres, marquage avec l\u2019azote 15) permettent une compr\u00e9hension du ph\u00e9nom\u00e8ne et sa mod\u00e9lisation en dynamique (Martinez & Guiraud, 1990\u00a0; Yin et al., 2020). En situation agricole, des \u00e9tudes pilotes sont possibles \u00e0 l\u2019aide de lysim\u00e8tres ouverts, de bougies poreuses, ou p\u00e9rim\u00e8tre drain\u00e9 artificiellement\u00a0; cependant, elles ne sont pas g\u00e9n\u00e9ralisables dans le temps et\/ou l\u2019espace (Weiherm\u00fcller et al., 2007). Sur des sols \u00e0 bon drainage naturel, seul le couplage carottage-mod\u00e9lisation permet de dresser un diagnostic agroenvironnemental, quantifiant \u00e0 la fois les bilans d\u2019eau et d\u2019azote et les flux de percolation sous les racines, a contrario<\/em> des mesures de solut\u00e9 en bougies poreuses. Cependant appliquer un mod\u00e8le en situation agricole demande des pr\u00e9cautions en termes de qualit\u00e9 de son param\u00e9trage et de respect de son domaine de validit\u00e9.<\/p>\n

              La mod\u00e9lisation en situation agricole conventionnelle soul\u00e8ve la question de la pertinence des facteurs du milieu qu\u2019elle prend en compte (Hansen et al., 2001\u00a0; Meynard et\u00a0al., 2002). Certains facteurs limitants de la production, telle la pression parasitaire, ne sont pas int\u00e9gr\u00e9s dans les mod\u00e8les classiques, ce qui conduit \u00e0 une surestimation du potentiel de production de la culture. La mod\u00e9lisation peut \u00eatre aussi coupl\u00e9e avec une approche probabiliste, pour prendre en compte l\u2019incertitude due \u00e0 l\u2019estimation des param\u00e8tres (Acutis et al., 2000\u00a0; Lacroix et al., 2005). Avant de les utiliser, les mod\u00e8les doivent \u00eatre \u00e9valu\u00e9s pour conna\u00eetre la qualit\u00e9 de pr\u00e9diction et le niveau d\u2019erreur associ\u00e9, ceci selon des crit\u00e8res statistiques partag\u00e9s dans la communaut\u00e9 scientifique.<\/p>\n

              Le principal avantage des donn\u00e9es APL est leur origine \u00ab\u00a0on farm<\/em>\u00a0\u00bb, qui augmente leur cr\u00e9dit aupr\u00e8s des d\u00e9cideurs, sans taire l\u2019incertitude qui les affecte (Vandenberghe, 2016). Elles sont acquises \u00e0 une date connue, avec une bonne caract\u00e9risation du contexte technique. Elles sont g\u00e9n\u00e9ralement acquises en r\u00e9seau, ce qui peut favoriser une d\u00e9marche didactique sur les d\u00e9terminants de la lixiviation ou une recherche participative de r\u00e9f\u00e9rences. Cependant, leur utilisation, en vue d\u2019une quantification des flux d\u2019eau et d\u2019azote, peut se heurter \u00e0 trois limites, de nature temporelle ou spatiale\u00a0:<\/p>\n

                \n
              1. une seule date de mesure est parfois disponible\u00a0;<\/li>\n
              2. la profondeur du pr\u00e9l\u00e8vement est souvent limit\u00e9e \u00e0 90 cm et<\/li>\n
              3. l\u2019interpr\u00e9tation des donn\u00e9es peut \u00eatre \u00e9quivoque quand l\u2019\u00e9chantillon r\u00e9unit plusieurs types de sol.<\/li>\n<\/ol>\n

                Ces limites peuvent \u00eatre diff\u00e9remment contourn\u00e9es dans les types de mod\u00e9lisation d\u00e9crites ci-apr\u00e8s.<\/p>\n

                Cet article montre comment valoriser les donn\u00e9es d\u2019APL selon un gradient croissant de virtualisation et donc d\u00e9croissant de d\u00e9pendance aux donn\u00e9es, appliqu\u00e9 \u00e0 deux cas d\u2019\u00e9tude en Hauts-de France.<\/p>\n

                Mat\u00e9riel et m\u00e9thodes<\/h1>\n

                Les m\u00e9thodes<\/h2>\n

                L\u2019association des r\u00e9sultats d’analyse de carottage de sol et d\u2019un mod\u00e8le simple de calcul permet de convertir les donn\u00e9es de stock en flux d\u2019eau et d\u2019azote (Beaudoin et al., 2012). Le carottage permet d\u2019\u00e9tablir des bilans de masse, de localiser les mesures en tout lieu et d\u2019int\u00e9grer toute l\u2019\u00e9paisseur du sol, l\u00e0 o\u00f9 la charge en cailloux rend possible le carottage. Les mod\u00e8les permettent de pr\u00e9dire le drainage d\u2019eau, la lixiviation ou l\u2019ensemble des pertes d\u2019eau et d\u2019azote d\u2019un agrosyst\u00e8me en fonction de donn\u00e9es d\u2019entr\u00e9e accessibles portant sur le sol, les techniques, le climat et la plante. La difficult\u00e9 de r\u00e9p\u00e9ter le carottage dans l\u2019espace et dans le temps peut \u00eatre lev\u00e9e par la possibilit\u00e9 d\u2019en associer les donn\u00e9es \u00e0 un mod\u00e8le coupl\u00e9 \u00e0 un syst\u00e8me d\u2019information g\u00e9ographique (Whisler et al., 1986\u00a0; Corwin & Wagenet, 1996). Trois types de couplage donn\u00e9es-mod\u00e8les sont d\u00e9finis (figure 1)\u00a0:<\/p>\n

                a) Mod\u00e9lisation statique appliqu\u00e9e \u00e0 partir d\u2019une seule date de mesure et d\u2019un seul horizon. Elle peut mobiliser le mod\u00e8le piston (Rousselle, 1913), le mod\u00e8le de Burns (1976) ou encore un m\u00e9ta-mod\u00e8le calibr\u00e9 d\u2019apr\u00e8s des sorties d\u2019un mod\u00e8le dynamique (Beaudoin & Machet, 2001). Seuls les processus de transfert d\u2019eau et de solut\u00e9s y sont pris en compte. Les variables d\u2019entr\u00e9es sont les stocks initiaux d\u2019eau et de nitrate, les pluies efficaces cumul\u00e9es et l\u2019humidit\u00e9 volumique \u00e0 la capacit\u00e9 au champ. Ces mod\u00e8les n\u2019int\u00e8grent ni l\u2019h\u00e9t\u00e9rog\u00e9n\u00e9it\u00e9 de la r\u00e9partition du nitrate dans le profil, ni les fonctions puits et source d\u2019azote du sol (min\u00e9ralisation, absorption).<\/p>\n

                b) Mod\u00e9lisation dynamique et empirique \u00e0 l\u2019aide de l\u2019outil LIXIM, appliqu\u00e9 \u00e0 une ou plusieurs p\u00e9riodes, en m\u00e9thode inverse entre deux dates de mesures et\/ou en simulation pure \u00e0 partir d\u2019une seule date de mesure (Mary et al., 1999). LIXIM a \u00e9t\u00e9 con\u00e7u d\u2019abord en un sol nu\u00a0; sa derni\u00e8re version (v9) int\u00e8gre l\u2019absorption des couverts au printemps et automne (Autret et al., 2019). Il int\u00e8gre la variabilit\u00e9 verticale des teneurs en eau et en azote, des propri\u00e9t\u00e9s du sol, de la densit\u00e9 racinaire (v9) et leur dynamique journali\u00e8re. LIXIM calcule entre deux dates\u00a0: i) les cumuls de drainage, lixiviation et d\u2019absorption d\u2019azote\u00a0; ii) les moyennes du rapport ETR\/ETP et de la vitesse de min\u00e9ralisation nette d\u2019azote, qui sont soit optimis\u00e9es soit forc\u00e9es. Les donn\u00e9es d\u2019entr\u00e9e, sont les stocks d\u2019eau, d’ammonium et de nitrate par horizon, les donn\u00e9es m\u00e9t\u00e9orologiques quotidiennes (T, P, ETP), et \u00e9ventuellement, la date de lev\u00e9e et la quantit\u00e9 d\u2019azote absorb\u00e9e entre deux dates.<\/p>\n

                c) Mod\u00e9lisation dynamique d\u00e9terministe \u00e0 l\u2019aide de simulateurs d\u00e9j\u00e0 param\u00e9tr\u00e9s et \u00e9valu\u00e9s (STICS, SYST\u2019N, Agriflux\u2026). Le mod\u00e8le STICS s\u2019applique \u00e0 l\u2019\u00e9chelle d\u2019un cycle cultural ou de plusieurs cycles successifs. Il simule le d\u00e9veloppement de la culture et les bilans d\u2019\u00e9nergie, d\u2019eau, de carbone et d\u2019azote du syst\u00e8me au pas de temps journalier. Il est pr\u00e9f\u00e9rable de l\u2019initialiser en p\u00e9riode de sol nu, car seules les donn\u00e9es des profils d\u2019eau et d\u2019azote sont requises comme initiales. Il peut \u00eatre aussi initialis\u00e9 en p\u00e9riode de culture en renseignant son stade, sa densit\u00e9 racinaire, son indice foliaire, ses masses racinaires et a\u00e9riennes et leur mobilisation d\u2019azote. Aux entr\u00e9es d\u00e9j\u00e0 n\u00e9cessaires pour LIXIM s\u2019ajoutent l\u2019itin\u00e9raire technique, des caract\u00e9ristiques du sol et du climat et les param\u00e8tres d\u00e9crivant le fonctionnement g\u00e9n\u00e9ral du syst\u00e8me de culture-sol-atmosph\u00e8re.<\/p>\n

                Le concept de transfert de solut\u00e9s dans les mod\u00e8les LIXIM et STICS discr\u00e9tise et g\u00e9n\u00e9ralise, dans le temps et l\u2019espace, celui de \u00ab\u00a0cellules de m\u00e9lange\u00a0\u00bb (Burns, 1976)\u00a0; il l\u2019associe \u00e0 un mod\u00e8le de bilan hydrique capacitif (Mary et al., 1999), de la fa\u00e7on suivante\u00a0:<\/p>\n

                  \n
                1. le transfert s\u2019op\u00e8re en r\u00e9gime permanent de drainage, i.e. dans un sol \u00e0 la capacit\u00e9 au champ soumis \u00e0 des pluies efficaces\u00a0;<\/li>\n
                2. un m\u00e9lange complet s\u2019op\u00e8re entre l\u2019eau d\u00e9j\u00e0 pr\u00e9sente dans chaque couche \u00e9l\u00e9mentaire (n) du profil de sol et l\u2019eau y arrivant par convection\u00a0;<\/li>\n
                3. le m\u00eame ph\u00e9nom\u00e8ne se produit ensuite dans la couche \u00e9l\u00e9mentaire (n + 1), sous-jacente\u00a0;<\/li>\n
                4. ce transfert s\u2019op\u00e8re dans la seule microporosit\u00e9 du sol, qui est suppos\u00e9 avoir une conductivit\u00e9 hydraulique infinie\u00a0;<\/li>\n
                5. l\u2019\u00e9paisseur (e = 1 \u00e0 15 cm) d\u2019une couche \u00e9l\u00e9mentaire et ses param\u00e8tres capacitifs sont d\u00e9finis \u00e0 l\u2019\u00e9chelle de l\u2019horizon p\u00e9dologique.<\/li>\n<\/ol>\n

                  La pr\u00e9diction du mod\u00e8le cellules de m\u00e9lange converge avec celle du type m\u00e9caniste convectif-dispersif, si l\u2019\u00e9paisseur des couches est \u00e9gale \u00e0 la moiti\u00e9 de la longueur de dispersion du mod\u00e8le m\u00e9caniste, tout en exigeant beaucoup moins de param\u00e8tres et de temps de calcul (Van der Ploeg et al., 1995). Cependant, le sch\u00e9ma cellules de m\u00e9lange peut difficilement \u00eatre appliqu\u00e9 \u00e0 des sols tr\u00e8s h\u00e9t\u00e9rog\u00e8nes ou hydromorphes (Lafolie & Neel, 1997).<\/p>\n

                  \"\"
                  Figure 1. Sch\u00e9ma des entr\u00e9es et sortie des diff\u00e9rents mod\u00e8les utilis\u00e9s.
                  Sigles\u00a0: P= pr\u00e9cipitations, T = temp\u00e9rature de l\u2019air, ETP = \u00c9vapotranspiration potentielle, RG = rayonnement global, LAI = Indice foliaire, APL = azote potentiellement lessivable.<\/figcaption><\/figure>\n

                  Trois crit\u00e8res statistiques ont \u00e9t\u00e9 utilis\u00e9s pour \u00e9valuer les mod\u00e8les selon la m\u00e9thode de Loague & Green (1991)\u00a0: l’\u00e9cart moyen (MD), l’erreur quadratique moyenne (RMSE) qui sont attendues pour \u00eatre minimales, et l’efficience du mod\u00e8le (EF), dont la valeur cible est l\u2019unit\u00e9.<\/p>\n

                  \"\"<\/a><\/p>\n

                  o\u00f9 [latex]Si[\/latex] = simul\u00e9, [latex]Oi[\/latex] = observ\u00e9,<\/p>\n

                  \"\"\u00a0= moyenne des observations.<\/p>\n

                  Sites et bases de donn\u00e9es d\u2019APL<\/h2>\n

                  Les d\u00e9marches sont appliqu\u00e9es \u00e0 deux cas d\u2019\u00e9tude \u00ab\u00a0on farm<\/em>\u00a0\u00bb du Nord de la France\u00a0: le bassin hydrologique de Bruy\u00e8res et Montb\u00e9rault (F-02), avec 36 sites d\u2019observation de 1991 \u00e0 2012 (Beaudoin et al., 2005\u00a0; 2021) et le r\u00e9seau Agri-Bio en Hauts-de-France, avec 35 parcelles observ\u00e9es de 2014 \u00e0 2017 (Rakotovololona et al., 2019).<\/p>\n

                  Le bassin d\u2019alimentation de captage (BAC) de Bruy\u00e8res est un territoire incluant 145 ha de grandes cultures conduites en rotations triennales conventionnelles (bl\u00e9[2]<\/sup><\/a>-escourgeon[3]<\/sup><\/a>– betterave[4]<\/sup><\/a> ou colza[5]<\/sup><\/a> ou pois[6]<\/sup><\/a>), o\u00f9 les bonnes pratiques agricoles (BPA) ont \u00e9t\u00e9 syst\u00e9matiquement appliqu\u00e9es (fertilisation raisonn\u00e9e\u00a0; culture interm\u00e9diaire\u00a0; enfouissement des r\u00e9sidus de culture pauvres en azote). Le protocole d\u2019\u00e9valuation de l\u2019impact des BPA a coupl\u00e9 observation et mod\u00e9lisation. Des pr\u00e9l\u00e8vements du sol et des v\u00e9g\u00e9taux trois fois par an ont port\u00e9 sur 36 stations d\u2019observation repr\u00e9sentatives des cultures et des sols\u00a0; une station repr\u00e9sente un cercle de 20 m de diam\u00e8tre ou six \u00e9chantillons sont pr\u00e9lev\u00e9s al\u00e9atoirement et regroup\u00e9s pour des mesures sans r\u00e9p\u00e9tition au laboratoire (figure 2a). Les parcelles y sont h\u00e9t\u00e9rog\u00e8nes. Les sols sont h\u00e9rit\u00e9s du substrat g\u00e9ologique comme le montre la carte des textures \u00e0 40 cm de profondeur. Les principaux substrats sont le limon (clayey sandy loam<\/em>) les marnes et caillasses (clayey limestone, clay<\/em> et heavy clay<\/em>), le limon sableux d\u00e9velopp\u00e9s sur calcaire grossier (sandy limestone<\/em>) et le sable \u00e9pais (sand<\/em> et clayey sand<\/em>).<\/p>\n

                   <\/p>\n

                  \"\"
                  Figure 2a. Photo a\u00e9rienne et emplacement des champs et des sources du BAC de Bruy\u00e8res, au sud de Laon (Beaudoin et al., 2021). Carte des textures des sols \u00e0 60 cm de profondeur, avec cinq substrats majoritaires et position des 36 stations de pr\u00e9l\u00e8vement sur les sols et les v\u00e9g\u00e9taux (extrait de Beaudoin et al., 2005).<\/figcaption><\/figure>\n

                  Le r\u00e9seau Agri-Biologique (AB) est constitu\u00e9 de 35 parcelles repr\u00e9sentant 11 syst\u00e8mes de culture, caract\u00e9ris\u00e9s par une m\u00eame rotation culturale, un m\u00eame type de sol et une m\u00eame exploitation. Ils appartiennent \u00e0 neuf exploitations en AB (figure 2b). Les rotations longues (9 \u00e0 12 ans) sont de trois types\u00a0: Luzerne \u2013 c\u00e9r\u00e9ales\u00a0; Luzerne \u2013 c\u00e9r\u00e9ales \u2013 l\u00e9gumes\u00a0; C\u00e9r\u00e9ales \u2013 l\u00e9gumes. Substituer la variabilit\u00e9 temporelle par la variabilit\u00e9 spatiale a consist\u00e9 \u00e0 repr\u00e9senter chaque syst\u00e8me par un trio de trois parcelles suivies pendant trois ans. Les mesures sur le sol et les cultures ont \u00e9t\u00e9 r\u00e9alis\u00e9es quatre fois par an avec deux r\u00e9p\u00e9titions dans la m\u00eame parcelle. Les sols sont d\u00e9velopp\u00e9s sur substrat limoneux profond, avec ou sans silex, pour dix syst\u00e8mes, et d\u00e9velopp\u00e9 sur substrat crayeux pour un seul syst\u00e8me.<\/p>\n

                   <\/p>\n

                  \"\"
                  Figure 2b. Localisation des neuf exploitations du r\u00e9seau de parcelles d\u2019observation du projet Agri-Bio d\u2019Agro-Transfert-Ressources & Territoires (extrait de Rakotovolona et al., 2019).<\/figcaption><\/figure>\n

                  Les principales donn\u00e9es utilis\u00e9es dans cet article sont les stocks d\u2019eau (SWC) ou d\u2019azote min\u00e9ral (SMN), encore appel\u00e9 APL pour la mesure de fin d\u2019automne. Les r\u00e9sultats des suivis, de 1991 \u00e0 1999, au BAC de Bruy\u00e8res, et de 2014 \u00e0 2017, sur le r\u00e9seau AB, ont permis l\u2019analyse statistique de leur variabilit\u00e9 en fonction des facteurs ann\u00e9e-type de sol et s\u00e9quence culturale, d\u00e9finie par la culture r\u00e9colt\u00e9e et l\u2019occupation du sol en automne (Beaudoin et al., 2005\u00a0; Rakotovololona et al., 2019). Les donn\u00e9es de SMN sont pr\u00e9sent\u00e9es aux tableaux 1a et 1b, en fonction du facteur s\u00e9quence culturale, dont l\u2019effet est significatif.<\/p>\n

                  Tableau 1a.\u00a0 APL (kg Nmin<\/sub>.ha-1<\/sup>) mesur\u00e9 \u00e0 la fin de l’automne et \u00e0 la mi-f\u00e9vrier, selon les successions culturales \u00e0 Bruy\u00e8res pendant 8 ans, jusqu’\u00e0 120 cm en sols profonds et 90 cm en sols superficiels (extrait de Beaudoin et al., 2005). .<\/h6>\n\n\n\n\n\n
                  Les lettres indiquent les groupes qui diff\u00e8rent statistiquement (test de Kruskal et Wallis, p<\/strong><\/em> < 0,10)<\/caption>\n
                  Succession culturale<\/strong><\/td>\nFin d’automne<\/strong><\/td>\nMi-f\u00e9vrier<\/strong><\/td>\n<\/tr>\n
                  Colza d’hiver – Bl\u00e9 d’hiver<\/p>\n

                  Bl\u00e9 d’hiver – Colza d’hiver<\/p>\n

                  Bl\u00e9 d’hiver\u00a0 Orge d’hiver<\/p>\n

                  Pois de printemps – Bl\u00e9 d’hiver<\/p>\n

                  Betterave sucri\u00e8re – Bl\u00e9 d’hiver<\/p>\n

                  Orge d’hiver – CIPAN<\/td>\n

                  		61ab<\/sup><\/p>\n

                  45b<\/sup><\/p>\n

                  54ab<\/sup><\/p>\n

                  95a<\/sup><\/p>\n

                  48b<\/sup><\/p>\n

                  40b<\/sup><\/td>\n

                  		50a<\/sup><\/p>\n

                  66a<\/sup><\/p>\n

                  –<\/p>\n

                  55a<\/sup><\/p>\n

                  47ab<\/sup><\/p>\n

                  48ab<\/sup><\/td>\n<\/tr>\n

                  Moyenne<\/td>\n55<\/td>\n58<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
                  Tableau 1b.\u00a0 APL (kg Nmin<\/sub>.ha-1<\/sup>) mesur\u00e9 \u00e0 la fin de l’automne et \u00e0 la mi-f\u00e9vrier, selon les successions culturales sur le r\u00e9seau AB pendant trois ans, jusqu’\u00e0 150 cm dans les sols profonds et 90 cm en rendzine (extrait de Rakotovololona et al., 2019).<\/h6>\n\n\n\n\n\n
                  Code culture\u00a0: C = c\u00e9r\u00e9ale\u00a0; I = culture d\u00e9rob\u00e9e\u00a0; M = culture principale\u00a0; A = luzerne, L = l\u00e9gumineuse \u00e0 grain\u00a0; V = l\u00e9gume\u00a0; X = l\u00e9gume ou c\u00e9r\u00e9ale. Code de la date de semis\u00a0: 0 = avant la r\u00e9colte de la culture pr\u00e9c\u00e9dente ou d\u00e9j\u00e0 \u00e9tablie\u00a0; 1 = en automne\u00a0; 2 = au printemps.\u00a0 Les lettres indiquent les groupes qui diff\u00e8rent statistiquement (test de Kruskal et Wallis, p < 0,10).<\/caption>\n
                  Situation<\/strong><\/td>\nNovembre<\/strong><\/td>\nF\u00e9vrier<\/strong><\/td>\n<\/tr>\n
                  CI0<\/p>\n

                  CI1<\/p>\n

                  CM1<\/p>\n

                  A0<\/p>\n

                  AM1<\/p>\n

                  AM2<\/p>\n

                  LM1<\/p>\n

                  VM1<\/p>\n

                  XM1<\/td>\n

                  		70d<\/sup><\/p>\n

                  83bcd<\/sup><\/p>\n

                  114bcd<\/sup><\/p>\n

                  75cd<\/sup><\/p>\n

                  152ab<\/sup><\/p>\n

                  59d<\/sup><\/p>\n

                  154a<\/sup><\/p>\n

                  99bcd<\/sup><\/p>\n

                  94bcd<\/sup><\/td>\n

                  		75a<\/sup><\/p>\n

                  82a<\/sup><\/p>\n

                  94a<\/sup><\/p>\n

                  87a<\/sup><\/p>\n

                  117a<\/sup><\/p>\n

                  74a<\/sup><\/p>\n

                  102a<\/sup><\/p>\n

                  80a<\/sup><\/p>\n

                  98a<\/sup><\/td>\n<\/tr>\n

                  Moyenne<\/td>\n97<\/td>\n88<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                  R\u00e9sultats et discussion<\/h1>\n

                  Utilisation de LIXIM<\/h2>\n

                  Deux versions diff\u00e9rentes de LIXIM, 6 et 9, ont \u00e9t\u00e9 utilis\u00e9es et test\u00e9es respectivement sur les dispositifs de Bruy\u00e8res et AB (figure 3), avec le recours au for\u00e7age pendant les phases printani\u00e8res. Les pr\u00e9dictions des stocks d\u2019eau et d\u2019azote sont jug\u00e9es satisfaisantes. Sur Bruy\u00e8res, une \u00e9tude de sensibilit\u00e9 sur l\u2019effet des couverts a permis de v\u00e9rifier que l\u2019incertitude due \u00e0 leur non int\u00e9gration \u00e9tait n\u00e9gligeable par rapport aux al\u00e9as associ\u00e9s aux mesures \u00e0 l\u2019\u00e9chelle de la parcelle (Beaudoin et al., 2005). Ces limites ont \u00e9t\u00e9 d\u00e9pass\u00e9es sur le r\u00e9seau AB, par prise en compte des couverts dans la version V9 et la r\u00e9duction des al\u00e9as par deux r\u00e9p\u00e9titions.<\/p>\n

                   <\/p>\n

                  \"\"\"\"<\/p>\n

                  Figure 3. Test de pr\u00e9diction des mod\u00e8les LIXIM en p\u00e9riode hivernale par comparaison des valeurs observ\u00e9es et simul\u00e9es de la teneur en eau du sol (mm) et du stock d\u2019azote min\u00e9ral \u00e0 la mi-f\u00e9vrier (kg Nmin<\/sub>.ha-1<\/sup>). A) Sur le BAC de Bruy\u00e8res pendant huit ans, en fonction des types de sol, (n = 256 sans r\u00e9p\u00e9tition). B) Sur le r\u00e9seau en agriculture biologique (AB) pendant trois ans, en fonction de l\u2019ann\u00e9e, (n=109 avec deux r\u00e9p\u00e9titions par parcelle-ann\u00e9e). <\/em><\/p>\n

                  Les calculs sont sensibles \u00e0 la profondeur consid\u00e9r\u00e9e. Sur la BAC de Bruy\u00e8res, passer de 90 \u00e0 120 cm en sols superficiels et de 120 \u00e0 150 cm en sols profonds baisse l\u00e9g\u00e8rement le drainage mais plus fortement la concentration de l\u2019eau de percolation, de 17 et 25\u00a0% respectivement (Beaudoin et al., 2005). De m\u00eame, la p\u00e9riode d\u2019apport d’engrais importe car le drainage se produit certaines ann\u00e9es en dehors de la p\u00e9riode hivernale, ce qui repr\u00e9sente un suppl\u00e9ment de 72\u00a0% par rapport aux flux hivernaux (figure 4). Par contre, pour 13 situations, le flux hivernal d\u00e9passe l\u2019annuel, du fait que l\u2019humidit\u00e9 initiale de l\u2019\u00e9chantillon APL a exc\u00e9d\u00e9 la valeur du param\u00e8tre Hcc, fix\u00e9 comme la m\u00e9diane des valeurs observ\u00e9es en hiver.<\/p>\n

                  En conclusion, la quantification des flux \u00e0 partir de mesures de stock est possible mais sa qualit\u00e9 est sensible \u00e0 la p\u00e9riode et \u00e0 la profondeur d\u2019application et au nombre de r\u00e9p\u00e9titions des mesures. Les tests pr\u00e9sent\u00e9s sont indirects car portant sur des variables d\u2019\u00e9tat du profil\u00a0; ils ont \u00e9t\u00e9 compl\u00e9t\u00e9s par des \u00e9tudes s\u2019int\u00e9ressant directement aux flux d\u2019eau et de solut\u00e9s (Mary et al., 1999).<\/p>\n

                   <\/p>\n

                  \"\"
                  Figure 4. Comparaison des flux calcul\u00e9s par LIXIM, sur le BAC de Bruy\u00e8res, hivernaux avec optimisation, et totaux, incluant des p\u00e9riodes avec simulation pure.<\/figcaption><\/figure>\n

                  Les flux \u00e9l\u00e9mentaires, d\u00e9finis \u00e0 l\u2019\u00e9chelle de chaque station et de l\u2019ann\u00e9e, montrent une forte variabilit\u00e9. Sur le BAC de Bruy\u00e8res, le drainage a vari\u00e9 de 0 \u00e0 592 mm.an-1<\/sup> et la lixiviation de 0 \u00e0 154 kg Nmin<\/sub>.ha-1<\/sup> (Beaudoin et al., 2005). Sur le r\u00e9seau AB, leurs fourchettes sont de 0 \u00e0 468 mm.an-1<\/sup> et 0 \u00e0 117 kg Nmin<\/sub>.ha-1<\/sup> respectivement (Rakotovololona et al., 2019). A l\u2019\u00e9chelle du site-ann\u00e9e le drainage varie surtout avec l\u2019ann\u00e9e (non pr\u00e9sent\u00e9) et avec la succession (Tableau 2). A Bruy\u00e8res, la lixiviation varie tr\u00e8s fortement selon le type de sol, la nature de la s\u00e9quence culturale et le climat, d’un facteur 3, 4 et 5 respectivement. En syst\u00e8mes AB, l\u2019influence de la s\u00e9quence culturale est encore plus importante, avec un ratio de 20 entre les extr\u00eames. Les esp\u00e8ces l\u00e9gumineuses y jouent un r\u00f4le notoire, avec le minimum pour la luzerne en place et le maximum pour une s\u00e9quence l\u00e9gumineuse \u00e0 grain-bl\u00e9 (LM1). Cependant, cette typologie n\u2019int\u00e8gre pas tous les facteurs de variation, en particulier l\u2019arri\u00e8re effet de deuxi\u00e8me ann\u00e9e du retournement des luzerni\u00e8res n\u2019a pas \u00e9t\u00e9 isol\u00e9, faute d\u2019effectifs suffisants.<\/p>\n

                  Tableau 2a\u00a0: Drainage moyen, lixiviation de l’azote nitrique et concentration en nitrate dans l’eau drain\u00e9e calcul\u00e9s avec LIXIM, en fonction de la succession des cultures et du type de sol sur le BAC de Bruy\u00e8res (extrait de Beaudoin et al., 2005).<\/h6>\n\n\n\n\n\n\n\n\n
                  Les lettres indiquent les groupes qui diff\u00e8rent statistiquement (test de Kruskal et Wallis, p\u00a0<\/em> < 0,10)<\/caption>\n
                  <\/td>\nDrainage<\/strong><\/p>\n

                  mm<\/strong><\/td>\n

                  		Lixiviation<\/strong><\/p>\n

                  kg N.ha-1<\/sup><\/strong><\/td>\n

                  		Concentration<\/strong><\/p>\n

                  mg NO3<\/sub>\u00af.L-1<\/sup><\/strong><\/td>\n<\/tr>\n

                  Par succession culturale<\/td>\n<\/td>\n<\/td>\n<\/td>\n<\/tr>\n
                  Colza d’hiver – Bl\u00e9 d’hiver<\/p>\n

                  Bl\u00e9 d’hiver – Colza d’hiver<\/p>\n

                  Bl\u00e9 d’hiver\u00a0 Orge d’hiver<\/p>\n

                  Pois de printemps – Bl\u00e9 d’hiver<\/p>\n

                  Betterave sucri\u00e8re – Bl\u00e9 d’hiver<\/p>\n

                  Orge d’hiver – CIPAN<\/td>\n

                  		244ab<\/sup><\/p>\n

                  182ab<\/sup><\/p>\n

                  264ab<\/sup><\/p>\n

                  216ab<\/sup><\/p>\n

                  153b<\/sup><\/p>\n

                  278a<\/sup><\/td>\n

                  		32a<\/sup><\/p>\n

                  17ab<\/sup><\/p>\n

                  31a<\/sup><\/p>\n

                  42a<\/sup><\/p>\n

                  11b<\/sup><\/p>\n

                  27a<\/sup><\/td>\n

                  		56ab<\/sup><\/p>\n

                  35b<\/sup><\/p>\n

                  51ab<\/sup><\/p>\n

                  80a<\/sup><\/p>\n

                  32b<\/sup><\/p>\n

                  41b<\/sup><\/td>\n<\/tr>\n

                  Par type de sol<\/td>\n<\/td>\n<\/td>\n<\/td>\n<\/tr>\n
                  DL<\/p>\n

                  SLC<\/p>\n

                  SSL<\/p>\n

                  SLS<\/td>\n

                  		219a<\/sup><\/p>\n

                  234a<\/sup><\/p>\n

                  245a<\/sup><\/p>\n

                  263a<\/sup><\/td>\n

                  		16c<\/sup><\/p>\n

                  20b<\/sup><\/p>\n

                  45a<\/sup><\/p>\n

                  50a<\/sup><\/td>\n

                  		31c<\/sup><\/p>\n

                  51b<\/sup><\/p>\n

                  81a<\/sup><\/p>\n

                  92a<\/sup><\/td>\n<\/tr>\n

                  Moyenne<\/td>\n231<\/td>\n27<\/td>\n49<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n
                  Tableau 2b\u00a0: Drainage moyen, lixiviation de l’azote nitrique et concentration en nitrate dans l’eau drain\u00e9e calcul\u00e9s avec LIXIM, en fonction de la succession des cultures sur le r\u00e9seau AB (extrait de Rakotovololona et al., 2019).<\/h6>\n\n\n\n\n\n
                  Les lettres indiquent les groupes qui diff\u00e8rent statistiquement (test de Kruskal et Wallis, p<\/em> < 0,10)<\/caption>\n
                  Moyenne par s\u00e9quence de culture<\/strong><\/td>\nEffectif<\/strong><\/td>\nDrainage<\/strong><\/p>\n

                  mm<\/strong><\/td>\n

                  		Lixiviation<\/strong><\/p>\n

                  kg N.ha-1<\/sup><\/strong><\/td>\n

                  		Concentration<\/strong><\/p>\n

                  mg NO3<\/sub>\u00af.L-1<\/sup><\/strong><\/td>\n<\/tr>\n

                  CI0<\/p>\n

                  CI1<\/p>\n

                  CM1<\/p>\n

                  A0<\/p>\n

                  AM1<\/p>\n

                  AM2<\/p>\n

                  LM1<\/p>\n

                  VM1<\/p>\n

                  XM1<\/td>\n

                  		18<\/p>\n

                  11<\/p>\n

                  20<\/p>\n

                  4<\/p>\n

                  4<\/p>\n

                  7<\/p>\n

                  9<\/p>\n

                  13<\/p>\n

                  18<\/td>\n

                  		148a<\/sup><\/p>\n

                  184a<\/sup><\/p>\n

                  175a<\/sup><\/p>\n

                  218a<\/sup><\/p>\n

                  217a<\/sup><\/p>\n

                  120a<\/sup><\/p>\n

                  229a<\/sup><\/p>\n

                  141a<\/sup><\/p>\n

                  174a<\/sup><\/td>\n

                  		8b<\/sup><\/p>\n

                  19ab<\/sup><\/p>\n

                  18ab<\/sup><\/p>\n

                  9ab<\/sup><\/p>\n

                  33ab<\/sup><\/p>\n

                  2b<\/sup><\/p>\n

                  37a<\/sup><\/p>\n

                  14ab<\/sup><\/p>\n

                  12b<\/sup><\/td>\n

                  		16b<\/sup><\/p>\n

                  38ab<\/sup><\/p>\n

                  37ab<\/sup><\/p>\n

                  16ab<\/sup><\/p>\n

                  70a<\/sup><\/p>\n

                  7b<\/sup><\/p>\n

                  69a<\/sup><\/p>\n

                  43ab<\/sup><\/p>\n

                  35ab<\/sup><\/td>\n<\/tr>\n

                  Moyenne<\/td>\n<\/td>\n172<\/td>\n16<\/td>\n34<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                  En conclusion, la typologie des flux par s\u00e9quences culturales permet de cibler celles n\u00e9cessitant une am\u00e9lioration, par exemple en optimisant la date de destruction des luzerni\u00e8res. Cependant, il faut d\u00e9passer l\u2019approche \u00ab\u00a0culture centr\u00e9e\u00a0\u00bb car la rotation culturale est l\u2019\u00e9chelle temporelle pertinente pour \u00e9valuer les syst\u00e8mes de culture (Beaudoin et al., 2005\u00a0; De Notaris et al., 2018\u00a0; Yin et al., 2020). Sur le plan pratique, il est possible d\u2019initier des simulations \u00e0 partir d\u2019une seule mesure d\u2019APL en utilisant un r\u00e9f\u00e9rentiel de vitesse potentielle de min\u00e9ralisation (Vp) tel qu\u2019il a \u00e9t\u00e9 \u00e9tabli pour le r\u00e9seau AB (annexe). Les valeurs de Vp, issues de la V9, \u00e9galent le solde \u00ab\u00a0min\u00e9ralisation nette-pertes par voies gazeuses\u00a0\u00bb alors que celles de la version V6 sont de facto diminu\u00e9es de l\u2019\u00e9ventuelle absorption d\u2019un couvert.<\/p>\n

                  Interpr\u00e9tation de sortie et m\u00e9ta-mod\u00e9lisation<\/h2>\n

                  Un m\u00e9ta-mod\u00e8le sert un but p\u00e9dagogique et\/ou pr\u00e9dictif. Comme un indicateur, il rend compte des principaux d\u00e9terminants de ce ph\u00e9nom\u00e8ne complexe qu\u2019est la lixiviation. En contexte p\u00e9doclimatique de faible dilution de l\u2019eau de drainage, un indicateur de la sensibilit\u00e9 des sols \u00e0 la lixiviation est le taux de renouvellement du stock d’eau du sol (Mary et al., 1997\u00a0; Beaudoin & Machet, 2001)\u00a0:<\/p>\n

                  \"\"<\/a><\/p>\n

                  o\u00f9 WSFC<\/sub><\/em> (mm) est le stock total d’eau \u00e0 la capacit\u00e9 au champ et D<\/em> est la quantit\u00e9 drain\u00e9e. La quantit\u00e9 d’azote lixivi\u00e9, calcul\u00e9e avec LIXIM, peut alors \u00eatre expliqu\u00e9e par l\u2019APL et par Rw. Pour le BAC de Bruy\u00e8res, de 1991 \u00e0 1999, on obtient une relation lin\u00e9aire significative entre quantit\u00e9 d’azote lixivi\u00e9 et stock d’azote min\u00e9ral de fin d’automne, pour cinq classes de taux de renouvellement (Figure 5).<\/p>\n

                  L\u2019indicateur propos\u00e9 s\u2019inspire du mod\u00e8le piston appliqu\u00e9 \u00e0 l\u2019ensemble du profil. Cependant, LIXIM simule diff\u00e9remment la lixiviation que la formule de Burns pour deux raisons\u00a0:<\/p>\n

                  \u2013 il discr\u00e9tise diff\u00e9remment l’espace et le temps (Mary et al., 1999)\u00a0;<\/p>\n

                  \u2013 il prend en compte la min\u00e9ralisation d’azote, dont une fraction peut \u00eatre lixivi\u00e9e, ce qui fait que la pente de la r\u00e9gression peut exc\u00e9der la valeur 1.0.<\/p>\n

                  Un indicateur quantitatif du lessivage peut \u00eatre \u00e9tabli par\u00a0:<\/p>\n

                  \"\"<\/a><\/p>\n

                  La lixiviation s\u2019explique a posteriori<\/em> par le croisement de deux variables accessibles\u00a0: l\u2019APL, principalement d\u00e9termin\u00e9e par le syst\u00e8me de culture et Rw, principalement d\u00e9termin\u00e9e par le p\u00e9do-climat\u00a0; le coefficient b doit \u00eatre cal\u00e9 empiriquement. Outre sa vertu didactique, cette simplification peut aider \u00e0 anticiper l\u2019\u00e9ventuel effet d\u00e9pressif en azote, li\u00e9 \u00e0 l’introduction d’une CIPAN (Beaudoin, 2006). Cependant, il pr\u00e9sente une moindre pertinence pour les valeurs extr\u00eames de Rw, \u00e0 cause du r\u00f4le de la position du nitrate quand Rw est tr\u00e8s faible, ou de celui de la min\u00e9ralisation en phase de drainage quand Rw est tr\u00e8s fort\u00a0; ces limites ont \u00e9t\u00e9 rencontr\u00e9es \u00e0 l\u2019\u00e9chelle du bassin de la Seine (Beaudoin et al., 2018).<\/p>\n

                   <\/p>\n

                  \"\"
                  Figure 5. R\u00f4le du taux de renouvellement (R) du stock total de l\u2019eau du sol dans la relation lixiviation annuelle = f(APL), appliqu\u00e9 aux donn\u00e9es de huit ann\u00e9es du BAC de Bruy\u00e8res.<\/figcaption><\/figure>\n

                  Ce sch\u00e9ma th\u00e9orique a \u00e9t\u00e9 appliqu\u00e9 sur les donn\u00e9es du r\u00e9seau AB, o\u00f9 les sorties de LIXIM b\u00e9n\u00e9ficient de la r\u00e9p\u00e9tition des mesures. Plusieurs mod\u00e8les (M0 \u00e0 M2) d\u2019une complexit\u00e9 croissante ont \u00e9t\u00e9 test\u00e9s (Tableau 3). La d\u00e9marche a compris une phase de calage utilisant les donn\u00e9es \u00e9l\u00e9mentaires d\u2019APL et une phase de test, utilisant en entr\u00e9e la valeur de SMNseq, fournie par la typologie du tableau 2b. La performance de pr\u00e9diction s\u2019am\u00e9liore encore avec la complexification\u00a0; cependant, le gain permis est faible, vu le co\u00fbt de l\u2019ajout de l\u2019entr\u00e9e d\u00e9crivant la position de l\u2019azote dans le profil.<\/p>\n

                  Sur le plan pratique, il est aussi possible d\u2019utiliser les sorties de LIXIM pour \u00e9tablir un mod\u00e8le multilin\u00e9aire qui puisse prendre comme entr\u00e9e les seules donn\u00e9es d\u2019APL, ou de reliquat de sortie hiver, associ\u00e9es \u00e0 un bilan hydrique (Autret et al., 2019).<\/p>\n

                  Tableau 3. \u00c9quations, param\u00e8tres et performance des m\u00e9tamod\u00e8les de lixiviation (M0, M1 et M2).\u00a0 Les erreurs standards des coefficients a, b et c sont donn\u00e9es entre parenth\u00e8ses.\"\"<\/h6>\n

                  Utilisation de STICS \u00e0 l\u2019\u00e9chelle annuelle<\/h2>\n

                  L\u2019utilisation du mod\u00e8le STICS a vis\u00e9 d\u2019abord \u00e0 prendre en compte d\u2019une fa\u00e7on plus m\u00e9caniste les p\u00e9riodes de drainage printanier ou automnal et ensuite \u00e0 g\u00e9n\u00e9raliser la quantification de la lixiviation \u00e0 l\u2019\u00e9chelle du BAC de Bruy\u00e8res (Beaudoin, 2006). Des r\u00e9sultats du test de l\u2019application de STICS aux donn\u00e9es 1991\/1999 sont pr\u00e9sent\u00e9s avec deux m\u00e9thodes\u00a0:<\/p>\n

                    \n
                  1. utilisant les donn\u00e9es \u00e9l\u00e9mentaires, sans r\u00e9p\u00e9tition (tableau 4a)\u00a0;<\/li>\n
                  2. regroupant les donn\u00e9es individuelles observ\u00e9es et simul\u00e9es entre quatre situations similaires, telles de \u00ab fausses-r\u00e9p\u00e9titions \u00bb, ayant la m\u00eame culture et la m\u00eame classe de sol (tableau 4b).<\/li>\n<\/ol>\n

                    Dans la premi\u00e8re m\u00e9thode, le stock d\u2019eau du sol (SWC) est toujours bien simul\u00e9. Le SMN l\u2019est de moins en moins au fur et \u00e0 mesure que la dur\u00e9e de simulation croit\u00a0: la pr\u00e9diction est bonne en fin d\u2019automne et acceptable en f\u00e9vrier. STICS a pu restituer sans biais les pertes d’eau et d’azote calcul\u00e9es avec LIXIM, mais avec des RMSE \u00e9lev\u00e9es. La seconde m\u00e9thode s\u2019appuie sur l’hypoth\u00e8se qu’une grande partie de l’erreur de pr\u00e9diction vient de l’inexactitude des donn\u00e9es. De fait, la plupart des efficiences ont \u00e9t\u00e9 am\u00e9lior\u00e9es et les RMSE ont toutes \u00e9t\u00e9 r\u00e9duites, sans changer la valeur de la moyenne pr\u00e9dite.<\/p>\n

                    Les pr\u00e9dictions de lixiviation sont sensibles \u00e0 la profondeur de simulation, d\u2019une fa\u00e7on comparable \u00e0 celles de LIXIM, en jouant sur des param\u00e8tres plus pr\u00e9cis. Une \u00e9tude de sensibilit\u00e9 simul\u00e9e par STICS (donn\u00e9es 1991\/1999) montre qu\u2019une r\u00e9duction de 20\u00a0% de la profondeur d\u2019enracinement accro\u00eet la lixiviation de 14\u00a0%, tandis que son augmentation de 20\u00a0% r\u00e9duit la lixiviation de 6\u00a0% (Beaudoin et al., 2008). Cela s\u2019explique peu par la modification simul\u00e9e du drainage (respectivement 3\u00a0% et -2\u00a0%) ou de l\u2019absorption d’azote (respectivement -3\u00a0% et 0\u00a0%), mais plut\u00f4t par celle du transfert de solut\u00e9s (\u00e9quation 1). Dans la pratique, si la profondeur de mesure du profil d\u2019APL s\u2019av\u00e8re insuffisante, il est pr\u00e9f\u00e9rable d\u2019initier le mod\u00e8le sur un profil virtuel ant\u00e9rieur, par exemple d\u2019un an, ayant la profondeur idoine. Ladite mesure d\u2019APL peut ensuite servir \u00e0 tester la pr\u00e9diction, voire de valeur cible pour optimiser le profil initial virtuel par essai-erreur. Cela demande de disposer de l\u2019itin\u00e9raire technique et des donn\u00e9es climatiques de l\u2019ann\u00e9e ant\u00e9rieure.<\/p>\n

                    En conclusion, calculer des flux \u00e0 partir d\u2019une mesure ponctuelle d\u2019APL est possible\u00a0; cependant il ne permet pas le test du mod\u00e8le en absence de r\u00e9p\u00e9titions. Le test a port\u00e9 sur la pr\u00e9diction de variables d\u2019\u00e9tat (SWC et SMN) et de flux calcul\u00e9s par LIXIM. Un test vraiment ind\u00e9pendant de la pr\u00e9diction des flux a pu \u00eatre positivement effectu\u00e9 \u00e0 long terme, sur les donn\u00e9es lysim\u00e9triques de Fagni\u00e8res, avec pr\u00e9diction en continu du mod\u00e8le STICS (Yin et al., 2020). L\u2019application de STICS a \u00e9t\u00e9 aussi possible sur des situations AB o\u00f9 les adventices sont suffisamment contr\u00f4l\u00e9es (Autret et al., 2020).<\/p>\n

                    Tableau 4a. \u00c9valuation statistique du mod\u00e8le STICS en comparaison des donn\u00e9es de sortie de LIXIM prises comme valeurs observ\u00e9es pendant huit ann\u00e9es (extrait de Beaudoin, 2006).<\/h6>\n\n\n\n\n\n\n
                    Variables\u00a0: teneur en eau du sol (SWC), azote min\u00e9ral du sol (SMN), drainage (D), lixiviation (L) et concentration de nitrate dans l’eau drain\u00e9e (C). Les r\u00e9sultats des simulations sont donn\u00e9s pour toutes les donn\u00e9es individuellement. Le mod\u00e8le est r\u00e9initialis\u00e9 apr\u00e8s chaque cycle de culture n = nombre de situations\u00a0; mean = moyenne des valeurs observ\u00e9es.<\/caption>\n
                    <\/td>\n<\/td>\n<\/td>\nObserved (D, L, C\/LIXIM)<\/th>\n<\/th>\nSTICS (annual)<\/th>\n<\/tr>\n
                    <\/td>\n<\/td>\n<\/td>\nn<\/td>\nmean<\/td>\nRMSE<\/td>\nMD<\/td>\nEF<\/td>\n<\/tr>\n
                    SWC<\/p>\n

                    SWC<\/p>\n

                    SMN<\/p>\n

                    SMN<\/td>\n

                    		late autumn<\/p>\n

                    mid winter<\/p>\n

                    late autumn<\/p>\n

                    mid winter<\/td>\n

                    		mm<\/p>\n

                    mm<\/p>\n

                    kg Nmin<\/sub>.ha-1<\/sup><\/p>\n

                    kg Nmin<\/sub>.ha-1<\/sup><\/td>\n

                    		211<\/p>\n

                    225<\/p>\n

                    210<\/p>\n

                    226<\/td>\n

                    		340<\/p>\n

                    368<\/p>\n

                    45<\/p>\n

                    43<\/td>\n

                    		39<\/p>\n

                    25<\/p>\n

                    21<\/p>\n

                    23<\/td>\n

                    		-13<\/p>\n

                    -4<\/p>\n

                    -1<\/p>\n

                    2<\/td>\n

                    		0,92<\/p>\n

                    0,97<\/p>\n

                    0,49<\/p>\n

                    0,3<\/td>\n<\/tr>\n

                    D<\/p>\n

                    L<\/p>\n

                    C<\/td>\n

                    		whole year<\/p>\n

                    whole year<\/p>\n

                    whole year<\/td>\n

                    		mm<\/p>\n

                    kg Nmin<\/sub>.ha-1<\/sup><\/p>\n

                    mg NO3<\/sub>.l-1<\/sup><\/td>\n

                    		165<\/p>\n

                    165<\/p>\n

                    161<\/td>\n

                    		189<\/p>\n

                    19<\/p>\n

                    39<\/td>\n

                    		59<\/p>\n

                    20<\/p>\n

                    20<\/td>\n

                    		-6<\/p>\n

                    0<\/p>\n

                    0<\/td>\n

                    		0,75<\/p>\n

                    0,78<\/p>\n

                    0,72<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                    Tableau 4b. \u00c9valuation statistique du mod\u00e8le STICS en comparaison des donn\u00e9es de sortie de LIXIM prises comme valeurs observ\u00e9es pendant huit ann\u00e9es (extrait de Beaudoin, 2006).<\/h6>\n\n\n\n\n\n\n
                    Variables\u00a0: teneur en eau du sol (SWC), azote min\u00e9ral du sol (SMN), drainage (D), lixiviation (L) et concentration de nitrate dans l’eau drain\u00e9e (C). Les r\u00e9sultats des simulations sont donn\u00e9s en faisant la moyenne des donn\u00e9es de quatre station-ann\u00e9es aux types de sol et de culture similaires. Le mod\u00e8le est r\u00e9initialis\u00e9 apr\u00e8s chaque cycle de culture n = nombre de situations\u00a0; mean = moyenne des valeurs observ\u00e9es.<\/caption>\n
                    <\/td>\n<\/td>\n<\/td>\nObserved (D, L, C\/LIXIM)<\/th>\n<\/th>\nSTICS (annual)<\/th>\n<\/tr>\n
                    <\/td>\n<\/td>\n<\/td>\nn<\/td>\nmean<\/td>\nRMSE<\/td>\nMD<\/td>\nEF<\/td>\n<\/tr>\n
                    SWC<\/p>\n

                    SWC<\/p>\n

                    SMN<\/p>\n

                    SMN<\/td>\n

                    		late autumn<\/p>\n

                    mid winter<\/p>\n

                    late autumn<\/p>\n

                    mid winter<\/td>\n

                    		mm<\/p>\n

                    mm<\/p>\n

                    kg Nmin<\/sub>.ha-1<\/sup><\/p>\n

                    kg Nmin<\/sub>.ha-1<\/sup><\/td>\n

                    		53<\/p>\n

                    54<\/p>\n

                    53<\/p>\n

                    54<\/td>\n

                    		339<\/p>\n

                    366<\/p>\n

                    45<\/p>\n

                    44<\/td>\n

                    		31<\/p>\n

                    25<\/p>\n

                    13<\/p>\n

                    15<\/td>\n

                    		-14<\/p>\n

                    -6<\/p>\n

                    0<\/p>\n

                    2<\/td>\n

                    		0,93<\/p>\n

                    0,96<\/p>\n

                    0,61<\/p>\n

                    0,39<\/td>\n<\/tr>\n

                    D<\/p>\n

                    L<\/p>\n

                    C<\/td>\n

                    		whole year<\/p>\n

                    whole year<\/p>\n

                    whole year<\/td>\n

                    		mm<\/p>\n

                    kg Nmin<\/sub>.ha-1<\/sup><\/p>\n

                    mg NO3<\/sub>\u00af.L-1<\/sup><\/td>\n

                    		40<\/p>\n

                    42<\/p>\n

                    37<\/td>\n

                    		193<\/p>\n

                    21<\/p>\n

                    38<\/td>\n

                    		37<\/p>\n

                    8<\/p>\n

                    14<\/td>\n

                    		-9<\/p>\n

                    0<\/p>\n

                    2<\/td>\n

                    		0,83<\/p>\n

                    0,86<\/p>\n

                    0,75<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                    Finalement, le mod\u00e8le STICS a \u00e9t\u00e9 appliqu\u00e9 sur les donn\u00e9es de 1991 \u00e0 2012. Les pr\u00e9dictions du drainage et de lixiviation ont \u00e9t\u00e9 compar\u00e9es aux donn\u00e9es d\u2019APL mesur\u00e9es (Figure\u00a06).<\/p>\n

                    Les valeurs moyennes d\u2019APL sont maximales en 2003 et 2004, apr\u00e8s l’ann\u00e9e s\u00e8che la plus s\u00e9v\u00e8re. Leur moyenne (56 kg N.ha-1<\/sup>) est faible gr\u00e2ce \u00e0 l’application des BPA. Si l’on additionne l\u2019absorption des cultures interm\u00e9diaires et l’immobilisation d\u2019azote permise par la d\u00e9composition de la paille, un total de 50 kg N.ha-1<\/sup>.an-1<\/sup> a \u00e9t\u00e9 soustrait \u00e0 la lixiviation. Cependant, cette derni\u00e8re d\u00e9pend des conditions p\u00e9do-climatiques.<\/p>\n

                    La quantit\u00e9 d’eau drain\u00e9e simul\u00e9e par STICS montre une variabilit\u00e9 forte \u00e0 l\u2019\u00e9chelle annuelle dans les 36 stations\u00a0; elle baisse \u00e0 long terme avec l\u2019accroissement significatif de l\u2019ETP. Elle est proche du bilan hydrique cumul\u00e9 (P-ETP) d’octobre \u00e0 mars (pente = 0,92\u00a0; r = 0,85). Comme pr\u00e9vu, 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 variabilit\u00e9 spatiale notoire du drainage, une ann\u00e9e donn\u00e9e.<\/p>\n

                    La quantit\u00e9 moyenne d’azote lixivi\u00e9 annuellement est corr\u00e9l\u00e9e \u00e0 celle de l’eau drain\u00e9e. De tr\u00e8s petites quantit\u00e9s d\u2019azote ont \u00e9t\u00e9 lixivi\u00e9es pendant les ann\u00e9es s\u00e8ches, m\u00eame lorsque les sols contenaient de grandes quantit\u00e9s de SMN en automne, par exemple dans les ann\u00e9es 2003-2006. La quantit\u00e9 moyenne d’azote lixivi\u00e9 varie significativement avec le type de sol, de 11 kg N.ha-1<\/sup>.an-1<\/sup> en sols profonds \u00e0 28 kg N.ha-1<\/sup>.an-1<\/sup> en sols superficiels. Un impact similaire du type de sol a \u00e9t\u00e9 observ\u00e9 (16 et 40 N.ha-1<\/sup>.an-1<\/sup>) dans des lysim\u00e8tres non perturb\u00e9s en Allemagne (Kersebaum & Beblik, 2001).<\/p>\n

                     <\/p>\n

                    \"\"
                    Figure 6. \u00c9volution du stock d\u2019azote min\u00e9ral dans le sol (SMN) mesur\u00e9 \u00e0 la mi-novembre (kg Nmin<\/sub>.ha-1<\/sup>) sur l\u2019ann\u00e9e n-1, de l\u2019azote lixivi\u00e9 (kg Nmin<\/sub>.ha-1<\/sup>.an-1<\/sup>) et de l\u2019eau drain\u00e9e (mm.an-1<\/sup>) tous deux simul\u00e9s par STICS pendant l\u2019automne et l\u2019hiver (n-1, n), avec initialisation \u00e0 la r\u00e9colte du pr\u00e9c\u00e9dent. Les valeurs sont la moyenne arithm\u00e9tique des 36 sites d\u2019\u00e9chantillonnage (extrait de Beaudoin et al., 2021).<\/figcaption><\/figure>\n

                    Le param\u00e8tre WSFC<\/sub> permet de comparer la r\u00e9ponse \u00e0 long terme de variables d\u2019int\u00e9r\u00eat \u00e0 l\u2019effet sol, en parcellaire h\u00e9t\u00e9rog\u00e8ne. Les valeurs mesur\u00e9es du rendement du bl\u00e9, de l’absorption d’azote et du surplus d\u2019azote \u00e0 long terme (bilan CORPEN) sont confront\u00e9es \u00e0 la lixiviation d\u2019azote moyenne simul\u00e9e \u00e0 l\u2019\u00e9chelle de la station (figure 7). La r\u00e9ponse significative du rendement moyen provient de la corr\u00e9lation entre WSFC<\/sub> et la r\u00e9serve utile. L’absorption d’azote a une r\u00e9ponse similaire, car corr\u00e9l\u00e9e au rendement. La lixiviation est corr\u00e9l\u00e9e n\u00e9gativement avec le WFC, r\u00e9duite de 50\u00a0% lorsque WFC passe de 200 \u00e0 500 mm. Cette relation est une propri\u00e9t\u00e9 \u00e9mergente \u00e0 long terme car elle n\u2019est pas v\u00e9rifi\u00e9e \u00e0 l’\u00e9chelle annuelle. Ces relations statistiques peuvent \u00eatre compar\u00e9es en utilisant la pente normalis\u00e9e (bn), c\u2019est \u00e0 dire le ratio entre la pente et la valeur moyenne de la variable. Les valeurs (bn) du rendement et de l’azote lixivi\u00e9 sont respectivement de 9.10-4<\/sup>, -4,3.10-3<\/sup>. La lixiviation est donc cinq fois plus sensible que le rendement aux variations de WSFC<\/sub>. Or, les agriculteurs ne peuvent voir cette diff\u00e9rence de sensibilit\u00e9 des sols \u00e0 la lixiviation. Nous partageons le point de vue d’Evans et al.\u00a0(2019) affirmant que \u00ab\u00a0les connaissances et leur communication sont parmi les facteurs les plus limitants pour les agriculteurs pour adopter des pratiques de gestion alternatives\u00a0\u00bb.<\/p>\n

                    L’azote lixivi\u00e9 est ici lin\u00e9airement corr\u00e9l\u00e9 avec le surplus d\u2019azote. Ce lien n\u2019existe pas toujours dans les \u00e9tudes comparant des syst\u00e8mes (De Notaris et al., 2018\u00a0; Autret et al., 2019). Le surplus d\u2019azote est un indicateur de la pression en azote pertinent \u00e0 long terme et a fortiori<\/em>, en compl\u00e9ment de la quantification des pertes et du stockage d\u2019azote du syst\u00e8me de culture. Dans cette \u00e9tude, les stocks d\u2019humus sont stables et les pertes par voie gazeuse sont \u00e9quivalentes entre sols; le surcroit de surplus d\u2019azote des sols \u00e0 faible WSFC<\/sub> s\u2019est traduit d\u2019une fa\u00e7on univoque par un surcroit de lixiviation.<\/p>\n

                    Outre le fait de pr\u00e9dire d\u2019autres variables d\u2019int\u00e9r\u00eat, les mod\u00e8les permettent aussi la simulation de l\u2019impact de sc\u00e9narios alternatifs (Yin et al., 2020\u00a0; Autret et al., 2020).<\/p>\n

                     <\/p>\n

                    \"\"
                    Figure 7. Relation entre quatre variables et la capacit\u00e9 de r\u00e9tention en eau \u00e0 la capacit\u00e9 au champ (WFC, mm), (extrait de Beaudoin et al., 2021)\u00a0: a) rendement mesur\u00e9 du bl\u00e9 d\u2019hiver et absorption d\u2019azote mesur\u00e9e toutes cultures confondues\u00a0; b) Azote lixivi\u00e9 simul\u00e9 et surplus azot\u00e9 mesur\u00e9 toutes ann\u00e9es confondues. Le rendement du bl\u00e9, l\u2019absorption d\u2019azote et l\u2019exc\u00e9dent d\u2019azote sont obtenus par \u00e9chantillonnage manuel et analyse des cultures. L\u2019azote lixivi\u00e9 est simul\u00e9 par STICS avec une initialisation \u00e0 la r\u00e9colte annuelle.<\/figcaption><\/figure>\n

                    Conclusion<\/h1>\n

                    Compte tenu du fort al\u00e9a affectant le drainage, le calcul de la lixiviation apporte une plus value cognitive \u00e0 la mesure d\u2019APL. Ce calcul est possible par couplage des donn\u00e9es et d\u2019un mod\u00e8le; ce couplage n\u00e9cessite d\u2019\u00eatre adapt\u00e9 au dispositif. La m\u00e9thode d\u2019extrapolation aux p\u00e9riodes sans mesure doit \u00eatre aussi pr\u00e9cis\u00e9e. Cette extrapolation s\u2019appuie toujours sur un bilan hydrique, et donc, sur les donn\u00e9es d\u2019occupation du sol et de climat. A l\u2019avenir, une \u00e9tude m\u00e9thodologique serait utile, pour comparer des calculs utilisant les seules donn\u00e9es APL \u00e0 ceux pr\u00e9sent\u00e9s dans cet article, qui ont mobilis\u00e9 toutes les donn\u00e9es. Quantifier le stock d\u2019eau \u00e0 la capacit\u00e9 au champ, est n\u00e9cessaire \u00e0 la mod\u00e9lisation et utile \u00e0 l\u2019interpr\u00e9tation des donn\u00e9es de lixiviation.<\/p>\n

                    La mod\u00e9lisation d\u00e9terministe peut aussi pr\u00e9dire le stockage d\u2019azote sous forme d\u2019humus, objet d\u2019int\u00e9r\u00eat comme service environnemental. Cette ambition repr\u00e9sente un d\u00e9fi m\u00e9trologique en termes de robustesse et de cr\u00e9dibilit\u00e9 des pr\u00e9dictions. Il peut \u00eatre relev\u00e9 de trois mani\u00e8res compl\u00e9mentaires au sein d\u2019un partenariat multidisciplinaire\u00a0:<\/p>\n

                      \n
                    1. harmoniser et mutualiser les bases de donn\u00e9es de calibration\/test des mod\u00e8les\u00a0;<\/li>\n
                    2. s\u2019adjoindre une dimension probabiliste \u00e0 la pr\u00e9diction, prenant en compte l\u2019incertitude affectant les donn\u00e9es d\u2019APL et les param\u00e8tres des mod\u00e8les\u00a0;<\/li>\n
                    3. utiliser la m\u00e9diane de la pr\u00e9diction d\u2019un ensemble de mod\u00e8les, de la m\u00eame fa\u00e7on que dans la d\u00e9marche AGMIP (Agricultural Model Intercomparison and Improvement Project).<\/li>\n<\/ol>\n

                      Bibliographie<\/h1>\n

                      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<\/em> 13, 191-206.<\/p>\n

                      Autret B., Mary B., Gr\u00e9han 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<\/em> 342, 20-33.<\/p>\n

                      Autret B., Mary B., Strullu L., Chlebowski F., M\u00e4der 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,<\/em> 710, 134597.<\/p>\n

                      Beaudoin N., Machet J.-M., 2001. R\u00e9ponse d’experts de l’INRA en sciences des sols et agronomie vis \u00e0 vis de la gestion de l’azote sur les p\u00e9rim\u00e8tres de protection du Plessis-Pas-Brunet (Loire Atlantique).<\/em> Laon, France\u00a0: INRAE.<\/p>\n

                      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<\/em>. 111, 292-310.<\/p>\n

                      Beaudoin N., 2006. Caract\u00e9risation exp\u00e9rimentale et mod\u00e9lisation des effets des pratiques culturales sur la pollution nitrique d’un aquif\u00e8re en zone de grande culture. Ph.D.\u00a0thesis<\/em>. Paris\u00a0: INA-PG.<\/p>\n

                      Beaudoin N., Launay M., Sauboua E., Ponsardin G., Mary B., 2008. Evaluation of the soil crop model STICS over 8 years against the \u201con farm\u201d database of Bruy\u00e8res catchment. Eur. J. Agr<\/em>. 29, 46-57.<\/p>\n

                      Beaudoin N., Tournebize J., Ruiz L., Constantin J., Justes E., (2012). Chapitre 4\u00a0: Nitrate et eau en p\u00e9riode d\u2019interculture. In\u00a0:<\/em> Justes et Rechauch\u00e8re eds. Rapport d\u2019\u00e9tude-expertise R\u00e9duire les fuites de nitrate au moyen de cultures interm\u00e9diaires.<\/em>\u00a0 France\u00a0: INRA.<\/p>\n

                      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<\/em>. 25, 23529\u201323558. doi: 10.1007\/s11356-016-7478-3.<\/p>\n

                      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,<\/em> 776, 145954. https:\/\/doi.org\/10.1016\/j.scitotenv.2021.145954<\/a><\/p>\n

                      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,<\/em> 86, 305-313.<\/p>\n

                      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,<\/em> 69, 101-110. DOI: 10.1016\/j.envsoft.2015.03.009<\/p>\n

                      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,<\/em> 25, 403-411.<\/p>\n

                      De Notaris C., Rasmussen J., S\u00f8rensen 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<\/em>, 255, 1-11.<\/p>\n

                      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,<\/em> 6, 46\u201353.<\/p>\n

                      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<\/em>, 36, 20-27.<\/p>\n

                      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. \u00a716, 511-548.<\/p>\n

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

                      Lacroix A., Beaudoin N., Makowski D., 2005. Agricultural water nonpoint pollution control under uncertainty and climate variability. Ecological Economics,<\/em> 53, 115-127.<\/p>\n

                      Lafolie F. et Neel C., 1997. Migration du nitrate dans la zone non satur\u00e9e et impacts sur la qualit\u00e9 des eaux souterraines. In\u00a0:<\/em> Lemaire G. & Nicolardot B., eds. Ma\u00eetrise de l’azote dans les agrosyst\u00e8mes<\/em>. Les Colloques de l’INRA 83, 55-67.<\/p>\n

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

                      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.<\/em> Soil Sci.,<\/em> 41, 5-16.<\/p>\n

                      Mary B., Beaudoin N., Benoit M., 1997. Pr\u00e9vention de la pollution nitrique \u00e0 l\u2019\u00e9chelle du bassin d\u2019alimentation en eau. In:<\/em> Lemaire, G. & Nicolardot, B., eds. Ma\u00eetrise de l\u2019azote dans les agrosyst\u00e8mes.<\/em> Paris\u00a0: INRA Editions, 289-312.<\/p>\n

                      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,<\/em> 50, 549-566.<\/p>\n

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

                      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<\/em>, 272, 38-51.<\/p>\n

                      Rousselle V., 1913. Le mouvement des nitrates dans le sol. Annales sciences agron.<\/em>, 4eme s\u00e9rie, I, 97-115.<\/p>\n

                      Vandenberghe C., 2016. Performance de l\u2019indicateur \u2018Azote Potentiellement Lessivable\u2019 pour l\u2019\u00e9valuation de la gestion du nitrate et du risque pour la qualit\u00e9 de l\u2019eau. Th\u00e8se de doctorat.<\/em> Gembloux, Belgique\u00a0: Gembloux Agro-Bio Tech (Uli\u00e8ge).\u00a0 https:\/\/hdl.handle.net\/2268\/201372<\/a><\/p>\n

                      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<\/em>, 24, 725-733.<\/p>\n

                      Weiherm\u00fcller L., Siemens J., Deurer M., Knoblauch S., Rupp H., G\u00f6ttlein A., P\u00fctz T., 2007. In situ soil water extraction\u00a0: a review. J. Environ. Qual.<\/em> 36, 1735-1748.<\/p>\n

                      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<\/em>, 40, 141-208.<\/p>\n

                      Yin X., Beaudoin N., Ferchaud F., Mary B., Strullu L., Chl\u00e9bowski 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\u2013year crop rotation experiment. Geoderma<\/em>, 357, 113956. DOI: 10.1016\/j.geoderma.2019.113956.<\/p>\n

                      Annexe<\/h1>\n\n\n\n\n\n\n
                      Taux de min\u00e9ralisation potentielle de l’azote (Vp, kg N.ha-1<\/sup>.nd-1<\/sup>) calcul\u00e9 par LIXIM de la r\u00e9colte \u00e0 mars sur les parcelles du r\u00e9seau AB. nd = jours normalis\u00e9s en fonction de la teneur en eau \u00e0 la capacit\u00e9 du champ et de la temp\u00e9rature de l’air de 15 \u00b0C\u00a0; sd= \u00e9cart-type.<\/caption>\n
                      <\/td>\nn<\/strong><\/td>\nmean<\/strong><\/td>\nsd<\/strong><\/td>\n<\/tr>\n
                      Average per year<\/p>\n

                      2014-2015<\/p>\n

                      2015-2016<\/p>\n

                      2016-2017<\/p>\n<\/td>\n

                      		 <\/p>\n

                      35<\/p>\n

                      35<\/p>\n

                      35<\/td>\n

                      		 <\/p>\n

                      0,86<\/p>\n

                      0,65<\/p>\n

                      0,58<\/td>\n

                      		 <\/p>\n

                      0,50<\/p>\n

                      0,44<\/p>\n

                      0,44<\/td>\n<\/tr>\n

                      Average per sol type*<\/p>\n

                      Sc<\/p>\n

                      dL<\/p>\n

                      dLp<\/p>\n

                      dSL<\/p>\n<\/td>\n

                      		 <\/p>\n

                      9<\/p>\n

                      48<\/p>\n

                      39<\/p>\n

                      9<\/td>\n

                      		 <\/p>\n

                      1,19<\/p>\n

                      0,65<\/p>\n

                      0,63<\/p>\n

                      0,84<\/td>\n

                      		 <\/p>\n

                      0,46<\/p>\n

                      0,46<\/p>\n

                      0,40<\/p>\n

                      0,60<\/td>\n<\/tr>\n

                      Average per crop sequence<\/p>\n

                      CI0<\/p>\n

                      CI1<\/p>\n

                      CM1<\/p>\n

                      A0<\/p>\n

                      AM1<\/p>\n

                      AM2<\/p>\n

                      LM1<\/p>\n

                      VM1<\/p>\n

                      XM2<\/p>\n<\/td>\n

                      		 <\/p>\n

                      18<\/p>\n

                      11<\/p>\n

                      20<\/p>\n

                      5<\/p>\n

                      4<\/p>\n

                      7<\/p>\n

                      9<\/p>\n

                      13<\/p>\n

                      18<\/td>\n

                      		 <\/p>\n

                      0,91<\/p>\n

                      0,93<\/p>\n

                      0,51<\/p>\n

                      0,80<\/p>\n

                      1,34<\/p>\n

                      1,03<\/p>\n

                      0,61<\/p>\n

                      0,40<\/p>\n

                      0,39<\/td>\n

                      		 <\/p>\n

                      0,36<\/p>\n

                      0,34<\/p>\n

                      0,34<\/p>\n

                      0,42<\/p>\n

                      0,76<\/p>\n

                      0,38<\/p>\n

                      0,27<\/p>\n

                      0,72<\/p>\n

                      0,26<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

                      *Code du sol\u00a0: Sc = calcaire peu profond\u00a0; dL = limon profond\u00a0; dLp = limon profond avec cailloux\u00a0; dSL = limon sableux profond.<\/p>\n

                      La profondeur mesur\u00e9e \u00e9tait de 150 cm pour dL, dLp et dSL\u00a0; et de 90 cm pour Sc.<\/p>\n

                      ** Symbole de culture\u00a0: C = c\u00e9r\u00e9ale\u00a0; I = culture d\u00e9rob\u00e9e\u00a0; M = culture principale\u00a0; A = luzerne, L = l\u00e9gumineuse \u00e0 grain\u00a0; V = l\u00e9gume\u00a0; X = l\u00e9gume ou c\u00e9r\u00e9ale.<\/p>\n

                      Code de la date de semis\u00a0: 0 = avant la r\u00e9colte de la culture pr\u00e9c\u00e9dente ou d\u00e9j\u00e0 \u00e9tablie\u00a0; 1\u00a0= en automne\u00a0; 2 = au printemps.<\/p>\n

                      1. somme de l'azote nitrique et de l'azote ammoniacal, symbolis\u00e9 Nmin<\/sub> ↵<\/a><\/li>
                      2. Triticum aestivum<\/em> ↵<\/a><\/li>
                      3. Hordeum vulgare<\/em> ↵<\/a><\/li>
                      4. Beta vulgaris<\/em> ↵<\/a><\/li>
                      5. Brassica napus<\/em> L. ↵<\/a><\/li>
                      6. Pisum sativum<\/em> L. ↵<\/a><\/li><\/ol><\/div>","protected":false},"author":10,"menu_order":1,"template":"","meta":{"pb_show_title":"on","pb_short_title":"","pb_subtitle":"","pb_authors":["nicolas-beaudoin"],"pb_section_license":""},"chapter-type":[],"contributor":[69],"license":[],"class_list":["post-113","chapter","type-chapter","status-publish","hentry","contributor-nicolas-beaudoin"],"part":96,"_links":{"self":[{"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/pressbooks\/v2\/chapters\/113"}],"collection":[{"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/wp\/v2\/users\/10"}],"version-history":[{"count":128,"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/pressbooks\/v2\/chapters\/113\/revisions"}],"predecessor-version":[{"id":2156,"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/pressbooks\/v2\/chapters\/113\/revisions\/2156"}],"part":[{"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/pressbooks\/v2\/parts\/96"}],"metadata":[{"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/pressbooks\/v2\/chapters\/113\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/wp\/v2\/media?parent=113"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/pressbooks\/v2\/chapter-type?post=113"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/wp\/v2\/contributor?post=113"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/e-publish.uliege.be\/APL_REH_RDD\/wp-json\/wp\/v2\/license?post=113"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}