| Summary: | Le climat, les sols et les ressources en eau sont des facteurs essentiels de la production agricole et conditionnent la disponibilité des ressources alimentaires mondiales. La nécessité de quantifier, d'évaluer et de prédire les pressions exercées sur les ressources en eau et les ressources agricoles dans un contexte de changement climatique représente un enjeu majeur. Pour répondre à ces problématiques, des modèles numériques du fonctionnement des surfaces continentales sont développés. Ils permettent de simuler de nombreux processus naturels tels que le cycle de l'eau, du carbone, la croissance et la sénescence de la végétation, et les flux à l'interface sol-atmosphère. Ces outils puissants sont très largement utilisés par la communauté scientifique mais présentent de nombreuses incertitudes dans la représentation des différents processus biophysiques pris en compte et dans l'estimation des paramètres qui les pilotent. L'absence de données d'observation de variables clefs du cycle hydrologique ou de variables clefs de la végétation à grande échelle spatiale et temporelle est un frein majeur pour la validation de ces modèles. L'objectif général de ce travail de thèse est d'évaluer dans quelle mesure l'intégration de données satellitaires disponibles depuis une trentaine d'années dans un modèle générique des surfaces continentales permet de mieux représenter les sécheresses agricoles à différentes échelles spatiales. Le modèle ISBA-A-gs développé par le CNRM est utilisé. Il représente la variabilité interannuelle de la biomasse végétale en lien avec les ressources en eau du sol. Des études précédentes ont montré que les simulations du système sol-plante en condition de stress hydrique sont très sensibles à la valeur de la réserve utile du sol, et que la représentation par ce type de modèle de la variabilité interannuelle de la production des céréales à paille est difficile. Une méthodologie de calibration/validation du modèle basée sur l'intégration de séries temporelles satellitaires d'indice de surface foliaire (Leaf Area Index ou LAI) observées à 1km de résolution dans ISBA-A-gs a été développée afin d'estimer la réserve utile du sol pour des cultures de céréales à paille pluviales. Le LAI satellitaire est préalablement désagrégé pour les céréales à pailles. La validation de cette méthodologie est fondée sur la comparaison de la biomasse simulée et des rendements agricoles observés. Une méthode simple de modélisation inverse par minimisation d'une fonction coût a été confrontée à une méthode plus complexe : l'assimilation séquentielle de données. Cette dernière permet de combiner de manière optimale les séries temporelles de LAI observées et simulées par ISBA-A-gs afin de fournir une analyse du LAI, de la biomasse aérienne, et de l'humidité du sol. L'assimilation repose sur la chaîne LDAS-Monde développée par le CNRM. Elle donne des résultats plus réalistes que la modélisation inverse en terme de biomasse simulée et de réserve utile estimée. La représentation de l'impact négatif des sécheresses et des années très humides sur les rendements est améliorée grâce à cette méthode. Les réserves utiles obtenues sur les zones céréalières françaises ont permis la construction d'un modèle de régression linéaire simple permettant d'estimer les réserves utiles directement à partir des valeurs annuelles maximales de LAI satellitaires (LAImax). La cartographie de la réserve utile à partir du LAImax est comparée à la carte au millionième de l'INRA sur la France. La possibilité d'utiliser cette méthode à l'échelle locale est évaluée, ainsi que son extension à d'autres zones agricoles en Eurasie et en Amérique du Nord. === Climate, soils and water resources are essential factors of agricultural production and affect the availability of world food resources. The need to quantify, assess and predict pressures on water resources and agricultural resources in the context of climate change is a major issue. To answer these questions, numerical models of the processes at stake over continental surfaces are developed. They simulate many natural processes such as the water cycle, the carbon cycle, vegetation growth and senescence, and the fluxes at the soil-atmosphere interface. These powerful tools are widely used by the scientific community but present many uncertainties in the representation of the various biophysical processes taken into account and in the estimation of the parameters that drive them. The lack of observation data for key hydrological cycle variables or key vegetation variables of large spatial and temporal scales is a major obstacle to the validation of these models. The general objective of this thesis is to evaluate how the integration of satellite data available over the last thirty years in a generic model of continental surfaces allows a better representation of agricultural droughts at different spatial scales. The ISBA-A-gs model developed by CNRM is used. It represents the interannual variability of plant biomass in relation to soil water resources. Previous studies have shown that simulations of the soil-plant system under water stress conditions are very sensitive to the value of the soil maximum available water content, and that the representation by this type of model of the interannual variability of cereal straw is difficult. A model calibration / validation methodology based on the integration of Leaf Area Index (LAI) satellite time series observed at 1 km resolution in ISBA-A-gs was developed. The objective is to estimate the soil maximum available water content for non-irrigated straw cereal crops. The satellite LAI is first disaggregated for straw cereals. The validation of this methodology is based on a comparison of the simulated above-ground biomass with observed agricultural yields. A simple method of inverse modeling by minimizing a cost function is compared with a more complex method: sequential data assimilation. The latter allows optimal combinations of the LAI time series observed and simulated by ISBA-A-gs to provide an analysis of LAI, above-ground biomass, and soil moisture. The assimilation is based on the LDAS-Monde chain developed by CNRM. It gives more realistic results than inverse modeling in terms of simulated biomass and of soil maximum available water content. The representation of the negative impact of droughts and very wet years on yields is improved by this method. It is found that the soil maximum available water content retrieved on the French cereal areas correlates with the maximum annual values ??of satellite LAI (LAImax). A simple linear regression model can be used to estimate the soil maximum available water content directly from LAImax . The mapping of the soil maximum available water content as derived from LAImax is compared with the one millionth map of INRA over France. The possibility of using this method at a local scale is evaluated, as well as its extension to other agricultural areas in Eurasia and North America.
|
|---|
