La modélisation agronomique est un concept encore flou pour la plupart des agriculteurs, qui sont pourtant les principaux concernés et bénéficiaires de ses résultats. Dans cet article, en utilisant une comparaison avec le GPS, j’espère vous rendre la modélisation agronomique plus simple et familière. Nous nous baserons sur l’exemple d’un modèle agrométéorologique prédictif, qui anticipe les effets du gel printanier sur la vigne.
 

Vers une définition de la modélisation

Tout d’abord, faisons les choses dans les règles de l’art, avec des définitions un peu « barbares ». Qu’est-ce que la modélisation ?

La modélisation est la traduction en langage mathématique de la description de processus physiques, biologiques, chimiques, etc. issus des observations et des expérimentations scientifiques menées depuis le début du XX^ème siècle. L’objectif principal est de « faire parler les plantes », c’est-à-dire de connaître leur état et leurs besoins (présents ou futurs), quelles que soient les conditions climatiques, pédologiques, génétiques ou les techniques culturales.

A partir de ces connaissances, les acteurs de l’agriculture peuvent connaitre l’évolution des besoins d’un végétal et prendre des décisions tactiques et stratégiques pour les travaux agricoles des jours à venir. Les agriculteurs peuvent ainsi gagner du temps, rationaliser leurs coûts, améliorer leurs techniques agricoles afin d’accroitre la performance économique de leur exploitation tout en y intégrant les problématiques environnementales et d’économies des ressources. Il n’est pas ici question de substituer les connaissances et habitudes des agriculteurs, mais plutôt de le conseiller dans leurs décisions : on parle ainsi d’ « outils d’aide à la décision ».
 

Pour mieux comprendre : comparaison avec un GPS

Le paragraphe classique de définition ne vous a pas aidé ? Ce parallèle avec le GPS devrait vous éclairer davantage.

En 1990, pour aller de Paris à Marseille en voiture, le conducteur suivait sa route à partir des atlas, des cartes dépliantes et des panneaux de circulations. Le GPS a ensuite apporté l’innovation du téléguidage par satellite, à partir de la localisation et de nombreuses données (vitesse autorisée, sens interdits etc.). Les algorithmes ont ensuite évolué pour intégrer les données fournies par nos smartphones connectés de façons directes (par des applications « participatives » pour signaler les accidents par exemple) ou indirectes (détection de ralentissement par la vitesse de déplacement des centaines de smartphone présents dans un embouteillage). Ainsi, l’algorithme propose le meilleur trajet au conducteur suivant ses préférences : le plus écologique, le plus rapide tout en l’ajustant si nécessaire en cours de route. Le conducteur a le choix de suivre la route indiquée ou d’en choisir une autre, s’il juge que l’algorithme ne propose pas le meilleur trajet.

Pour faire le parallèle avec les modèles de culture, Paris représenterait le point de départ - le semis - et Marseille le point d’arrivée - la récolte. Après intégration des données initiales (sol, prévisions météorologiques, variétés etc.), et d’éventuels recalculs en cours de saison (dans le cas où l’agriculteur renseignerait des pratiques agricoles telles que l’irrigation), une simulation propose à l’agriculteur un chemin optimisé à suivre pour la conduite de sa culture. Ce chemin est de nouveau optimisé à chaque intégration de nouvelles informations sur les pratiques agricoles (fertilisations, irrigations etc.) ou des variations dans les prévisions météorologiques.

L’agriculteur peut également orienter ce chemin suivant ses préférences : la maximisation du rendement, l’optimisation du stockage de carbone, l’atteinte d’un retour sur investissement etc. Tout comme le conducteur qui peut choisir une autre route, l’agriculteur peut, suivant la connaissance de son terroir, ne pas prendre en compte les recommandations du modèle s’il juge que l’algorithme ne propose pas le meilleur itinéraire technique de culture. Il s’agit simplement d’une aide d’une précision très fine, suivant les connaissances scientifiques et techniques au moment de la simulation.
 

Un exemple avec l’agrométéorologie et le gel

Supposons que nous sommes la veille de l’épisode de gel d’avril 2021. Prenons l’exemple d’un viticulteur du Pic Saint Loup qui, fin mars 2021, a connu un fort pic de douceur avec plusieurs jours au-dessus de 25°C. Il n’a pas le temps de faire le tour de ses parcelles pour en vérifier leur stade phénologique (très éloignées les unes des autres et soumises à des microclimats très variés).

Grace aux données météorologiques locales accumulées depuis la saison précédente, le modèle agronomique peut lui fournir une indication sur la phénologie de chaque parcelle. Le modèle lui indique ainsi que 80% de ses parcelles ont dépassé le stade de débourrement et sont, par conséquent, vulnérables au gel. Grâce aux prévisions météorologiques intégrées et aux connaissances scientifiques reliant les températures gélives et les pertes de rendement, le viticulteur pourra connaître ses risques de pertes. Le modèle lui proposera ainsi plusieurs actions pour limiter les pertes de rendement en calculant leur efficacité suivant les conditions météorologiques pour chaque parcelle : le nombre de bougie par hectares suivant la phénologie, la température et la vitesse du vent ; ou encore l’heure idéale et la durée de l’aspersion d’eau.

Cependant, l’agriculteur, qui connait son terroir sur le bout des doigts, connaît le potentiel gélif de chaque parcelle. Certains bas coteaux sont par exemple plus exposés au gel. Il adaptera les propositions du modèle en mettant plus de bougies par hectares sur les parcelles concernées. Le modèle ne lui a fournit qu’une indication tendancielle par parcelle plusieurs jours à l’avance.

Retrouvez les chroniques de Serge Zaka :