Soutenance mémoire
Les exploitations agricoles
Un projet de modélisation bioéconomique des exploitations, pour parvenir à une synthèse
La nécessité de tenir compte des risques, dans l’analyse de la différenciation des exploitations, a conduit l’équipe du projet à retenir une approche par modélisation. Elle seule permet en effet de projeter sur une longue période de temps des parcelles cultivées, des exploitations, voire des régions, en reproduisant, à partir de connaissances acquises au cours d’un nombre limité d’années la variabilité temporelle du ou des facteurs de risque.
La synthèse recherchée devait établir les poids relatifs des contraintes biophysiques, sociales et économiques dans le déterminisme du choix par l’exploitant d’un système de production parmi les différents systèmes observables dans la région. Il était donc nécessaire d’intégrer des connaissances sur la socio-économie des exploitations et des connaissances biophysiques portant sur les résultats, en termes de rendement, de différentes techniques de production appliquées aux différents milieux. La question posée amenait ainsi l’équipe à envisager une modélisation bio-économique des exploitations.
La modélisation en programmation mathématique des exploitations agricoles
La méthode de modélisation retenue par les spécialistes de l’exploitation agricole, dans cette équipe, était celle de la “programmation mathématique”, généralisation de la méthode dite de “programmation linéaire”, et considérée comme la mieux adaptée pour simuler les décisions stratégiques des exploitants (Jourdain, 1999). Le postulat sur lequel est basée cette méthode, est que les producteurs, dans le but de réaliser leur projet social et économique, font des choix stratégiques rationnels basés sur leur connaissance:
– des ressources de leur exploitation,
– de l’environnement biophysique
– de l’environnement économique,
– des techniques de production disponibles.
Comme, en outre, la connaissance que l’on peut avoir de l’environnement biophysique et économique n’est pas complète, ils doivent affronter des risques. On désigne communément par “état de nature” une réalisation donnée des conditions de l’environnement qui échappent au contrôle de l’exploitant et dont les différentes modalités possibles, avec leurs probabilités de réalisation décrivent le risque auquel le producteur est confronté. Il peut s’agir par exemple des conditions climatiques et de l’ensemble des prix réellement observés une année donnée, ou représentant une année typique. On désigne par “modèle de décision stratégique des exploitations” le modèle construit selon ce postulat.
La modélisation en programmation mathématique consiste à décrire les différentes activités élémentaires que l’agriculteur peut mener, qui génèrent des produits et consomment des ressources. Les contraintes propres à l’exploitation, telles que les surfaces disponibles dans les différents types de milieux et la force de travail présente, sont fournies en entrée au modèle. Par un processus d’optimisation, le programme recherche la combinaison d’activités élémentaires qui permet de mieux réaliser les objectifs de l’exploitant, décrits par une fonction des différents produits de ces activités. Cette fonction-objectif est par exemple le revenu annuel de l’exploitation, que le programme cherche à maximiser. La prise en compte du risque est fréquemment assurée en introduisant dans la fonction-objectif le calcul de l’espérance et de la variance du revenu (méthode MOTAD). Une contrainte de sécurité peut également être introduite, imposant par exemple que le revenu ne soit jamais inférieur à une valeur minimum ou qu’il ne soit inférieur à cette valeur qu’avec une probabilité faible donnée (méthode “targetMOTAD”, (Tauer, 1983)). Les seuils de variance ou de revenu minimum acceptés par le producteur représentent son aversion au risque.
Le point de départ de la démarche: un diagnostic préliminaire
Le point de départ de l’analyse est le même que pour la méthode de référence: un diagnostic préliminaire établi à partir de la littérature, de l’interrogation de personnes-ressource et d’enquêtes rapides. Ceci vise à établir une liste, la plus complète possible, des contraintes susceptibles de limiter les rendements dans la région étudiée. Un modèle de culture, construit selon le paradigme d’un rendement potentiel réduit par des contraintes, doit ensuite être choisi.
Ce choix vise à maximiser à la fois:
-l’adéquation entre les contraintes prises en compte par le modèle et les contraintes repérées au diagnostic préliminaire,
-le nombre de composants du modèle ayant fait l’objet d’une validation pour l’environnement étudié ou proches de tels composants sur le plan théorique.
Ces critères étant contradictoires, il s’agit d’un compromis dont le résultat le plus probable est un modèle ne prenant en compte de manière correcte que certaines des contraintes identifiées au diagnostic préliminaire. On considère que la variabilité régionale des rendements est due (i) à la variabilité du rendement potentiel provenant de la variabilité des conditions de température de rayonnement et des cultivars, (ii) de la variabilité des contraintes prises en compte par le modèle, les “contraintes modélisées”, et (iii) de la variabilité des contraintes non prises en compte par le modèle, les “contraintes supplémentaires”
Caractéristiques générales du dispositif expérimental
Le dispositif expérimental doit idéalement permettre une réalisation de M4, c’est à dire un ensemble d’observations de couples formés par Y et le vecteur x4, une valeur de ce dernier définissant une situation culturale. Une enquête en parcelles de producteurs est ainsi conduite sur un échantillon couvrant la diversité régionale des situations culturales. Cet échantillon n’est pas nécessairement représentatif, au sens où il peut être utile que les situations extrêmes soient surreprésentées par rapport à la réalité, compte tenu des informations qu’elles peuvent fournir sur le fonctionnement de la culture sous les contraintes les plus sévères ou au contraire lorsqu’on se rapproche du potentiel. On pourra veiller cependant à ce qu’un sous-échantillon représentatif puisse être extrait, lors de la quantification du poids des différentes contraintes pour la région étudiée, si l’objectif est d’établir des priorités dans les actions régionales d’appui aux producteurs.
De même que dans la méthode de référence, c’est le diagnostic préliminaire et la théorie agronomique, dont la conjugaison forme une version conceptuelle du modèle M4, qui renseignent sur les variables à observer pour caractériser les situations culturales, variables constituant idéalement les différentes coordonnées du vecteur x4 et qui doivent permettre de calculer des indicateurs de contraintes, sous-modèles de M4. Le dispositif doit rechercher un compromis équilibré entre les objectifs suivants, contradictoires au plan pratique:
– mesurer dans chaque situations culturale un vecteur xi le plus proche possible de x4,
– maximiser la précision de ces mesures et de celles de Y,
– mesurer xi et Y pour la plus grande diversité possible de situations culturales.
Effets de la toxicité aluminique et de la déficience en Ca
La toxicité aluminique limite la croissance racinaire, par inhibition de la division du méristème apical (Horst et al., 1987), le taux de saturation par l’aluminium du complexe d’échange cationique étant l’index le plus couramment utilisé pour évaluer l’intensité de la contrainte (Abruna et al., 1982; Boyer, 1976; Brenes et Pearson, 1973; Pavan et al., 1982; Pieri, 1976; Sanchez, 1976).
Le modèle EPIC (Sharpley et Williams, 1990; Williams et al., 1984) propose une prise en compte de cette toxicité basée sur cet index:
si ALS > AL0, ATS=1/(100-AL0),
si ALS <=AL0, ATS=1
où ATS est le facteur de stress lié à la toxicité aluminique (Aluminum Toxicity Stress factor), ALS le taux de saturation de la CEC du sol en Aluminium (%), et AL0 la valeur maximum de ALS que la culture peut tolérer sans stress.
EPIC considère d’une part une croissance en profondeur des racines, qui n’est pas affectée par la toxicité aluminique, et une distribution, en fonction de la profondeur, de l’extraction potentielle d’eau du sol par les racines. C’est cette distribution qui est affectée par le facteur de stress aluminique.
STICS considère également une croissance en profondeur et une distribution des racines, mais la transposition à STICS de la prise en compte par EPIC de la toxicité aluminique n’est pas pour autant possible simplement. En effet, les deux modèles diffèrent sensiblement en ce qui concerne la logique de calcul de l’extraction de l’eau du sol par les racines. Dans le cas d’EPIC, l’extraction de l’eau est d’abord évaluée couche par couche puis sommée pour évaluer la transpiration totale. La distribution des racines pilote ainsi directement le calcul de la transpiration à travers un coefficient d’extraction racinaire drac : T= ‘z=1,zrac (Tp*drac(z)*ATS(z)*FH(z)),
où T est la transpiration réelle totale, zrac la profondeur atteinte par les racines, et FH(z) le facteur hydrique à la cote z, variant entre 0, lorsque l’humidité est au point de flétrissement, et un, lorsque le stock d’eau est supérieur ou égal à 25% de la réserve utile de l’horizon.
Introduction de l’effet de l’anoxie du sol sur la croissance racinaire
Le modèle EPIC propose une prise en compte de l’excès d’eau du sol dans laquelle la croissance aérienne est affectée mais pas la distribution de l’extraction racinaire. Le facteur de stress est calculé en fonction du taux moyen de remplissage de la porosité sur le premier mètre de sol. Lizaso et al.(1997) ont proposé une modification du modèle CERES permettant de tenir compte de l’anoxie du sol. Leur approche repose également sur l’évaluation du taux de remplissage de la porosité du sol par l’eau, mais deux facteurs de stress sont générés, agissant l’un sur la croissance racinaire et le développement de la plante, et l’autre sur la profondeur racinaire, la production de biomasse et sa répartition. Ces facteurs intègrent les conditions d’aération de l’ensemble de la rhizosphère. En outre, si le sol est saturé dans la couche où se trouve le front de croissance racinaire, celui-ci est stoppé, et si ces conditions se maintiennent plus de 5 jours le modèle considère que les racines meurent et un nouveau front est placé au centre du premier horizon supérieur non saturé. Le modèle obtenu semble restituer correctement la croissance aérienne et racinaire ainsi que le rendement de cultures de maïs sur sol temporairement inondé, mais conduit à sous-estimer ces variables dans le cas d’un sol correctement aéré. Les auteurs n’indiquent pas les causes de ce défaut.
|
Table des matières
Introduction
Chapitre 1: problématique et démarche générale
1.- Silvânia: une révolution agricole accompagnée par un projet de recherche développement
1.1.-Un milieu physique très hétérogène
1.2.-Un contexte économique hautement changeant et incertain, mais des opportunités récentes
1.3.-Les exploitations agricoles: une révolution nuancée
1.3.1.- Jusqu’à la fin des années 80: de la ruée vers l’or à la crise de la fertilité
1.3.2.- Les années 90: un développement spectaculaire des exploitations familiales
1.3.3.-Avec une nouvelle différenciation des établissements
1.4.- Quels sont les déterminants de cette différenciation? De nombreuses pistes, avec le risque pour dénominateur commun
2.-Un projet de modélisation bioéconomique des exploitations, pour parvenir à une synthèse
2.1.- La modélisation en programmation mathématique des exploitations agricoles
2.2.- Le rôle de l’agronomie dans ces modèles
3.-Quelles simulations pour renseigner le modèle d’exploitation ?
3.1.-Aucun modèle n’est universel
3.2.- Une nécessaire modélisation
3.3.- Le diagnostic de la variabilité des rendements comme base de modélisation
4.- Une méthode itérative de diagnostic et modélisation
4.1.- Le point de départ de la démarche: un diagnostic préliminaire
4.2.- Phase itérative de “diagnostic et modélisation élémentaires”
4.3.- Diagnostic final
4.4.- Caractéristiques générales du dispositif expérimental
5.- Conclusion: les objectifs du travail et ses principales étapes
Chapitre 2: choix du modèle de départ et d’un dispositif expérimental
1.- Diagnostic préliminaire de la variabilité des rendements à Silvânia
1.1.- Informations fournies par la littérature
1.2.- Pré-enquête
2.- Choix du modèle
3.- Dispositif expérimental
3.1.- Situations culturales en parcelles de producteur
3.2.- Dispositif de calage et de validation du modèle
3.2.1.- Essai “Line Source Experiment” (LSE) au CPAC
3.2.2.- Dispositif “sonde à neutrons” à Silvânia
Chapitre 3. Premier cycle de modélisation et de diagnostic
1.- Modélisation
1.1.-Description générale du modèle STICS
1.2.- Adaptations préliminaires au contexte tropical
1.2.1.- Descente des racines et descente du front d’humectation
1.2.3.- Effet de stress post-floraison sur la sénescence foliaire
1.3.- Calage
1.3.1.- Modules de croissance et de développement en l’absence de contrainte
1.3.2.- Module de bilan hydrique
1.3.2.1.- Calage
1.3.2.2.- Validation
1.3.3.- Module de bilan azoté
1.4.- Validation de la simulation du rendement et du LAI
2. Diagnostic
2.1.- Ecarts entre rendements simulés et mesurés
2.2.- Profils de réduction de croissance
2.3.- Diagnostic en termes de fréquence d’apparition des contraintes
3.-Conclusion
Chapitre 4: Second cycle de modélisation et de diagnostic
1.- Introduction
2. Modélisation
2.1.- Généralités sur la démarche utilisée
2. 2.- Effets de la toxicité aluminique et de la déficience en Ca
2.3.- Introduction de l’effet de l’anoxie du sol sur la croissance racinaire
2.4.- Simulation d’une population d’adventices et des ses effets sur la culture
2.4.1. Choix d’une approche pour la modélisation
2.4.2 Modifications résultant de l’introduction de nouvelles fonctions
2.4.2.1.- Levée des adventices
2.4.2.2.- Croissance aérienne des adventices
2.4.2.3.- Effet de la lutte contre les adventices par le producteur
2.4.3.- Modification introduites sur des modules pré-existants de STICS.
2.4.3.1.- Réduction du rayonnement par les adventices
2.4.3.2.- Modification du bilan hydrique
2.4.3.3.- Modification du bilan d’azote
2.4.4.-Calage sur des situations contrastées
3.- Diagnostic et validation empirique du modèle
4.- Conclusion
Chapitre 5: Facteurs édaphiques et techniques responsables des principales contraintes
1.- Détails de la méthodologie
1.1.- Hiérarchie des contraintes
1.2.- Hiérarchie des paramètres d’entrée du modèle
1.2.1.- Cas général
1.2.2.- Cas des facteurs interagissant avec le climat
1.3.- Typologie des situations culturales et possibilités de réduction des écarts entre rendements potentiels et rendements observés
2.- Fréquence et impact des contraintes et de leurs causes pour les trois années de l’enquête agronomique
2.1.- Effets simples des contraintes
2.2.- Interactions entre contraintes
3.- Extrapolation du diagnostic pour une série historique de données pluviométriques
3.1.- Influence du ruissellement
3.2.- Influence de l’anoxie dans la zone de croissance des racines
3.3.- Sensibilité du rendement à la date de semis
3.4.- Sensibilité du rendement au calendrier de lutte contre les adventices
4.- Synthèse de la hiérarchie des contraintes et de leurs causes élémentaires
5.- Distribution, chez les producteurs, des facteurs techniques et édaphiques à l’origine des contraintes
5.1.- Contrainte Aluminique et calcique à l’enracinement
5.2.- Faibles densités de plantes à la levée
5.3.- Lutte contre les adventices
5.4.- Entrées d’azote
5.5.-Réserve utile des sols
5.6.- Date de semis
6. Conclusion: Synthèse des causes édapho-techniques des contraintes et typologie des systèmes de cultures et des milieux
Chapitre 6: Discussion et Conclusion Générales
1.- Sur les erreurs du modèle
2.- Sur le diagnostic local des contraintes limitant la productivité et des moyens de les réduire
3.- Sur la méthode lorsque l’objectif est le diagnostic
3.1.- Principaux points forts de la méthode
3.2.- Limites et possibilités d’amélioration
4.- Sur la modélisation
5. Conclusion générale
Télécharger le rapport complet
