Impact of the spatial resolution of climatic data and soil physical properties on regional corn yield predictions using the STICS crop model.

Jégo, G., Pattey, E., Mesbah, S.M., Liu, J., et Duchesne, I. (2015). « Impact of the spatial resolution of climatic data and soil physical properties on regional corn yield predictions using the STICS crop model. », International Journal of Applied Earth Observation and Geoinformation, 41, p. 11-22. doi : 10.1016/j.jag.2015.04.013  Accès au texte intégral (en anglais seulement)

Résumé

L’intégration de données d’observation de la Terre aux modèles de culture s’est révélée un moyen efficace pour améliorer les prévisions de rendement à l’échelle régionale grâce à l’estimation des principales pratiques culturales inconnues. L’efficacité des prévisions dépend toutefois de l’incertitude associée aux données alimentées dans les modèles de culture, en particulier les données climatiques et les propriétés physiques du sol. Dans la présente étude, nous avons évalué l’efficacité du modèle de culture STICS (Simulateur mulTIdisciplinaire pour les Cultures Standard) à prévoir le rendement en maïs, selon divers scénarios, après l’intégration de l’indice foliaire dérivé des données d’observation de la Terre. Les scénarios ont été conçus pour examiner l’impact de l’utilisation de propriétés physiques du sol à haute résolution et de données climatiques provenant d’une ou de quatre stations météorologiques situées dans l’ensemble de la région d’intérêt. Selon les résultats, lorsque les données climatiques d’une seule station étaient utilisées, la prévision du rendement annuel moyen par producteur était « bonne » (erreur absolue < 5 %), tandis que la variabilité spatiale manquait d’exactitude (erreur quadratique moyenne = 1,3 t ha-1). L’erreur quadratique moyenne du modèle de prévision du rendement était en forte corrélation avec la distance entre les stations météorologiques et les champs dans le cas de distances inférieures à 10 km, et atteignait 0,5 t ha-1 pour une distance de 5 km lorsque les propriétés du sol à haute résolution étaient utilisées. Lorsque les données climatiques de quatre stations étaient utilisées, aucune amélioration significative de l’efficacité du modèle n’a été observée. Cela s’explique par une diminution négligeable (30 %) de la distance moyenne entre les champs et les stations météorologiques (de 10 à 7 km). L’utilisation des propriétés du sol à haute résolution a toutefois permis d’améliorer les prévisions du rendement d’environ 15 %, indépendamment du nombre de stations météorologiques utilisées. L’impact de l’incertitude associée aux textures du sol dérivées des données d’observation de la Terre et l’impact des changements dans la répartition des précipitations ont aussi été évalués. Une variation d’environ 10 % dans l’une des textures physiques du sol s’est traduite par un changement dans le rendement sec de 0,4 t ha-1. Les changements dans la répartition des précipitations entre deux épisodes de pluies abondantes au cours de la saison de croissance ont entraîné un changement significatif dans le rendement (0,5 t ha-1 en moyenne). Nos résultats soulignent l’importance d’utiliser des données maillées à haute résolution sur les précipitations quotidiennes pour saisir les variations spatiales des précipitations, ainsi que les propriétés du sol à haute résolution plutôt que celles à faible résolution de l’ensemble des données canadiennes sur les sols, en particulier pour les régions connaissant une grande diversité pédologique.

Date de modification :