Evaluation de méthodes d'échantillonnage spatialisés avec l'outil AquaCrop pour l'estimation des rendements du blé d'hiver en Belgique :Cas de la Région limoneuse

Abstract

L’échantillonnage est une étape essentielle lors de l’estimation ou la prévision des rendements agricoles. En effet, la méthode d’échantillonnage sélectionnée pour une recherche pourrait influencer les résultats. C’est dans cette optique que l’objectif de notre étude a été d’analyser 3 méthodes d’échantillonnage, afin de déterminer l’influence potentielle que celles-ci peuvent avoir sur la prévision des rendements du blé d’hiver à l’échelle d’une région agricole en Belgique, particulièrement en région limoneuse. La méthodologie de cette recherche a consisté à sélectionner des mailles spatialement, selon trois méthodes d’échantillonnage, à savoir l’échantillonnage aléatoire simple, systématique et stratifié. Celles-ci ont ensuite été paramétrées et calibrées dans l’outil de prévision de rendements AquaCrop, développé par la Food and Agriculture Organization (FAO, 2009). Les résultats obtenus ont montré des valeurs de R² très faible (comprise entre 0,0003 et 0,0004), ce qui indique qu’il y’a un écart non négligeable entre les simulations du modèle et la réalité. L’erreur quadratique moyenne RMSE de nos échantillons était comprise entre 1,92T/ha et 1,97T/ha, soit des erreurs relatives inférieures à 20%. En effet, la connaissance de ces paramètres (R² et RMSE) a permis de faire une analyse comparative, entre les données de rendements simulés moyens pondérés de chaque modèle d’échantillon et les données observées fournies par les statistiques agricoles. Une analyse statistique (écart type, distribution gaussienne et variance) a permis également d’approfondir l’étude des différences entre rendements simulés et observés. Cette analyse s’est étendue d’une part, sur la comparaison des moyennes de nos 3 méthodes d’échantillonnage, afin de déterminer s’il y’ a une différence significative entre ces moyennes. Et d’autre part, sur l’influence que le nombre de mailles sélectionnées pouvait avoir sur les rendements finaux simulés. Les valeurs de R² nous ont amenés à poser une réflexion sur l’incertitude lié aux paramètres d’entrées, le volume d’intrants, l’importance des maladies et aussi sur la fidélité des données observées.