📄 agriculture

Field-calibrated ammonia volatilization models for rice and wheat, validated in APSIM

Cette étude a développé et validé des modèles linéaires simples, calibrés sur le terrain, pour prédire la volatilisation de l'ammoniac dans le riz et le blé au sein de la plateforme APSIM, démontrant que ces outils dérivés de manière empirique peuvent simuler avec précision les pertes saisonnières et la dynamique quotidienne avec des performances comparables aux modèles complexes basés sur des processus.

Auteurs originaux : Renu Singh, Manisha Verma, Manoj Shrivastava

Publié 2026-08-03

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Renu Singh, Manisha Verma, Manoj Shrivastava

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

La fuite invisible dans le portefeuille de la ferme

Imaginez une ferme comme une cuisine géante et affamée où les agriculteurs cuisinent des cultures comme le riz et le blé. Pour nourrir ces plantes, les agriculteurs ajoutent un ingrédient spécial appelé engrais azoté, qui est comme le sel et le poivre qui font grandir les cultures de manière vigoureuse et forte. Mais voici la partie délicate : parfois, au lieu de rester dans le sol pour nourrir les plantes, une portion sournoise de cet azote se transforme en un gaz appelé ammoniac et s'envole directement dans l'air. C'est ce qu'on appelle la « volatilisation ». Imaginez que vous versez un seau d'eau sur une éponge, mais qu'une partie s'évapore avant que l'éponge ne puisse la boire. Quand cela arrive, l'agriculteur perd de l'argent parce qu'il a payé pour un engrais que les plantes n'ont jamais reçu, et l'air devient un peu plus pollué.

Les scientifiques essaient de construire des « prévisions météorologiques » pour cette fuite invisible. Certaines de ces prévisions sont comme des jeux vidéo super complexes qui ont besoin de connaître la vitesse exacte du vent, la température du sol et l'humidité chaque seconde pour fonctionner. Bien qu'elles soient précises, ces modèles complexes sont difficiles à utiliser car la plupart des agriculteurs ne disposent pas de autant de données. Cet article, écrit par des chercheurs de l'Institut de recherche agricole de l'Inde (Indian Agricultural Research Institute), pose une question plus simple : pouvons-nous prédire cette fuite en utilisant seulement quelques éléments faciles à mesurer, comme la quantité d'engrais utilisée et la chaleur extérieure ? Ils voulaient trouver un « raccourci » qui soit aussi précis que les modèles super complexes, mais beaucoup plus facile à utiliser pour les agriculteurs et les scientifiques dans le monde réel.

La grande chasse à l'azote : Trouver les fuites

Les chercheurs se sont lancés dans une mission de détective à travers cinq différentes expériences de terrain dans la plaine de l'Indo-Gange, une immense région agricole en Inde. Ils ont observé des champs de riz et de blé pour voir quelle quantité d'azote gazeux s'échappait sous différentes conditions. Au lieu de construire une simulation informatique géante et compliquée à partir de zéro, ils ont décidé de construire deux simples « règles de base » basées sur ce qu'ils ont réellement observé sur le terrain.

La règle du riz : Chaleur et amas
Pour le riz, l'équipe a découvert que la quantité d'azote perdue dans l'air dépend principalement de deux choses : la quantité d'engrais que vous déversez sur le champ et la chaleur. Ils ont créé une équation mathématique simple qui agit comme une calculatrice. Si vous lui indiquez la quantité d'azote utilisée et le niveau de température, elle peut prédire la perte avec une précision étonnante. En fait, cette formule simple a expliqué 94,3 % des changements observés dans les champs de riz. Le principal moteur était la quantité d'engrais : pour chaque kilogramme supplémentaire d'azote ajouté, la perte augmentait d'environ 0,048 kg N ha⁻¹. La chaleur jouait un rôle plus petit, mais toujours important ; pour chaque degré de température supplémentaire, la perte augmentait de 0,60 kg N ha⁻¹. C'est comme un robinet qui fuit : plus vous ouvrez l'eau (l'engrais), plus vous avez de gouttes, et si la pièce est plus chaude, l'eau s'évapore un peu plus vite.

La règle du blé : Le moment est primordial
Pour le blé, l'histoire était un peu différente. Les chercheurs ont testé de nombreux facteurs, y compris la façon dont le sol était labouré, le moment de l'application de l'engrais et le type d'engrais utilisé. Ils ont découvert que le facteur le plus important n'était pas la façon dont le sol était labouré, mais quand l'engrais était appliqué. Si les agriculteurs appliquaient tout leur azote dès le début (moment basal), une grande partie s'échappait. Mais s'ils attendaient et l'appliquaient plus tard en se laissant guider par des capteurs, la perte chutait considérablement. Leur formule pour le blé expliquait 94,2 % de la variation. Curieusement, ils ont trouvé que le type de labour (conservation versus conventionnel) n'avait pas vraiment d'importance en soi une fois que l'on tenait compte du moment et de la manière dont l'engrais était appliqué. Il s'avère que l'effet du « labourage » que les gens pensaient observer n'était en fait qu'un effet secondaire de l'utilisation de différents moments et types d'engrais dans ces champs.

La magie du « Script de gestion »
C'est ici que l'histoire devient vraiment intéressante. Les chercheurs ne se sont pas contentés d'écrire ces formules simples. Ils voulaient voir si ces formules pouvaient vivre à l'intérieur d'un programme de simulation informatique géant et célèbre appelé APSIM Next Generation, qui est utilisé pour modéliser des saisons agricoles entières jour après jour. Ils ont écrit un « script de gestion » spécial (pensez à un petit robot assistant) capable de lire leurs formules simples et de les appliquer à l'intérieur de la simulation complexe.

Lorsqu'ils ont lancé la simulation, le robot assistant a fait quelque chose de magique. Il a prédit que l'azote dans le sol atteindrait son maximum 3 à 4 jours après l'application de l'engrais, tout comme dans la réalité. À la fin de la saison, la perte totale de la simulation correspondait à la prédiction de leur formule simple jusqu'à la troisième décimale. Pour le riz, la formule simple et la simulation complexe disaient toutes deux que la perte était de 14,024 kg N ha⁻¹. Pour le blé, elles étaient toutes deux d'accord sur 21,640 kg N ha⁻¹. Cela a prouvé que l'on n'a pas toujours besoin d'un modèle super complexe pour obtenir une réponse précise ; une règle simple, testée sur le terrain, peut faire le gros du travail même à l'intérieur d'une grande simulation.

Arrêter la fuite
Enfin, l'équipe a testé des moyens de colmater la fuite. Ils ont découvert que l'ajout d'« inhibiteurs » spéciaux (comme le NBPT) à l'engrais pouvait empêcher 40 % de l'azote de s'échapper. D'autres additifs naturels, comme l'extrait d'ail ou les huiles végétales, pouvaient stopper environ 17 % à 27 % de la perte. Cela suggère que si les agriculteurs utilisent le bon moment (selon la règle du blé) et ajoutent un peu de ces inhibiteurs, ils peuvent économiser une énorme quantité d'engrais et garder l'air plus propre.

L'essentiel à retenir

Cet article montre que nous n'avons pas toujours besoin de mesurer chaque goutte de vent et de chaleur pour comprendre comment l'azote s'échappe de nos cultures. En utilisant des règles simples, calibrées sur le terrain et axées sur les facteurs majeurs — comme la quantité d'engrais utilisée, le moment de l'application et la chaleur — nous pouvons prédire la perte d'ammoniac presque aussi bien que les modèles les plus complexes au monde. Les chercheurs ont prouvé que ces règles simples peuvent être intégrées avec succès dans des simulations agricoles avancées, nous offrant un outil puissant et facile à utiliser pour aider les agriculteurs à économiser de l'argent et à protéger l'environnement. Bien que les modèles aient été testés sur des données spécifiques de l'Inde, l'approche suggère une nouvelle façon de lutter contre la perte d'azote : rester simple, rester ancré dans les données réelles du terrain, et laisser les ordinateurs faire le reste.

Résumé technique : Modèles de volatilisation de l'ammoniac calibrés sur le terrain pour le riz et le blé dans APSIM

Énoncé du problème
La volatilisation de l'ammoniac (NH₃) représente une voie critique de perte d'azote dans les systèmes de riz et de blé fertilisés à l'urée, représentant souvent 10 à 40 % de l'azote d'engrais appliqué. Cette perte réduit l'efficacité de l'utilisation de l'azote (EUA), impacte la rentabilité des exploitations et contribue aux dépôts d'azote atmosphérique. Bien que des modèles basés sur des processus (ex. : Volt'Air, FAN) existent pour simuler ces pertes de manière mécaniste, ils nécessitent des données d'entrée détaillées et mesurées en continu telles que le contenu en eau du sol, la température de surface, la vitesse du vent et la résistance de la couche limite. De telles données sont fréquemment indisponibles dans les essais agronomiques de routine, particulièrement à travers les divers sites-années nécessaires pour capturer les réponses dans la plaine indo-gangétique (PIG). Par conséquent, il existe un besoin de modèles empiriques pratiques, calibrés sur le terrain, utilisant des données agronomiques facilement disponibles (ex. : taux d'azote, moment d'application, travail du sol) pour prédire les pertes cumulées de NH₃ à l'échelle du champ avec une précision comparable aux modèles mécanistes complexes.

Méthodologie
L'étude a synthétisé les données de cinq expériences de terrain indépendantes menées à l'ICAR-IARI, New Delhi, et dans des sites affiliés de la PIG. Ces expériences variaient des facteurs de gestion spécifiques :

Riz (Expérience A) : Régimes de température (ambiante vs niveaux de tunnel de gradient) et taux d'azote (0–150 kg N ha⁻¹).
Blé (Expériences B, C, D, E) : Systèmes de travail du sol (conservation vs conventionnel), moment de l'apport basal (guidé par des capteurs GreenSeeker), source/placement de l'azote (ex. : urée placée en bandes, urée enrobée de neem, à libération lente) et amendements (inhibiteurs de l'uréase, extraits botaniques).

Deux modèles de simulation empiriques ont été développés en utilisant la régression linéaire multiple par moindres carrés ordinaires :

Modèle 1 (Riz) : Une équation linéaire reliant la perte cumulée de NH₃-N au taux d'azote et aux niveaux de température ordinaux.
Modèle 2 (Blé) : Une équation linéaire reliant la perte cumulée de NH₃-N au système de travail du sol, au niveau de timing basal et aux variables muettes de source/placement de l'azote.

Les deux modèles ont ensuite été intégrés dans la plateforme APSIM Next Generation (version 2026.7.8083.0) en tant que composants de scripts "Manager". L'intégration impliquait une simulation mécaniste quotidienne où :

L'application d'engrais était détectée en surveillant le pool d'urée de surface.
La perte prédite de NH₃ était déduite du pool d'ammonium (NH₄⁺) du sol plutôt que du pool d'urée pour s'aligner sur l'équilibre NH₄⁺-NH₃ post-hydrolyse.
La perte totale saisonnière ( $L_{max}$ ) était distribuée dans le temps à l'aide d'une fonction de croissance exponentielle vers un maximum ( $Cumulative\ NH_3\text{-}N(t) = L_{max} \times [1 - \exp(-k \cdot t)]$ ), avec une constante de taux ( $k$ ) calibrée pour correspondre aux observations de terrain de la cinétique d'hydrolyse.
Une règle a été mise en œuvre pour gérer les multiples saisons de culture, réinitialisant l'épisode de perte si une nouvelle application survenait plus de 60 jours après la dernière.

Résultats clés

Performance des modèles :
- Modèle de Riz : A expliqué 94,3 % de la variance ( $R^2 = 0,943$ ; RMSE = 0,69 kg N ha⁻¹ ; $n=16$ ). Le taux d'azote était le facteur dominant (+0,048 kg N ha⁻¹ de perte par kg de N appliqué), le niveau de température contribuant de manière plus faible mais significative (+0,60 kg N ha⁻¹ par niveau de gradient).
- Modèle de Blé : A expliqué 94,2 % de la variance ( $R^2 = 0,942$ ; RMSE = 1,62 kg N ha⁻¹ ; $n=39$ ). Le timing basal était le prédicteur le plus fort ; passer d'une application basale précoce à des doses fractionnées guidées par capteurs a considérablement réduit les pertes. La source et le placement de l'azote avaient également des effets significatifs, l'urée en super granules placée en bandes présentant les pertes les plus faibles. Notamment, le système de travail du sol n'avait pas d'effet indépendant significatif une fois le timing et la source d'azote pris en compte.
Efficacité des amendements : Pour le blé, les inhibiteurs de l'uréase (spécifiquement le NBPT) ont réduit la perte cumulée de NH₃-N de 40 % par rapport aux doses d'azote recommandées seules. Les amendements à l'hydroquinone et à l'extrait d'ail ont réduit les pertes de 27 % et 17 %, respectivement.
Validation APSIM : Lors de l'intégration dans APSIM, les deux modèles ont reproduit leurs totaux saisonniers basés sur la régression avec trois décimales de précision (Riz : 14,024 kg N ha⁻¹ ; Blé : 21,640 kg N ha⁻¹). Les dynamiques quotidiennes montraient des pics de pools de NH₄⁺ 3 à 4 jours après l'application, ce qui est cohérent avec les observations de terrain. Le système couplé a réussi à simuler les cinétiques de perte quotidiennes sans nécessiter d'ajustements spécifiques à la culture, en s'appuyant plutôt sur des interactions génériques de pools d'azote du sol.

Signification et revendications
Les auteurs affirment que des modèles linéaires simples, calibrés sur le terrain, peuvent simuler efficacement la volatilisation du NH₃ pour le riz et le blé sur une saison de croissance, offrant une précision comparable aux modèles complexes basés sur les processus tout en utilisant uniquement des prédicteurs agronomiques facilement disponibles. L'étude démontre que ces modèles empiriques peuvent être intégrés avec succès dans une plateforme de simulation de culture-sol établie (APSIM Next Generation) pour capturer un comportement quotidien réaliste, allant au-delà de leur simple utilisation comme prédicteurs de totaux saisonniers.

Cette intégration valide une approche de couplage où les scripts "Manager" interagissent avec les pools d'azote du sol standards (urée et NH₄⁺), fournissant une « confirmation non-Python » que de tels scripts peuvent reproduire fidèlement les prédictions de régression au sein d'un environnement mécaniste. L'article soutient que cette approche — combinant des données mesurées de l'indépendance des essais en modèles empiriques simples et l'intégration dans des plateformes de simulation — offre une solution pratique pour la gestion régionale de l'azote et les inventaires d'émissions là où les données micrométéorologiques détaillées sont indisponibles. Les auteurs notent que bien que les modèles aient bien performé en échantillon, des travaux futurs sont nécessaires pour les valider par rapport à des ensembles de données indépendants et pour étendre ce couplage à une gamme plus large de conditions environnementales.

La fuite invisible dans le portefeuille de la ferme

La grande chasse à l'azote : Trouver les fuites

L'essentiel à retenir

Articles similaires