Evaluation of the DSSAT–CERES-Wheat Model for Simulating Winter Wheat (Triticum aestivum L.) Under Different Irrigation Scenarios in the Egyptian Nile Delta

Dans le paysage aride de l'Égypte, où le soleil frappe fort et où la pluie est une visiteuse rare, le Nil est le sang vital de l'agriculture du pays. Depuis des siècles, les agriculteurs comptent sur cette source unique pour cultiver le blé qui nourrit des millions de personnes, mais l'équilibre devient de plus en plus précaire. À mesure que la population augmente et que l'eau se raréfie, la marge d'erreur se réduit. Pour survivre, les agriculteurs doivent savoir exactement de quelle quantité d'eau leurs cultures ont besoin et quand la leur donner. Trop peu, et le grain échoue ; trop, et une ressource précieuse est gaspillée. C'est là que la science moderne intervient, offrant un moyen de regarder dans le futur de la récolte sans attendre le changement des saisons. Les chercheurs utilisent des modèles informatiques, qui sont essentiellement des simulations numériques détaillées de la croissance des plantes, pour tester différentes stratégies. Ces programmes prennent en compte le sol, la météo et la génétique spécifique de la culture pour prédire la quantité de nourriture qui sera produite sous diverses conditions. En exécutant ces simulations, les scientifiques peuvent trouver le point d'équilibre idéal où l'utilisation de l'eau est efficace et les rendements élevés, fournissant ainsi une feuille de route aux agriculteurs confrontés aux défis d'un climat changeant.

Dans le fertile delta du Nil, une équipe de chercheurs s'est donné pour mission de tester l'un de ces puissants outils informatiques, connu sous le nom de DSSAT, pour voir à quel point il pouvait prédire la production de blé d'hiver sous les conditions spécifiques de l'Égypte. Ils se sont concentrés sur une question critique : comment le moment de l'irrigation affecte-t-il la précision des prédictions du modèle ? L'équipe a recueilli des données réelles provenant de quatre gouvernorats majeurs du delta, incluant le Sharqia, le Beheira, la Qalyubia et le Gharbia, couvrant des récoltes de 2002 à 2020. Ils ont comparé les quantités réelles de blé récoltées par les agriculteurs par rapport à ce que le modèle informatique avait prédit, en testant plusieurs scénarios différents. D'abord, ils ont demandé au modèle de supposer que le blé disposait d'une eau et de nutriments illimités, un scénario qui représente un monde idéal où rien ne tourne mal. Ensuite, ils ont introduit des contraintes réalistes, ordonnant au modèle de simuler l'irrigation uniquement lorsque le sol s'asséchait jusqu'à un certain point, et enfin, ils ont testé le modèle par rapport aux calendriers réels utilisés par les agriculteurs dans les champs, incluant des dates spécifiques pour l'arrosage et l'application d'engrais azotés.

Les résultats du premier test ont été révélateurs. Lorsque l'ordinateur était autorisé à supposer que le blé ne souffrait jamais d'un manque d'eau ou de nourriture, il prédisait systématiquement que la récolte serait bien plus grande que ce qui s'est réellement passé. Dans chaque région étudiée, le modèle a surestimé le rendement de manière significative, suggérant que l'ignorance de la réalité du stress hydrique mène à des attentes irréalistes. Cependant, lorsque les chercheurs ont ajusté le modèle pour refléter le monde réel, les prédictions se sont considérablement améliorées. Ils ont constaté que le modèle fonctionnait mieux lorsqu'il recevait l'instruction d'irriguer les cultures uniquement après que le sol a perdu la moitié de son eau disponible. Sous cette condition spécifique, les suppositions de l'ordinateur s'alignaient étroitement sur les récoltes réelles. La différence entre les chiffres prédits et réels est devenue très faible, le modèle ne manquant la cible que d'une infime fraction dans la plupart des cas. Cela indiquait que le blé du delta du Nil est effectivement sensible aux niveaux d'eau, et que la manière la plus précise de simuler sa croissance est de reconnaître qu'il subit une sécheresse modérée avant d'être arrosé à nouveau.

L'étude s'est ensuite poursuivie pour tester le modèle par rapport aux pratiques de gestion réelles utilisées par les agriculteurs, lesquelles impliquent un calendrier fixe d'arrosage et l'application d'engrais urée. Lorsque les chercheurs ont programmé le modèle pour suivre ces calendriers du monde réel, les prédictions sont restées solides, bien qu'elles aient légèrement dévié dans une autre direction. Dans ces scénarios, le modèle avait tendance à sous-estimer légèrement le rendement, prédisant que la récolte serait un peu plus petite qu'elle ne l'était réellement. Cela se produisait aussi bien lorsqu'ils appliquaient le calendrier de fertilisation seul que lorsqu'ils le combinaient avec les dates d'irrigation spécifiques. Malgré cette légère sous-estimation, les marges d'erreur restaient tout à fait acceptables, prouvant que le modèle pouvait reproduire avec succès l'interaction complexe de l'arrosage et de la fertilisation programmés. Les chercheurs ont noté que, bien que le modèle prédise parfois un rendement inférieur lorsque l'azote est impliqué, la précision globale était suffisamment élevée pour être utile à la planification.

En fin de compte, ce travail démontre que le modèle DSSAT est un outil fiable pour comprendre la production de blé dans le delta du Nil en Égypte, à condition qu'il soit configuré pour refléter les conditions réelles de l'exploitation. L'étude a écarté l'idée selon laquelle supposer des conditions parfaites et sans stress est une approche valable pour cette région, montrant au contraire que reconnaître les limites de l'eau est essentiel pour la précision. Les conclusions suggèrent que la manière la plus réaliste de simuler la culture est de déclencher l'irrigation lorsque le sol atteint un point de déplétion de cinquante pour cent, une stratégie qui reflète les limites naturelles de l'environnement. En confirmant que ces simulations numériques peuvent correspondre étroitement aux récoltes réelles, la recherche offre une méthode précieuse aux agriculteurs et aux décideurs politiques pour tester de nouvelles stratégies d'irrigation avant de les mettre en œuvre sur le terrain. Cette capacité est cruciale pour un pays où chaque goutte d'eau compte, permettant aux décideurs d'optimiser la gestion des ressources du Nil afin de garantir un approvisionnement alimentaire stable pour l'avenir.