Simuler l’effet d’une combinaison de facteurs sur le salissement
Combiner les leviers à l’échelle du système de culture est nécessaire pour maîtriser les adventices dans un contexte de réduction d’usage des produits phytosanitaires. Cependant, il existe peu, voire pas d’outil capable de gérer la multitude de facteurs et d’interactions en jeu. Créer un tel prototype d’outil est l’objectif du projet Combherpic. Celui-ci réunit ARVALIS, Terres Inovia, l’ITB, l’Inrae, l’Acta et Agroscope pour trois ans jusqu’en 2026.
Si l’on retarde la date de semis, mais que l’on opte pour une variété moins couvrante (car c’est la seule disponible adaptée aux semis tardifs par exemple), sur une parcelle peu portante donc avec le risque de ne pas pouvoir intervenir à l’automne, sans toucher au reste du système… comment évolue le salissement ? l’IFT ? le rendement de cette céréale ? le stock grainier ?
Pour répondre à ce genre de questions, le projet construit un modèle informatique en deux étapes.
Tout d’abord, il s’agit d’identifier les facteurs importants et de schématiser1 les relations de cause à effet entre eux. Par exemple, la biomasse des adventices dépend des espèces d’adventices, du pouvoir couvrant de la culture, des conditions pédoclimatiques et de l’efficacité du désherbage.
Dans un second temps, le projet s’attache à chiffrer les probabilités2 d’obtenir telle ou telle valeur pour une variable donnée - la biomasse par exemple - selon les valeurs des variables dont elle dépend (espèces d’adventices, pouvoir couvrant, conditions pédoclimatiques et efficacité du désherbage dans le cas de cet exemple). Certaines combinaisons des variables causales donneront 100 % de chances d’avoir une biomasse (salissement) faible, tandis que d’autres donneront 10 % de risque de salissement fort, 30 % de salissement moyen et 60 % de salissement faible, etc.
Les probabilités peuvent être issues de la bibliographie, obtenues à dire d’experts, ou estimées à partir d’expérimentations au champ réalisées dans le cadre du projet. Il est possible de combiner ces différentes sources d’information. Ces probabilités peuvent être mises à jour à la lumière de nouvelles informations, par exemple de nouveaux résultats d’essais.
La pertinence de l’outil est évaluée en confrontant les simulations aux données réelles d’essais.
Prédire l’effet des pratiques et diagnostiquer les leviers prioritaires
Le prototype d’outil permet donc de prédire comment évoluent le salissement, l’IFT, le rendement et le stock grainier (en comparaison avec un scénario initial) selon le choix de certaines variables « d’entrée ».
Avec une puissance de calcul suffisante, l’outil pourrait également identifier les meilleures combinaisons de leviers pour atteindre certaines performances. Il pourrait donc diagnostiquer les leviers prioritaires à actionner selon l’objectif (mode « diagnostic »).
La démarche est très innovante. Evaluer sa faisabilité est le premier objectif du projet. À terme, elle serait transposable à tous les produits phytosanitaires et à toute la protection intégrée des cultures.
1 Le schéma correspond au format mathématique d’un DAG, de l’anglais directed acyclic graph.
2 Les probabilités sont renseignées dans des tableaux qui, couplés au DAG, constituent un réseau Bayésien.
