Impacts du changement climatique et des pratiques agricoles sur la culture des principales céréales du monde

Impacts of climate change and agricultural managements on major global cereal crops

• Auteur / Autrice : Xuhui Wang
• Direction : Laurent Li
• Type : Thèse de doctorat
• Discipline(s) : Météorologie, océanographie, physique de l'environnement
• Date : Soutenance le 13/12/2017
• Etablissement(s) : Paris 6
• Ecole(s) doctorale(s) : École doctorale Sciences de l'environnement d'Île-de-France (Paris ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de météorologie dynamique (Palaiseau, Essonne ; 1968-....)
• Jury : Président / Présidente : Hervé Le Treut
• Jury : Examinateurs / Examinatrices : Shilong Piao, Patrice Dumas, Philippe Ciais
• Jury : Rapporteurs / Rapporteuses : Jean-Christophe Calvet, Christoph Müller

Mots clés

Mots clés contrôlés

Céréaliculture

Phénologie

Changements climatiques

Mots clés libres

Changement climatique

Irrigation

Phénologie

Rendement

Chine

Cultures céréalières

Climate change

Irrigation

Phenology

Résumé

Les terres cultivées représentent un cinquième de la surface émergée de la Terre. Elles fournissent des nutriments à l'homme, modifient le cycle biogéochimique et l'équilibre énergétique de la terre. L’évolution des terres cultivées dans le contexte du changement climatique et avec une intensification des actions anthropiques constitue un enjeu important pour la sécurité alimentaire et les exigences environnementales du développement durable. Le manuscrit de thèse s’inscrit dans cette thématique en exploitant les données de différentes sources et la modélisation numérique. Les données utilisées sont : les statistiques de rendements, les observations agro-météorologiques à long terme, les résultats des sites d’expérimentation avec du réchauffement, les jeux de données globales issus des processus de fusion ou d’assimilation, les données climatiques historiques et de projection future. La modélisation fait appel aux modèles statistiques et aux modèles de processus. Le manuscrit est composé d’une série de travaux de détection et d'attribution. Ils explorent la phénologie, le rendement et leurs réponses aux changements climatiques et aux pratiques de gestion. Ils sont soit sur l'échelle régionale soit sur l’échelle globale, en fonction de la disponibilité des données et de leur pertinence. Le chapitre 2 décrit la construction et l’utilisation d'un modèle statistique avec des données provinciales de rendement au Nord-est de Chine et des données climatiques historiques. Les résultats montrent un effet asymétrique de la température diurne sur le rendement du maïs. Le rendement du maïs augmente de 10.0±7.7% en réponse à une augmentation moyenne de 1oC pendant la saison de croissance quand il s’agit de la température minimale de nuit (Tmin), mais le rendement diminue de 13,4±7,1% quand il s’agit de la température maximale de jour (Tmax). Il y a une grande disparité spatiale pour la réponse à Tmax, ce qui peut s'expliquer partiellement par le fort gradient spatial de la température pendant la saison de croissance (R = -0,67, P <0,01). La réponse du rendement aux précipitations dépend aussi des conditions d'humidité. Malgré la détection d'impacts significatifs du changement climatique sur le rendement, une part importante de ses variations n’est pas expliquée par les variables climatiques, ce qui souligne le besoin urgent de pouvoir attribuer proprement les variations de rendement au changement climatique et aux pratiques de gestion. Le chapitre 3 présente le développement d’un algorithme d'optimisation basé sur la théorie de Bayes pour optimiser les paramètres importants contrôlant la phénologie dans le modèle ORCHIDEE-crop. L’utilisation du modèle optimisé permet de distinguer les effets de la gestion de ceux du changement climatique sur la période de croissance du riz (LGP). Les résultats du modèle optimisé ORCHIDEE-crop suggèrent que le changement climatique affecte la LGP différemment en fonction des types du riz. Le facteur climatique a fait raccourcir la LGP du riz précoce (-2,0±5,0 jour / décennie), allonger la LGP du riz tardif (1,1±5,4 jour / décennie). Il a peu d'effet sur la LGP du riz unique (-0,4±5,4 jour / décennie). Les résultats du modèle ORCHIDEE-crop montrent aussi que les changements intervenus dans la date de transplantation ont provoqué un changement généralisé de la LGP, mais seulement pour les sites de riz précoce. Ceci compense à la hauteur de 65% le raccourcissement de la LGP provoquée par le changement climatique. Le facteur dominant du changement LGP varie suivant les trois types de riz. La gestion est le principal facteur pour les riz précoce et unique. Ce chapitre démontre aussi qu'un modèle optimisé peut avoir une excellente capacité à représenter des variations régionales complexes de LGP.

Croplands accounts for one-fifth of global land surface, providing calories for human beings and altering the global biogeochemical cycle and land surface energy balance. The response of croplands to climate change and intensifying human managements is of critical importance to food security and sustainability of the environment. The present manuscript of thesis utilizes various types of data sources (yield statistics, long-term agrometeorological observations, field warming experiments, data-driven global datasets, gridded historical climate dataset and projected climate change) and also modelling approaches (statistical model vs. process model). It presents a series of detection and attribution studies exploring how crop phenology and crop yield respond to climate change and some management practices at regional and global scales, according to data availability. In Chapter 2, a statistical model is constructed with prefecture-level yield statistics and historical climate observations over Northeast China. There are asymmetrical impacts of daytime and nighttime temperatures on maize yield. Maize yield increased by 10.0±7.7% in response to a 1 oC increase of daily minimum temperature (Tmin) averaged in the growing season, but decreased by 13.4±7.1% in response to a 1 oC warming of daily maximum temperature (Tmax). There is a large spatial variation in the yield response to Tmax, which can be partly explained by the spatial gradient of growing season mean temperature (R=-0.67, P<0.01). The response of yield to precipitation is also dependent on moisture conditions. In spite of detection of significant impacts of climate change on yield variations, a large portion of the variations is not explained by climatic variables, highlighting the urgent research need to clearly attribute crop yield variations to change in climate and management practices. Chapter 3 presents the development of a Bayes-based optimization algorithm that is used to optimize key parameters controlling phenological development in ORCHIDEE-crop model for discriminating effects of managements from those of climate change on rice growth duration (LGP). The results from the optimized ORCHIDEE-crop model suggest that climate change has an effect on LGP trends, but with dependency on rice types. Climate trends have shortened LGP of early rice (-2.0±5.0 day/decade), lengthened LGP of late rice (1.1±5.4 day/decade) and have little impacts on LGP of single rice (-0.4±5.4 day/decade). ORCHIDEE-crop simulations further show that change in transplanting date caused widespread LGP change only for early rice sites, offsetting 65% of climate-change-induced LGP shortening. The primary drivers of LGP change are thus different among the three types of rice. Management is predominant driver of LGP change for early and single rice. This chapter demonstrated the capability of the optimized crop model to represent complex regional variations of LGP. Future studies should better document observational errors and management practices in order to reduce large uncertainties that exist in attribution of LGP change and to facilitate further data-model integration. In Chapter 4, a harmonized data set of field warming experiments at 48 sites across the globe for the four most-widely-grown crops (wheat, maize, rice and soybean) is combined with an ensemble of gridded global crop models to produce emergent constrained estimates of the responses of crop yield to changes in temperature (ST). The new constraining framework integrates evidences from field warming experiments and global crop modeling shows with >95% probability that warmer temperatures would reduce yields for maize (-7.1±2.8% K-1), rice (-5.6±2.0% K-1) and soybean (-10.6±5.8% K-1). For wheat, ST was less negative and only 89% likely to be negative (-2.9±2.3% K-1). The field-observation based constraints from the results of the warming experiments reduced uncertainties associated with modeled ST by 12-54% for the four crops.