Besoin en eau et rendements des céréales en Méditerranée du Sud : observation, prévision saisonnière et impact du changement climatique

Water requirement and cereal yields in the Southern Mediterranean : observation, seasonal forecast and impact of climate change

• Auteur / Autrice : El houssaine Bouras
• Direction : Lionel Jarlan, Salah Er-Raki
• Type : Thèse de doctorat
• Discipline(s) : Océan, Atmosphère, Climat
• Date : Soutenance le 19/11/2021
• Etablissement(s) : Toulouse 3 en cotutelle avec Université Cadi Ayyad (Marrakech, Maroc)
• Ecole(s) doctorale(s) : École doctorale Sciences de l’univers, de l’environnement et de l’espace (Toulouse)
• Partenaire(s) de recherche : Laboratoire : Centre d'études spatiales de la biosphère (Toulouse ; 2001-....)
• Jury : Examinateurs / Examinatrices : Lionel Jarlan, Salah Er-Raki, Abderrahmane Lahrouni, Riad Balaghi
• Jury : Rapporteur / Rapporteuse : Inbal Becker-Reshef, Benjamin Sultan

Mots clés

Mots clés contrôlés

Télédétection

Changements climatiques

Besoins en eau

Céréales

Afrique du Nord

Productivité

Céréaliculture

Mots clés libres

Rendement des céréales

Besoin en eau

Télédétection

Sècheresse

Changement climatique

Machine learning

AquaCrop

Cereal yields

Water requirements

Remote sensing

Drought

Climate Change

Machine Learning

AquaCrop

Résumé

Le secteur agricole est l'un des piliers de l'économie marocaine. En plus de contribuer à 15% au Produit Intérieur Brut (PIB) et de fournir 35% des opportunités d'emploi, il a un impact sur les taux de croissance. Ces dernières sont affectées négativement ou positivement par les conditions climatiques et la pluviométrie en particulier. Lors des années de sécheresse, caractérisées par une baisse de la production agricole, en particulier celle des céréales, la croissance de l'économie marocaine a été sévèrement affectée et les importations alimentaires du royaume ont augmenté de manière significative. Dans ce contexte, il est important d'évaluer l'impact de la sécheresse agricole sur les rendements céréaliers et de développer des modèles de prévision précoce des rendements, ainsi que de déterminer l'impact futur du changement climatique sur le rendement du blé et leurs besoins en eau. Le but de ce travail est, premièrement, d'approfondir la compréhension de la relation entre le rendement des céréales et la sécheresse agricole au Maroc. Afin de détecter la sécheresse, nous avons utilisé des indices de sécheresse agricole provenant de différentes données satellitaires. En outre, nous avons utilisé les sorties du système d'assimilation des données terrestres (LDAS). Deuxièmement, nous avons développé des modèles empiriques de la prévision précoce des rendements des céréales à l'échelle provinciale. Pour atteindre cet objectif, nous avons construit des modèles de prévision en utilisant des données multi-sources comme prédicteurs, y compris des indices basés sur la télédétection, des données météorologiques et des indices climatiques régionaux. Pour construire ces modèles, nous nous sommes appuyés sur des algorithmes de machine learning tels que : Multiple Linear Regression (MLR), Support Vector Machine (SVM), Random Forest (RF) et eXtreme Gradient Boost (XGBoost). Enfin, nous avons évalué l'impact du changement climatique sur le rendement du blé et ses besoins en eau. Pour ce faire, nous nous sommes appuyés sur cinq modèles climatiques régionaux disponibles dans la base de données Med-CORDEX sous deux scénarios RCP4.5 et RCP8.5, ainsi que sur le modèle AquaCrop et nous nous sommes basés sur trois périodes, la période de référence 1991-2010, la deuxième période 2041-2060 et la troisième période 2081-2100. Les résultats ont montré qu'il y a une corrélation étroite entre le rendement des céréales et les indices de sécheresse liés à l'état de végétation pendant le stade d'épiaison (mars et avril) et qui sont liés à la température de surface pendant le stade de développement en janvier-février, et qui sont liés à l'humidité du sol pendant le stade d'émergence en novembre-décembre. Les résultats ont également montré que les sorties du LDAS sont capables de suivre avec précision la sécheresse agricole. En ce qui concerne la prévision du rendement, les résultats ont montré que la combinaison des données provenant de sources multiples a donné des meilleurs résultats que les modèles basés sur une seule source. Dans ce contexte, le modèle XGBoost a été capable de prévoir le rendement des céréales dès le mois de janvier (environ quatre mois avant la récolte) avec des métriques statistiques satisfaisants (R² = 0.88 et RMSE = 0.22 t. ha^-1). En ce qui concerne l'impact du changement climatique sur le rendement et les besoins en eau du blé, les résultats ont montré que l'augmentation de la température de l'air entraînera un raccourcissement du cycle de croissance du blé d'environ 50 jours.[...]

The agricultural sector is one of the pillars of the Moroccan economy. In addition to contributing 15% in GDP and providing 35% of employment opportunities, it has an impact on growth rates that are negatively or positively affected by climatic conditions and rainfall in particular. During drought years characterized by a decline in agricultural production and in particular cereal production, the growth of the Moroccan economy was severely affected and the kingdom's food imports increased significantly. In this context, it's important to assess the impact of agricultural drought on cereal yields and to develop early yield prediction models, as well as to determine the future impact of climate change on wheat yield and water requirements. The aim of this work is, firstly to further understand the linkage between cereal yield and agricultural drought in Morocco. In order to identify this drought, we used agricultural drought indices from remotely sensed satellite data. In addition, we used the outputs of Land Data Assimilation System (LDAS). Secondly, to develop empirical models for early prediction of cereal yields at provincial scale. To achieve this goal, we built forecasting models using multi-source data as predictors, including remote sensing-based indices, weather data and regional climate indices. And to build these models, we relied on machine learning algorithms such as Multiple Linear Regression (MLR), Support Vector Machine (SVM), Random Forest (RF) and eXtreme Gradient Boost (XGBoost). Finally, to evaluate the impact of climate change on the wheat yield its water requirements. To do this, we relied on five regional climate models available in the Med-CORDEX database under two scenarios RCP4.5 and RCP8.5, as well as the AquaCrop model and we based on three periods, the reference period 1991-2010, the second period 2041-2060 and the third period 2081-2100. The results showed that there is a close correlation between cereals yield and drought indices related to canopy condition during the heading stage (March and April) and which are related to surface temperature during the development stage in January -February, and which are related to soil moisture during the emergence stage in November -December. The results also showed that the outputs of LDAS are able to accurately monitor agricultural drought. Concerning, cereal yield forecasting, the results showed that combining data from multiple sources outperformed models based on one data set only. In this context, the XGBoost was able to predict cereal yield as early as January (about four months before harvest) with satisfactory statistical metrics (R² = 0.88 and RMSE = 0.22 t. ha^-1). Regarding the impact of climate change on wheat yield and water requirements, the results showed that the increase in air temperature will result in a shortening of the wheat growth cycle by about 50 days. The results also showed a decrease in wheat yield up to 30% if the rising in CO2 was not taken into account. The effect of fertilizing of CO2 can offset the yield losses, and yield can increase up to 27 %. Finally, water requirements are expected to decrease by 13 to 42%, and this decrease is associated with a change in temporal patterns, with the requirement peak coming two months earlier than under current conditions.